李 健，郭 薇，楊曉霞，黃玉秋，詹湘琳，靳世久

(1. 天津大學(xué)精密儀器與光電子工程學(xué)院，天津 300072；2. 中國民航大學(xué)航空自動化學(xué)院，天津 300300)

超聲相控陣檢測CFRP缺陷識別方法

李 健1，郭 薇1，楊曉霞1，黃玉秋1，詹湘琳2，靳世久1

(1. 天津大學(xué)精密儀器與光電子工程學(xué)院，天津 300072；2. 中國民航大學(xué)航空自動化學(xué)院，天津 300300)

碳纖維增強(qiáng)復(fù)合材料(CFRP)以其特殊的性能廣泛應(yīng)用在不同領(lǐng)域，然而缺陷的存在嚴(yán)重影響材料的性能，造成重大的經(jīng)濟(jì)損失，甚至存在安全隱患，因此，碳纖維復(fù)合材料的無損檢測與缺陷識別已成為該領(lǐng)域的研究熱點(diǎn)之一．利用超聲相控陣系統(tǒng)檢測CFRP中3種常見缺陷——分層、夾雜和脫粘，得到原始A掃信號，運(yùn)用小波包變換理論，提取樣本特征值，建立并訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，對3種缺陷進(jìn)行識別，識別率達(dá)到95.7%．結(jié)果表明：利用超聲相控陣技術(shù)可以提高缺陷檢測效率，對缺陷有良好的成像效果；小波包與BP神經(jīng)網(wǎng)絡(luò)的結(jié)合，對CFRP中的不同缺陷有較高的識別率．

碳纖維增強(qiáng)復(fù)合材料；超聲相控陣；無損檢測；小波包；BP神經(jīng)網(wǎng)絡(luò)

碳纖維復(fù)合材料作為高性能結(jié)構(gòu)材料，不僅具有一般碳素材料的特性，如耐高溫、耐摩擦、耐腐蝕，而且具有高比強(qiáng)度、高比模量以及高抗疲勞性等力學(xué)特點(diǎn)．隨著科學(xué)技術(shù)的日益發(fā)展，對碳纖維復(fù)合材料的認(rèn)識也逐漸加深，這些優(yōu)點(diǎn)使其廣泛應(yīng)用在航空航天、石油化工等領(lǐng)域[1]．但是，由于碳纖維復(fù)合材料的特殊制造工藝及其各向異性的特點(diǎn)，導(dǎo)致在制造工藝中容易出現(xiàn)不穩(wěn)定現(xiàn)象，伴隨著某些缺陷的產(chǎn)生，最常見的缺陷有夾雜與脫粘，此外，在使用過程當(dāng)中，因為撞擊、疲勞等因素的影響，也極易產(chǎn)生各種類型的缺陷，例如分層缺陷．這些缺陷的存在，嚴(yán)重影響材料的性能，導(dǎo)致整個結(jié)構(gòu)件的報廢，造成重大經(jīng)濟(jì)損失．因此，對碳纖維復(fù)合材料的檢測尤為重要.

自20世紀(jì)70年代起，國外在無損檢測領(lǐng)域針對復(fù)合材料開展了全方位的技術(shù)研究，20世紀(jì)80年代后，在復(fù)合材料無損檢測領(lǐng)域誕生了許多新技術(shù)、新方法，這些方法推進(jìn)了復(fù)合材料的進(jìn)一步發(fā)展與應(yīng)用．英國的Nageswaran等[2]利用超聲相控陣檢測碳纖維復(fù)合材料分層缺陷，發(fā)現(xiàn)超聲相控陣技術(shù)與傳統(tǒng)超聲檢測方法相比，檢測速度快，提高了檢測效率．此外，超聲相控陣還具有靈活性好、顯示結(jié)果直觀等特點(diǎn)，利于缺陷成像的研究．

