厦门大学重大装备健康管理技术研究团队2023年度研究工作进展

多参数综合传感作为测量和评价物理状态的方法，已成为先进传感技术的重要发展方向之一。温度和压力是两个常见的物理参数，通常相互耦合。团队提出一种基于热阻效应和压容效应的柔性双参数传感器，实现温度和压力的完全解耦测量，如图1所示。

图1 高灵敏宽量程温度压力双参数解耦柔性传感器

采用点胶工艺制备PEDOT:PSS/MWCNTs蛇形电极以测量温度；采用静电纺丝工艺在多孔导电织物上制备PVA/H3PO4离子膜介电层以感测压力。测量温度的蛇形电极可以用作压电电容传感器的一个电极。

在温度测量方面，测量范围为15~80 ℃，在低于50 ℃的低温区域，灵敏度高达0.032 ℃^-1；在压力测量方面，测量范围为0 ~ 600 kPa，整个测量范围的灵敏度达到64.31 kPa^-1。

该项研究结果发表在期刊Journal of Materials Chemistry C上。

全压测量包括正压测量和负压测量。在传感器设计中，与正压相关的信号反馈受到了广泛的关注，而负压的测量已成为传感器设计中一个不可或缺的方面。团队提出了一种可同时测量正负压的柔性电容式压力传感器，如图2所示。

图2 表面微结构的水凝胶电容式全压测量传感器

该传感器结构简单，采用ITO/PET电极，介电层以PVA/KOH材料为主，表面具有微结构均匀的碱性水凝胶，以PDMS为腔体，采用硅橡胶和环氧树脂胶黏剂保证形成封闭环境。水凝胶与电极在内外压差作用下接触面积发生变化，从而使电容发生变化，因此可以检测正负压。

该传感器测量范围大，灵敏度高。当PVA:KOH=2:1，水凝胶表面粗糙度Ra=6.3 μm，厚度为4.02 mm，腔体高为5 mm时，测量范围为−100~250 kPa，负压区灵敏度为15.6 nF/kPa，正压区灵敏度为5.2 nF/kPa。该传感器还具有快速响应能力，循环稳定性和低测量极限。

柔性压阻传感器的特性是将压力转换为电阻的变化，电阻包括体积电阻和接触电阻。前者受材料特性（包括几何形状和内部电特性）的影响，而后者与材料和电极之间的接触面积和界面有关。柔性压力传感器具有易于适应各种表面的优点，可减小测量过程中的误差。传感器的阵列配置增强了空间压力分布感知能力。团队设计了一种基于SAP，H3PO4和CNTs复合导电填料的电阻式压力传感器，如图3所示。

图3 多点压力测量的SAP增强离子层压阻传感网络

该传感器具有高灵敏度（0.094 kPa^-1），快速响应时间（105 ms）和特殊的循环加载/卸载稳定性（超过5000个周期）。使用弹性聚合物SAP代替常见的刚性导电填料可以更好地与基材PDMS结合，大大提高了传感器的稳定性，降低了传感器的杨氏模量。

由树脂基碳纤维增强复合材料（CFRP）和铝蜂窝芯组成的夹层结构在航空航天等领域有着广泛的应用。团队对夹层结构的涡流检测进行试验研究，采用一上一下两个扁平线圈构成的涡流探头进行扫查，测量各个探头位置处两线圈的差分电压幅值。

线性扫查结果表明，涡流响应极小值对应于蜂窝壁的边缘。从C扫描结果中可以识别蜂窝芯中不同类型的缺陷，包括芯子断裂、节点脱开和芯子皱褶。对C扫描图像进行阈值处理以改进缺陷指示。根据线性扫查得到的结论，通过连接C扫描图像中涡流响应极小值对应的像素点，得到被CFRP面板遮盖的蜂窝芯的拓扑图，如图4所示。

图4 CFRP/铝蜂窝夹层结构涡流检测

并且，进行了冲击损伤检测，对于冲击能量对C扫描图像的影响进行了量化分析。当冲击能量增大时，损伤区域图像变得模糊，涡流响应的最小值单调减小，而C扫描图像上呈现的损伤面积并不随着冲击能量的增大而扩大。

有限元分析是开展CFRP面板铝蜂窝夹层结构涡流检测研究的重要一环。对于这一特殊的复杂被检结构，传统的有限元分析方法存在网格剖分复杂，改变探头位置需重新剖分网格的问题，并且代数方程组求解困难，因此夹层结构涡流检测的有限元分析具有一定的挑战性。

