CN111553877B - 基于太赫兹陶瓷基复合材料叶片损伤识别和寿命评估方法 - Google Patents
基于太赫兹陶瓷基复合材料叶片损伤识别和寿命评估方法 Download PDFInfo
- Publication number
- CN111553877B CN111553877B CN202010205266.5A CN202010205266A CN111553877B CN 111553877 B CN111553877 B CN 111553877B CN 202010205266 A CN202010205266 A CN 202010205266A CN 111553877 B CN111553877 B CN 111553877B
- Authority
- CN
- China
- Prior art keywords
- terahertz
- image
- blade
- damage
- terahertz image
- 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
- 239000011153 ceramic matrix composite Substances 0.000 title claims abstract description 32
- 238000011156 evaluation Methods 0.000 title claims abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 50
- 239000000463 material Substances 0.000 claims abstract description 24
- 238000001914 filtration Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 238000012300 Sequence Analysis Methods 0.000 claims abstract description 6
- 230000009466 transformation Effects 0.000 claims abstract description 4
- 238000003384 imaging method Methods 0.000 claims description 16
- 238000001228 spectrum Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 13
- 238000005315 distribution function Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 239000011148 porous material Substances 0.000 claims description 4
- 239000004065 semiconductor Substances 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 238000012731 temporal analysis Methods 0.000 claims description 2
- 238000000700 time series analysis Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 description 31
- 238000005516 engineering process Methods 0.000 description 21
- 239000010410 layer Substances 0.000 description 18
- 239000002131 composite material Substances 0.000 description 16
- 239000000919 ceramic Substances 0.000 description 14
- 238000012360 testing method Methods 0.000 description 12
- 230000008901 benefit Effects 0.000 description 9
- 238000009659 non-destructive testing Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000009467 reduction Effects 0.000 description 6
- 230000005855 radiation Effects 0.000 description 5
