CN114151237A - 一种固体火箭发动机ⅲ界面脱粘智能检测系统及应用方法 - Google Patents

一种固体火箭发动机ⅲ界面脱粘智能检测系统及应用方法 Download PDF

Info

Publication number
CN114151237A
CN114151237A CN202111420206.6A CN202111420206A CN114151237A CN 114151237 A CN114151237 A CN 114151237A CN 202111420206 A CN202111420206 A CN 202111420206A CN 114151237 A CN114151237 A CN 114151237A
Authority
CN
China
Prior art keywords
interface
debonding
rocket engine
data acquisition
processing module
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.)
Granted
Application number
CN202111420206.6A
Other languages
English (en)
Other versions
CN114151237B (zh
Inventor
屈文忠
邓亮亮
张守诚
吕鑫豪
潘宇
叶子航
李志航
陈文捷
韩明啸
肖黎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN202111420206.6A priority Critical patent/CN114151237B/zh
Publication of CN114151237A publication Critical patent/CN114151237A/zh
Application granted granted Critical
Publication of CN114151237B publication Critical patent/CN114151237B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02K—JET-PROPULSION PLANTS
    • F02K9/00—Rocket-engine plants, i.e. plants carrying both fuel and oxidant therefor; Control thereof
    • F02K9/96—Rocket-engine plants, i.e. plants carrying both fuel and oxidant therefor; Control thereof characterised by specially adapted arrangements for testing or measuring
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)

Abstract

本发明公开了一种固体火箭发动机Ⅲ界面脱粘人工智能检测系统及应用方法。该检测系统包括激励装置、压电晶片智能条带、数据采集装置、信号分析处理模块等，使用所述激励装置对待检测发动机施加脉冲激励，压电晶片智能条带测得局部声共振谱响应信号，经由所述数据采集装置输入到所述信号分析处理模块，所述信号分析处理模块通过人工智能深度学习算法处理局部声共振谱响应信号，输出界面脱粘识别结果。本发明采用的系统将局部声共振谱方法与人工智能深度学习算法相结合，实现了界面脱粘结果的自动化识别，可以用于固体火箭发动机Ⅲ界面脱粘的现场快速检测。

