摘要
平板结构作为工程设备中最基础、最广泛的组成部分，为了能够保证板结构在设备中安全健康地服役，避其发生损伤而引起的事故，对其进行结构健康检测具有重要意义。在众多检测手段中，基于超声Lamb波的无损检测技术因具有穿透力强、对损伤灵敏度高、在介质反射后能提供较为全面的损伤位置和程度等优点，被广泛应用于板结构损伤检测中。本文基于实际工程问题，针对传统损伤识别算法需要传感器数目多等问题，通过超声Lamb波传播理论，结合有限元仿真和实验，开展了基于Lamb波的板结构损伤识别定位研究，设计了卷积神经网络和融合定位算法，实现了对缺陷的识别和定位，具有智能、高精度和高效率的检测特点。 本文首先介绍了超声Lamb波无损检测技术的研究现状，包括传统的超声Lamb波的损伤识别算法发展和基于深度学习的损伤识别技术。通过理论推导的方式，结合弹性动力学和质点运动位移，研究了平板中Lamb波的两种传播模式，得到了对称模式和反对称模式的表达公式，并依此得到了Lamb波的群速度和相速度，并通过MATLAB编程绘制了铝合金板的频散曲线。介绍了基于压电效应的传感器以及超声Lamb波的激励和接收，使用有限元仿真方式呈现了铝板中Lamb波的传播过程，再对深度学习中的卷积神经网络进行了简单介绍。 然后搭建了疲劳裂纹扩展的超声导波数据采集实验平台，设计了一维深度卷积神经网络对采集的数据进行训练，并将结果与传统的分类网络进行对比，结果表明该网络模型对疲劳裂纹的导波信号有非常好的识别效果，实际检测准确率可达98％。接着对铝板上发生的微小损伤进行数据采集，通过引入贝叶斯理论优化卷积神经网络，增强网络对不确定性的表达能力，使用数据对比卷积神经网络验证了该模型的有效性，结果表明改算法相比于卷积神经网络在对微小损伤识别方面有识别优势。 最后进行了铝板上的损伤定位研究。针对传统方法需要传感器数目多、信号处理手段复杂等局限性，提出了椭圆定位和RAPID融合算法来对铝板上发生的损伤进行研究，通过不同数目传感器环绕式网络布置，并考虑了网络中部分传感器发生损坏和铝板中发生多个损伤的情况，实现了对单损伤不同位置和多损伤的有效定位，定位误差在3mm左右，并考虑到传感器部分发生损坏时，定位误差在5.83mm也能够有效实现定位和成像，展现出良好的鲁棒性。
NETL