超声场可视化与CFRP的缺陷类型判别方法研究

• 作 者: 赵婉婷
• 出 处: 中国民航大学
• 发表日期: 2020年01期
• 关键词: 碳纤维复合材料 声场仿真 缺陷分类 超声信号 卷积神经网络

碳纤维复合材料(CFRP)在航空领域应用日益广泛,其在制造、服役过程中,易受工艺制作、疲劳冲击等因素影响而产生缺陷,降低复合材料结构件的安全性能。超声无损检测方法是CFRP缺陷检测中常用方法之一。在检测过程中,由于材质、形状等不同,对应的检测方案不同,超声场仿真可以模拟探伤方案,指导检测工作;在超声检测后,探伤结果的解读需要依赖专业知识及经验,实现缺陷自动分类可以辅助检测结果判读。本课题研究了基础的超声场可视化以及CFRP缺陷类型自动判别的方法。首先分析超声的反射、折射系数与检测入射角的关系;基于多元高斯声束模型仿真探头的辐射声场、聚焦声场,分析探头频率、尺寸及界面形状对辐射声场的影响。其次,对CFRP进行超声检测,构建卷积神经网络(CNN)模型实现CFRP的缺陷类型自动判别。构建的一维CNN模型采用多个卷积块同时进行特征提取,增强提取特征的多样性;将一维残差单元堆叠,简化网络的训练;并利用贝叶斯优化算法优选网络模型的超参数(学习率及随机梯度下降动量参数)。考虑到实际检测时噪声对超声信号的干扰,改进一维CNN模型,引入扩张卷积,构建多尺度网络结构。最后基于构建的缺陷自动分类模型,设计了缺陷分类的交互界面,方便数据集更新以及缺陷分类模型的训练和测试。通过对超声场仿真,分析超声检测时探头参数及界面形状对声场分布的影响,说明了超声场可视化可以指导检测方案的设计。在CFRP缺陷分类方面,构建了超声A-Scan信号数据集,利用提出的一维CNN模型实现分层、气孔及无缺陷的自动分类,通过实验可知,所提出方法的评价指标整体优于对比方法;改进后的CNN模型对有噪声干扰的超声A-Scan信号同样具有识别能力,并且在不同噪声强度下,对信号的分类准确率高于改进前的网络模型。