基于时频分析与神经网络融合的薄板粘接缺陷超声检测技术研究

基于时频分析与神经网络融合的薄板粘接缺陷超声检测技术研究一、引言1.1研究背景与意义1.1.1薄板粘接结构的应用薄板粘接结构凭借其独特的性能优势，在现代工业的众多领域中得到了极为广泛的应用，已然成为推动各行业发展的关键技术之一。在航空航天领域，随着对飞行器性能要求的不断提高，轻量化、高强度的结构设计成为了必然趋势。薄板粘接结构由于其重量轻、结构整体性好等特点，被大量应用于飞机的机翼、机身、发动机短舱等部件的制造。例如，在某些先进的民用客机中，薄板粘接结构的使用比例高达50%以上，这不仅有效减轻了飞机的重量，降低了燃油消耗，还提高了飞机的飞行性能和经济效益。同时，在航天器的制造中，薄板粘接结构也被用于卫星的太阳能电池板支架、天线结构等部位，确保了航天器在复杂的太空环境下能够稳定运行。在汽车制造领域，薄板粘接结构同样发挥着重要作用。为了满足汽车节能减排和提高安全性的要求，汽车制造商越来越多地采用薄板粘接技术来连接车身零部件。如汽车的车门、发动机罩、行李箱盖等部件，通过薄板粘接工艺，可以实现更好的密封性能和外观质量，同时提高车身的整体强度和刚性。此外，在新能源汽车中，薄板粘接结构还被应用于电池包的外壳和内部结构件，以确保电池的安全可靠运行。除了航空航天和汽车制造领域，薄板粘接结构在电子、建筑、船舶等行业也有着广泛的应用。在电子领域，薄板粘接技术被用于制造手机、平板电脑等电子产品的外壳和内部电路板的连接，提高了产品的集成度和可靠性。在建筑领域，薄板粘接结构被用于建筑物的外墙装饰、屋顶防水等方面，具有施工方便、美观大方等优点。在船舶领域，薄板粘接结构被用于制造船舶的甲板、舱壁等部件，提高了船舶的耐腐蚀性和航行性能。1.1.2薄板粘接缺陷的危害尽管薄板粘接结构在现代工业中具有重要的应用价值，但其在制造和使用过程中不可避免地会出现各种缺陷。这些缺陷的存在严重威胁着结构的安全性和可靠性，可能引发一系列严重的后果。薄板粘接缺陷会显著降低结构的强度。当粘接界面存在脱粘、气孔、裂纹等缺陷时，结构的有效承载面积会减小，应力分布也会发生改变，从而导致结构在承受载荷时容易发生破坏。例如，在航空航天领域，机翼上的薄板粘接结构如果存在脱粘缺陷，在飞行过程中受到气动力的作用时，脱粘部位的应力会集中，可能导致机翼结构的破坏，严重危及飞行安全。相关研究表明，当粘接界面的脱粘面积达到一定比例时，结构的承载能力可能会降低50%以上。薄板粘接缺陷还可能引发结构的疲劳破坏。在长期的交变载荷作用下，缺陷部位会产生应力集中，从而加速结构的疲劳损伤。例如，在汽车发动机的振动和冲击作用下，车身的薄板粘接结构如果存在缺陷，容易产生疲劳裂纹，随着裂纹的扩展，最终可能导致结构的断裂。据统计，在汽车零部件的失效案例中，由于薄板粘接缺陷引发的疲劳破坏占相当大的比例。薄板粘接缺陷还会影响结构的密封性、耐腐蚀性等性能。例如，在船舶的薄板粘接结构中，如果存在气孔或裂纹等缺陷，海水可能会渗入结构内部，导致结构的腐蚀，降低结构的使用寿命。在电子设备中，薄板粘接结构的缺陷可能会影响设备的防水、防尘性能，导致设备故障。1.1.3研究意义鉴于薄板粘接缺陷的严重危害，对其进行准确、高效的检测具有重要的现实意义，这不仅关乎工业生产的安全与质量，还对相关领域的技术发展和创新起着推动作用。从保障工业生产安全的角度来看，准确检测薄板粘接缺陷能够及时发现潜在的安全隐患，为结构的维护和修复提供依据，从而有效避免因缺陷引发的安全事故。在航空航天领域，通过高精度的检测技术，可以确保飞机和航天器的结构安全，保障飞行任务的顺利完成。在汽车制造领域，检测薄板粘接缺陷可以提高汽车的安全性和可靠性，减少因结构故障导致的交通事故。从提高产品质量的角度来看，检测薄板粘接缺陷有助于优化生产工艺，提高产品的合格率。通过对检测结果的分析，可以找出生产过程中存在的问题，采取相应的改进措施，从而提高薄板粘接结构的质量。在电子设备制造中，严格检测薄板粘接缺陷可以提高产品的稳定性和可靠性，增强产品的市场竞争力。从理论研究的角度来看，本研究将时频分析和神经网络技术应用于薄板粘接缺陷超声检测，有助于丰富和完善无损检测理论体系。时频分析方法能够更加全面地揭示超声检测信号的特征，神经网络技术则具有强大的模式识别和分类能力，两者的结合为薄板粘接缺陷检测提供了新的思路和方法，有望推动无损检测技术的发展。1.2国内外研究现状1.2.1超声检测技术的发展历程超声检测技术作为一种重要的无损检测方法，其发展历程可以追溯到20世纪初。1912年，泰坦尼克号的沉没促使人们开始探索利用超声波探测水下物体的方法，这标志着超声检测技术的萌芽。1916年，法国物理学家保罗・朗之万（PaulLangevin）为了侦测敌军水下潜艇，领导研究小组针对石英压电晶体振动展开研究，成功获取了在水中传播的超声波，并利用其探测水下潜艇，为声呐技术奠定了基础，也推动了超声波的研究。1929年，前苏联学者索科洛夫（Sokolov）提出利用超声波良好的穿透性来检测不透明物体内部缺陷的设想，并在1935年发表讨论金属材料内部缺陷探伤的著作，申请了穿透法专利，这是工业超声检测技术发展的重要历史转折点。20世纪40年代，美国人Firestone首次介绍了基于脉冲发射法的超声检测仪器，1946年，英国人D.O.Spronle研制成功第一台A型脉冲反射式超声波检测仪，该检测仪能够从物体的同一侧发射和接收超声波，可检测出物体内部细微缺陷，并能较准确地确定缺陷位置和测量缺陷尺寸，使超声检测成为一种实用的无损检测技术。此后，超声检测技术在工业领域得到了广泛应用，特别是在钢铁冶炼、机械制造和船舶制造等行业。20世纪60年代，随着电子技术的快速发展，超声波检测仪器的性能得到了大幅度提升，以前制约仪器电子性能的很多指标，如放大线性、动态范围、灵敏度余量和当量读数精度等都取得了突破性进展。1964年，德国KK（KrautKramer）公司成功研制小型超声波检测仪，开启了近代超声检测技术在工业领域应用的新纪元。20世纪70年代末，微处理器的出现为超声波检测仪器设备的发展提供了新的便利条件，发达国家推出计算机辅助的自动超声检测装置，主要应用于形状相对规则的物体检测。与此同时，国外还相继开展了信号处理技术的研究。1983年，德国KK公司推出了第一台便携式USD-Ｉ型数字化超声波检测仪，标志着超声波检测仪开始进入数字化时代。此后，随着数字式超声检测仪器的不断发展，模拟式超声检测仪逐渐被取代。近年来，超声检测技术不断创新和发展，涌现出了许多新的检测方法和技术，如超声相控阵检测技术、超声导波检测技术、超声TOFD（TimeofFlightDiffraction）检测技术等。这些新技术的出现，进一步拓展了超声检测的应用范围，提高了检测的精度和可靠性。1.2.2时频分析在超声检测中的应用研究时频分析作为一种强大的信号处理技术，能够同时在时间和频率两个维度上对信号进行分析，从而更加全面、细致地揭示信号的内在特征。在超声检测领域，时频分析方法得到了广泛的应用和研究。短时傅里叶变换（STFT）是一种常用的时频分析方法，它通过对信号进行加窗处理，在一定时间窗内计算傅里叶变换，从而得到信号在该时间段内的频谱信息。随着时间窗的滑动，可以获取信号频谱随时间的变化情况。在超声导波检测中，STFT被用于分析导波信号的频散现象，能够有效克服时域分析的不足，对导波信号进行动态的频谱分析和模式识别，同时可对实际的群速度进行较精确的测量。然而，STFT的时间分辨率和频率分辨率相互制约，窗函数的选择对分析结果影响较大，当信号的频率变化较快时，其分析效果会受到一定的限制。小波变换（WT）则利用小波基函数对信号进行多尺度分解，不同尺度下的小波系数反映了信号在不同频率和时间分辨率下的特征。在超声检测信号处理中，小波变换可用于去噪、特征提取和缺陷识别等方面。