采用人工神经网络BP对钢-橡胶分层粘接界面的超声检测实验

高文清，陈东辉

(1.西南交通大学，四川 成都 610000；2.中国人民解放军六五O六一部队，辽宁 沈阳 110027)

钢-橡胶粘接结构主要是指通过使用粘合剂，将钢与橡胶进行有效地粘合所形成的一种结构，该结构具有较高的减震性、耐腐蚀性、耐高温性以及成型工艺性能良好等特点，被广泛地应用于飞机、人造卫星、船舶等各个领域。但是，该结构在实际使用中，由于缺乏系统、完善的无损检测技术支持，严重影响了粘接缺陷检测结果的精确性和可靠性。为了解决这一问题，技术人员要针对钢-橡胶粘接结构使用现状，提出相应的超声检测信号处理方案，便于后期更好地开展超声无损检测工作。。

1 现代信号处理技术在超声检测中的应用必要性及现状

1.1 信号处理技术在超声检测中的应用

现阶段，超声检测逐渐向数字化、成像化方向不断发展，由此出现了大量的数字信号处理技术。

1.1.1解卷积技术

解卷积技术主要是指采用合适的处理方法，对时域卷积信号进行分类处理，并提取出有价值的特征信号。通过将该技术科学地应用到地震侦探信号处理领域，可以提高有用信息资源的利用率。

1.1.2模式识别技术

模式识别技术主要是指通过精确地分类和描述事件一系列处理过程，以实现对缺陷信号和噪声信号的精确化区分。

1.1.3人工神经网络技术

神经网络相关理论技术被广泛地应用于信号处理、模式识别、非线性优化等各个领域，并取得良好的应用效果。通过利用神经网络，可以实现对相关信号的集中化、全面化处理，极大地提高超声检测结果的精确性和真实性。例如：通过利用神经网络，对缺陷诊断进行系统化分析，可以获得比较精确、完整的信号特征，并实现对缺陷特点的高效化判断。

1.2 信号处理技术在粘接结构超声检测中应用的必要性

信号通常涉及到大量的有用信息，在合适的时间，从海量信息中提取出具有价值的信息，从而形成相应的信号处理技术。粘接结构在进行超声检测期间，主要用到了粘接缺陷相关的信息，这些有价值的信息以特定的形式，出现在所获取的信号中。因此，需要利用信号处理技术，获取出粘接缺陷相关的有价值信息；而超声技术在实际实现中，离不开现代信号处理技术的应用。此外，为了确保用户能够更好地理解和应用超声检测所输出的各种信息，需要利用信号处理技术，将相关图像形象、直观地呈现在屏幕上。所以，信号处理技术在钢-橡胶粘接结构超声检测中具有重要的应用价值，通过利用该技术，可以促使超声检测向数字化、智能化、信息化方向不断发展。

1.3 国内外采用的粘接界面超声检测研究现状

1.3.1国外研究现状

现阶段，国外所采用的粘接界面超声检测方式主要以非线性超声检测方式为主，该方式具有灵敏度高、获取粘接性能全面等特点。自1755年，Euler国外学者提出了“非线性声学”概念，并将其与非线性噪声进行充分结合，取得了一定的研究成果。前苏联Zarembo等学者对有限幅度超声波相关声学参数、美国的BreaZeale学者利用有限幅度超声检测方式，对单晶铝和铜进行精确化检测。

1.3.2国内研究现状

目前，国内学者在研究粘接界面超声检测领域，将超声无损检测作为重点研究内容，他们对金属-非金属粘接界面的性能进行了全面研究。南京大学及水永安学者全面地研究了固体材料所对应的超声波传播性能，并精确地测量和统计了铝合金非线性系数。王小民学者成功构建了粘接结构的弹簧模型，并采用时域分析法，对非线性信号进行分析。总之，超声检测模式属于一种先进、新型的检测手段，可以实现对金属-非金属粘接强度的全面化检测。

2 人工神经网络粘接界面模式识别

2.1 人工神经网络模式识别原理

人工神经网络模式主要是指对某一感兴趣的事物进行定量化、结构化描述。此外，通过利用各种元素的组成顺序，精确地表示出该模式的特征[12]；而模式识别主要是指将测量结果分配到指定的分类中。

2.1.1模式识别系统

模式识别系统在接收数据期间，主要运用了“原始”测量结果的形式，通过将原始数据进行集中化处理，从而形成相应的激励矢量。此外，还要寻找出这些激励矢量的相关属性，以实现对人工神经网络模式基本结构的精确化表达。模式识别系统主要涉及以下2个处理过程：(1)学习过程。学习过程是在参照特定模板的基础上，严格按照分类规则[13]，对分类器进行训练；(2)识别过程。识别过程主要是指将训练好的分类器与未知模板进行有效地匹配，以实现对未知模式类别的精确化识别；模式识别系统如图1所示。

