本发明涉及复合材料剩余强度预测技术领域，尤其是一种复合材料冲击后剩余强度预测方法、系统、装置及介质。
背景技术：
纤维增强树脂基复合材料(fiberreinforcedpolymer,frp)具有强度高、密度低、抗疲劳、耐腐蚀等优点，在工程设计中得到了广泛应用。然而，在服役过程中受到砂石、冰雹、维修工具跌落等中低速冲击容易在frp材料内部产生基体开裂、分层、纤维断裂等损伤。这些冲击损伤从表面难以辨识，但很可能会削弱结构的强度和承载力，对在役构件是极大的安全隐患。因此对frp结构冲击后的剩余强度进行早期的预测和跟踪监测，显得尤为重要。
目前，常用于复合材料冲击后剩余强度预测方法主要有三大类，第一类是基于有限元法的数值模拟方法，其中包含软夹杂法、开孔法、分层损伤预埋法以及损伤演化法等；第二类是以大量破坏性的强度试验为基础的经验公式预测方法；第三类是基于剩余刚度的剩余强度预测方法。
1)软夹杂法、开孔法与分层损伤预埋法主要先通过超声波扫描或x射线等传统无损检测技术确定损伤的大小及位置后，分别通过损伤区域材料参数折减、挖空损伤区域单元、预置分层损伤的简化手段考虑冲击损伤对结构的影响，并进一步根据损伤准则与损伤演化模型判断简化后的冲击损伤模型的剩余强度。这类方法的优点在于冲击损伤形式简单，方便后续的剩余强度分析，而其缺点在于：需要先利用传统无损检测手段先确定冲击损伤的位置及大小，才能预测剩余强度，对于正在服役的结构并不适用。
2)损伤演化法是首先根据设定的冲击能量、冲击物形状及质量，按照失效判断和损伤演化模型进行有限元分析得到冲击损伤，然后对含冲击损伤的结构进行剩余强度分析。这类方法的优点在于无需对冲击损伤进行人为简化，尽可能地减少了冲击损伤的简化导致的剩余强度计算误差，而其缺点在于：①必须知道冲击能量、冲击物形状及质量才能进行冲击损伤及损伤后的剩余强度判断，而实际上，像飞鸟、冰雹等冲击物的冲击能量以及具体形状、质量难以在线测量获得；②计算时间长，对于要求快速评估剩余强度的在线监测任务，该方法并不适用。
3)经验公式预测方法首先需要进行大量具有破坏性的强度试验，并通过拟合的方法确定冲击能量等输入参数与结构冲击后剩余强度的关系，最后提出相关的冲击后剩余强度预测的经验公式。这类方法的优点在于输入指定所需要的参数，便能快速预测剩余强度，是上述方法中预测效率最高的。而其缺点在于：①需要提前知道冲击能量等冲击事件相关信息，而这些信息难以通过在线获得；②需要进行大量破坏性试验才能确定剩余强度预测的经验公式，经济成本高。
4)基于剩余刚度的剩余强度预测方法，主要通过对冲击后的试件进行人为加载，获取结构冲击后刚度，根据剩余刚度与剩余强度的关系确定冲击后剩余强度。优点在于无需对损伤进行检测或者人为假定，只需进行少量的破坏性实验便能确定剩余强度和剩余刚度的关系。由于刚度测试无需破坏试件，因此可以经常性地通过测试刚度来检验强度。其缺点在于刚度的测量需要人为加载，对于正在服役的结构进行刚度测试仍有难度。
综上所述，现有的剩余强度预测方法无法用于在役复合材料的剩余强度监测。
技术实现要素：
本发明的目的在于至少一定程度上解决现有技术中存在的技术问题之一。
为此，本发明实施例的一个目的在于提供一种复合材料冲击后剩余强度预测方法，该方法通过对正在服役的复合材料进行模态测试可以得到其实时的振动频率值，结合该复合材料的初始频率值可以确定受到冲击损伤前后该复合材料的频率变化率，进而将该频率变化率输入到预先构建的剩余强度预测模型，预测得到该复合材料的剩余强度。
本发明实施例的另一个目的在于提供一种复合材料冲击后剩余强度预测系统。
为了达到上述技术目的，本发明实施例所采取的技术方案包括：
第一方面，本发明实施例提供了一种复合材料冲击后剩余强度预测方法，包括以下步骤：
获取待测复合材料受到冲击损伤后的第一频率值；
根据待测复合材料的初始频率值和所述第一频率值确定第一频率变化率；
将所述第一频率变化率输入到预先构建的剩余强度预测模型，预测得到待测复合材料的第一剩余强度；
其中，所述第一频率值和所述初始频率值均通过模态测试得到。
进一步地，在本发明的一个实施例中，所述复合材料冲击后剩余强度预测方法还包括构建剩余强度预测模型的步骤，其具体包括：
