固体发动机外防护涂层紧贴型缺陷太赫兹成像实验研究①

张振伟,吴迎红,张 强,郭 琪,张存林,赵跃进

(1.首都师范大学 物理系 太赫兹光电子学教育部重点实验室,北京 100048;2.西安航天化学动力有限公司,西安 710025;3.北京理工大学 光电学院 精密光电测试仪器及技术北京市重点实验室,北京 100081)

0 引言

外防涂层是保护固体火箭发动机壳体免受飞行气动加热致使壳体失强的功能层,壳体与外防护涂层界面脱粘是非常有害的质量缺陷[1-5],影响飞行安全,严重时会导致飞行失败。界面脱粘可以分为间隙型缺陷和紧贴无黏结缺陷。前者表现为厚度突起、局部松动等特征,通常界面明显分离,间隙分离得越小,检测识别越困难,直到间隙小到不可见。后者表现为壳体与涂层紧密接触没有间隙,也就是处于界面分子间可能形成键合的距离范围,但是其间的黏结作用不充分,黏结力不足,此时这种结构很容易被误认为是黏好区,隐蔽性强,检测识别更加困难。黏结力是由壳体材料与涂层材料界面间的机械嵌合力、范德华力、氢键力和化学键力等共同构成的复合作用力[6]。相对应,黏结良好就是界面间形成足够的黏结力。

随着固体火箭发动机在大气层中的高速飞行应用越来越多,特别是超音速飞行、重复飞行等情景,气动加热越来越成为不容忽视的有害因素。涂层脱粘问题受到广泛的重视,超声成像技术和红外热波成像技术在检测该类问题中发挥了重要的支撑作用。超声检测通过解析不同界面声压反射系数幅度谱、层间的多阶谐振频率等信息,当存在空隙型脱粘缺陷时,声阻抗匹配关系与无脱粘时发生突变,进而导致回波信号特征的变化,进而识别缺陷[7-10],而紧贴型缺陷对回波信号的相位特征基本没有影响[11]。在检测涂层类薄层结构试件时,高频超声[12]、阵列超声[13]、显微超声[14]、激光超声[15]等技术的快速发展,结合声场的设计优化[16],在水浸或油浸耦合条件下,采用μs级的时域超声脉冲的收发,超声检测的空间分辨率和层析分辨率能够达到mm级别和μm量级[17]。干耦合超声技术无需耦合剂,但是会在一定程度上降低检测精度和准确度[18]。另外,利用超声技术时,检测结果与涂层结构的声学特性、涂层与基底材料的声阻抗的差异密切相关,如果涂层声衰减较高、涂层与壳体的声阻抗差异较小时,都将影响检测效果[19]。另一种脉冲红外热成像技术利用主动激励的能量脉冲在被测目标形成热波传导,通过监测热流动变化过程分析目标中的缺陷和界面异常[20-22]。采用ms量级窄脉冲作为热源实现脉冲热激励,再结合高帧频高灵敏热成像探测技术,能够获得μm级的层分辨率[23]。同样对涂层材料的热传导性,受热激励的损伤特性,热容量以及热辐射能力的差异性等都有要求[24]。这两类技术在物理原理上能够非常好的解释空隙型脱粘缺陷,但是对于紧贴型无黏结缺陷界面特征的感知还没有明确的公开报道,在声传播和热传导过程中,如何感知壳体与涂层界面黏结力的差异尚需要深入研究。