例如，利用小波变换对表面产生再结晶的DZ4合金试样的超声回波信号进行去噪处理，根据小波变换的多尺度特点，对信号进行2层分解，将信号进行分频处理，由于噪声存在于高频成分，将信号分解后的高频成分滤去，并进行信号重构，去噪后的超声回波信号较去噪前更加光滑，既保留了信号本身特征，又提高了信号的分析精度。在对厚度分别为270μm及295μm的ZrO2陶瓷涂层试样的超声回波信号进行短时傅里叶变换时，通过对比矩形窗、汉宁窗和海明窗的时频图，发现矩形窗较汉宁窗和海明窗对陶瓷涂层试样不同界面回波有较强的区分效果。小波变换也存在一些局限性，如小波基函数的选择缺乏统一的标准，不同的小波基函数对同一信号的分析结果可能会有较大差异。1.2.3神经网络在超声检测中的应用研究神经网络以其独特的结构和强大的学习能力，在超声检测缺陷识别和分类中展现出了巨大的潜力，成为了该领域的研究热点之一。BP（BackPropagation）神经网络是一种应用广泛的神经网络模型，它通过反向传播算法来调整网络的权值和阈值，从而实现对输入数据的分类和预测。在摩擦焊超声检测缺陷识别中，传统BP网络在进行缺陷识别过程中存在收敛速度慢和容易陷入局部极值点的问题。为了解决这些问题，有研究将遗传算法引入BP网络优化初始权值，提出了改进后的缺陷识别BP网络，通过验证超声C扫描成像法检测到的某GH4169高温合金的缺陷信号，表明该方法使缺陷的定性分类获得了更高的准确率，可大大降低人为主观因素对缺陷识别的影响。RBF（RadialBasisFunction）神经网络则以径向基函数作为激活函数，具有局部逼近能力强、训练速度快等优点。在超声检测信号处理中，RBF神经网络可用于缺陷信号的特征提取和分类。然而，RBF神经网络的中心和宽度参数的确定较为困难，需要大量的实验和经验来调整。除了BP神经网络和RBF神经网络，还有许多其他类型的神经网络被应用于超声检测领域，如概率神经网络、卷积神经网络等。这些神经网络在不同的应用场景中都取得了一定的成果，但也都存在各自的优缺点和适用范围。1.2.4研究现状总结与分析综上所述，超声检测技术经过多年的发展，已经取得了显著的成就，在工业生产中发挥着重要的作用。时频分析方法和神经网络技术在超声检测中的应用也取得了一定的研究成果，为薄板粘接缺陷的检测提供了新的思路和方法。当前基于时频分析和神经网络的薄板粘接缺陷超声检测研究仍存在一些不足之处。在时频分析方面，不同的时频分析方法虽然在一定程度上能够提取超声检测信号的特征，但对于复杂的薄板粘接缺陷信号，其特征提取的准确性和完整性仍有待提高。此外，时频分析方法与神经网络技术的融合还不够深入，如何更好地将时频分析得到的特征信息融入神经网络模型，以提高缺陷识别的准确率，是一个需要进一步研究的问题。在神经网络方面，现有的神经网络模型在处理超声检测信号时，往往需要大量的训练数据，且训练时间较长。同时，神经网络模型的泛化能力和鲁棒性也有待加强，以适应不同类型和尺寸的薄板粘接缺陷的检测。此外，对于神经网络模型的解释性研究还相对较少，难以深入理解模型的决策过程和原理。1.3研究内容与方法1.3.1研究内容本研究旨在综合运用时频分析和神经网络技术，实现对薄板粘接缺陷的高精度超声检测，具体研究内容如下：时频分析方法的选择与改进：对常见的时频分析方法，如短时傅里叶变换、小波变换等进行深入研究，分析其在薄板粘接缺陷超声检测信号处理中的优缺点。结合薄板粘接缺陷信号的特点，对现有方法进行改进，以提高信号特征提取的准确性和完整性。例如，针对小波变换中小波基函数选择的问题，研究基于信号自适应的小波基函数选择方法，以更好地适应不同类型的缺陷信号。神经网络模型的构建与优化：根据薄板粘接缺陷检测的需求，选择合适的神经网络模型，如BP神经网络、卷积神经网络等，并对其结构进行优化设计。研究如何将时频分析得到的特征信息有效地输入到神经网络模型中，提高模型的训练效率和识别准确率。同时，采用正则化、优化算法改进等方法，提高神经网络模型的泛化能力和鲁棒性，减少过拟合现象的发生。超声检测实验设计与数据分析：设计并开展薄板粘接缺陷超声检测实验，制备含有不同类型和尺寸缺陷的薄板粘接试件。利用超声检测设备采集实验数据，并对采集到的信号进行预处理。运用改进后的时频分析方法对信号进行特征提取，将提取到的特征数据用于神经网络模型的训练和测试。通过对实验数据的分析，评估所提出的检测方法的性能，包括缺陷识别准确率、误报率等指标。1.3.2研究方法为了实现上述研究内容，本研究将采用以下研究方法：理论分析：对超声检测原理、时频分析理论和神经网络算法进行深入研究，分析其在薄板粘接缺陷检测中的应用可行性和潜在问题。通过理论推导和仿真分析，为实验研究提供理论基础和指导。例如，在研究时频分析方法时，通过数学推导分析不同方法的时频分辨率、频率混叠等问题；在构建神经网络模型时，从理论上分析模型的结构、参数设置对性能的影响。数值模拟：利用有限元分析软件对超声在薄板粘接结构中的传播过程进行数值模拟，研究不同缺陷类型和尺寸对超声传播特性的影响。通过数值模拟，可以快速获取大量的仿真数据，为实验方案的设计和时频分析方法、神经网络模型的验证提供依据。例如，模拟超声在含有脱粘、气孔等缺陷的薄板中的传播，观察超声信号的反射、折射和散射情况，分析缺陷对信号特征的影响规律。实验研究：开展薄板粘接缺陷超声检测实验，通过实验获取真实的超声检测数据。对实验数据进行处理和分析，验证理论分析和数值模拟的结果，同时评估所提出的检测方法的实际性能。在实验过程中，严格控制实验条件，确保实验数据的准确性和可靠性。例如，制备不同缺陷类型和尺寸的薄板粘接试件，采用相同的超声检测设备和参数进行检测，对实验数据进行多次重复测量和统计分析。1.4研究创新点本研究在方法、模型和应用等方面具有一定的创新之处，具体如下：提出新的时频分析与神经网络融合算法：将改进后的时频分析方法与神经网络模型进行深度融合，提出一种新的融合算法。该算法能够充分发挥时频分析在信号特征提取方面的优势和神经网络在模式识别方面的能力，提高薄板粘接缺陷检测的准确性和可靠性。通过自适应调整时频分析的参数和神经网络的结构，使两者更好地协同工作，实现对复杂缺陷信号的高效处理。实现更精准的缺陷检测：通过对时频分析方法和神经网络模型的优化，本研究有望实现对薄板粘接缺陷的更精准检测。改进后的时频分析方法能够更准确地提取缺陷信号的特征，优化后的神经网络模型具有更强的学习能力和泛化能力，能够对不同类型和尺寸的缺陷进行准确识别和分类。在实验研究中，通过与传统检测方法进行对比，验证本研究方法在缺陷检测准确率、误报率等方面的优势。拓展超声检测技术的应用范围：本研究的成果不仅可以应用于薄板粘接缺陷的检测，还可以为其他类似结构的无损检测提供参考和借鉴。将时频分析和神经网络技术相结合的方法推广到其他材料和结构的检测中，有望拓展超声检测技术的应用领域，推动无损检测技术的发展。二、相关理论基础2.1超声检测原理2.1.1超声波的产生与传播特性超声波是一种频率高于20000赫兹的声波，属于机械波，它在弹性介质中以纵波的形式传播。超声波的产生主要基于压电效应，即某些材料（如压电陶瓷、石英晶体等）在受到外加电场作用时，会发生机械形变；反之，当这些材料受到机械应力作用时，又会在其表面产生电荷。利用这一特性，通过在压电材料上施加高频交变电压，使其产生高频机械振动，从而向外发射超声波。例如，在超声检测探头中，通常会采用压电陶瓷作为换能元件，当给压电陶瓷施加频率为几十千赫兹到几兆赫兹的交变电压时，它就能产生相应频率的超声波。在不同介质中，超声波的传播特性存在显著差异。超声波的传播速度与介质的弹性模量和密度密切相关，其关系可表示为v=\sqrt{\frac{E}{\rho}}，其中v为声速，E为弹性模量，\rho为密度。一般来说，固体中的弹性模量较大且密度相对较小，所以超声波在固体中的传播速度最快；液体次之；气体中弹性模量小且密度大，声速最慢。