复合材料弯板缺陷识别方法、系统及可读存储介质

1.本发明属于复合材料结构损伤检测技术领域，具体涉及一种复合材料弯板缺陷识别方法、系统及可读存储介质。


背景技术：

2.复合材料由于具有比强度高、比刚度高、设计柔性强、阻尼性能好等优点，正在成为航空航天、舰艇和汽车等行业的首选材料。特别地，在航空航天结构件中，复杂形状的复合材料构件如复合材料弯板正逐步代替传统金属材料构件。
3.然而，复合材料弯板在折弯区域容易受到应力集中、疲劳载荷等因素的影响，进而在折弯区域产生如分层、孔洞、基体开裂等缺陷。这些缺陷会严重影响复合材料弯板的强度、刚度和使用寿命，甚至导致复合材料结构的灾难性失效。因此，为了保证复合材料弯板在实际工程结构中的安全可靠运行，必须及时识别和量化复合材料弯板中存在的这些缺陷。但对复合材料弯板的折弯区域进行缺陷检测时，盲区多，分辨困难，这给复合材料弯板折弯区域的缺陷检测带来了很大的困难。


技术实现要素：

4.有鉴于此，本发明提供了一种复合材料弯板缺陷识别方法，该方法基于机器学习与超声导波技术，能够对复合材料弯板折弯区域的缺陷进行快速准确地识别。
5.为实现上述目的，本发明采用的具体方案如下：
6.复合材料弯板缺陷识别方法，包括以下步骤：
7.步骤一：制作复合材料弯板试样，所述复合材料弯板试样折弯处存在健康区域以及两个以上不同的缺陷区域；
8.步骤二：采集所述复合材料弯板试样折弯处的健康区域以及缺陷处区域的超声导波信号，并对所述健康区域和所述缺陷区域的超声导波信号分别给定标签；
9.步骤三：将步骤二中所述超声导波信号转化为对应的时频图像；
10.步骤四：基于步骤三中的时频图像，构建卷积神经网络模型；
11.步骤五：将步骤三所述时频图像作为步骤四中卷积神经网络模型的输入，步骤二中对应的所述标签作为输出，对所述卷积神经网络模型进行训练，获得复合材料弯板缺陷识别模型；
12.步骤六：将待测复合材料弯板的超声导波信号对应的时频图像输入至步骤五中复合材料弯板缺陷识别模型，依据所述复合材料弯板缺陷识别模型输出的标签对复合材料弯板缺陷识别。
13.进一步地，步骤三采用的是短时傅里叶变换方法中的hamming窗函数对所述超声导波信号进行截取，获得所述超声导波信号的时频图像。
14.进一步地，步骤四中的所述卷积神经网络模型包括三个卷积层、三个池化层和三个全连接层。
15.进一步地，步骤三中所述超声导波信号的时频图像数据被划分为训练集与测试集；
16.所述训练集在步骤五中被用于卷积神经网络模型的训练；
17.所述测试集用于对步骤五中的复合材料弯板缺陷识别模型进行验证。
18.进一步地，步骤五对所述卷积神经网络模型进行训练时采用批标准化方法。
19.进一步地，步骤二采集所述复合材料弯板试样折弯处的健康区域和缺陷区域的超声导波信号时，激励换能器与接收换能器分别设置在所述复合材料弯板试样的两平面上，并且所述缺陷区域与所述健康区域位于所述激励换能器与所述接收换能器之间。
20.进一步地，步骤二采集所述复合材料弯板试样折弯处的健康区域和缺陷区域的超声导波信号时，通过改变耦合条件进行多次采集。
21.进一步地，步骤一中在所述复合材料弯板试样中设置两个以上不同类型和/或两个以上同一类型不同尺寸的缺陷。
22.而且，本发明还提供一种复合材料弯板缺陷识别系统，该复合材料弯板缺陷识别系统采集到复合材料折弯处的超声导波信号后，能自动判别超声导波信号对应的缺陷情况，其采用的具体技术方案如下：
23.一种复合材料弯板缺陷识别系统，包括：
24.数据采集模块：用于采集复合材料弯板在折弯处的超声导波信号，并发送给时频图像生成模块；
25.时频图像生成模块：用于将所述超声导波信号生成对应的时频图像，并发送给缺陷识别模块；
26.缺陷识别模块：内部预设有复合材料弯板缺陷识别模型；将接收到的所述时频图像输入复合材料弯板缺陷识别模型，根据复合材料弯板缺陷识别模型的输出对所述复合材料弯板折弯处缺陷进行识别。
27.此外，本发明还提供一种可读存储介质，在该存储介质上存储有计算机程序，该计算机程序被执行时执行上述的复合材料弯板缺陷识别方法的步骤。
28.有益效果：
