苏东敏, 陈友兴, 王召巴, 赵 霞, 金 永
(中北大学 信息与通信工程学院, 山西 太原 030051)
随着新材料技术的发展, 碳纤维复合材料(CFRP)由于其强度高、 耐疲劳、 抗冲击和质轻等优良性能, 被广泛应用于军事工业、 高精尖的科研装备制造业和其他机械制造业[1-3]. 但层间缺陷的存在极大地影响了CFRP的结构性能, 在服役过程中, 随着应力作用不断扩大, 大大降低了结构件的残余强度, 导致构件整体失效或者其他灾难性后果[4-5]. 因此, 复合材料层间缺陷的检测在其制造过程中尤为重要.
在研究和实际检测中, 超声无损检测技术因其操作简单、 成本低等优势被广泛用于复合材料结构的健康监测领域. 由于CFRP是复杂的各向异性多层体系, 其质量存在离散性[6], 致使超声波在各界面的反射回波信号相互叠加, 换能器最终接收到的时域回波信号成分复杂、 具有较高的非平稳性, 从而增加了特征信号提取的难度. 传统的频谱分析虽然可以提取回波信号的各种频率特征, 且能够做到频率特征只与缺陷有关, 但这些频率成分出现在什么时间, 以及随时间的变化情况均不可知. 因此, 仅从时域或频域对非平稳信号进行分析, 存在一定的局限性. 而时频分析方法将时间和频率两个维度结合, 清楚地描述信号频率随时间变化的关系, 适用于非平稳超声回波信号的分析[7-9]. 艾春安[10]提出利用短时傅里叶变换对某型固体火箭发动机壳体粘接结构的声-超声检测信号进行分析, 实现了对脱粘信号和孔洞缺陷信号的有效识别; 胡勇[11]针对复合材料中不同大小的缺陷, 采用短时傅里叶变换对其进行分析, 得出信号能量的变化与缺陷大小相关; 徐飞[12]利用PCT变换, 对多分量信号进行分析, 通过齿轮时频图上的循环周期和故障频带, 有效地诊断出了齿轮故障.
近年来, 人们已经研究了多种时频分析方法, 但缺乏针对具体材料运用多种时频分析方法进行对比分析. 本文以CFRP为检测对象, 相对高频高分辨聚焦探头作为接收装置, 采用短时傅里叶变换(STFT)、 魏格纳分布(WVD)和平滑伪魏格纳(SPWVD) 3种时频方法对回波信号进行分析, 从信号时频表示中的各种特性, 如时频聚集性、 主体能量、 交叉干扰项等, 选出对超声回波信号比较适合的时频分析方法—平滑伪魏格纳分布(SPWVD). 随后对其时频谱进行降维提取, 深入分析了时频分布图的特征, 为复合材料分层缺陷的检测提供理论指导.
本文以带有预埋缺陷的碳纤维复合材料作为实验对象, 受实际工艺影响, 将可制成的最小为1.5 mm×1.5 mm的聚四氟乙烯作为分层缺陷, 预埋在第一层碳纤维下面. 选择M-400 超声水浸检测系统作为发射接收设备, 频率为30 MHz的奥林巴斯V375-SU高频聚焦换能器, 采样频率为100 MHz, 检测方法为脉冲反射法. 典型的时域波形如图 1 所示, 其中图 1(a) 为无缺陷超声回波信号, 图 1(b) 为缺陷超声回波信号, 其各自的频谱特性如图 2(a) 和图 2(b) 所示.
从回波信号图 1 可以看出, 在0.37 μs处缺陷信号特征明显, 利用界面反射回波可以得到分层缺陷检测结果. 但对于缺陷边缘的信号, 其特征幅值较小, 仅依靠特征幅值进行判别, 最终会影响缺陷的提取. 图 2 是对信号进行傅里叶变换得到的频谱图, 由于高频超声波在水中传播时频率衰减过大, 使得以CFRP为反射体所测得的回波信号的中心频率小于30 MHz. 对比图 2(a) 和图 2(b) 可以看出, 频谱分析能够得到频率特征与缺陷有关的信息, 但不能给出缺陷频率成分出现的时间. 因此, 仅了解信号的频率成分是远远不够的.
(a) 无缺陷信号
(a) 无缺陷信号
为了全面把握回波信号的特征, 需要将时域和频域联系起来, 通过时频分析方法同时观察信号在时间和频率的变化情况, 更加准确地提取信号的时频特征.
为了克服傅里叶变换的不足, STFT变换的概念在1946年被提出, 以傅里叶变换为基础, 采用滑动窗函数对原始的非平稳信号进行截取, 并认为非平稳信号在分析窗的短时间内是平稳的, 使用傅里叶变换分析窗内的信号, 通过滑动窗在时间轴上的移动得到信号频率随时间的变换关系. 定义为
(1)
式中:g(τ)为移动的窗函数;τ为窗函数的偏移量;ω为角频率; [·]*表示[·]的共轭.
对图 1 中的典型信号进行STFT分析, 得到如图 3 所示的时频分布图.
图 3 典型回波信号的STFT时频分布图
可以看出, 在0.37 μs处, 相较于无缺陷信号的时频分布图, 缺陷信号的时频分布图上有着明显的能量比较强的频率成分, 这是由于缺陷的存在破坏了信号的共振状态, 使信号在这一时刻的频率发生改变.