Description

一种固体火箭发动机Ⅲ界面脱粘智能检测系统及应用方法
技术领域
本发明涉及固体火箭发动机无损检测领域，具体为一种固体火箭发动机Ⅲ界面脱粘人工智能检测系统及应用方法。
背景技术
固体火箭发动机凭借其强度高、安全性好、储存运输方便等优点在航天飞行器和导弹类武器中得到了广泛应用。固体火箭发动机装药结构由外至内依次由壳体、绝热层、衬层、固体推进剂四部分粘接浇筑组成，壳体/绝热层界面称为Ⅰ界面，绝热层/衬层界面称为Ⅱ界面，衬层/推进剂界面称为Ⅲ界面。壳体/绝热层/衬层/推进剂界面的良好粘接是结构完整性的保障，长期贮存期间推进剂老化、推进剂/衬层界面处组分迁移、环境条件改变等多方面的影响都会导致装药结构的界面脱粘。含脱粘缺陷的发动机在点火时，燃气可能进入脱粘裂纹腔内，导致推进剂侧面暴露燃烧，从而引起燃烧室压力失控、发动机的内弹道性能改变、壳体烧穿等严重后果。因此，发动机界面粘接质量是限制发动机寿命的关键因素之一，对界面脱粘进行快速、准确的无损检测一直是工程部门重点关注的课题。
目前对发动机界面脱粘缺陷检测的方法有CT、红外、超声等。但是各种方法都有其局限性，CT检测能力强，精度高，但无法识别结构中紧密贴合的缺陷，而且检测成本高、效率低；脉冲红外无损检测技术具有检测面积大、速度快、效率高等优点，对较薄的构件检测效果好，但无法应用在较厚的固体火箭发动机粘接结构上，同时对检测环境要求较高，不适用于外场阵地检测；超声波检测法简单易行，检测周期短，但一般只能用于Ⅰ界面脱粘缺陷的定性检测，而对Ⅱ、Ⅲ界面粘接质量的检测则无能为力。目前大型固体火箭发动机大都采用具有高比强度、比模量的复合材料作为壳体，由于直径大、壳体壁厚大、装药肉厚大，暂无有效的方法对其界面粘接状态进行无损检测。
发明内容
有鉴于此，本发明的目的是提供一种基于局部声共振谱人工智能检测方法的固体火箭发动机Ⅲ界面脱粘人工智能检测系统及应用，该检测系统可实现对固体火箭发动机Ⅲ界面脱粘的快速、现场检测。
本发明提供的技术方案如下：
本发明第一方面提供一种固体火箭发动机Ⅲ界面脱粘人工智能检测系统，包括压电晶片智能条带、激励装置、数据采集装置和信号分析处理模块；
所述压电晶片智能条带粘贴于固体火箭发动机的外壳，与数据采集装置连接；
所述数据采集装置连接到信号分析处理模块；
所述激励装置设置于压电晶片智能条带周围，用于施加脉冲激励；
所述压电晶片智能条带受到脉冲激励后产生局部声共振谱响应信号，由数据采集装置采集并传输至信号分析处理模块处理；
所述信号分析处理模块通过人工智能深度学习算法分析局部声共振谱响应信号，输出界面脱粘判别结果。
具体的，所述压电晶片智能条带由压电晶片与柔性印刷电路组成，所用柔性印刷电路由聚酰亚胺或聚酯薄膜为基材制成；所述压电晶片智能条带通过水杨酸苯酯粘贴于待测固体火箭发动机壳体表面。水杨酸苯酯是一种具有愉快的芳香气味的无色结晶粉末，化学式C13H10O3，熔点43℃。本发明利用这一特征，将其加热到43℃以上，使用液体水杨酸苯酯将压电晶片粘贴于待测固体发动机壳体表面，待温度下降到43℃以下时，水杨酸苯酯凝固，实现压电晶片与待测固体发动机壳体的耦合，当检测完成后，使用加热装置将压电粘贴位置加热到43℃以上，水杨酸苯酯耦合剂融化，可顺利取下压电晶片智能条带。
具体的，所述激励装置为力锤。
具体的，所述数据采集装置为NI多通道数据采集系统。更具体的，所述NI多通道数据采集系统所述硬件包括NI PXIe-1082机箱、NI PXIe-8840控制器、NI PXIe-6124多功能I/O模块、NI TB-2706接线盒、NI PXI-2576多路复用器开关模块、NI TB-2676接线盒。
具体的，所述信号分析处理模块采用0-1500Hz的局部声共振谱信号训练卷积自编码器。
本发明第二方面提供利用第一方面所述的脱粘人工智能检测系统的应用方法，包括以下步骤：
(1)将压电晶片智能条带通过水杨酸苯酯粘贴于待检测固体发动机壳体表面各个测点处；
(2)设置所述信号分析处理模块的采样参数；
(3)激励装置在所述压电晶片智能条带周围施加脉冲激励；
