一种基于元学习的蜂窝结构缺陷损伤程度智能判别方法

技术领域

本发明涉及声学检测领域，具体而言，涉及一种基于元学习的蜂窝结构缺陷损伤程度智能判别方法。

背景技术

蜂窝结构由于其比强度高等优点广泛应用于航空航天、交通、能源等领域，在蜂窝结构制作或服役过程中不可避免地会产生各种缺陷，如脱粘等。现有的检测方法中，对缺陷的判断需要经验丰富的检测人员根据检测信号或检测结果对缺陷有无和损伤程度进行判断，这显然限制了检测效率，同时检测的可靠性也容易受到不确定的人为因素干扰；而大部分机器学习方法都需要大量甚至海量的标准数据对判别模型进行训练，考虑到实际蜂窝结构材料、形状、安装形式各不相同，同时缺陷类型、损伤程度和验收标准不一样，因而在实际应用中很难得到并部署相应的判别模型。

发明内容

本发明的目的在于克服了现有技术判断蜂窝结构缺陷时易受人为因素干扰、通用模型难以训练和部署的问题，提出了一种基于元学习的蜂窝结构缺陷损伤程度智能判别方法。本发明提出了基于元学习的蜂窝结构缺陷损伤程度智能判别方法来解决上述矛盾。本方法仅需在检测前通过标准试样采集少量的标准缺陷信号和完好区信号，即可快速生成检测模型，然后利用模型对实际检测信号进行判断，从而确定当前检测位置是否存在缺陷。本发明操作简单，结果明确，适合现场运用，易于实现和推广。

为达到上述目的，本发明通过下述技术方案实现。

本发明提出了一种基于元学习的蜂窝结构缺陷损伤程度智能判别方法，所述方法包括以下步骤：

步骤(1)在标准蜂窝试样上分别获取缺陷区和完好区的标准声学检测信号；

步骤(2)分别计算缺陷区和完好区标准声学检测信号的频谱；

步骤(3)采用上述频谱分别计算缺陷区和完好区信号的聚类中心；

步骤(4)在待检测蜂窝结构上获取实际声学检测信号，分别计算其到两个聚类中心的距离；

步骤(5)根据计算的两个距离进一步计算得相应蜂窝结构的损伤指数，根据损伤指数判断相应蜂窝结构区域的损伤程度。

作为上述技术方案的改进之一，步骤(1)中标准蜂窝试样的材料、制作方法及工艺过程与待测蜂窝结构相同；标准蜂窝试样中存在不低于验收要求尺寸和类型的缺陷，同时包含不存在缺陷的完好区域。

作为上述技术方案的改进之一，所述步骤(1)中获取标准声学检测信号，以及步骤(4)中获取实际声学检测信号，均采用一发一收式检测方法或单探头反射式检测方法获取；其中，

采用一发一收式检测方法时，具体包括：利用一个声学探头向标准蜂窝试样或待检测蜂窝结构发射激励信号，并利用另一个声学探头接收信号，接收的信号即为标准声学检测信号或实际声学检测信号；

采用单探头反射式检测方法时，具体包括：利用单个声学探头向标准蜂窝试样或待检测蜂窝结构发射声波脉冲，同时利用此声学探头分别接收同一深度反射的脉冲回波，即为标准声学检测信号或实际声学检测信号。

