CFRP-PMI夾層結(jié)構(gòu)復(fù)合材料具有輕質(zhì)、高強(qiáng)度、良好的耐疲勞性和優(yōu)異的抗沖擊性等優(yōu)點(diǎn)而被廣泛應(yīng)用在航空航天、風(fēng)力發(fā)電、船舶制造等領(lǐng)域[1]。然而，這些復(fù)合材料在服役期間不可避免地會(huì)產(chǎn)生各種形式的損傷，如基體開(kāi)裂、基體/纖維分層、纖維斷裂、蒙皮/夾芯脫黏、夾芯損傷等[2]。損傷的積累不僅會(huì)降低材料的力學(xué)性能還會(huì)引發(fā)整體結(jié)構(gòu)的失效，進(jìn)而造成較大的經(jīng)濟(jì)損失。因此，準(zhǔn)確識(shí)別CFRP-PMI夾層結(jié)構(gòu)復(fù)合材料的損傷對(duì)于確保結(jié)構(gòu)安全性和可靠性具有非常重要的意義[3]。近年來(lái)，人工智能的快速發(fā)展為解決這一問(wèn)題提供了一種新思路。相關(guān)學(xué)者們開(kāi)發(fā)了多種基于聲發(fā)射技術(shù)（Acoustic emission，AE）來(lái)評(píng)估復(fù)合材料損傷程度的方法。尤其是將聲發(fā)射技術(shù)與人工智能相結(jié)合的技術(shù)開(kāi)始在眾多領(lǐng)域展現(xiàn)出強(qiáng)大的潛力[4-6]，特別是在碳纖維增強(qiáng)復(fù)合材料（CFRP）和泡沫組成的夾層結(jié)構(gòu)失效檢測(cè)評(píng)估領(lǐng)域。

首先通過(guò)格拉姆角場(chǎng)（Gramian angular summation field，GASF）將一維時(shí)間序列數(shù)據(jù)轉(zhuǎn)化為二維圖像數(shù)據(jù)來(lái)增強(qiáng)數(shù)據(jù)的特征表達(dá)，并將其作為視覺(jué)轉(zhuǎn)換器（Vision transformer，ViT）模型的輸入，然后通過(guò)ViT模型對(duì)二維數(shù)據(jù)進(jìn)行分類(lèi)，并在ViT模型中引入了特征融合模塊（Hierarchical feature fusion，HFF）來(lái)提高特征表達(dá)，進(jìn)而提高模型的分類(lèi)準(zhǔn)確率。

1. 單一損傷試驗(yàn)設(shè)計(jì)和方法

在大多數(shù)研究中，基體開(kāi)裂、纖維斷裂、基體/纖維分層、蒙皮/芯層脫黏以及芯層破裂為主要的復(fù)合材料損傷模式[2]。文章為利用深度學(xué)習(xí)方法將復(fù)合材料的損傷模式進(jìn)行分類(lèi)，設(shè)計(jì)了纖維束拉伸試驗(yàn)、基體拉伸試驗(yàn)、基體/纖維分層試驗(yàn)、蒙皮/芯層脫黏試驗(yàn)和泡沫芯三點(diǎn)彎曲試驗(yàn)，以獲取CFRP-PMI夾層材料中基體開(kāi)裂、纖維斷裂、基體/纖維分層、蒙皮/芯層脫黏以及芯層破裂的單一損傷數(shù)據(jù)，具體如下。

碳纖維束拉伸試件的長(zhǎng)×寬為45 mm×3 mm，利用SEM測(cè)試儀類(lèi)型的原位拉伸機(jī)拉伸樣本，并使用AE傳感器接收AE信號(hào)，試驗(yàn)現(xiàn)場(chǎng)如圖1所示（圖中WD傳感器為寬頻帶傳感器）。以5 mm·min?1的拉伸速率拉伸試件直至斷裂，觀察并記錄失效過(guò)程中的損傷模式以及試驗(yàn)現(xiàn)象。

根據(jù)GB/T 2567—2008《樹(shù)脂澆鑄體性能試驗(yàn)方法》對(duì)環(huán)氧樹(shù)脂基體進(jìn)行拉伸試驗(yàn)，基體試件為啞鈴型環(huán)氧樹(shù)脂澆注體，尺寸（長(zhǎng)×寬×高，下同）為250.0 mm×25.0 mm×2.5 mm。使用島津AG-X電子萬(wàn)能試驗(yàn)機(jī)拉伸試件，AE傳感器在拉伸過(guò)程中接收AE信號(hào)，試驗(yàn)現(xiàn)場(chǎng)如圖2所示。以5 mm·min?1的拉伸速率拉伸基體直至斷裂，觀察并記錄失效過(guò)程中的損傷模式以及試驗(yàn)現(xiàn)象。

