利用混合变压器和卷积神经网络对层压复合材料结构中的噪声鲁棒损伤进行量化评估

《ADVANCED ENGINEERING INFORMATICS》：Noise-robust damage quantification in laminated composite structures using hybrid transformer and convolutional neural network

　　穆罕默德·哈里斯·亚兹达尼（Muhammad Haris Yazdani）| 穆罕默德·穆扎米尔·阿扎德（Muhammad Muzammil Azad）| 亨秀·金（Heung Soo Kim）
东亚大学机械、机器人与能源工程系，韩国首尔中区Pildong-ro 1-gil 30号，邮编04620

**摘要**
利用兰姆波（Lamb Wave，LW）信号对层压复合材料进行结构健康监测（Structural Health Monitoring，SHM）已被证明是早期损伤检测和评估结构完整性的有效方法。然而，其有效性常常受到复杂的多模态相互作用和噪声环境的影响。为了解决这些挑战，本研究引入了一个综合的深度学习框架，该框架采用注意力驱动架构进行损伤分类和空间定位。首先，开发了一个基线多头注意力变压器（Multi-head Attention Transformer，MAT）来从LW信号中分类和定位多类损伤。为了提高鲁棒性，引入了一个结合了多头注意力变压器和卷积神经网络（Convolutional Neural Network，C-NET）的混合模型，用于层压复合材料的损伤量化。该混合模型表现优异，分类准确率达到97.66%，R2值为97.08%，表明定位精度有所提高。通过在不同信噪比（SNR）水平（10–25 dB）下使用加性高斯白噪声（Additive White Gaussian Noise，AWGN）和拉普拉斯噪声（Laplace noise）进行了抗噪性研究，以模拟实际操作环境并评估模型在退化条件下的稳定性。在噪声环境下，模型在损伤检测和定位方面始终保持92%以上的准确率。即使在10 dB SNR的严重噪声条件下，所提出的模型也保持了较强的鲁棒性，AWGN下的分类准确率分别为92.19%和95.31%，相应的定位性能的R2值分别为92.15%和92.58%。

**引言**
复合材料展现出卓越的比刚度和比强度，因此在航空航天、汽车、海洋、土木工程和可再生能源领域得到了越来越广泛的应用[1]、[2]、[3]。其中，碳纤维增强聚合物（Carbon Fiber Reinforced Polymers，CFRPs）是最常用的层压复合材料，通过战略性堆叠层方向来调节机械性能。这些定制的铺设方式以及它们的各向异性特性，本质上引入了强烈的各向异性，这在循环载荷下会导致复杂的损伤演变。随着疲劳的进展，层压结构可能会经历基体微裂纹、界面脱粘、纤维断裂、局部屈曲，最严重的情况是分层[4]、[5]。分层会严重削弱结构完整性，可能导致灾难性故障[6]；因此，及时可靠的损伤检测至关重要。常见的无损检测（Non-Destructive Testing，NDT）方法包括目视检查、基于振动的分析、红外热成像和X射线成像[7]、[8]。

兰姆波（LW）作为一种特别有效的技术，已被用于检测层压复合材料结构中的损伤[9]、[10]。它们具有长距离传播能力、低成本实施、抗衰减能力强以及对多种失效模式的敏感性，非常适合用于结构健康监测（SHM）。LW支持多种传播模式，其中基本的反对称（A0）模式和对称（S0）模式被最频繁地使用[11]。在典型的基于LW的系统中，压电（PZT）传感器粘附在复合材料表面，生成并捕获波信号，从而能够提取与损伤存在、严重程度和位置相关的信息。然而，LW的强色散特性和多模态性质给信号解释带来了相当大的复杂性[12]。为了解决这一挑战，Harley[13]提出了一种稀疏波数分析框架，该框架将基于物理的波模型与压缩感知相结合，从有限的测量数据中恢复引导波模式。