- 238000004611 spectroscopical analysis Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000001931 thermography Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000005674 electromagnetic induction Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000007373 indentation Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000011226 reinforced ceramic Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000009781 safety test method Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- HBMJWWWQQXIZIP-UHFFFAOYSA-N silicon carbide Chemical compound [Si+]#[C-] HBMJWWWQQXIZIP-UHFFFAOYSA-N 0.000 description 1
- 229910010271 silicon carbide Inorganic materials 0.000 description 1
- 238000001328 terahertz time-domain spectroscopy Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于太赫兹的陶瓷基复合材料叶片损伤识别和寿命评估方法，方法包括以下步骤：连续太赫兹波探测航空发动机陶瓷基复合材料叶片以生成太赫兹原始图像；太赫兹原始图像傅里叶变换后高斯低通滤波得到二次太赫兹图像，二次太赫兹图像直方图均衡化生成三次太赫兹图像；Faster‑RCNN网络基于所述三次太赫兹图像识别叶片损伤，基于BP神经网络建立叶片寿命评估的自学习模型，将三次太赫兹图像中的裂纹损伤程度分级标注作为时序分析，输入太赫兹图像样本调试训练学习模型，当训练误差达到预定阈值时，训练网络生成裂纹损伤程度与时间点之间的关系，将待测叶片的三次太赫兹图像输入自学习模型，得到待测叶片的寿命预测值。
Description
技术领域
本发明属于叶片检测技术领域，特别是一种基于太赫兹陶瓷基复合材料叶片损伤识别和寿命评估方法。
背景技术
航空发动机是飞机的心脏，为提高发动机的推重比、服役寿命和轻量化，具有低密度、高韧性、耐高温和可设计性强的陶瓷基复合材料(CMC)被广泛应用于发动机叶片制造中，美国GE公司AETD项目中采用CMC材料制备涡轮叶片，为大幅提高航空发动机热工性能提供了空间；法国赛峰集团的LEAP-X发动机配备了CMC材料的高压涡轮导向叶片；我国国防科技大学采用SiC-CMC材料制备的涡轮转子叶片和导向器叶片也通过了发动机装机考核。
目前针对陶瓷基复合材料损伤识别的传统手段主要有涡流检测技术、红外热成像技术、超声检测技术等无损检测技术。超声波是一种频率高于20000赫兹的声波，它具有方向性好、反射能力强等特点，被广泛应用于无损检测当中。当超声波在有损伤部位的试件中传播时，由于损伤的存在造成了反射、折射、散射和衰减等现象，造成能量损失，使得接收超声波信号的振幅波形等发生变化，通过测定这些变化从而评估试件的损伤情况。超声无损检测技术的优势在于超声波的穿透能力较强，可以检测较厚的试件；对于平面损伤类型如裂纹、夹层等检测灵敏度较高。但是对于航空发动机陶瓷基复合材料叶片来讲，它的制造过程、结构和服役工况较为复杂，对其内部损伤需要进行精确的检测，而通过超声检测技术测得的损伤无法直观的显示出来，难以实现定性和定量检测，且这一检测技术对操作人员的技能有较高的要求，对于不同材料的试件检测还需要配备不同的耦合剂，不易检查形状复杂的发动机叶片结构。红外热成像技术主要是利用待测试件损伤部位产生的温度梯度导致的红外热辐射能力发生的差异，通过检测这些差异来识别评估其损伤情况，但是其检测精度受到陶瓷复合基材料叶片的厚度和导热系数影响，无法实现泛用性的高精度测量。涡流检测技术是将电流施加在待测试件的表面上，利用电磁感应原理测定试件内部感生涡流的变化来识别损伤，但是这种检测方式只能检测试件表面附近的损伤而不能识别内部的损伤，故在航空发动机复合材料叶片的无损检测中使用局限性较大，无法达到精准检测的目的。上述传统检测方法无法完全应对航空发动机陶瓷复合基材料叶片由于复杂工况和制造工艺所带来的裂纹、气孔等损伤问题，检测精度较低，局限性较大。