作为上述技术方案的改进之一，所述步骤(1)中获取的缺陷区和完好区信号的标准声学检测信号样本数至少3条。

作为上述技术方案的改进之一，所述步骤(3)中，缺陷区信号的聚类中心C

其中，N

完好区信号的聚类中心C

其中，N

作为上述技术方案的改进之一，所述步骤(4)中，实际检测信号到缺陷区聚类中心的距离L

实际检测信号到完好区聚类中心的距离L

其中，X表示实际检测信号的频谱，x

作为上述技术方案的改进之一，所述步骤(5)中，损伤指数DI的计算式为：

作为上述技术方案的改进之一，所述根据损伤指数判断相应蜂窝结构的损伤程度，包括：

损伤指数的值越大，表示相应蜂窝结构是缺陷的概率越大；

根据验收标准现场确定阈值，若损伤指数DI值大于阈值，则判断相应蜂窝结构为缺陷，否则为完好区。

作为上述技术方案的改进之一，所述相应蜂窝结构具体为发射激励信号点和接收信号点连线之间的区域。

作为上述技术方案的改进之一，所述缺陷为脱粘、蜂窝芯损伤或蜂窝芯缺失。

与现有技术相比，本发明所述基于元学习的蜂窝结构缺陷损伤程度智能判别方法的优势在于：

1、本发明所述方法通过模型对信号自动进行判断，提高了判别效率，减少了人为判别的干扰；

2、本发明所述方法仅需少量标准数据即可训练得到判别模型，适合实际检测中现场部署；

3、本发明操作简单，结果明确适合现场运用，易于推广。

附图说明

图1是本发明方法流程图；

图2是实际检测得到的标准蜂窝结构缺陷区和完好区检测信号的频谱；

图3是计算得到缺陷区和完好区聚类中心以及实际检测信号与两中心距离的示意图；

图4(a)是采用本方法对含有缺陷的蜂窝结构试样的扫查信号进行判别，并计算各位置得到的DI分布图；图4(b)是对蜂窝结构进行超声C扫描的结果。

具体实施方式

下面结合附图和实施例对本发明的技术方案进行详细的说明。

如图1所示，为本发明方法流程图，本发明方法包括以下步骤：

(1)在标准蜂窝试样上分别获取脱粘区和完好区的检测信号；

(2)分别计算脱粘区和完好区检测信号的频谱；

(3)采用上述频谱分别计算脱粘区和完好区信号的聚类中心，分别记为C

(4)对实际检测信号，分别计算其到两个聚类中心的距离L

(5)根据L

其中，步骤(3)-步骤(5)就是一种元学习算法的流程。元学习(Meta-Learing)，又称“学会学习“(Learning to learn),即利用以往的知识经验来指导新任务的学习，使网络具备学会学习的能力。

作为上述技术方案的一种改进，本发明中采用的是声学检测方法，具体实施方式是一发一收，即两个声学探头，其中一个激励信号，另一探头接收，激励信号参数由当前方法的工艺参数选择原则确定。

本发明实例中的激励参数主要为激励信号幅度、频率范围、信号时长；不同检测方法激励参数不一定相同，如典型一发一收检测方法中的空气耦合超声中主要为激励幅度、频率、脉冲宽度；各参数也是在检测前根据结构参数、验收标准确定；

另外，本方法除了可用于一发一收式的检测方法，也可用于单探头反射式检测；单探头反射式检测方法步骤包括：

(1)确定探头激励参数；

(2)接收试件反射回波；

(3)确定检测深度区域，根据耦合介质和试件的声速计算此深度区域对应的反射回波时间，从接收信号中将此时间段的回波信号截取出来，即为标准检测信号或实际检测信号。其中耦合介质为探头和试件之间用于减少声传播损失的物质，一般为液体，如水、机油。

作为上述技术方案的一种改进，步骤(1)中标准蜂窝试样材料、制作方法及工艺应与待测蜂窝结构相同，标准蜂窝试样中应包含不低于验收要求尺寸和类型的缺陷，同时也应包含不含缺陷的完好区域；

作为上述技术方案的一种改进，所述步骤(1)中获取的脱粘区或完好区信号样本数建议大于3条即可；

作为上述技术方案的一种改进，所述检测方法的步骤(3)中的聚类中心计算方法为

其中，N表示不同类别信号的数量，X(f)为上一步骤计算得到的频谱。

作为上述技术方案的一种改进，所述步骤(4)中到两个聚类中心的距离计算方法为

其中，X表示实际检测信号的频谱。

作为上述技术方案的一种改进，所述检测方法的步骤(5)中损伤指数DI的计算方法为

得到的DI值用于判断当前检测点的损伤程度，值越大，说明当前检测信号与标准缺陷信号相似度越高，此位置是缺陷的概率也越大。实际检测中可根据验收标准现场确定阈值，若测得的DI值大于阈值则判断当前位置为缺陷，否则为完好区。

本次实施例中选择的实验对象为镍基高温合金钎焊蜂窝结构，其上下面板材质为和蜂窝芯材质为镍基高温合金。面板厚度为0.2mm，蜂窝芯高度为4.1mm，蜂窝芯边长为4mm，蜂窝芯壁厚度为0.05mm，蜂窝芯和面板之间采用钎焊连接。

如图2所示，是实际检测得到的标准蜂窝结构缺陷区和完好区检测信号的频谱。检测中激励信号频率范围为20kHz-50kHz，由图2可知，对于本蜂窝结构，相对于其它频段，完好区信号在44kHz附近存在较大的衰减，而缺陷区这一特征消失。

图3为是计算得到缺陷区和完好区聚类中心以及实际检测信号与两中心距离的示意图。可以发现，完好区和缺陷区信号各自聚在一起，而且二者中心相距较远。说明完好区和缺陷区信号之间有较大的差别，而同类信号之间相似性很高。因此，对于实际检测信号，若其离缺陷中心越近，则可认为当前位置存在缺陷的概率越高。

图4(a)是采用本方法对含有缺陷的蜂窝结构试样的扫查信号进行判别，并计算各位置得到的DI分布图。通过与图4(b)中超声C扫描图进行对比可以发现，本发明提出的方法可较准确地对缺陷进行判断。

最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。