42、温度缩放与CFRP结构健康监测的研究

温度缩放与CFRP结构健康监测的研究

温度缩放相关研究

在超声导波（GUW）数据处理中，温度缩放（TS）技术有着重要的应用。此前的工作中，TS被用于处理GUW数据以确定特征向量 ⟨f,T,M,tmax,F,⟩p ，该向量将未缩放的信号特征与温度测量值结合，可用于预测损伤（二进制分类）及其空间位置。

特征向量计算

特征向量的计算依赖于信号特征的提取。其中，未缩放特征变量的计算需要通过希尔伯特变换（H）得到包络信号。H可通过正向和反向离散快速傅里叶变换（DFT/FFT）来计算，其复杂度为O(N log(N)) 。当使用基 - 2 FFT时，输入数据长度需满足N = 2n ，若不满足则需要进行数据填充，这会增加计算时间。例如，当N = 4096个数据点时，使用32位整数算术进行一次FFT计算大约需要170k条指令（或10ms），而使用浮点软件仿真则需要1s 。FFT的内存消耗约为2N D位。

为了降低包络变换的计算时间，研究人员评估了一种使用整流器（绝对值函数）和一阶低通（LP）滤波器的近似方法（RLP方法）。该方法大约需要3N次算术运算和2N次数据传输，并且可以仅使用整数算术进行，不会出现下溢或溢出错误。状态或递归RLP函数定义如下：
S(i) = (1 - k) · s(i) + S(i - 1) · k

特征变量M的计算是一个最大值搜索过程，通常需要少于5N条机器指令（一次比较、两次加法、两次分支），通过定义感兴趣区域（ROI）可以进一步减少计算量。特征变量F的计算需要在峰值周围进行搜索，其计算量可忽略不计。特征变量的温度缩放需要计算一个k次多项式，计算需要k次加法和Σi = 1,k i次乘法。

人工神经