北京航空航天大学超声无损检测实验室2024年度工作进展

2024年，北京航空航天大学超声无损检测实验室在超声检测基础理论研究和超声检测系统研发方面取得了系列成果。

在超声检测基础理论研究方面，针对曲面构件开展线形阵列超声检测成像研究，针对异种粗晶组织材料的扩散焊接界面开展环形阵列超声检测与评估研究，并取得显著进展，在国内外发表了多篇高水平学术论文。

针对高端材料制造产业升级和新产业培育重大需求，获得了国家自然科学基金区域创新发展联合基金重点项目资助，开展了复合材料空气耦合阵列超声检测技术前期研究，设计了空气耦合阵列超声换能器声场计算、参数优化设计以及声场测量试验方案。

在超声检测系统研发方面，研制了磁吸式阵列超声检测系统，可对铁磁性管道复合材料修复层缺陷进行检测，并开发了缺陷智能识别软件，实现了复合材料表面和内部缺陷的自动识别和定位，大大提升了缺陷检测和判读效率。

曲面构件因其独特的结构和力学特性，广泛应用于航空航天领域。然而，未知的曲面形状导致阵列超声检测时，声传播延时计算不准确，影响缺陷检测的精度。

为了解决此问题，提出了一种不依赖声传播延时的适用于曲面构件的阵列超声频域逆时偏移（FRTM）成像方法。

首先，使用傅里叶拟合方法对曲面构件检测图像的像素点进行曲线拟合，由于曲面构件超声图像中存在严重噪声和伪像干扰，这些干扰导致耦合界面的形状拟合不准确。因此，采用相位相干全聚焦方法降低图像中的伪像和噪声干扰，提高成像质量。

然后，去除原始接收信号中的直达波信号。由于FRTM成像通过阵元发射超声波的正向传播波场与缺陷反射体的反向传播波场进行互相关来进行成像，而直达波（由发射阵元直接传播至接收阵元的声波）的存在严重干扰这种互相关成像，影响最终的成像质量。因此，在进行FRTM成像前需要去除直达波，避免影响最终成像质量。使用汉宁窗函数对原始信号去除直达波，去除直达波后信号与原始信号对比如图1所示。

图1 第32阵元激发所有阵元接收信号与原始信号对比

最后，通过FRTM成像条件对曲面构件内部缺陷进行成像，不同方法的成像结果对比如图2所示。

图2 构件的TFM和FRTM成像对比

研究基于变分模态分解的粗晶组织材料阵列超声检测降噪方法。高背景噪声的粗晶增材制造钛合金中缺陷的准确检出与定量对于增材制造技术在航空航天等领域的推广应用至关重要。

提出了一种基于改进型变分模态分解的阵列超声自适应降噪成像方法，应用于高背景晶粒噪声的增材制造部件。基于粒子群优化方法，以全矩阵数据中含缺陷信号为输入，自适应确定全聚焦、平面波、Hadamard空间编码阵列超声检测方法对应的变分模态分解参数。

增材制造钛合金为粗晶组织材料，其内部存在柱状晶结构，具备高衰减及各向异性的声学特性。因此，其全矩阵数据中信号存在强背景噪声，后续成像信噪比较低，易出现漏检与误检。