圖 2基體拉伸試驗(yàn)現(xiàn)場(chǎng)

根據(jù)ASTM D 5528-13Standard test method for mode i interlaminar fracture toughness of unidirectional fiber-reinforced polymer matrix composites標(biāo)準(zhǔn)對(duì)尺寸為175 mm×25 mm×4 mm的碳纖維層合板進(jìn)行分層試驗(yàn)。試件中插入尺寸為55 mm×25 mm×40 μm的聚四氟乙烯（PTFE）膜作為預(yù)制分層，一對(duì)鉸鏈被粘貼于預(yù)制損傷的一端。然后向鉸鏈?zhǔn)┘永燧d荷進(jìn)行分層試驗(yàn)，AE傳感器在加載過(guò)程中接收AE信號(hào)，試驗(yàn)現(xiàn)場(chǎng)如圖3所示。以1 mm·min?1的拉伸速率拉伸碳纖維層合板直至其完全分層，觀察并記錄失效過(guò)程中的損傷模式以及試驗(yàn)現(xiàn)象。

圖 3纖維/基體分層試驗(yàn)現(xiàn)場(chǎng)

根據(jù)ASTM D 5528-13 標(biāo)準(zhǔn)對(duì)尺寸為178.00 mm×20.00 mm×22.04 mm的CFRP-PMI夾層試件進(jìn)行分層試驗(yàn)。試件中插入尺寸為55 mm×25 mm×40 μm的聚四氟乙烯（PTFE）膜作為預(yù)制分層，一對(duì)鉸鏈被粘貼于預(yù)制損傷的一端。然后向鉸鏈?zhǔn)┘永燧d荷進(jìn)行分層試驗(yàn)，AE傳感器在加載過(guò)程中接收AE信號(hào)，試驗(yàn)現(xiàn)場(chǎng)如圖4所示。以1 mm·min?1的拉伸速率拉伸夾層試件直至其完全分層，觀察并記錄失效過(guò)程中的損傷模式以及試驗(yàn)現(xiàn)象。

圖 4蒙皮/芯層脫黏試驗(yàn)現(xiàn)場(chǎng)

根據(jù)ASTM D 790-03Standard test methods for flexural properties of unreinforced and reinforced plastics and electrical insulating materials標(biāo)準(zhǔn)對(duì)尺寸為200 mm×100 mm×22 mm的PMI泡沫芯進(jìn)行三點(diǎn)彎曲試驗(yàn)，使用SANS萬(wàn)能試驗(yàn)機(jī)對(duì)試件進(jìn)行加載，AE傳感器在加載過(guò)程中接收AE信號(hào)，試驗(yàn)現(xiàn)場(chǎng)如圖5所示。以1 mm·min?1的加載速率彎曲泡沫芯直至試件斷裂，觀察并記錄失效過(guò)程中的損傷模式以及試驗(yàn)現(xiàn)象。

圖 5泡沫芯三點(diǎn)彎曲試驗(yàn)現(xiàn)場(chǎng)

2. 理論基礎(chǔ)

2.1 格拉姆角場(chǎng)

格拉姆角場(chǎng)（Gramian angular summation field，GASF）是一種使用笛卡爾坐標(biāo)系將一維時(shí)間序列數(shù)據(jù)轉(zhuǎn)化為二維圖像的方法[7]。其可以捕捉到時(shí)間序列中的動(dòng)態(tài)特征，保留原始信號(hào)中的關(guān)鍵信息，并提供簡(jiǎn)單直觀的視覺(jué)顯示。該方法將時(shí)間序列中的數(shù)據(jù)點(diǎn)兩兩組合，計(jì)算它們之間的夾角余弦，并將結(jié)果表示為圖像的像素值。這種轉(zhuǎn)換可以幫助捕捉時(shí)間序列數(shù)據(jù)中的動(dòng)態(tài)和周期性特征。假定原始時(shí)間序列有n個(gè)值，，，，，，并且該序列被歸一化到[-1，1]之間，表示為，，，，，為標(biāo)準(zhǔn)化時(shí)間序列的值。將數(shù)據(jù)映射到極坐標(biāo)系中為，可表示為

式中：max，min為最大，最小函數(shù)。

時(shí)間序列以極坐標(biāo)表示時(shí)，映射到角度φi，時(shí)間戳ti映射到半徑ri，則有

式中：時(shí)間戳ti將區(qū)間[0，1]劃分為N等份，從而使極坐標(biāo)系的跨度正則化。

將一維數(shù)據(jù)映射到極坐標(biāo)系后，每個(gè)時(shí)間點(diǎn)的相關(guān)性由三角和來(lái)確定，其表達(dá)式為