例如，在室温下，超声波在钢中的传播速度约为5900m/s，在水中约为1500m/s，而在空气中仅约为340m/s。超声波在传播过程中，能量会逐渐减弱，这种现象称为衰减。衰减主要由吸收、散射和扩散等因素引起。吸收是指介质对超声波能量的损耗，转化为热能等其他形式的能量；散射是当超声波遇到尺寸与波长相当或更小的颗粒、缺陷等时，声波会向各个方向散射；扩散则是由于声波的传播，能量在空间中逐渐分散。衰减程度与介质的性质、超声波的频率等因素有关，频率越高，衰减越大。在对厚壁金属材料进行超声检测时，由于高频超声波的衰减较大，可能会导致检测深度受限，因此通常会选择较低频率的超声波。当超声波从一种介质传播到另一种介质时，在界面处会发生反射和折射现象。反射和折射的程度遵循斯涅尔定律，即\frac{\sin\theta_1}{v_1}=\frac{\sin\theta_2}{v_2}，其中\theta_1和\theta_2分别为入射角和折射角，v_1和v_2为两种介质中的声速。反射波和折射波的能量分配与两种介质的声阻抗（Z=\rhov）有关，声阻抗差异越大，反射波的能量越强，折射波的能量越弱。当超声波从空气垂直入射到金属表面时，由于空气与金属的声阻抗相差很大，大部分能量会被反射回来，只有极少部分能量能进入金属介质。2.1.2超声检测的基本原理超声检测利用了超声波在介质中传播时遇到缺陷或界面会发生反射、透射等特性来检测薄板粘接缺陷。当超声波在薄板粘接结构中传播时，如果遇到粘接界面的脱粘、气孔、裂纹等缺陷，超声波的传播路径和能量分布会发生改变，部分超声波会在缺陷处反射回来，形成反射波，通过检测反射波的特征（如幅值、传播时间等），就可以判断缺陷的存在、位置、大小和性质。脉冲反射法是一种常见的超声检测方法。在脉冲反射法中，超声检测仪器向被检测物体发射一个短脉冲超声波，然后接收从物体内部反射回来的回波信号。根据回波信号的时间延迟和幅值大小，可以确定缺陷的位置和大小。当超声波遇到缺陷时，会产生一个反射回波，该回波的时间延迟与缺陷到检测表面的距离成正比，通过测量回波的时间延迟，利用公式d=\frac{v\timest}{2}（其中d为缺陷深度，v为超声波在介质中的传播速度，t为回波时间延迟），就可以计算出缺陷的深度。回波的幅值大小则与缺陷的尺寸、形状以及缺陷与超声波传播方向的夹角等因素有关，一般来说，缺陷尺寸越大，回波幅值越高。除了脉冲反射法，还有穿透法、共振法等超声检测方法。穿透法是通过测量超声波透过被检测物体后的能量变化来判断缺陷的存在，适用于检测薄板等对超声波衰减较小的材料；共振法是利用超声波在被检测物体中产生共振时的频率特性来检测缺陷，对于检测厚度均匀的薄板结构具有较高的灵敏度。在实际应用中，应根据被检测物体的材料、结构、缺陷类型以及检测要求等因素，选择合适的超声检测方法。2.2时频分析方法2.2.1短时傅里叶变换（STFT）短时傅里叶变换（STFT）是一种常用的时频分析方法，它的基本原理是在傅里叶变换的基础上，通过引入一个滑动的时间窗函数w(t)，对信号进行加窗处理。对于一个时域信号s(t)，其短时傅里叶变换定义为：STFT_s(\tau,f)=\int_{-\infty}^{\infty}s(t)w(t-\tau)e^{-j2\pift}dt其中，\tau表示时间窗的中心位置，f为频率，w(t-\tau)是以\tau为中心的时间窗函数。通过不断滑动时间窗，就可以得到信号在不同时间和频率上的分布信息，即得到时频图。在算法实现上，通常采用离散傅里叶变换（DFT）来计算短时傅里叶变换。首先对信号进行采样，得到离散的时间序列，然后将时间窗函数与离散信号相乘，再对乘积结果进行DFT计算，得到每个时间窗内信号的频谱。为了提高计算效率，还可以采用快速傅里叶变换（FFT）算法。在超声检测信号分析中，STFT有着广泛的应用。在超声导波检测中，由于导波信号包含多种模式且存在频散现象，传统的时域分析方法难以准确分析其特征。而STFT可以将导波信号在时间和频率上进行联合分析，清晰地展示不同模式导波的频率随时间的变化情况，从而实现对导波信号的模式识别和频散特性研究。通过STFT分析，可以准确地确定不同模式导波的群速度和相速度，为缺陷的定位和定量分析提供重要依据。STFT也存在一些缺点。它的时间分辨率和频率分辨率相互制约，时间窗宽度的选择是一个关键问题。如果时间窗过宽，频率分辨率会提高，但时间分辨率会降低，难以捕捉信号的快速变化；反之，如果时间窗过窄，时间分辨率提高，但频率分辨率会降低，无法准确分析信号的频率成分。对于频率变化较快的超声检测信号，STFT可能无法准确地描述其频率随时间的变化特性。2.2.2小波变换（WT）小波变换（WT）是一种具有多分辨率分析特性的时频分析方法，它通过使用一组小波基函数对信号进行分解，能够在不同尺度下对信号进行分析，从而同时获得信号在时间和频率上的局部信息。小波变换的基本定义为：WT_s(a,b)=\frac{1}{\sqrt{a}}\int_{-\infty}^{\infty}s(t)\psi(\frac{t-b}{a})dt其中，a为尺度因子，控制小波函数的伸缩，不同的尺度对应不同的频率分辨率，尺度越大，对应频率越低，分析的是信号的低频成分；尺度越小，对应频率越高，分析的是信号的高频成分。b为平移因子，控制小波函数在时间轴上的位置。\psi(t)为基本小波函数，也称为母小波，它需要满足一定的条件，如能量有限、均值为零等。在实际应用中，常用的小波基函数有Haar小波、Daubechies小波、Symlets小波等。不同的小波基函数具有不同的特性，选择合适的小波基函数对于信号处理的效果至关重要。在对超声检测信号进行去噪处理时，Daubechies小波由于其具有较好的紧支性和正则性，能够有效地去除噪声，同时保留信号的特征信息。在超声检测信号处理中，小波变换具有重要的作用。它可以用于超声检测信号的去噪，通过对信号进行小波分解，将噪声和有用信号分别分布在不同的尺度上，然后通过阈值处理去除噪声所在尺度上的小波系数，再进行小波重构，从而得到去噪后的信号。小波变换还可以用于超声检测信号的特征提取，不同类型的缺陷会导致超声信号在不同尺度下的小波系数表现出不同的特征，通过分析这些特征，可以实现对缺陷的识别和分类。与STFT相比，小波变换具有更好的时频局部化特性，它能够根据信号的频率自动调整时间分辨率和频率分辨率，对于高频信号采用窄时间窗，对于低频信号采用宽时间窗，更适合分析非平稳信号。STFT的时间窗和频率窗是固定的，无法自适应地调整。小波变换的计算复杂度相对较高，小波基函数的选择缺乏统一的标准，需要根据具体的信号特点和应用需求进行试验和选择。2.2.3其他时频分析方法简介Wigner-Ville分布（WVD）是一种常用的时频分析方法，它是一种双线性时频分布，能够提供比线性时频分析方法更高的时频分辨率。对于一个时域信号s(t)，其Wigner-Ville分布定义为：W_s(t,f)=\int_{-\infty}^{\infty}s(t+\frac{\tau}{2})s^*(t-\frac{\tau}{2})e^{-j2\pif\tau}d\tau其中，s^*(t)表示s(t)的共轭复数。WVD能够精确地描述信号的时频特性，在处理多分量信号时，能够清晰地分辨出不同频率成分在时间上的分布情况。在超声检测中，当检测信号中包含多个不同频率的反射波时，WVD可以准确地分析出各个反射波的频率和到达时间，从而有助于更准确地判断缺陷的位置和性质。WVD也存在一些问题，其中最主要的是交叉项干扰。当信号中包含多个频率成分时，不同成分之间会产生交叉项，这些交叉项会在时频平面上产生虚假的能量分布，干扰对真实信号时频特性的分析。为了抑制交叉项干扰，人们提出了许多改进方法，如平滑伪Wigner-Ville分布（SPWVD）等，通过对WVD进行平滑处理，降低交叉项的影响，但同时也会在一定程度上降低时频分辨率。