(4)产生的局部声共振谱响应信号通过所述压电晶片智能条带传输到所述数据采集装置，所述数据采集装置将采集到的局部声共振谱响应信号输入到所述信号分析处理模块进行处理；
(5)多次重复步骤(2)～(4)，采集到多个测点处的多组振动响应信号；
(6)训练卷积自编码器，提取其界面特征参数，保存训练完成的卷积自编码器；
(7)使用界面粘接状态完好测点处的界面状态特征参数训练单类支持向量机，并保存训练完成的单类支持向量机；
(8)将界面状态粘接状态未知的测点处的数据输入步骤(6)中训练完成的卷积自编码器，提取其界面状态特征参数，步骤(7)中训练完成的单类支持向量机处理提取得到的界面状态特征参数，输出界面状态判别结果。
具体的，所述步骤(2)中采样参数包括采样频率和采样点数。
具体的，所述步骤(6)中编码器包括卷积层和最大池化层，解码器包括上采样层和卷积层，所述界面状态特征参数为编码器的编码结果。优选的，所述编码器包括3个卷积层、3个最大池化层，解码器包括3个上采样层、三个卷积层。
具体的，所述界面特征参数为最大化池层输出的第一维度的数据进行均值化处理后得到的矩阵。优选的，所述界面特征参数为对最大池化层3输出矩阵的第一维度的375个数据分别进行均值化处理，得到的1×8的矩阵作为界面状态特征参数。
具体的，所述步骤(7)中单类支持向量机训练方法为：使用界面粘接状态完好测点处的界面状态特征参数组成样本集D＝{xi}，其中
Figure BDA0003377054700000031
表示第i组特征参数，i＝1,2,…N，单类支持向量机将给定的训练样本映射到一个新的特征空间，然后在特征空间中最大化样本点的像与原点之间的间隔，最终求取最优分离超平面。
为了求取最优分离超平面，求解下面的优化问题：
Figure BDA0003377054700000032
式中，ω表示超平面的法向量，ρ表示截距即在高维特征空间中原点和超平面的距离，
Figure BDA0003377054700000033
表示通过应用某些核函数获得的特征映射，ξ＝(ξ1,ξ2,…,ξN)T且ξi表示松弛变量，v∈(0,1]表示控制训练集中异常值比例的正则化项。
用拉格朗日乘子法求解上述优化问题，决策函数可以表示为：
Figure BDA0003377054700000034
式中αi是样本点xi对应的拉格朗日乘子且α＝(α1,α2,…,αN)T，K(·,·)为核函数。
Figure BDA0003377054700000035
对偶优化问题(1)求解之后，对应于αi>0的样本xi为支持向量。法向量ω可以表示为：
Figure BDA0003377054700000041
Figure BDA0003377054700000042
截距ρ可以为表示：
Figure BDA0003377054700000043
更具体的，所述步骤(8)中使用训练完成的单类支持向量机处理界面状态粘接状态未知的测点处的界面状态特征参数，输出界面状态判别结果的方法为：将界面状态粘接状态未知的测点处的界面状态特征参数x代入决策函数式(2)中，当决策函数值为+1时，待测测点被判定为界面粘接良好，当决策函数值为-1时，待测测点被判别为界面脱粘。
本发明利用局部声共振谱来识别脱粘的原理如下：
对于健康状态的固体发动机，壳体/绝热层/衬层/推进剂良好粘接为一个整体，当激励装置对其壳体外表面施加一个脉冲激励时，只能激发出激励位置局部整体在厚度方向的纵向振动，由于固体推进剂的大阻尼特性，因此得到的局部声共振谱响应信号呈现出一个光滑的单峰，波峰宽而且平缓；当发生脱粘时，在脱粘区域上方的壳体可以简化为一个四周固定的板，当激励此区域时，脱粘区域上方的发动机壳体的多阶弯曲振动的频率都会被激发，其频率和幅值取决于敲击位置和脱粘区域的形状，此时得到的局部声共振谱响应信号的频谱曲线会呈现出多个明显的峰值，波峰窄且陡峭，因此健康区域与脱粘区域产生的局部声共振谱响应信号就会存在不同。