近年来,太赫兹技术快速发展[25-28],特别是基于太赫兹时域光谱技术的检测成像应用[29-31]。其中的太赫兹信号本质上是ps量级的瞬态电磁波包,对应THz量级的频带宽度,中心频率对应的波长为亚毫米量级(1 THz频率,对应波长约为0.3 mm),同时具备振幅和相位特征,并且能够透入大部分非金属非极性材料,与被测目标发生相互作用,通过解析不同界面回波的时域和频域特性,分析目标特征[32]。通过对太赫兹波束准直聚焦,远场成像衍射极限能够接近波长尺寸[33],还可以通过近场技术[34-35]突破衍射极限,空间分辨率达到nm量级。此外,相比于前两种技术,该技术不仅能够检测空隙型脱粘缺陷,而且能够感知黏结力的特性[36-38],具有识别紧贴型无黏结缺陷的潜在能力。这是由于许多大分子的整体振动能级和转动能级,分子间作用力、范德华力、氢键力等处于THz波段,与太赫兹波相互作用更敏感,结合脉冲太赫兹信号的宽谱特性,物质微观的键合作用的总体变化将影响宏观的太赫兹脉冲信号的整体变化,再结合后端机器学习方法,能够分类识别缺陷特征。同样,太赫兹信号并不是适合所有的涂层材料和结构,对于含有高散射媒介、高反射微粒等高损耗要素的涂层材料,以及非金属复合基底材料,非特征信号干扰会更加复杂,可能会降低检测质量,感知涂层和壳体界面键合特征更困难。另外,太赫兹检测装置和关键部件的成熟度仍然需要进一步优化提高,特别是光纤耦合式的高功率宽带相干源和高灵敏的相干探测器,以及高效的太赫兹波束传导和调控元件。在应用上,各类材料在太赫兹波段的标准数据库仍较匮乏,仪器的便携性和针对应用场景的适配性都有待进一步改善。

本文针对涂层紧贴型无黏结缺陷检测问题,采用自行搭建的光纤耦合反射式太赫兹时域光谱成像系统,检测预制缺陷的标准壳体与涂层结构试件,经过数据标准化预处理、数据降维和机器学习分类,实现了试件上黏好区、紧贴型无黏结区、交界区和微小缺陷区的有效预测,获得特征分类图像,验证了紧贴型无黏结缺陷的自动化识别和缺陷分布成像的可能性。结果直观准确,与实际试件特征相符合。

1 实验

1.1 实验设备

实验装备为自行搭建的光纤耦合式太赫兹时域光谱成像系统。采用光纤飞秒激光器,光脉冲通过尾纤输出,被分为两束。一束直接连接到光纤耦合光导天线,另一路连接高速延迟线,再连接到另一路光导天线。光导天线对被集成到一个垂直反射模块中,通过该模块,发射的太赫兹信号垂直照射到被测涂层,透入到壳体和涂层界面并被反射,回波序列被探测。只有当太赫兹信号与探测飞秒脉冲同时到达探测光导天线,太赫兹电场驱动光生载流子运动,形成光电流,太赫兹信号被探测,太赫兹电场信号正比于光电流的变化率。延迟装置调节太赫兹信号与探测飞秒脉冲的相对相位,实现太赫兹时域波形的采集,同时也决定信号波形的时域宽度、数据点时间分辨率和信号采集效率。结合扫描装置实现对被测目标成像。图1是太赫兹系统结构示意图。

图1 太赫兹系统结构图Fig.1 Structural diagram of THz system

1.2 实验样品及其制备

标准试件尺寸为100 mm×100 mm,外防涂层选用质地柔软的室温固化型硅橡胶涂层,其对金属基底有较好的吸附作用,能紧密贴附于基底上。先在涂层与金属基底之间一部分面积预置聚四氟乙烯薄膜,固化后有薄膜区域涂层与基底不黏结,取出薄膜,再通过加压过程,使两层紧密贴合,得到紧贴型无黏结缺陷。其他条件与黏结良好区域相一致,以便更好地突出涂层和金属基底界面特征的差异。图2(a)是样品检测时的实物照片,图2(b)是样品特征区域分布图,试件中有金属区、黏好区、紧贴型无黏结区、交界区和微小缺陷区。

图2 涂层试件((a)检测时照片;(b)特征区域分布)Fig.2 Coating specimen( (a)Photo;(b)Distributions of different features)

金属区是裸露的金属基底,该处主要用于评价系统信号,不用于分类识别。黏好区表示涂层紧紧附着在金属基底上,有足够强的相互作用力,通过工艺流程确保作用力有效。紧贴型无黏结区表示涂层与金属基底表面相互接触,但是黏结力不足或失效。交界区表示黏好区与紧贴型无黏结区相连的区域,本质是渐变的微小间隙,在制作无黏结特征时,需要撤去预制的薄膜,而交界过渡区在加压过程中不能达到无黏结区的紧密贴合程度,形成单独的特征。黏好区的黑色虚线框部分,涂层表面有一直径约为3 mm小凸起,当基底上存在砂粒等异物时,涂层会形成类似的小凸起,用于检验对微小缺陷的检出能力。