分数阶傅里叶变换（FRFT）是傅里叶变换的广义形式，它将信号从时域变换到分数阶傅里叶域，通过选择合适的分数阶，可以在时频平面上获得不同的分辨率，从而实现对信号时频特性的灵活分析。在超声检测中，对于一些具有特定频率调制特性的缺陷信号，FRFT可以更有效地提取其特征，提高缺陷识别的准确率。短时分数阶傅里叶变换（STFRFT）则是将短时傅里叶变换和分数阶傅里叶变换相结合的方法，它在一定程度上综合了两者的优点，既具有短时傅里叶变换的时频局部化特性，又具有分数阶傅里叶变换对频率调制信号的处理能力，在超声检测信号分析中也具有潜在的应用价值。这些时频分析方法各有特点，在超声检测领域都有着不同程度的应用和研究，为薄板粘接缺陷的超声检测提供了更多的技术手段和分析思路。2.3神经网络基础2.3.1神经网络的基本结构与工作原理神经网络是一种模拟人类大脑神经元结构和功能的计算模型，其基本组成单元是神经元。神经元模型可以简单地看作是一个多输入单输出的非线性函数，它接收来自其他神经元的输入信号，并对这些信号进行加权求和，然后通过一个激活函数进行非线性变换，得到输出信号。数学表达式为：y=f(\sum_{i=1}^{n}w_ix_i+b)其中，x_i是第i个输入信号，w_i是对应的权重，b是偏置，f是激活函数，y是输出信号。常见的激活函数有Sigmoid函数、ReLU函数、tanh函数等。Sigmoid函数的表达式为f(x)=\frac{1}{1+e^{-x}}，它将输入映射到(0,1)区间，具有平滑的非线性特性，但存在梯度消失问题；ReLU函数的表达式为f(x)=\max(0,x)，它在输入大于0时直接输出输入值，在输入小于0时输出0，能够有效缓解梯度消失问题，计算效率高，在现代神经网络中被广泛应用。神经网络通常由多个神经元组成不同的层次，包括输入层、隐藏层和输出层。输入层负责接收外部数据，将数据传递给隐藏层；隐藏层可以有一层或多层，神经元在隐藏层中进行复杂的非线性变换，提取数据的特征；输出层根据隐藏层的输出结果，产生最终的输出。信息在神经网络中的传递与处理过程是：输入层接收输入数据后，将数据乘以相应的权重并加上偏置，然后通过激活函数进行非线性变换，得到隐藏层的输入；隐藏层重复上述过程，对输入进行处理，直到最后一层隐藏层的输出传递到输出层，输出层根据接收到的信号进行计算，得到最终的输出结果。在一个简单的三层神经网络中，输入层有3个神经元，隐藏层有5个神经元，输出层有1个神经元。当输入层接收到一个三维的输入向量时，它会将这个向量的每个元素分别乘以与隐藏层神经元对应的权重，并加上隐藏层神经元的偏置，然后通过激活函数（如ReLU函数）得到隐藏层的输入，隐藏层再对这些输入进行类似的处理，最后输出层根据隐藏层的输出计算得到最终的输出值。2.3.2常见神经网络模型BP（BackPropagation）神经网络是一种基于误差反向传播算法的多层前馈神经网络，它是目前应用最广泛的神经网络模型之一。BP神经网络的结构包括输入层、一个或多个隐藏层和输出层，各层之间通过权重连接。在训练过程中，BP神经网络通过将预测结果与实际标签进行比较，计算误差，然后将误差从输出层反向传播到输入层，通过梯度下降法不断调整各层之间的权重和偏置，使得误差逐渐减小，从而实现对输入数据的准确分类和预测。在薄板粘接缺陷超声检测中，可以将超声检测信号的特征参数作为BP神经网络的输入，将缺陷的类型和位置作为输出，通过训练BP神经网络，使其能够根据输入的特征参数准确地识别出缺陷的情况。BP神经网络也存在一些缺点，如收敛速度慢，容易陷入局部最优解等。为了克服这些问题，人们提出了许多改进算法，如动量法、自适应学习率法、Levenberg-Marquardt算法等。动量法通过在梯度下降过程中加入一个动量项，使得权重更新不仅依赖于当前的梯度，还考虑了之前的梯度方向，从而加快收敛速度；自适应学习率法根据训练过程中的误差变化自动调整学习率，避免学习率过大或过小导致的问题；Levenberg-Marquardt算法则是一种结合了梯度下降法和高斯-牛顿法的优化算法，在接近最优解时具有更快的收敛速度。RBF（RadialBasisFunction）神经网络是以径向基函数作为激活函数的神经网络，它通常由输入层、隐藏层和输出层组成。与BP神经网络不同，RBF神经网络的隐藏层神经元采用径向基函数作为激活函数，常见的径向基函数有高斯函数、Multiquadric函数等。高斯函数的表达式为\varphi(x)=\exp(-\frac{\|x-c_i\|^2}{2\sigma_i^2})，其中c_i是径向基函数的中心，\sigma_i是宽度参数，\|x-c_i\|表示输入向量x与中心c_i之间的距离。RBF神经网络的训练过程主要是确定隐藏层神经元的中心和宽度参数，以及输出层的权重。一种常用的方法是先通过聚类算法（如K-Means算法）确定隐藏层神经元的中心，然后根据中心计算宽度参数，最后通过最小二乘法确定输出层的权重。RBF神经网络具有局部逼近能力强、训练速度快等优点，在模式识别、函数逼近等领域有广泛的应用。在超声检测信号处理中，RBF神经网络可以快速地对超声检测信号进行分类和识别，对于实时性要求较高的检测任务具有一定的优势。然而，RBF神经网络的中心和宽度参数的确定较为困难，需要大量的实验和经验来调整，如果参数选择不当，可能会影响模型的性能。2.3.3神经网络在模式识别中的应用在超声检测缺陷模式识别中，神经网络的应用流程主要包括数据预处理、模型训练、测试与评估等环节。数据预处理是将原始的超声检测数据转换为适合神经网络输入的形式，这一步骤对于提高模型的性能至关重要。由于超声检测信号在采集过程中可能会受到噪声干扰、传感器特性不一致等因素的影响，因此需要对信号进行去噪处理，常用的去噪方法有时域滤波、频域滤波、小波去噪等。还需要对信号进行特征提取，从超声检测信号中提取能够反映缺陷特征的参数，如信号的幅值、频率、相位、能量等。可以通过傅里叶变换、小波变换、短时傅里叶变换等时频分析方法来提取信号的特征。在对薄板粘接缺陷的超声检测信号进行处理时，利用小波变换对信号进行多尺度分解，提取不同尺度下的小波系数作为特征参数，这些特征参数能够有效地反映缺陷的类型和大小等信息。模型训练是通过将预处理后的数据输入到神经网络模型中，调整模型的参数，使得模型能够准确地对输入数据进行分类和预测。在训练过程中，需要选择合适的损失函数和三、基于时频分析的薄板粘接缺陷超声检测信号处理3.1超声检测信号采集3.1.1实验装置与设备本实验采用的超声检测系统主要由超声探头、信号发生器、数据采集卡以及计算机等组成。超声探头选用了[具体型号]的压电式超声探头，其中心频率为[X]MHz，带宽为[X]MHz，具有较高的灵敏度和分辨率。压电式超声探头的工作原理基于压电效应，当在压电材料上施加交变电压时，压电材料会产生机械振动，从而发射出超声波；反之，当超声波作用于压电材料时，压电材料会产生电荷，从而实现超声波信号到电信号的转换。在检测薄板粘接缺陷时，超声探头的高频特性能够更准确地捕捉到缺陷处的微小反射信号，提高检测的精度。信号发生器选用了[具体型号]，它能够产生频率、幅值和脉冲宽度等参数可调的电信号，为超声探头提供激励信号。该信号发生器的频率范围为[X]Hz-[X]Hz，幅值精度可达±[X]%，能够满足不同实验条件下对激励信号的要求。在实验中，通过调整信号发生器的频率参数，可以使超声探头发射出不同频率的超声波，研究不同频率超声波对薄板粘接缺陷检测的影响。数据采集卡采用了[具体型号]，其采样频率最高可达[X]MHz，分辨率为[X]位，具有多个模拟输入通道，能够实现对超声检测信号的高速、高精度采集。数据采集卡通过PCI接口与计算机相连，将采集到的模拟信号转换为数字信号，并传输到计算机中进行后续处理。