太赫兹(Terahertz，THz)波是指频率在0.1-10.0THz，波长为0.03-3mm范围内的介于微波和红外之间的电磁波，主要具有瞬态性、低能性、宽带性、相干性、吸收性、穿透性等特点。太赫兹波独特的性质决定了它能够给通信、雷达、电子对抗、电磁武器、医学成像、无损检测、安全检测等领域带来深远的影响，太赫兹波的应用技术仍在不断研究和开发中，具有很大的研究价值和应用潜力。目前，太赫兹无损检测技术主要依赖于太赫兹光谱技术，太赫兹光谱技术分为时域光谱技术(Thz-TDS)和频域光谱技术(Thz-FDS)，可以适用于多种非极性材料的无损检测中，检测速度较传统方式快，检测结果可以用直观的图像形式呈现，检测方式是非接触式测量，不需要接触试件也不需要添加额外的检测条件，由于太赫兹波穿透性强，可以直接识别待测试件的内部损伤。相对于目前技术较为成熟的太赫兹时域光谱技术，太赫兹频域光谱技术有着独特的优势和巨大的发展潜力。不用于时域的单点扫描成像，它可以测量待测试件某一特定频率太赫兹波的物理量的连续变化曲线，实现快速成像，得到更加全面的测量信息；太赫兹频域光谱技术的测量分辨率较高，测量信息可以在频谱上呈现，无需进行复杂的时频域计算变换，缩短了测量时间，减少了系统误差。由于太赫兹频域光谱中使用的太赫兹波为连续波，更适合于太赫兹波成像技术的发展，在无损检测领域有更大的发展优势。
在背景技术部分中公开的上述信息仅仅用于增强对本发明背景的理解，因此可能包含不构成在本国中本领域普通技术人员公知的现有技术的信息。
发明内容
针对现有技术在检测航空发动机陶瓷复合基材料叶片时存在的局限性、误检漏检、检测精度不高的问题，本发明提出一种基于太赫兹陶瓷基复合材料叶片损伤识别和寿命评估方法，利用连续波太赫兹辐射探测陶瓷基复合材料叶片，获得频域信息扩展成像，达到快速成像的目的；利用高斯低通滤波法和直方图均衡化法对所成太赫兹原始图像进行降噪、增强处理，得到信噪比、对比度较高的太赫兹图像，便于后期损伤识别和寿命评估；利用Faster-RCNN网络对太赫兹图像中多种损伤特征提取和识别定位，具有良好的检测准确率和定位效率；结合太赫兹图像，基于BP神经网络建立自学习模型预测航空发动机叶片的剩余寿命，避免了繁琐的计算模型搭建，本发明在不接触材料的情况下能够高效准确的损伤识别和剩余寿命评估。
本发明的目的是通过以下技术方案予以实现，一种基于太赫兹陶瓷基复合材料叶片损伤识别和寿命评估方法。包括以下步骤：
第一步骤中，连续太赫兹波辐射探测陶瓷基复合材料叶片以生成太赫兹原始图像；
第二步骤中，傅里叶变换所述太赫兹原始图像后高斯低通滤波，通过傅里叶逆变换得到二次太赫兹图像，二次太赫兹图像直方图均衡化生成三次太赫兹图像；
第三步骤中，Faster-RCNN网络基于所述三次太赫兹图像识别所述陶瓷基复合材料叶片损伤，其中，对每张三次太赫兹图像标注损伤类别标签，利用卷积层对三次太赫兹图像进行特征提取，RPN网络获取候选区，池化层生成图像尺寸归一化的特征映射，Faster-RCNN网络识别损伤类型和标记损伤位置；
第四步骤中，基于BP神经网络建立叶片寿命评估的自学习模型，将三次太赫兹图像中的裂纹损伤程度分级标注作为时序分析，输入太赫兹图像样本调试训练学习模型，当训练误差达到预定阈值时，训练网络生成裂纹损伤程度与时间点之间的关系，将待测叶片的三次太赫兹图像输入自学习模型，得到待测叶片的寿命预测值。
所述的方法中，第一步骤中，太赫兹频域光谱仪在0.02-1.0THz范围内利用连续太赫兹波探测陶瓷基复合材料叶片，其中，两个半导体激光器作为太赫兹光源产生两束光束汇合后再分束，一束产生太赫兹波经过待测叶片后与另一束汇合经混频器混频后生成太赫兹频域信息。
所述的方法中，第一步骤中，小波阈值降噪所述频域信息得到能量信号s(t)，计算能量信号s(t)的功率谱
功率谱E扩展成像生成太赫兹原始图像，其中t为时间。
所述的方法中，第二步骤中，所述太赫兹原始图像f(x，y)进行傅里叶变换转换至频域F(u，ν)，在频域F(u，v)使用高斯低通滤波函数进行滤波，滤波结果G(u，ν)＝H(u，ν)F(u，ν)，再将滤波结果G(x，y)进行傅里叶逆变换得到二次太赫兹图像g(x，y)。高斯低通滤波的传递函数为
其中，u，v表示图像中像素的坐标位置，D2(u，v)为像素点(u，v)到零频率成分的距离，D0为截止频率。
所述的方法中，第二步骤中，直方图均衡化包括，统计二次太赫兹波图像全局各灰度级像素数目ni，其中，0≤i≤L，L表示灰度级数，计算二次太赫兹图像中灰度为i的像素出现概率px＝i＝ni/n，其中n为全局像素数目；计算像素出现概率px的累计分布函数
其中j表示灰度；计算全局直方图均衡化函数
其中cdfmin为累积分布函数最小值，M和N分别表示二次太赫兹图像的长宽像素个数和宽像素个数，v表示原始图像中像素值。
所述的方法中，第三步骤中，所述损伤类别至少包括裂纹和气孔。
所述的方法中，第四步骤中，所述样本包括每一服役阶段的航空发动机陶瓷基复合材料叶片的三次太赫兹图像集。
所述的方法中，第四步骤中，，将三次太赫兹图像输入自学习模型，设置激活函数为
其中x为上一层输入；设置输入层节点数为m，输出层节点数为n，a为1-10之间的调节常数，故隐藏层节点数为
调整学习率和动量因子数值，初始权值和阈值为[0，1]间的数值，当训练误差达到预定阈值时，训练网络生成裂纹损伤程度与时间点之间的关系。