29.(1)本发明的复合材料弯板缺陷识别方法，基于机器学习和超声导波技术，将一维的超声导波信号转化成二维的时频图像，并利用神经网络对时频图像进行特征提取和分类，得到复合材料弯板缺陷识别模型，进而能够通过该复合材料弯板缺陷识别模型对复合材料弯板缺陷进行自动、快速、准确地识别。
30.(2)本发明的复合材料弯板缺陷识别方法，采用短时傅里叶变换中的hamming窗函数对采集到的复合材料弯板超声导波信号进行处理，得到二维时频图像，分辨率高。
31.(3)本发明的复合材料弯板缺陷识别方法，构建了一个包含输入层、三个卷积层、三个池化层、三个全连接层、一个输出层总共十一层的卷积神经网络模型，网络层数的增加有助于提升网络性能，增强了复合材料弯板缺陷模型对缺陷的识别速度与准确度。
32.(4)本发明的复合材料弯板缺陷识别方法，采集复合材料弯板试样折弯处的健康区域和缺陷处的超声导波信号时，激励换能器与接收换能器分别设置在复合材料弯板试样的两个不同平面上，并且缺陷区域与健康区域位于激励换能器与接收换能器之间，从而每次可以对两换能器之间导波传播路径上的整个区域(而不是局限于折弯区域)进行检测，检
测效率高。
33.(5)本发明的复合材料弯板缺陷识别方法，在复合材料弯板的折弯处设置了不同种类与不同尺寸的缺陷，使复合材料弯板缺陷识别模型既能定性也能定量识别复合材料折弯处的缺陷。
34.(6)本发明的复合材料弯板缺陷识别系统，包括数据采集模块、时频图像生成模块以及缺陷识别模块，通过该系统能够方便地对复合材料弯板折弯处缺陷进行自动、快速、高效与准确地识别。
附图说明
35.图1为本发明实施例一提供的基于机器学习和超声导波的复合材料弯板缺陷智能识别方法的流程图；
36.图2为本发明实施例二提供的复合材料弯板试样的结构示意图，其中，(a)为分层缺陷试样，(b)为平底孔缺陷试样；
37.图3为本发明实施例二提供的卷积神经网络模型的结构示意图；
38.图4为本发明实施例二对复合材料弯板试样折弯区域进行超声导波信号采集时换能器的安装位置的示意图。
具体实施方式
39.下面结合附图并举实施例，对本发明进行详细描述。
40.实施例一：
41.超声导波具有传播距离远、检测效率高等优点，广泛应用于板状结构缺陷的检测。超声导波在传播路径上遇到缺陷时，会发生散射、反射等现象，进而引起导波信号形状和能量的异常变化，通过异常信号的特征可以判断缺陷的类型、位置和尺寸。但是，若使用超声导波进行复合材料弯板缺陷检测时，导波信号的频散和复杂的模态转换现象、复合材料的各向异性以及弯板弯曲区域导波信号的反射和散射，造成弯板缺陷检测时导波信号难以分析，无法准确地对缺陷进行识别。
42.本实施例提供了一种基于机器学习和超声导波的复合材料弯板缺陷智能识别方法，该方法首先对导波信号进行采集，接着利用短时傅里叶变换将一维导波信号转换为二维时频图像，然后设计卷积神经网络模型，并利用时频图像和标签训练卷积神经网络，基于卷积神经网络进行缺陷自主特征提取和分类，最后，采用训练好的卷积神经网络对缺陷进行预测，实现缺陷准确识别。
43.复合材料弯板缺陷识别方法的流程图如图1所示，具体地，包括以下步骤：
44.步骤一：制作复合材料弯板试样，该复合材料弯板试样折弯处存在健康区域以及两个以上不同的缺陷区域；
45.步骤二：采集复合材料弯板试样折弯处的健康区域以及缺陷区域的超声导波信号，并对健康区域和缺陷区域的超声导波信号分别给定标签；
46.步骤三：将步骤二中的超声导波信号转化为对应的时频图像；
47.步骤四：基于步骤三中的时频图像，构建卷积神经网络模型；
48.步骤五：将步骤三中的时频图像作为步骤四中卷积神经网络模型的输入，步骤二
中对应的标签作为输出，对卷积神经网络模型进行训练，获得复合材料弯板缺陷识别模型；
49.步骤六：将待测复合材料弯板的超声导波信号对应的时频图像输入至复合材料弯板缺陷识别模型，依据复合材料弯板缺陷识别模型输出的标签对复合材料弯板缺陷进行识别。
50.实施例二：
51.在上述实施例一的基础上，本实施例提供了一种针对某具体的复合材料弯板折弯处的缺陷的识别方法。
52.步骤a：