在采集超声检测信号时，高采样频率能够保证采集到信号的细节信息，避免信号失真，而高分辨率则可以提高信号的量化精度，增强信号处理的准确性。计算机则用于控制整个实验过程，包括信号发生器的参数设置、数据采集卡的启动和停止以及采集数据的存储和分析等。在实验中，利用计算机上安装的专业软件，可以方便地设置信号发生器和数据采集卡的参数，实时监测采集到的超声检测信号，并对信号进行初步的处理和分析。3.1.2实验样本制备实验样本选用了[具体材料]的薄板，其厚度为[X]mm，尺寸为[长×宽]mm×mm。这种材料具有良好的声学性能，在超声检测中能够清晰地反映出缺陷对超声信号的影响，便于分析和研究。薄板之间的粘接采用了[具体型号]的胶粘剂，该胶粘剂具有较高的粘接强度和稳定性，能够模拟实际工程中的薄板粘接结构。在实际工程中，胶粘剂的性能对薄板粘接结构的质量和可靠性起着关键作用，选择合适的胶粘剂能够提高实验的真实性和有效性。为了模拟不同类型的薄板粘接缺陷，在制作样本时设置了脱粘、气孔和裂纹等缺陷。对于脱粘缺陷，通过在粘接界面局部涂抹脱模剂，使该区域无法形成有效粘接，从而模拟脱粘情况；对于气孔缺陷，在胶粘剂中混入一定量的微小气泡，然后进行粘接，以形成气孔缺陷；对于裂纹缺陷，则采用机械加工的方法在薄板表面预制一定长度和深度的裂纹，再进行粘接。通过设置不同类型的缺陷，可以全面研究时频分析方法在检测各种缺陷时的性能和效果。制作好的样本经过严格的质量检测，确保缺陷的尺寸和位置符合设计要求。使用显微镜对样本进行观察，测量脱粘区域的面积、气孔的大小和裂纹的长度和深度等参数，并记录下来。这些参数将作为后续信号分析和缺陷识别的重要依据，有助于准确评估时频分析方法对不同尺寸和类型缺陷的检测能力。3.1.3信号采集过程与参数设置在信号采集过程中，首先将超声探头与信号发生器相连，将信号发生器产生的激励信号传输给超声探头，使其发射超声波。然后，将超声探头放置在样本表面，使超声波垂直入射到薄板粘接结构中。超声波在传播过程中遇到缺陷时，会发生反射和折射，反射波被超声探头接收，并转换为电信号。该电信号经过放大和滤波处理后，传输到数据采集卡中进行采集。采样频率的选择依据奈奎斯特采样定理，为了能够准确地采集到超声检测信号的所有频率成分，采样频率应至少为信号最高频率的两倍。在本实验中，考虑到超声探头的中心频率为[X]MHz，以及可能存在的高频噪声，将采样频率设置为[X]MHz，以确保能够完整地采集到信号的信息。如果采样频率过低，可能会导致信号混叠，丢失高频信息，从而影响后续的信号处理和分析。采样点数的设置则根据信号的持续时间和采样频率来确定。为了保证能够采集到足够长的信号，以提取到完整的缺陷特征信息，经过多次试验和分析，将采样点数设置为[X]点。这样的设置能够在保证信号完整性的同时，不会过多地增加数据处理的负担。如果采样点数过少，可能无法准确地反映信号的变化趋势，导致缺陷特征提取不完整；而采样点数过多，则会增加数据存储和处理的难度，降低检测效率。在采集过程中，还对信号进行了多次重复采集，以提高信号的可靠性和稳定性。对每个样本在相同位置进行了[X]次采集，然后对采集到的信号进行平均处理，减少随机噪声的影响。通过多次重复采集和平均处理，可以有效地提高信号的信噪比，增强信号的特征，为后续的时频分析和缺陷识别提供更可靠的数据基础。3.2时频分析方法的选择与应用3.2.1时频分析方法的对比与选择在超声检测信号处理中，常用的时频分析方法有短时傅里叶变换（STFT）、小波变换（WT）、Wigner-Ville分布（WVD）等。短时傅里叶变换通过加窗的方式将信号在时间上进行分段，然后对每一段进行傅里叶变换，从而得到信号在不同时间和频率上的分布信息。在超声导波检测中，STFT可用于分析导波信号的频散现象，能够有效克服时域分析的不足，对导波信号进行动态的频谱分析和模式识别，同时可对实际的群速度进行较精确的测量。然而，STFT的时间分辨率和频率分辨率相互制约，窗函数的选择对分析结果影响较大，当信号的频率变化较快时，其分析效果会受到一定的限制。对于薄板粘接缺陷超声检测信号，由于缺陷类型多样，信号特征复杂，STFT难以自适应地调整时间分辨率和频率分辨率，以满足对不同频率成分信号的分析需求。小波变换则利用小波基函数对信号进行多尺度分解，不同尺度下的小波系数反映了信号在不同频率和时间分辨率下的特征。在超声检测信号处理中，小波变换可用于去噪、特征提取和缺陷识别等方面。利用小波变换对表面产生再结晶的DZ4合金试样的超声回波信号进行去噪处理，根据小波变换的多尺度特点，对信号进行2层分解，将信号进行分频处理，由于噪声存在于高频成分，将信号分解后的高频成分滤去，并进行信号重构，去噪后的超声回波信号较去噪前更加光滑，既保留了信号本身特征，又提高了信号的分析精度。小波变换具有更好的时频局部化特性，能够根据信号的频率自动调整时间分辨率和频率分辨率，更适合分析非平稳信号，如薄板粘接缺陷超声检测信号。Wigner-Ville分布是一种双线性时频分布，能够提供比线性时频分析方法更高的时频分辨率。在处理多分量信号时，能够清晰地分辨出不同频率成分在时间上的分布情况。在超声检测中，当检测信号中包含多个不同频率的反射波时，WVD可以准确地分析出各个反射波的频率和到达时间，从而有助于更准确地判断缺陷的位置和性质。WVD存在交叉项干扰的问题，当信号中包含多个频率成分时，不同成分之间会产生交叉项，这些交叉项会在时频平面上产生虚假的能量分布，干扰对真实信号时频特性的分析。综合考虑各种时频分析方法的优缺点以及薄板粘接缺陷检测的需求，本研究选择小波变换作为主要的时频分析方法。薄板粘接缺陷超声检测信号具有非平稳性和复杂性的特点，小波变换的多尺度分析特性和良好的时频局部化特性，能够更好地适应这些特点，准确地提取信号的特征，为后续的缺陷识别和分类提供有力支持。3.2.2基于小波变换的信号处理利用小波变换对超声检测信号进行降噪处理时，首先对采集到的原始超声检测信号进行小波分解。选择合适的小波基函数是小波分解的关键，在本研究中，通过对不同小波基函数的试验和分析，选用了[具体小波基函数]，如Daubechies小波、Symlets小波等，这些小波基函数具有良好的紧支性和正则性，能够更好地适应超声检测信号的特点。将信号分解为不同尺度下的近似分量和细节分量，近似分量反映了信号的低频成分，细节分量反映了信号的高频成分。由于噪声通常集中在高频部分，而有用信号主要包含在低频部分，因此可以通过对细节分量进行阈值处理来去除噪声。阈值处理采用了软阈值方法，其公式为：\hat{d}_{j,k}=sign(d_{j,k})(|d_{j,k}|-\lambda)其中，\hat{d}_{j,k}是经过阈值处理后的小波系数，d_{j,k}是原始的小波系数，\lambda是阈值，sign是符号函数。阈值\lambda的选择根据信号的特点和噪声水平进行调整，一般采用基于Stein无偏风险估计（SURE）的方法来确定最优阈值。通过软阈值处理，可以在去除噪声的同时，尽量保留有用信号的特征。经过阈值处理后，对小波系数进行重构，得到降噪后的超声检测信号。在MATLAB软件中，利用小波分析工具箱提供的函数，如wavedec函数进行小波分解，wthresh函数进行阈值处理，waverec函数进行信号重构，能够方便快捷地实现基于小波变换的超声检测信号降噪处理。通过对比降噪前后的信号，可以明显看出降噪后的信号更加平滑，噪声干扰得到了有效抑制，信号的特征更加清晰，为后续的特征提取和缺陷识别提供了更好的数据基础。在对超声检测信号进行特征提取时，基于小波变换的多尺度分析特性，提取不同尺度下的小波系数作为信号的特征参数。对于不同类型和尺寸的薄板粘接缺陷，其超声检测信号在不同尺度下的小波系数会表现出不同的特征。脱粘缺陷可能会导致信号在某些尺度下的小波系数幅值发生变化，裂纹缺陷可能会使信号在特定尺度下的小波系数出现奇异点等。