一种基于多频声场多物理特征解耦的智能无损检测数据集快速生成方法

摘要: 本发明涉及结构健康监测与人工智能交叉的,尤其涉及一种智能无损检测数据集快速生成方法。背景技术:1、近年来,针对严苛工况下金属构件的在役监测,结构健康监测与无损检...
一种基于多频声场多物理特征解耦的智能无损检测数据集快速生成方法

本发明涉及结构健康监测与人工智能交叉的,尤其涉及一种智能无损检测数据集快速生成方法。

背景技术:

1、近年来,针对严苛工况下金属构件的在役监测,结构健康监测与无损检测技术得到了迅猛发展。超声导波作为一种沿着波导结构表面或内部传播的弹性波,其传播行为受到边界条件的影响,在不同的结构厚度和激励频率下表现出多样化的传播模式。这种频散现象对于结构表面的缺陷极为敏感。布置包围目标区域的换能器阵列,并结合层析成像方法来检测声场的变化,可以利用换能器网络表征大扫描域内的结构健康状态。

2、然而,针对于极其微弱的结构损伤,采用传统的超声导波层析成像对其进行清晰的重构是相当具有挑战性的。传统的射线层析成像假设波以直线形式传播,忽略了折射和衍射,仅适用于重构较大且平滑变化的缺陷;而衍射层析成像通常基于线性化散射场近似模型,难以应对对比度较高的缺陷。全波形反演(fwi)成像通过梯度优化方法对建模数据和现场数据之间的失配能量进行最小化,在数值解中使用了高阶衍射和散射,从而可以解析波长以下的结构。但是,全波形反演成像涉及海森矩阵的计算与大量迭代,计算量极其庞大且耗时,难以满足工业现场实时、快速的无损检测需求。

3、为突破全波形反演的算力瓶颈,将超声导波技术与深度学习(如卷积神经网络)相结合,通过数据驱动的方式实现声场到缺陷的端到端直接映射,已成为智能无损检测领域的最新研究热点。然而,深度学习模型的精度与泛化能力极度依赖于大量的物理仿真数据集。在传统的数据集生成流程中,需要对每一个物理损伤模型逐一进行复杂的多频正演声场解算,并伴随极其频繁的硬盘数据读写,导致物理仿真样本的生成过程极其缓慢,根本无法满足工业级深度学习模型对数据的量产需求。

4、此外,深度卷积神经网络在直接处理复杂的物理声场数据时存在天然缺陷。一方面,超声声场通常表现为包含幅值与相位的复数形式,传统算法(端到端直接输入原始波场的深度学习方案在直接计算相位相减以提取特征时,极易引发灾难性的“相位卷绕(phasewrapping)”伪影问题,破坏物理特征的连续性;另一方面,由于波的干涉物理特性,声波相消干涉产生的无穷大(inf)以及浮点除零产生的非数字(nan)奇点,在未经净化直接馈入网络时,极易引发神经网络反向传播时的全局崩溃(即梯度爆炸或弥散)。同时,非线性的物理指数衰减也大大增加了网络学习物理定量反演的难度与算力开销。

5、现有的构建并求解亥姆霍兹方程(helmholtz equation)正演技术通常致力于求解一个逆问题,其最终目标是强行输出一张单一的“空间域速度/慢度二维或三维图像”。在这一将复杂频域声场降维压缩为单一标量场的过程中,不可避免地采用了大量平滑正则化与降阶近似。这直接导致了蕴含在不同频带内的多维物理规律(如频率依赖的散射干涉图样、相位分布畸变、频散能量损失等)被严重折叠和舍弃。传统方法无法为现代智能检测提供全息、多维度的特征输入,限制了检测系统分辨率的进一步提升。

6、综上,现有方法无法突破传统物理正演中的重复计算瓶颈,并从复杂的复数声场中有效解耦出对微弱损伤高敏感且对神经网络友好的物理特征,消除相位卷绕与梯度爆炸隐患。

技术实现思路

1、针对上述技术问题,本发明提出一种基于多频声场多物理特征解耦的智能无损检测数据集快速生成方法,不仅实现了样本的快速量产,更通过显式提取六个频域特征,攻克了深度网络面临的相位卷绕与梯度爆炸难题,实现了能够提升定量反演模型训练效率与检测置信度的数据集的快速量产。

2、为了达到上述目的,本发明的技术方案是这样实现的:

3、一种基于多频声场多物理特征解耦的智能无损检测数据集快速生成方法,包括步骤:

4、s1:建立板材的物理空间网格模型并布设换能器阵列;

5、s2:构建无缺陷板材健康背景声速模型,基于所述背景声速模型正演全频带背景声场并执行全局缓存;

6、s3:采用底图变换结合蒙特卡洛随机掩膜生成对应板材的缺陷声速分布模型,并基于兰姆波频散曲线局部线性映射关系生成对应板材的缺陷厚度真值标签;

7、s4:基于所述缺陷声速分布模型正演全频带总声场,向全频带总声场自适应注入复数高斯白噪声并与缓存全频带背景声场相消获取对应板材的缺陷纯散射声场;

8、s5:对所述缺陷纯散射声场进行全频带多物理特征显示解耦,并将解耦的多物理特征堆叠形成多通道特征张量;

9、s6:对所述多通道特征张量进行奇点掩膜清洗获取纯净的多通道特特征张量,结合缺陷厚度真值标签进行封装存储,得到板材的单个无损检测样本;循环执行步骤s3-步骤s6,得到板材的无损检测数据集。

10、进一步,步骤s1包括:

11、s1.1、设定目标无损检测金属板材的物理尺寸,根据金属板材极限退化声速、最高工作频率、最小采样点数基于空间采样定理的满足约束计算离散网格步长,将物理空间网格模型的计算域划分为的离散网格矩阵,并建立全局坐标系;

