Page 47 - 无损检测2022年第三期

申 庆, 等:

加筋板智能导波损伤识别与评估

的结构健康监测 / 检测方法也逐渐兴起。基于传统
机器学习( ML ) 的导波检测方法通过人工提取损伤
特征来对导波数据进行分析处理。李锐华等 [ 7 ] 利用
数值模拟和试验方法采集导波信号, 分别从时域、 频
域和分形维数提取大型发电机定子的损伤特征参数
作为卷积神经网络( CNN ) 的输入, 实现了对不同典
型损伤的检测。徐亮 [ 8 ] 从回波信号中提取了 7 种损
伤因子, 分别从不同角度获取了疲劳裂纹的特征信
图 1 兰姆波的频散曲线
息, 并将其作为特征向量输入到 CNN 中进行训练,
实现了耳片结构的损伤检测。但该方法不 仅效率 立了不同程度的脱黏损伤样本模型, 并进行波形对
低、 人工成本高, 且对于某一确定结构而言不是最佳 比, 发现波的振幅和相位都发生了微弱的变化, 这些
方法, 更不能保证可表征其他结构中同样的特征, 而 微弱的差异正是损伤识别与评估的关键。

基于深度学习( DL ) 的方法能够自动提取损伤特征,
提高效率的同时, 也大大提升了检测精度。 CNN 作
为一种典型的 DL 网络, 具有特有的卷积层以及局
部连接权值共享和下采样的方式, 能够从信号中自
动抓取与损伤相关的特征, 被广泛应用于导波的损
伤检测中。 MELVILLE 等对薄金属板进行了全波
场扫描, 并将全波场扫描图像作为 CNN 的输入, 得
到的损伤检测精度约达 99% 。 ZARGAR 等 [ 9 ] 用高
速摄像机捕获的导波波场作为神经网络的输入进行
损伤检测。以上研究中, CNN 抓取的是导波传播过
程中由图像表现出来的特征, 并没有从本质上学习
到导波在结构中的传播规律, 且直接以导波时域数
据作为输入的研究较少。因此, 文章针对加筋板中
常见的脱黏损伤 [ 10 ] , 基于超声导波在板状结构中的
传播特性和其对结构中损伤的敏感特性, 结合卷积
神经网络的深度学习方法进行了识别和评估。
1 加筋板中导波的传播特性 图 2 不同损伤情况下加筋板同一接收点处的波形

1.1 模拟仿真研究 1.2 试验方法与结果分析
在应用导波进行损伤识别和评估时, 选择合适 T 型筋加筋板由 T 型筋黏接在底板上制成。底

的激发频率可以避免多模态 混叠, 提高检测效率。 板的尺寸( 长×宽×厚, 下同) 为400mm×400mm×

加筋板由 T 型筋和底板连接而成, 其材料均为 Al- 1mm , T 型筋由两个 L 型筋组成, 尺寸为 400mm×

·
5052 , 铝板板厚为 1mm , 密度为 2700k g m -3 , 杨 25mm×1mm 。试验使用压电片进行激励, 以中心

氏模量为70GPa , 泊松比为0.33 。兰姆波的频散曲 频率为 200kHz的 5 周期汉宁窗函数作为激励信
线如图 1 所示。为避免多模态的影响, 文章选择激 号; 使用多普勒激光测振仪( SLDV ) 采集 T 型筋加

励导波的中心频率为 100~200kHz 。 筋板中的导波回波数据, 获取了如图 3 所示的波形,
在进行试验前, 先使用有限元方法对 1 根 T 型 图中 1 为直达波, 2 , 3 , 4 为对主要信息造成干扰的
筋加筋板进行建模分析。以 A0 导波的离面位移作 边界反射波及来自黏接层的反射波的混叠。因为 T
为纵轴, 比较分析了不同损伤情况下加筋板同一接 型筋位于激发点和接收点之间, 若加筋板中存在损
收点处的波形( 见图 2 )。从图 2 可以看出, 由于脱 伤, 则接收到的直达波就已经包含了脱黏损伤的信
黏损伤的存在, 波的振幅和相位都发生了微弱的变 息; 此外, 仿真过程设置了低反射边界以减弱边界反
化。为进一步研究脱黏损伤对导波传播的影响, 建 射的影响, 所以 2 , 3 , 4 虽然包含了损伤信息, 但直达
3
1
2022 年 第 44 卷 第 3 期
无损检测