CFRP-PMI夾層結(jié)構(gòu)復(fù)合材料具有輕質(zhì)、高強度、良好的耐疲勞性和優(yōu)異的抗沖擊性等優(yōu)點而被廣泛應(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產(chǎn)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(xué)性能還會引發(fā)整體結(jié)構(gòu)的失效，進而造成較大的經(jīng)濟損失。因此，準(zhǔn)確識別CFRP-PMI夾層結(jié)構(gòu)復(fù)合材料的損傷對于確保結(jié)構(gòu)安全性和可靠性具有非常重要的意義[3]。近年來，人工智能的快速發(fā)展為解決這一問題提供了一種新思路。相關(guān)學(xué)者們開發(fā)了多種基于聲發(fā)射技術(shù)（Acoustic emission，AE）來評估復(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)開始在眾多領(lǐng)域展現(xiàn)出強大的潛力[4-6]，特別是在碳纖維增強復(fù)合材料（CFRP）和泡沫組成的夾層結(jié)構(gòu)失效檢測評估領(lǐng)域。
首先通過格拉姆角場（Gramian angular summation field，GASF）將一維時間序列數(shù)據(jù)轉(zhuǎn)化為二維圖像數(shù)據(jù)來增強數(shù)據(jù)的特征表達，并將其作為視覺轉(zhuǎn)換器（Vision transformer，ViT）模型的輸入，然后通過ViT模型對二維數(shù)據(jù)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(zhǔn)確率。
1. 單一損傷試驗設(shè)計和方法
在大多數(shù)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(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行分類，設(shè)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(shù)據(jù)，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(xiàn)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(xiàn)象。
根據(jù)GB/T 2567—2008《樹脂澆鑄體性能試驗方法》對環(huán)氧樹脂基體進行拉伸試驗，基體試件為啞鈴型環(huán)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(xiàn)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(xiàn)象。
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(yù)制分層，一對鉸鏈被粘貼于預(yù)制損傷的一端。然后向鉸鏈?zhǔn)┘永燧d荷進行分層試驗，AE傳感器在加載過程中接收AE信號，試驗現(xiàn)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(xiàn)象。
根據(jù)ASTM D 5528-13 標(biāo)準(zhǔn)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(yù)制分層，一對鉸鏈被粘貼于預(yù)制損傷的一端。然后向鉸鏈?zhǔn)┘永燧d荷進行分層試驗，AE傳感器在加載過程中接收AE信號，試驗現(xiàn)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(xiàn)象。
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(xiàn)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(xiàn)象。
2. 理論基礎(chǔ)
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(biāo)系將一維時間序列數(shù)據(jù)轉(zhuǎn)化為二維圖像的方法[7]。其可以捕捉到時間序列中的動態(tài)特征，保留原始信號中的關(guān)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(shù)據(jù)點兩兩組合，計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)換可以幫助捕捉時間序列數(shù)據(jù)中的動態(tài)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(biāo)準(zhǔn)化時間序列的值。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)。
時間序列以極坐標(biāo)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(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，每個時間點的相關(guān)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(yīng)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(yīng)用于圖像分類任務(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）。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(biāo)準(zhǔn)的一維位置嵌入，X和P的維度為模型維度dmodel，其表達式為
式中：pos為patch的位置；i為patch的當(dāng)前尺寸。
在patch的開頭添加了一個額外的科學(xué)系嵌入Xclass，其將在訓(xùn)練過程中更新，并生成最終分類結(jié)果，為
式中：E為每個補丁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塊中多頭注意力機制將輸入向量轉(zhuǎn)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(guān)系。然后再輸入到自適應(yīng)層次特征融合模塊（HFF）中對特征進一步融合，該設(shè)計使模型能夠彌補局部特征獲取不足的缺點。在此基礎(chǔ)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(fù)至原始特征尺寸。經(jīng)過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相應(yīng)類別進行分類。模型超參數(shù)設(shè)置如表1所示。
| 項目 | 參數(shù) |
|---|---|
| 輸入圖像尺寸 | [224，224，3] |
| Transformer塊的數(shù)量L | 12 |
| 嵌入向量維度 | 64 |
| 注意力頭數(shù)量 | 12 |
| 位置編碼 | 1D |
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，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(jié)果。
最后將，，進行拼接，并通過IRMLP生成特征。
3. 數(shù)據(jù)集及模型參數(shù)設(shè)置
研究了改進的ViT模型對CFRP-PMI夾層復(fù)合材料的損傷識別能力，文章所用試驗數(shù)據(jù)為AE系統(tǒng)采集到的聲發(fā)射波形數(shù)據(jù)，然后將一維時間序列信號轉(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序信號和特征轉(zhuǎn)換以及合成的信息[10]。ViT模型通過學(xué)習(xí)特征之間的差異進行分類[11]。
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(shè)備信息及訓(xùn)練參數(shù)設(shè)置如表2所示。
| 類別 | 項目 | 型號及參數(shù) |
|---|---|---|
| 試驗條件 | CPU | Intel Core i5-13600KF @3.3 GH |
| 內(nèi)存/G | 32 | |
| 主板 | Z790 DDR5 | |
| GPU | NVIDIA RTX 4060Ti 16 G | |
| 參數(shù)設(shè)置 | 學(xué)習(xí)率 | 0.000 1 |
| 樣本數(shù) | 64 | |
| 周期 | 20 |
4. 試驗結(jié)果分析
各模型分類準(zhǔn)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(xiàn)出了最高準(zhǔn)確率，達到99.8%。即，將HFF模塊與ViT結(jié)合能夠有效提高模型分類的準(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(zhǔn)確率達到96.1%，表現(xiàn)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(xiàn)出卓越的性能，準(zhǔn)確率僅低于插入HFF模塊的ConvNeXt模型。這是因為HFF模塊增強了局部特征融合。試驗結(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)練進而使得分類準(zhǔn)確率更高。
| 標(biāo)簽 | 模型 | 輸入方法 | 訓(xùn)練精度 | 測試精度 |
|---|---|---|---|---|
| A | ViT-HFF | GASF | 98.6 | 99.8 |
| B | STFT | 94.6 | 96.1 | |
| C | ConvNeXt-HFF | GASF | 95.8 | 97.3 |
| D | ViT | 95.1 | 96.8 | |
| E | ConvNeXt | 92.5 | 92.2 | |
| F | Efficientnet V2-HFF | 83.2 | 85.2 | |
| G | CaiT | 82.3 | 84.9 | |
| H | CvT | 82.1 | 84.5 |
深度學(xué)習(xí)模型的分類結(jié)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(dāng)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(wù)中具有更高的分類精度。
5. 無損檢測掛證網(wǎng)結(jié)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(yīng)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(jié)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(tǒng)模型和未經(jīng)改進的模型相比，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精度。
（2）通過使用GASF來增加一維時間序列數(shù)據(jù)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(guān)系捕獲時間序列的全局特征，進而使得深度學(xué)習(xí)模型更容易學(xué)習(xí)關(guān)鍵模式。
（3）對于ViT模型不能夠更加詳細地捕獲細節(jié)特征的問題，引入HFF模塊來融合多層特征進而增強了對復(fù)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）
