打开文本图片集

摘要：金属材料广泛应用于各工业领域。在使用过程中出现的微小裂纹在长期服役中不断生长，会对设备及人员安全造成巨大威胁。本文基于激光超声裂纹智能识别方法，通过有限元仿真和实验研究，结合LSTM长短期记忆神经网络，研究对金属材料的缺陷进行定量检测的一种方法，主要内容有：（1）利用COMSOL模拟缺陷铝块在激光超声下的表面位移波形。（2）建立LSTM长短期记忆神经网络的缺陷定量评估模型，在 MATLAB 软件中进行大量训练和优化。（3）通过实验得到超声波时域信号图，验证训练的神经网络在输入真实数据时回归预测出结果的准确性与可靠性。结果表明：仿真数据与验证波形传播速度几乎一致，峰值变化误差很小，在设定的误差要求范围内，因此认定了仿真模型的正确性和可行性。

关键词：缺陷检测，有限元仿真，LSTM神经网络

ABSTRACT：A large number of aluminum alloy， titanium alloy and other materials used in the field of aviation in the use of the process， there will always be some invisible cracks， corrosion and other defects， these tiny defects in long-term service continue to grow， causing a great threat to aviation safety. Based on the intelligent laser ultrasonic crack identification method， this paper studies a method for quantitative detection of defects in metal materials through finite element simulation and experimental research， combined with LSTM long and short term memory neural network. The main contents are as follows： （1） COMSOL is used to simulate the surface displacement waveform of defective aluminum blocks under laser ultrasound. （2） Establish the defect quantitative evaluation model of LSTM long and short term memory neural network， and conduct a lot of training and optimization in MATLAB software. （3） The ultrasonic time-domain signal diagram was obtained through the experiment to verify the accuracy and reliability of the regression prediction results when the trained neural network input real data. The results show that： The propagation velocity of the simulation data is almost the same as that of the verified waveform， and the peak change error is very small， which is within the set error requirements， so the correctness and feasibility of the simulation model are determined.

1引言

目前，我国高度的经济发展和综合国力的快速增强给无损检测的事业发展创造了前所未有的发展机遇。随着更多无损检测方法的开发和其他创新技术的普及，这一领域得到了迅速发展，这些技术创新极大地提高了无损检测的准确性和工作效率，并改善了人们从单次测试中可获得的信息量。随着2011年微软和谷歌率先将深度学习技术应用于语音识别，深度学习技术也走上了历史舞台，深度学习的创新性运用与快速发展的无损检测深度融合，使得这一领域的前景一片大好。

未来，随着我国的产业升级，新兴行业保持高速发展，新能源，新材料、新结构和新工业不断涌现，对无损检测行业提供持续发展机遇。深度学习技术目前依旧保持着高速的发展热度，深度学习自动调超参、自动学习网络架构、无监督或半监督学习热度只增不减，在未来，深度学习与无损检测更加深入的融合必将为人类创造更加便捷的生活。

2激光超声缺陷检测有限元分析

2.1激光超声检测技术

相比于空气耦合超声、电磁超声等无损检测技术在缺陷特征描述上的不足和使用范围上掣肘，激光超声无损检测技术因检测信号清晰、缺陷特征描述精准，且适用于各种检测环境和检测材料受到众多研究人员的青睐。

激光超声无损检测以不损害被检测对象的使用性能为前提，利用激光光束在物体表面的吸收产生瞬时温度变化和由此引起的应力变化而产生的超声波信号，通过检测这些信号来确定物体的缺陷情况，通常采用基于热弹效应的热弹机制激发，热传导方程描述为：

2.2有限元分析及参数化建模

本文以航空航天领域中最广泛使用的铝金属为研究对象。在激光超声作用下，材料表面由于温度变化而产生热应力，由于这些热应力遵循应力平衡原则，因此可以使用固体力学模块进行分析和计算，利用COMSOL软件建立二维仿真模型，具体设置如下：

最后，通过计算得到表面波位移图（图2.1）和不同时刻的超声波位移图（图2.2）。

由COMSOL有限元仿真得到的不同时刻的超声波位移图和表面位移波图可以清楚地看出：激光作用于金属表面后会产生不同模态的超声波，其中包括纵波、横波和表面波。这些超声波在传播过程中有一些特殊的传播特性，当超声波遇到材料的界面或缺陷等区域时，会发生反射和折射现象，并形成相应的回波信号，在有裂纹缺陷时表面波位移图会显示在表面回波 RR 上。这意味着超声波信号产生的位移图将显示裂纹表面反射的表面波的反射回波，特别是当裂纹表面存在沟槽型裂纹时。从而能够判断回波 RR 的存在与否，对是否存在裂缝和缺陷做出评估。

通过提取不同特征的裂纹表面波信号，对比它们的时域峰值等特征参数，就可以判断缺陷的大小和位置，随着深度学习的深入运用，建立以LSTM循环神经网络为模型的激光超声裂纹识别网络，极大程度上减少人工误差并提高识别效率。

3、以LSTM神经网络为模型的激光超声裂纹识别网络

3.1 LSTM循环神经网络模型

为解决时许数列预测的需求问题，循环神经网络（RNN）被提出，其独特的网络结构为处理上下文存在关联性的内容提供了极大的方便，解决了BP神经网络等传统神经网络存在的效率不高、准确性较低等问题。LSTM神经网络是循环神经网络（RNN）改进后得到的，主要用来解决权重反复使用所带来的梯度爆炸和梯度消失问题。它在处理时间序列时具有良好效果，在面对非线性序列且存在信息间隔长短不一的问题时，可将特征影响向前传递。