传统的基于物理的LW损伤检测方法通过监测信号特征（如飞行时间（Time-of-Flight，TOF）变化[12]、功率谱密度（Power Spectral Density，PSD）变化[14]和能量散射（Energy Scattering，ES）变化[15]来识别结构异常。更先进的基于物理的框架结合了概率推理和优化，以提高定位的可靠性。为了在不确定性下提高引导波解释的可靠性，Zhao等人[16]提出了一种基于吉布斯采样的贝叶斯多损伤定位框架，其中从TOF数据中推断损伤坐标和引导波群速度的后验分布。Zeng等人[17]将资源受限的Levenberg-Marquardt算法与受量子启发的引力搜索算法相结合，用于大型CFRP结构的损伤量化。Mardanshahi等人[18]采用多尺度有限元模拟和瑞利阻尼驱动的模型更新来量化基体裂纹引起的衰减，而Luo等人[19]开发了一种频域虚拟时间反转方法，用于CFRP夹层复合材料中几乎不可见冲击损伤的无基线定位。Zhang等人[20]引入了一种边界增强的概率重建算法，使用偏斜的LW能量分布进行缺陷边缘成像。除了直接的损伤成像和定位外，准确恢复引导波的色散特性对于复合材料的可靠SHM也是必不可少的。Xue等人[21]提出了一种多任务复杂层次贝叶斯学习方法，该方法同时处理相邻频率，以强制色散曲线的连续性，并利用后验不确定性优化测量位置，从而提高了复合结构中异常值的抵抗能力和重建精度。虽然这些基于物理的方法提供了可解释且基于物理的解决方案，但它们依赖于精确的波传播模型和手动特征选择，这限制了它们在复杂现实世界条件下的可扩展性和适应性。

**数据驱动的方法**
利用机器学习（Machine Learning，ML）的方法已被广泛应用于LW信号分析，比基于物理的方法具有更大的适应性。Wang等人[22]开发了一个多域特征融合框架，使用相关簇分析和Dempster-Shafer证据理论，用于层压复合材料中一致的分层检测。Xue等人[23]应用数字滤波器分离S0和A0模式，并使用ML对碳纤维复合材料中的基体裂纹和纤维断裂进行分类。Kalimullah等人[24]对LW色散数据应用多输出高斯过程回归，在不确定性下反演碳复合材料的刚度张量。尽管有这些优势，传统的ML方法通常依赖于手动特征提取，这需要领域专业知识，并限制了它们对复杂和高维信号模式的泛化能力。

深度学习（Deep Learning，DL）方法通过自动从数据中提取特征来克服特征工程瓶颈[25]、[26]。基于卷积神经网络（Convolutional Neural Network，CNN）的方法已被广泛用于损伤分类和定位。Lee等人[27]提出了一种深度自动编码器，用于复合材料的疲劳损伤分类。Sikdar等人[28]结合了高阶谐波提取和连续小波变换 scalograms以及CNN特征，用于自动分类加固板中的呼吸式脱粘。对于定位，Gonzalez-Jimenez[29]展示了使用CNN直接从原始LW信号中进行坐标回归，消除了手动特征提取的需要。Zhao等人[30]在基于小波成像的声发射信号上应用CNN驱动的迁移学习，用于层压复合材料的损伤定位。Su等人[31]使用2D-CNN分析LW谱特征进行CFRP的损伤评估，而Shao等人[32]应用Inception-BiLSTM多任务学习进行复合加固板的定位。Luo等人[33]提出了一种贝叶斯神经网络，用于使用单个执行器-接收器对同时进行损伤检测和定位，无需信号预处理。总体而言，DL在SHM领域取得了显著进展。然而，标准的CNN架构容易受到噪声干扰，并且通过池化操作会丢失细粒度的时间细节[34]、[35]，这促使人们整合基于注意力的机制。