团队提出采用区域分解有限元法来解决这些问题，即将夹层结构的CFRP上面板、铝蜂窝芯、CFRP下面板和线圈的磁芯放置在不同的子域中，各个子域独立剖分网格。线圈不参与网格剖分，其产生的磁场由解析公式计算得到。

该方法很大程度上简化了网格剖分，在模拟磁芯线圈扫查时不需要重复生成有限元网格。同时，代数方程组求解的难度显著降低，计算效率大幅提高。

通过该方法计算了夹层结构的涡流分布，分析了缺陷对涡流分布的影响；模拟了夹层结构的C扫描，计算得到芯子断裂、节点脱开和芯子皱褶等缺陷的涡流响应图像，并进行了试验验证。

基于非线性半解析有限元和导波模式展开分析方法，确定了超声导波倍频非线性信号随传播距离具有积累效应的发生条件，在理论分析的基础上，确定了低阶模式的超声导波以及其二次谐波在焊缝特征区的声能量聚集特点。

利用三维有限元方法进行数值模拟，分析了焊缝特征结构中传播的超声导波及其二次谐波的发生与传播特点。

仿真结果与理论分析预期一致，证实了超声导波发生强烈非线性效应（超声导波二次谐波随传播距离积累）的条件。

此外，基于非线性超声零频波效应开展了复合材料冲击损伤及性能退化的检测评估，实现了复合材料损伤的精确评价，如图5所示。构建了非线性超声零频波损伤反演参数，成功用于复合材料、PMMA等强散射/高衰减材料的热损伤评价。

图5 基于超声零频波的复合材料局部缺陷检测

锥束CT扫描作为一种高效的三维成像方式，在医学和工业领域有着广泛的应用。然而获取清晰的切片图像，要求CT系统各部件进行严格的几何对准。

针对对成像质量有着显著影响的探测器z轴旋转和偏移两种几何误差，提出了一种基于Swin-transformer模型的平板探测器z轴虚拟对齐算法，对于切片图像中两种几何误差造成的混叠伪影，将切片域识别和投影域处理相结合进行几何误差校正。算法框架如图6所示。

图6 平板探测器z轴虚拟对齐算法框架

试验结果表明，该模型可以对锥束CT系统中与平板探测器z轴相关的两种几何误差进行快速识别和校正。

塑料薄膜是一种非常重要的化工产品，其厚度是衡量产品质量最重要的指标之一，是实现某些光学和电学功能的主要参数。团队面向一线生产中精确测量塑料薄膜厚度的需求，针对现有方法检测效率低或具有离线、破坏性等缺点，提出了一种结合机器学习的X射线吸收光谱塑料薄膜厚度测量方法，如图7所示。

图7 X射线吸收光谱法塑料薄膜厚度检测

基于X射线穿透不同厚度塑料薄膜得到的吸收光谱具有特征峰相似，吸收系数不同的特点，对比分析了薄膜厚度对不同电子能级X射线吸收程度的影响。

通过背景消除、归一化、PCA降维和通道选取等，有效提取了薄膜吸收光谱特征。基于光谱特征和光子总数，通过机器学习算法进行薄膜厚度预测，实现了薄膜厚度的精确测量，验证了X射线吸收光谱法对物质定量分析的可行性。

该技术检测效率和精度高，同时不损伤塑料薄膜，可衔接在生产线后，是一种具有较高实际应用价值的在线无损检测方法。

提出了一种基于Lamb波和多任务深度学习的多损伤量化技术，能够确定航空复合材料层合板中的损伤数量、位置和大小，如图8所示。

图8 基于多任务学习的多损伤数据集构建和量化方法

针对多损伤大规模数据集难以获取的瓶颈问题，基于Born近似原理，提出了优先选择和有序排列的方法，仅用48个基本单损伤信号构建了包含16248个信号的多损伤数据集。该数据集反映了多损伤和单损伤情况下波信号之间的相互作用。

建立多分支1D-CNN，通过同时处理损伤位置和损伤大小两个任务，获得不同任务之间的共同特征。分支网络可以充分利用这些共享特征使各分支任务相互促进，减少训练时间，提高预测精度。

