Page 92 - 《应用声学》2023年第3期

530
0 引言
航空发动机盘件因其高温、高速、高负荷的恶
劣工作环境，导致其在制造过程中产生的夹杂等缺
陷严重威胁航空发动机的安全运行 [1−2] 。因此对盘
件质量进行超声无损评价至关重要。为保证航空发
动机的安全运行，近年来关于航空发动机盘件的超
声检测研究越来越多。
材料超声波衰减是超声波通过材料传播过程
中出现声压或声能随距离的增大逐渐减小的现象。
材料超声衰减蕴含着丰富的信息。因此在实际检测
工作中，常会利用材料超声衰减来评价材料的均匀
一致性，也会依据底面回波衰减调整缺陷检测的增
益补偿。材料超声波衰减在材料检测研究多个方面
都得到了广泛的研究和应用，但零件复杂结构常导
致无法通过底面回波衰减评价。因此如何在不利用
零件底面回波的情况下，实现对材料超声波衰减进
行评价，已成为工程应用中材料无损检测研究的热
点和难点。
近年来，国内外学者对材料超声波衰减和背
散射波进行了深入的研究。Willems 等
减系数实现了使用背散射技术的超声衰减测量。
Thompson 等 [4] 引入了基于从晶粒到晶粒的各向
同性速度波动的二维模型，以说明晶粒散射在具有
双相微观结构的钛合金中一系列复杂波传播现象
中的作用。Li等 [5] 建立了具有一般椭圆体形状的非
等轴晶粒的多晶超声波衰减和背散射模型。现有的
背散射波-材料超声衰减之间关系的研究，主要是通
过对原始超声背散射波进行预处理、特征提取和特
征评价 3 个步骤完成的。其中，预处理是将背散射
信号调整至特定的延迟、范围以及增益；特征提取
是指通过傅里叶变换、小波变换等手段提取背散射
波信号中的特征；特征评价是利用支持向量机、神
经网络等手段研究提取所得到的特征与材料超声
衰减之间的关系。在这个系列过程中，背散射波中
何种特征被提取得到并被选择应用于最终的特征
评价阶段将直接影响评估的准确性及其泛化能力。
因此，特征提取以及特征评价的质量将直接决定最
终评估质量。同时，由于特征提取和特征评价需要
大量具有专业知识的人员来实现，其效率往往不能
得到保证。
如何减少特征提取和特征评价对于评估精度、
可靠性以及效率的影响，从而提高最终评价的准确
性和效率，是背散射波-材料超声衰减评价中亟需解
2023 年 5 月
决的问题。但目前关于直接使用超声背散射波信号
对材料超声衰减进行评估的研究很少。如果能利用
超声背散射波进行直接评估，而无需额外由人工进
行特征提取和特征评价，那么，利用背散射波进行复
杂形状的材料超声衰减评估的能力、效率和可靠性
都将得到显著提升。
近年来基于表示学习的深度学习技术的发展
为材料超声衰减评估提供了新方法。表示学习是一
种机器通过输入数据自动发现检测或分类所需表
示的方法。深度学习是具有多层级的表示学习，通
过组合非线性的层将原始数据表示转换为更抽象
的数据表示。深度学习模型中靠近输入的层表示数
据的低级特征，靠近输出的更高层表示更抽象的特
征。对于分类任务，更高层表示放大了输入数据中
对区分重要的特征表示，并抑制不相关的变化。传
统的人工特征与深度神经网络区别在于，传统的特
征是由人工根据相关领域专业知识设计特征函数
实现数据特征提取；而深度学习是利用反向传播算
法从数据中学习得到特征提取器从而实现数据特
征提取，通过学习得到的特征提取器在具有更强的
[3] 利用衰 提取能力的同时通常难以进行解释。相比于由人工
设计的特征工程方法，利用深度学习技术在牺牲可
解释性的同时可以得到更精确的模型 [6] 。因此本文
以高温合金超声背散射波和超声底面回波衰减作
为研究对象，构建了不同超声衰减的高温合金超声
波样本数据库，并建立基于深度学习的超声背散射
波 -超声波衰减预测网络框架。提出一种基于深度
学习通过直接利用背散射波信号预测材料超声衰
减的方法，其中所采用的模型具有直接从超声背散
射波中提取信号幅度及相位特征而不需要由人工
进行特征提取并分析的特点，模型中用于特征提取
及分析的参数是通过反向传播算法直接从背散射
波信号中学习得到的。使用时仅需将背散射波信号
输入到训练好的模型便可直接得到材料超声衰减
的预测结果。
1 实验材料与方法
1.1 构建样本数据库
1.1.1 超声检测数据采集
具有不均匀组织的镍基高温合金试样是本研
究的实验对象。样品是230 mm × 60 mm × 50 mm
矩形块，样品的入射面和底面平行。样品表面粗糙
度小于Ra 0.8 µm。