所述的方法中，第四步骤中，将三次太赫兹图像中的裂纹损伤程度分级标注作为时序分析。
所述的方法中，陶瓷基复合材料叶片为航空发动机叶片。
陶瓷基复合材包括以陶瓷为基体与纤维复合的复合材料，在航空发动机叶片制造领域主要应用的陶瓷基复合材料有：纤维增强陶瓷复合基材料、碳化硅陶瓷基复合材料。
有益效果
本发明基于太赫兹频域光谱技术，利用连续波太赫兹辐射探测陶瓷基复合材料叶片，获得频域信息扩展成像，达到快速成像的目的；利用高斯低通滤波法和直方图均衡化法对所成太赫兹原始图像进行降噪、增强处理，得到信噪比、对比度较高的太赫兹图像，便于后期损伤识别和寿命评估；利用Faster-RCNN网络对太赫兹图像中多种损伤特征提取和识别定位，具有良好的检测准确率和定位效率；太赫兹图像基于BP神经网络建立自学习模型预测航空发动机叶片的剩余寿命，避免了繁琐的计算模型搭建，在不接触材料的情况下能够高效准确的损伤识别和剩余寿命评估，对航空发动机叶片性能的提升具有重要意义。
附图说明
通过阅读下文优选的具体实施方式中的详细描述，本发明各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。说明书附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。显而易见地，下面描述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的前提下，还可以根据这些附图获得其他的附图。而且在整个附图中，用相同的附图标记表示相同的部件。
在附图中：
图1是根据本发明一个实施例的基于太赫兹陶瓷基复合材料叶片损伤识别和寿命评估方法的步骤示意图；
图2是根据本发明一个实施例的基于太赫兹陶瓷基复合材料叶片损伤识别和寿命评估方法的流程示意图；
图3是根据本发明一个实施例的陶瓷复合基材料内部损伤类别示意图；
图4是根据本发明一个实施例的Faster-RCNN网络工作流程示意图。
以下结合附图和实施例对本发明作进一步的解释。
具体实施方式
下面将参照附图1至图4更详细地描述本发明的具体实施例。虽然附图中显示了本发明的具体实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
需要说明的是，在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可以理解，技术人员可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名词的差异来作为区分组件的方式，而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”或“包括”为一开放式用语，故应解释成“包含但不限定于”。说明书后续描述为实施本发明的较佳实施方式，然所述描述乃以说明书的一般原则为目的，并非用以限定本发明的范围。本发明的保护范围当视所附权利要求所界定者为准。
为便于对本发明实施例的理解，下面将结合附图以具体实施例为例做进一步的解释说明，且各个附图并不构成对本发明实施例的限定。
为了更好地理解，如图1所示，基于太赫兹陶瓷基复合材料叶片损伤识别和寿命评估方法包括以下步骤：
第一步骤(S1)中，连续太赫兹波探测陶瓷基复合材料叶片以生成太赫兹原始图像；
第二步骤(S2)中，所述太赫兹原始图像傅里叶变换后高斯低通滤波得到二次太赫兹图像，二次太赫兹图像直方图均衡化生成三次太赫兹图像；
第三步骤(S3)中，Faster-RCNN网络基于所述三次太赫兹图像识别所述陶瓷基复合材料叶片损伤，其中，对每张三次太赫兹图像标注损伤类别标签，利用卷积层对三次太赫兹图像进行特征提取，RPN网络获取候选区，池化层生成图像尺寸归一化的特征映射，Faster-RCNN网络识别损伤类型和标记损伤位置；
第四步骤(S4)中，基于BP神经网络建立叶片寿命评估的自学习模型，将三次太赫兹图像中的裂纹损伤程度分级标注作为时序分析，输入太赫兹图像样本调试训练学习模型，当训练误差达到预定阈值时，训练网络生成裂纹损伤程度与时间点之间的关系，将待测叶片的三次太赫兹图像输入自学习模型，得到待测叶片的寿命预测值。
所述的方法的优选实施方式中，第一步骤(S1)中，太赫兹频域光谱仪在0.02-1.0THz范围内利用连续太赫兹波探测陶瓷基复合材料叶片，其中，两个半导体激光器作为太赫兹光源产生两束光束汇合后再分束，一束产生太赫兹波经过待测叶片后与另一束汇合经混频器混频后生成太赫兹频域信息。
所述的方法的优选实施方式中，第一步骤(S1)中，小波阈值降噪所述频域信息得到能量信号s(t)，计算能量信号s(t)的功率谱
功率谱E扩展成像生成太赫兹原始图像。
所述的方法的优选实施方式中，第二步骤(S2)中，所述太赫兹原始图像f(x，y)进行傅里叶变换转换至频域F(u，ν)，在频域F(u，ν)使用高斯低通滤波函数进行滤波，滤波结果G(u，v)＝H(u，v)F(u，v)，再将滤波结果G(x，y)进行傅里叶逆变换得到二次太赫兹图像g(x，y)。高斯低通滤波的传递函数为
