CN110286155B - 一种多层复合材料的损伤检测方法及系统 - Google Patents
一种多层复合材料的损伤检测方法及系统 Download PDFInfo
- Publication number
- CN110286155B CN110286155B CN201910634962.5A CN201910634962A CN110286155B CN 110286155 B CN110286155 B CN 110286155B CN 201910634962 A CN201910634962 A CN 201910634962A CN 110286155 B CN110286155 B CN 110286155B
- Authority
- CN
- China
- Prior art keywords
- ultrasonic
- signal
- damage
- parameters
- composite material
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
- G01N29/043—Analysing solids in the interior, e.g. by shear waves
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4445—Classification of defects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4481—Neural networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/02—Indexing codes associated with the analysed material
- G01N2291/023—Solids
- G01N2291/0231—Composite or layered materials
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/04—Wave modes and trajectories
- G01N2291/044—Internal reflections (echoes), e.g. on walls or defects
Abstract
本发明公开一种多层复合材料的损伤检测方法及系统。该方法包括:获取待测复合材料的材料参数;获取待测复合材料的超声反射信号和超声透射信号;超声反射信号为超声波检测仪器上探头采集的信号,超声透射信号为超声波检测仪器下探头采集的信号;采用改进的匹配追踪法对超声反射信号和超声透射信号进行匹配追踪分解,得到超声反射信号的特征信息和超声透射信号的特征信息;根据待测复合材料的材料参数、超声反射信号的特征信息和超声透射信号的特征信息,采用BP神经网络模型得到待测复合材料的损伤层参数;根据损伤层参数确定待测复合材料损伤的深度和厚度。本发明可以提高损伤检测的效率和精度。
Description
技术领域
本发明涉及复合材料检测领域,特别是涉及一种多层复合材料的损伤检测方法及系统。
背景技术
近年来随着复合材料的广泛应用,为了保证材料的安全性和可靠性,针对复合材料的无损检测方法也渐渐得到了人们广泛的关注。与传统各项同性的均质金属材料不同的是,复合材料因为实际工作需求和制备条件限制而存在“层”的概念。然而在复合材料的制备和使用中,围绕“层”结构的特点,不可避免的出现各种缺陷:层内缺陷如材料变性、厚度不均等,层间缺陷如脱粘等。这些问题都可能会使材料强度达不到预期或造成材料局部失稳。所以在检测过程中,如何准确快速地获得材料内部缺陷的位置、大小和形状从而保证材料的可靠性一直都是人们所不断追求的目标。常见的复合材料无损检测方法包括:超声检测、涡流检测、射线检测等等。传统对于复合材料层内和层间缺陷的检测大多使用超声波脉冲反射法,这种方法可以一定程度的获取到缺陷损伤的位置、深度、甚至大小等信息,但效率较低、灵敏度差,尤其对于沿深度方向的多层损伤的判断能力相对有限。
发明内容
本发明的目的是提供一种多层复合材料的损伤检测方法及系统,以提高损伤检测的效率和精度。
为实现上述目的,本发明提供了如下方案:
一种多层复合材料的损伤检测方法,包括:
获取待测复合材料的材料参数;所述材料参数包括总厚度、单层厚度、弹性模量和密度;
获取所述待测复合材料的超声反射信号和超声透射信号;所述超声反射信号为超声波检测仪器上探头采集的信号,所述超声透射信号为所述超声波检测仪器下探头采集的信号;
采用改进的匹配追踪法对所述超声反射信号和所述超声透射信号进行匹配追踪分解,得到所述超声反射信号的特征信息和所述超声透射信号的特征信息;所述特征信息包括原子序列和相关系数序列;
根据所述待测复合材料的材料参数、所述超声反射信号的特征信息和所述超声透射信号的特征信息,采用BP神经网络模型得到所述待测复合材料的损伤层参数;所述损伤层参数包括损伤层的深度参数、厚度参数和损伤程度参数;
根据所述损伤层参数确定所述待测复合材料损伤的深度和厚度。
可选的,所述采用改进的匹配追踪法对所述超声反射信号和所述超声透射信号进行匹配追踪分解,得到所述超声反射信号的特征信息和所述超声透射信号的特征信息,具体包括:
获取所述超声波检测仪器的输入信号对应的波形字典;所述波形字典包括多个原子;
获取当前迭代次数的超声信号的残差;所述超声信号为所述超声反射信号或所述超声透射信号;
将所述波型字典中的所有元素分别与当前迭代次数的所述超声信号的残差进行内积,得到每个元素对应的内积;
将内积最大值对应的元素确定为第一原子;
将内积最大值确定为第一相关系数;
将残差减去所述残差在第一原子上的投影,得到更新后的超声信号的残差;
迭代次数加一,返回将所述波型字典中的所有元素分别与当前迭代次数的所述超声信号的残差进行内积,得到每个元素对应的内积的步骤,进入下一次迭代;
当迭代次数到达设定最大迭代次数时,得到所有迭代次数对应的所有第一原子和所有第一相关系数;
将所有第一原子组成的序列确定为所述超声信号对应的原子序列;
将所有第一相关系数组成的序列确定为所述超声信号对应的相关系数序列。
可选的,所述获取所述超声波检测仪器的输入信号对应的波形字典,之前还包括:
根据所述待测复合材料的材料参数,构建所述待测复合材料的有限元模型;
在所述有限元模型中,建立不同损伤层参数的损伤;
获取所述超声波检测仪器的输入信号函数;
将所述超声波检测仪器的输入信号函数进行平移、相位变换和叠加,得到初始原子;
将所述初始原子做归一化处理,得到波形字典中的原子;
在第一设定范围内遍历平移因子,在第二设定范围内遍历相位因子,得到所有的原子;所述第一设定范围为[0,T],T为所述超声波检测仪器采集信号的长度,所述第二设定范围为{0,π};
将所有原子构成的集合确定为所述输入信号对应的波形字典。
可选的,所述根据所述待测复合材料的材料参数、所述超声反射信号的特征信息和所述超声透射信号的特征信息,采用BP神经网络模型得到所述待测复合材料的损伤层参数,之前还包括:
根据所述有限元模型中不同损伤对应的损伤层参数构建损伤数据库;
构建初始BP神经网络模型;所述初始BP神经网络模型的输入层包括材料层参数、材料属性参数和损伤层参数,所述初始BP神经网络模型的输出层包括损伤层的深度参数、厚度参数和损伤程度参数;
根据所述损伤数据库对所述初始BP神经网络模型进行训练,得到训练后的BP神经网络模型。
本发明还提供一种多层复合材料的损伤检测系统,包括:
材料参数获取模块,用于获取待测复合材料的材料参数;所述材料参数包括总厚度、单层厚度、弹性模量和密度;
超声信号获取模块,用于获取所述待测复合材料的超声反射信号和超声透射信号;所述超声反射信号为超声波检测仪器上探头采集的信号,所述超声透射信号为所述超声波检测仪器下探头采集的信号;
匹配追踪分解模块,用于采用改进的匹配追踪法对所述超声反射信号和所述超声透射信号进行匹配追踪分解,得到所述超声反射信号的特征信息和所述超声透射信号的特征信息;所述特征信息包括原子序列和相关系数序列;
损伤检测模块,用于根据所述待测复合材料的材料参数、所述超声反射信号的特征信息和所述超声透射信号的特征信息,采用BP神经网络模型得到所述待测复合材料的损伤层参数;所述损伤层参数包括损伤层的深度参数、厚度参数和损伤程度参数;
损伤参数确定模块,用于根据所述损伤层参数确定所述待测复合材料损伤的深度和厚度。
可选的,所述匹配追踪分解模块具体包括:
波形字典获取单元,用于获取所述超声波检测仪器的输入信号对应的波形字典;所述波形字典包括多个原子;
残差获取单元,用于获取当前迭代次数的超声信号的残差;所述超声信号为所述超声反射信号或所述超声透射信号;
内积计算单元,用于将所述波型字典中的所有元素分别与当前迭代次数的所述超声信号的残差进行内积,得到每个元素对应的内积;
第一原子确定单元,用于将内积最大值对应的元素确定为第一原子;
第一相关系数确定单元,用于将内积最大值确定为第一相关系数;
残差更新单元,用于将残差减去所述残差在第一原子上的投影,得到更新后的超声信号的残差;
迭代单元,用于将迭代次数加一,返回将所述波型字典中的所有元素分别与当前迭代次数的所述超声信号的残差进行内积,得到每个元素对应的内积的步骤,进入下一次迭代;当迭代次数到达设定最大迭代次数时,得到所有迭代次数对应的所有第一原子和所有第一相关系数;
原子序列确定单元,用于将所有第一原子组成的序列确定为所述超声信号对应的原子序列;
相关系数序列确定单元,用于将所有第一相关系数组成的序列确定为所述超声信号对应的相关系数序列。
可选的,还包括:
有限元模型构建单元,用于在获取所述超声波检测仪器的输入信号对应的波形字典之前,根据所述待测复合材料的材料参数,构建所述待测复合材料的有限元模型;
损伤建立单元,用于在所述有限元模型中,建立不同损伤层参数的损伤;
输入信号获取单元,用于获取所述超声波检测仪器的输入信号函数;
初始原子计算单元,用于将所述超声波检测仪器的输入信号函数进行平移、相位变换和叠加,得到初始原子;
归一化单元,用于将所述初始原子做归一化处理,得到波形字典中的原子;
遍历单元,用于在第一设定范围内遍历平移因子,在第二设定范围内遍历相位因子,得到所有的原子;所述第一设定范围为[0,T],T为所述超声波检测仪器采集信号的长度,所述第二设定范围为{0,π};
波形字典确定单元,用于将所有原子构成的集合确定为所述输入信号对应的波形字典。
可选的,还包括:
损伤数据库构建模块,用于在根据所述待测复合材料的材料参数、所述超声反射信号的特征信息和所述超声透射信号的特征信息,采用BP神经网络模型得到所述待测复合材料的损伤层参数之前,根据所述有限元模型中不同损伤对应的损伤层参数构建损伤数据库;
初始BP神经网络模型构建模块,用于构建初始BP神经网络模型;所述初始BP神经网络模型的输入层包括材料层参数、材料属性参数和损伤层参数,所述初始BP神经网络模型的输出层包括损伤层的深度参数、厚度参数和损伤程度参数;
训练模块,用于根据所述损伤数据库对所述初始BP神经网络模型进行训练,得到训练后的BP神经网络模型。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明为多层复合材料内部损伤的超声检测方法,不仅采集超声反射信号,还采集超声透射信号,同时分析结构损伤情况。同时本检测方法在信号处理时着重关注了信号的相位问题,用以还原多层材料内部的缺陷情况,损伤定位误差小,还原精度高。
传统的匹配追踪法进行原子与采集信号的匹配过程中需要将单个波形字典中的原子向量与信号向量做内积寻找绝对值最大的原子获得匹配,这种方法对于超声信号处理过程中会一定程度忽略信号相位差带来的影响,本发明由于需要着重关注超声波在多层复合材料中传播时由于界面反射带来的相位变化,即声波由波疏介质入射到波密介质时反射波产生的波函数相位差或称相位跃迁,所以在匹配追踪的原子字典时需要包含相位为0以及相位为π的两种原子。同时采用改进的匹配追踪处理方法即在匹配过程中寻找最佳匹配原子时的原子向量与信号向量做内积寻找绝对值最大的过程变更为寻找原子向量与信号向量的内积最大值。在此基础上改进后算法得到的相关系数的正负即代表了相位是否存在改变,可以直观表征出超声信号在试样内部的传播产生的变化,使得损伤定位更加精确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明多层复合材料的损伤检测方法的流程示意图;
图2为本发明多层复合材料的损伤检测方法中超声波检测仪器的探头示意图;
图3为本发明多层复合材料的损伤检测系统的结构示意图;
图4为本发明具体实施案例的超声信号采集示意图;
图5为本发明具体实施案例的超声波检测仪器上探头采集的超声反射信号示意图;
图6为本发明具体实施案例的超声波检测仪器下探头采集的超声反射信号示意图;
图7为本发明具体实施案例的超声反射信号处理后的特征信号;
图8为本发明具体实施案例的超声透射信号处理后的特征信号。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明多层复合材料的损伤检测方法的流程示意图。如图1所示,所述损伤检测方法包括以下步骤:
步骤100:获取待测复合材料的材料参数。所述材料参数包括总厚度、单层厚度、弹性模量和密度。待测复合材料的材料参数为实际测量的参数。
步骤200:获取待测复合材料的超声反射信号和超声透射信号。所述超声反射信号为超声波检测仪器上探头采集的信号,所述超声透射信号为所述超声波检测仪器下探头采集的信号。采用超声波检测仪器对待测复合材料进行超声检测,图2为本发明多层复合材料的损伤检测方法中超声波检测仪器的探头示意图,如图2所示,探头1为上探头,探头2位下探头,上探头输入波形信号U0(t),其中,A为电压比例系数,fc为信号的中心频率,N为周期数。使用U0(t)作为上探头的输入信号对带有缺陷的复合材料进行超声检测,通过上探头采集到长度为T的超声反射信号U1(t),同时通过下探头采集到长度为T的超声透射信号U2(t)。
步骤300:采用改进的匹配追踪法对超声反射信号和超声透射信号进行匹配追踪分解,得到超声反射信号的特征信息和超声透射信号的特征信息。所述特征信息包括原子序列和相关系数序列。具体的,匹配追踪分解过程如下:
(1)获取所述超声波检测仪器的输入信号对应的波形字典D;所述波形字典包括多个原子。
(2)获取当前迭代的超声信号U(t)的残差rn;所述超声信号U(t)为超声反射信号U1(t)或超声透射信号U2(t),初始残差r1=U(t)。
(3)将波型字典D中的所有元素分别与超声信号的残差rn进行内积,得到每个元素ei对应的内积。
(4)将内积最大值对应的元素确定为第一原子dn,dn=ei|<rn,ei>max。
(5)将内积最大值确定为第一相关系数cn。
(6)将残差减去残差在第一原子上的投影,得到更新后的超声信号的残差,即rn+1=rn-<rn,dn>dn。
(7)迭代次数加一。将rn+1作为下一次迭代n+1的残差,迭代步骤(2)-(7),进入下一次迭代。当迭代次数到达设定最大迭代次数k时,得到所有迭代次数对应的所有第一原子d1,d2,……,dn,……,dk和所有第一相关系数c1,c2,……,cn,……,ck。
(8)将所有第一原子组成的序列d1,d2,……,dn,……,dk确定为所述超声信号对应的原子序列d。
(9)将所有第一相关系数组成的序列c1,c2,……,cn,……,ck确定为所述超声信号对应的相关系数序列c。
超声反射信号和超声透射信号进行匹配追踪分解的过程一致,此处采用超声信号U(t)表示超声反射信号U1(t)和超声透射信号U2(t),对超声反射信号U1(t)进行匹配追踪分解时,将U(t)替换为U1(t)即可得到超声反射信号对应的原子序列dI和相关系数序列cI;对超声透射信号U2(t)进行匹配追踪分解时,将U(t)替换为U2(t)即可得到超声透射信号对应的原子序列dII和相关系数序列cII。