在碳纖維復(fù)合材料檢測中，缺陷類型的準(zhǔn)確識別一直未得到徹底解決．Rhim等[3]提出對信號進(jìn)行模態(tài)分析，得到傳遞函數(shù)，將傳遞函數(shù)的零極點(diǎn)作為分類的特征值，再進(jìn)行BP網(wǎng)絡(luò)訓(xùn)練，但碳纖維復(fù)合材料具有各向異性的特性，該方法很難得到良好的識別效果．此外，缺陷回波是一種典型的非平穩(wěn)高頻信號，通常會包含各種噪聲信號，要實現(xiàn)對缺陷的分類與識別，必須將缺陷回波從噪聲信號中提取出來．因此，特征提取方法的選擇在缺陷識別中尤為重要，直接影響缺陷分類的正確性和可靠性．超聲相控陣是由近似于δ函數(shù)的窄脈沖激勵發(fā)出超聲波，持續(xù)時間很短，含有豐富的頻譜信息，即含有多個不同頻率的諧波．目前已經(jīng)有許多超聲信號處理方法，如自適應(yīng)濾波、裂譜分析法等，但這些方法大多基于傅里葉變換原理，無法將信號的時域頻域特征結(jié)合起來分析．小波包分析適用于分析和處理非平穩(wěn)高頻信號，它可以將信號按任意時頻分辨率分解，將不同頻段的信號分解到相應(yīng)的頻段中，是多分辨率小波分析的推廣，相對于小波分析，它可以對信號的高頻部分做更加細(xì)致的刻畫，對信號有更強(qiáng)的分析能力[4-5]．

碳纖維復(fù)合材料損傷機(jī)理復(fù)雜，影響因素較多，僅僅依靠工作人員的經(jīng)驗很難對缺陷做出精確的判斷，而且很難找出分析函數(shù)關(guān)系來識別缺陷，而BP神經(jīng)網(wǎng)絡(luò)具有良好的非線性映射能力、實時計算能力和分類識別能力，容錯性強(qiáng)，算法簡單，易于實現(xiàn)，因而在許多領(lǐng)域得到應(yīng)用．在碳纖維復(fù)合材料探傷中，解決了通過觀察超聲檢測獲得的圖像不能對缺陷進(jìn)行精確分類與識別的問題[6]．

筆者針對復(fù)合材料在制造與使用過程中容易出現(xiàn)的3種缺陷——分層、夾雜與脫粘，分別制作了包含3種缺陷的碳纖維復(fù)合材料實驗板，使用超聲相控陣系統(tǒng)對樣板進(jìn)行掃查，由B掃圖可以初步區(qū)分缺陷信號，但仍有一定限制．采集原始A掃信號，并對其進(jìn)行快速傅里葉變換(FFT)，對比3種缺陷信號的時域與頻域特征，很難發(fā)現(xiàn)不同之處．因此，采用sym8小波對信號進(jìn)行4層分解，根據(jù)小波包變換理論，重構(gòu)近似節(jié)點(diǎn)與細(xì)節(jié)節(jié)點(diǎn)系數(shù)波形，選取8個特征值構(gòu)造特征向量，建立并訓(xùn)練基于共軛梯度算法的BP神經(jīng)網(wǎng)絡(luò)，對3種缺陷進(jìn)行識別．

1 超聲相控陣檢測

1.1 實驗裝置

1.1.1 實驗系統(tǒng)

M2M公司生產(chǎn)的POCKET 16×64超聲相控陣系統(tǒng)與Multi2000軟件配套使用，檢測碳纖維復(fù)合材料實驗板．采樣頻率設(shè)定為100,MHz；探頭選用Olympus生產(chǎn)的線性相控陣探頭，型號為5L64-A2，該探頭有64個陣元，陣元寬度為0.49,mm，陣元間距為0.1,mm，孔徑寬度為37.66,mm，中心頻率設(shè)定為5,MHz；探頭安裝在厚度為20,mm的零度楔塊上，可以減少近場效應(yīng)，并且獲得較理想的缺陷成像效果，此外，楔塊還起到保護(hù)探頭的作用[7]；采用專用耦合劑耦合，減少聲束在空氣中的衰減．

1.1.2 實驗材料

分別制作包含分層、夾雜、脫粘3類缺陷的碳纖維復(fù)合材料實驗板．該實驗板以環(huán)氧樹脂為基體，采用日本東麗生產(chǎn)的3,K光度的碳纖維作為增強(qiáng)纖維，制成長200,mm、寬100,mm的層壓板結(jié)構(gòu)，共20層，厚度大約為5,mm．在制作過程中，鋪設(shè)聚四氟乙烯薄膜模擬分層缺陷，不同樣板的分層位置與大小不同．分別在樣板中放置不同形狀(圓形、方形、字母)的金屬薄片模擬夾雜缺陷；脫粘缺陷是材料內(nèi)部纖維絲粘合不良，可以自由晃動，采用自然缺陷形式．本實驗是對3種缺陷類型的識別不進(jìn)行定量分析，因此對各樣板中缺陷的具體位置與大小不進(jìn)行詳細(xì)說明.

