CFRP-PMI夾層結構復合材料具有輕質、高強度、良好的耐疲勞性和優異的抗沖擊性等優點而被廣泛應用在航空航天、風力發電、船舶制造等領域[1]。然而，這些復合材料在服役期間不可避免地會產生各種形式的損傷，如基體開裂、基體/纖維分層、纖維斷裂、蒙皮/夾芯脫黏、夾芯損傷等[2]。損傷的積累不僅會降低材料的力學性能還會引發整體結構的失效，進而造成較大的經濟損失。因此，準確識別CFRP-PMI夾層結構復合材料的損傷對于確保結構安全性和可靠性具有非常重要的意義[3]。近年來，人工智能的快速發展為解決這一問題提供了一種新思路。相關學者們開發了多種基于聲發射技術（Acoustic emission，AE）來評估復合材料損傷程度的方法。尤其是將聲發射技術與人工智能相結合的技術開始在眾多領域展現出強大的潛力[4-6]，特別是在碳纖維增強復合材料（CFRP）和泡沫組成的夾層結構失效檢測評估領域。

首先通過格拉姆角場（Gramian angular summation field，GASF）將一維時間序列數據轉化為二維圖像數據來增強數據的特征表達，并將其作為視覺轉換器（Vision transformer，ViT）模型的輸入，然后通過ViT模型對二維數據進行分類，并在ViT模型中引入了特征融合模塊（Hierarchical feature fusion，HFF）來提高特征表達，進而提高模型的分類準確率。

1. 單一損傷試驗設計和方法

在大多數研究中，基體開裂、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合材料損傷模式[2]。文章為利用深度學習方法將復合材料的損傷模式進行分類，設計了纖維束拉伸試驗、基體拉伸試驗、基體/纖維分層試驗、蒙皮/芯層脫黏試驗和泡沫芯三點彎曲試驗，以獲取CFRP-PMI夾層材料中基體開裂、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據，具體如下。

碳纖維束拉伸試件的長×寬為45 mm×3 mm，利用SEM測試儀類型的原位拉伸機拉伸樣本，并使用AE傳感器接收AE信號，試驗現場如圖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，觀察并記錄失效過程中的損傷模式以及試驗現象。

根據GB/T 2567—2008《樹脂澆鑄體性能試驗方法》對環氧樹脂基體進行拉伸試驗，基體試件為啞鈴型環氧樹脂澆注體，尺寸（長×寬×高，下同）為250.0 mm×25.0 mm×2.5 mm。使用島津AG-X電子萬能試驗機拉伸試件，AE傳感器在拉伸過程中接收AE信號，試驗現場如圖2所示。以5 mm·min?1的拉伸速率拉伸基體直至斷裂，觀察并記錄失效過程中的損傷模式以及試驗現象。

圖 2基體拉伸試驗現場

根據ASTM D 5528-13Standard test method for mode i interlaminar fracture toughness of unidirectional fiber-reinforced polymer matrix composites標準對尺寸為175 mm×25 mm×4 mm的碳纖維層合板進行分層試驗。試件中插入尺寸為55 mm×25 mm×40 μm的聚四氟乙烯（PTFE）膜作為預制分層，一對鉸鏈被粘貼于預制損傷的一端。然后向鉸鏈施加拉伸載荷進行分層試驗，AE傳感器在加載過程中接收AE信號，試驗現場如圖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，觀察并記錄失效過程中的損傷模式以及試驗現象。

圖 3纖維/基體分層試驗現場

根據ASTM D 5528-13 標準對尺寸為178.00 mm×20.00 mm×22.04 mm的CFRP-PMI夾層試件進行分層試驗。試件中插入尺寸為55 mm×25 mm×40 μm的聚四氟乙烯（PTFE）膜作為預制分層，一對鉸鏈被粘貼于預制損傷的一端。然后向鉸鏈施加拉伸載荷進行分層試驗，AE傳感器在加載過程中接收AE信號，試驗現場如圖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，觀察并記錄失效過程中的損傷模式以及試驗現象。

圖 4蒙皮/芯層脫黏試驗現場

根據ASTM D 790-03Standard test methods for flexural properties of unreinforced and reinforced plastics and electrical insulating materials標準對尺寸為200 mm×100 mm×22 mm的PMI泡沫芯進行三點彎曲試驗，使用SANS萬能試驗機對試件進行加載，AE傳感器在加載過程中接收AE信號，試驗現場如圖5所示。以1 mm·min?1的加載速率彎曲泡沫芯直至試件斷裂，觀察并記錄失效過程中的損傷模式以及試驗現象。

圖 5泡沫芯三點彎曲試驗現場

2. 理論基礎

2.1 格拉姆角場

格拉姆角場（Gramian angular summation field，GASF）是一種使用笛卡爾坐標系將一維時間序列數據轉化為二維圖像的方法[7]。其可以捕捉到時間序列中的動態特征，保留原始信號中的關鍵信息，并提供簡單直觀的視覺顯示。該方法將時間序列中的數據點兩兩組合，計算它們之間的夾角余弦，并將結果表示為圖像的像素值。這種轉換可以幫助捕捉時間序列數據中的動態和周期性特征。假定原始時間序列有n個值，，，，，，并且該序列被歸一化到[-1，1]之間，表示為，，，，，為標準化時間序列的值。將數據映射到極坐標系中為，可表示為