53.制作复合材料弯板试样，并在复合材料弯板试样中设置两个以上不同类型和/或两个以上同一类型不同尺寸的缺陷。如图2(a)、(b)所示，制作了两个复合材料弯板试样，两个复合材料弯板试样的层数为16层，每层厚度为0.1875mm，材料为m55j碳纤维预浸料，铺层顺序为[(0
°
/45
°
/90
°
/-45
°
)2]s，且这两个复合材料弯板试样中的两平板尺寸均为长度300mm
×
宽度300mm
×
厚度3mm，其中，图2(a)、(b)中的复合材料弯板试样折弯区域分别依次预制了分层缺陷和平底孔缺陷，分层缺陷是通过在复合材料弯板试样折弯区域的二分之一厚度处预埋直径分别为φ6mm，φ10mm，φ15mm，厚度为0.1mm的聚四氟乙烯进行模拟，平底孔缺陷的直径分别为φ2mm，φ7mm，φ10mm，深度均为1.5mm。
[0054]
步骤b：
[0055]
获取复合材料弯板试样折弯处的健康区域和缺陷区域的超声导波信号，并给定对应标签。
[0056]
以获取健康区域的超声导波信号为例，在复合材料弯板试样折弯处的健康区域一侧激励导波，另一侧采集导波信号，获取对应的超声导波信号。采用上述相同的方式获取缺陷区域的超声导波信号。
[0057]
如图3所示，采集复合材料弯板试样折弯处的超声导波信号时，激励换能器在复合材料弯板试样折弯处的一个健康区域和三个缺陷区域(包括分层缺陷与平底孔缺陷)一侧激励超声导波，接收换能器在另一侧采集超声导波信号，更具体地，激励信号为5周期正弦波，中心频率为5mhz，更具体地，如图3所示，两换能器(激励换能器与接收换能器)之间超声导波传播距离为100mm，而且缺陷区域与健康区域位于超声导波传递路径的中间50mm处，而且，这三个缺陷区域与这一个健康区域均通过改变耦合条件来采集200次超声导波信号，如此，在每个试样上共获取800个超声导波信号。每个复合材料弯板试样上健康区域和三个缺陷区域的超声导波信号标签分别设置为0，1，2，3，以分层缺陷为例，0：健康，1：φ6分层缺陷，2：φ10分层缺陷，3：φ15分层缺陷。
[0058]
步骤c：
[0059]
利用短时傅里叶变换方法对设置有标签的超声导波信号进行处理，获取超声导波信号对应的时频图像。
[0060]
在本实施例中，对于一个能量有限的时域信号x(t)，在傅里叶变换的基础上，加载一个短时间的窗函数h(t)，随着窗函数的移动，对每个窗函数内的时域信号进行傅里叶变换，得到短时傅里叶变换结果。为了使分辨率达到最好，采用hamming窗函数对超声导波信号进行截取，然后进行快速傅里叶变换，从左向右滑动窗函数，依次进行快速傅里叶变换，最终将每一段超声导波信号的快速傅里叶变换转换成一个二维时频图像，每个时频图像的
原始尺寸为875
×
656
×
3(宽
×
高
×
通道数)，为减少机器学习算法的计算成本，调整图像大小并进行中心裁剪，裁剪后尺寸为46
×
46
×
3。
[0061]
利用短时傅里叶变换对超声导波信号进行处理，将一维导波信号转换成二维时频图像，可以同时获取时间和频率信息，与单独的时域分析和频域分析相比，短时傅里叶变换方法可以同时描述时间和频率两个尺度的能量变化，从而在时域和频域表征信号的局部特征，有助于挖掘超声导波信号中的缺陷信息。
[0062]
步骤d：
[0063]
基于步骤c中的时频图像构建卷积神经网络模型，具体地，根据输入图像特点在pytorch深度学习框架上构建卷积神经网络模型，该模型由一个输入层、三个卷积层、三个池化层、三个全连接层与一个输出层组成，如图4所示。该卷积神经网络模型基于经典的lenet-5模型构建，然而，lenet-5模型存在收敛速度慢、计算效率低、泛化能力弱、分类精度低等问题，为此，该卷积神经网络模型采取了以下方式进行改进：
[0064]
1)lenet-5的输入层图像尺寸为32
×
32的黑白图像，该卷积神经网络模型采用46
×
46
×
3的彩色图像，相比黑白图像，彩色图像能够提供更多的信息；
[0065]
2)lenet-5卷积核大小为5
×
5，该卷积神经网络模型采用了3
×
3的卷积核，并增加了卷积核数量，使用更小、数量更多的卷积核有助于更好地提取特征；
