Page 50 - 2024中国无损检测年度报告
P. 50
有效提升损伤特征的空间分布一致性。试验结果 先验信息和预先标定，可有效进行多裂纹损伤实
表明，FAA-ELM 模型在精度和召回率上均超过 时监测，具有潜在工程应用价值。
90%，较传统机器学习方法提升约 10%，验证
了该方法在复杂工况下的鲁棒性。
图 12 基于极限学习机模型的风机齿轮箱故障诊断方法
3.8 基于超声导波与多特征融合成像的风机叶片
损伤监测方法
提出了一种基于超声导波与多特征融合成像
的风机叶片损伤监测方法，系统构成及其检测结
果如图 13 所示。针对叶片蒙皮开裂、碳纤维层压
图 14 基于 Lamb 波散射源拟合的多裂纹损伤定量化监测
板分层及黏接层脱黏等典型损伤，构建了基于超
声导波的风机叶片结构健康监测平台。通过智能 3.10 基于损伤散射波差异的复合材料风扇叶片超
层（SMART Layer）技术将压电传感器嵌入叶片 声导波损伤定位方法
易疲劳损伤区域，提出了基于多尺度排列熵的多 提出了一种基于损伤散射波差异的超声导波
特征融合指标UBI，同时引入正交匹配追踪（OMP） 损伤定位方法，以避免复合材料叶片内复杂导波
改进了概率加权分布成像（PDI）算法，显著提升 模态对损伤监测的影响，其总体架构如图 15 所示。
了损伤区域的信号重建精度与定位准确性。 该方法将每对传感器互相激励与接收信号中包含
的损伤散射波换算为损伤因子（DI），以每对 DI
比值来获得损伤似然线，最后以多条似然线的相
交点定位损伤。该方法可适用于不规则传感器阵
列的超声导波监测，并且无需考虑被监测叶片的
结构以及铺层方式。相比传统的曲面损伤定位方
法，该方法消除了对曲面中导波信号加权的步骤，
图 13 基于超声导波与多特征融合成像的风机叶片 对变曲率复合材料叶片有更好的适应性。
损伤监测
3.9 基于 Lamb 波散射源拟合的多裂纹损伤定量
化诊断算法
针对航空结构广布裂纹损伤监测需求，提出
了基于 Lamb 波的金属结构多裂纹损伤定位、定
向和定量算法，系统构成及其检测结果如图 14 所
示。首先构建基于环形压电阵列和 pitch-catch 图 15 基于损伤散射波差异的超声导波损伤定位方法
方式的多裂纹损伤全向监测传感网络布局，通过 3.11 基于应力波特征的复合材料风扇叶片撞击定
基于 Hausdorff 值的加权平均成像算法实现裂纹 位方法
数量和每条裂纹位置及约束区域的识别，基于识 提出了一种基于应力波特征的撞击定位方
别的约束区域，有效降低多损伤之间的耦合影响； 法，以应对叶片复杂结构和材料的各向异性导
然后提出基于十字交叉和波散射源拟合的多裂纹 致的定位精度差的问题。该方法首先针对变曲
定向和定量算法，实现了监测区域内任意位置、 率面设计压电传感器阵列以采集应力波信号；
任意角度的多裂纹损伤诊断；最后在某真实飞机 其次采用信号分解方法和特征提取筛选方法，
翼盒结构上进行了多损伤诊断验证。该方法无需 获取与距离呈单调衰减关系、受材料各向异性
42
