Page 118 - 无损检测2022年第五期

院企风采

扫查图像中缺陷的提取与识别。

图 12 残余应力梯度检测模型
为 了 直 观 地分 析 位 移 信 息 结 果， 选 取了 图 15 基于机械手的多轴多通道超声自动化检测系统
COMSOL 的固体力学模块和压电模块的耦合物 开发了回转体构件内部微缺陷的自动化无损
理场进行仿真，建立了如图 13 所示的二维声场 检测技术，可用于外形直径为 600 mm，高度不
传播有限元模型。图 14 为不同频率下位移信号 大于 400 mm，壁厚不大于 100 mm 的回转体零
振幅（归一化）随槽深的变化曲线。 件的全尺寸超声自动化检测，可检出直径不大于
0.1 mm 当量平底孔的夹杂，表面裂纹类缺陷的
检测能力达 5 mm×0.1 mm×0.3 mm（长×宽
× 深）。系统样机已在药筒和含能材料结构件的
检测中得到了应用，具备可对回转体构件进行高
图 13 二维声场传播有限元模型 精度无损检测及三维成像的技术能力。

2.2 复合材料导波检测
复合材料具有比强度高、比刚度高、疲劳寿
命长等优点，是航空航天、舰艇和汽车等行业的
首选材料。然而，复合材料在制造和使用过程中
容易出现各种复杂而不明显的缺陷，如分层、孔洞、
基体开裂、纤维断裂等，严重影响复合材料的使
用寿命。为了保证复合材料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中
存在的缺陷。

超声导波具有传播距离远、检测范围广等优
点，目前已广泛应用于航空、航天以及民用装备
制造的无损检测领域。但是超声导波自身的多模
态特性和复合材料的各向异性，以及超声导波与
复合材料中缺陷的相互作用导致的导波模态转换，
使检测信号变得复杂不易分析。针对复合材料检
测中导波信号难以识别的问题，开展了基于机器
学习的复合材料缺陷检测导波信号智能识别方法
图 14 不同频率下位移信号振幅随槽深的变化曲线
研究，采用短时傅里叶变换将复合材料检测中健
2 机械手智能超声扫查及导波检测 康和缺陷的导波信号转换成时频图像，构建导波
信号时频图像数据集，基于 PyTorch 深度学习
2.1 机械手智能超声 C 扫查
框架搭建卷积神经网络模型，以导波信号时频图
针对特殊重要薄壁回转体构件的无损检测需
像为输入，以缺陷类别为输出。基于卷积神经网
求，研制了机械手多轴多通道超声自动化检测系 络进行图像自主特征提取和分类，利用卷积层自
统初样机（见图 15）。基于多种二维扫查成像技
动提取输入图像的特征，利用池化层对卷积运算
术和三维几何重构数字化建模技术，实现了特殊 得到的特征图像进行降维，将输入图像转换为高
重要构件内部的裂纹、气孔、夹杂等缺陷的有效
级特征图像，由全连接层使用高级特征图像完成
检测；基于图像处理自动缺陷判别技术，实现了
分类任务。该方法在测试集上对复合材料层合板
80
2022 年 第44 卷 第5 期
无损检测