[发明专利]一种多层粘接结构界面脱粘缺陷检测方法

说明书

本发明公开了一种多层粘接结构界面脱粘缺陷检测方法，该方法通过主成分分析对多层粘接结构声信号时域的多个线性相关的能量特征转化为少数几个线性无关的主成分，并通过K均值聚类算法对声信号进行聚类，建立了多层粘接结构界面脱粘缺陷的检测模型，实现了对脱粘缺陷的准确判别，解决了敲击检测与超声波检测这一类缺陷判别准确率低以及检测困难的问题。

技术领域

本发明属于结构健康监测与机器学习技术领域，具体涉及一种多层粘接结构界面脱粘缺陷检测方法。

背景技术

多层粘接结构因具有良好的机械性能和热力学性能，被广泛应用于航空航天、特种设备、工业通用技术设备以及军用武器设备等众多领域。但在粘接工艺中，由于材料表面受污染、胶粘剂固化不足、两种材料性能差异较大或者其他人为因素，粘接界面通常存在脱粘缺陷。多层粘接结构的界面脱粘缺陷有可能会使整个结构失效，造成重大事故和不可估量的经济损失。为此，对多层粘接结构的界面粘接质量进行准确高效的检测具有积极的意义。

脱粘缺陷的判定通常通过分析结构声共振信号的频谱差异来实现，现有技术中有包括超声波检测、人工敲击检测等检测方法。但是，当多层粘接结构的材料声阻抗差异较大时，超声波进入多层粘接结构后在不同介质组成的界面发生散乱反射，声能分散，存在较大散射衰减，因此此时采用超声波检测多层粘接结构界面粘接质量具有较大困难；而人工敲击检测(谐振声检测)是目前应对多层介质复合材料构件损伤检测最快捷和最有效的无损检测技术之一，然而采用人工敲击法检测复合材料多层粘接结构脱粘缺陷时，由于缺陷种类多样，频谱变化复杂，且受人为敲击力度不均、环境噪声等因素影响，通过频谱分析识别脱粘缺陷错误率高，给脱粘缺陷判别带来极大挑战。

事实上，采用多信号特征取代单信号特征进行脱粘缺陷判别可以更全面地利用信号中包含的信息，从而提高判别精度与可靠性，但多特征信号的使用，会导致数据量大量增加，降低后续特征分析识别的效率；同时由于各特征之间的相关性，过多的特征并不能无限提高判别精度，当信息足够丰富时，增加过多的信息反而会降低算效比，为此，应当考虑对多信号特征进行降维处理。另外，在对特征进行分析识别的研究中，目前常用的机器学习方法主要有BP神经网络、SVM、K均值聚类方法等。其中K均值聚类算法是一种常用的无监督学习算法。该算法不需要大量的样本来训练模型参数，往往可以发现数据的内在联系，对于故障诊断具有良好的效果。

发明内容

有鉴于此，本发明提供了一种多层粘接结构界面脱粘缺陷检测方法，能够在较全面利用多层粘接结构信号信息的同时，实现对多层粘接结构界面脱粘缺陷的高判别精度与高计算效率。

本发明提供的一种多层粘接结构界面脱粘缺陷检测方法，包括以下步骤：

步骤S1：采集待检测多层粘接结构的声信号；

步骤S2：对每个声信号均提取相同的p个能量特征，并构建能量特征矩阵；

步骤S3：通过检测模型先对能量特征矩阵利用主成分分析降维，然后对降维后的能量特征矩阵对应的声信号进行K为2的K均值聚类，检测出多层粘接结构的缺陷区域和无缺陷区域。

进一步地，所述检测模型通过以下步骤获得：

步骤1：建立待检测多层粘接结构的人工缺陷标定试样，并采集该人工缺陷标定试样缺陷区域以及无缺陷区域的共n个声信号；

步骤2：先摒弃采集初期与采集末期的共a个声信号，并去除剩余信号中含有粗大误差的声信号；然后将剩余n₁个声信号作为训练集；

步骤3：对训练集每个声信号均提取相同的p个能量特征，构建训练集能量特征矩阵；

步骤4：利用主成分分析对训练集能量特征矩阵进行降维处理后初选m个主成分；

步骤5：使用m个主成分对训练集中n₁个声信号进行K＝2的K均值聚类；