近年来，Transformer架构在序列数据建模中表现出色，主要是由于多头自注意力机制能够捕捉长时间序列依赖性。Transformer最初是为自然语言处理提出的[36]，后来逐渐应用于时间序列预测、表示学习和SHM任务[37]、[38]。同时，物理引导学习作为一个补充方向出现，通过将物理约束嵌入神经网络训练来提高模型可靠性；例如，Wan等人[39]提出了一种基于物理的神经网络用于有限元模型更新，其中加入了基于模态敏感性的物理损失，以提高准确性和鲁棒性。尽管有这些进展，实际的SHM应用仍然面临挑战，包括数据集不平衡[40]、[41]，环境和操作变异性（如果不明确考虑，可能会导致误诊[42]、[43]，以及标准多头注意力中的头部冗余问题，即多个注意力头在优化过程中收敛到相似的模式，浪费了表示能力[45]。标准Transformer还缺乏CNN的局部特征提取能力，这对于捕捉与特定损伤位置相关的局部波散射特征至关重要。

虽然存在跨信号处理领域的CNN-Transformer混合架构，例如CNN和Transformer独立处理输入并融合其输出的并行双分支设计[46]，但C-NET的根本区别在于，CNN作为一个专用的局部特征提取器，其输出直接作为增强后的输入令牌馈送到Transformer，而不是形成并行分支。这种顺序设计的动机是层压复合材料中LW损伤信号的双尺度结构，早期散射扰动和长距离TOF编码的色散变化需要在获取窗口内进行局部特征提取，这是有意义的全局时间注意力的前提。此外，C-NET提供了一个统一的双任务框架，用于同时进行损伤严重程度分类和空间定位，这使其与现有文献中的单任务混合架构区分开来。受到这些互补优势和局限性的启发，本研究提出了C-NET模型，该模型结合了基于CNN的局部特征提取和多头注意力Transformer（MAT）编码，以捕获多通道LW信号的局部波模式和长时间序列依赖性。本文的主要贡献如下：
- 开发了一种混合C-NET架构，将CNN与MAT集成，实现从LW信号中同时提取局部特征和长时间序列依赖性；
- 通过多样化的注意力机制减少头部冗余，克服了标准变压器的局限性，并增强了不同损伤状态的特征区分能力；
- 设计了一个统一的框架，用于损伤严重程度评估和损伤定位，在所研究的SHM设置中表现出强大的性能；
- 在不同的噪声水平下进行了系统的评估，在受控的噪声监测条件下表现出强大的鲁棒性和稳定性。

本文的其余部分安排如下：第2节提供了MAT和C-NET的概述，第3节展示了结果和分析，第4节总结了所提出的工作。

**方法**
本研究提出了一个用于层压复合结构损伤检测和定位的DL框架。作为最初的基线，首先开发了一个独立的MAT模型，以评估基于注意力的序列模型在捕获LW信号长时间序列行为方面的有效性。在观察到MAT模型的上述局限性基础上，本研究引入了一个改进的C-NET混合架构。在这种混合设计中，CNN执行特征提取...

**多头注意力变压器**
MAT在分类损伤状态方面表现出强大且一致的性能。图6(a)中的训练和验证损失曲线显示出稳定和平滑的收敛，两种趋势之间没有显著差异，表明优化有效且过拟合有限。图6(b)展示了归一化的混淆矩阵，突出了模型准确区分健康状态和多种损伤场景的有效性。

**结论**
本研究开发了一个统一的DL框架，用于层压复合材料的抗噪LW基础损伤量化，解决了损伤严重程度分类和定位问题。基线MAT在从多路径LW响应中学习长时间序列依赖性方面表现出强大的能力，分类准确率为96.09%，定位的R2值为95.06%。在此基础上，通过集成CNN特征提取器，提出了一个混合C-MAT架构...

**作者贡献声明**
穆罕默德·哈里斯·亚兹达尼（Muhammad Haris Yazdani）：撰写——原始草稿、验证、软件、方法论、形式分析；
穆罕默德·穆扎米尔·阿扎德（Muhammad Muzammil Azad）：撰写——审核与编辑、验证；
亨秀·金（Heung Soo Kim）：撰写——审核与编辑、监督、资金获取。

**利益冲突声明**
作者声明他们没有已知的竞争性财务利益或个人关系，这些可能影响本文报告的工作。

**致谢**
本工作得到了韩国政府（MSIT）资助的韩国国家研究基金会（NRF）（授权号RS-2025-00523019）的支持。