基于超聲導波和機器學習的蜂窩夾層結構脫黏診斷

徐 浩，王中樞，馬寅魏，張佳奇，李建樂，范興華，武湛君

(1.大連理工大學 工業裝備結構分析國家重點實驗室，大連 116024；2.北京空天技術研究所，北京 100074)

熱防護系統能夠阻止大氣氣動加熱產生的熱量傳入航天器的艙內部，維持艙內人員及設備的正常工作[1-2]。蜂窩夾層熱防護結構作為熱防護系統的關鍵隔熱構件之一，具有耐高溫和穩定性好等優點，已經成為航天飛機和超音速飛行器高溫區和大面積區域的典型隔熱措施，其安全性和完整性的保障非常必要[3]。蜂窩夾層熱防護結構是由隔熱蜂窩鋁、面板、泡沫等基體通過耐高溫柔性膠黏劑連接起來的多層隔熱結構[4]。在惡劣的飛行環境中，蜂窩夾層結構可能發生脫黏損傷，甚至導致整體結構的失效[5]。因此，探索和發展適用于蜂窩夾層結構脫黏缺陷的監測手段，不僅可在服役過程中確保航天器結構完整性、提高結構服役安全性，還可為新型熱防護系統的設計和研發提供支撐。

目前多種檢測技術可用于結構的脫黏診斷，如用應變識別法[6]、超聲C掃法[7]、射線檢測法[8]和紅外熱成像法[9]等。區別于一些操作難度大或性價比不高的傳統檢測方法，超聲導波檢測技術具有傳播速度快、傳播距離長、傳播衰減小的優勢，可在很小區域內通過傳感器激勵產生超聲導波對結構進行大范圍檢測，適用于大面積板結構的損傷診斷[10]。目前有多種傳感器可以實現超聲導波激勵和接收，其中鋯鈦酸鉛壓電陶瓷傳感器(PZT)在成本和功耗等方面具有優勢，且易于集成化，可以同復合結構共同成型，廣泛應用于工程無損檢測領域[11]。

針對復合材料脫層、多層結構分層以及膠接接合部脫黏等缺陷的檢測，超聲導波技術已經取得了部分進展[12]。盡管許多檢測方法和算法具有良好的面內脫黏診斷性能，但對于蜂窩夾層結構來說，不同界面脫黏對結構的影響程度并不相同，所以迫切需要一種在平面定位之后能對厚度截面上的脫黏層進行辨別的方法。根據現有技術存在的問題，文章基于超聲導波加權分布診斷成像和支持向量機機器學習模型，對蜂窩夾層結構進行脫黏診斷和脫黏層判定。

1 脫黏診斷原理

1.1 加權分布成像

超聲導波加權分布診斷成像方法是一種基于概率統計的損傷成像算法，其原理為：結構損傷會導致導波信號發生變化，而損傷與傳播路徑的距離和導波信號變化程度呈正相關。具體診斷流程為：① 計算導波傳播路徑上的信號變化差異，并以這種差異作為路徑損傷因子(DI)；② 將診斷區域劃分為網格坐標點并進行圖像投影；③ 通過橢圓加權分布函數計算各條傳播路徑所對應的損傷因子映射到每個坐標點上出現的概率[13]。即坐標點(x,y)處的損傷概率P(x，y)可表示為

(1)

式中：D,Ii為損傷因子；Wi[Ri(x,y)]為第i條路徑的橢圓加權分布函數，由非負線性遞減函數定義，即

(2)

式中：β為控制橢圓分布區域大小的縮放參數；Ri(x,y)為坐標點到路徑的相對距離，即

(3)

式中：de,i(x,y)和dr,i(x,y)分別為坐標點到激勵/接收傳感器的距離；Li為傳播路徑的長度[14]。

1.2 支持向量機

支持向量機是解決小樣本分類識別中較有優勢的一種機器學習模型，其原理是通過在樣本空間中劃分超平面來實現對樣本的分類。支持向量機模型可表示為

f(x)=〈w,x〉+b

(4)

式中：w和b分別為法向量和位移項。

f(x)=0即為樣本空間的分類界面。如果樣本空間不能被線性分離，則使用核函數φ(x)使模型變為非線性，即

f(x)=〈w,φ(x)〉+b

(5)

可見，求解一個二次凸優化問題即可找到最優權系數w[15]。

2 脫黏診斷方案

2.1 傳感器網絡設置

通過布置壓電傳感器形成傳感器網絡，傳感器網絡布置如圖1所示。共設置24條導波傳播路徑，從平面內看，在結構上下兩側診斷區域分別布置相同的6條傳播路徑網絡用于加權分布診斷成像脫黏診斷；從截面內看，設置單側平面內傳播及跨平面的4條導波監測路徑用于支持向量機脫黏層的判定。