所述人工智能深度学习算法的目的是提取所述局部声共振谱响应信号中表征发动机界面状态的特征参数并对其进行聚类分析，得到脱粘判别结果，具体是通过卷积自编码器实现对无标签、复杂、高维的局部声共振谱响应信号特征参数的自动提取。卷积自编码器包括编码器和解码器两部分，编码器通过卷积层、池化层，对原始输入数据进行压缩降维；解码器则利用上采样层、反卷积层，使用降维后的特征重建原始数据，并利用反向传播算法来训练网络，使得网络输出尽量逼近网络输入。训练完成后，最少神经元层的编码结果即为从原始数据中提取到的特征参数。使用所述界面粘接状态完好测点处的界面状态特征参数训练单类支持向量机，训练完成后，将界面状态粘接状态未知的测点处的数据输入训练好的卷积自编码器，提取其界面状态特征参数x，将所述界面状态特征参数x代入决策函数，当决策函数值为+1时，待测测点被判定为界面粘接良好，当决策函数值为-1时，待测测点被判定为界面脱粘。
本发明的有益技术效果：
(1)本发明利用固体火箭发动机的局部声共振谱特性结合人工智能深度学习算法进行界面脱粘识别，只需采集界面粘接状态完好测点处的数据对算法进行训练，训练好的算法能直接处理界面状态粘接状态未知的测点处的数据，得到脱粘识别结果，仪器便携、操作简便、分析快速、无需人工判断，对轻微的脱粘都有好的识别效果。
(2)本发明所述的压电晶片智能条带针对大型固体火箭发动机壳体表面所需压电晶片数量多、线路整理困难等问题，基于柔性印刷技术，将压电晶片传感器、连接线路与柔性基底集成一体化，解决了传感器的布局、线路整理等棘手问题。
(3)本发明所述的水杨酸苯酯不仅可以实现压电晶片智能条带的粘贴，在测试完成后还可以通过局部升温到43℃以上取下智能条带，对发动机壳体无损伤，检测过后发动机壳体无残留，对发动机正常发射无影响。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：
图1为本发明系统结构图；其中：1为待检测固体火箭发动机，2是压电晶片智能条带，3是激励装置，4是智能条带连接线，5是数据采集装置，6是信号分析处理模块。
图2为界面粘接状态判别流程图。
图3为判别结果的混淆矩阵。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限制本发明的保护范围。
实施例
图1示出了本发明实例提供的固体火箭发动机Ⅲ界面脱粘智能检测系统的结构示意图，包括压电晶片智能条带2、激励装置3、数据采集装置5和信号分析处理模块6；
所述压电晶片智能条带2粘贴于固体火箭发动机1的外壳，通过智能条带连接线4与数据采集装置5连接；
所述数据采集装置5连接到信号分析处理模块6；
所述激励装置3设置于压电晶片智能条带2周围，用于施加脉冲激励；
所述压电晶片智能条带2受到脉冲激励后产生局部声共振谱响应信号，由数据采集装置5采集并传输至信号分析处理模块6处理；
所述信号分析处理模块6通过人工智能深度学习算法分析局部声共振谱响应信号，输出界面脱粘判别结果。
所述压电晶片智能条带由压电晶片与柔性印刷电路组成，所用柔性印刷电路由聚酰亚胺或聚酯薄膜为基材制成；所述压电晶片智能条带通过水杨酸苯酯粘贴于待测固体火箭发动机壳体表面。水杨酸苯酯是一种具有愉快的芳香气味的无色结晶粉末，化学式C13H10O3，熔点43℃。本发明利用这一特征，将其加热到43℃以上，使用液体水杨酸苯酯将压电晶片粘贴于待测固体发动机壳体表面，待温度下降到43℃以下时，水杨酸苯酯凝固，实现压电晶片与待测固体发动机壳体的耦合，当检测完成后，使用加热装置将压电粘贴位置加热到43℃以上，水杨酸苯酯耦合剂融化，可顺利取下压电晶片智能条带。
所述激励装置优选为力锤。
所述数据采集装置为NI多通道数据采集系统。更具体的，所述NI多通道数据采集系统所述硬件包括NI PXIe-1082机箱、NI PXIe-8840控制器、NI PXIe-6124多功能I/O模块、NI TB-2706接线盒、NI PXI-2576多路复用器开关模块、NI TB-2676接线盒。
所述信号分析处理模块采用0-1500Hz的局部声共振谱信号训练卷积自编码器。
