论文部分内容阅读
随着科学技术的进步,碳纤维复合材料在航空航天和军事工业领域、汽车工业领域、土木建筑领域、能源和电子等工业领域获得广泛的应用。但是,由于碳纤维复合材料会在制造过程中或者在使用过程中会形成各种形式的缺陷,这些缺陷的存在影响材料的各项性能指标,使碳纤维复合材料构件的应用受到一定的限制,导致整个结构件的报废,造成重大经济损失。因此,研究碳纤维复合材料中缺陷产生的原因以及对不同缺陷的检测与识别显得极为重要。近年来,超声相控阵技术以其灵活、便捷、高效的特点广泛应用在工业领域。本文针对碳纤维复合材料内部缺陷的检测方法展开深入的研究。首先利用仿真软件CIVA中的声场仿真模块与缺陷响应模块确定实验检测方案,在仿真中,根据实际情况,设定样本参数,包括样本的尺寸和属性;确定适合检测碳纤维复合材料内部缺陷的超声波声场特性,包括对超声探头的尺寸、中心频率的确定;为了更好的耦合性,添加楔块并对其选型。确定声场参数后,在缺陷响应模块中模拟缺陷,包括缺陷的大小、形状及位置,得到缺陷的成像效果,验证了实验方案的可行性。在CIVA仿真的基础上,利用超声相控阵系统检测碳纤维复合材料内部三种常见缺陷:分层、夹杂、脱粘,得到三种缺陷的A扫图与B扫图。分析三种缺陷信号的B扫图,可以初步判断缺陷类型,但是在未知缺陷的情况下不能准确获取缺陷类型信息。对原始A扫信号数据进行傅立叶变换得到频域特征,结合时频信号详细分析,三种缺陷没有显著差异,不能进行准确识别。本文针对上述问题进一步探索,提出了一种行之有效的方法,并在实验中得到验证。分析碳纤维复合材料中超声波波形信号可以发现,缺陷信号属于非平稳瞬态高频信号,而小波包分析针对这类型的信号有非常良好的处理效果,因此非常适用于本文研究的对象。对提取的原始A扫信号进行小波包分解与系数重构,提取特征值,构造特征向量。通过八个特征值识别三种缺陷,BP神经网络技术以其优越的非线性映射能力而被广泛应用在模式识别领域。构建三层BP神经网络,按照共轭梯度算法对网络进行训练,最后使用该网络对三种缺陷进行识别和分类,识别率达到95.7%。结果表明:利用超声相控阵技术可以提高缺陷检测效率,对缺陷有良好的成像效果;小波包分析与BP神经网络方法的结合有效的对碳纤维复合材料中三种常见缺陷进行了识别与分类,并且有较高的缺陷识别率。