第1章 基于超声导波的结构健康状态智能监测概述
1.1 超声导波检测概述
1.1.1 超声导波检测概念
1.1.2 超声导波检测技术分类
1.2 结构健康状态超声导波监测概述
1.2.1 超声导波主要特性
1.2.2 超声导波特性分析方法
1.3 结构健康状态超声导波监测系统
1.3.1 超声导波监测系统组成
1.3.2 超声导波主动传感模块组成
1.4 结构健康状态超声导波监测研究进展
1.4.1 超声导波信号处理算法国内外研究进展
1.4.2 基于数据驱动的结构健康状态监测研究进展
1.4.3 稀数据深度学习方法研究进展
第2章 稀数据下结构健康状态超声导波监测理论基础
2.1 超声导波完备性结构健康状态监测系统基础
2.1.1 完备性监测框架概述
2.1.2 超声导波特征提取
2.1.3 超声导波结构健康状态识别
2.2 稀数据下超声导波数据增强监测理论基础
2.2.1 数据增强方法概述
2.2.2 时序信号数据增强理论基础
2.2.3 稀数据下超声导波数据增强策略
2.3 稀数据下超声导波多任务监测理论基础
2.3.1 多任务学习方法概述
2.3.2 有监督多任务学习理论基础
2.3.3 稀数据下超声导波多任务学习策略
2.4 稀数据下超声导波迁移学习监测理论基础
2.4.1 迁移学习方法概述
2.4.2 直推式迁移学习理论基础
2.4.3 稀数据下超声导波迁移学习策略
2.5 本章小结
第3章 基于超声导波的结构健康状态深度网络监测新型框架
3.1 超声导波监测新型框架
3.2 超声导波深度网络监测模型
3.2.1 超声导波特征融合网络
3.2.2 超声导波局部特征提取网络
3.2.3 超声导波时序特征提取网络
3.3 基于超声导波时频特征融合的深度网络监测方法
3.3.1 SWT-AE方法流程
3.3.2 SWT-AE 监测结果分析
3.4 基于超声导波局部特征编码的深度网络监测方法
3.4.1 CAE-LSTM方法流程
3.4.2 编码信号监测结果分析
3.4.3 超声导波监测稀数据特性实验分析
3.4.4 超声导波监测稀数据知识迁移策略
3.5 本章小结
第4章 基于数据增强深度学习的结构健康状态半监督监测技术
4.1 数据增强深度学习概述
4.2 结构状态异常检测方法
4.2.1 超声导波信号卷积降维
4.2.2 超声导波信号异常分析
4.3 基于李生卷积网络的超声导波半监督成像方法
4.3.1 训练样本及测试样本标准化方法
4.3.2 模拟损伤信号生成的数据扩充机制
4.3.3 超声导波异常监测模型构建方法
4.3.4 基于多路径异常特征的损伤成像机理
4.4 稀数据集半监督成像监测实验
4.4.1 半监督结构状态监测实验设置
4.4.2 模拟损伤信号重构结果分析
4.4.3 结构异常特征提取及成像
4.4.4 半监督特征成像结果对比
4.5 本章小结
第5章 基于共享特征的结构健康状态多任务深度监测技术
5.1 多任务深度学习概述
5.1.1 基于编码器的多任务深度学习
5.1.2 基于解码器的多任务深度学习
5.2 多任务结构健康状态超声导波监测网络
5.2.1 多任务结构状态监测特征共享策略
5.2.2 超声导波多任务监测网络建模方法
5.3 基于多任务卷积网络的特征知识共享
5.3.1 超声导波信号采集及标准化
5.3.2 超声导波辅助任务训练方法
5.3.3 超声导波多任务联合训练机制
5.4 稀数据集多任务结构健康状态监测实验
5.4.1 多任务结构状态监测实验设置
5.4.2 单任务损伤程度状态监测结果
5.4.3 特征共享多任务损伤监测结果
5.5 本章小结
第6章 基于特征适应深度迁移的跨结构健康状态监测技术
6.1 深度迁移学习概述
6.2 超声导波特征适应迁移核心模块
6.2.1 超声导波特征分布适应迁移
6.2.2 超声导波时序化卷积识别模型
6.3 超声导波特征适应跨结构迁移成像算法
6.3.1 跨结构超声导波特征分布适应
6.3.2 跨结构损伤特征提取及成像
6.4 稀数据集跨结构健康状态超声导波监测实验
6.4.1 跨结构迁移监测实验设置
6.4.2 单传感器跨结构迁移结果分析
6.4.3 多传感器跨结构迁移结果分析
6.4.4 多传感器成像实验结果对比
6.5 环形碳纤维复合材料装备跨结构监测实验
6.5.1 环形碳纤维复合材料装备跨结构监测结果
6.5.2 跨结构监测网络参数分析
6.6 本章小结
第7章 结论与展望
参考文献
展开