由于受到Heisenberg测不准原理的制约, STFT变换的时间分辨率和频率分辨率成反比, 当窗函数被选定时, 其频率成分也随之固定, 没有自适应性, 限制了对非平稳信号的分析. 从图中可以看出, 经过STFT变换得到的时频分布主体能量低, 时频聚集性较差, 会对缺陷的准确识别产生影响.
根据所选地震的计算结果,新ML震级比旧ML震级平均偏大0.08,相对于新ML震级计算的中误差0.3323,不足其四分之一。同时,这个结果也小于震级0.1的精度要求。此外,这个结果与与四川地震局计算的结果0.11[3]非常接近,考虑到四川和西藏适用量规函数的细微差别,这个情况也是符合实际的。
WVD变换是信号瞬时相关函数的傅里叶变换, 解决了STFT变换时域分辨率和频域分辨率相互制约的问题, 具有优良的时频聚集度, 被广泛地应用于分析非平稳信号. 信号在时间域的WVD定义为
(2)
式中:R(t,τ)为信号的瞬时相关函数. 图 4 是采用WVD变换对回波信号进行分析所得到的时频分布图.
图 4 典型回波信号的WVD时频分布图
对比图 3 和图 4 可以看出: 经过WVD变换得到的时频分布虽然具有良好的时频聚集性, 但其时频成分较为复杂. 特别是在0.37 μs处, 缺陷信号的能量分布较为分散, 特征信号难以提取. 这是因为信号的多分量特性, 多分量信号的WVD分布并非是每个分量的WVD分布之和, 其中会出现一些干扰项, 如式(3)所示.
(3)
式中:Ra(t,τ)为自相关成分;Rs(t,τ)为互相关成分, 即交叉项. 由于非平稳信号的多分量特性, 自项和交叉干扰项的组合繁多, 交叉干扰项出现在自项的位置, 使得信号本身的特征频率难以识别.
为了减小WVD变换产生的交叉干扰项, 伪平滑WVD变换在时域和频域分别对信号进行加窗, 在多分量交叉干扰项抑制和保持信号时频聚集性之间进行折中, 起到平滑滤波的做用, 其定义为
(4)
式中:g(u)表示在频域维度上的平滑窗函数;h(τ) 表示在时域维度上的平滑窗函数.
对典型回波信号进行SPWVD变换, 结果如图 5 所示. 可以看出, 虽然SPWVD变换的频率分辨率不如WVD变换, 但是解决了WVD变换所产生的交叉项的干扰, 且相较于STFT变换主体能量更高, 时频聚集性更好. 因此, 可以看出SPWVD变换对回波信号的缺陷识别效果最好.
图 5 典型回波信号的SPWVD时频分布图
为了更直观地对信号进行分析, 对SPWVD时频分布图进行降维特征提取, 根据所得特征信号进行C扫描重建. 具体步骤如下:
1) 对SPWVD时频分布图进行降维提取, 沿时间轴进行频谱叠加, 如式(5)所示.
(5)
图 6 是经过降维提取后得到的时频图, 可以看出, 在0.37 μs处, 缺陷信号的频率值为77.86, 而无缺陷信号的频率值为7.01, 信号的有用信息占比明显, 降低了干扰对识别准确性的影响.
图 6 降维时频图
2) 选择信号时间域R进行分析, 统计区间内信号频率的最大值ji=max(Fi(t)),(i=1,2,…,3 600).根据得到的最大值ji进行C扫描重建. 结果如图 7(a) 所示.
图 7 分层缺陷C扫描成像
图 7(b) 和图 7 (c) 分别展示了变分模态分解方法(EMD)和SPWVD时频分析方法对信号处理、 特征提取、 重建得到的成像结果, 可以注意到, SPWVD时频分析方法提取信号特征的能力高于EMD分析处理方法, 可以看出, 经过时频降维处理后缺陷轮廓清晰, 大小与预埋缺陷相同, 且能够较好地看出碳纤维板的纹理结构.
为了进一步验证上述方法的有效性, 提取C扫描成像中的特征信号, 得到如图 8 所示的处理前后的缺陷幅值对比, 结果表明, 相较于处理前, 采用时域信号处理方法EMD信噪比提高了 8.7 dB, 而采用时频信号处理方法SPWVD信噪比提高了22.7 dB, 强化了缺陷边缘, 有效地完成复合材料粘接质量的信号特征提取.
图 8 信号处理前后的幅值对比图
1) 相对高频的聚焦换能器可用于检测碳纤维复合材料浅层缺陷, 检测效果良好, 从C扫描结果可以看出其实际检测能力较强, 可用于检测 1.5 mm 的缺陷.
2) SPWVD变换改善了STFT变换的时频特性, 消除了WVD存在的交叉干扰项, 在时间定位、 频率定位上表现出较高的精度.
3) 通过对SPWVD时频分布图降维特征提取, C扫描重建, 实现了对超声信号缺陷的准确识别, 进一步验证了SPWVD变换对复合材料缺陷识别的有效性.
结果表明, SPWVD变换显著提高了对复合材料损伤判定的分析能力, 为复合材料缺陷识别提供了更多有用信息, 是一种行之有效的时频分析方法.