钢球冲击薄壁结构数据集

本研究提出了一种利用循环神经网络（RNN）进行冲击定位的方法，并使用真实实验数据进行了训练。数据集包含5000次钢球冲击薄壁结构的事件，每个事件都记录了冲击位置以及对应的传感器信号。数据集的创建通过自动化实验装置，使用机器人将钢球随机投掷到铝板上，并用压电传感器记录冲击产生的弹性波。数据集用于训练神经网络，以实现更精确的冲击定位。

This study proposes a recurrent neural network (RNN)-based approach for impact localization, which is trained on real experimental data. The dataset encompasses 5000 steel ball impact events on thin-walled structures, with each event documenting both the impact location and the corresponding sensor signals. The dataset was developed using an automated experimental setup: a robot randomly launches steel balls onto aluminum plates, and piezoelectric sensors are employed to record the elastic waves induced by these impacts. This dataset is designed for training neural networks to achieve more precise impact localization.

搜集汇总

数据集介绍

构建方式

钢球冲击薄壁结构数据集的构建采用了高度自动化的实验方法，以确保数据的精确性和多样性。研究团队使用协作机器人（Universal Robots UR10）在铝板上进行钢球冲击实验，铝板表面安装了八个压电陶瓷传感器以捕捉冲击引发的Lamb波。机器人通过电磁末端执行器精确控制钢球的释放位置和高度，每次冲击的位置由均匀分布的随机采样确定。传感器数据以1 MHz的高采样率记录，并通过16位模数转换器数字化，最终生成了包含5000次冲击实验的数据集，其中4000次用于训练，500次用于验证，500次用于测试。

使用方法

该数据集主要用于训练和评估基于循环神经网络（RNN）的端到端冲击定位模型。研究人员使用门控循环单元（GRU）处理长序列传感器数据，并通过中间预测策略优化模型性能。数据集中的传感器信号经过下采样至250 kHz，并采用随机裁剪策略提取包含信号起始点的窗口。训练过程中，模型通过最小化预测位置与真实位置之间的均方误差（MSE）进行优化。数据集还可用于比较不同传感器配置和信号窗口长度对定位精度的影响，为结构健康监测（SHM）领域的算法开发提供基准。

背景与挑战

背景概述

钢球冲击薄壁结构数据集由Alexander Humer、Lukas Grasboeck和Ayech Benjeddou等研究人员于2025年创建，旨在解决薄壁结构冲击定位这一关键问题。该数据集聚焦于航空航天和汽车领域中轻量化安全关键组件的结构健康监测（SHM），通过记录钢球冲击铝板时产生的Lamb波信号，为基于机器学习的冲击定位方法提供真实实验数据。研究团队创新性地采用协作机器人自动化生成冲击事件，确保了数据的高精度和可重复性，弥补了传统合成数据与真实场景间的差距。这一数据集为开发端到端递归神经网络（RNN）模型提供了重要基础，显著提升了冲击定位的准确性和鲁棒性，对推动SHM领域的技术进步具有深远影响。

当前挑战

该数据集主要面临两方面的核心挑战：在领域问题层面，薄壁结构中Lamb波的频散特性和多模态传播导致传统时差定位法精度受限，尤其在复合材料各向异性条件下波形复杂性剧增；在数据构建层面，高采样率（1MHz）产生的长序列数据对RNN训练提出严峻挑战，需采用GRU等门控机制解决梯度消失问题。同时，实验数据的获取需平衡自动化精度与规模——机器人系统虽能实现5000次重复冲击的毫米级定位，但压电传感器信号易受环境噪声干扰，且波在边界反射和模式转换产生的信号混叠需特殊处理。此外，小样本条件下模型泛化能力的提升仍是未完全解决的难题。

常用场景

经典使用场景

钢球冲击薄壁结构数据集在结构健康监测（SHM）领域具有重要应用价值，特别是在航空航天和汽车工业中。该数据集通过记录钢球冲击铝板时产生的Lamb波信号，为研究冲击定位提供了真实可靠的实验数据。其经典使用场景包括训练和验证基于循环神经网络（RNN）的冲击定位模型，如门控循环单元（GRU），以直接从传感器时序数据中端到端地预测冲击位置。

解决学术问题

该数据集有效解决了传统冲击定位方法依赖波达时间（ToA）估计的局限性问题。传统方法仅利用波前到达信息，而忽略了后续反射和模式转换等丰富信号内容。通过该数据集训练的GRU模型能够捕捉Lamb波的复杂传播特性，包括色散效应和边界反射，从而显著提升了冲击定位的精度和鲁棒性，即使在传感器数量较少的情况下也能实现高精度定位。

实际应用

在实际应用中，该数据集支持开发自动化冲击监测系统，用于飞机机身、汽车车身等薄壁结构的健康评估。通过机器人自动生成的冲击数据，系统能够实时检测和定位结构受到的冲击，为预防性维护提供关键信息。例如，在航空航天领域，该系统可帮助识别潜在损伤区域，从而及时进行维修，确保飞行安全。

数据集最近研究

最新研究方向

近年来，钢球冲击薄壁结构数据集在结构健康监测（SHM）领域的研究方向主要集中在利用深度学习技术，特别是循环神经网络（RNN）和门控循环单元（GRU），进行端到端的冲击定位。该数据集通过机器人自动化实验生成，避免了传统合成数据带来的现实差距问题，显著提升了冲击定位的准确性和鲁棒性。研究热点包括利用长序列传感器数据捕捉Lamb波的复杂传播特性，以及探索更高效的网络架构（如Transformer）以进一步提升性能。这一方向在航空航天和汽车工业等安全关键领域具有重要的应用价值，为结构完整性评估和损伤检测提供了新的技术手段。

相关研究论文

• Localization of Impacts on Thin-Walled Structures by Recurrent Neural Networks: End-to-end Learning from Real-World Data

  奥地利林茨约翰内斯开普勒大学技术力学研究所 · 2025年