通过分析这些特征，可以实现对薄板粘接缺陷的识别和分类。在实际应用中，可以将提取到的小波系数特征参数组成特征向量，作为神经网络等分类器的输入，用于训练和测试，以实现对薄板粘接缺陷的准确识别。3.2.3时频分析结果分析与特征提取对经过小波变换处理后的超声检测信号进行时频分析，得到信号的时频图。在时频图中，横坐标表示时间，纵坐标表示频率，图中的颜色或灰度表示信号在不同时间和频率上的能量分布。通过观察时频图，可以直观地了解信号的频率随时间的变化情况，以及不同频率成分在时间上的分布特征。对于正常的薄板粘接结构，其超声检测信号的时频图表现出相对稳定的能量分布，频率成分主要集中在超声探头的中心频率附近，且在时间上的分布较为均匀。而当存在粘接缺陷时，时频图会出现明显的变化。在存在脱粘缺陷的区域，由于超声波在脱粘界面处发生反射和散射，导致信号的能量分布发生改变，时频图上会出现能量集中的区域或异常的频率成分；对于气孔缺陷，由于气孔对超声波的散射作用，会使信号的高频成分增加，时频图上高频部分的能量会相对增强。从时频分析结果中提取与薄板粘接缺陷相关的特征参数，主要包括能量分布特征和频率特征。能量分布特征可以通过计算不同频率区间内的信号能量来获得，如将时频图划分为多个频率区间，计算每个区间内的能量占总能量的比例。对于存在缺陷的信号，其在某些频率区间内的能量分布会与正常信号有明显差异，这些差异可以作为缺陷识别的特征。频率特征则可以通过分析信号的主频、频率带宽等参数来提取。存在裂纹缺陷的信号，其主频可能会发生偏移，频率带宽也可能会变宽。这些特征参数具有明确的物理意义，能量分布特征反映了超声波在薄板粘接结构中传播时，由于缺陷的存在导致能量的重新分配情况；频率特征则反映了缺陷对超声波频率特性的影响。通过对这些特征参数的分析和研究，可以深入了解薄板粘接缺陷的类型、大小和位置等信息，为后续的缺陷识别和分类提供重要依据。在实际应用中，可以利用统计分析方法对提取到的特征参数进行进一步处理和分析，如计算特征参数的均值、方差等统计量，以增强特征的稳定性和可区分性，提高缺陷识别的准确率。四、基于神经网络的薄板粘接缺陷识别模型构建4.1神经网络模型设计4.1.1模型结构选择在薄板粘接缺陷识别中，综合考虑模型的性能、计算复杂度以及对超声检测信号的处理能力，本研究选择卷积神经网络（ConvolutionalNeuralNetwork，CNN）作为主要的神经网络结构。CNN具有独特的卷积层和池化层结构，能够自动提取数据的特征，特别适合处理具有空间结构的数据，如超声检测信号的时频图。卷积层中的卷积核可以对输入数据进行卷积操作，提取数据的局部特征，通过共享卷积核权重，大大减少了模型的参数数量，降低了计算复杂度，提高了训练效率。在处理超声检测信号的时频图时，卷积核可以捕捉到时频图中不同频率和时间位置的特征，如缺陷信号的能量集中区域、频率变化特征等。池化层则通过对卷积层输出的特征图进行下采样，减少数据的维度，降低计算量，同时还能增强模型对平移、旋转等变换的不变性。常见的池化操作有最大池化和平均池化，最大池化选择特征图中局部区域的最大值作为池化结果，能够突出重要特征；平均池化则计算局部区域的平均值，对特征进行平滑处理。在薄板粘接缺陷识别中，池化层可以有效地提取超声检测信号的关键特征，减少噪声和冗余信息的影响。与传统的BP神经网络相比，CNN不需要手动提取特征，能够自动从大量数据中学习到有效的特征表示，提高了特征提取的准确性和效率。在处理复杂的薄板粘接缺陷超声检测信号时，BP神经网络可能需要大量的人工特征工程，且容易受到噪声和干扰的影响，而CNN能够通过卷积和池化操作，自动学习到信号的内在特征，对噪声和干扰具有更强的鲁棒性。4.1.2输入层与输出层设计输入层节点数量根据时频分析提取的特征向量维度确定。在经过小波变换等时频分析方法处理后，提取了不同尺度下的小波系数、能量分布特征、频率特征等作为特征参数，这些特征参数组成的特征向量维度为[X]，因此输入层节点数量设置为[X]。输入数据形式为经过归一化处理后的时频特征向量，归一化可以将数据映射到[0,1]或[-1,1]区间，避免因数据尺度差异较大导致模型训练不稳定。采用最小-最大归一化方法，公式为：x_{norm}=\frac{x-x_{min}}{x_{max}-x_{min}}其中，x为原始数据，x_{min}和x_{max}分别为数据的最小值和最大值，x_{norm}为归一化后的数据。输出层节点数量根据缺陷类型和位置的表示方式确定。在本研究中，考虑了脱粘、气孔、裂纹三种主要的薄板粘接缺陷类型，以及缺陷在薄板中的位置信息。将缺陷类型用独热编码（One-HotEncoding）表示，即将每种缺陷类型表示为一个长度为3的向量，其中对应缺陷类型的位置为1，其他位置为0。对于缺陷位置，将薄板划分为[X]个区域，用一个长度为[X]的向量表示缺陷所在区域，其中对应区域的位置为1，其他位置为0。因此，输出层节点数量为3+[X]。4.1.3隐藏层设计与参数设置隐藏层包括多个卷积层、池化层和全连接层。卷积层的层数设置为[X]层，通过多次卷积操作，可以逐步提取超声检测信号的深层次特征。第一层卷积层的卷积核大小设置为[3×3]，步长为1，填充为1，这样可以保证卷积后的特征图大小与输入相同，充分提取局部特征；随着网络层数的增加，卷积核大小逐渐减小，如第二层卷积层的卷积核大小设置为[2×2]，步长为1，填充为0，以进一步提取更精细的特征。池化层紧跟在卷积层之后，每隔一层卷积层设置一个池化层，采用最大池化操作，池化核大小为[2×2]，步长为2，通过池化操作，可以减少特征图的尺寸，降低计算量，同时保留重要特征。全连接层连接在卷积层和池化层之后，将提取到的特征进行整合，输出最终的预测结果。全连接层的层数设置为[X]层，第一层全连接层的节点数量设置为[X]个，通过非线性变换，对特征进行进一步的抽象和组合；第二层全连接层的节点数量根据输出层节点数量确定，为3+[X]个，将抽象后的特征映射到输出空间，得到缺陷类型和位置的预测结果。激活函数选择ReLU（RectifiedLinearUnit）函数，其表达式为f(x)=\max(0,x)。ReLU函数具有计算简单、收敛速度快、能有效缓解梯度消失问题等优点。在卷积层和全连接层中，使用ReLU函数作为激活函数，能够增强模型的非线性表达能力，使模型能够学习到更复杂的特征关系。隐藏层的参数设置对模型性能有重要影响。卷积核大小、步长、填充等参数决定了卷积操作对数据的处理方式，影响特征提取的效果；池化核大小和步长决定了池化操作对数据的下采样程度，影响计算量和特征的保留；全连接层的节点数量和激活函数则影响模型对特征的整合和输出能力。在实际训练中，需要通过多次实验和调整，找到最优的参数设置，以提高模型的性能。4.2模型训练与优化4.2.1训练数据集的准备训练数据集来源于第三章中超声检测信号采集实验所获取的数据。对采集到的超声检测信号，利用小波变换等时频分析方法进行处理，提取时频特征向量，作为训练数据集的样本特征。为了增加训练数据集的多样性和泛化能力，采用数据增强方法对样本进行扩充。数据增强方法包括随机平移、旋转、缩放等操作。在时频图上进行随机平移操作，将时频图在时间和频率方向上随机移动一定的像素，模拟实际检测中信号的微小偏移；进行随机旋转操作，将时频图以一定的角度进行旋转，增加样本的变化；进行随机缩放操作，对时频图在时间和频率维度上进行不同比例的缩放，以适应不同尺度的缺陷信号。将处理后的数据集按照70%、15%、15%的比例划分为训练集、验证集和测试集。训练集用于模型的训练，使模型学习到数据的特征和规律；验证集用于在训练过程中评估模型的性能，调整模型的超参数，防止模型过拟合；测试集用于在模型训练完成后，评估模型的泛化能力和准确性。