12、s1.2、根据物理尺寸、空间离散化参数以及全局坐标系构建物理空间网格模型结构体;

13、s1.3、以全局坐标系中心为圆形,在圆周上等间距均匀布置n个超声换能器阵元,构成全矩阵捕获的收发拓扑结构;

14、s1.4、基于瑞利散射准则设定检测的超声频率列表,获取全部离散频率。

15、进一步,步骤s2包括:

16、s2.1、基于rayleigh-lamb 频散特征方程求解基准厚度板材a0模态群速度作为全域均匀背景声速,构建均匀背景声速矩阵;

17、s2.2、利用波动方程与声速的倒数平方关系,根据背景声速矩阵计算背景慢度平方矩阵;

18、s2.3、遍历全部离散频率,采用有限差分法离散求解关于背景慢度平方矩阵的二维频域亥姆霍兹方程,并提取超声换能器发射和接收下的频域响应,得到每个频率下n×n维度复数背景声场矩阵;

19、s2.4、将全部离散频率对应的背景声场矩阵存入内存缓存池得到背景声场样本,背景声场样本在量产循环中直接读取复用,不再重复求解背景声场。

20、进一步,步骤s3包括:

21、s3.1、设置内存底图池,并随机选择底图;

22、s3.2、对选择的底图进行随机变换;

23、s3.3、通过对随机变换后的底图进行蒙特卡洛随机采样生成多边形掩膜截取局部区域,得到缺陷纹理图;

24、s3.4、采用线性min-max映射方法将缺陷纹理图像素值自适应归一化映射至真实的物理声速闭区间,得到初始声速矩阵;

25、s3.5、采用高斯滤波器对始声速矩阵进行边界平滑,得到总声速矩阵,表征缺陷声速分布;

26、s3.6、通过兰姆波频散曲线局部线性映射关系构建板材声速流失量与物理厚度流失量的线性映射方程,计算对应板材样本对应的缺陷厚度真值标签矩阵。

27、进一步,步骤s4包括:

28、s4.1、利用波动方程与声速的倒数平方关系,将总声速矩阵转换为总慢度平方矩阵;

29、s4.2、遍历全部离散频率,采用有限差分法离散求解关于总慢度平方矩阵的二维频域亥姆霍兹方程,并提取超声换能器发射和接收下的频域响应,得到每个频率下n×n维度初始复数总声场;

30、s4.3、在每个离散频率下,自适应计算噪声功率并向初始复数总声场注入复数高斯白噪声,得到含噪总声场;

31、s4.4、对每个离散频率下的含噪总声场和背景声场矩阵执行矩阵的元素级减法,得到缺陷纯散射声场。

32、进一步,步骤s5包括:

33、s5.1、预分配三维单精度浮点特征张量并初始化为全零;通道数,为设定的离散频率点总数,6为物理特征数,为接收换能器总数量,为发射换能器总数量;

34、s5.2、在每个离散频率下,对缺陷纯散射声场提取4类基础物理特征,包括散射场实部、散射场虚部、散射场幅值、散射场相位;根据含噪总声场和背景声场矩阵计算基于哈达玛积的相位差特征以及对数衰减比特征;

35、s5.3、将单频率6类特征按通道顺序填充至特征张量,遍历全部个频率完成所有通道完整特征张量的构建。

36、进一步,步骤s6包括:通过全局逻辑数组布尔寻址与清洗掩膜操作识别出所有nan和inf奇点,将所有nan和inf奇点强制赋值为0;剥离在每一次循环中都固定不变的冗余物理常量;仅将包含当前样本动态空间分布特征的三维单精度浮点特征张量、对应的厚度真值标签以及环境信噪比snrdb,封装并存储。

37、进一步,步骤s4.3,包括:在每个离散频率下,通过对所有收发通道的复数声场模值平方求算术平均获取初始复数总声场的平均信号功率,并根据平均信号功率和环境信噪比snrdb计算算出目标噪声功率;snrdb为系统随机生成的当前样本的环境信噪比;利用标准正态分布的随机实数矩阵与随机虚数矩阵,向初始波场中注入与波场能量动态匹配的复数高斯白噪声,获得含噪总声场;

38、进一步,计算基于哈达玛积的相位差特征的方法为:令,;为含噪总声场相位,为含噪总声场幅值,为背景声场矩阵相位,为背景声场幅值;对背景声场矩阵执行复共轭操作,得到共轭背景声场矩阵:;计算含噪总声场与共轭背景声场矩阵的哈达玛积,得到第一结果矩阵;对第一结果矩阵提取辐角,输出绝对连续的相位差特征矩阵。

39、进一步,线性化的对数衰减比的计算方法为:分别计算含噪总声场与背景声场矩阵的绝对幅值标量矩阵||与||;为标量矩阵||与|的每一个标量元素添加极小防零常数;执行逐元素除法得到商矩阵,并对商矩阵的每个元素取自然对数,得到第二结果矩阵;对第二结果矩阵取负,将能量衰减转换为正向的灰度像素值,得到线性化的对数衰减比特征矩阵。

40、本发明的有益效果为:在确立物理空间网格与全矩阵探测阵列的基础上,通过全局预缓存无缺陷基准模型的多频稳态背景声场,大幅减少样本量产中的冗余正演计算,利用底图变换与蒙特卡洛随机掩膜生成缺陷声速与厚度标签,并基于频散特性正演求解多频含噪总声场,引入了显式特征解耦技术提取六个频域物理特征,并结合奇点掩膜清洗机制,用于消除干涉奇点与相位卷绕伪影,改善深度学习网络训练的收敛稳定性,赋予定量反演模型极高的检测置信度。