固體發動機外防護涂層緊貼型缺陷太赫茲成像實驗研究①

張振偉,吳迎紅,張 強,郭 琪,張存林,趙躍進

(1.首都師范大學 物理系 太赫茲光電子學教育部重點實驗室,北京 100048;2.西安航天化學動力有限公司,西安 710025;3.北京理工大學 光電學院 精密光電測試儀器及技術北京市重點實驗室,北京 100081)

0 引言

外防涂層是保護固體火箭發動機殼體免受飛行氣動加熱致使殼體失強的功能層,殼體與外防護涂層界面脫粘是非常有害的質量缺陷[1-5],影響飛行安全,嚴重時會導致飛行失敗。界面脫粘可以分為間隙型缺陷和緊貼無黏結缺陷。前者表現為厚度突起、局部松動等特征,通常界面明顯分離,間隙分離得越小,檢測識別越困難,直到間隙小到不可見。后者表現為殼體與涂層緊密接觸沒有間隙,也就是處于界面分子間可能形成鍵合的距離范圍,但是其間的黏結作用不充分,黏結力不足,此時這種結構很容易被誤認為是黏好區,隱蔽性強,檢測識別更加困難。黏結力是由殼體材料與涂層材料界面間的機械嵌合力、范德華力、氫鍵力和化學鍵力等共同構成的復合作用力[6]。相對應,黏結良好就是界面間形成足夠的黏結力。

隨著固體火箭發動機在大氣層中的高速飛行應用越來越多,特別是超音速飛行、重復飛行等情景,氣動加熱越來越成為不容忽視的有害因素。涂層脫粘問題受到廣泛的重視,超聲成像技術和紅外熱波成像技術在檢測該類問題中發揮了重要的支撐作用。超聲檢測通過解析不同界面聲壓反射系數幅度譜、層間的多階諧振頻率等信息,當存在空隙型脫粘缺陷時,聲阻抗匹配關系與無脫粘時發生突變,進而導致回波信號特征的變化,進而識別缺陷[7-10],而緊貼型缺陷對回波信號的相位特征基本沒有影響[11]。在檢測涂層類薄層結構試件時,高頻超聲[12]、陣列超聲[13]、顯微超聲[14]、激光超聲[15]等技術的快速發展,結合聲場的設計優化[16],在水浸或油浸耦合條件下,采用μs級的時域超聲脈沖的收發,超聲檢測的空間分辨率和層析分辨率能夠達到mm級別和μm量級[17]。干耦合超聲技術無需耦合劑,但是會在一定程度上降低檢測精度和準確度[18]。另外,利用超聲技術時,檢測結果與涂層結構的聲學特性、涂層與基底材料的聲阻抗的差異密切相關,如果涂層聲衰減較高、涂層與殼體的聲阻抗差異較小時,都將影響檢測效果[19]。另一種脈沖紅外熱成像技術利用主動激勵的能量脈沖在被測目標形成熱波傳導,通過監測熱流動變化過程分析目標中的缺陷和界面異常[20-22]。采用ms量級窄脈沖作為熱源實現脈沖熱激勵,再結合高幀頻高靈敏熱成像探測技術,能夠獲得μm級的層分辨率[23]。同樣對涂層材料的熱傳導性,受熱激勵的損傷特性,熱容量以及熱輻射能力的差異性等都有要求[24]。這兩類技術在物理原理上能夠非常好的解釋空隙型脫粘缺陷,但是對于緊貼型無黏結缺陷界面特征的感知還沒有明確的公開報道,在聲傳播和熱傳導過程中,如何感知殼體與涂層界面黏結力的差異尚需要深入研究。