所述脱粘智能检测系统的应用方法如图2所示，包括：首先使用界面粘接状态完好测点处的界面状态特征参数训练卷积自编码器提取界面状态特征参数并保存训练完成的卷积自编码器；然后使用所述特征参数训练单类支持向量机并保存；测试时将界面状态粘接状态未知的测点处的数据输入训练完成的卷积自编码器，提取其界面状态特征参数，将所述界面状态特征参数代入单类支持向量机的决策函数中，得到界面粘接状态判别结果。
具体应用方法如下：
步骤1：所述压电晶片智能条带通过水杨酸苯酯粘贴于待检测固体发动机壳体表面各个测点处。
步骤2：通过所述分析处理模块安装的固体火箭发动机Ⅲ界面脱粘智能检测数据采集系统，设置采样频率与采样点数，采样频率不小于10000Hz，采样点数应保证采样时间不少于1s。
步骤3：所述激励装置在所述压电晶片智能条带周围施加脉冲激励，脉冲力大小应小于500N，因此产生的局部声共振谱响应信号通过所述压电晶片智能条带传输到所述数据采集装置。
步骤3：所述数据采集装置将采集到的局部声共振谱响应信号输入到所述信号分析处理模块。
步骤4：多次重复步骤2、步骤3，采集到多个测点处的多组振动响应信号。
步骤5：所述信号分析处理模块采用0-1500Hz的局部声共振谱信号训练卷积自编码器，所述卷积自编码器的网络结构具体如表1所示，卷积层所用激活函数均为ReLU函数，损失函数为输入信号与重构信号之间的均方误差，对最大池化层3输出的375×8的矩阵的第一维度的375个数据分别进行均值化处理，得到的1×8的矩阵作为界面状态特征参数，并保存训练好的卷积自编码器。
表1卷积自编码器网络结构
Figure BDA0003377054700000071
步骤6：使用界面粘接状态完好测点处的界面状态特征参数训练单类支持向量机，并保存训练好的单类支持向量机，具体训练过程为：使用界面粘接状态完好测点处的界面状态特征参数组成样本集D＝{xi}，其中
Figure BDA0003377054700000072
表示第i组特征参数，i＝1,2,…N，单类支持向量机将给定的训练样本映射到一个新的特征空间，然后在特征空间中最大化样本点的像与原点之间的间隔，最终求取最优分离超平面。
为了求取最优分离超平面，求解下面的优化问题：
Figure BDA0003377054700000081
式中，ω表示超平面的法向量，ρ表示截距即在高维特征空间中原点和超平面的距离，
Figure BDA0003377054700000082
表示通过应用径向基核函数获得的特征映射，ξ＝(ξ1,ξ2,…,ξN)T且ξi表示松弛变量，ν∈(0,1]表示控制训练集中异常值比例的正则化项。
用拉格朗日乘子法求解上述最佳化问题，决策函数可以表示为
Figure BDA0003377054700000083
式中αi是样本点xi对应的拉格朗日乘子且α＝(α1,α2,…,αN)T，K(·,·)为核函数。
Figure BDA0003377054700000084
对偶优化问题(2)求解之后，对应于αi>0的样本xi为支持向量。法向量ω可以表示为：
Figure BDA0003377054700000085
Figure BDA0003377054700000086
截距ρ可以为表示：
Figure BDA0003377054700000087
步骤7：将界面状态粘接状态未知的测点处的数据输入训练好的卷积自编码器，提取其界面状态特征参数x，将所述界面状态特征参数x代入决策函数式(2)中，当决策函数值为+1时，待测测点被判定为界面粘接良好，当决策函数值为-1时，待测测点被判别为界面脱粘，对100组界面粘接完好、50组界面脱粘测点处的数据进行处理，判别结果的混淆矩阵如图3所示。从图3可以看出，本方法成功识别了48组界面脱粘测点处的数据，对界面脱粘的识别率可以达到90％以上。
测试完毕后，将所述压电晶片粘贴位置局部加热到43℃以上，待水杨酸苯酯融化后取下压电晶片，并用纱布清理壳体表面。
以上所述，仅为本发明较佳的具体实施方式，但本发明保护的范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内所做的任何修改，等同替换和改进等，均应包含在发明的保护范围之内。

