本文是一篇软件工程论文，本文研究了深度学习中常见的两种模型卷积神经网络（CNN）和长短期记忆网络（LSTM）在板状结构中的应用，提出基于1-D CNN和2-D CNN-LSTM的方法实现板状结构上的损伤监测并对其有效性做出实验验证。
第一章 绪论
1.1 研究背景和意义
习近平在向第32届国际航空科学大会致贺信中指出航空科技是20世纪以来发展最为迅速、对人类生产生活影响最大的科技领域之一。当今世界正经历深刻的科技革命和产业变革，航空科技邻域面临前所未有的发展机遇，同样也存在着大量的困难和挑战等待相关研究人员解决。在如今航空航天飞行器数量快速增长的情况下，铝、钛、钢铁等金属材料以及玻璃纤维、碳纤维等复合材料在飞行器制造中被广泛使用，如图1-1所示，给出了波音787大型飞机整体的用材比例。
软件工程论文参考
在飞行器性能不断增强的今天，其服役期也逐渐延长，由于会暴露在极端的环境条件和各种载荷条件下，飞行器上的一些结构部件会受到不同程度的损伤[1-3]。其中冲击载荷对碳纤维复合板等以复合材料为主的板状结构造成的损伤就是比较具有代表性的一种。具体的冲击载荷分为三种：低速、高速和超高速三类[4]，如图1-2所示。由于高速和超高速对复合材料板的撞击要么摧毁它，要么使它无法修复，但低速撞击会造成结构内部肉眼在外面看不见的损伤，最值得警惕，从长远来看可能导致灾难性后果。低速冲击损伤包含不同的损伤机制，如基体开裂、纤维破坏、分层和穿透等[5]。因此，识别这些缺陷以防止此类故障非常重要[6,7]。为了监测并预防这些损伤，结构健康监测（Structural Health Monitoring, SHM）技术得到大力发展。
...........................
1.2 国内外研究现状及存在的问题
1.2.1 结构健康监测
结构损伤是工程结构中由于各种环境、人为等因素，极易产生的固有问题。短期和长期损伤会导致结构老化，缩短结构部件使用寿命，这使得监测成为保证结构安全的一个重要手段。比如在当今大型飞机的服役中，机翼、舱门等部件结构在使用过程中容易受到冲击载荷冲击从而造成损伤，而对这些而损伤进行有效监测的一个方法就是SHM方法。
SHM是一个广泛且高度跨学科的研究领域，涉及实验测试、系统识别、数据采集和管理，以及环境和运行条件的长期测量[8-11]。在这期间，为了提高监测的准确性、监测效率、便捷性以及降低监测成本，已经开发了大量技术来检测、定位和量化结构损伤[12-14]。
SHM方法从安装在结构上的各种传感器收集数据，并解释采集到的数据，以提供可靠和经济有效的解决方案，并评估结构的健康状况[15]。SHM有被动和主动两种方式[16]，被动方法关注的是设备的各种运行参数，在此基础上推断结构健康状况。被动SHM不能在线检查结构是否已损坏。相比之下，主动SHM可以在线发现已产生的结构损伤，评估结构的健康状况。
如表1-1所示，典型的SHM系统按照取得的效果分为4个等级[17]。如表1-2所示，简要列举了目前在结构健康监测领域中的主要技术方向，并列出各自的优缺点。
软件工程论文怎么写
..........................
第二章 Lamb波和深度学习的理论分析
2.1 Lamb波基本理论
2.1.1 Lamb波概念
超声波入射到板状结构中传播时，当板较薄时，板的两个边界面都会有影响，超声波在板的上下表面边界上均会发生反射，形成横波和纵波两种形式。当板的尺寸厚度满足某些特定的条件，原本稳定的横波和纵波就会产生叠加，形成Lamb波。
Lamb波，又被称作板波，是导波的一种。在20世纪20年代初被Horace Lamb首次发现，因此得以命名[51]。在后续二三十年的发展中逐渐形成了较为完整的Lamb波理论框架[52]。在此后，由于Lamb波传播距离远，对小尺寸损伤敏感等特点，被广泛应用在结构的无损检测上[53,54]。
在薄板结构中激发了Lamb波之后，Lamb波运动产生的位移不仅在波的传播方向上运动，而且还在垂直板的方向上进行运动。这就使得板中的波形有两种位移振动的模式：对称模态（S0、S1、S2…）和反对称模态（A0、A1、A2…）两种形式存在，前者类似于轴向波，后者类似于弯曲波，它们在板中是彼此独立传播的，如图2-1所示，是Lamb波的仿真模拟图。
软件工程论文怎么写
本章将针对实验中使用的板状结构是铝板，且采用主动监测方式的基础上，基于Lamb波的理论知识[55-57]，分析Lamb波的两种重要特性：多模态特性和频散特性，并确定适用于本文选取的铝板损伤监测的最佳Lamb波模态和频率，为本文的后续研究奠定基础。
.............................
