周智伟｜用于复合材料结构健康监测算法训练与测试的数据集

受美国陆军研究署、海军研究署、空军研究实验室资助，加州大学圣巴巴拉分校的研究人员建立了用于复合材料结构健康监测机器学习算法训练测试的数据集。

多相结构材料如复合材料的损伤需要使用声学技术识别。机器学习算法已广泛用于识别振动波形并分类损伤类型。然而目前用于机器学习算法训练和测试的数据集基于不同策略创建，缺少一致性、准确性。为此，研究人员利用铅笔芯断裂实验构建了基准数据集。该实验使用Pentel 0.5mm HB铅笔芯和4mm标称自由铅芯进行。铅芯装在自动铅笔中，铅笔固定在旋转台上，可以2°步长旋转。铅芯下部为载物台，可在垂直方向升降，直至折断铅芯。铅芯折断瞬间产生的声波由压电换能器记录，再经处理得到频谱。将该数据用于5种常用的特征识别机器学习算法，结果表明，当只使用声波的频域特征时，机器学习算法的分类性能会提升；特征数据集对性能的影响大于不同算法的影响。

这项研究建立了声学特征数据集，可为复合材料结构健康监测机器学习算法提供准确、一致的基准数据，促进该方法的发展与应用。