基于时间反演的卷积神经网络超声无损检测方法

《Ultrasonics》:Time-reversal-based ultrasonic non-destructive evaluation using convolutional neural networks

【字体: 大 中 小 】 时间:2026年03月28日 来源:Ultrasonics 4.8

编辑推荐:

  金珍秀|金智云|韩载亨 韩国科技大学机械工程系,大韩民国京畿道始兴市桑吉大鹤路237号,邮编15073 摘要 在复合材料或复杂形状的机械结构的超声无损检测中,由于激励信号在界面处的复杂散射,很难检测出结构缺陷。本研究提出了一种基于卷积神经网络的高精度无损检测方法,该

  金珍秀|金智云|韩载亨
韩国科技大学机械工程系,大韩民国京畿道始兴市桑吉大鹤路237号,邮编15073

摘要
在复合材料或复杂形状的机械结构的超声无损检测中,由于激励信号在界面处的复杂散射,很难检测出结构缺陷。本研究提出了一种基于卷积神经网络的高精度无损检测方法,该网络通过时间反演信号进行训练。该方法被应用于蜂窝夹层板以及广泛应用于航空航天和航天发射器中的蒙皮-弦杆结构模型。首先,通过将数值结果与从简单铝板获得的实验数据对比,验证了有限元模型的有效性。当将经过时间反演的激励信号应用于所提出的基于CNN的分类框架时,该模型实现了高分类精度。随后,利用蜂窝夹层板和蒙皮-弦杆结构模型的有限元模型,评估了所提算法的缺陷分类性能。通过时间反演方法在疑似缺陷位置生成强重建信号,同时研究适当数量的接收传感器及多种激励效应,最终得到了稳健且高性能的无损检测算法。研究结果表明,通过时间反演从缺陷处获取较强的反射信号,可在所有缺陷区域实现高分类精度。

引言
复合增强结构具有出色的强度重量比,以及优异的抗疲劳和抗弯曲能力。这类结构在航空航天领域得到了广泛应用,旨在在保持强大承重能力的同时实现轻量化设计[1]。典型的增强结构,如蜂窝夹层板和蒙皮-弦杆结构,被广泛用于飞机部件中[2]。然而,复合结构容易受到剪切屈曲、分层和挤压等多种损伤模式的影响[3][4]。由于这些损伤会直接影响飞机的安全性和维护要求,因此无损检测对于确保结构完整性至关重要。超声无损检测在多个行业,尤其是航空航天领域,通过全面的数值模拟和实验验证,已被证明能有效检测复合结构的内外缺陷[5][6][7]。在超声无损检测中,通常是通过超声波传播特性的变化来识别缺陷。一种常见的方法是在结构中嵌入超声传感器,通过比较原始结构的参考信号与可能受损结构获得的信号来检测缺陷[8]。

导引兰姆波因其能够在相对较短的时间内检测大面积区域,而被广泛用于薄壁结构缺陷检测的健康监测中[9][10][11][12]。然而,在传播和反射过程中,兰姆波会产生多种对称和反对称模式。每种模式都存在色散现象,即群速度会随频率变化,这增加了对接收信号解读的复杂性[11]。Sikdar等人[13]对由铝芯和两层石墨/环氧纤维增强复合面板构成的蜂窝夹层结构中的导引波传播进行了实验研究,重点研究了缺陷尺寸对A0兰姆波模式振幅的影响。Yu等人[14]通过数值模拟表明,可以在铝制蜂窝增强结构中定位缺陷。而对于复合材料而言,确定相关波模式的色散特性并非易事,尤其是因为其性能可能会因测试模型而异。此外,在几何结构复杂的增强结构中,波信号往往会发生散射,这使得数据解读和缺陷定位更加困难。

时间反演方法包括从源点发射波并在换能器位置进行测量,然后以相反的时间顺序重新发射记录的信号。这一过程使波能够沿其复杂的传播路径返回,并在原始源点重新聚焦[15][16][17]。时间反演方法在众多研究领域中被广泛应用,它利用波传播中的时间不变性和空间互易性原理,有效分析波的传播特性。Ing和Fink[18]通过实验证明,时间反演镜技术能够自动补偿兰姆波的色散效应,从而在无损检测过程中实现缺陷检测。此外,通过全面的数值分析和实验研究,时间反演技术也被证实是一种有效的手段,可用于克服兰姆波在无损检测中的色散限制[19][20][21]。Liang等人通过基于时间反演建模追踪损伤信号的多条路径,成功识别了水下混凝土结构中的裂缝[22]。Saenger等人通过数值模拟实现了对混凝土结构中源点的定位[23][24]。此外,多项实验研究和数值分析也证明了时间反演方法在金属和复合板材无损检测中的有效性[25][26][27][28][29][30][31][32]。Yu等人研究了不同配置的压电换能器阵列在铝板上的波重建性能的稳定性,这些阵列包括I形、L形、圆形和方形阵列。他们通过使实验数据和模拟数据之间的重建误差仅为1.05毫米,验证了时间反演方法的有效性[32]。Park等人提出了一种无需去除基线数据即可利用时间反演方法进行缺陷检测的方法[26][33]。Huang等人开发了一种基于时间反演方法的有限元分析方法,结合螺栓球形接头模型,用于预测航空航天结构中钢制螺栓球形接头的预紧力损失[34]。数值和实验结果显示出相似的缺陷模式,这表明时间反演方法的能量重建能力也可应用于复杂几何结构。Ulrich等人[35]提出了一种结合时间反演与非线性弹性波谱学来检测非线性特征的方法。此外,Mori[36]引入了一种技术,通过将时间反演镜方法与模式选择激励和接收方法相结合,使波能量集中在板件中的缺口型损伤处,并通过有限积分技术进行了验证。

卷积神经网络是一种深度神经网络,它能够通过使用卷积滤波器直接从输入数据中学习空间特征。这种结构使其在图像分类等任务中尤为有效,即便输入数据包含噪声,它也能保持良好的性能。Cheon等人[37]的一项研究中,没有采用单独的特征提取步骤,直接使用了单个CNN模型。该模型被训练为自动学习有助于缺陷分类的特征,实验结果显示其在自动缺陷分类任务中表现优异。Azuara等人[38][39]也采用了基于CNN的深度学习方法对缺陷图像进行分类,他们使用了预先收集的缺陷图像数据集,并报告了较高的分类精度。在另一项研究中,Liu等人[40]对由Nomex材料制成的复合蜂窝芯结构以及碳纤维增强聚合物面层进行了有限元分析。他们通过二维连续小波变换从数值数据中获得CNN输入图像,然后训练CNN模型,以评估传感器布置和传感器数量对该无损检测方法性能的影响。

近期的一些研究探讨了将时间反演与深度学习结合用于缺陷诊断。Tang等人[41]通过有限元分析在各向同性铝板中生成时间反演兰姆波信号,然后使用深度神经网络进行二元缺陷分类。Ran等人[42]提出了一种方法,首先通过时间反演成像估计缺失杆件的位置,进而对其成像。在他们的研究中,含有绝缘杆件的网格状结构被微波激发,所测得的响应被用于训练LSTM和CNN模型,以提高定位和成像精度。不过,在这些研究中,尚未系统地研究复合增强结构中脱粘程度的分类情况,以及有无时间反演时深度学习性能的差异。

本研究针对复合增强结构,开发了一种结合时间反演程序的基于CNN的超声无损检测方法。该方法首先在铝板上进行了实验验证,随后通过对代表性的航空航天部件,包括蜂窝夹层板和蒙皮-弦杆结构模型进行有限元模拟进行了进一步研究。在相同的网络架构和数据设置下,与传统音爆激励相比,基于时间反演的方法在铝板上的精度提升了约10%,在蜂窝面板上提升了约12%,而在蒙皮-弦杆结构上则提升了高达27%。由于时间反演过程会将缺陷散射的波分量重新引导回缺陷区域,因此得到的输入数据包含更明显的局部特征,这有助于参数较少的浅层CNN学习功能模式。这些结果体现了本研究的贡献,它超越了以往仅单独应用时间反演或CNN的研究,通过定量分析,明确了基于脱粘缺陷大小以及复合增强结构中是否有时间反演因素对CNN分类性能的影响。此外,还通过数值模拟研究了传感器和激励源的数量与位置对无损检测性能的影响。

节选内容
时间反演原理
用于超声无损检测的导引兰姆波存在强烈的色散现象,其相速度取决于频率和板厚[43]。先前的理论和实验研究表明,时间反演过程可以利用波传播的互易性,补偿色散效应,并在原始源点重建激励信号[44]。在线性系统中,换能器B因换能器A的激励而产生的响应可表示为:
yBω,x=Hω,xyAω

超声无损检测中的应用时间反演方法
当应用时间反演方法时,激励信号会在源点被重建。这意味着,如果已知任意源点的传感器阵列响应,就可以通过传输经过时间反演的测量信号,将该位置的能量重新聚焦。如果在焦点处存在缺陷,就会产生强烈的反射,从而得到信噪比较高的信号。这样的响应包含清晰的信息。

实验装置
用于验证时间反演过程的实验是使用一块铝板(600×400×2毫米)以及压电换能器(7×7毫米,APC International, Ltd., Mackeyville, PA, USA)进行的。实验装置还包括信号调理器(482C24,PCB Piezotronics Inc., Depew, NY, USA)、信号发生模块(NI-PXIe-5423,两个通道,带宽为40MHz)以及数据采集模块(NI-PXIe-5172,四通道示波器,带宽为100MHz),如图3所示。

有限元分析
第4节通过将ABAQUS软件的结果与实验结果进行对比,证明了该软件的准确性。在本节中,所提出的方法被应用于代表性的增强结构,包括蜂窝夹层板和蒙皮-弦杆结构模型。有限元分析是在一台配备有Intel? Core i9-9900 K处理器、96GB内存以及NVIDIA GeForce RTX 2070 SUPER显卡的工作站上进行的。此外,还使用了统计软件R(v4.4.0)。

蜂窝夹层板
由于仅通过平均精度无法充分评估性能差异的可靠性,因此进行了假设检验,以比较采用CE方法和TR方法所得到的分类精度分布。这项统计分析旨在验证采用时间反演方法后分类精度的提升是否具有统计学显著性,从而为所提出方法的有效性提供定量支持。

接收传感器的灵敏度
在蒙皮-弦杆结构中,CE方法所需的最佳接收传感器数量为九个,比TR方法多一个。在选定的接收传感器位置获得的响应被转换为2D彩色映射图像,这些图像被并行堆叠,作为CNN的输入数据。为了评估CNN训练对接收传感器数量的敏感性,将CE方法的传感器数量调整为八个,与TR方法相同。相应地,八个……

结论
本研究提出了一种基于深度学习的超声无损检测算法,该算法采用了时间反演方法,并将其性能与先前研究[62]中报道的传统激励方法进行了比较。在初始激发点处,TR的聚焦特性有效地放大了缺陷反射波,这些反射波随后被用作卷积神经网络的输入数据,从而提升了缺陷分类的准确性。实验部分

CRediT作者贡献声明:Jiin Seo:撰写——初稿、正式分析、数据整理。Ji-Yun Kim:撰写——审阅与编辑、软件使用、数据整理。Je-Heon Han:撰写——审阅与编辑、监督、项目管理、方法论、资金获取、概念设计。

利益冲突声明:作者们声明自己没有已知的可能会影响本文所述工作的财务利益或个人关系。

致谢:本研究得到了韩国国家研究基金会(NRF)的支持,该基金由教育科学技术部资助,项目编号为NRF-2017R1A6A1A03015562和NRF-2021R1F1A1056483;同时得到了京畿道GRRC计划通过多材料加工创新技术研究中心的支持,项目编号为GRRC TUKorea2023-B02;此外还得到了韩国贸易、工业和能源部(MOTIE)通过韩国产业技术规划与评价院的支持。
相关新闻
生物通微信公众号
微信
新浪微博

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