1.2 實驗過程

根據(jù)實際情況配置各個參數(shù)(如樣本材料、探頭、檢測方式、相控陣)，并計算對應(yīng)的延遲法則，采用超聲相控陣線性掃查方式，不使用相控陣儀器中的濾波器進(jìn)行處理．每次激發(fā)16個陣元，步進(jìn)為1，每完成1次掃查可以獲得49組A掃信號，49組原始A掃信號形成一幅B掃圖，如圖1所示．比較發(fā)現(xiàn)不同缺陷的缺陷回波與底波存在較顯著差異：分層缺陷信號回波較強(qiáng)，有明顯的二次回波，對應(yīng)位置處底波全部消失；夾雜缺陷信號回波較強(qiáng)，對應(yīng)位置處的底波減弱，但仍存在；脫粘缺陷信號相對較弱，底波信號強(qiáng)．由此可見，3類缺陷基本能從B掃圖像中區(qū)分出來，簡單直觀，但在未知缺陷的情況下不能獲得缺陷信息，因此通過B掃圖判斷缺陷類型存在一定的限制，需要進(jìn)一步對信號分析處理．

圖1 3類缺陷B掃圖Fig.1 B scan of three defects

利用超聲相控陣儀器采集3種缺陷原始A掃信號，如圖2(a)、(c)、(e)所示．此外，利用超聲相控陣系統(tǒng)對缺陷進(jìn)行C掃描得到C掃信號，從中提取A掃信號，圖3所示為提取A掃信號程序流程．利用超聲相控陣系統(tǒng)掃查，上位機(jī)中生成后綴為m2k的配置文件，讀取該文件中各項參數(shù)及采集到的C掃數(shù)據(jù)，對數(shù)據(jù)進(jìn)行重構(gòu)，即可獲得多組A掃信號．

采用該方法進(jìn)行一次掃查可以得到多組A掃信號，明顯提高了檢測效率．但是該方法需要在掃查過程中勻速移動探頭，然而人為操作難以達(dá)到這一要求，提取的A掃數(shù)據(jù)不是全部有效．制作機(jī)械掃查架可以帶動探頭進(jìn)行勻速掃查，得到較好的掃查效果，獲取更多有效數(shù)據(jù)．

從圖2中可以看出，在缺陷位置處均有較大幅值，對3類缺陷信號進(jìn)行快速傅里葉變換，如圖2(b)、(d)、(f)所示．對比3種缺陷的時域和頻域特征，可見無顯著差異，不能區(qū)分3種缺陷．同時，3種缺陷信號均屬于非平穩(wěn)高頻信號，而近年來應(yīng)用較為廣泛的小波包分析針對該類型信號的分析與處理有良好的效果．

圖2 3種缺陷的A掃信號Fig.2 A scan of three defects

圖3 讀取A掃信號程序流程Fig.3 Program flow diagram of reading A scan data

2 小波包分解與系數(shù)重構(gòu)

選取合適的特征值是模式識別的關(guān)鍵步驟，也是提高識別率的關(guān)鍵因素．小波包分析可以在不丟失原信號重要信息成分的前提下實現(xiàn)信號的濾波，提高信號的時頻分辨率．每個小波包基里提供1種特定的信號分析方法，可以保存信號的能量并根據(jù)特征進(jìn)行精確的重構(gòu)．

2.1 信號的小波包分解與重構(gòu)

Symlet小波函數(shù)是近似對稱小波函數(shù)，由Daubechies提出，它是對db函數(shù)的改進(jìn)．為了使得分解后的結(jié)果更加清楚，選取sym8小波對缺陷信號進(jìn)行4層分解，分解樹結(jié)構(gòu)如圖4所示．

圖4 小波包分解樹Fig.4 Wavelet packet decomposition tree

表1為信號進(jìn)行4層分解后各節(jié)點(diǎn)的能量百分?jǐn)?shù)．可以看到，能量大部分集中在節(jié)點(diǎn)(4，0)(近似系數(shù))上，包含大約99%的信息能量，保留了缺陷信號的大部分特征，少部分能量分布在節(jié)點(diǎn)(4，1)、(4，2)、(4，3)(細(xì)節(jié)系數(shù))上．這與快速傅里葉變換中能量大部分集中在低頻系數(shù)上這一特點(diǎn)類似．