近年來,太赫茲技術快速發展[25-28],特別是基于太赫茲時域光譜技術的檢測成像應用[29-31]。其中的太赫茲信號本質上是ps量級的瞬態電磁波包,對應THz量級的頻帶寬度,中心頻率對應的波長為亞毫米量級(1 THz頻率,對應波長約為0.3 mm),同時具備振幅和相位特征,并且能夠透入大部分非金屬非極性材料,與被測目標發生相互作用,通過解析不同界面回波的時域和頻域特性,分析目標特征[32]。通過對太赫茲波束準直聚焦,遠場成像衍射極限能夠接近波長尺寸[33],還可以通過近場技術[34-35]突破衍射極限,空間分辨率達到nm量級。此外,相比于前兩種技術,該技術不僅能夠檢測空隙型脫粘缺陷,而且能夠感知黏結力的特性[36-38],具有識別緊貼型無黏結缺陷的潛在能力。這是由于許多大分子的整體振動能級和轉動能級,分子間作用力、范德華力、氫鍵力等處于THz波段,與太赫茲波相互作用更敏感,結合脈沖太赫茲信號的寬譜特性,物質微觀的鍵合作用的總體變化將影響宏觀的太赫茲脈沖信號的整體變化,再結合后端機器學習方法,能夠分類識別缺陷特征。同樣,太赫茲信號并不是適合所有的涂層材料和結構,對于含有高散射媒介、高反射微粒等高損耗要素的涂層材料,以及非金屬復合基底材料,非特征信號干擾會更加復雜,可能會降低檢測質量,感知涂層和殼體界面鍵合特征更困難。另外,太赫茲檢測裝置和關鍵部件的成熟度仍然需要進一步優化提高,特別是光纖耦合式的高功率寬帶相干源和高靈敏的相干探測器,以及高效的太赫茲波束傳導和調控元件。在應用上,各類材料在太赫茲波段的標準數據庫仍較匱乏,儀器的便攜性和針對應用場景的適配性都有待進一步改善。

本文針對涂層緊貼型無黏結缺陷檢測問題,采用自行搭建的光纖耦合反射式太赫茲時域光譜成像系統,檢測預制缺陷的標準殼體與涂層結構試件,經過數據標準化預處理、數據降維和機器學習分類,實現了試件上黏好區、緊貼型無黏結區、交界區和微小缺陷區的有效預測,獲得特征分類圖像,驗證了緊貼型無黏結缺陷的自動化識別和缺陷分布成像的可能性。結果直觀準確,與實際試件特征相符合。

1 實驗

1.1 實驗設備

實驗裝備為自行搭建的光纖耦合式太赫茲時域光譜成像系統。采用光纖飛秒激光器,光脈沖通過尾纖輸出,被分為兩束。一束直接連接到光纖耦合光導天線,另一路連接高速延遲線,再連接到另一路光導天線。光導天線對被集成到一個垂直反射模塊中,通過該模塊,發射的太赫茲信號垂直照射到被測涂層,透入到殼體和涂層界面并被反射,回波序列被探測。只有當太赫茲信號與探測飛秒脈沖同時到達探測光導天線,太赫茲電場驅動光生載流子運動,形成光電流,太赫茲信號被探測,太赫茲電場信號正比于光電流的變化率。延遲裝置調節太赫茲信號與探測飛秒脈沖的相對相位,實現太赫茲時域波形的采集,同時也決定信號波形的時域寬度、數據點時間分辨率和信號采集效率。結合掃描裝置實現對被測目標成像。圖1是太赫茲系統結構示意圖。

圖1 太赫茲系統結構圖Fig.1 Structural diagram of THz system

1.2 實驗樣品及其制備

標準試件尺寸為100 mm×100 mm,外防涂層選用質地柔軟的室溫固化型硅橡膠涂層,其對金屬基底有較好的吸附作用,能緊密貼附于基底上。先在涂層與金屬基底之間一部分面積預置聚四氟乙烯薄膜,固化后有薄膜區域涂層與基底不黏結,取出薄膜,再通過加壓過程,使兩層緊密貼合,得到緊貼型無黏結缺陷。其他條件與黏結良好區域相一致,以便更好地突出涂層和金屬基底界面特征的差異。圖2(a)是樣品檢測時的實物照片,圖2(b)是樣品特征區域分布圖,試件中有金屬區、黏好區、緊貼型無黏結區、交界區和微小缺陷區。

圖2 涂層試件((a)檢測時照片;(b)特征區域分布)Fig.2 Coating specimen( (a)Photo;(b)Distributions of different features)

金屬區是裸露的金屬基底,該處主要用于評價系統信號,不用于分類識別。黏好區表示涂層緊緊附著在金屬基底上,有足夠強的相互作用力,通過工藝流程確保作用力有效。緊貼型無黏結區表示涂層與金屬基底表面相互接觸,但是黏結力不足或失效。交界區表示黏好區與緊貼型無黏結區相連的區域,本質是漸變的微小間隙,在制作無黏結特征時,需要撤去預制的薄膜,而交界過渡區在加壓過程中不能達到無黏結區的緊密貼合程度,形成單獨的特征。黏好區的黑色虛線框部分,涂層表面有一直徑約為3 mm小凸起,當基底上存在砂粒等異物時,涂層會形成類似的小凸起,用于檢驗對微小缺陷的檢出能力。