式中：為縮放后的時(shí)間序列；I為對(duì)應(yīng)每個(gè)時(shí)間點(diǎn)的位置索引。

2.2 Vision transformer模型

Vision transformer（ViT）是一種可以直接應(yīng)用于圖像分類(lèi)任務(wù)的深度學(xué)習(xí)模型[8]，整體架構(gòu)如圖6所示（圖中MLP為多層感知機(jī)）。其盡可能地遵循Transformer的原始架構(gòu)。為了使其能夠處理二維圖像數(shù)據(jù)，圖像被線性化為一組平坦的二維補(bǔ)丁（patch），其中c為通道數(shù)，（h，w）為原始圖像的分辨率，（p，p）為每個(gè)圖像塊的分辨率。因此，Transformer的有效序列長(zhǎng)度，然后為嵌入補(bǔ)丁添加位置嵌入（PE）P向量，作為標(biāo)準(zhǔn)的一維位置嵌入，X和P的維度為模型維度dmodel，其表達(dá)式為

式中：pos為patch的位置；i為patch的當(dāng)前尺寸。

圖 6ViT模型架構(gòu)示意

在patch的開(kāi)頭添加了一個(gè)額外的科學(xué)系嵌入Xclass，其將在訓(xùn)練過(guò)程中更新，并生成最終分類(lèi)結(jié)果，為

式中：E為每個(gè)補(bǔ)丁x的可訓(xùn)練嵌入先行投影，，；N為patch的數(shù)量。

嵌入的patch被輸入到12層串行的transformer編碼器中，在transformer塊中多頭注意力機(jī)制將輸入向量轉(zhuǎn)化為3個(gè)向量：一個(gè)表示圖像patch的查詢(xún)向量q，一個(gè)代表其他所有圖像patch的鍵向量k，以及一個(gè)等于q的值的值向量v，它們的維度為dk=dv=dq=dmodel，所有這些向量被堆疊到各自的矩陣Q、K、V中，通過(guò)Q和K的縮放點(diǎn)積來(lái)計(jì)算所有patch之間相對(duì)于特定patch的依賴(lài)關(guān)系。然后再輸入到自適應(yīng)層次特征融合模塊（HFF）中對(duì)特征進(jìn)一步融合，該設(shè)計(jì)使模型能夠彌補(bǔ)局部特征獲取不足的缺點(diǎn)。在此基礎(chǔ)上，MLP的全連接層（FC）將輸入尺寸擴(kuò)大4倍，高斯誤差線性單元（GELU）將擴(kuò)大后的特征尺寸恢復(fù)至原始特征尺寸。經(jīng)過(guò)MLP的特征轉(zhuǎn)換處理，轉(zhuǎn)換編碼器輸出的尺寸與輸入的尺寸是一致的，并且可以捕獲更加豐富的特征表示。最后再輸入到MLP Head（頭部）中根據(jù)轉(zhuǎn)換編碼器提取的特征對(duì)相應(yīng)類(lèi)別進(jìn)行分類(lèi)。模型超參數(shù)設(shè)置如表1所示。

2.3 自適應(yīng)層次特征融合模塊

自適應(yīng)分層特征融合模塊（HFF）[9]可以根據(jù)輸入特征，自適應(yīng)地融合來(lái)自不同層次的局部特征、全局表示和前一層次融合后的語(yǔ)義信息，其中，Gi表示全局特征塊生成的特征矩陣，Li表示局部特征塊輸出的特征矩陣，F(xiàn)i-1表示前一階段HFF生成的特征矩陣，F(xiàn)i表示在這一階段通過(guò)HFF融合生成的特征矩陣。特征融合操作使用式（8）~（12），其結(jié)構(gòu)如圖7所示（圖中Conv為卷積，GELU為一種激活函數(shù)）。

式中：CA為通道注意力機(jī)制；SA為自注意力機(jī)制；Concat為通道維度；IRMLP為倒殘差多層感知機(jī)；為元素級(jí)相乘；為通過(guò)通道注意力組合生成；為通過(guò)空間注意力組合生成；為通過(guò)前一階段的HFF模塊下采樣生成；為全局-局部特征與前一階段融合的結(jié)果。

圖 7HFF模塊架構(gòu)示意

最后將，，進(jìn)行拼接，并通過(guò)IRMLP生成特征。

3. 數(shù)據(jù)集及模型參數(shù)設(shè)置

研究了改進(jìn)的ViT模型對(duì)CFRP-PMI夾層復(fù)合材料的損傷識(shí)別能力，文章所用試驗(yàn)數(shù)據(jù)為AE系統(tǒng)采集到的聲發(fā)射波形數(shù)據(jù)，然后將一維時(shí)間序列信號(hào)轉(zhuǎn)化為GASF圖，形成模型訓(xùn)練數(shù)據(jù)集，如圖8所示。GASF特征圖包含了由一維時(shí)序信號(hào)和特征轉(zhuǎn)換以及合成的信息[10]。ViT模型通過(guò)學(xué)習(xí)特征之間的差異進(jìn)行分類(lèi)[11]。

