基于FR-GAN技术对树脂基复合材料叶片中多态性皱纹的识别与量化

《Composite Structures》:Recognition and quantification of polymorphic wrinkles based on FR-GAN in resin-based composite blade

【字体: 大 中 小 】 时间:2026年01月03日 来源:Composite Structures 7.1

编辑推荐:

  碳纤维增强复合材料(CFRP)榫接区域皱纹缺陷的智能识别与量化研究。针对现有方法数据稀缺、分割不连续及几何评估不足的问题,提出基于FR-GAN的框架,通过构建高质量标注数据集、优化纤维结构重建算法,结合连通域分析与PCHIP曲线拟合实现皱纹几何参数的精准量化,实验表明平均IoU达89.25%,MAE为8.8680,有效支撑工程级缺陷检测需求。

  
毛建星|吴晓琦|司武林|张晓杰|潘金超|吴超|胡殿银|王荣桥
北京航空航天大学航空发动机研究所,中国北京100191

摘要

碳纤维增强聚合物(CFRP)复合材料叶片中的褶皱缺陷,尤其是在燕尾区域,表现出复杂的多态形态,这会损害结构性能。然而,由于数据稀缺、分割不连续以及缺乏可靠的几何评估工具,传统的无损检测和基于图像的检测方法难以准确识别和量化这些缺陷。为了克服这些限制,本研究提出了一种基于纤维重建生成对抗网络(FR-GAN)的新框架,用于智能识别和量化CFRP燕尾区域中的多态褶皱。该方法引入了一个专注于燕尾区域褶皱形态的高质量标注数据集,然后建立了一个FR-GAN来恢复分割结果。FR-GAN通过方向感知建模重建连续的纤维结构,并结合连通分量分析与分段三次Hermite插值多项式(PCHIP)曲线拟合进行精确的几何评估。结果表明,该方法在验证集上的平均交并比(mIoU)达到89.25%,平均绝对误差(MAE)为8.8680;而FR-GAN优化后的结构相似性指数(SSIM)为0.4097,L1损失为0.4405。大多数褶皱角度的测量值与真实值的偏差小于15%,证明了该框架在工程级缺陷检测中的有效性。这项工作为评估航空航天复合材料中的褶皱缺陷提供了一种可扩展且高精度的解决方案,并为未来的多模态褶皱检测奠定了基础。

