1.一种Lamb波监测信号统计参数的损伤识别方法，其特征在于，包括如下步骤：步骤1，在待测结构上，根据检测区域的大小，布置多个压力传感器组成激励/传感线型阵列；在激励/传感线型阵列中选择一个传感器作为激励，另一个传感器作为传感，组建检测通道，采集结构健康状态下所有检测通道的Lamb波响应信号；

步骤2，在步骤1组建的检测通道上布置不同类型的损伤，针对各损伤类型，采集该损伤类型对应的检测通道的Lamb波响应信号；

步骤3，对步骤1和步骤2得到的Lamb波响应信号分别进行统计特征参数提取，提取出六个统计特性参数，包括：均方根、方差、偏斜度、峰度系数、峰峰值及K因子，得到健康状态下的特征数据集及各损伤类型对应的特征数据集；

步骤4，利用主成分分析方法对健康状态下的特征数据集及各损伤类型对应的特征数据集均进行降维处理，得到健康状态下的新特征数据集及各损伤类型对应的新特征数据集；

步骤5，将健康状态下的新特征数据集根据损伤类型进行分类，得到各损伤类型对应的健康状态的特征样本，利用EM算法分别训练各损伤类型对应的健康状态的特征样本，得到各损伤类型健康状态的高斯混合模型参数；

步骤6，针对各损伤类型，将各损伤类型的新特征数据集分为训练样本和测试样本，利用EM算法从训练样本中训练出该损伤类型高斯混合模型混合参数，从而得到各损伤类型的高斯混合模型；其中，EM算法的初始参数为该损伤类型健康状态的高斯混合模型参数；

步骤7，将测试样本分别输入各损伤类型的高斯混合模型中，计算模型的似然函数值，并比较各模型的似然函数值大小，将测试样本归类于模型似然函数值最大的损伤类型中。

2.根据权利要求1所述Lamb波监测信号统计参数的损伤识别方法，其特征在于，步骤3所述均方根表达式为：其中，RMS为均方根，xi为第i个Lamb波响应信号，n为所有Lamb波响应信号的个数。

3.根据权利要求1所述Lamb波监测信号统计参数的损伤识别方法，其特征在于，步骤3所述方差表达式为：其中，Variance为方差，xi为第i个Lamb波响应信号，n为所有Lamb波响应信号的个数，为xi的平均值。

4.根据权利要求1所述Lamb波监测信号统计参数的损伤识别方法，其特征在于，步骤3所述偏斜度表达式为：其中，Skewness为偏斜度， xi为第i个Lamb波响应信号，n为所有Lamb波响应信号的个数，为xi的平均值。

5.根据权利要求1所述Lamb波监测信号统计参数的损伤识别方法，其特征在于，步骤3所述峰度系数表达式为：其中，Kurtosis为峰度系数，xi为第i个Lamb波响应信号，n为所有Lamb波响应信号的个数，为xi的平均值。

6.根据权利要求1所述Lamb波监测信号统计参数的损伤识别方法，其特征在于，步骤3所述峰峰值表达式为：PPK＝max(xi)-min(xi)

其中，PPK为峰峰值，max(xi)、min(xi)分别为xi的最大、最小值，xi为第i个Lamb波响应信号。

7.根据权利要求1所述Lamb波监测信号统计参数的损伤识别方法，其特征在于，步骤3所述K因子表达式为：K-factor＝max(xi)×RMS

其中，K-factor为K因子，max(xi)为xi的最大值，xi为第i个Lamb波响应信号，RMS为均方根。

8.根据权利要求1所述Lamb波监测信号统计参数的损伤识别方法，其特征在于，所述步骤4具体过程为：以健康状态下的特征数据集为例：(41)计算健康状态下的d×p特征数据集的相关系数矩阵：其中，d为采集Lamb波响应信号的次数，p为所有统计特征参数的个数，R为实对称矩阵，rab＝rba，a,b＝1,2,…,p，rab为xa与xb之间的相关系数，xa,xb为特征数据集的任一列，表达式如下：其中， 为xa的平均值， 为xb的平均值，xca为xa的第c个元素，xcb为xb的第c个元素；

(42)计算相关系数矩阵R的特征值λa，并按照从大到小的顺序进行排列；

(43)计算排序后的各特征值对应的特征向量；

(44)计算排序后的各特征值对应的主成分Za的累积贡献率：(45)选取累积贡献率超过85％特征值对应的特征向量构建新特征数据集：A′＝A×Ml×m

其中，A′表示新特征数据集，A表示特征数据集，Ml×m表示累计贡献率超过85％的特征值所对应的特征向量构成的矩阵，m表示累计贡献率超过85％的特征值的个数，l为特征向量的行数。