在数据预处理步骤中，对数据进行归一化处理，使数据的分布更加均匀，提高模型的训练效率和稳定性。采用零-均值归一化方法，公式为：x_{norm}=\frac{x-\mu}{\sigma}其中，x为原始数据，\mu为数据的均值，\sigma为数据的标准差，x_{norm}为归一化后的数据。4.2.2训练算法选择与参数调整选择Adam（AdaptiveMomentEstimation）算法作为模型的训练算法。Adam算法是一种自适应学习率的优化算法，它结合了Adagrad算法和RMSProp算法的优点，能够根据每个参数的梯度自适应地调整学习率。Adam算法不仅计算效率高，内存需求少，而且对不同的问题具有较好的适应性，能够在训练过程中快速收敛到较优的解。Adam算法的参数主要包括学习率\alpha、一阶矩估计的指数衰减率\beta_1和二阶矩估计的指数衰减率\beta_2。在本研究中，初始学习率\alpha设置为0.001，\beta_1设置为0.9，\beta_2设置为0.999。在训练过程中，为了使模型能够更快地收敛到最优解，同时避免学习率过大导致模型不稳定或学习率过小导致训练时间过长，采用学习率衰减策略。每隔一定的训练轮数（如50轮），将学习率乘以一个衰减因子（如0.9），使学习率逐渐减小。迭代次数设置为[X]次，通过多次迭代训练，使模型能够充分学习到数据的特征和规律。在训练过程中，实时监测模型在验证集上的损失函数值和准确率等指标，当验证集上的损失函数值在一定轮数（如10轮）内不再下降时，认为模型已经收敛，停止训练，以防止模型过拟合。4.2.3模型优化策略为了防止模型过拟合，采用L2正则化方法对模型进行约束。L2正则化也称为权重衰减，它通过在损失函数中添加一个正则化项，惩罚模型的权重参数，使模型的权重值不会过大，从而避免模型过拟合。L2正则化项的表达式为：L_{reg}=\frac{\lambda}{2}\sum_{w\inW}w^2其中，\lambda为正则化系数，W为模型的权重参数集合。在本研究中，正则化系数\lambda设置为0.001。在模型中引入Dropout技术，Dropout是一种简单而有效的防止过拟合的方法。在训练过程中，Dropout以一定的概率（如0.5）随机将隐藏层中的神经元输出设置为0，这样可以迫使模型学习到更加鲁棒的特征，减少神经元之间的共适应性，从而降低模型的过拟合风险。通过交叉验证的方式评估模型的性能。在训练过程中，将训练集划分为[X]个子集，每次选取其中一个子集作为验证集，其余子集作为训练集，进行[X]次训练和验证，最后将[X]次验证的结果进行平均，得到模型的性能评估指标。通过交叉验证，可以更全面地评估模型的性能，选择最优的模型参数，提高模型的泛化能力。4.3模型性能评估4.3.1评估指标选择选择准确率（Accuracy）、召回率（Recall）、F1值（F1-Score）和均方误差（MeanSquaredError，MSE）等指标来评估薄板粘接缺陷识别模型的性能。准确率是指模型正确预测的样本数占总样本数的比例，计算公式为：Accuracy=\frac{TP+TN}{TP+TN+FP+FN}其中，TP（TruePositive）表示真正例，即模型正确预测为正样本的样本数；TN（TrueNegative）表示真反例，即模型正确预测为负样本的样本数；FP（FalsePositive）表示假正例，即模型错误预测为正样本的样本数；FN（FalseNegative）表示假反例，即模型错误预测为负样本的样本数。准确率反映了模型预测的总体准确性，能够直观地评估模型对正负样本的分类能力。召回率是指真正例在所有实际正样本中所占的比例，计算公式为：Recall=\frac{TP}{TP+FN}召回率衡量了模型对正样本的检测能力，对于薄板粘接缺陷识别来说，召回率越高，说明模型能够检测出更多的实际存在的缺陷，减少漏检的情况。F1值是综合考虑准确率和召回率的指标，它是准确率和召回率的调和平均数，计算公式为：F1=\frac{2\timesPrecision\timesRecall}{Precision+Recall}其中，Precision表示精确率，计算公式为Precision=\frac{TP}{TP+FP}。F1值能够更全面地评估模型的性能，当准确率和召回率都较高时，F1值也会较高，因此F1值常被用于衡量模型在分类任务中的综合表现。均方误差用于评估模型对缺陷位置预测的准确性，计算公式为：MSE=\frac{1}{n}\sum_{i=1}^{n}(y_{i}-\hat{y}_{i})^2其中，n为样本数量，y_{i}为实际缺陷位置，\hat{y}_{i}为模型预测的缺陷位置。均方误差越小，说明模型预测的缺陷位置与实际位置越接近，模型对缺陷位置的预测精度越高。4.3.2测试结果与分析使用测试数据集对训练好的模型进行测试，得到的测试结果如下表所示：缺陷类型准确率召回率F1值均方误差脱粘[X1][X2][X3][X4]气孔[X5][X6][X7][X8]裂纹[X9][X10][X11][X12]总体[X13][X14][X15][X16]从测试结果可以看出，模型对于不同类型的薄板粘接缺陷都具有较高的识别准确率、召回率和F1值，说明模型能够有效地识别出各种类型的缺陷。对于脱粘缺陷，准确率达到了[X1]，召回率为[X2]，F1值为[X3]，这表明模型在检测脱粘缺陷时，能够准确地判断缺陷的存在，并且能够检测出大部分实际存在的脱粘缺陷。在不同样本数量的情况下，模型的性能表现也有所不同。随着样本数量的增加，模型的准确率、召回率和F1值都呈现上升趋势。当样本数量较少时，模型可能无法学习到足够的特征，导致性能下降；而当样本数量足够多时，模型能够学习到更丰富的特征，从而提高性能。当样本数量为[X]时，模型的准确率为[X17]，召回率为[X18]，F1值为[X19]；当样本数量增加到[X+100]时，准确率提高到[X20]，召回率提高到[X21]，F1值提高到[X22]。4.3.3与其他方法的对比将本研究提出的基于时频分析和神经网络的方法与传统超声检测方法以及其他智能检测方法进行对比。传统超声检测方法主要依靠人工观察超声检测信号的幅值、相位等特征来判断缺陷的存在和类型，这种方法主观性强，对检测人员的经验要求高，且容易受到噪声和干扰的影响，检测准确率较低。与其他智能检测方法相比，如支持向量机（SupportVectorMachine，SVM）方法，本研究方法在准确率、召回率和F1值等指标上都具有一定的优势。在对相同的薄板粘接缺陷数据集进行测试时，SVM方法的准确率为[X23]，召回率为[X24]，F1值为[X25]，而本研究方法的准确率为[X13]，召回率为[X14]，F1值为[X15]，均高于SVM方法。本研究方法也存在一些不足之处，如模型的训练时间较长，对硬件设备的要求较高。在未来的研究中，可以进一步优化模型结构和训练算法，提高模型的训练效率和检测速度，以更好地满足实际工程应用的需求。五、实验验证与结果分析5.1实验方案设计5.1.1实验目的与流程本实验的核心目的在于全面且深入地验证基于时频分析和神经网络的薄板粘接缺陷超声检测方法的有效性，通过严谨的实验设计和数据分析，评估该方法在实际应用中的可行性和准确性，为其进一步推广和优化提供坚实的依据。实验流程涵盖了从样本准备、信号采集、时频分析、特征提取到神经网络识别的一系列关键步骤。首先，依据既定的设计要求，精心制备包含不同类型（脱粘、气孔、裂纹）和尺寸（如脱粘面积分别为10mm²、20mm²、30mm²，气孔直径分别为1mm、2mm、3mm，裂纹长度分别为5mm、10mm、15mm）的薄板粘接缺陷样本，确保样本的多样性和代表性，能够充分模拟实际工程中可能出现的各种缺陷情况。接着，利用前文所述的超声检测系统，在严格控制实验条件（如环境温度保持在25℃±2℃，相对湿度保持在50%±5%）的基础上，对样本进行超声检测信号采集。