关于步骤(1)中波形字典D的构建过程如下:
Step1:根据所述待测复合材料的材料参数,构建所述待测复合材料的有限元模型。材料参数包括:待测复合材料的总厚度为H、单层厚度为h、弹性模量为E、泊松比为υ、密度为ρ。
Step2:在所述有限元模型中,建立不同损伤层参数的损伤。损伤层参数包括:损伤厚度b、损伤深度h0和损伤程度β,β为损伤层与完好层的弹性模量之比。
Step3:获取所述超声波检测仪器的输入信号U0(t)。
Step5:将所述初始原子做归一化处理,得到波形字典中的原子g(t),∫|g(t)|2dt=1。
Step7:将所有原子构成的集合确定为所述输入信号对应的波形字典D。
步骤400:根据待测复合材料的材料参数、超声反射信号的特征信息和超声透射信号的特征信息,采用BP神经网络模型得到待测复合材料的损伤层参数。所述损伤层参数包括损伤层的深度参数、厚度参数和损伤程度参数。
本实施例使用Python建立初始BP神经网络,包括输入层、隐含层、和输出层。其中输入层包含材料层参数q:材料属性参数m:超声反射信号对应的原子序列dI和相关系数序列cI,超声透射信号对应的原子序列dII和相关系数序列cII,共4k+2个节点,其中k为迭代次数。输出层含有3个节点,包括损伤层的深度参数l:厚度参数p:和损伤程度参数β。隐含层节点个数依据输入层节点个数确定,一般为log2Z,Z为输入层节点个数。
依据输入层、隐含层和输出层的节点个数定义权重与偏置矩阵,其中输入层与隐含层之间的权重矩阵行数与输入层节点个数相同、列数与隐含层节点个数相同;输入层与隐含层之间的偏置矩阵行数与输入层节点个数相同,列数为1;隐含层与输出层之间的权重矩阵行数与隐含层节点个数相同、列数为3;隐含层与输出层之间的偏置矩阵行数与隐含层节点个数相同、列数为1。
然后使用损伤数据库中的数据对BP神经网络进行训练。得到训练后的BP神经网络模型。损伤数据库根据有限元模型中不同损伤对应的损伤层参数构建。将含有不同特征损伤的复合材料的参数信息即包括:模型总厚度为H、单层厚度为h、弹性模量为E、泊松比为υ、密度为ρ、损伤厚度b、损伤深度h0和损伤程度β以及有限元模型在超声检测时获得的dI、cI、dII和cII建立对应关系进行存储,即得到损伤数据库。
步骤500:根据所述损伤层参数确定所述待测复合材料损伤的深度和厚度。将待测试样的材料层参数q、材料属性参数m,连同两个超声信号的特征信息dI、cI、dII和、cII输入训练后的BP神经网络,得到损伤层的深度参数l、厚度参数p和损伤程度参数β,依据h0=l×H和b=p×H分别得到损伤的深度和厚度。
对应图1所示的多层复合材料的损伤检测方法,本发明还提供了一种多层复合材料的损伤检测系统,图3为本发明多层复合材料的损伤检测系统的结构示意图。如图3所示,本实施例的多层复合材料的损伤检测系统包括以下结构:
材料参数获取模块301,用于获取待测复合材料的材料参数;所述材料参数包括总厚度、单层厚度、弹性模量和密度;
超声信号获取模块302,用于获取所述待测复合材料的超声反射信号和超声透射信号;所述超声反射信号为超声波检测仪器上探头采集的信号,所述超声透射信号为所述超声波检测仪器下探头采集的信号;
匹配追踪分解模块303,用于采用改进的匹配追踪法对所述超声反射信号和所述超声透射信号进行匹配追踪分解,得到所述超声反射信号的特征信息和所述超声透射信号的特征信息;所述特征信息包括原子序列和相关系数序列;
损伤检测模块304,用于根据所述待测复合材料的材料参数、所述超声反射信号的特征信息和所述超声透射信号的特征信息,采用BP神经网络模型得到所述待测复合材料的损伤层参数;所述损伤层参数包括损伤层的深度参数、厚度参数和损伤程度参数;
损伤参数确定模块305,用于根据所述损伤层参数确定所述待测复合材料损伤的深度和厚度。
作为另一实施例,所述匹配追踪分解模块303具体包括:
波形字典获取单元,用于获取所述超声波检测仪器的输入信号对应的波形字典;所述波形字典包括多个原子;
残差获取单元,用于获取当前迭代次数的超声信号的残差;所述超声信号为所述超声反射信号或所述超声透射信号;
内积计算单元,用于将所述波型字典中的所有元素分别与当前迭代次数的所述超声信号的残差进行内积,得到每个元素对应的内积;
第一原子确定单元,用于将内积最大值对应的元素确定为第一原子;
第一相关系数确定单元,用于将内积最大值确定为第一相关系数;
残差更新单元,用于将残差减去所述残差在第一原子上的投影,得到更新后的超声信号的残差;
迭代单元,用于将迭代次数加一,返回将所述波型字典中的所有元素分别与当前迭代次数的所述超声信号的残差进行内积,得到每个元素对应的内积的步骤,进入下一次迭代;当迭代次数到达设定最大迭代次数时,得到所有迭代次数对应的所有第一原子和所有第一相关系数;
原子序列确定单元,用于将所有第一原子组成的序列确定为所述超声信号对应的原子序列;
相关系数序列确定单元,用于将所有第一相关系数组成的序列确定为所述超声信号对应的相关系数序列。
作为另一实施例,所述多层复合材料的损伤检测系统还包括:
有限元模型构建单元,用于在获取所述超声波检测仪器的输入信号对应的波形字典之前,根据所述待测复合材料的材料参数,构建所述待测复合材料的有限元模型;
