Two-stage physics-guided deep learning framework for impact force identification and source localization using a single sensor

Mingxuan Huang

doi:10.1016/j.ymssp.2025.113586

Two-stage physics-guided deep learning framework for impact force identification and source localization using a single sensor

2025-11-06

0

PRE

AI

DOI：10.1016/j.ymssp.2025.113586

原文链接

原文求助

摘要

En 中文

准确识别来自含噪结构响应的时变冲击力，对确保复合材料结构的运行安全至关重要。传统的物理驱动方法通常具有高计算复杂度和对系统识别误差的敏感性，而纯数据驱动方法则缺乏足够的物理可解释性。为应对这些挑战，本文提出了一种新颖的两阶段物理-数据混合驱动的深度学习框架，即物理引导的脉冲响应字典方法（Physics-guided Impulse Response Dictionary Method, PG-IRDM）。在第一阶段，通过整合L1稀疏约束、频域一致性和Tikhonov正则化，构建了物理引导的脉冲响应时域卷积网络（Physics-guided Impulse Response Temporal Convolutional Network, PG-IRTCN），以有效预测脉冲响应函数并重建结构表面的冲击力。在第二阶段，基于脉冲响应相似性构建的扩展多样本字典，能够实现单传感器下的精确冲击定位，克服了传统“定位-再反演”范式的局限性。实验结果表明，PG-IRDM在复合材料平板和泡沫芯叶片上的峰值力预测精度均超过95.41%，分别超越GTCN、DPH-TrLSTM和NSC-Net 6.93%、12.32%和35.67%，且冲击时间误差低于1.2602 ms。在充足数据条件下，PG-IRDM还成功完成了其他方法仍难以处理的定位任务，定位精度超过91.57%。此外，系统性的传感器位置分析表明，中心布置有助于精确力重建，而边缘布置则能提升定位性能。总体而言，PG-IRDM展现出优异的物理可解释性和卓越的抗噪声能力，为复杂复合材料系统的智能监测和结构完整性评估提供了一种实用且可扩展的解决方案。

Two-stage physics-guided deep learning framework for impact force identification and source localization using a single sensor

摘要

期刊

机构

引用论文