基于递归量化分析的CFRP超声检测缺陷识别方法

作     者：王海军 王涛 俞慈君 WANG Haijun;WANG Tao;YU Cijun

作者机构：浙江大学工程师学院浙江杭州310058 浙江大学机械工程学院浙江杭州310058 

出 版 物：《浙江大学学报（工学版）》 (Journal of Zhejiang University：Engineering Science)

年 卷 期：2024年第58卷第8期

页      面：1604-1617页

核心收录：

学科分类：0810[工学-信息与通信工程] 08[工学] 1010[医学-医学技术（可授医学、理学学位）] 080401[工学-精密仪器及机械] 0804[工学-仪器科学与技术] 080402[工学-测试计量技术及仪器] 0805[工学-材料科学与工程（可授工学、理学学位）] 0835[工学-软件工程] 081002[工学-信号与信息处理] 1009[医学-特种医学] 

基　　金：自然科学基金重点资助项目(91748204) 国家自然科学基金创新研究群体科学基金资助项目(51821093) 浙江省重点研发计划资助项目(2020C01039) 

主　　题：碳纤维复合材料(CFRP) 无损检测 变分模态分解 递归量化分析 特征提取 卷积神经网络 缺陷识别 

摘      要：为了解决碳纤维增强复合材料(CFRP)超声检测缺陷识别不准确、不可靠的问题,提出自适应变分模态分解(AVMD)与递归量化分析技术(RQAT)特征提取和卷积神经网络(CNN)识别方法.实验预埋6种模拟缺陷,使用超声相控阵检测后,每种缺陷取500个A扫描波形信号数据,利用蝠鲼智能优化算法优化出变分模态分解(VMD)所需的K、Alpha,使用优化参数的VMD得到本征模态函数(IMF)分量,筛选高频噪声部分,对剩余IMF分量使用递归量化分析技术.每个信号得到72个特征值,将特征值组成特征向量,输入CNN进行识别,训练集识别正确率为99.94%,验证集识别正确率为98.09%,测试集识别正确率为98.27%.结果表明,AVMD与RQAT、CNN的结合解决了CFRP超声检测中缺陷的识别分类问题.