其中，u，v表示图像中像素的坐标位置，D2(u，v)为像素点(u，v)到零频率成分的距离，D0为截止频率。
所述的方法的优选实施方式中，第二步骤(S2)中，直方图均衡化包括，统计二次太赫兹波图像全局各灰度级像素数目ni，其中，0≤i≤L，L表示灰度级数，计算二次太赫兹图像中灰度为i的像素出现概率px＝i＝ni/n，其中n为全局像素数目；计算像素出现概率px的累计分布函数
其中j表示灰度；计算全局直方图均衡化函数
其中cdfmin为累积分布函数最小值，M和N分别表示二次太赫兹图像的长宽像素个数和宽像素个数，v表示原始图像中像素值。
所述的方法的优选实施方式中，第三步骤(S3)中，所述损伤类别至少包括裂纹和气孔。
所述的方法的优选实施方式中，第四步骤(S4)中，所述样本包括每一服役阶段的航空发动机陶瓷基复合材料叶片的三次太赫兹图像集。
所述的方法的优选实施方式中，第四步骤(S4)中，将三次太赫兹图像输入自学习模型，设置激活函数为
其中x为上一层输入；设置输入层节点数为m，输出层节点数为n，a为1-10之间的调节常数，故隐藏层节点数为
调整学习率和动量因子数值，初始权值和阈值为[0，1]间的数值，当训练误差达到预定阈值时，训练网络生成裂纹损伤程度与时间点之间的关系。
所述的方法的优选实施方式中，第四步骤(S4)中，将三次太赫兹图像中的裂纹损伤程度分级标注作为时序分析。
所述的方法的优选实施方式中，陶瓷基复合材料叶片为航空发动机叶片。
本方法利用连续太赫兹波辐射进行探测，实现快速成像的目的，对所得检测图像进行降噪、增强处理，获得信噪比高、对比度清晰的检测图像，利用Faster-RCNN实现待测叶片损伤识别和损伤位置标记；基于不同服役阶段的航空发动机叶片太赫兹波损伤图像，利用BP神经网络构建自学习模型，完成对待测叶片的剩余寿命评估。
为了进一步理解本发明，在一个实施例中，如图2所示，方法包括，
首先，太赫兹频域光谱成像。利用太赫兹频域光谱仪作为主要检测设备，在0～1.2THz范围内陶瓷复合基材料具有稳定的折射率值，为保证较好的检测效果，降低时间成本，将太赫兹频域光谱仪的工作频率设置在0.02～1.0THz范围内。典型太赫兹频域光谱仪的工作原理为：由两个半导体激光器作为太赫兹光源，产生两束光束汇合后再分束，一束产生THz波经过待测叶片后到达探测器与另一束汇合，二者经过混频器混频后探测到THz频域信息。由于太赫兹波检测得到的信息空间噪声较大，利用小波阈值降噪法对频域信息进行初步降噪处理，得到信噪比提高的能量信号s(t)，计算s(t)的功率谱
对功率谱E进行扩展成像得到待测陶瓷复合基材料叶片的太赫兹原始图像。
然后，图像降噪、增强处理。太赫兹波成像图片中的噪声大部分为高斯噪声，在初步降噪的基础上利用高斯低通滤波器对太赫兹原始图像进行滤波处理。高斯低通滤波的传递函数为
其中u，v表示图像中像素的坐标位置，D2(u，v)为像素点(u，v)到零频率成分的距离，D0为截止频率(相当于频谱图的半径值)。先对太赫兹原始图像f(x，y)进行傅里叶变换转换至频域F(u，v)，在频域使用高斯低通滤波函数进行滤波G(u，v)＝H(u，v)F(u，v)，再将滤波结果G(x，y)进行傅里叶逆变换得到二次太赫兹图像g(x，y)。
由于二次太赫兹波图像对比度较低，故对图像进行增强处理。利用直方图均衡化算法提高二次太赫兹图像的对比度，统计二次太赫兹波图像全局各灰度级像素数目ni(0≤i≤L)，计算二次太赫兹图像中灰度为i的像素出现概率为px＝i＝ni/n，其中n为全局像素数目；计算px的累计分布函数
其中j表示灰度；计算全局直方图均衡化函数
其中cdfmin为累积分布函数最小值，M和N分别表示二次太赫兹图像的长宽像素个数，L表示灰度级数，v表示原始图像中像素值。经过直方图均衡化得到三次太赫兹图像，相较于二次太赫兹图像，对比度有所提高，便于下一步损伤的识别定位。
损伤识别定位，由于制造工艺的复杂性以及服役环境的复杂多变性，导致航空发动机陶瓷基复合材料叶片内部会出现裂纹、气孔等制造缺陷和冲击、压痕等环境损伤，以陶瓷基复合材料的裂纹、气孔损伤图为例，如图3所示。本发明利用Faster-RCNN网络对待测叶片进行损伤，首先定义各位损伤类别标签：裂纹(L)，气孔(Q)等，对每一张三次太赫兹图片进行标注。利用卷积层对三次太赫兹图像进行特征提取，RPN网络获取候选区，池化层生成图像尺寸归一化的特征映射，最后利用Faster-RCNN网络完成对损伤类型的识别和损伤位置标记，参见如图4所示的Faster-RCNN工作流程图。
叶片寿命评估，取每一服役阶段(小周期t)的航空发动机叶片三次太赫兹图像作为预测样本，基于陶瓷复合基材料失效机理，利用陶瓷复合基材料的裂纹损伤作为评价指标对寿命进行预测。基于BP神经网络建立动态自学习模型，将图像中的裂纹损伤程度进行分级标注作为时序分析，通过训练网络总结出裂纹损伤程度与时间点之间的内在关系。Lt表示t时刻待测叶片的裂纹损伤情况，通过t时刻之前的历史序列预测t+1时刻的数据Lt+1，依次递进得到待测数据的预测值。将准备好的太赫兹图像样本输入到BP神经网络中，将激活函数设为