获取第一数据集，所述第一数据集包括多个数据组，所述数据组包括第二频率变化率和对应的第二剩余强度；
对所述第一数据集进行去噪和抽稀处理，得到训练数据集；
将所述训练数据集输入到深度神经网络进行训练，得到训练好的剩余强度预测模型。
进一步地，在本发明的一个实施例中，所述复合材料冲击后剩余强度预测方法还包括构建剩余强度预测模型的步骤，其具体包括：
确定待测复合材料的频率变化率与剩余强度的函数关系式，所述函数关系式包括若干个待定系数；
获取第一数据集，所述第一数据集包括多个数据组，所述数据组包括第二频率变化率和对应的第二剩余强度；
通过最小二乘法对所述第一数据集进行拟合，确定所述函数关系式的待定系数，进而根据所述函数关系式和所述待定系数构建剩余强度预测模型。
进一步地，在本发明的一个实施例中，所述函数关系式为：
sd＝[1-c(1-(1-δf)2)w-r]·s0
其中，sd表示待测复合材料的剩余强度，δf表示待测复合材料的频率变化率，s0表示待测复合材料的初始强度，c、w、r均为待定系数。
进一步地，在本发明的一个实施例中，所述获取第一数据集这一步骤，其具体包括：
通过振动采集设备对复合材料试件进行模态测试，确定复合材料试件未受到冲击损伤时的第二频率值；
通过冲击试验设备对复合材料试件进行预设强度的冲击试验，并确定复合材料试件在受到冲击损伤后的第三频率值；
根据所述第二频率值和所述第三频率值确定所述第二频率变化率；
对受到冲击损伤后的复合材料试件进行拉伸、压缩以及弯曲强度试验，确定所述第二剩余强度；
根据所述第二频率变化率和所述第二剩余强度确定数据组，进而得到第一数据集。
第二方面，本发明实施例提供了一种复合材料冲击后剩余强度预测系统，包括：
第一频率值获取模块，用于获取待测复合材料受到冲击损伤后的第一频率值；
频率变化率确定模块，用于根据待测复合材料的初始频率值和所述第一频率值确定第一频率变化率；
模型预测模块，用于将所述第一频率变化率输入到预先构建的剩余强度预测模型，预测得到待测复合材料的第一剩余强度；
其中，所述第一频率值和所述初始频率值均通过模态测试得到。
进一步地，在本发明的一个实施例中，所述复合材料冲击后剩余强度预测系统还包括模型构建模块，所述模型构建模块包括：
第一数据集获取单元，用于获取第一数据集，所述第一数据集包括多个数据组，所述数据组包括第二频率变化率和对应的第二剩余强度；
训练数据集确定单元，用于对所述第一数据集进行去噪和抽稀处理，得到训练数据集；
模型训练单元，用于将所述训练数据集输入到深度神经网络进行训练，得到训练好的剩余强度预测模型。
进一步地，在本发明的一个实施例中，所述复合材料冲击后剩余强度预测系统还包括模型构建模块，所述模型构建模块包括：
函数关系式确定单元，用于确定待测复合材料的频率变化率与剩余强度的函数关系式，所述函数关系式包括若干个待定系数；
第一数据集获取单元，用于获取第一数据集，所述第一数据集包括多个数据组，所述数据组包括第二频率变化率和对应的第二剩余强度；
数据拟合单元，用于通过最小二乘法对所述第一数据集进行拟合，确定所述函数关系式的待定系数，进而根据所述函数关系式和所述待定系数构建剩余强度预测模型。
第三方面，本发明实施例提供了一种复合材料冲击后剩余强度预测装置，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行时，使得所述至少一个处理器实现上述的一种复合材料冲击后剩余强度预测方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行上述的一种复合材料冲击后剩余强度预测方法。
本发明的优点和有益效果将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到：