损伤建立单元,用于在所述有限元模型中,建立不同损伤层参数的损伤;
输入信号获取单元,用于获取所述超声波检测仪器的输入信号函数;
初始原子计算单元,用于将所述超声波检测仪器的输入信号函数进行平移、相位变换和叠加,得到初始原子;
归一化单元,用于将所述初始原子做归一化处理,得到波形字典中的原子;
遍历单元,用于在第一设定范围内遍历平移因子,在第二设定范围内遍历相位因子,得到所有的原子;所述第一设定范围为[0,T],T为所述超声波检测仪器采集信号的长度,所述第二设定范围为{0,π};
波形字典确定单元,用于将所有原子构成的集合确定为所述输入信号对应的波形字典。
作为另一实施例,所述多层复合材料的损伤检测系统还包括:
损伤数据库构建模块,用于在根据所述待测复合材料的材料参数、所述超声反射信号的特征信息和所述超声透射信号的特征信息,采用BP神经网络模型得到所述待测复合材料的损伤层参数之前,根据所述有限元模型中不同损伤对应的损伤层参数构建损伤数据库;
初始BP神经网络模型构建模块,用于构建初始BP神经网络模型;所述初始BP神经网络模型的输入层包括材料层参数、材料属性参数和损伤层参数,所述初始BP神经网络模型的输出层包括损伤层的深度参数、厚度参数和损伤程度参数;
训练模块,用于根据所述损伤数据库对所述初始BP神经网络模型进行训练,得到训练后的BP神经网络模型。
下面结合一个具体的实施案例以进一步说明本发明的方案。本实施案例对厚度为80mm内深度40mm处部带有缺陷的玻璃/环氧复合材料板进行超声检测,用以分析内部损伤位置,具体步骤如下:
(1)建立匹配追踪波形字典:
(2)建立多层复合材料的损伤数据库
建立带有不同深度和损伤程度的多层复合材料和探头的数值模拟模型,采集每种损伤模型下的两个探头的超声信号,将超声信号使用匹配追踪法进行降噪分解,找到信号的特征信息,将信号特征信息与材料属性一并存储,形成多层复合材料的损伤数据库。
(3)训练BP神经网路模型
使用Python建立初始BP神经网络,包括输入层、隐含层、和输出层。隐含层设置40个神经元、激活函数选用sigmoid,损失函数选用softmax。读取信息组并采用自适应学习率的梯度下降法求解权值与偏置,并保存训练结果。
(4)损伤位置确定
将复合材料的超声检测模型简化为一个2D平面建立了一个80mm*40mm的2D平面应变有限元模型,其中上下边界使用自由边界,左右边界外加完美匹配层用以消除反射信号用以模拟实际情况。通过上下探头采集超声信号如图4所示,图4为本发明具体实施案例的超声信号采集示意图;信号采集结果如图5和图6所示,图5为本发明具体实施案例的超声波检测仪器上探头采集的超声反射信号示意图,图6为本发明具体实施案例的超声波检测仪器下探头采集的超声反射信号示意图。将采集信号使用匹配追踪法分解为特征信号如图7和图8所示,图7为本发明具体实施案例的超声反射信号处理后的特征信号,图8为本发明具体实施案例的超声透射信号处理后的特征信号。
将处理后的特征信号结合复合材料的厚度、弹性模量、泊松比、密度输入到训练后的BP神经网络模型中。得到损伤深度为40.15mm,与实际情况误差为0.375%,厚度为8.07,与实际情况误差为0.875%,程度为0.7312,与实际的误差为1.022%。
结果表明,本发明提供的损伤检测方法可以有效且准确的测量复合材料中的损伤深度。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种多层复合材料的损伤检测方法,其特征在于,包括:
获取待测复合材料的材料参数;所述材料参数包括总厚度、单层厚度、弹性模量和密度;
获取所述待测复合材料的超声反射信号和超声透射信号;所述超声反射信号为超声波检测仪器上探头采集的信号,所述超声透射信号为所述超声波检测仪器下探头采集的信号;
采用改进的匹配追踪法对所述超声反射信号和所述超声透射信号进行匹配追踪分解,得到所述超声反射信号的特征信息和所述超声透射信号的特征信息;所述特征信息包括原子序列和相关系数序列;具体包括:获取所述超声波检测仪器的输入信号对应的波形字典;所述波形字典包括多个原子;获取当前迭代次数的超声信号的残差;所述超声信号为所述超声反射信号或所述超声透射信号;将所述波形字典中的所有元素分别与当前迭代次数的所述超声信号的残差进行内积,得到每个元素对应的内积;将内积最大值对应的元素确定为第一原子;将内积最大值确定为第一相关系数;将残差减去所述残差在第一原子上的投影,得到更新后的超声信号的残差;迭代次数加一,返回将所述波形字典中的所有元素分别与当前迭代次数的所述超声信号的残差进行内积,得到每个元素对应的内积的步骤,进入下一次迭代;当迭代次数到达设定最大迭代次数时,得到所有迭代次数对应的所有第一原子和所有第一相关系数;将所有第一原子组成的序列确定为所述超声信号对应的原子序列;将所有第一相关系数组成的序列确定为所述超声信号对应的相关系数序列;
根据所述待测复合材料的材料参数、所述超声反射信号的特征信息和所述超声透射信号的特征信息,采用BP神经网络模型得到所述待测复合材料的损伤层参数;所述损伤层参数包括损伤层的深度参数、厚度参数和损伤程度参数;
根据所述损伤层参数确定所述待测复合材料损伤的深度和厚度。
2.根据权利要求1所述的多层复合材料的损伤检测方法,其特征在于,所述获取所述超声波检测仪器的输入信号对应的波形字典,之前还包括:
根据所述待测复合材料的材料参数,构建所述待测复合材料的有限元模型;
在所述有限元模型中,建立不同损伤层参数的损伤;
获取所述超声波检测仪器的输入信号函数;
将所述超声波检测仪器的输入信号函数进行平移、相位变换和叠加,得到初始原子;
将所述初始原子做归一化处理,得到波形字典中的原子;
在第一设定范围内遍历平移因子,在第二设定范围内遍历相位因子,得到所有的原子;所述第一设定范围为[0,T],T为所述超声波检测仪器采集信号的长度,所述第二设定范围为{0,π};
将所有原子构成的集合确定为所述输入信号对应的波形字典。
3.根据权利要求2所述的多层复合材料的损伤检测方法,其特征在于,所述根据所述待测复合材料的材料参数、所述超声反射信号的特征信息和所述超声透射信号的特征信息,采用BP神经网络模型得到所述待测复合材料的损伤层参数,之前还包括:
根据所述有限元模型中不同损伤对应的损伤层参数构建损伤数据库;
构建初始BP神经网络模型;所述初始BP神经网络模型的输入层包括材料层参数、材料属性参数和损伤层参数,所述初始BP神经网络模型的输出层包括损伤层的深度参数、厚度参数和损伤程度参数;
根据所述损伤数据库对所述初始BP神经网络模型进行训练,得到训练后的BP神经网络模型。
4.一种多层复合材料的损伤检测系统,其特征在于,包括:
材料参数获取模块,用于获取待测复合材料的材料参数;所述材料参数包括总厚度、单层厚度、弹性模量和密度;
超声信号获取模块,用于获取所述待测复合材料的超声反射信号和超声透射信号;所述超声反射信号为超声波检测仪器上探头采集的信号,所述超声透射信号为所述超声波检测仪器下探头采集的信号;
匹配追踪分解模块,用于采用改进的匹配追踪法对所述超声反射信号和所述超声透射信号进行匹配追踪分解,得到所述超声反射信号的特征信息和所述超声透射信号的特征信息;所述特征信息包括原子序列和相关系数序列;所述匹配追踪分解模块具体包括:波形字典获取单元,用于获取所述超声波检测仪器的输入信号对应的波形字典;所述波形字典包括多个原子;残差获取单元,用于获取当前迭代次数的超声信号的残差;所述超声信号为所述超声反射信号或所述超声透射信号;内积计算单元,用于将所述波形字典中的所有元素分别与当前迭代次数的所述超声信号的残差进行内积,得到每个元素对应的内积;第一原子确定单元,用于将内积最大值对应的元素确定为第一原子;第一相关系数确定单元,用于将内积最大值确定为第一相关系数;残差更新单元,用于将残差减去所述残差在第一原子上的投影,得到更新后的超声信号的残差;迭代单元,用于将迭代次数加一,返回将所述波形字典中的所有元素分别与当前迭代次数的所述超声信号的残差进行内积,得到每个元素对应的内积的步骤,进入下一次迭代;当迭代次数到达设定最大迭代次数时,得到所有迭代次数对应的所有第一原子和所有第一相关系数;原子序列确定单元,用于将所有第一原子组成的序列确定为所述超声信号对应的原子序列;相关系数序列确定单元,用于将所有第一相关系数组成的序列确定为所述超声信号对应的相关系数序列;
损伤检测模块,用于根据所述待测复合材料的材料参数、所述超声反射信号的特征信息和所述超声透射信号的特征信息,采用BP神经网络模型得到所述待测复合材料的损伤层参数;所述损伤层参数包括损伤层的深度参数、厚度参数和损伤程度参数;
损伤参数确定模块,用于根据所述损伤层参数确定所述待测复合材料损伤的深度和厚度。
5.根据权利要求4所述的多层复合材料的损伤检测系统,其特征在于,还包括:
有限元模型构建单元,用于在获取所述超声波检测仪器的输入信号对应的波形字典之前,根据所述待测复合材料的材料参数,构建所述待测复合材料的有限元模型;
损伤建立单元,用于在所述有限元模型中,建立不同损伤层参数的损伤;
输入信号获取单元,用于获取所述超声波检测仪器的输入信号函数;
初始原子计算单元,用于将所述超声波检测仪器的输入信号函数进行平移、相位变换和叠加,得到初始原子;
归一化单元,用于将所述初始原子做归一化处理,得到波形字典中的原子;
遍历单元,用于在第一设定范围内遍历平移因子,在第二设定范围内遍历相位因子,得到所有的原子;所述第一设定范围为[0,T],T为所述超声波检测仪器采集信号的长度,所述第二设定范围为{0,π};
波形字典确定单元,用于将所有原子构成的集合确定为所述输入信号对应的波形字典。
6.根据权利要求5所述的多层复合材料的损伤检测系统,其特征在于,还包括:
损伤数据库构建模块,用于在根据所述待测复合材料的材料参数、所述超声反射信号的特征信息和所述超声透射信号的特征信息,采用BP神经网络模型得到所述待测复合材料的损伤层参数之前,根据所述有限元模型中不同损伤对应的损伤层参数构建损伤数据库;
初始BP神经网络模型构建模块,用于构建初始BP神经网络模型;所述初始BP神经网络模型的输入层包括材料层参数、材料属性参数和损伤层参数,所述初始BP神经网络模型的输出层包括损伤层的深度参数、厚度参数和损伤程度参数;