圖1 傳感器網絡布置示意

2.2 模型訓練

2.2.1 有限元模擬仿真

進行機器學習模型訓練需要樣本數據庫，這里采用有限元仿真導波信號來構建。使用ABAQUS軟件進行有限元建模仿真，建立鋁蜂窩夾層結構。夾層總厚度為20 mm，其中上下面板厚度為1 mm、蜂窩厚度為18 mm。蜂窩形狀為邊長3 mm的正六邊形，鋁箔厚度為0.06 mm。鋁蜂窩夾層結構的有限元模型如圖2所示。按照圖1設置導波傳播路徑，傳播距離為150 mm，在上面板界面傳播路徑上設置尺寸為20 mm×20 mm(長×寬)的脫黏損傷，從路徑中心點向激勵點和接收點分別以5 mm為間隔依次設置15次，而構成31個脫黏模型，仿真可得31組上層脫黏樣本數據。為減少模擬計算量，將截面內傳播路徑編號上下對稱更換，可得另外31組下層脫黏樣本數據。

圖2 鋁蜂窩夾層結構的有限元模型

2.2.2 構建樣本數據庫

計算各傳播路徑的損傷因子，如圖1所示可計算截面內4條路徑的損傷因子作為損傷特征樣本，并通過不同的損傷因子計算方法增加樣本維度。文章選取損傷信號與無損基準信號作差，即采用散射信號的時域能量SST、頻域能量SSS，損傷信號與無損基準信號時域能量差異SDT、頻域能量差異SDS、信號相似度SDCC5種方法計算損傷因子[13]，單個樣本具有4×5=20個數據點。5種方法可表示為

(6)

式中：e和E分別為信號時域能量和頻域能量；ρ為相關系數；Dama表示損傷信號；Base表示無損基準信號。

對有限元模擬得到的各組信號進行上述計算，得到損傷樣本數據庫，對樣本數據設置標簽，“1”代表上層脫黏，“-1”代表下層脫黏，利用MATLAB Classification Learner 軟件建立支持向量機分類模型并代入樣本數據庫進行模型訓練。設置30%交差驗證比例，得到模型訓練準確度為87.5%，樣本的訓練迭代曲線如圖3所示。為了提升模型準確度，開啟MATLAB軟件中的主成分分析(PCA) 以得到100%準確度。

圖3 樣本的訓練迭代曲線

3 驗證試驗及結果分析

3.1 試驗設置

選取鋁制蜂窩夾層結構樣件，面板及蜂窩的尺寸與有限元仿真模型尺寸相同。按圖1所示傳感器網絡設置壓電傳感器，采用高溫(1 300℃)噴槍制造脫黏損傷點，驗證試驗現場如圖4所示。采用集成了信號發生器、功率放大器和信號采集器的設備進行導波數據采集。驗證試驗選取的兩個脫黏損傷(1#,2#損傷)如圖4(a)所示。值得注意的是，再次制造損傷前需要重新采集基準信號。

圖4 驗證試驗現場

3.2 試驗結果與分析

將采集到的損傷信號同基準信號一同代入式(6)中計算得到各路徑的損傷因子，再將損傷因子代入式(1)得到診斷區域內所有坐標點的損傷概率，通過差值成像得到的損傷診斷成像結果如圖5所示。圖5(a)，(b)分別對應圖4中設置的兩個損傷，各自定位誤差分別為10 mm和14 mm，小于脫黏區域本身尺寸，達到診斷需求。

圖5 損傷診斷成像結果

選取平面內損傷位置，經過該損傷傳播路徑做脫黏層判定分析。基于截面內4條傳播路徑的損傷因子構建樣本，將樣本數據代入訓練好的支持向量機模型進行分類，兩處損傷均分類為“1”，即成功判定為上層脫黏。

4 結語

采用超聲導波技術對蜂窩夾層結構脫黏損傷進行檢測，共同應用加權分布成像診斷方法和支持向量機機器學習模型，實現了脫黏損傷的診斷和脫黏層的判定。合理布置壓電陶瓷傳感器，構成加權分布成像傳感器網絡，并通過有限元模擬仿真為支持向量機機器學習模型提供訓練數據庫，最后進行驗證試驗。經驗證所提方法具有良好的脫黏定位精度，脫黏層判定準確率高。