2 算法原理

2.1 主成分分析算法

主成分分析(Principal Components Analysis,PCA)是從數據整體出發,并在歐氏空間中進行數據投影降維。通過線性映射將高維數據投影至低維子空間中,同時使數據的方差最大,并且重構均方根誤差最小。在降維的過程中,需要計算原始數據的協方差矩陣,并根據相應的特征值獲取特征向量。新的特征向量即為主成分,在低維空間中彼此正交,特征值體現了原始數據的投影方差,通過累積方差貢獻率選取主成分個數[39-41]。貢獻率的選取取決于分類效果是否符合標準試件物理特征的分布情況,以及太赫茲信號標準化處理。本文中,選取原始信號、第二主峰信號、第二主峰對齊信號的前三主成分,累計方差貢獻率分別為35.98%、61.46%和67.85%。

2.2 局部線性嵌入算法

局部線性嵌入LLE(Local Linear Embedding,LLE)算法是ROWEIS 和SAUL[42]首先提出的一種將復雜高維數據投影到一個相對低維的空間里的非線性降維方法。LLE 方法的思想是將高維空間的數據重構為低維局部線性模型,通過數據在低維空間上的投影提取數據的局部距離關系,利用樣本空間中局部的線性來逼近全局的非線性,并保持樣本固有的幾何性質。

2.3 等距特征映射算法

等距特征映射Isomap(Isometric Mapping,Isomap)是建立在經典MDS基礎上的非線性降維方法,主要思想是從全局的角度來保持降維前后的數據間距離不變[43]。算法步驟首先要構造近鄰圖G;再計算圖G的最短路徑;最后通過最短路徑距離矩陣構建輸出向量。算法通過保持數據間的測地線距離而完成低維嵌入。

2.4 支持向量機

支持向量機SVM(Support Vector Machines,SVM)[44-46]的基本思想是將原始數據映射到高維空間,尋找最優超平面,將各類數據的間隔最大化,實現分類。懲罰因子與核參數共同決定SVM的分類效果與泛化能力。本文中,選取徑向基函數作為核函數,將原始數據映射到高維空間。通過5折交叉驗證的網格搜尋法獲得核參數γ和懲罰因子C。

3 結果與討論

3.1 涂層厚度識別

圖3為太赫茲波垂直入射標準試件時的傳輸示意圖,S0為垂直入射的太赫茲脈沖,R0為太赫茲波到達涂層上表面時,返回的第一主峰信號;一部分太赫茲波穿透涂層,到達涂層和金屬基底的黏結界面,返回攜帶試件黏結界面信息的第二主峰信號R1。

圖3 太赫茲波傳輸示意圖Fig.3 Transmission diagram of THz wave

隨機選取第20列第80行的樣本點,為圖5紅點處顯示位置。畫出此樣本點的太赫茲反射時域信號圖,如圖4所示,受太赫茲波在試件內傳輸路徑影響,涂層上表面反射信號R0和黏結界面反射信號R1之間的峰峰值時間差是Δt,ns為折射率,c為光速,可以簡單通過時域延遲計算涂層厚度：

圖4 太赫茲反射信號圖Fig.4 THz reflected signal

圖5 涂層厚度分布圖Fig.5 Distribution diagram of coating thickness

(1)

先驗獲得試件涂層太赫茲波段的平均折射率約為1.72,圖2(b)黃色虛線框內區域整體作為一組數據集合D,通過公式(1),得到右半部分試件的涂層厚度分布成像。如圖5所示,涂層的平均厚度約為0.72 mm,最厚處約為0.76 mm,最薄處約為0.67 mm。區域內涂層厚度并不完全一致,這是由于工藝環節不可避免的隨機偶然性所致。

3.2 時域信號特征提取

3.2.1 時域信號預處理

數據集合D中,如圖6(a)所示,黏好區、緊貼型無黏結區、交界區和微小缺陷區的原始時域信號相互重疊。僅憑脈沖信號的直觀差異難以精確地區分出各類區域。原始時域信號中的第二個主峰為金屬基底與涂層界面反射信號,黏結特征主要反映為第二個主峰的差異,因此分割出原始時域信號中第二主峰用于進一步運算,如圖6(c)所示。