[0066]
3)将网络层数从8层增加到11层，网络层数的增加有助于提升网络性能；
[0067]
4)在卷积层后使用了批标准化层，批标准化层可以加快网络收敛速度，提高网络泛化能力；
[0068]
5)使用relu激活函数代替了sigmoid激活函数，relu激活函数可以有效缓解梯度消失问题，提高计算速度。
[0069]
步骤e：
[0070]
将步骤c中的时频图像作为步骤d中卷积神经网络模型的输入，步骤b中对应的标签作为输出，对卷积神经网络模型进行训练，获得复合材料弯板缺陷识别模型。具体地，将处理后(如数据清洗和数据的特征缩放)的超声导波信号数据划分成训练集和测试集，训练集的比例为70％，测试集的比例为30％，使用训练集的时频图像和对应的标签对卷积神经网络模型进行训练，并且，采用批标准化方法以加快训练速度以及提高复合材料弯板缺陷识别模型精度，随机初始化卷积神经网络权重，并使用adam优化器进行计算，待卷积神经网络收敛后获得复合材料弯板缺陷识别模型。然后用测试集对复合材料弯板缺陷识别模型进行验证，测试集上的误差作为最终模型在应对现实场景中的泛化误差。(有了测试集，我们想要验证模型的最终效果，只需将训练好的模型在测试集上计算误差，即可认为此误差即为泛化误差的近似，我们只需让我们训练好的模型在测试集上的误差最小即可。)
[0071]
步骤f：
[0072]
将待测的碳纤维复合材料弯板中超声导波对应的时频图像输入到步骤e中复合材料弯板缺陷识别模型，依据复合材料弯板缺陷识别模型输出的标签对复合材料弯板折弯处缺陷进行识别。值得注意的是，若实际试样的缺陷不同于试样上φ6分层缺陷、φ10分层缺陷以及φ15分层缺陷，则复合材料弯板缺陷识别模型根据实际缺陷与φ6分层缺陷、φ10分层缺陷以及φ15分层缺陷中某缺陷最接近，则将其归类到该缺陷中。
[0073]
具体地，对于训练完成的复合材料弯板缺陷识别模型，将测试集中超声导波对应
的时频图像作为输入，复合材料弯板缺陷识别模型自动进行计算输出相应的标签，输出的不同标签代表不同的缺陷，以分层缺陷为例，0：健康，1：φ6分层缺陷，2：φ10分层缺陷，3：φ15分层缺陷，由此即可给出缺陷识别结果。
[0074]
本实施例提供了2组可供处理的实验数据，包含了2种不同类型的缺陷。在对每个试样的数据进行上述步骤后，这两个复合材料弯板试样的缺陷识别结果如表1所示。
[0075]
表1复合材料弯板试样缺陷识别结果
[0076][0077]
可以看出，在两个试样上获得了99.2％以上的准确率，实现了复合材料弯板缺陷的准确识别，验证了本方法的有效性。
[0078]
该复合材料弯板缺陷识别方法，利用卷积神经网络对时频图像进行特征提取和分类，卷积神经网络具有卓越的图像识别和分类能力，采用卷积神经网络对图像特征自动提取，克服了人工特征提取不准确、过程繁琐等不足，可以有效提取导波信号时频图像中的缺陷相关特征，提高缺陷识别准确性。而且，通过短时傅里叶变换将一维导波信号转换为二维时频图像，利用卷积神经网络自动提取时频图中的缺陷相关特征，并自动完成缺陷的分类，使得本方法不再依赖于人工判别。
[0079]
实施例三：
[0080]
在上述实施例一与实施例二的基础上，本实施例提供了一种复合材料弯板缺陷识别系统，该系统包括：
[0081]
数据采集模块：用于采集复合材料弯板在折弯处的超声导波信号，并发送给时频图像生成模块；
[0082]
时频图像生成模块：用于将超声导波信号生成对应的时频图像，并发送给缺陷识别模块；
[0083]
缺陷识别模块：内部预设有复合材料弯板缺陷识别模型；将接收到的时频图像输入复合材料弯板缺陷识别模型，根据复合材料弯板缺陷识别模型的输出对复合材料弯板折弯处的缺陷进行识别。
[0084]
实施例四：
[0085]
在上述实施例一的基础上，本实施例提供一种可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时可以实现实施例一中的方法的步骤。
[0086]
综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。