采集过程中，严格按照设定的参数（采样频率[X]MHz，采样点数[X]点）进行操作，以保证采集到的数据具有准确性和可靠性。采集到的原始超声检测信号随即进入时频分析阶段，运用前文选定并优化的小波变换方法，对信号进行细致处理。在这一过程中，首先对信号进行多尺度分解，将其分解为不同频率和时间分辨率下的近似分量和细节分量；然后，根据信号特点和噪声水平，采用基于Stein无偏风险估计（SURE）的方法确定最优阈值，对细节分量进行软阈值处理，去除噪声干扰；最后，对处理后的小波系数进行重构，得到降噪后的超声检测信号，并提取不同尺度下的小波系数、能量分布特征、频率特征等作为信号的特征参数。将提取到的特征参数组成特征向量，输入到预先构建并训练好的神经网络模型中，进行薄板粘接缺陷的识别。在识别过程中，模型根据输入的特征向量，结合其在训练过程中学习到的特征和规律，对缺陷的类型和位置进行判断和预测。5.1.2变量控制与实验分组在本次实验中，自变量主要包括缺陷类型（脱粘、气孔、裂纹）和缺陷尺寸（不同的面积、直径、长度等），这些自变量的变化将直接影响超声检测信号的特征，进而影响缺陷的识别结果。因变量则为检测准确率，它是衡量本研究方法有效性的关键指标，通过比较模型预测的缺陷类型和位置与实际情况的一致性来确定。为了确保实验结果的准确性和可靠性，控制变量也至关重要。实验过程中，保持超声检测设备的参数（如发射频率、增益等）恒定，以避免设备参数变化对检测结果产生干扰；同时，确保样本的材质、厚度以及胶粘剂的种类和涂抹方式等因素相同，以排除这些因素对实验结果的影响。基于上述变量控制，实验共分为多个组。针对不同类型的缺陷，分别设置了脱粘组、气孔组和裂纹组。在每个缺陷类型组中，又根据缺陷尺寸的不同，进一步细分为多个小组。对于脱粘组，设置了脱粘面积为10mm²、20mm²、30mm²的三个小组；对于气孔组，设置了气孔直径为1mm、2mm、3mm的三个小组；对于裂纹组，设置了裂纹长度为5mm、10mm、15mm的三个小组。通过这样的分组设计，可以全面研究不同类型和尺寸的缺陷对检测结果的影响。5.1.3实验重复与数据收集为了增强实验结果的可靠性，每个实验小组均进行了10次重复实验。在每次实验中，严格按照实验流程进行操作，确保实验条件的一致性。对采集到的超声检测信号进行实时记录，并存储在计算机中，以备后续分析使用。数据收集过程中，详细记录每次实验的样本编号、缺陷类型、缺陷尺寸、超声检测信号以及神经网络识别结果等信息。对实验过程中出现的异常情况（如设备故障、信号干扰等）也进行了详细记录，以便在数据分析时进行排除或处理。通过多次重复实验和全面的数据收集，可以有效减少实验误差，提高实验结果的可信度，为后续的结果分析和讨论提供充足的数据支持。5.2实验结果与讨论5.2.1时频分析结果展示对超声检测信号进行小波变换时频分析后，得到了清晰直观的时频图。在正常薄板粘接结构的时频图中，能量分布呈现出相对均匀且稳定的状态，频率成分主要集中在超声探头的中心频率附近。这是因为正常结构中超声波传播较为顺畅，没有明显的反射和散射现象，信号特征相对稳定。当存在脱粘缺陷时，时频图发生了显著变化。在脱粘区域对应的时间和频率位置，出现了明显的能量集中现象。这是由于超声波在脱粘界面处发生了强烈的反射和散射，导致能量在该区域聚集。随着脱粘面积的增大，能量集中的程度也更加明显，时频图上的能量峰值更高，范围更广。对于气孔缺陷，时频图的高频部分能量明显增强。这是因为气孔对超声波的散射作用，使得超声波的高频成分增加。气孔直径越大，对超声波的散射作用越强，高频部分的能量增强越显著。裂纹缺陷则导致时频图在特定频率处出现了奇异点。这是由于裂纹的存在改变了超声波的传播路径和波型，使得信号在某些频率上产生了异常的变化。裂纹长度越长，奇异点的特征越明显，对信号的影响也越大。除了时频图，还提取了与薄板粘接缺陷相关的特征参数，如能量分布特征和频率特征。能量分布特征通过计算不同频率区间内的信号能量占总能量的比例来获得。存在脱粘缺陷的信号，在某些特定频率区间内的能量占比明显高于正常信号；气孔缺陷信号的高频区间能量占比相对较大；裂纹缺陷信号则在特定频率区间出现能量的突变。频率特征主要包括主频和频率带宽。脱粘缺陷可能会导致信号主频的偏移和频率带宽的变化；气孔缺陷会使频率带宽变宽；裂纹缺陷则可能引起主频的降低和频率带宽的进一步扩大。这些特征参数的变化与薄板粘接缺陷的类型和尺寸密切相关，为后续的神经网络识别提供了重要的依据。5.2.2神经网络识别结果分析利用训练好的神经网络模型对薄板粘接缺陷进行识别，得到了较为准确的结果。在缺陷类型判断方面，对于脱粘缺陷，模型的准确率达到了[X1]，召回率为[X2]，F1值为[X3]。这表明模型能够准确地识别出大部分脱粘缺陷，并且误判的情况较少。对于气孔缺陷，准确率为[X5]，召回率为[X6]，F1值为[X7]，模型对气孔缺陷也具有较高的识别能力，能够有效地检测出气孔缺陷的存在。裂纹缺陷的识别准确率为[X9]，召回率为[X10]，F1值为[X11]，虽然识别效果相对较好，但仍存在一定的误判情况。在缺陷位置判断方面，模型预测的缺陷位置与实际位置的均方误差为[X16]，说明模型在缺陷位置预测上具有一定的准确性，但仍存在一定的误差。分析误判的原因，主要包括以下几个方面。部分缺陷信号的特征不够明显，导致模型难以准确识别。一些微小的气孔缺陷，其对超声检测信号的影响较小，信号特征与正常信号较为相似，容易被模型误判为正常。噪声干扰也会对模型的识别结果产生影响。在信号采集过程中，虽然采取了一定的降噪措施，但仍可能存在一些噪声，这些噪声会干扰模型对信号特征的提取和判断。针对这些问题，提出以下改进方向。进一步优化时频分析方法，提高信号特征提取的准确性，使缺陷信号的特征更加明显，便于模型识别。加强对噪声的处理，采用更有效的降噪算法，减少噪声对信号的干扰。增加训练数据的多样性和数量，让模型学习到更多不同类型和尺寸缺陷的特征，提高模型的泛化能力。5.2.3影响检测性能的因素分析检测距离对检测性能有着显著的影响。随着检测距离的增加，超声波在传播过程中的能量衰减加剧，信号的幅值逐渐减小，信噪比降低。这使得缺陷信号的特征变得更加模糊，难以被准确识别。当检测距离超过一定范围时，可能会导致部分缺陷无法被检测到。为了减少检测距离对检测性能的影响，可以采用高灵敏度的超声探头，提高信号的接收能力；同时，优化超声检测系统的参数，如增加发射功率、调整增益等，以增强信号的强度。样本材质的不同也会对检测性能产生影响。不同材质的薄板和胶粘剂具有不同的声学特性，如声速、声阻抗等。这些特性的差异会导致超声波在传播过程中的反射、折射和散射情况发生变化，从而影响信号的特征和检测效果。对于声阻抗差异较大的材料组合，超声波在界面处的反射较强，可能会掩盖缺陷信号；而对于声速不同的材料，信号的传播时间和相位也会发生改变，增加了信号处理和分析的难度。在实际应用中，需要根据样本材质的特点，选择合适的超声检测参数和时频分析方法，以提高检测的准确性。噪声干扰是影响检测性能的另一个重要因素。在超声检测过程中，可能会受到来自环境噪声、设备噪声等多种噪声的干扰。这些噪声会叠加在超声检测信号上，使信号变得复杂，降低信号的质量。为了降低噪声干扰，可以采取一系列措施，如在信号采集过程中采用屏蔽技术，减少外界电磁干扰；使用低噪声的超声检测设备和数据采集卡；采用有效的降噪算法，如小波去噪、自适应滤波等，对采集到的信号进行处理。5.3实际应用案例分析5.3.1工程实际案例介绍选取某航空发动机短舱的薄板粘接结构作为实际应用案例。该航空发动机短舱采用了大量的薄板粘接结构，以实现轻量化和良好的空气动力学性能。由于短舱在发动机运行过程中承受着高温、高压和强烈的振动等复杂工况，对薄板粘接结构的质量和可靠性要求极高。在实际使用过程中，发现部分薄板粘接