训练模块,用于根据所述损伤数据库对所述初始BP神经网络模型进行训练,得到训练后的BP神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910634962.5A CN110286155B (zh) | 2019-07-15 | 2019-07-15 | 一种多层复合材料的损伤检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910634962.5A CN110286155B (zh) | 2019-07-15 | 2019-07-15 | 一种多层复合材料的损伤检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110286155A CN110286155A (zh) | 2019-09-27 |
CN110286155B true CN110286155B (zh) | 2020-09-11 |
Family
ID=68022929
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910634962.5A Active CN110286155B (zh) | 2019-07-15 | 2019-07-15 | 一种多层复合材料的损伤检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110286155B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110702042B (zh) * | 2019-10-15 | 2021-07-02 | 河海大学常州校区 | 一种超声脉冲回波测厚中信号混叠条件下的厚度估算方法 |
CN115803168A (zh) * | 2020-07-08 | 2023-03-14 | 帝人株式会社 | 成形体区域的检查程序、成形体区域的检查方法、成形体区域的检查装置 |
CN112229911B (zh) * | 2020-10-13 | 2022-08-19 | 上海大学 | 一种用于实时检测3d打印件脱层的方法和装置 |
CN113188489B (zh) * | 2021-04-29 | 2022-10-21 | 深圳市麒博精工科技有限公司 | 检测薄平板材料厚度一致性的超声反射谱方法 |
CN113466342B (zh) * | 2021-07-13 | 2022-05-06 | 西安交通大学 | 一种多层金属复合板层间损伤成像方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4674334A (en) * | 1986-05-13 | 1987-06-23 | The United States Of America As Represented By The Secretary Of The Air Force | Properties of composite laminates using leaky lamb waves |
CN105044209A (zh) * | 2015-07-21 | 2015-11-11 | 上海应用技术学院 | 材料缺陷位置和尺寸的超声多途检测方法 |
CN106770670B (zh) * | 2016-11-18 | 2020-01-14 | 中航复合材料有限责任公司 | 一种基于脉冲超声全息的复合材料缺陷判别方法 |
RU2650711C1 (ru) * | 2017-05-23 | 2018-04-17 | Акционерное общество "Центральный научно-исследовательский институт специального машиностроения" (АО "ЦНИИСМ") | Способ определения глубины залегания дефектов в изделиях из композиционных материалов |
CN108318582B (zh) * | 2017-12-26 | 2021-04-20 | 中国航空工业集团公司基础技术研究院 | 一种用于夹芯结构超声反射透射并行检测的信号采集方法 |
-
2019
- 2019-07-15 CN CN201910634962.5A patent/CN110286155B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110286155A (zh) | 2019-09-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110286155B (zh) | 一种多层复合材料的损伤检测方法及系统 | |
Chen et al. | Model‐based method with nonlinear ultrasonic system identification for mechanical structural health assessment | |
Yan | A Bayesian approach for damage localization in plate-like structures using Lamb waves | |
Zhang et al. | Deep convolutional neural network probability imaging for plate structural health monitoring using guided waves | |