其中x为上一层输入。设置输入层节点数为m，输出层节点数为n，a为1-10之间的调节常数，故隐藏层节点数为
调整学习率和动量因子数值，初始权值和阈值为[0，1]间的数值。通过输入样本和自学习调试训练BP神经网络预测模型，当训练误差达到预期目标时，网络训练完成，将待测三次太赫兹图像输入BP神经网络进行测试，得到预测值。
本发明的基于太赫兹频域光谱技术的损伤识别方法能够得到快速成像检测的目的，检测精度高，克服了其他传统损伤识别方法在对陶瓷复合基材料叶片进行检测时的局限性、漏检误检问题。太赫兹图片中的背景噪声多为高斯噪声，利用高斯低通滤波器适用于消除高斯噪声的特点，对太赫兹图像进行降噪处理，提高图像的清晰程度，便于后期损伤的识别定位。利用Faster-RCNN网络进行航空发动机陶瓷复合基材料叶片太赫兹图像的损伤识别和位置标记，具有良好的检测准确率和定位效率，避免损伤的漏检误检。基于BP神经网络建立自学习模型对航空发动机叶片进行寿命预测，不需要进行繁琐的计算模型搭建，将待测试叶片太赫兹图片输入训练好的网路便可以得到高精度的寿命预测结果。
尽管以上结合附图对本发明的实施方案进行了描述，但本发明并不局限于上述的具体实施方案和应用领域，上述的具体实施方案仅仅是示意性的、指导性的，而不是限制性的。本领域的普通技术人员在本说明书的启示下和在不脱离本发明权利要求所保护的范围的情况下，还可以做出很多种的形式，这些均属于本发明保护之列。
Claims (9)
1.一种基于太赫兹陶瓷基复合材料叶片损伤识别和寿命评估方法，所述方法包括以下步骤：
第一步骤（S1）中，在0.1-10THz范围内连续太赫兹波探测航空发动机陶瓷基复合材料叶片以生成太赫兹原始图像；
第二步骤（S2）中，所述太赫兹原始图像傅里叶变换后高斯低通滤波得到二次太赫兹图像，二次太赫兹图像直方图均衡化生成三次太赫兹图像；
第三步骤（S3）中，Faster-RCNN网络基于所述三次太赫兹图像识别叶片损伤，其中，对每张三次太赫兹图像标注损伤类别标签，利用卷积层对三次太赫兹图像进行特征提取，RPN网络获取候选区，池化层生成图像尺寸归一化的特征映射，Faster-RCNN网络识别损伤类型和标记损伤位置；
第四步骤（S4）中，基于BP神经网络建立叶片寿命评估的自学习模型，将三次太赫兹图像中的裂纹损伤程度分级标注作为时序分析，输入太赫兹图像样本调试训练学习模型，当训练误差达到预定阈值时，训练网络生成裂纹损伤程度与时间点之间的关系，将待测叶片的三次太赫兹图像输入自学习模型，得到待测叶片的寿命预测值。
2.根据权利要求1所述的方法，其中，第一步骤（S1）中，太赫兹频域光谱仪利用连续太赫兹波探测陶瓷基复合材料叶片，其中，两个半导体激光器作为太赫兹光源产生两束光束汇合后再分束，一束产生太赫兹波经过待测叶片后与另一束汇合经混频器混频后生成太赫兹频域信息。
3.根据权利要求2所述的方法，其中，第一步骤（S1）中，小波阈值降噪所述频域信息得到能量信号
，计算能量信号
的功率谱
，功率谱E扩展成像生成太赫兹原始图像，其中t为时间。
4.根据权利要求1所述的方法，其中，第二步骤（S2）中，所述太赫兹原始图像
进行傅里叶变换转换至频域
，在频域
使用高斯低通滤波函数进行滤波，滤波结果
，再将滤波结果
进行傅里叶逆变换得到二次太赫兹图像
，高斯低通滤波的传递函数为
，其中，u，v表示图像中像素的坐标位置，
为像素点（u，v）到零频率成分的距离，
为截止频率。
5.根据权利要求1所述的方法，其中，第二步骤（S2）中，直方图均衡化包括，统计二次太赫兹波图像全局各灰度级像素数目
，其中，
，L表示灰度级数，计算二次太赫兹图像中灰度为i的像素出现概率
，其中
为全局像素数目；计算像素出现概率
的累计分布函数
，其中j表示灰度；计算全局直方图均衡化函数
，其中
为累积分布函数最小值，M和N 分别表示二次太赫兹图像的长宽像素个数和宽像素个数， v表示原始图像中像素值。
6.根据权利要求1所述的方法，其中，第三步骤（S3）中，所述损伤类别至少包括裂纹和气孔。
7.根据权利要求1所述的方法，其中，第四步骤（S4）中，所述样本包括每一服役阶段的航空发动机陶瓷基复合材料叶片的三次太赫兹图像集。
8.根据权利要求1所述的方法，其中，第四步骤（S4）中，将三次太赫兹图像输入自学习模型，设置激活函数为
，其中x为上一层输入；设置输入层节点数为m，输出层节点数为n，a为1-10之间的调节常数，故隐藏层节点数为
；调整学习率和动量因子数值，初始权值和阈值为[0,1]间的数值，当训练误差达到预定阈值时，训练网络生成裂纹损伤程度与时间点之间的关系。