Claims (10)

1.一种固体火箭发动机Ⅲ界面脱粘人工智能检测系统，其特征在于：包括压电晶片智能条带、激励装置、数据采集装置和信号分析处理模块；
所述压电晶片智能条带粘贴于固体火箭发动机的外壳，与数据采集装置连接；
所述数据采集装置连接到信号分析处理模块；
所述激励装置设置于压电晶片智能条带周围，用于施加脉冲激励；
所述压电晶片智能条带受到脉冲激励后产生局部声共振谱响应信号，由数据采集装置采集并传输至信号分析处理模块处理；
所述信号分析处理模块通过人工智能深度学习算法分析局部声共振谱响应信号，输出界面脱粘判别结果。
2.根据权利要求1所述的固体火箭发动机Ⅲ界面脱粘人工智能检测系统，其特征在于：所述压电晶片智能条带由压电晶片与柔性印刷电路组成，所用柔性印刷电路由聚酰亚胺或聚酯薄膜为基材制成；所述压电晶片智能条带通过水杨酸苯酯粘贴于待测固体火箭发动机壳体表面。
3.根据权利要求1所述的固体火箭发动机Ⅲ界面脱粘人工智能检测系统，其特征在于：所述激励装置为力锤。
4.根据权利要求1所述的固体火箭发动机Ⅲ界面脱粘人工智能检测系统，其特征在于：所述数据采集装置为NI多通道数据采集系统。
5.根据权利要求1所述的固体火箭发动机Ⅲ界面脱粘人工智能检测系统，其特征在于：所述信号分析处理模块采用0-1500Hz的局部声共振谱信号训练卷积自编码器。
6.权利要求1-5任一项所述的固体火箭发动机Ⅲ界面脱粘人工智能检测系统的应用方法，其特征在于，包括以下步骤：
(1)将压电晶片智能条带通过水杨酸苯酯粘贴于待检测固体发动机壳体表面各个测点处；
(2)设置所述信号分析处理模块的采样参数；
(3)激励装置在所述压电晶片智能条带周围施加脉冲激励；
(4)产生的局部声共振谱响应信号通过所述压电晶片智能条带传输到所述数据采集装置，所述数据采集装置将采集到的局部声共振谱响应信号输入到所述信号分析处理模块进行处理；
(5)多次重复步骤(2)～(4)，采集到多个测点处的多组振动响应信号；
(6)训练卷积自编码器，提取其界面特征参数，保存训练完成的卷积自编码器；
(7)使用界面粘接状态完好测点处的界面状态特征参数训练单类支持向量机，并保存训练完成的单类支持向量机；
(8)将界面状态粘接状态未知的测点处的数据输入步骤(6)中训练完成的卷积自编码器，提取其界面状态特征参数，步骤(7)中训练完成的单类支持向量机处理提取得到的界面状态特征参数，输出界面状态判别结果。
7.根据权利要求6所述的方法，其特征在于：所述步骤(2)中采样参数包括采样频率和采样点数。
8.根据权利要求6所述的方法，其特征在于：所述步骤(6)中编码器包括卷积层和最大池化层，解码器包括上采样层和卷积层；所述界面状态特征参数为编码器的编码结果；所述界面特征参数为最大化池层输出的第一维度的数据进行均值化处理后得到的矩阵。
9.根据权利要求6所述的方法，其特征在于，所述步骤(7)中单类支持向量机训练方法为：使用界面粘接状态完好测点处的界面状态特征参数组成样本集D＝{xi}，其中
Figure FDA0003377054690000021
表示第i组特征参数，i＝1，2，…N，单类支持向量机将给定的训练样本映射到一个新的特征空间，然后在特征空间中最大化样本点的像与原点之间的间隔，最终求取最优分离超平面；
其中，为了求取最优分离超平面，求解下面的优化问题：
Figure FDA0003377054690000022
式中，ω表示超平面的法向量，ρ表示截距即在高维特征空间中原点和超平面的距离，
Figure FDA0003377054690000023
表示通过应用核函数获得的特征映射，ξ＝(ξ1，ξ2，…，ξN)T且ξi表示松弛变量，v∈(0，1]表示控制训练集中异常值比例的正则化项；
用拉格朗日乘子法求解上述优化问题，决策函数可以表示为：
Figure FDA0003377054690000024
式中αi是样本点xi对应的拉格朗日乘子且α＝(α1，α2，…，αN)T，K(·，·)为核函数；
Figure FDA0003377054690000025
对偶优化问题(1)求解之后，对应于αi＞0的样本xi为支持向量；法向量ω可以表示为：
Figure FDA0003377054690000026
Figure FDA0003377054690000027
截距ρ可以为表示：
Figure FDA0003377054690000028
10.根据权利要求9所述的方法，其特征在于，所述步骤(8)中使用训练完成的单类支持向量机处理界面状态粘接状态未知的测点处的界面状态特征参数，输出界面状态判别结果的方法为：将界面状态粘接状态未知的测点处的界面状态特征参数x代入决策函数式(2)中，当决策函数值为+1时，待测测点被判定为界面粘接良好，当决策函数值为-1时，待测测点被判别为界面脱粘。
CN202111420206.6A 2021-11-26 2021-11-26 一种固体火箭发动机ⅲ界面脱粘智能检测系统及应用方法 Active CN114151237B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111420206.6A CN114151237B (zh) 2021-11-26 2021-11-26 一种固体火箭发动机ⅲ界面脱粘智能检测系统及应用方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111420206.6A CN114151237B (zh) 2021-11-26 2021-11-26 一种固体火箭发动机ⅲ界面脱粘智能检测系统及应用方法