圖6 時域信號圖((a)原始信號(整體);(b)原始信號;(c)第二主峰信號(整體);(d)第二主峰信號;(e)第二主峰對齊信號(整體);(f)第二主峰對齊信號)Fig.6 Time domain signals((a)All original signals;(b)Original signals;(c)All second echo signals;(d)Second echo signals;(e)All second aligned echo signals;(f)Second aligned echo signals)

標準試件基底與涂層界面在同一相位平面。但是由于涂層厚度差異,以及測量角度、系統信號隨機波動導致的信號時間延遲,原始信號的界面回波并不在同一相位面。因此,需要進一步消除界面回波相位不一致性的影響,只保留信號形狀的差異。選取一個統一基準,例如第二個主峰信號最大值相位,進行相位對齊處理,只看信號本身形狀的差異,如圖6(e)所示。當第二主峰的信號特征較為明顯時,可以采取峰值位置作為基準,當信號特征較差時,需要更深入的討論。圖6(a)、(c)和(e)為整體數據,為了更清楚地看清四類特征的界面回波,圖6(b)、(d)和(f)顯示了對應的單個界面回波波形。

3.2.2 時域信號特征值成像

對數據集合D以最大值、最小值、峰峰值成像的方式進行圖像重構[29]。如圖7(a)所示,為信號最大值成像,上半部分的深色區域為緊貼型無黏結區,下半部分淺色區域為黏好區。通過重構后的圖像可以初步判斷標準試件黏好區、緊貼型無黏結區、交界區和微小缺陷區的分布情況,但圖像中黏好區和緊貼型無黏結區域,存在混疊。圖7(b)和(c)分別為時域信號最小值成像和峰峰值成像,黏好區和緊貼型無黏結區的顏色混疊更嚴重,采用傳統的特征參數難以有效區分四類區域,因此,需要引入后端處理,對信號進行精確分類。

圖7 特征值成像((a)最大值成像;(b)最小值成像;(c)峰值成像)Fig.7 Imagingof characteristic value((a)Imaging of maximum;(b)Imaging of minimum; (c)Imaging of peak-peak)

3.2.3 信號降維

分別采用Isomap、LLE和PCA方法對原始時域信號、第二主峰信號、第二主峰對齊信號進行降維,并采用前三個特征參數對信號進行可視化。

如圖8所示,采用Isomap降維時,原始信號和第二主峰信號降維散點圖中,四類信號出現混疊;第二主峰對齊信號降維散點圖中,四類信號基本可以區分。采用LLE降維時,原始信號和第二主峰信號降維散點圖中,四類信號出現混疊;第二主峰對齊信號降維散點圖中,四類信號基本可以區分。采用PCA降維時,原始信號和第二主峰信號降維散點圖中,四類信號出現混疊;第二主峰對齊信號降維散點圖中,四類信號基本可以區分。可以看出,將原始時域信號進行截取、對齊預處理之后,信號的可區分性更好,四類信號散點圖基本能區分。

圖8 時域信號降維三維散點圖((a)原始信號Isomap降維;(b)第二主峰信號Isomap降維;(c)第二主峰對齊信號Isomap降維;(d)原始信號LLE降維;(e)第二主峰信號LLE降維;(f)第二主峰對齊信號LLE降維;(g)原始信號PCA降維;(h)第二主峰信號PCA降維;(i)第二主峰對齊信號PCA降維)

3.2.4 SVM預測分類

3.2.4.1 采用4059個樣本點進行SVM預測分類

在數據集D中有5000個樣本點。隨機選取4059個樣本點作為訓練集,如圖9所示,紅色框區域為緊貼型無黏結區共2250個樣本點,藍色框區域為黏好區共1700個樣本點,綠色框區域為交界區共100個樣本點,黃色框區域為微小缺陷區共9個樣本點。整體數據集D作為測試集。

圖9 4059個樣本點訓練集區域Fig.9 Training set of 4059 sample points

將降維后的前三維特征參數作為訓練集輸入支持向量機模型,經過支持向量機訓練,得到黏好區、緊貼型無黏結區、交界區和微小缺陷區的四分類模型。再將測試集輸入四分類模型,得到最后的預測結果。預測結果與實物進行對照,如圖10所示。由圖10可見：