经过试验验证，与单任务学习相比，该模型的训练时间减少了23%。不管是损伤位置还是大小的识别和定量，多任务学习模型的IOU和MIOU都高于单任务学习模型。

提出了一种多任务CNN-LSTM和迁移学习相结合的损伤识别方法，利用较少的传感器和训练集量化监测区域内任意位置的损伤，如图9所示。

图9 基于多任务CNN-LSTM和迁移学习的损伤量化方法

试验样品包括三个不同的结构：两个铝板和一个复合材料层合板。由于损伤大小的种类较少，损伤大小预测通过1D-CNN实现。对于损伤位置预测，建立了多任务CNN-LSTM网络架构，其包括一个主干网络和两个分支网络，可分别输出损伤在x方向和y方向上的坐标。试验证明该方法能有效定位随机位置的损伤。

为了验证该方法的泛化能力和稳定性，第一块铝板的损伤位置预测任务被视为源任务，利用迁移学习完成铝板-铝板和铝板-复合材料板的损伤量化。结果表明，这种迁移方法不仅可以加速迭代，实现高效率训练，也保持了目标任务的学习效果，能够对损伤进行量化。

飞机在服役过程中，其外部结构经常会遇到一些低速冲击事件，导致结构内部出现一些难以察觉的冲击损伤。因此，冲击定位和重建对于结构的健康监测和可靠性分析至关重要。受深度学习算法模型卓越性能的启发，提出了一种基于特征学习的冲击载荷定位和重建技术，如图10所示。

图10 基于A-FCN-BiGRU-MLP与迁移学习的冲击载荷识别流程图

本研究的试验件是飞行器机身结构切割段，在结构表面装有多个压电传感器，这些传感器接收到锤子敲击不同位置时会产生振幅不同的冲击响应信号。该技术首先对冲击进行定位，然后重建冲击载荷历程。试验研究了实施迁移学习机制对冲击载荷历程重建模型性能的影响。

研究结果表明，对于任意冲击位置，该模型对低能量和高能量冲击进行重构得到的时间历程的平均RMSE都维持在8%以下，平均PE则保持在10%左右。同时，该方法能够完成从位置识别任务到载荷时间历程重构任务的知识迁移，提高了载荷时间历程重构的精确度。

CFRP结构是作为主承载结构，在循环载荷作用下会发生疲劳损伤，极易导致结构力学性能急剧下降。现有循环载荷作用下CFRP损伤机制演化及表征的研究相对较少。

团队搭建了CFRP疲劳试验平台，设计了两种铺层类型的CFRP层合开孔梁，提出了基于声发射（AE）与数字图像相关（DIC）相结合的CFRP在纯拉伸循环载荷作用下的疲劳损伤表征方法，如图11所示。

图11 基于AE-DIC的CFRP疲劳损伤动态表征

该方法采用AE撞击率和AE能量两个参数表征CFRP在疲劳载荷下的结构刚度退化行为，并结合DIC分析了不同铺层类型试件的损伤失效特征。在此基础上，结合PCA和K-means++算法实现了两种铺层类型CFRP层合梁的损伤模式识别，并基于模式识别结果表征CFRP疲劳损伤的动态演化过程。

试验数据分析表明，[45/90]4s试件主要损伤模式为基体开裂、分层损伤、纤维脱黏拔出和纤维断裂，其中分层损伤和纤维拔出是试件发生最终失稳破坏的更重要影响因素。而 [45/0]4s试件由于轴向纤维对剪切载荷的抑制作用，未发现纤维拔出现象，但裂纹界面的剧烈摩擦是其重要的AE信号来源。

飞行器结构在服役过程中可能遭遇各种低速撞击事件，其中复合材料结构对外部撞击尤其敏感，而撞击造成的损伤随时间而扩展会产生灾难性后果。复合材料具有各向异性且结构复杂（例如包含筋肋等加强结构），导致结构的撞击响应十分复杂，使得传统的基于模型的撞击识别方法应用受限。

团队研制了一种轻质化、小型化的多通道、多功能被动式撞击监测系统，其尺寸为71 mm×50 mm×15 mm，质量为80 g。该系统具有多通道同步数据采集、撞击区域识别、能量估计、自动预警等功能，如图12所示。基于此，团队进一步提出了基于时间序列分析和机器学习的粗精结合的两步撞击定位方法。