2 算法原理

2.1 主成分分析算法

主成分分析(Principal Components Analysis,PCA)是从数据整体出发,并在欧氏空间中进行数据投影降维。通过线性映射将高维数据投影至低维子空间中,同时使数据的方差最大,并且重构均方根误差最小。在降维的过程中,需要计算原始数据的协方差矩阵,并根据相应的特征值获取特征向量。新的特征向量即为主成分,在低维空间中彼此正交,特征值体现了原始数据的投影方差,通过累积方差贡献率选取主成分个数[39-41]。贡献率的选取取决于分类效果是否符合标准试件物理特征的分布情况,以及太赫兹信号标准化处理。本文中,选取原始信号、第二主峰信号、第二主峰对齐信号的前三主成分,累计方差贡献率分别为35.98%、61.46%和67.85%。

2.2 局部线性嵌入算法

局部线性嵌入LLE(Local Linear Embedding,LLE)算法是ROWEIS 和SAUL[42]首先提出的一种将复杂高维数据投影到一个相对低维的空间里的非线性降维方法。LLE 方法的思想是将高维空间的数据重构为低维局部线性模型,通过数据在低维空间上的投影提取数据的局部距离关系,利用样本空间中局部的线性来逼近全局的非线性,并保持样本固有的几何性质。

2.3 等距特征映射算法

等距特征映射Isomap(Isometric Mapping,Isomap)是建立在经典MDS基础上的非线性降维方法,主要思想是从全局的角度来保持降维前后的数据间距离不变[43]。算法步骤首先要构造近邻图G;再计算图G的最短路径;最后通过最短路径距离矩阵构建输出向量。算法通过保持数据间的测地线距离而完成低维嵌入。

2.4 支持向量机

支持向量机SVM(Support Vector Machines,SVM)[44-46]的基本思想是将原始数据映射到高维空间,寻找最优超平面,将各类数据的间隔最大化,实现分类。惩罚因子与核参数共同决定SVM的分类效果与泛化能力。本文中,选取径向基函数作为核函数,将原始数据映射到高维空间。通过5折交叉验证的网格搜寻法获得核参数γ和惩罚因子C。

3 结果与讨论

3.1 涂层厚度识别

图3为太赫兹波垂直入射标准试件时的传输示意图,S0为垂直入射的太赫兹脉冲,R0为太赫兹波到达涂层上表面时,返回的第一主峰信号;一部分太赫兹波穿透涂层,到达涂层和金属基底的黏结界面,返回携带试件黏结界面信息的第二主峰信号R1。

图3 太赫兹波传输示意图Fig.3 Transmission diagram of THz wave

随机选取第20列第80行的样本点,为图5红点处显示位置。画出此样本点的太赫兹反射时域信号图,如图4所示,受太赫兹波在试件内传输路径影响,涂层上表面反射信号R0和黏结界面反射信号R1之间的峰峰值时间差是Δt,ns为折射率,c为光速,可以简单通过时域延迟计算涂层厚度：

图4 太赫兹反射信号图Fig.4 THz reflected signal

图5 涂层厚度分布图Fig.5 Distribution diagram of coating thickness

(1)

先验获得试件涂层太赫兹波段的平均折射率约为1.72,图2(b)黄色虚线框内区域整体作为一组数据集合D,通过公式(1),得到右半部分试件的涂层厚度分布成像。如图5所示,涂层的平均厚度约为0.72 mm,最厚处约为0.76 mm,最薄处约为0.67 mm。区域内涂层厚度并不完全一致,这是由于工艺环节不可避免的随机偶然性所致。

3.2 时域信号特征提取

3.2.1 时域信号预处理

数据集合D中,如图6(a)所示,黏好区、紧贴型无黏结区、交界区和微小缺陷区的原始时域信号相互重叠。仅凭脉冲信号的直观差异难以精确地区分出各类区域。原始时域信号中的第二个主峰为金属基底与涂层界面反射信号,黏结特征主要反映为第二个主峰的差异,因此分割出原始时域信号中第二主峰用于进一步运算,如图6(c)所示。