图1 模式识别系统流程Fig.1 Pattern recognition system flow

2.1.2特征提取

要想保证模式识别结果的精确性和真实性，技术人员要做好对客体结构信息特征的精确化、高效化获取。在提取客体结构信息特征期间，样本空间经过映射，会产生相应的输入数据；然后，对这些数据进行预处理[14]。同时，还要筛选和删除原始数据中无价值的信息，并采用映射的方式，将样本空间一一映射到相应的数据空间中。在结合数据空间的基础上，采用不变性变换的方式，从数据矢量中提取出相应的不变特征，并组合为不变模式空间；还要根据实际应用需求[15]，压缩处理所选模式特征的矢量信息，在确保信息完整、可靠的基础上，选出有价值的特征，便于后期模式识别工作的有效开展。最后，还要从降维模式空间中，提取模式样本特征信息，从而形成庞大的特征空间[16]；模式特征提取过程如图2所示。

图2 模式特征提取过程Fig.2 Pattern feature extraction process

2.2 粘接界面检测信号的人工神经网络频谱特征模式识别

2.2.1预处理

在正式进入傅立叶变换之前，要采用预处理的方式，对检测信号的全面化处理，其原因主要体现：(1)校正信号起始点；(2)删除直接采样中的无用信息；(3)从采集好的粘接结构检测信号中，选出丰富、多样、真实的信息。

2.2.2频域特征矢量

回波数据经过预处理后，其数据长度仍然较长，不利于网络识别。为了降低网络规模，使得网络性能得以大幅度提高，需要借助变换域，对模式特征进行有效提取[17]，从而得到维数为60的变换系数特征矢量；这远远低于起始样本信号维数，使得神经网络分类器规模降到最低。

2.2.3识别结果

通过利用700 kHz超声探头，开展以下实验检测工作。从4个界面的脱粘区域中，收集所采集的实验采样数据，并分别经过数据预处理、模式特征提取，将模式特征划分为以下2组：一组用于对网络的训练；另一组用于对网络识别结果的检测。在本次实验中，主要采用了人工检测方式，单个区域所获得的采样信号达到了50个，其中，30个采样信号用于训练网络；20个采样信号用于网络识别效果的检测[18]。此外，通过借助训练好的分类器，精确化识别各个界面中的脱粘模式，结果表明：通过利用本文所提出的界面粘贴模式特征，可以对检测信号进行有效地表征处理。这表明所设计的BP网络具有较高的稳定性、可靠性和安全性。

2.3 粘接界面检测信号的人工神经网络DCT特征模式识别

2.3.1特征提取过程

在这一环节中，需要采用一一映射的方式，将所采集好的输入数据全部映射到样本空间数据中。采用时间校正的方式，校正处理采样样本数据，确保其时间起点和时间末点始终保持一致；此外，还要采用耦合校正的方式，对样本数据进行校正处理[19]，确保其耦合度高度一致，避免对各个样本数据产生一定程度的耦合影响，确保样本空间一一映射到不变模式空间中。采用降维处理的方式，对模式样本进行处理。在此基础上，通过采用余弦变换的方式，从变换域中完成对主特征矢量的精确化提取，使得特征空间维数不断降低。

2.3.2余弦变换

处于时域中的检测波长相对较长，不利于后期网络识别。为了使得网络规模不断降低，不断提高网络运行性能，现采用余弦变换的方式，对模式特征和维数进行提取和降低。例如：采用离散余弦变换的方式，对系数特征矢量进行提取，经过提取处理发现，该矢量维数为12，远远低于原有模式样本信号所对应的维数[20]。这不仅可以更好地维持信号主能量，还能确保神经网络分类器规模降到最低。

2.3.3识别结果

通过利用700 kHz超声探头，开展以下实验检测工作。从4个界面的脱粘区域中，收集所采集的实验采样数据，并分别经过数据预处理、模式特征提取，将模式特征进行划分为以下2组：一组用于对网络的训练；另一组用于对网络识别结果的检测。在本次实验中，主要采用了人工检测方式，单个区域所获得的采样信号达到了50个，其中，25个采样信号用于训练网络；25个采样信号用于网络识别效果的检测。此外，通过借助训练好的分类器，精确化识别各个界面中的脱粘模式，结果表明：通过利用本文所提出的界面粘贴模式特征，可以对检测信号进行有效地表征处理。这表明所设计的BP网络具有较高的稳定性、可靠性和安全性。