式中：max，min為最大，最小函數。

時間序列以極坐標表示時，映射到角度φi，時間戳ti映射到半徑ri，則有

式中：時間戳ti將區間[0，1]劃分為N等份，從而使極坐標系的跨度正則化。

將一維數據映射到極坐標系后，每個時間點的相關性由三角和來確定，其表達式為

式中：為縮放后的時間序列；I為對應每個時間點的位置索引。

2.2 Vision transformer模型

Vision transformer（ViT）是一種可以直接應用于圖像分類任務的深度學習模型[8]，整體架構如圖6所示（圖中MLP為多層感知機）。其盡可能地遵循Transformer的原始架構。為了使其能夠處理二維圖像數據，圖像被線性化為一組平坦的二維補丁（patch），其中c為通道數，（h，w）為原始圖像的分辨率，（p，p）為每個圖像塊的分辨率。因此，Transformer的有效序列長度，然后為嵌入補丁添加位置嵌入（PE）P向量，作為標準的一維位置嵌入，X和P的維度為模型維度dmodel，其表達式為

式中：pos為patch的位置；i為patch的當前尺寸。

圖 6ViT模型架構示意

在patch的開頭添加了一個額外的科學系嵌入Xclass，其將在訓練過程中更新，并生成最終分類結果，為

式中：E為每個補丁x的可訓練嵌入先行投影，，；N為patch的數量。

嵌入的patch被輸入到12層串行的transformer編碼器中，在transformer塊中多頭注意力機制將輸入向量轉化為3個向量：一個表示圖像patch的查詢向量q，一個代表其他所有圖像patch的鍵向量k，以及一個等于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Q和K的縮放點積來計算所有patch之間相對于特定patch的依賴關系。然后再輸入到自適應層次特征融合模塊（HFF）中對特征進一步融合，該設計使模型能夠彌補局部特征獲取不足的缺點。在此基礎上，MLP的全連接層（FC）將輸入尺寸擴大4倍，高斯誤差線性單元（GELU）將擴大后的特征尺寸恢復至原始特征尺寸。經過MLP的特征轉換處理，轉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）中根據轉換編碼器提取的特征對相應類別進行分類。模型超參數設置如表1所示。

2.3 自適應層次特征融合模塊

自適應分層特征融合模塊（HFF）[9]可以根據輸入特征，自適應地融合來自不同層次的局部特征、全局表示和前一層次融合后的語義信息，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，Fi-1表示前一階段HFF生成的特征矩陣，Fi表示在這一階段通過HFF融合生成的特征矩陣。特征融合操作使用式（8）~（12），其結構如圖7所示（圖中Conv為卷積，GELU為一種激活函數）。

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

圖 7HFF模塊架構示意

最后將，，進行拼接，并通過IRMLP生成特征。

3. 數據集及模型參數設置

研究了改進的ViT模型對CFRP-PMI夾層復合材料的損傷識別能力，文章所用試驗數據為AE系統采集到的聲發射波形數據，然后將一維時間序列信號轉化為GASF圖，形成模型訓練數據集，如圖8所示。GASF特征圖包含了由一維時序信號和特征轉換以及合成的信息[10]。ViT模型通過學習特征之間的差異進行分類[11]。

圖 8各類損傷模式一維時域信號及二維格拉姆角場圖

試驗在64位Windows10平臺上進行，試驗使用PYTHON 3.12編程語言和PYTORCH框架。設備信息及訓練參數設置如表2所示。

4. 試驗結果分析

各模型分類準確率對比如表3所示，可見，文章提出的GASF-ViT-HFF模型在測試集中表現出了最高準確率，達到99.8%。即，將HFF模塊與ViT結合能夠有效提高模型分類的準確率，尤其是在局部特征不明顯的情況下，該方法通過特征融合進而提升模型性能。并且，文章將短時傅里葉變換（STFT）頻譜圖輸入到所提出的模型中進行測試，在測試集上的準確率達到96.1%，表現出較好的魯棒性。在均以GASF圖作為輸入時，與Efficient network(Efficientnet)、Convolutional next(ConvNeXt)、Class-attention in image transformers(CaiT)以及Convolutional vision transformer(CvT)模型相比，ViT模型表現出卓越的性能，準確率僅低于插入HFF模塊的ConvNeXt模型。這是因為HFF模塊增強了局部特征融合。試驗結果表明，文章所提出的GASF-ViT-HFF模型在CFRP-PMI夾層復合材料的損傷分類任務中表現出優秀的性能，大量的AE波形數據能夠使得ViT模型得到充分的訓練進而使得分類準確率更高。

深度學習模型的分類結果和混淆矩陣如圖9所示，基于HFF模塊改進的ViT模型與其他模型相比能具有更高的對角值[12]，僅有兩個非對角值（非對角值代表將一個類別錯誤分類到另一個類別當中），這說明改進后的ViT模型能夠在CFRP-PMI夾層材料的損傷分類任務中具有更高的分類精度。

圖 9各模型分類結構對比

5. 無損檢測掛證網結論

針對CFRP-PMI夾層材料損傷分類問題提出了基于改進自適應特征融合模塊（HFF）增強Vision transformer（ViT）特征融合分類模型（GASF-ViT-HFF），得出以下結論。

（1）基于GASF-ViT-HFF模型的CFRP-PMI夾層材料損傷分類模型與傳統模型和未經改進的模型相比，具有更加優秀的性能，能夠有效提高復合材料損傷模式分類精度。

（2）通過使用GASF來增加一維時間序列數據的特征表達取得了顯著的效果，其通過計算時間序列點之間的角度關系捕獲時間序列的全局特征，進而使得深度學習模型更容易學習關鍵模式。

（3）對于ViT模型不能夠更加詳細地捕獲細節特征的問題，引入HFF模塊來融合多層特征進而增強了對復雜模式的識別能力。

推薦閱讀：無損檢測掛證價格行情與辦理流程詳解（2025年12月更新）