Publications (2)

Publication Number Publication Date
CN114151237A true CN114151237A (zh) 2022-03-08
CN114151237B CN114151237B (zh) 2022-11-18

Family

ID=80458247

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111420206.6A Active CN114151237B (zh) 2021-11-26 2021-11-26 一种固体火箭发动机ⅲ界面脱粘智能检测系统及应用方法

Country Status (1)

Country Link
CN (1) CN114151237B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110018703A1 (en) * 2009-07-23 2011-01-27 Raytheon Company Condition, health, and usage monitoring system
CN106153720A (zh) * 2015-04-28 2016-11-23 上海新力动力设备研究所 固体发动机装药ⅱ界面脱粘自动检测仪及其检测方法
CN108444938A (zh) * 2018-02-28 2018-08-24 首都师范大学 太赫兹成像固体火箭发动机界面脱粘缺陷检测方法及系统
CN109596678A (zh) * 2018-11-27 2019-04-09 中国人民解放军火箭军工程大学 一种在线健康监测的微型压电阻抗装置及方法
CN110207997A (zh) * 2019-07-24 2019-09-06 中国人民解放军国防科技大学 基于卷积自编码器的液体火箭发动机故障检测方法
CN110243941A (zh) * 2019-07-08 2019-09-17 西安航天化学动力有限公司 一种固体火箭发动机界面脱粘缺陷的无损检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110018703A1 (en) * 2009-07-23 2011-01-27 Raytheon Company Condition, health, and usage monitoring system
CN106153720A (zh) * 2015-04-28 2016-11-23 上海新力动力设备研究所 固体发动机装药ⅱ界面脱粘自动检测仪及其检测方法
CN108444938A (zh) * 2018-02-28 2018-08-24 首都师范大学 太赫兹成像固体火箭发动机界面脱粘缺陷检测方法及系统
CN109596678A (zh) * 2018-11-27 2019-04-09 中国人民解放军火箭军工程大学 一种在线健康监测的微型压电阻抗装置及方法
CN110243941A (zh) * 2019-07-08 2019-09-17 西安航天化学动力有限公司 一种固体火箭发动机界面脱粘缺陷的无损检测方法
CN110207997A (zh) * 2019-07-24 2019-09-06 中国人民解放军国防科技大学 基于卷积自编码器的液体火箭发动机故障检测方法

Also Published As

Publication number Publication date
CN114151237B (zh) 2022-11-18

Similar Documents

Publication Publication Date Title
WO2001039253A2 (en) Diagnostic layer and methods for detecting structural integrity of composite and metallic materials
CN113962124B (zh) 一种激光诱导超声参数优化方法及系统
CN114528769B (zh) 超燃冲压发动机燃烧模态智能监测方法及系统
CN113533433B (zh) 用于蜂窝夹层结构飞机蒙皮检测的仿真分析方法
CN110108443B (zh) 一种基于神经网络的压电陶瓷驱动器输出控制方法
CN115291122B (zh) 一种基于超声反射图像获取锂离子电池内部信息的方法
CN102107845B (zh) 一种微米传感元及其制备方法和应用
CN114151237B (zh) 一种固体火箭发动机ⅲ界面脱粘智能检测系统及应用方法
CN113466335A (zh) 一种超声导波蜂窝夹芯结构脱粘层诊断方法
CN114923695A (zh) 超燃冲压发动机燃烧不稳定性智能检测方法及系统
CN116662743A (zh) 一种基于多模态深度学习的发动机剩余寿命预测方法
US7926356B1 (en) Apparatus for measuring the health of solid rocket propellant using an embedded sensor
Ren et al. Digital sequence and virtual path construction-based impact imaging method for onboard monitoring of aerospace composite structures
CN116818904A (zh) 一种锂离子电池析锂超声无损检测方法及系统
Guo et al. Classification and inspection of debonding defects in solid rocket motor shells using machine learning algorithms
Tenreiro et al. Structural monitoring of adhesive joints using machine learning
Yu et al. A deep-learning-based method for damage identification of composite laminates [J]
CN115825563A (zh) 一种tps阻抗智能测试系统和tps结构健康监测方法
CN102749354B (zh) 复合材料结构热激励系统及其热激励方法
CN112684015B (zh) 对涡轮盘应用双线性阵列换能器进行的无损检测系统及方法
CN114720165A (zh) 光纤水听器封装检测方法、装置、系统、计算机设备
Sankar et al. Structural health monitoring of solid propellant using embedded PVDF sensor
Zeng et al. Novel Sensing Techniques for Lithium-ion Battery Modeling and States Estimation
RU2153162C1 (ru) Способ определения местоположения и формы концентраторов механических напряжений в конструкции рдтт
Iskandarani Correlating and Modeling of Extracted Features from PVT Images of Composites using Optical Flow Technique and Weight Elimination Algorithm Optimization [OFT-WEA].

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