9.根据权利要求1所述的方法，其中，第四步骤（S4）中，将三次太赫兹图像中的气孔损伤程度分级标注作为时序分析。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010205266.5A CN111553877B (zh) | 2020-03-20 | 2020-03-20 | 基于太赫兹陶瓷基复合材料叶片损伤识别和寿命评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010205266.5A CN111553877B (zh) | 2020-03-20 | 2020-03-20 | 基于太赫兹陶瓷基复合材料叶片损伤识别和寿命评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111553877A CN111553877A (zh) | 2020-08-18 |
| CN111553877B true CN111553877B (zh) | 2022-04-01 |
Family
ID=72003720
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010205266.5A Active CN111553877B (zh) | 2020-03-20 | 2020-03-20 | 基于太赫兹陶瓷基复合材料叶片损伤识别和寿命评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111553877B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112378605B (zh) * | 2020-10-19 | 2023-06-27 | 大唐（赤峰）新能源有限公司 | 一种基于emd分解自学习的风电机组叶片故障识别方法 |
| CN113255433A (zh) * | 2021-04-06 | 2021-08-13 | 北京迈格威科技有限公司 | 模型训练方法、装置和计算机存储介质 |
| CN113903075A (zh) * | 2021-12-10 | 2022-01-07 | 中科视语(北京)科技有限公司 | 类别估计方法、装置、电子设备及存储介质 |
| CN114004833B (zh) * | 2021-12-30 | 2022-04-01 | 首都师范大学 | 复合材料太赫兹成像分辨力增强方法、装置、设备和介质 |
| CN114441637B (zh) * | 2022-01-27 | 2023-05-19 | 重庆工业职业技术学院 | 一种基于非线性Lamb波零频分量的损伤定位成像方法及系统 |
| CN116758527B (zh) * | 2023-08-16 | 2023-11-10 | 山东巨野盛鑫电器材料有限公司 | 一种低膨胀系数聚酰亚胺绝缘膜的质量识别系统 |
| CN117173503B (zh) * | 2023-08-16 | 2024-04-19 | 安徽派睿太赫兹医疗器械技术开发有限公司 | 一种基于深度学习的模糊太赫兹图像识别方法、装置和电子设备 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9389172B2 (en) * | 2007-01-30 | 2016-07-12 | New Jersey Institute Of Technology | Methods and apparatus for the non-destructive measurement of diffusion in non-uniform substrates |
| US7783433B2 (en) * | 2007-05-22 | 2010-08-24 | Honeywell International Inc. | Automated defect detection of corrosion or cracks using SAFT processed Lamb wave images |
| CN110674835B (zh) * | 2019-03-22 | 2021-03-16 | 集美大学 | 一种太赫兹成像方法及系统和一种无损检测方法及系统 |
| CN110553998A (zh) * | 2019-07-31 | 2019-12-10 | 西安交通大学 | 一种基于太赫兹技术的航空发动机叶片试件无损检测方法 |
-
2020
- 2020-03-20 CN CN202010205266.5A patent/CN111553877B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN111553877A (zh) | 2020-08-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111553877B (zh) | 基于太赫兹陶瓷基复合材料叶片损伤识别和寿命评估方法 | |
| CN105334269A (zh) | 一种基于神经网络和导波特征数据库的管道缺陷类别判别方法 | |