引言

作为飞机的心脏,航空发动机在其设计、材料和制造技术方面面临诸多挑战,这些都对航空工业的发展至关重要[1]。随着民用航空的持续增长,对发动机推力的需求也在稳步增加[2]。与传统金属材料相比,碳纤维增强聚合物复合材料(CFRP)具有较高的比强度和比刚度等显著优势[3]。当用于制造风扇叶片时,CFRP可以有效减轻涡轮风扇发动机的重量并提升其整体性能,从而在航空发动机设计中具有固有的优势[4]。
然而,复合材料层压板容易出现层间纤维波浪形(也称为褶皱),这是由于制造或使用过程中纤维层局部弯曲或变形造成的。作为CFRP中不可避免的缺陷,这些褶皱会导致纤维方向偏离预期设计方向[5]、[6]、[7]。褶皱的产生原因复杂多样[8]、[9],包括纤维、基体和模具材料之间的热膨胀不匹配[10]、固化温度和压力的控制不当以及层压顺序不合理[11]、[12]。Nartey等人的研究[13]表明,当褶皱角度达到7.8°时,CFRP的拉伸强度和压缩强度分别显著降低了21%和37%。值得注意的是,CFRP风扇叶片燕尾区域的褶皱表现出显著的多态特性:一方面,同一燕尾不同位置的褶皱形态和方向各不相同;另一方面,不同燕尾之间的褶皱形态和方向也存在差异。这些褶皱容易在复合材料叶片的弯曲部分和内部嵌件层中产生,导致局部应力集中,从而削弱了燕尾的结构性能[14]。因此,开发一种能够有效识别层压褶皱缺陷的智能检测方法具有重要意义。
已经应用了多种无损检测技术来检测复合材料中的褶皱缺陷[15],主要包括涡流检测[16]、[17]、红外热成像[18]和超声波检测[19]、[20]。尽管这些物理驱动的方法取得了一定的成果,但其有效性高度依赖于专业知识和经验,难以满足大面积和快速检测的需求,且无法直接量化褶皱缺陷。随着图像处理的进步,光学测量技术因其高效率而显示出广阔的应用前景。Wen等人[21]提出了一种基于光栅投影测量和表面重建的纤维增强聚合物褶皱缺陷检测方法,实现了超过10μm分辨率的褶皱精确定位和量化。Chen等人[22]提出了一种基于图像的几何建模方法,用于自动重建具有三维层褶皱的厚层压板。结果显示,褶皱高度的偏差小于3.11%,平均位置误差低至0.03%。Yi等人[23]比较了高频涡流检测和全矩阵捕获超声波检测方法,并结合深度学习提高了预测精度。全矩阵捕获方法在表征褶皱轮廓方面表现优异,而涡流系统在识别感兴趣区域时更具适应性。
随着光学和基于图像的方法的出现,最近的研究集中在通过多模态成像和先进特征分析来改进褶皱检测和复合材料表面纹理识别。Gupta等人[24]结合红外、彩色图像信息和深度测量,识别了具有双曲面柔性夹具的干燥纤维预制品上的褶皱和边界。Li等人[25]使用基于纹理特征的k-means聚类方法定义了碳纤维平纹预浸料中的缺陷类型,整体识别率高达0.944,优于某些现有的基于纤维识别的机器学习方法。Nelson等人[26]采用结构张量图像处理技术,将脉冲回波超声波检测获得的瞬时相位三维数据转换为层方向三维图像,用于成像和量化层压板褶皱。Chandler等人[27]提出了一种基于图像强度区域变化的褶皱检测方法,其性能与结构张量方法相当,对大褶皱的检测效果与小褶皱的检测效果均较好。
在这些进展的基础上,最近的研究应用深度学习技术来增强复合材料表面纹理识别和褶皱检测。Djavadifar等人[28]比较了四种深度卷积神经网络模型(Mask R-CNN、U-Net、DeepLab V3+、IC-Net),用于自动检测纤维复合材料边界和缺陷。该方法成功检测到了超过71%的褶皱,褶皱类别的识别准确率为67%。Zhang等人[29]结合了相控阵超声波检测和深度学习,检测和定位层压复合材料中的褶皱,训练和测试准确率分别为99.6%和94.3%。Manyar等人[30]创建了一个包含真实和合成缺陷的开源图像数据集,并使用ResNet-50和特征金字塔网络训练了一个Mask R-CNN模型,在复合材料预浸料图像上实现了平均精度为0.98的结果。Viisainen等人[31]开发了一种基于深度学习的替代模型,用于快速预测双轴非压皱织物双隔膜成型过程中特定工具几何形状下的褶皱严重程度。训练模型实现了平均图像相似性(MS-SSIM)为0.93。Tang等人[32]开发了一种基于PointNet++的方法,用于在大型CFRP部件的自动化纤维放置过程中检测层间铺设缺陷(包括褶皱)。使用结构光相机捕获三维点云,该方法能够在一秒内快速、经济高效地对每个样本进行分割,其交并比(IoU)超过72%,优于激光轮廓测量的64%。
深度学习模型凭借其强大的特征表示能力,减少了对手动干预的依赖,显著提高了检测的准确性和效率,在缺陷检测领域展现出巨大潜力。然而,对于识别和量化CFRP燕尾接头中褶皱的多态性而言,现有方法仍面临以下关键瓶颈,限制了它们的工程应用:
  • 1.
    多态褶皱数据集的稀缺:现有的公开数据集主要使用实验室制备的褶皱数据,缺乏专门针对燕尾区域多态褶皱的高质量标注数据。这使得模型难以学习其复杂特征。
  • 2.
    纤维分割精度不足:主流深度学习模型(如U-Net)在燕尾区域经常产生纤维断裂和纤维粘附问题,导致分割鲁棒性差,无法确保纤维方向的连续性。这直接影响了后续褶皱量化分析的准确性。
  • 3.
    缺乏对褶皱几何量化的支持:虽然现有深度学习方法可以实现褶皱分割,但它们侧重于检测褶皱的存在,缺乏量化褶皱关键几何参数的模块。因此,这些方法无法满足对褶皱严重程度进行定量评估的工程需求。
  • 因此,本研究提出了一种基于纤维重建生成对抗网络(FR-GAN)的方法,用于识别和量化树脂基复合材料燕尾区域中的多态褶皱。第2节构建了一个专门针对燕尾区域多态褶皱的高质量数据集,以解决该领域公开数据稀缺的问题。第3节介绍了一种基于FR-GAN的识别和恢复方法,通过自动分析纤维方向实现纤维不连续性的连续重建。它克服了传统生成对抗网络(GAN)模型的局限性,如分割精度低和纤维错位问题。此外,第3节建立了一种图形处理算法,结合了连通分量分析(CCA)与分段三次Hermite插值多项式(PCHIP)曲线拟合。第4节展示了褶皱检测和恢复的结果,提供了褶皱形态的定量评估,并解决了当前缺乏几何量化支持的问题。第5节讨论了实验结果。最后,第6节总结了所提出的识别和量化方法的可行性和有效性。

