Page 100 - 《应用声学》2023年第3期

538 2023 年 5 月

0.8 0.8
ᮕ฾Ѭዝፇ౧
5 0.7 5 अ᭧ڀฉࣨϙ 0.7
ᑀங࠱ࣨϙ
4 0.6 4 ᄾࠄѬዝፇ౧ 0.6
ᮕ฾Ѭዝ 3 2 ᮕ฾Ѭዝፇ౧ 0.5 अ᭧ڀฉ & ங࠱ฉࣨϙ/% ᮕ฾Ѭዝ 3 2 0.5 अ᭧ڀฉ & ங࠱ฉࣨϙ/%
अ᭧ڀฉࣨϙ
ᑀங࠱ࣨϙ
0.4
0.4
ᄾࠄѬዝፇ౧
0.3 0.3
1 1
0.2 0.2
0 0
0.1 0.1
0 24 48 72 96 120 144 168 192 216 240 0 24 48 72 96 120 144 168 192 216 240
᧔ನག ᧔ನག
(a) RF ηՂവیѬዝគѿፇ౧ (b) ൤ЛฉηՂവیѬዝគѿፇ౧
图 11 第 40 行数据的背散射波分类识别结果、实际底面回波幅度衰减以及背散射波幅度的曲线对比图
Fig. 11 Curve comparison of backscattered wave classification and recognition results, actual bottom
echo amplitude attenuation and backscattered wave amplitude of line 40 data

图 12 为材料中超声波传播模型示意图。超声 4 结论
波探头发射超声波进入材料，超声波在材料中的
本研究以高温合金材料的超声波衰减以及超
传播路径可以细分为 n 个区域，其中区域 i 代表这
声背散射信号作为研究对象，结合了 CNN 等方面
n 个区域中的其中之一 (i = 1, 2, · · · , n)。超声波在
的知识，提出了一种基于深度学习的材料超声衰减
通过区域 i 后相应的会有 B i (t) 超声波背散射信号
识别网络检测算法，经实验验证主要得出以下结论：
被超声波探头接收。如果超声波传播路径区域 i 的
(1) 利用所建立的高温合金超声波衰减 -背散
材料组织存在差异，相应的材料声阻抗会发生变
射 (RF 信号) 数据集进行实验，利用训练后的材料
化，超声波信号的幅度和相位特征也相应会发生变 超声波衰减分类识别网络在训练集上分类识别准
化。材料中的超声波衰减是受到整个传播路径区 确率可达0.941，在与训练集同源的测试集上的识别
域影响的，时域信号中的幅度及相位变化都会最终 准确率可以达到0.919，说明本文的材料超声波衰减
在超声波回波幅度衰减上体现。材料超声波衰减 分类识别方法具有良好的泛化能力。
分类识别网络模型利用底层的卷积层实现对于超 (2) 利用高温合金超声波衰减 -背散射 (正全波
声波传播路径上的幅度及相位变化进行监测。之 信号) 数据集进行对比实验，发现通过利用具有相
后利用池化层降低局部区域敏感性，提高模型的 同结构的深度学习模型训练，采用正全波信号形式
泛化能力。最后利用全连接层实现材料背散射波 的数据集在其对应的测试集上的分类识别准确率
特征映射到材料超声波回波衰减。正全波信号因 为 0.808，相比于 RF 信号训练所得的模型识别准确
缺失相位特征，使得在分类识别的准确率上劣于 率出现了较明显的下降。正全波信号缺失相位信息
RF信号。 是导致二者在分类识别准确率上存在差异的重要
原因。
(3) 通过实验论证了基于深度学习的材料超声
ᡔܦฉ
ଊ݀ ӝ۫ ӝ۫ ӝ۫ 波衰减分类识别方法的可行性。所采用的方法无需
i֓ i i⇁
额外由人工进行特征提取和特征评价，而可以直接
实现对于材料超声衰减的分类识别。该方法为复杂
ӝ۫ ӝ۫ ӝ۫ 结构航空发动机盘件的底面超声回波衰减评价提
ඵᡰ i֓ i i⇁
供了一种可行的技术解决方案。

B i֓ ↼t↽ B i ↼t↽ B i⇁ ↼t↽
参 考 文 献
图 12 材料中超声波传播模型示意图
Fig. 12 Schematic diagram of ultrasonic propa- [1] 史亦韦, 梁菁, 何方成. 航空材料与制件无损检测技术新进
gation model in materials 展 [M]. 北京: 国防工业出版社, 2012.