本发明实施例通过对正在服役的复合材料进行模态测试可以得到其实时的振动频率值，结合该复合材料的初始频率值可以确定受到冲击损伤前后该复合材料的频率变化率，进而将该频率变化率输入到预先构建的剩余强度预测模型，预测得到该复合材料的剩余强度。本发明实施例可以对正在服役的复合材料进行剩余强度预测，无需确定冲击损伤的位置及大小，也无需确定冲击能量、冲击物形状和质量，避免了对正在服役的复合材料的刚度测试，相对现有技术而言，提高了复合材料冲击后剩余强度预测的效率和准确度，适用范围更广。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面对本发明实施例中所需要使用的附图作以下介绍，应当理解的是，下面介绍中的附图仅仅为了方便清晰表述本发明的技术方案中的部分实施例，对于本领域的技术人员来说，在无需付出创造性劳动的前提下，还可以根据这些附图获取到其他附图。
图1为本发明实施例提供的一种复合材料冲击后剩余强度预测方法的步骤流程图；
图2为本发明实施例提供的一种复合材料冲击后剩余强度预测系统的结构框图；
图3为本发明实施例提供的一种复合材料冲击后剩余强度预测装置的结构框图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
在本发明的描述中，多个的含义是两个或两个以上，如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。此外，除非另有定义，本文所使用的所有的技术和科学术语与本技术领域的技术人员通常理解的含义相同。
参照图1，本发明实施例提供了一种复合材料冲击后剩余强度预测方法，具体包括以下步骤：
s101、获取待测复合材料受到冲击损伤后的第一频率值；
s102、根据待测复合材料的初始频率值和第一频率值确定第一频率变化率；
s103、将第一频率变化率输入到预先构建的剩余强度预测模型，预测得到待测复合材料的第一剩余强度；
其中，第一频率值和初始频率值均通过模态测试得到。
具体地，使用振动信号采集设备(如加速度传感器、激光扫描测振仪、fbg传感器等)对初始状态(尚未受到冲击破坏)的复合材料结构进行模态测试，得到复合材料结构初始频率值f0；在复合材料结构受到冲击损伤后，再次对其进行模态测试，得到待测复合材料受到冲击损伤后的实时振动频率值fd(即第一频率值)；计算得到待测复合材料受到冲击损伤前后的频率变化率δf(即第一频率变化率)如下：
将第一频率变化率输入到预先构建的剩余强度预测模型，即可预测得到该复合材料的剩余强度。
本发明实施例的剩余强度预测模型的构建有两种实施方式，下面分别进行说明。
进一步作为可选的实施方式，复合材料冲击后剩余强度预测方法还包括构建剩余强度预测模型的步骤，其具体包括：
a1、获取第一数据集，第一数据集包括多个数据组，数据组包括第二频率变化率和对应的第二剩余强度；
a2、对第一数据集进行去噪和抽稀处理，得到训练数据集；
a3、将训练数据集输入到深度神经网络进行训练，得到训练好的剩余强度预测模型。
具体地，对于构建剩余强度预测模型的第一种实施方式，可基于试验得到的多组试件的“频率变化率-剩余强度”数据，通过机器学习训练预测模型，以频率变化率作为预测的输入，冲击后剩余强度作为输出。训练好的剩余强度预测模型，能够根据输入的复合材料结构频率变化率快速预测得到结构冲击后的剩余强度。
可以理解的是，对于剩余强度预测模型来说，预测结果的准确性可以通过损失函数(lossfunction)来衡量，损失函数是定义在单个训练数据上的，用于衡量一个训练数据的预测误差，具体是通过单个训练数据的标签和模型对该训练数据的预测结果确定该训练数据的损失值。而实际训练时，一个训练数据集有很多训练数据，因此一般采用代价函数(costfunction)来衡量训练数据集的整体误差，代价函数是定义在整个训练数据集上的，用于计算所有训练数据的预测误差的平均值，能够更好地衡量出模型的预测效果。对于一般的机器学习模型来说，基于前述的代价函数，再加上衡量模型复杂度的正则项即可作为训练的目标函数，基于该目标函数便能求出整个训练数据集的损失值。常用的损失函数种类有很多，例如0-1损失函数、平方损失函数、绝对损失函数、对数损失函数、交叉熵损失函数等均可以作为机器学习模型的损失函数，在此不再一一阐述。本发明实施例中，可以从中任选一种损失函数来确定训练的损失值。基于训练的损失值，采用反向传播算法对模型的参数进行更新，迭代几轮即可得到训练好的剩余强度预测模型。具体地迭代轮数可以预先设定，或者在测试集达到精度要求时认为训练完成。本发明实施例中，可以基于深度学习网络训练剩余强度预测模型。