3 钢-橡胶分层粘接界面强度的超声检测

3.1 钢-橡胶分层粘接结构样品

本实验用到的钢-橡胶分层粘接结构样品长、宽、高分别为400、400、13 mm。该样品的一维剖面结构为钢层、橡胶层1、橡胶层2、橡胶层3和橡胶层4；钢-橡胶粘接结构样品的厚度参数如表1所示。

表1 钢-橡胶粘接结构样品的厚度参数Tab.1 Thickness parameters of steel-rubber bonded structural samples

为保证模拟结果的精确性和真实性，粘接界面在实际脱粘处理时，需采用空气脱粘方式，对脱粘区域进行科学加工，使其被加工为矩形、半圆形等不同的形状。单个脱粘区域面积相对较高[1]，达1 400 mm2，将钢层的上表面、钢层的下表面、橡胶层1与橡胶层2之间的界面、橡胶层2与橡胶层3之间的界面、橡胶层3与橡胶层4之间的界面分别设置为零界面、一界面、二界面、三界面、四界面。同时，二界面、三界面和四界面统称为深层界面。

3.2 多层粘接结构超声检测系统

结合实际工程检测需求，对样品表面信号进行发射和接收处理。同时，还要采用反射回波法，对多层粘接结构超声检测系统进行科学设计，实验装置系统框图如图3所示。

图3 实验装置系统框图Fig.3 System block diagram of the experimental device

由图3可知，通过利用同一个探头，可以同时发射和接收超声检测信号。因此，其工作状态呈现出典型的单发单收状态，通过使用30 mm水柱，对声耦合进行延迟处理；还要利用超声分析仪，激发处理超声检测信号，并做好对检测回波的全面化、系统化接收。在此基础上，还要利用分析仪，对所获得的检测回波信号进行放大处理，并将其传输到示波器中，对该系统的整个运行过程进行实时监视，选用频率为50 MHz的采样卡，获得相应的数字信号，并将其安全、可靠地传输到计算机中，便于后期借助计算机屏幕，输出最终的处理结果。

3.3 超声检测探头发射与接收回波信号

粘接结构超声检测信号在实际处理期间，离不开超声检测探头的使用，一旦该检测探头出现运行异常问题，将会对回波信号的检测效果产生直接性的影响。对于超声检测探头而言，该装置在实际运用中，主要涉及了以下几个参数，如灵敏度、带宽、中心频率等。为了全面地分析和研究超声检测探头对回波信号检测效果的影响程度，现开展一系列的探头实验，以实现对探头运行性能的优化。以频率为划分标准，可以将超声检测探头划分为以下2类：一类是高频探头；另一类是低频探头。现以“低频探头”为研究对象，将该探头的中心频率设置为2.0 MHz、带宽2.4 MHz、机械品质因数0.8，便于后期实验工作的有效开展。

4 超声检测信号的建模与仿真

4.1 分层粘接结构超声检测回波信号卷积模型

本实验所用到的实验样品结构呈现出典型的分层粘接状态，粘接结构系统所涉及的超声检测过程具有一定的平稳性、因果性和连续性[2]，这就导致检测回波信号也表现出一定的平稳性、因果性和连续性。通过利用线性卷积模型，对检测回波信号进行具体化表示；分层粘接结构超声检测信号线性卷积模型如图4所示。

图4 分层粘接结构超声检测信号线性卷积模型Fig.4 Linear convolution model of ultrasonic testing signal of layered bonding structure

4.2 分层粘接结构中的超声信号

4.2.1钢层的滤波作用

当超声信号在下行期间，主要采用了入射输出的方式；在上行期间，主要采用了透射输出方式。为了确保各个界面反射波传播过程表示的精确性和科学性[3]，需要将实验检测所对应的垂直入射方式更改为斜入射方式。对于超声信号而言，在进行下行传播期间，通常要穿过钢层。钢层对钢-橡胶多层粘接结构的超声检测结果产生直接性的影响，所以，技术人员要做好对钢层滤波作用的深入研究。钢层主要包含2个界面：一界面和零界面，这2种界面统称为“反射界面”，对超声信号的传播性能产生了直接性的影响[4]。在进行超声检测期间，需要利用水和油等耦合介质，将超声检测探头粘接于钢层外表面处，水和衬层的声阻抗相对较低，其阻抗值分别为1.5×106、2.0×106 kg/(m2·s)；而钢的声阻抗相对较高，达到了45×106 kg/(m2·s)。由此可见，衬层与钢层之间的声阻抗均存在着较大的差别。对于钢层而言，主要包含2个界面：一界面和零界面，这2种界面统称为“强反射界面”。在进行超声入射期间，所采用的反射方式主要以强反射方式为主，钢层滤波器在某种程度上可以延迟入射声波的传输时间，使其在实际传输期间呈现出衰减状态[5]。声波在钢-橡胶粘接结构中的传播检测示意图如图5所示。