图6 时域信号图((a)原始信号(整体);(b)原始信号;(c)第二主峰信号(整体);(d)第二主峰信号;(e)第二主峰对齐信号(整体);(f)第二主峰对齐信号)Fig.6 Time domain signals((a)All original signals;(b)Original signals;(c)All second echo signals;(d)Second echo signals;(e)All second aligned echo signals;(f)Second aligned echo signals)

标准试件基底与涂层界面在同一相位平面。但是由于涂层厚度差异,以及测量角度、系统信号随机波动导致的信号时间延迟,原始信号的界面回波并不在同一相位面。因此,需要进一步消除界面回波相位不一致性的影响,只保留信号形状的差异。选取一个统一基准,例如第二个主峰信号最大值相位,进行相位对齐处理,只看信号本身形状的差异,如图6(e)所示。当第二主峰的信号特征较为明显时,可以采取峰值位置作为基准,当信号特征较差时,需要更深入的讨论。图6(a)、(c)和(e)为整体数据,为了更清楚地看清四类特征的界面回波,图6(b)、(d)和(f)显示了对应的单个界面回波波形。

3.2.2 时域信号特征值成像

对数据集合D以最大值、最小值、峰峰值成像的方式进行图像重构[29]。如图7(a)所示,为信号最大值成像,上半部分的深色区域为紧贴型无黏结区,下半部分浅色区域为黏好区。通过重构后的图像可以初步判断标准试件黏好区、紧贴型无黏结区、交界区和微小缺陷区的分布情况,但图像中黏好区和紧贴型无黏结区域,存在混叠。图7(b)和(c)分别为时域信号最小值成像和峰峰值成像,黏好区和紧贴型无黏结区的颜色混叠更严重,采用传统的特征参数难以有效区分四类区域,因此,需要引入后端处理,对信号进行精确分类。

图7 特征值成像((a)最大值成像;(b)最小值成像;(c)峰值成像)Fig.7 Imagingof characteristic value((a)Imaging of maximum;(b)Imaging of minimum; (c)Imaging of peak-peak)

3.2.3 信号降维

分别采用Isomap、LLE和PCA方法对原始时域信号、第二主峰信号、第二主峰对齐信号进行降维,并采用前三个特征参数对信号进行可视化。

如图8所示,采用Isomap降维时,原始信号和第二主峰信号降维散点图中,四类信号出现混叠;第二主峰对齐信号降维散点图中,四类信号基本可以区分。采用LLE降维时,原始信号和第二主峰信号降维散点图中,四类信号出现混叠;第二主峰对齐信号降维散点图中,四类信号基本可以区分。采用PCA降维时,原始信号和第二主峰信号降维散点图中,四类信号出现混叠;第二主峰对齐信号降维散点图中,四类信号基本可以区分。可以看出,将原始时域信号进行截取、对齐预处理之后,信号的可区分性更好,四类信号散点图基本能区分。

图8 时域信号降维三维散点图((a)原始信号Isomap降维;(b)第二主峰信号Isomap降维;(c)第二主峰对齐信号Isomap降维;(d)原始信号LLE降维;(e)第二主峰信号LLE降维;(f)第二主峰对齐信号LLE降维;(g)原始信号PCA降维;(h)第二主峰信号PCA降维;(i)第二主峰对齐信号PCA降维)

3.2.4 SVM预测分类

3.2.4.1 采用4059个样本点进行SVM预测分类

在数据集D中有5000个样本点。随机选取4059个样本点作为训练集,如图9所示,红色框区域为紧贴型无黏结区共2250个样本点,蓝色框区域为黏好区共1700个样本点,绿色框区域为交界区共100个样本点,黄色框区域为微小缺陷区共9个样本点。整体数据集D作为测试集。

图9 4059个样本点训练集区域Fig.9 Training set of 4059 sample points

将降维后的前三维特征参数作为训练集输入支持向量机模型,经过支持向量机训练,得到黏好区、紧贴型无黏结区、交界区和微小缺陷区的四分类模型。再将测试集输入四分类模型,得到最后的预测结果。预测结果与实物进行对照,如图10所示。由图10可见：

图10 4059样本点SVM预测图((a)原始信号Isomap-SVM;(b)第二主峰信号Isomap-SVM;(c)第二主峰对齐信号Isomap-SVM;(d)原始信号LLE-SVM;(e)第二主峰信号LLE-SVM;(f)第二主峰对齐信号LLE-SVM;(g)原始信号PCA-SVM;(h)第二主峰信号PCA-SVM;(i)第二主峰对齐信号PCA-SVM)