表1 小波包分解后各節(jié)點(diǎn)的能量百分?jǐn)?shù)Tab.1Energy percentage of each node after wavelet packet decomposition

從表1中各缺陷能量百分?jǐn)?shù)可以發(fā)現(xiàn)，3種缺陷在節(jié)點(diǎn)(4，0)處的能量百分?jǐn)?shù)差別不大，因此選用能量作為區(qū)分3種缺陷的特征值是不合適的．近似系數(shù)與細(xì)節(jié)系數(shù)提供了更細(xì)致的原始信號的時頻局域信息，并且用小波包系數(shù)可以更好地刻畫缺陷回波信號的性質(zhì)[8-9]．因此對近似系數(shù)節(jié)點(diǎn)(4，0)、細(xì)節(jié)系數(shù)節(jié)點(diǎn)(4，1)、(4，2)進(jìn)行系數(shù)重構(gòu)，得到分解系數(shù)波形，如圖5所示．

2.2 構(gòu)造缺陷信號的特征向量

從圖5可見，3種缺陷的原始信號波形輪廓有顯著差異，而近似系數(shù)節(jié)點(diǎn)(4，0)的波形與原始信號波形輪廓一致，能夠反映缺陷信號的輪廓特征．此外，3種缺陷信號在缺陷回波處幅值差異也較為明顯．因此，選用波峰系數(shù)(見式(1))與波形系數(shù)(見式(2))作為特征值可以較好地表征3種缺陷的特征．

式中cAj為近似系數(shù)．

僅僅選用近似系數(shù)作為特征值來識別3種缺陷很明顯是不充分的．細(xì)節(jié)系數(shù)可以更準(zhǔn)確地描述信號的細(xì)部特征，而平均值、有效值和方差可以較好地描述一個波形的特征，因此選取節(jié)點(diǎn)(4，1)與(4，2)的平均值s1、有效值s2以及方差s3作為特征值，如式(3)～式(5)所示．

圖5 3種缺陷信號小波包分解系數(shù)重構(gòu)Fig.5 Wavelet packet decomposition coefficients reconstruction of three defects

式中cDj為細(xì)節(jié)系數(shù)．構(gòu)造特征值向量T＝[kPkFt1t2t3t4t5t6]．

3 BP神經(jīng)網(wǎng)絡(luò)模式識別

BP神經(jīng)網(wǎng)絡(luò)的出現(xiàn)成功解決了許多復(fù)雜分類與識別的問題，其良好的非線性映射能力非常適合解決碳纖維復(fù)合材料中3種常見缺陷的識別問題．圖6所示為3層BP網(wǎng)絡(luò)結(jié)構(gòu)模型，它由輸入層、隱含層和輸出層組成．

圖6 BP網(wǎng)絡(luò)結(jié)構(gòu)模型Fig.6 BP network structure model

BP神經(jīng)網(wǎng)絡(luò)也叫多層前饋神經(jīng)網(wǎng)絡(luò)，是一種有導(dǎo)師的訓(xùn)練算法，其特點(diǎn)主要是信號前向傳遞、誤差反向傳播．給定輸出目標(biāo)后，根據(jù)預(yù)測誤差調(diào)節(jié)網(wǎng)絡(luò)的權(quán)值和閾值，從而使得BP神經(jīng)網(wǎng)絡(luò)的誤差信號達(dá)到最小，當(dāng)誤差達(dá)到允許范圍內(nèi)時，網(wǎng)絡(luò)訓(xùn)練過程結(jié)束[10]．

3.1 BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建

神經(jīng)網(wǎng)絡(luò)識別之前需要訓(xùn)練網(wǎng)絡(luò)，使網(wǎng)絡(luò)具有聯(lián)想、記憶與識別能力，因此首先要確定網(wǎng)絡(luò)輸入層、隱含層和輸出層的節(jié)點(diǎn)數(shù)．