图5 声波在钢-橡胶粘接结构中的传播检测示意图Fig.5 Schematic diagram of sound wave propagation detection in steel-rubber bonding structure

4.2.2层滤波器模型

对于声波，其在穿过钢层期间，类似于入射声波穿过钢层滤波器；分层介质结构对声波在实际传输中所发挥的作用类似于层滤波器对信号传输所发挥的作用[6]。由此可见，出现了一种新型、先进的层滤波器，层滤波器模型如图6所示。某一层介质对声波起到一定的过滤作用，层滤波器模型图中的d为层厚度；铁路工程四电代表该层往返于上行和下行之间的传播时间；α代表衰减系数，t=2d/c(c为层介质声速)。

图6 层滤波器结构模型Fig.6 Layer filter structure model

4.2.3利用层滤波器理论构建检测信号

零界面特征信号主要是指零界面对入射信号进行反射后，所形成的回波信号，对于一界面特征信号而言，其进入钢层期间，主要采用了入射信号下行入射方式[7]。当被一界面反射处理后，其回波信号直接透过零界面，当钢层厚度达到4.00 mm时，一界面特征信号频率响应出现3个最大值，分别为0.729、1.463、2.173 MHz。二界面特征信号主要是指入射信号采用下行入射的方式，穿过钢层，并由二界面对其进行反射[8]，从而形成相应的回波信号。当钢层和橡胶层厚度分别达到4.00、0.95 mm时，二界面特征信号频率响应出现3个最大值，分别为0.729、1.463、2.173 MHz。由此可见，无论是一界面特征信号，还是二界面特征信号，其频率响应所出现的峰值完全重合的[9]，无需使用频域滤波法，对其进行有效地区分。

4.3 仿真结果

钢-橡胶分层粘接结构所对应的封闭状态完好，在进行建模与仿真期间，所设置的物理参数与理论值之间存在一定的差异和出入。其中，脱粘界面深度一旦控制不达标，会对仿真信号产生直接影响，甚至还影响接收回波反射信号位置精确性[10]，不利于后期精确地判断和统计脱粘深度。同时，在进行仿真处理期间，其脱粘深度无法精确地获得，这是由于有缺陷部位的界面深度与无缺陷部位的界面深度之间存在一定的差异[11]所致。所以，为简化研究流程，需要将橡胶层的厚度统一设置为0.95 mm，钢-橡胶粘接结构超声检测的仿真物理参数如表2所示。

表2 钢-橡胶粘接结构超声检测的仿真物理参数Tab.2 Simulation physical parameters of ultrasonic testing of steel-rubber bonding structure

图7～图11分别为一界面～四界面和没有界面脱粘时的仿真回波信号。这4种界面的仿真信号基本一致，表明通过利用层滤波器相关理论知识，可以精确地描述钢-橡胶粘接结构。

图7 一界面脱粘时的仿真回波信号Fig.7 The simulated echo signal when the first interface debonding

图8 二界面脱粘时的仿真回波信号Fig.8 The simulated echo signal when thesecond interfaces is debonding

图9 三界面脱粘时的仿真回波信号Fig.9 The simulated echo signal when thethird interfaces is debonding

图10 四界面脱粘时的仿真回波信号Fig.10 Simulated echo signal when the fourthinterfaces is debonding

图11 没有界面脱粘时的仿真回波信号Fig.11 Simulated echo signal without interface debonding

5 结语

综上所述，对于钢-橡胶粘接结构而言，其超声检测信号处理方案的制定具有一定的挑战性。

(1)提出了一种新的层滤波器理论。通过利用该理论，有效地总结了超声波在分层介质中的传播特点；

(2)在进行界面脱粘期间，实现了对超声检测信号模式的精确化、科学化识别。通过利用离散余弦提取方式，实现对模式特征矢量的有效提取，并利用人工神经网络，对超声检测信号模式进行精确地识别和分类，极大提高了钢-橡胶粘接结构检测结果的精确性和真实性，为促进钢-橡胶粘接结构检测向智能化、高效化方向不断发展，有效地提高超声检测技术的发展速度。