| CN107389732A (zh) | 一种激光扫描热成像裂纹检测方法 | |
| CN109387567A (zh) | 一种基于波速修正的增材制造激光超声检测数据处理方法 | |
| CN110286155A (zh) | 一种多层复合材料的损伤检测方法及系统 | |
| Xu et al. | Nondestructive evaluation of rubber composites using terahertz time domain spectroscopy | |
| Kim et al. | Non-destructive detection of thin micro-defects in glass reinforced polymer composites using a terahertz electro–magnetic wave based on a convolution neural network | |
| CN112818762B (zh) | 一种大尺寸复合材料及其夹层结构快速无损检测方法 | |
| Wang et al. | Identification of engine faults based on acoustic emission signals using a 1DCNN-ViT ensemble model | |
| Tu et al. | Non-destructive evaluation of hidden defects beneath the multilayer organic protective coatings based on terahertz technology | |
| CN116542912A (zh) | 一种多目标视觉跟踪的柔性体桥梁振动检测模型、应用 | |
| CN114427838A (zh) | 基于反射太赫兹光谱的介质厚度预测、评价方法及系统 | |
| Zhuang et al. | A multimodal gated recurrent unit neural network model for damage assessment in CFRP composites based on Lamb waves and minimal sensing | |
| CN113624834B (zh) | 一种基于边际谱质心检测的缺陷深度识别方法、系统 | |
| CN111948171B (zh) | 基于动态时间规整的复合材料缺陷识别方法 | |
| Chen et al. | Localization and imaging of internal hidden defects in concrete slabs based on deep learning of vibration signals | |
| CN112816557B (zh) | 一种缺陷检测方法、装置、设备和存储介质 | |
| Zheng et al. | Automatic three-dimensional reconstruction of subsurface defects by segmenting ultrasonic point cloud | |
| CN116228680B (zh) | 一种在役外场飞机蒙皮复合材料红外无损检测方法及系统 | |
| Sun et al. | Physics-based deep learning framework for terahertz thickness measurement of thermal barrier coatings | |
| CN106525764A (zh) | 基于太赫兹时域光谱的材料表面光洁度检测方法 | |
| Gong et al. | Reliability assessment for time-slice enhanced bidirectional thermal wave radar thermography of hybrid C/GFRP defects | |
| Cui et al. | A robust indicator based on singular value decomposition for flaw feature detection from noisy ultrasonic signals | |
| CN113607068B (zh) | 一种光声测量信号特征的识别模型建立方法及提取方法 | |
| Sun et al. | THzMINet: a Terahertz model-data-Driven Interpretable neural network for thickness measurement of thermal barrier coatings |
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 |