进一步作为可选的实施方式，复合材料冲击后剩余强度预测方法还包括构建剩余强度预测模型的步骤，其具体包括：
b1、确定待测复合材料的频率变化率与剩余强度的函数关系式，函数关系式包括若干个待定系数；
b2、获取第一数据集，第一数据集包括多个数据组，数据组包括第二频率变化率和对应的第二剩余强度；
b3、通过最小二乘法对第一数据集进行拟合，确定函数关系式的待定系数，进而根据函数关系式和待定系数构建剩余强度预测模型。
进一步作为可选的实施方式，函数关系式为：
sd＝[1-c(1-(1-δf)2)w-r]·s0
其中，sd表示待测复合材料的剩余强度，δf表示待测复合材料的频率变化率，s0表示待测复合材料的初始强度，c、w、r均为待定系数。
具体地，对于构建剩余强度预测模型的第二种实施方式，可根据刚度与频率的关系以及剩余刚度与剩余强度的关系，推导出冲击后频率变化率与剩余强度的函数关系式如上；然后基于试验得到的多组试件的“频率变化率-剩余强度”数据，利用至少一组无损试件确定复合材料的初始强度，并利用至少三组“频率变化率-剩余强度”数据，采用最小二乘法拟合确定上述函数关系式的待定系数c、w、r，然后根据该函数关系式和确定的待定系数构建剩余强度预测模型，输入频率变化率到该剩余强度预测模型，便可快速预测得到剩余强度。
以上两种构建剩余强度预测模型的实施方式，均需要预先通过试验获取多组“频率变化率-剩余强度”数据(即第一数据集)。
进一步作为可选的实施方式，获取第一数据集这一步骤，其具体包括：
c1、通过振动采集设备对复合材料试件进行模态测试，确定复合材料试件未受到冲击损伤时的第二频率值；
c2、通过冲击试验设备对复合材料试件进行预设强度的冲击试验，并确定复合材料试件在受到冲击损伤后的第三频率值；
c3、根据第二频率值和第三频率值确定第二频率变化率；
c4、对受到冲击损伤后的复合材料试件进行拉伸、压缩以及弯曲强度试验，确定第二剩余强度；
c5、根据第二频率变化率和第二剩余强度确定数据组，进而得到第一数据集。
具体地，复合材料试件为与待测复合材料结构相同的试件，通过对其进行不同强度的冲击试验后测试振动频率值和剩余强度，从而得到多组“频率变化率-剩余强度”数据，进而得到第一数据集。冲击试验设备可采用落锤冲击试验机、霍普金森杆等。
可以理解的是，本发明实施例中的第二频率值(复合材料试件的初始频率值)理论上与待测复合材料的初始频率值相等，测得的第二频率值也可直接作为待测复合材料的初始频率值参与后续计算。
以上对本发明实施例的方法步骤进行了说明。本发明实施例可以对正在服役的复合材料进行剩余强度预测，无需确定冲击损伤的位置及大小，也无需确定冲击能量、冲击物形状和质量，避免了对正在服役的复合材料的刚度测试，相对现有技术而言，提高了复合材料冲击后剩余强度预测的效率和准确度，适用范围更广。
应该认识到，本发明实施例首次提出以复合材料冲击前后的频率变化率为基础来预测冲击后剩余强度，且对正在服役的复合材料进行模态测试采集其频率并不会对复合材料进行破坏，使得本发明实施例可以应用在正在服役的复合材料，相对于现有技术具有以下优点：
1)采用频率变化率预测复合材料的冲击后剩余强度，只需采用简便易得的振动采集设备就能实现频率的采集，进而预测冲击后剩余强度，本方法简便易行；
2)频率可以在复合材料结构处于服役状态时进行测试，不干扰复合材料结构的实际使用，本方法属于一种在线预测冲击后剩余强度的先进技术；
3)相对于传统的基于开孔法、软夹杂法与分层损伤预埋法的剩余强度预测方法，本方法的优点在于无需确定冲击引起损伤的位置及大小，适用性更广；
4)相对于传统的基于损伤演化法的剩余强度预测方法，本方法的优点在于无需确定冲击能量、冲击物形状及质量，适用性更广；此外，由于无需进行耗时的有限元计算，因此预测效率更高；
5)相对于传统的基于经验公式法的剩余强度预测方法，本方法的优点在于无需获取冲击事件相关信息，适用性更广；
6)相对于传统的基于剩余刚度的剩余强度预测方法，本方法的优点在于无需对待测复合材料进行人工加载，避免了对待测复合材料造成破坏。
下面结合具体试验对本发明实施例的预测结果作验证说明。
本试验分别对复合材料梁试件、复合材料板试件进行了冲击、冲击前后的振动以及冲击后强度试验，并对测试数据按照本发明实施例的步骤进行处理，得到了冲击后剩余强度预测结果。相关说明如下：
1、实验过程：将复合材料梁、板试件在初始状态下先进行振动测试(采用激光扫描测振仪sldv),得到初始频率值，然后对复合材料试件进行不同能量的冲击试验(采用instron9350落锤冲击试验机)，冲击结束后再运用激光扫描测振仪进行频率采集，最后对冲击后的梁试件进行三点弯曲强度测试得到复合材料梁试件的剩余弯曲强度，对冲击后的复合材料板试件进行压缩强度测试得到板的剩余压缩强度。由此得到一系列“频率变化率-剩余强度”的数据组，结合本发明实施例提供的两种构建剩余强度预测模型的实施方式，得到基于函数关系的剩余强度预测模型和基于机器学习的剩余强度预测模型。根据两种剩余强度预测模型，结合频率变化率预测所有试件的冲击后剩余强度。
2、复合材料梁试件冲击后剩余强度预测结果：
(1)基于函数关系的剩余强度预测模型的预测结果：由于模态测试中第1阶和第2阶频率测量结果受试验环境影响较大，频率误差较大，因此此处主要利用第3阶以后的模态进行剩余强度的预测。复合材料梁试件共测得7阶频率值，利用第3到第7阶单阶频率变化率作为输入以及利用第3阶到第7阶平均频率变化率作为输入的剩余强度预测结果如下表1所示。可以看到，第3阶到第7阶的平均输入方案(avg3-7)的预测误差和标准差是所有预测方案中最小，预测误差为1.32％，标准差为0.88％，最大误差为2.85％；其他5种方案的预测误差均小于2.8％，最大误差均小于8.5％，说明利用不同的频率变化率输入方案，均能很好预测出复合材料梁试件的剩余强度。
表1
(2)基于机器学习的剩余强度预测模型的预测结果：此处除了利用第3到第7阶单阶频率变化率作为输入和利用第3阶到第7阶平均频率变化率作为输入外，由于机器学习算法能够处理多输入问题，因此还尝试了第3到第7的多阶频率变化率输入方案，各类输入方案下的剩余强度预测结果如表2所示。可以看到，第3阶到第7阶的平均输入方案(avg3-7)的预测误差和标准差是所有预测方案中最小，预测误差为1.03％，标准差为1.00％，最大误差为2.97％；其他6种方案的预测误差均小于7.5％，最大误差均小于15％，说明利用不同的频率变化率输入方案，均能很好预测出复合材料梁试件的剩余强度。
表2
3、复合材料板试件冲击后剩余强度预测结果：
(1)基于函数关系的剩余强度预测模型的预测结果：复合材料板试件共测得6阶频率值，由于模态测试中第1阶和第2阶频率测量结果受试验环境影响较大，频率误差较大，因此此处主要利用第3阶以后的模态进行剩余强度的预测。由于输入到理论模型的频率变化率必须为正，因此此处仅考虑所有案例实测频率变化率为正的第3阶、第5阶、第6阶的单阶输入方案以及第3阶到第6阶平均频率变化率输入方案，其剩余强度预测结果如表3所示。第3阶到第6阶的平均输入方案(avg3-6)的预测误差是所有预测方案中最小，预测误差为1.50％，标准差为1.93％，最大误差为6.52％；其他3种方案的预测误差均小于4％，最大误差均小于15％，说明利用不同的频率变化率输入方案，均能很好预测出复合材料板试件的剩余强度。
表3
(2)基于机器学习的剩余强度预测模型的预测结果：由于算法模型的输入可以为负值，因此此处除了利用第3、第5、第6阶单阶频率变化率作为输入外，还尝试了利用第4阶作为输入，另外还考虑多阶输入方案以及多阶平均输入方案，各类输入方案下的剩余强度预测结果如表4所示。第3阶到第6阶的平均输入方案(avg3-6)的预测误差和标准差是所有预测方案中最小，误差为1.25％，标准差为0.91％，最大误差为3.01％；其他5种方案的预测误差均小于3％，最大误差均小于15％，说明利用不同的频率变化率输入方案，均能很好预测出复合材料板试件的剩余强度。
表4
参照图2，本发明实施例提供了一种复合材料冲击后剩余强度预测系统，包括：
第一频率值获取模块，用于获取待测复合材料受到冲击损伤后的第一频率值；
频率变化率确定模块，用于根据待测复合材料的初始频率值和第一频率值确定第一频率变化率；
模型预测模块，用于将第一频率变化率输入到预先构建的剩余强度预测模型，预测得到待测复合材料的第一剩余强度；
其中，第一频率值和初始频率值均通过模态测试得到。
进一步作为可选的实施方式，复合材料冲击后剩余强度预测系统还包括模型构建模块，模型构建模块包括：
第一数据集获取单元，用于获取第一数据集，第一数据集包括多个数据组，数据组包括第二频率变化率和对应的第二剩余强度；
训练数据集确定单元，用于对第一数据集进行去噪和抽稀处理，得到训练数据集；
模型训练单元，用于将训练数据集输入到深度神经网络进行训练，得到训练好的剩余强度预测模型。
进一步作为可选的实施方式，复合材料冲击后剩余强度预测系统还包括模型构建模块，模型构建模块包括：
函数关系式确定单元，用于确定待测复合材料的频率变化率与剩余强度的函数关系式，函数关系式包括若干个待定系数；
第一数据集获取单元，用于获取第一数据集，第一数据集包括多个数据组，数据组包括第二频率变化率和对应的第二剩余强度；
数据拟合单元，用于通过最小二乘法对第一数据集进行拟合，确定函数关系式的待定系数，进而根据函数关系式和待定系数构建剩余强度预测模型。
上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
参照图3，本发明实施例提供了一种复合材料冲击后剩余强度预测装置，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当上述至少一个程序被上述至少一个处理器执行时，使得上述至少一个处理器实现上述的一种复合材料冲击后剩余强度预测方法。
上述方法实施例中的内容均适用于本装置实施例中，本装置实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
本发明实施例还提供了一种计算机可读存储介质，其中存储有处理器可执行的程序，该处理器可执行的程序在由处理器执行时用于执行上述一种复合材料冲击后剩余强度预测方法。
本发明实施例的一种计算机可读存储介质，可执行本发明方法实施例所提供的一种复合材料冲击后剩余强度预测方法，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行图1所示的方法。
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或上述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，上述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
上述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例上述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印上述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得上述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
在本说明书的上述描述中，参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施方式，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于上述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
1.一种复合材料冲击后剩余强度预测方法，其特征在于，包括以下步骤：
获取待测复合材料受到冲击损伤后的第一频率值；
根据待测复合材料的初始频率值和所述第一频率值确定第一频率变化率；
将所述第一频率变化率输入到预先构建的剩余强度预测模型，预测得到待测复合材料的第一剩余强度；