针对以上强背景噪声，目前主要采用小波降噪、经验模态分解、时间反转算子分解、相位相干因子成像加权等信号处理方法提高成像信噪比。

提出的降噪方法自适应分解了全矩阵数据中的信号，自动选取了含缺陷回波信息的内涵模态分量，其频带与原始信号时频谱中缺陷频带一致，成像结果如图3所示。

图3  不同方法及对应的变分模态分解成像结果

空气耦合阵列超声检测技术融合了空气耦合超声的非接触特性与阵列超声检测高分辨率及声束灵活控制的优势，已成为该领域的重要发展方向。

研究团队结合国家自然科学基金重点项目《航空复合材料缺陷阵列聚焦式空气耦合超声检测技术基础研究》，开展了空气耦合阵列超声换能器形性协同设计研究，具体研究内容包括：

① 提出了基于空间脉冲响应的空气耦合阵列超声换能器声场的快速计算方法，并同有限元仿真计算的结果进行了对比验证，在此基础上确立了声场特征的评价指标；

② 研究了空气耦合阵列超声换能器的拓扑参数、声学参数和激励参数对声场特性的影响机制，得到了换能器形性协同设计规律；

③ 研究了空气耦合阵列超声换能器制造和控制误差的建模表征方法，揭示了符合正态分布特征的制造误差对声场分布的影响机制；

④ 提出了基于粒子群算法的空气耦合环形阵列超声换能器的参数优化设计方法，建立了基于光声传感器的空气耦合超声换能器的声场测量试验系统，进行了空气耦合单探头的声场测量试验。

空气耦合阵列超声换能器声场计算与评价方案设计、优化设计和声场测量评价试验系统设计如图4和图5所示。

图4 空气耦合阵列超声换能器声场计算与评价方案设计

图5 空气耦合阵列超声换能器优化设计和声场测量评价试验系统设计

管道碳纤维复合材料修复作为一种新型修复技术，被广泛应用于管道油气储运等多个领域，然而由于复合材料修复层的高衰减性、各向异性和多层结构的影响，导致超声无损检测困难。

为解决上述技术难题，引入一种基于声线示踪的阵列超声线性C扫描成像方法，结合磁吸式扫查器，实现了对碳纤维复合材料修复层内部缺陷的高分辨率、高精度成像。

传统的手动超声检测应用于大面积的管道复合材料修复层时效率低下，无法检测缺陷全貌，因此研究引入如图6所示的修复层自动超声扫查系统结构对修复层进行检测。

图6 修复层自动超声扫查系统结构

该扫查系统主要由双驱动单元、超声板卡和扫查轴等组成，通过上位机的两个网口分别传输超声信号和电机驱动器信号，驱动器控制驱动单元运动。其中，步进轴驱动单元可磁性吸附于管道表面，沿着垂直于管道母线方向运动，扫查轴携带阵列超声检测探头沿着管道母线方向运动，从而进行管道修复层的栅格线性C扫描。

通过对复合材料修复层试样使用扫查器采集阵列超声C扫描数据，并进行后处理成像分析，其中成像闸门均设置在二次回波位置，成像结果如图7所示。

图7 复合材料修复层阵列超声C扫描成像结果

结果显示，使用均质化声速法进行C扫描成像，仅能对修复层层间脱黏缺陷进行检测，对修复层管体界面脱黏缺陷和管体表面腐蚀缺陷均无法有效成像，且部分缺陷出现位移和形状发生畸变，这是由于声束无法有效聚焦引起的。

而使用声线示踪法进行C扫描成像，所有的层间脱黏缺陷和界面脱黏缺陷均被检测成像，可以区分黏接界面的完好与否；但是管体表面腐蚀缺陷无法检测出来，这是由于腐蚀区域树脂渗漏，声波能量衰减变大，回波信号微弱，难以有效成像。

在复合材料中，影响产品质量的缺陷类型一般是指凹陷、跳丝、分层、孔洞等表面-内部缺陷，这些缺陷可能会造成产品在工作环境载荷下发生变形、开裂、分层等质量安全问题，直接导致产品实际性能下降甚至报废，但当前的人工评判手段效率低下、可靠性差，如何快速准确地识别这些缺陷已成为提高复合材料无损检测效率的关键。

软件内置了图像检测模块和图像分割模块，分别用于表面（视觉）和内部（红外）缺陷的智能判读，支持YOLOv8至v12的神经网络及其变体模型的部署。

缺陷智能识别软件由C++编写，使用CUDA、CuDNN和TenserRT的GPU算力加快了推理速度，其中使用TenserRT可使GPU推理速度提高5倍，并使用C++多线程等进行了优化，使智能识别软件拥有了极快的推理速度，动态可视化条件下的智能识别速度已达到毫秒级。

软件中，Detect模式进行表面缺陷识别和框选，Segment模式进行内部缺陷的轮廓识别和面积计算，其识别结果如图8所示。

图8 软件的表面-内部缺陷识别结果

软件还提供了一种基于人工智能方法的缺陷定量校准方法，通过定量校准后，得到的缺陷面积更准确，以