图12 基于稀疏传感网络的飞行器结构撞击载荷识别

撞击载荷重构和能量估计是实现飞行器发生外部撞击后的损伤评价和安全评估的重要依据，尤其是对于复合材料结构性能退化评估和寿命预测具有重要意义。团队提出了基于响应信号能量的撞击能量估计方法及基于区域修正的撞击能量误差补偿方法。

为了准确评估撞击能量的大小，提出了一种集成深度学习方法。该方法包括数据扩展、序列到图像的转换和卷积神经网络三个部分，其中数据扩展采用垂直平均插值实现，扩展后的数据通过格兰姆角场转换为图像，并将图像输入卷积神经网络中建立图像与冲击能量大小之间的非线性映射关系。

对蜂窝夹层复合材料进行了锤击撞击试验，验证了所提出方法对于撞击能量评估的有效性。

针对传统延时叠加成像算法定位精度低、伪影严重的问题，提出了一种基于去噪自编码器和延迟叠加成像算法相结合的加权延迟叠加成像算法，如图13所示。

图13 自编码器和延迟叠加成像联合驱动的复合材料结构损伤定位方法

该算法在传统延迟叠加成像算法的基础上，充分利用去噪自编码器强大的信号降噪和特征挖掘能力，结合多路径加权技术，在获得更佳的损伤定位结果的同时有效降低了伪影。

在集成了压电传感网络的复杂复合材料结构上进行了试验验证，结果表明，无论是在低噪声还是强噪声环境中，所提出的算法都能准定位结构的损伤。

针对现有的复合材料结构损伤定位精度不高、鲁棒性不强的问题，提出了一种结合格兰姆角场变换和二维卷积神经网络的复合材料结构损伤定位模型，其直接由数据驱动无需专家经验知识，如图14所示。

图14 基于卷积神经网络和格兰姆角场的复合材料结构损伤监测

该方法的核心是采用改进的分段聚合近似算法将导波信号转换成损伤因子序列，并将损伤因子序列转换成格兰姆角场图片，随后将格兰姆角场图片输入嵌入自注意力机制的二维卷积神经网络中建立图片和损伤位置的非线性映射关系，从而实现复合材料结构的损伤定位。与现有的基于机器学习的损伤诊断模型相比，所提方法具有更高的定位精度。

考虑到复合材料结构通常在较为恶劣的环境中服役，因此分层损伤的数目、位置和大小均不确定，故而在多损伤的诊断方面也开展了相应的研究。

团队提出了一种基于Born近似原理的多损伤数据集的优先选择和有序排列方法，在建立多损伤数据集的基础上，设计了一种可以同时识别复合材料结构损伤数量、损伤位置和损伤大小的多任务多分枝一维卷积神经网络模型。

通过试验验证了所提出的多损伤数据集构建方法和多任务一维卷积神经网络模型的有效性。

团队在前期工作基础上，研制滑油磨粒综合诊断单元。通过数值模拟预测滑油和磨粒的运动过程，分析磨粒大小、数量和速度等因素对磨粒分布的影响规律，并结合各类型传感器的性能特点，给出多功能传感器布设方案，将目前发动机滑油系统中分散的磁堵、油滤和磨粒探测等模块进行集成，最终提出一种小型的集磨粒分析与监测于一体的功能完善的全流域滑油磨粒综合诊断单元，如图15所示。

该单元利用离心结构实现磨粒有序分布，借助传感网络实现滑油磨粒定性、定量监测，利用微振动多功能薄膜对磨粒进行选择性过滤和累积收集。

准确预测航空发动机气路参数变化趋势是保障发动机安全飞行和实现视情维护的重要手段。然而由于服役环境的严苛性和不确定性，发动机气路传感器采集到的数据噪音大，平稳性差，使得采用传统时间序列模型进行参数趋势预测存在拟合和预测精度不足等问题。

团队根据发动机航后数据特点，引入深度学习中长短期记忆人工神经网络（LSTM），构建了面向发动机气路性能的6个重要指标（ΔEGT，ΔFF，ΔN2，EGT1，N21和FF1）的单特征输入和多特征输入LSTM预测模型，分析了模型的单步和多步预测能力。

与传统ARMA和支持向量回归模型进行对比，发现LSTM模型整体上具有较高的预测精度和稳定性。研究表明，LSTM模型在进行气路参数预测时能够更好地捕捉时序关系，算法精度较高，同时克服了传统RNN网络长依赖的问题。将LSTM应用于发动机健康管理，有助于发动机总体性能衰退的预测和最佳换发时机的确定。