對3種缺陷信號提取8個特征值，因此網(wǎng)絡(luò)中的輸入節(jié)點(diǎn)個數(shù)設(shè)置為8；要識別的缺陷有3類，因此網(wǎng)絡(luò)的輸出層節(jié)點(diǎn)個數(shù)設(shè)置為3．神經(jīng)網(wǎng)絡(luò)用于識別超聲信號時，通常使用二進(jìn)制量0、1或者[0，1]區(qū)間的數(shù)字表示．本實驗中，3種缺陷對應(yīng)的輸出分別設(shè)定為：分層[0 0 1]、夾雜[0 1 0]、脫粘[1 0 0]．隱含層數(shù)的增加會使網(wǎng)絡(luò)結(jié)構(gòu)變得復(fù)雜，因此選擇1個隱含層構(gòu)成3層BP神經(jīng)網(wǎng)絡(luò)，通過增加隱含層中神經(jīng)元的數(shù)目來提高網(wǎng)絡(luò)的識別率和識別精度，且訓(xùn)練效果也更容易觀察、調(diào)整．隱含層節(jié)點(diǎn)數(shù)的選取一般按照經(jīng)驗公式[11]估算得到，即

式中：nh為隱含層節(jié)點(diǎn)數(shù)；ni為輸入層節(jié)點(diǎn)數(shù)．由此算得本實驗中隱含層節(jié)點(diǎn)數(shù)約為17．

3.2 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練

采用基于共軛梯度算法的BP神經(jīng)網(wǎng)絡(luò)，用共軛梯度法來更新閾值和權(quán)值，實現(xiàn)誤差的反向傳播，提高收斂速度與學(xué)習(xí)精度．訓(xùn)練次數(shù)為100次，目標(biāo)誤差設(shè)定為0.01．

3.3 BP神經(jīng)網(wǎng)絡(luò)分類

為了保證訓(xùn)練充分，同時保證訓(xùn)練樣本和測試樣本的獨(dú)立性與隨機(jī)性，筆者采取循環(huán)交替網(wǎng)絡(luò)訓(xùn)練法[12]．隨機(jī)提取150組數(shù)據(jù)中的120組數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)，用訓(xùn)練好的網(wǎng)絡(luò)處理其余30組數(shù)據(jù)．重復(fù)上述過程，直至每組測試樣本均測試完畢．通過上述方法，得到如圖7所示的識別結(jié)果．

在隨機(jī)抽取的23個樣本中，包含6個分層缺陷樣本、7個夾雜缺陷樣本及10個脫粘缺陷樣本．識別率為95.7%．該方法可以有效地識別分層和夾雜缺陷，而1個脫粘缺陷樣本被誤判為分層缺陷．產(chǎn)生誤差的原因可能為：脫粘缺陷樣本在制作過程中采用自然缺陷形式，部分樣本不具備典型性．

圖7 識別結(jié)果Fig.7 Recognition result

4 結(jié) 論

(1)使用超聲相控陣系統(tǒng)檢測碳纖維增強(qiáng)復(fù)合材料可以提高檢測效率，同時，對缺陷信號有良好的成像效果，通過B掃圖可以對缺陷進(jìn)行初步分類．

(2)利用sym8小波分析處理信號，提取8個特征值；構(gòu)建3層BP神經(jīng)網(wǎng)絡(luò)，采用共軛梯度算法訓(xùn)練網(wǎng)絡(luò)，可以很好地識別分層、夾雜、脫粘3種缺陷，識別率達(dá)到95.7%．結(jié)果表明，該方法能有效區(qū)分碳纖維復(fù)合材料中的常見缺陷，為以后能快速、準(zhǔn)確地識別更多類型的缺陷奠定了一定的基礎(chǔ)．

［1］ 趙稼祥，王曼霞. 復(fù)合材料用高性能炭纖維的發(fā)展和應(yīng)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 materials[J]. New Carbon Materials，2000，15(1)：68-75(in Chinese).

［2］ Nageswaran C，Bird C R，Takahashi R. Phased array scanning of artificial and impact damage in carbon fibre reinforced plastic(CFRP)[J]. 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］ 冉志紅，李 喬. 小波變換在結(jié)構(gòu)損傷識別特征提取中的應(yīng)用[J]. 振動與沖擊，2007，26(7)：118-121.

Ran Zhihong，Li Qiao. The application 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］ 陳世利，常文爽，靳世久. 汽輪機(jī)輪緣超聲相控陣檢測中缺陷方向識別[J]. 納米技術(shù)與精密工程，2013，11(4)：328-333.

Chen Shili，Chang Wenshuang，Jin Shijiu. Recognition of defect direction in ultrasonic phased array testing of turbine disc rims[J]. Nanotechnology and Precision Engineering，2013，11(4)：328-333(in Chinese).