其中，所述第一频率值和所述初始频率值均通过模态测试得到。
2.根据权利要求1所述的一种复合材料冲击后剩余强度预测方法，其特征在于，所述复合材料冲击后剩余强度预测方法还包括构建剩余强度预测模型的步骤，其具体包括：
获取第一数据集，所述第一数据集包括多个数据组，所述数据组包括第二频率变化率和对应的第二剩余强度；
对所述第一数据集进行去噪和抽稀处理，得到训练数据集；
将所述训练数据集输入到深度神经网络进行训练，得到训练好的剩余强度预测模型。
3.根据权利要求1所述的一种复合材料冲击后剩余强度预测方法，其特征在于，所述复合材料冲击后剩余强度预测方法还包括构建剩余强度预测模型的步骤，其具体包括：
确定待测复合材料的频率变化率与剩余强度的函数关系式，所述函数关系式包括若干个待定系数；
获取第一数据集，所述第一数据集包括多个数据组，所述数据组包括第二频率变化率和对应的第二剩余强度；
通过最小二乘法对所述第一数据集进行拟合，确定所述函数关系式的待定系数，进而根据所述函数关系式和所述待定系数构建剩余强度预测模型。
4.根据权利要求3所述的一种复合材料冲击后剩余强度预测方法，其特征在于，所述函数关系式为：
sd＝[1-c(1-(1-δf)2)w-r]·s0
其中，sd表示待测复合材料的剩余强度，δf表示待测复合材料的频率变化率，s0表示待测复合材料的初始强度，c、w、r均为待定系数。
5.根据权利要求2或3所述的一种复合材料冲击后剩余强度预测方法，其特征在于，所述获取第一数据集这一步骤，其具体包括：
通过振动采集设备对复合材料试件进行模态测试，确定复合材料试件未受到冲击损伤时的第二频率值；
通过冲击试验设备对复合材料试件进行预设强度的冲击试验，并确定复合材料试件在受到冲击损伤后的第三频率值；
根据所述第二频率值和所述第三频率值确定所述第二频率变化率；
对受到冲击损伤后的复合材料试件进行拉伸、压缩以及弯曲强度试验，确定所述第二剩余强度；
根据所述第二频率变化率和所述第二剩余强度确定数据组，进而得到第一数据集。
6.一种复合材料冲击后剩余强度预测系统，其特征在于，包括：
第一频率值获取模块，用于获取待测复合材料受到冲击损伤后的第一频率值；
频率变化率确定模块，用于根据待测复合材料的初始频率值和所述第一频率值确定第一频率变化率；
模型预测模块，用于将所述第一频率变化率输入到预先构建的剩余强度预测模型，预测得到待测复合材料的第一剩余强度；
其中，所述第一频率值和所述初始频率值均通过模态测试得到。
7.根据权利要求6所述的一种复合材料冲击后剩余强度预测系统，其特征在于，所述复合材料冲击后剩余强度预测系统还包括模型构建模块，所述模型构建模块包括：
第一数据集获取单元，用于获取第一数据集，所述第一数据集包括多个数据组，所述数据组包括第二频率变化率和对应的第二剩余强度；
训练数据集确定单元，用于对所述第一数据集进行去噪和抽稀处理，得到训练数据集；
模型训练单元，用于将所述训练数据集输入到深度神经网络进行训练，得到训练好的剩余强度预测模型。
8.根据权利要求6所述的一种复合材料冲击后剩余强度预测系统，其特征在于，所述复合材料冲击后剩余强度预测系统还包括模型构建模块，所述模型构建模块包括：
函数关系式确定单元，用于确定待测复合材料的频率变化率与剩余强度的函数关系式，所述函数关系式包括若干个待定系数；
第一数据集获取单元，用于获取第一数据集，所述第一数据集包括多个数据组，所述数据组包括第二频率变化率和对应的第二剩余强度；
数据拟合单元，用于通过最小二乘法对所述第一数据集进行拟合，确定所述函数关系式的待定系数，进而根据所述函数关系式和所述待定系数构建剩余强度预测模型。
9.一种复合材料冲击后剩余强度预测装置，其特征在于，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1至5中任一项所述的一种复合材料冲击后剩余强度预测方法。
10.一种计算机可读存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由处理器执行时用于执行如权利要求1至5中任一项所述的一种复合材料冲击后剩余强度预测方法。
技术总结