Probabilistische Einflusslokalisierung in Verbundstoffen unter Verwendung der Wellenletztransformation und multioutput Gauss-Prozessregression

Datengetriebenen Machine-Learning-Modelle bieten beträchtliches Potenzial für die akustische Quellenlokalisierung. Viele bestehende Modelle basieren jedoch auf Trainingsdaten, die Zeitflugdaten (TOF) mit Quellenstandorten korrelieren, und haben Schwierigkeiten, die Komplexitäten der nichtlinearen Wellenfortpflanzung in Materialien mit variierenden Eigenschaften zu bewältigen. Darüber hinaus übersehen diese Modelle das Rauschen und die Unsicherheiten, die bei Experimenten in der realen Welt inhärent sind, wenn es um die Vorhersage von Ergebnissen geht. Diese Arbeit zielt darauf ab, eine Lücke in der Einflusslokalisierung für solche Strukturen zu schließen, wobei der Fokus insbesondere auf Szenarien mit verrauschten Feldmessungen liegt. Diese Studie schlägt ein Konzept basierend auf probabilistischem maschinellem Lernen vor, um Einflussorte zu identifizieren, das die Wellenletztransformation (WST) und die Multi-Output Gauss-Prozessregression (moGPR) nutzt. WST extrahiert informative Merkmale aus Lamb-Wellen und erfasst relevante Signaturen zum Trainieren des probabilistischen maschinellen Lernmodells, während moGPR korrelierte Einflussortkoordinaten (x, y) schätzt und dabei die inhärenten Unsicherheiten in den Daten berücksichtigt. Um die Leistung der vorgeschlagenen Methode im Umgang mit Messunsicherheiten zu bewerten, wurde ein Experiment mit einer CFRP-Verbundplatte durchgeführt, die mit einem spärlichen Array piezoelektrischer Wandler ausgestattet ist. Die Ergebnisse zeigen, dass das probabilistische Konzept Messunsicherheiten effektiv adressiert und eine zuverlässige Quellenlokalisierungsschätzung mit Konfidenzintervallen ermöglicht und wertvolle Einblicke für Entscheidungen liefert.