LSTM 神经网络的输出会根据先前的信息进行调整，因此拥有强大的记忆性。具体通过 LSTM的隐藏式 3 种复杂的门结构（遗忘门、输入门和输出门）来实现更强的长期可靠性。其时序展开网络结构图如下图所示：

3.2 基于LSTM神经网络的激光超声缺陷检测模型

模型的输入为激光超声检测数据，通过COMSOL和MATLAB的联合仿真，获取1020组作为数据集，其中1000个数据为训练集和20个数据为测试集。本文选择ADAM算法为优化算法，为解决梯度爆炸使优化参数无法收敛的问题，对比不同学习率下模型准确性，最终确定该神经网络模型的学习率为0.005；金属缺陷问题是一个非线性回归问题，均方差误差（RMSE）是计算预测值与误差值差值的平方，会很好的描述了预测结果与真实值的偏离程度，其数值由于计算时平方的存在，对误差极端值的变化极为敏感，以此来设定平均平方误差损失函数来编译神经网络模型；为确保模型在大规模训练中不会崩溃，模型将迭代次数（epoch）设置为1500次，实验验证得到1500次的训练可以让模型在反复训练中逐渐收敛，达到预期的良好拟合效果。

3.3 网络模型的训练结果及预测分析

使用训练集对 LSTM 模型进行训练，并在每轮迭代中使用测试集对模型进行调参和优化，直到达到最佳的训练效果。用于缺陷定量检测的网络训练进度如图3.2.在1500次的迭代中，回归线曲率趋近于1.满足目标误差要求。

LSTM神经网络训练集预测结果对比和测试集预测结果对比如图3.3和图3.4。

由图可以得到检测结果误差分别为0.19002和0.33802.证明LSTM神经网络可以准确预测激光超声时域信号变化中的时域峰值等特征参数，因此可以得出本次实验经过训练的LSTM神经网络在金属表面缺陷检测中预测精度良好，证实了该方案在基于深度学习的激光超声智能检测方向中可行性。

4、激光超声智能检测装置的实验验证

4.1 激光超声智能检测装置

目前，激光超声的检测技术主要有传感器检测和光学检测两大类，利用光学方法探测材料表面的超声振动是一种新型的无损检测手段，克服了传统超声波检测装置需要耦合剂的缺点，结果更加精确。激光超声智能检测装置（图4.1）由激发系统和超声接收系统组成。激发系统由一台高能脉冲激光器构成，用以在被检测材料上产生高热量，从而产生脉冲信号；超声接收系统由光电探测器、信号放大处理电路、压电传感接收系统等组成，它可以根据不同的需要放置在激发系统的同侧或异侧。

本实验用铝块这种各项同性且对激光脉冲容易吸收的材料，铝块长200mm，宽40mm，高度为20mm，激光超声智能检测装置的型号为LUFT-1300，采用激光对铝块进行50×50的点阵扫描，本次实验制作了20个不同缺陷宽度与深度的铝块裂纹试件尺寸如图4.1所示。

4.2有限元仿真数据验证

将激光超声检测装置提取的20组超声信号作为测试集输入到我们建立好的LSTM神经网络模型中，在MATLAB中得到缺陷铝块验证实验对比图，如图4.2所示为缺陷宽度2mm，角度90°，深度1mm的实验波形和模型波形对比图。由图可以清晰的看出，仿真数据与验证波形传播速度几乎一致，峰值变化误差很小，在设定的误差要求范围内，因此认定了仿真模型的正确性和可行性。

4.3 LSTM神经网络模型检测性能验证

将激光超声场检测仪提取出的超声信号作为测试集输入LSTM神经网络缺陷检测模型，训练检测缺陷宽度的神经网络模型，得到了宽度验证模型测试集结果。如图4.2所示。

由图可以清晰的看出，各损失函数与仿真结果接近，均在可接受范围内，因此验证了该LSTM神经网络模型在金属近表面缺陷深度的定量检测中的可行性。

5 结论

本文通过有限元分析及参数化建模方法获取激光超声检测数据，建立了LSTM长短期记忆神经网络的缺陷定量评估模型，并通过实验检测数据验证了模型的有效性。实验表明可以将深度学习方法应用于激光超声金属裂纹检测深度学习，在特征提取和缺陷识别上能取得良好的效果，可以节约大量的人力成本。

参考文献

[1]宋大成.基于声表面波的激光超声金属表面裂纹检测研究[D].上海工程技术大学，2021（01）.

[2]MA Y M，YANG J Y，FENG JW，et al.Load data recovery method based on SOM-LSTM neural network[J].Energy Reports，2022，8（S1）：129-136.

[3]HOCHREITER S，SCHMIDHUBER J.Long short-term memory[J].Neural Computation，1997，9（8）：1735-1780.

[4]D.M Profunser;;J Vollmann;;J Dual.Determination of the material properties of microstructures by laser based ultrasound[J].Ultrasonics，2004（1）.

[5]R. M. White.Generation of Elastic Waves by Transient Surface Heating[J].Journal of Applied Physics，1963（12）

[6]谭项林.激光超声无损检测系统关键技术研究.国防科学技术大学，2011