    部分摘录

    精确成像系统配置

    在对复合材料风扇叶片燕尾结构进行缺陷研究之前,有必要明确燕尾试样的组成和相应材料。如图1所示,燕尾的几何结构和划分由三部分组成:从中心到边缘分别是主层压板、中间层和加工层,分别对应于碳纤维预浸料、平纹织物和三维编织预制品。

    褶皱识别和量化方法

    为了准确量化褶皱的严重程度,精确的纤维划分是必不可少的。然而,在复合材料燕尾接头的原始图像中,由于对比度低和背景复杂,纤维往往难以区分,如图3(a)所示。这些因素使得识别它们的存在、位置和边界变得具有挑战性。为了解决这一挑战,本研究提出了一个基于FR-GAN的框架。如图5所示,该框架包括三个关键组成部分

    实验设置

    本研究提出的语义分割网络和FR-GAN是使用PyTorch框架实现的。实验环境的硬件和软件配置见表2。
    改进后的U-Net模型在9,072张复合材料燕尾褶皱图像数据集上进行了训练,如第2节所述。该数据集被随机分为训练集、验证集和测试集,比例为8:1:1。
    训练过程采用了一组超参数进行优化

    讨论

    实验结果证实,所提出的语义分割网络在纤维区域识别方面表现出高性能,在验证集上的mIoU为89.25%。与DeepLabV3+相比,改进后的U-Net模型显著提高了分割精度和像素级一致性,表现为更低的MAE和RMSE值以及更高的PSNR。尽管如此,在局部区域仍观察到纤维断裂和纤维粘附现象,主要是由于光照不均匀和

    结论

    本研究解决了深度学习模型中数据稀缺的问题、传统图像处理在褶皱缺陷识别方面的局限性以及无损检测中无法量化褶皱的问题。所提出的方法结合了语义分割和FR-GAN,用于复合材料燕尾褶皱的识别和恢复。通过构建高质量数据集、改进语义分割网络、使用FR-GAN进行优化以及提出量化方法

    CRediT作者贡献声明

    毛建星:监督、方法论、资金获取、概念化。吴晓琦:撰写——原始草稿、可视化、软件、方法论、形式分析。司武林:资源、项目管理、调查。张晓杰:撰写——审阅与编辑、监督、项目管理、资金获取、概念化。潘金超:撰写——审阅与编辑、监督、资源、概念化。吴超:资源、项目管理。胡殿银:撰写

    利益冲突声明

    作者声明他们没有已知的竞争性财务利益或个人关系可能会影响本文所述的工作。

    致谢

    本研究得到了中国国家重点研发计划(项目编号2024YFB4609000)以及复合材料风扇叶片燕尾接头强度测试技术服务项目(编号HT-2L2A·0101-2024)的支持。作者还要感谢在整个研究过程中提供资金和实验支持的机构。
    相关新闻
    生物通微信公众号
    微信
    新浪微博
    • 搜索
    • 国际
    • 国内
    • 人物
    • 产业
    • 热点
    • 科普

    热点排行

      今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

      版权所有 生物通

      Copyright© eBiotrade.com, All Rights Reserved

      联系信箱:

      粤ICP备09063491号