2.2 卷积神经网络
深度学习 (DL) 是机器学习时代的最新成就，如今在语音识别到文本翻译、对象检测和识别、异常检测、情绪识别等许多应用中都表现出优秀的能力。具有多个隐藏层的人工神经网络（Artificial Neural Network，ANN）具有强大的学习能力，并且可以随着深度的增加（隐藏层的数量）进一步提高学习能力。因此出现了术语“深度”学习，深度学习属于机器学习的分支，它可以处理海量数据集中的复杂模式和对象。
本节将简要讨论深度学习中重要的一个分支CNN模型，然后继续讨论最新的CNN体系结构，即1-D CNN，在处理一维数据方面，与2-D CNN相比，1-D CNN具有一定的优势。
2.2.1 二维卷积神经网络
CNN是具有交替卷积层和子采样层（也就是池化层）的人工神经网络（ANN），被认为是受生物过程启发的机器学习（ML） 模型。CNN由一个输入，一个输出和多个隐藏层组成。这些隐藏层包含一系列带有卷积核的卷积层、池化层、全连接层。
当CNN只在两个方向(长度和宽度)上移动二维卷积内核来评估其特性时，它被称为2-D CNN。具有许多隐藏层和数百万参数的深层2-D CNN能够学习复杂的对象和模式，前提是它们可以在具有地面真实性标签的大规模可视化数据库上进行训练。经过适当的培训，这种独特的能力使其成为各种2D信号（如图像和视频帧）工程应用的主要工具。
...............................
第三章 基于1-D CNN的板状结构损伤诊断研究 ........................... 23
3.1 技术流程 .................................. 23
3.2 信号采集 .................................. 23
3.3 数据预处理 ........................... 26
第四章 基于2-D CNN-LSTM的板状结构损伤定位研究 ............................ 38
4.1 概述 .................................. 38
4.2 技术流程 .......................... 38
4.3 信号采集 ................................... 39
第五章 总结与展望 ........................ 50
5.1文章总结 .................................... 50
5.2 未来工作 .................................. 50
第四章 基于2-D CNN-LSTM的板状结构损伤定位研究
4.1 概述
第三章将PZT晶片传感器采集的原始一维Lamb波信号做处理后得到的差信号作为模型输入，设计的1-D CNN在实验中450.0 mm×450.0 mm的监测区域内，对划分的九个损伤区域能够以较高的准确率对损伤分区进行定位，也就是说能够准确的将损伤定位在150.0 mm×150.0 mm的区域范围内，本章在此基础上，实现对铝板损伤定位的更高精度的工作。
在目前的结构健康监测技术中，监测与诊断工作主要是利用一些机器学习和深度学习方法对来自多传感器的结构部件的状态数据进行处理。然而，这些方法的性能受到以下缺点的限制，比如在目前的先进方法，如卷积神经网络(CNN)、长短期记忆网络(LSTM)，由于这些模型固有的结构，仍面临着一些问题。CNN独特的结构缺少考虑数据的顺序和时间依赖性；LSTM没有考虑数据的空间相关性。为此，本章提出了一种基于2-D CNN-LSTM的集成模型，通过结合CNN和LSTM模型的优势，CNN-LSTM能够对板状结构损伤定位的研究提供更适合的选择，考虑到2-D CNN作为图像领域最好的特征提取方法之一，可以大大提高图像数据分类的准确性，所以针对本实验中采集的一维信号数据，首先将其转换成二维图像，使得2-D CNN从信号中能更好的提取数据高维特征，接着通过全连接神经网络将2-D CNN提取出的特征输入到LSTM中，然后通过LSTM中特有的遗忘机制和记忆机制进行损伤预测，最后对铝板上的损伤位置进行回归定位预测，通过对比试验验证了该方法的对于本章实验条件下的板状结构的损伤定位具有良好的效果。
................................
第五章 总结与展望
5.1文章总结
本文对结构健康监测中的板状结构损伤监测的研究背景和意义进行了阐述，分析了目前国内外相关研究中存在的问题，本文使用压电陶瓷（PZT）晶片传感器作为驱动器和传感器，利用Lamb波对铝板上的损伤进行监测。本文研究了深度学习中常见的两种模型卷积神经网络（CNN）和长短期记忆网络（LSTM）在板状结构中的应用，提出基于1-D CNN和2-D CNN-LSTM的方法实现板状结构上的损伤监测并对其有效性做出实验验证，同时探索了传感器的数量和布置位置对板状结构的损伤定位的准确性影响，主要内容和本文创新点归纳如下：
（1）设计了一种能直接处理原始Lamb时域信号的1-D CNN模型，探索了传感器的数量和排列对板状结构的损伤定位的准确性影响，最终训练得出的网络结构紧凑，实验表明能较为快速的实现对铝板上的损伤实现较高准确度的分区定位。
（2）考虑到CNN缺少对信号时间维度特征的关注，对此提出了一种基于二维卷积神经网络结合长短期记忆网络的方法（2-D CNN-LSTM）用于板状结构的损伤定位，考虑了信号的空间相关性和时间相关性。在该方法中，将提取的导波信号转换成二维图像作为训练样本。结果表明该方法能有效分辨出不同损伤位置采集得信号，实现对损伤的判定和定位，并对损伤定位的精度做出提升。
参考文献（略）