超声相控阵检测复合材料缺陷方法_图文

1、 2015 年 8 月 李 健等：超声相控阵检测 CFRP 缺陷识别方法 755 对 3 种缺陷信号提取 8 个特征值， 因此网络中的 输入节点个数设置为 8； 要识别的缺陷有 3 类， 因此 网络的输出层节点个数设置为 3 神经网络用于识别 超声信号时， 通常使用二进制量 0、 1 或者0， 1区间 的数字表示 本实验中， 3 种缺陷对应的输出分别设 定为： 分层0 0 1、 夹杂0 1 0、 脱粘1 0 0 隐含层数 的增加会使网络结构变得复杂， 因此选择 1 个隐含层 构成 3 层 BP 神经网络， 通过增加隐含层中神经元的 数目来提高网络的识别率和识别精度， 且训练效果也 更容易观察、

2、 调整 隐含层节点数的选取一般按照经 11 验公式 估算得到， 即 nh = 2ni + 1 4 结 论 (1使用超声相控阵系统检测碳纤维增强复合材 料可以提高检测效率， 同时， 对缺陷信号有良好的成 像效果， 通过 B 扫图可以对缺陷进行初步分类 (2利用 sym8 小波分析处理信号， 提取 8 个特 征值； 构建 3 层 BP 神经网络， 采用共轭梯度算法训 练网络， 可以很好地识别分层、 夹杂、 脱粘 3 种缺陷， 识别率达到 95.7% 结果表明， 该方法能有效区分碳 纤维复合材料中的常见缺陷， 为以后能快速、 准确地 识别更多类型的缺陷奠定了一定的基础 参考文献： 1 赵稼祥，王曼霞

3、. 复合材料用高性能炭纤维的发展和 应用J. 新型炭材料，2000，15(1：68-75. Zhao Jiaxiang，Wang Manxia. Development and application of high properities carbon fibers for composite materialsJ. New Carbon Materials，2000，15(1：6875(in Chinese. 2 Nageswaran C，Bird C R，Takahashi R. Phased array scanning of artificial and impact damage

4、in carbon fibre reinforced plastic(CFRPJ. Insight，2006，48(3： 155-159. 3 Rhim J，Lee S W. A network approach for damage detection and identification of structures J. Computational Mechanics，1995，16(6：437-443. 4 冉志红，李 乔 . 小波变换在结构损伤识别特征提取 中的应用J. 振动与冲击，2007，26(7：118-121. Ran Zhihong，Li Qiao. The applicat

5、ion of the wavelet transform in the structural damage recognition feature extraction J. Journal of Vibration and Shock，2007， 26(7：118-121(in Chinese. 5 陈世利，常文爽，靳世久. 汽轮机轮缘超声相控阵检 测中缺陷方向识别J. 纳米技术与精密工程，2013， 11(4：328-333. Chen Shili，Chang Wenshuang，Jin Shijiu. Recognition of defect direction in ultrason

6、ic phased array testing of turbine disc rimsJ. Nanotechnology and Precision Engineering，2013，11(4：328-333(in Chinese. 6 张 燕. 基于模糊神经网络的复合材料损伤主动监测 技术研究 D. 南京：南京航空航天大学航空宇航学 院，2008. (6 式中： nh 为隐含层节点数； ni 为输入层节点数 由此 算得本实验中隐含层节点数约为 17 BP 神经网络训练 采用基于共轭梯度算法的 BP 神经网络， 用共轭 梯度法来更新阈值和权值， 实现误差的反向传播， 提 高收敛速度与学习精度

7、 训练次数为 100 次， 目标误 差设定为 0.01 3.2 3.3 BP 神经网络分类 为了保证训练充分， 同时保证训练样本和测试样 本的独立性与随机性， 笔者采取循环交替网络训练 12 法 随机提取 150 组数据中的 120 组数据训练网 络， 用训练好的网络处理其余 30 组数据 重复上述 过程， 直至每组测试样本均测试完毕 通过上述方 法， 得到如图 7 所示的识别结果 在随机抽取的 23 个样本中， 包含 6 个分层缺陷 样本、 7 个夹杂缺陷样本及 10 个脱粘缺陷样本 识别 率为 95.7% 该方法可以有效地识别分层和夹杂缺 陷， 而 1 个脱粘缺陷样本被误判为分层缺陷 产生

8、误 差的原因可能为： 脱粘缺陷样本在制作过程中采用自 然缺陷形式， 部分样本不具备典型性 图 7 识别结果 Fig.7 Recognition result Zhang Yan. Research on Damage Detection for Composite Material Based on Fuzzy Neural NetworkD. Nanj- 756 天津大学学报(自然科学与工程技术版 第 48 卷 第8期 ing：College of Aerospace Engineering，Nanjing University of Aeronautics and Astronautics

9、，2008(in Chinese. 7 孙 芳. 超声相控阵技术若干关键问题的研究D. 天 津：天津大学精密仪器与光电子工程学院，2012. Sun Fang. Research on Several Key Issues of Ultrasonic Phased Array TechnologyD. Tianjin：School of Precision Instrument and Opto-Electronics Engineering ， Tianjin University，2012(in Chinese. 8 徐 兵. 薄膜涂层材料界面缺陷检测方法研究D. 上 海：上海交通大学船舶

10、海洋与建筑工程学院，2009. Xu Bing. The Study on the Interface Cracks Detection Method in Coating Materials D. Shanghai：School of Naval Architecture ， Ocean & Civil Engineering ， Shanghai Jiao Tong University，2009(in Chinese. 9 何 凯，张伟伟，孔祥文. 一种渐晕纹理图像自动分 类方法J. 天津大学学报：自然科学与工程技术版， 2013，46(6：526-530. He Kai，Zha

11、ng Weiwei，Kong Xiangwen. An automatic classification approach to vignetting texture images J. Journal of Tianjin University ： Science and Technology，2013，46(6：526-530(in Chinese. 10 MATLAB 中文论坛. MATLAB 神经网络 30 个案例分 析M. 北京：北京航空航天大学出版社，2010. MATLAB Chinese Forum. Neural Network Analysis of 30 Cases in

12、 MATLABM. Beijing：Beijing University of Aeronautics and Astronautics Press ， 2010(in Chinese. 11 杨琳瑜，于润桥，卢 2007，29(8：450-452. Yang Linyu，Yu Runqiao，Lu Chao，et al. Carbon fiber composites defect recognition based on BP neural network in ultrasonic testing J. Nondestructive Testing，2007，29(8：450-452(in Chinese. 12 张冬雨，刘小方，杨 2009，28(11：56-58. Zhang Dongyu，Liu Xiaofang，Yang Jian，et al. Signa1 characteristic analysis of composite delamination defects based on wav