Page 48 - 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

加筋板中兰姆波响应信号的特征取决于激发频
率、 激发点和接收点的位置、 损伤位置及损伤严重程

度。首先选取了 100 , 150 , 200kHz3 种激发频率,
利用有限元数值模拟 2 根 T 型筋加筋板的结构, 并
构造了不同大小的脱黏损伤。损伤识别数据库的组
成如表 1 所示( 为激发兰姆波的中心频率; A x 为
f

A 筋处存在的 x mm 的脱黏损伤; B y 为 B 筋处存

在的 y mm 的脱黏损伤)。每个损伤样本分别选取
图 3 T 型筋加筋板中的导波波形
10个接收点接收兰姆波响应, 无损样本则选择 30 个
波的信息是智能损伤检测的关键。 接收点接收兰姆波响应; 分别添加15~20dB ( 间隔为

2 兰姆波响应数据库 1dB ) 的高斯白噪声, 最终获得900个数据。
表 1 损伤识别数据库的组成 kHz
2.1 融合数据库的建立
无损伤 有损伤
首先通过仿真和试验的方法得到不同脱黏损伤
f=100 f=100 ( A15 , A20 , B20 )
样本的兰姆波信号, 接着对回波信号进行归一化、 加
f=150 f=150 ( A15 , A20 , B20 )
噪声以及小波变换( CWT ) 处理。归一化处理不仅 f=200 f=200 ( A15 , A20 , B20 )
可以对数据进行标准化, 还可以消除奇异样本数据
2.3 损伤定位数据库
的影响, 加快网络收敛; 添加随机噪声是一种数据增
加筋板中脱黏损伤的定位检测分为两步。首先
强方式, 其目的在于使数据具有可推广性和容错率;
判定损伤是在 A 筋还是 B 筋, 采集了不含损伤、 A
CWT 可以将兰姆波时域信号转换成时频谱。在获
筋含损伤、 B 筋含损伤 3 个仿真模型各 50 个点的响
得小波系数矩阵后将其保存为灰度图像, 作为损伤
应信号, 经预处理后得到 750 个数据; 其次确定损伤
样本数据。最后根据检测需求将不同的损伤样本数
在筋上的具体位置, 将 T 型筋划分为 4 个不同的区
据融合成用于训练 CNN 的数据库。融合数据库包
域( 见图 5 ), 通过在不同区域内置损伤对加筋板进
含3 个部分: 损伤识别数据库; 损伤定位数据库; 损
行仿真建模, 每个模型都采集了 50 个点的响应信
伤评估数据库。
号, x , 方向各取 25 个, 预处理后得到 1000 个仿
y
在将数据库用于训练 CNN 之前, 还需 对损伤
真数据。
样本数据做标签, 并以 7∶2∶1 的比例将其划分为训
练集、 验证集和测试集, 训练集用于优化网络模型,
验证集用于选择最优的网络模型, 测试集用于测试
最终神经网络模型的学习性能和迁移能力。
2.2 损伤识别数据库
T 型筋加筋板的几何模型如图4 所示, 模型尺
寸与试验 使 用 加 筋 板 的 尺 寸 一 致, 通 过 挖 空 一 个

20mm×2mm×1 mm ( 长 × 宽 × 高) 的长方 体 来

模拟长为 20mm 的脱黏损伤。 图 5 T 型筋区域划分示意
2.4 损伤评估数据库
损伤识别与定位检测过程中并未考虑损伤的大
小。在建立损 伤 评 估 数 据 库 时, 以 1 根 T 型 筋 为
例, 通过将铁氟龙胶带内置在 T 型筋和底板的黏接

处, 模拟了无损伤和含 20 , 30 , 40mm 的脱黏损伤,
并通过 SLDV 采集了 50 个点的兰姆波响应, 预处

理后获得 1000 个试验数据。最终将试验数据和仿
图 4 T 型筋加筋板的几何模型 真数据组合成损伤评估数据库。

4
1

2022 年 第 44 卷 第 3 期
无损检测