圖10 4059樣本點SVM預測圖((a)原始信號Isomap-SVM;(b)第二主峰信號Isomap-SVM;(c)第二主峰對齊信號Isomap-SVM;(d)原始信號LLE-SVM;(e)第二主峰信號LLE-SVM;(f)第二主峰對齊信號LLE-SVM;(g)原始信號PCA-SVM;(h)第二主峰信號PCA-SVM;(i)第二主峰對齊信號PCA-SVM)

(1)Isomap-SVM預測結果中,采用原始信號與第二主峰信號信號進行預測時,預測結果與實物不符;采用第二主峰對齊信號進行預測時,大致能區分四類區域,但是緊貼型無黏結區與黏好區的某些區域仍有混疊。

(2)LLE-SVM預測結果中,采用原始信號與第二主峰信號進行預測時,微小缺陷區不能被識別;采用第二主峰對齊信號進行預測時,大致能區分四類區域,但一些緊貼型無黏結區和黏好區被識別為交界區域。

(3)PCA-SVM預測結果中,采用原始信號不能預測出四類區域;采用第二主峰信號進行預測時,能大致區分四類區域,但是黏好區和緊貼型無黏結區仍有部分混疊;采用第二主峰對齊信號進行預測時,預測結果基本與實物的四類區域相符合。

3.2.4.2 采用1859個樣本點進行SVM預測分類

降低訓練樣本量進一步預測結果。隨機選取數據集D中的1859個樣本點作為訓練集,如圖11所示,紅色框區域為緊貼型無黏結區共900個樣本點,藍色框區域為黏好區共900個樣本點,綠色框區域為交界區共50個樣本點,黃色框區域為微小缺陷區共9個樣本點。數據集D作為測試集。

圖11 1959個訓練集區域Fig.11 Training set of 1959 sample points

預測結果,如圖12所示。Isomap-SVM預測結果中,采用原始信號、第二主峰信號信號、第二主峰對齊信號進行預測時,預測結果與實物不符。LLE-SVM預測結果中,采用原始信號與第二主峰信號進行預測時,有部分黏好區被識別為微小缺陷區和交界區;采用第二主峰對齊信號進行預測時,有一些緊貼型無黏結區被識別為交界區域。PCA-SVM預測結果中,采用原始信號和第二主峰信號進行預測時,四類區域存在混疊;采用第二主峰對齊信號進行預測時,預測結果基本與實物圖的四類區域相符合。綜上,經過處理,且采用PCA-SVM方法,樣本點較少時,仍能得到與實物四類區域相符的預測圖,可以實現小樣本數據對緊貼型無黏結、微小缺陷特征的自動識別。

圖12 1859樣本點SVM預測圖((a)原始信號Isomap-SVM;(b)第二主峰信號Isomap-SVM;(c)第二主峰對齊信號Isomap-SVM ;(d)原始信號LLE-SVM;(e)第二主峰信號LLE-SVM(f)第二主峰對齊信號LLE-SVM;(g)原始信號PCA-SVM;(h)第二主峰信號PCA-SVM;(i)第二主峰對齊信號PCA-SVM)Fig.12 SVM predicted image of 1859 sample points((a)Original signals Isomap-SVM;(b)Second echo signals Isomap-SVM;(c)Second aligned echo signals Isomap-SVM;(d)Original signals LLE-SVM ;(e)Second echo signals LLE-SVM;(f)Second aligned echo signals LLE-SVM;(g)Original signals PCA-SVM;(h)Second echo signals PCA-SVM;(i)Second aligned echo signals PCA-SVM)

4 結論

(1)本文驗證了一種基于太赫茲時域光譜成像技術非接觸無損檢測的自動識別金屬基底硅橡膠涂層結構中緊貼型無黏結缺陷的方法。

(2)利用太赫茲信號的特點,并通過較理想化的試件制備突出了基底材料與涂層材料界面間復合鍵合作用差異導致的太赫茲脈沖信號的宏觀變化。進一步通過PCA-SVM方法增強了特征表現的差異,實現了四類特征區域準確分類成像,比傳統直接成像方法圖像結果更直觀,與實際試件特征更相符,并且還可以部分代替人工對成像數據的判讀工作,效率更高。

(3)檢測方案結果表明,太赫茲技術有望將固體火箭發動機外防涂層脫粘缺陷的檢測能力進一步提升,還可用于內絕熱結構缺陷檢測等其他類似應用。同時,更深入的界面特性與太赫茲脈沖信號的相互作用機理,以及在更復雜的殼體材料和涂層材料界面條件下,對無黏結缺陷的有效檢出仍需要更多的理論和實驗探索。