［6］ 張 燕. 基于模糊神經(jīng)網(wǎng)絡(luò)的復(fù)合材料損傷主動監(jiān)測技術(shù)研究[D]. 南京：南京航空航天大學(xué)航空宇航學(xué)院，2008.

Zhang Yan. Research on Damage Detection for Composite Material Based on Fuzzy Neural Network[D]. Nan-jing：College of Aerospace Engineering，Nanjing University of Aeronautics and Astronautics，2008(in Chinese).

［7］ 孫 芳. 超聲相控陣技術(shù)若干關(guān)鍵問題的研究[D]. 天津：天津大學(xué)精密儀器與光電子工程學(xué)院，2012.

Sun Fang. Research on Several Key Issues of Ultrasonic Phased Array Technology[D]. Tianjin：School of Precision Instrument and Opto-Electronics Engineering，Tianjin University，2012(in Chinese).

［8］ 徐 兵. 薄膜涂層材料界面缺陷檢測方法研究[D]. 上海：上海交通大學(xué)船舶海洋與建筑工程學(xué)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 凱，張偉偉，孔祥文. 一種漸暈紋理圖像自動分類方法[J]. 天津大學(xué)學(xué)報：自然科學(xué)與工程技術(shù)版，2013，46(6)：526-530.

He Kai，Zhang 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中文論壇. MATLAB神經(jīng)網(wǎng)絡(luò)30個案例分析[M]. 北京：北京航空航天大學(xué)出版社，2010.

MATLAB Chinese Forum. Neural Network Analysis of 30 Cases in MATLAB[M]. Beijing：Beijing University of Aeronautics and Astronautics Press，2010(in Chinese).

［11］ 楊琳瑜，于潤橋，盧 超，等. 基于BP 神經(jīng)網(wǎng)絡(luò)的復(fù)合材料超聲波檢測缺陷類型識別[J]. 無損檢測，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］ 張冬雨，劉小方，楊 劍，等. 基于小波包變換的復(fù)合材料分層缺陷信號特征分析[J]. 兵工自動化，2009，28(11)：56-58.

Zhang Dongyu，Liu Xiaofang，Yang Jian，et al. Signa1 characteristic analysis of composite delamination defects based on wavelet packet transform [J]. Ordnance Industry Automation，2009，28(11)：56-58(in Chinese).

(責(zé)任編輯：趙艷靜)

A Flaw Classification Method for Ultrasonic Phased Array Inspection of CFRP

Li Jian1，Guo Wei1，Yang Xiaoxia1，Huang Yuqiu1，Zhan Xianglin2，Jin Shijiu1
(1. School of Precision Instrument and Opto-Electronics Engineering，Tianjin University，Tianjin 300072，China；2. School of Aeronautical Automation，Civil Aviation University of China，Tianjin 300300，China)

Carbon fiber reinforced plastics(CFRP)composite materials are widely used in different fields for their special properties. However，the defects in carbon fiber reinforced plastics composite materials seriously affect their performance and may cause significant economic loss，and even security problems. So both non-destructive testing and defect recognition of CFRP composite materials have become the hot research spots in this field. Ultrasonic phased array system was used to inspect the CFRP composite materials which contain such defects as de-lamination，inclusion and de-bonding. The original A scan signals from these materials were analyzed by wavelet packet transform and the characteristic values of these samples were extracted. BP neural network was built and trained for identifying those defects. The recognition rate could reach 95.7%. The result shows that ultrasonic phased array technology can improve the inspection efficiency obviously，and has the good imaging effect. The combination of wavelet packet with the BP neural network has a high recognition rate for the defects of de-lamination，inclusion and de-bonding in CFRP.

carbon fiber reinforced plastics composite materials；ultrasonic phased array；non-destructive testing；wavelet packet；BP neural network

TP391.4

A

0493-2137(2015)08-0750-07

10.11784/tdxbz201402011

2014-02-13；

2014-07-07.

國家自然科學(xué)基金資助項目(61102097)；天津市科學(xué)技術(shù)委員會資助項目(11ZCGHHZ00700).

李 ?。?973— ），男，博士，副教授.

李 健，tjupipe@tju.edu.cn.

時間：2014-09-03.

http://www.cnki.net/kcms/detail/12.1127.N.20140903.1013.004.html.