圖 8各類(lèi)損傷模式一維時(shí)域信號(hào)及二維格拉姆角場(chǎng)圖

試驗(yàn)在64位Windows10平臺(tái)上進(jìn)行，試驗(yàn)使用PYTHON 3.12編程語(yǔ)言和PYTORCH框架。設(shè)備信息及訓(xùn)練參數(shù)設(shè)置如表2所示。

4. 試驗(yàn)結(jié)果分析

各模型分類(lèi)準(zhǔn)確率對(duì)比如表3所示，可見(jiàn)，文章提出的GASF-ViT-HFF模型在測(cè)試集中表現(xiàn)出了最高準(zhǔn)確率，達(dá)到99.8%。即，將HFF模塊與ViT結(jié)合能夠有效提高模型分類(lèi)的準(zhǔn)確率，尤其是在局部特征不明顯的情況下，該方法通過(guò)特征融合進(jìn)而提升模型性能。并且，文章將短時(shí)傅里葉變換（STFT）頻譜圖輸入到所提出的模型中進(jìn)行測(cè)試，在測(cè)試集上的準(zhǔn)確率達(dá)到96.1%，表現(xiàn)出較好的魯棒性。在均以GASF圖作為輸入時(shí)，與Efficient network(Efficientnet)、Convolutional next(ConvNeXt)、Class-attention in image transformers(CaiT)以及Convolutional vision transformer(CvT)模型相比，ViT模型表現(xiàn)出卓越的性能，準(zhǔn)確率僅低于插入HFF模塊的ConvNeXt模型。這是因?yàn)镠FF模塊增強(qiáng)了局部特征融合。試驗(yàn)結(jié)果表明，文章所提出的GASF-ViT-HFF模型在CFRP-PMI夾層復(fù)合材料的損傷分類(lèi)任務(wù)中表現(xiàn)出優(yōu)秀的性能，大量的AE波形數(shù)據(jù)能夠使得ViT模型得到充分的訓(xùn)練進(jìn)而使得分類(lèi)準(zhǔn)確率更高。

深度學(xué)習(xí)模型的分類(lèi)結(jié)果和混淆矩陣如圖9所示，基于HFF模塊改進(jìn)的ViT模型與其他模型相比能具有更高的對(duì)角值[12]，僅有兩個(gè)非對(duì)角值（非對(duì)角值代表將一個(gè)類(lèi)別錯(cuò)誤分類(lèi)到另一個(gè)類(lèi)別當(dāng)中），這說(shuō)明改進(jìn)后的ViT模型能夠在CFRP-PMI夾層材料的損傷分類(lèi)任務(wù)中具有更高的分類(lèi)精度。

圖 9各模型分類(lèi)結(jié)構(gòu)對(duì)比

5. 無(wú)損檢測(cè)掛證網(wǎng)結(jié)論

針對(duì)CFRP-PMI夾層材料損傷分類(lèi)問(wèn)題提出了基于改進(jìn)自適應(yīng)特征融合模塊（HFF）增強(qiáng)Vision transformer（ViT）特征融合分類(lèi)模型（GASF-ViT-HFF），得出以下結(jié)論。

（1）基于GASF-ViT-HFF模型的CFRP-PMI夾層材料損傷分類(lèi)模型與傳統(tǒng)模型和未經(jīng)改進(jìn)的模型相比，具有更加優(yōu)秀的性能，能夠有效提高復(fù)合材料損傷模式分類(lèi)精度。

（2）通過(guò)使用GASF來(lái)增加一維時(shí)間序列數(shù)據(jù)的特征表達(dá)取得了顯著的效果，其通過(guò)計(jì)算時(shí)間序列點(diǎn)之間的角度關(guān)系捕獲時(shí)間序列的全局特征，進(jìn)而使得深度學(xué)習(xí)模型更容易學(xué)習(xí)關(guān)鍵模式。

（3）對(duì)于ViT模型不能夠更加詳細(xì)地捕獲細(xì)節(jié)特征的問(wèn)題，引入HFF模塊來(lái)融合多層特征進(jìn)而增強(qiáng)了對(duì)復(fù)雜模式的識(shí)別能力。

推薦閱讀：無(wú)損檢測(cè)掛證價(jià)格行情與辦理流程詳解（2025年12月更新）