Zhang et al. | Monte Carlo inversion of ultrasonic array data to map anisotropic weld properties | |
CN110161119B (zh) | 风电叶片缺陷识别方法 | |
Zhao et al. | Defect recognition in concrete ultrasonic detection based on wavelet packet transform and stochastic configuration networks | |
Sun et al. | Development of frequency-mixed point-focusing shear horizontal guided-wave EMAT for defect inspection using deep neural network | |
Wang et al. | Graph-in-graph convolutional network for ultrasonic guided wave-based damage detection and localization | |
Bai et al. | Ultrasonic defect characterization using the scattering matrix: A performance comparison study of Bayesian inversion and machine learning schemas | |
Ren et al. | Multi-damage imaging of composite structures under environmental and operational conditions using guided wave and Gaussian mixture model | |
Cau et al. | A signal-processing tool for non-destructive testing of inaccessible pipes | |
CN106770691A (zh) | 一种基于压缩感知的汽轮机叶轮超声相控阵信号压缩方法 | |
Hettler et al. | Application of a probabilistic algorithm for ultrasonic guided wave imaging of carbon composites | |
CN112302061A (zh) | 低应变基桩完整性检测信号的智能化快速解释方法 | |
Zhang et al. | Study on feature extraction and classification of ultrasonic flaw signals | |
Zhao et al. | Damage location detection of the CFRP composite plate based on neural network regression | |
CN114544765A (zh) | 一种基于深度学习的检测板状材料缺陷存在与位置的方法 | |
Liu et al. | Combining multiple nondestructive inspection images with a generalized additive model | |
Zhao et al. | Automated quantification of small defects in ultrasonic phased array imaging using AWGA-gcForest algorithm | |
Bochud | Signal processing-based identification of pathology using ultrasonics | |
Chiou et al. | Ultrasonic flaw detection using neural network models and statistical analysis: Simulation studies | |
Grevtseva et al. | Neural network for processing ultrasonic signals in flaw detection control systems | |
Lei et al. | Error-compensated one-dimensional convolutional neural network-based ultrasonic defect signal recognition method for flat ceramic membranes | |
Qian et al. | Damage localization method using ultrasonic lamb waves and Wav2Vec2. 0 neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |