激光超声阵列的时频联合稀疏优化

《Optics & Laser Technology》:Joint time–frequency sparse optimization of laser ultrasonic arrays

【字体: 大 中 小 】 时间:2026年09月24日 来源:Optics & Laser Technology 4.6

编辑推荐:

   摘要 激光声阵列技术在航空航天和增材制造等先进行业中检测微缺陷方面具有独特优势,包括其非接触特性、激发多种超声模式的能力以及高分辨率成像能力。然而,其实用化实时应用受到完整阵列数据采集和全聚焦图像重建所伴随的巨大数据负载、较长采集时间和繁重计算需求的阻碍。本文提出了一种自适应

  

摘要
激光声阵列技术在航空航天和增材制造等先进行业中检测微缺陷方面具有独特优势,包括其非接触特性、激发多种超声模式的能力以及高分辨率成像能力。然而,其实用化实时应用受到完整阵列数据采集和全聚焦图像重建所伴随的巨大数据负载、较长采集时间和繁重计算需求的阻碍。本文提出了一种自适应稀疏成像方法,该方法将联合时频域方差分析与最小冗余线性阵列(MRLA)约束相结合。首先,分析了不同激光超声模式(LL、SL、LS、SS)的时域和频域特性,揭示了内在互补机制:时域方差对缺陷位置敏感,而频域方差对缺陷尺寸和材料属性敏感。基于此,开发了一种联合时频域方差特征函数,用于评估每个发射元素的成像贡献。结合 MRLA 准则优化发射元素选择,构建了一个自适应稀疏阵列,显著减少了数据采集量。其次,将非线性增强相移偏移方法引入频域成像,通过符号一致性判别和幅度几何平均来抑制非相干噪声;这进一步与相位相干加权结合,以增强缺陷的对比噪声比(CNR)和信噪比(SNR)。在 1060 铝合金试样的 0.3 mm 和 0.5 mm 台阶形缺陷(SDH)上进行了实验验证。结果表明,在四种模式(LL、SL、LS 和 SS)下,联合时频域方差方法的 CNR 和 SNR 均优于单域方法。为了解决 SS 和 LS 模式下成像质量差的问题,采用了结合 LL 和 SL 的双模态融合成像,并使用 -6 dB 下降法来量化缺陷尺寸。检测 0.3 mm 和 0.5 mm 缺陷的绝对误差分别为 +0.04 mm 和 +0.07 mm,相对误差小于 14%。本文所述方法有效减少了数据采集和处理的负担,同时确保了成像质量,为使用激光超声阵列进行实时、高分辨率检测提供了一种新方法。

引言
航空航天和增材制造等高端制造领域日益严格的安全和结构完整性要求,使早期微缺陷的精确检测成为无损检测领域的热点话题 [1], [2]。传统无损检测方法,如射线检测、渗透检测和涡流检测,在检测精度、效率以及对复杂几何形状的适应性方面逐渐显露出局限性。在此背景下,超声阵列检测技术凭借其灵活的波束控制能力、全范围动态聚焦特性和多模态成像能力,已成为应对这些挑战的关键技术方案 [3], [4]。

超声阵列检测技术的核心概念源自相控阵雷达技术。通过控制多个独立压电元件的激发时序和幅度,它实现了声束的电子扫描和动态聚焦。与传统单探头超声检测相比,超声阵列检测具有显著的技术优势。首先,该技术无需物理移动探头即可实现声束的偏转、聚焦和扫描,大大提高了检测灵活性和效率。它特别适合涉及复杂表面和狭小空间的检测场景 [5], [6]。其次,通过将全矩阵捕获(FMC)与全聚焦方法(TFM)结合,可以对成像区域内的任何点进行动态后处理聚焦,从而比传统相控阵成像获得更高的分辨率和信噪比(SNR) [7], [8]。此外,激光声技术的引入进一步扩展了阵列检测的能力。通过光学扫描构建虚拟阵列,为复杂材料中的缺陷检测提供了丰富的物理信息 [9], [10], [11]。

尽管超声阵列检测技术具有显著优势,但在实际工程应用中面临检测效率低的关键挑战,这一问题在激光超声阵列中尤为突出。在数据采集层面,FMC 方法采用顺序激发和全局接收的操作模式,导致产生极其庞大的 A 扫描信号数据集。相比之下,激光超声依赖光学扫描,一次只能接收单通道信号,无法采用多通道并行采集;这些物理限制导致采集时间过长 [12], [13]。从后处理计算的角度来看,TFM 算法需要计算所有发射 - 接收对的声学传播延迟,并对成像区域内的每个像素进行幅度求和。计算负载随着阵列元素和像素数量的增加而迅速增加,难以满足实时检测要求 [14]。为解决这些效率问题,研究人员提出了两类解决方案。第一类涉及使用图形处理单元(GPU)或现场可编程门阵列(FPGA)等硬件加速技术来提高计算速度;然而,这些解决方案成本高昂,无法减少数据采集时间,且对激光超声系统的适用性有限 [15], [16]。第二种方法专注于在算法层面减少数据量和计算负载,主要通过稀疏阵列技术和频域成像方法实现 [17], [18],这也是本文的研究方向。

稀疏阵列技术是解决超声阵列检测效率问题的关键方法之一。其基本原理是利用通过 FMC 采集的数据中的冗余信息,通过减少活动元素或数据通道的数量来显著提高检测效率,同时保持成像质量。数学上,对于一个包含 N 个元素的满阵列,如果仅保留 K 个活动发射元素和 M 个活动接收元素,数据量将从 N2 减少到 K × M。稀疏 TFM 的像素强度可以表示为活动发射 - 接收对的加权和。稀疏阵列设计的核心在于确定活动元素的最优空间布局,以确保稀疏阵列的等效孔径尽可能接近原始满阵列,同时抑制稀疏化过程引入的旁瓣和离轴瓣 [19], [20], [21], [22]。

稀疏阵列设计本质上是一个组合优化问题。鉴于巨大的搜索空间,穷举搜索是不现实的,因此研究人员引入了各种智能优化算法。遗传算法(GA)是最早应用于稀疏阵列优化的启发式算法之一,通过选择、交叉和变异操作迭代优化阵列布局 [23]。然而,GA 使用二进制编码,导致计算复杂度高,且容易陷入局部最优。二进制粒子群优化(BPSO)算法已被应用于稀疏阵列优化。通过计算阵列方向性图的主瓣宽度(MLW)和峰值旁瓣电平(PSL)来构建适应度函数,该方法实现了更快的收敛和更优的优化结果 [24]。离散黏菌算法(DSMA)使用实数编码代替二进制编码,显著降低了计算复杂性;对于 32 元阵列,与 GA 和 BPSO 相比,优化时间分别减少了约 36% 和 27% [25]。此外,还采用了自适应数据采集策略来提高检测效率。通过使用稀疏预采样定位缺陷区域,然后在小孔径下进行细粒度 FMC 采集,可将采集的数据量减少约 70% [26]。多参数遗传算法(MPGA)以理论检测灵敏度的均值和标准差作为优化目标构建适应度函数,仅使用 5% 至 20% 的全矩阵数据即可实现有效的缺陷检测 [27]。

尽管时域稀疏方法取得了显著进展,但仍存在以下局限性。首先,现有的稀疏方法主要基于时域信号的幅度信息或阵列的几何布局,没有充分利用超声信号的频率特性。然而,缺陷的频域响应包含重要的物理信息;不同频率成分对缺陷表现出不同的敏感性,且模态转换波的频率特性与缺陷类型密切相关。其次,大多数优化方法使用阵列方向图的 MLW 和 PSL 作为目标函数;然而,这些指标与最终的 TFM 图像质量并不完全对应,导致优化目标与成像质量之间存在差距。第三,现有方法通常假设缺陷位于阵列的中心区域;当缺陷偏离中心时,优化性能显著下降,且稀疏阵列对缺陷位置的适应性较差。

与时域稀疏优化不同,频域成像方法通过将时域信号转换为频率 - 波长域并利用波场外推,在算法层面提高了计算效率,从而实现快速成像。频域成像的核心在于利用频率 - 波数域中的波动方程解 [28], [29]。对于均匀介质中的超声传播,频率 - 波数域中的波场可以使用垂向波数因子进行外推。波数算法首次应用于超声 FMC-TFM 成像,其中使用三维傅里叶变换和 Stolt 映射将成像时间比时域 TFM 减少了 94% [30]。

相移偏移(PSM)对声速变化更具适应性,并通过逐层相移处理多层介质 [31]。扩展相移偏移(EPSM)进一步提高了成像精度 [29]。然而,将稀疏阵列与频域成像结合面临以下挑战。首先,波数算法需要阵列元素的规则采样以进行三维快速傅里叶变换(FFT);稀疏化破坏了这个规则性,导致频谱估计误差。直接在稀疏数据上执行 FFT 会导致严重的频谱泄漏和混叠 [32]。另一方面,由于 PSM 本质上将每个发射器对应的二维数据视为独立处理单元,其计算结构自然表现出一定程度的稀疏性;然而,如何选择关键发射器以实现最佳成像性能仍是一个未解决的问题。在优化元素选择时,这些方法仅考虑单一模式下的信号响应特性,未能充分利用激光超声的宽带特性和多模态激发提供的丰富信息。因此,如何将融合宽带多模态信息的机制纳入频域稀疏成像框架——并利用不同带宽模式之间的互补信息以实现更精确的缺陷检测——是当前激光超声成像研究中亟待解决的关键问题。

时域和频域信息反映了缺陷的不同物理特性,两者本质上互补。时域信息包括声波传播时间、幅度包络和波形特征,对缺陷的几何位置和散射强度敏感;时域方差可以量化不同发射器激发的信号能量差异,反映缺陷的相对位置 [17]。频域信息包括频率成分、相位谱和衰减特性,对缺陷的尺寸、形状和材料属性敏感;频域方差可以量化不同接收通道之间的能量分布差异,反映缺陷的频率响应特性 [33]。

基于这些互补特性,本文构建了一个联合时频域方差特征函数,该函数通过加权求和结合时域和频域方差来评估每个发射器对图像的贡献。在此基础上,使用阵列中的最小冗余理论对 FMC 采集阵列进行稀疏选择,随后对选择矩阵捕获(SMC)数据进行实验验证。本文后续章节组织如下:第 2 节介绍非线性增强 PSM 成像和相位圆周统计向量(PCSV)相位加权的基本理论;第 3 节描述了基于联合时频域方差构建自适应稀疏阵列的方法;第 4 节展示了实验结果,以全面评估该方法的性能;第 5 节总结了全文并讨论了未来的研究方向。

章节片段
非线性增强 PSM
PSM 成像方法依赖于傅里叶变换,通过波场外推重建图像。与时域延迟求和算法不同,该方法不逐像素计算传播路径延迟,而是直接在每个深度层生成聚焦图像。

尽管完整的波场谱矩阵必须在每次深度迭代中乘以相位移矩阵——乍一看计算量很大——但计算机的高度
时间-频率方差联合分析

时域方差反映了接收信号在不同发射元件激励下随时间变化的能量波动程度。对于一个由 N 个发射元件和 N 个接收元件组成的线性阵列,FMC 数据集可以表示为所有发射-接收组合对应的 A 扫描信号的集合。设一个二维矩阵 ai 表示对应第 i 个发射元件的所有接收信号,其维度为 T × N,其中 T 是数

测试样件与实验

在 1060 铝合金样件上制备了两个不同尺寸、亚毫米级的人造缺陷——一个 0.3 mm 的 SDH 和一个 0.5 mm 的 SDH。样件的整体尺寸为 120 × 30 × 8 mm。0.3 mm SDH 在 z 方向的深度为 5.5 mm,0.5 mm SDH 在 z 方向的深度同样为 5.5 mm。样件详情见图 4。

本实验基于 FMC 方法,所有实验数据及随后构建的稀疏阵列均源自

结论

针对激光超声阵列检测中大数据量和低成像效率的问题,本文提出了一种基于时间-频率方差联合分析和最小冗余阵列约束的自适应稀疏成像方法。该方法将时域方差对缺陷几何位置和散射强度的敏感性,与频域方差表征缺陷尺寸、形状和材料特性的能力相结合,构建

CRediT 作者贡献声明

刘一一:写作——审阅与编辑、验证、方法论、调查研究、数据整理。

刘增华:写作——审阅与编辑、验证、资源、项目管理、调查研究、概念化。

刘小雨:验证、软件、调查研究。

王少然:验证、调查研究。

朱亚萍:验证、软件。

利益冲突声明

作者声明不存在可能影响本文研究工作的已知竞争性经济利益关系或个人关系。

致谢

本工作得到国家自然科学基金(编号:52675684)和国家重点研发计划(编号:2024YFB3214300)的资助。

刘一一 | 刘增华 | 刘小雨 | 王少然 | 朱亚萍
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