(1)Isomap-SVM预测结果中,采用原始信号与第二主峰信号信号进行预测时,预测结果与实物不符;采用第二主峰对齐信号进行预测时,大致能区分四类区域,但是紧贴型无黏结区与黏好区的某些区域仍有混叠。

(2)LLE-SVM预测结果中,采用原始信号与第二主峰信号进行预测时,微小缺陷区不能被识别;采用第二主峰对齐信号进行预测时,大致能区分四类区域,但一些紧贴型无黏结区和黏好区被识别为交界区域。

(3)PCA-SVM预测结果中,采用原始信号不能预测出四类区域;采用第二主峰信号进行预测时,能大致区分四类区域,但是黏好区和紧贴型无黏结区仍有部分混叠;采用第二主峰对齐信号进行预测时,预测结果基本与实物的四类区域相符合。

3.2.4.2 采用1859个样本点进行SVM预测分类

降低训练样本量进一步预测结果。随机选取数据集D中的1859个样本点作为训练集,如图11所示,红色框区域为紧贴型无黏结区共900个样本点,蓝色框区域为黏好区共900个样本点,绿色框区域为交界区共50个样本点,黄色框区域为微小缺陷区共9个样本点。数据集D作为测试集。

图11 1959个训练集区域Fig.11 Training set of 1959 sample points

预测结果,如图12所示。Isomap-SVM预测结果中,采用原始信号、第二主峰信号信号、第二主峰对齐信号进行预测时,预测结果与实物不符。LLE-SVM预测结果中,采用原始信号与第二主峰信号进行预测时,有部分黏好区被识别为微小缺陷区和交界区;采用第二主峰对齐信号进行预测时,有一些紧贴型无黏结区被识别为交界区域。PCA-SVM预测结果中,采用原始信号和第二主峰信号进行预测时,四类区域存在混叠;采用第二主峰对齐信号进行预测时,预测结果基本与实物图的四类区域相符合。综上,经过处理,且采用PCA-SVM方法,样本点较少时,仍能得到与实物四类区域相符的预测图,可以实现小样本数据对紧贴型无黏结、微小缺陷特征的自动识别。

图12 1859样本点SVM预测图((a)原始信号Isomap-SVM;(b)第二主峰信号Isomap-SVM;(c)第二主峰对齐信号Isomap-SVM ;(d)原始信号LLE-SVM;(e)第二主峰信号LLE-SVM(f)第二主峰对齐信号LLE-SVM;(g)原始信号PCA-SVM;(h)第二主峰信号PCA-SVM;(i)第二主峰对齐信号PCA-SVM)Fig.12 SVM predicted image of 1859 sample points((a)Original signals Isomap-SVM;(b)Second echo signals Isomap-SVM;(c)Second aligned echo signals Isomap-SVM;(d)Original signals LLE-SVM ;(e)Second echo signals LLE-SVM;(f)Second aligned echo signals LLE-SVM;(g)Original signals PCA-SVM;(h)Second echo signals PCA-SVM;(i)Second aligned echo signals PCA-SVM)

4 结论

(1)本文验证了一种基于太赫兹时域光谱成像技术非接触无损检测的自动识别金属基底硅橡胶涂层结构中紧贴型无黏结缺陷的方法。

(2)利用太赫兹信号的特点,并通过较理想化的试件制备突出了基底材料与涂层材料界面间复合键合作用差异导致的太赫兹脉冲信号的宏观变化。进一步通过PCA-SVM方法增强了特征表现的差异,实现了四类特征区域准确分类成像,比传统直接成像方法图像结果更直观,与实际试件特征更相符,并且还可以部分代替人工对成像数据的判读工作,效率更高。

(3)检测方案结果表明,太赫兹技术有望将固体火箭发动机外防涂层脱粘缺陷的检测能力进一步提升,还可用于内绝热结构缺陷检测等其他类似应用。同时,更深入的界面特性与太赫兹脉冲信号的相互作用机理,以及在更复杂的壳体材料和涂层材料界面条件下,对无黏结缺陷的有效检出仍需要更多的理论和实验探索。