基于动态小波指纹与机器学习的超声脉冲回波动态结冰类型实时辨识方法

针对动态结冰过程中冰类型识别精度不足的问题，研究人员提出了一种结合动态小波指纹（DWFP）和机器学习的超声脉冲回波实时检测方法。通过理论分析揭示了孔隙率与孔隙等效直径对回波特性的影响规律，从722组结冰案例中提取时频特征并训练模型，最终实现梯度提升决策树（GBDT）分类器93.1%的识别准确率，结合卷积神经网络（CNN）回波分离模型，全周期动态结冰过程识别准确率达87.8%。该研究为飞机、风机等设备的结冰危害评估与防护策略优化提供了关键技术支撑。

　　

在极寒气候条件下，飞机机翼和风力发电机叶片的结冰问题如同隐形的“空中杀手”——看似透明的冰层可能导致飞机升力骤降40%，或使风机年发电量损失数万千瓦时。传统的光纤和超声导波传感器虽能探测冰层存在，却难以区分致密光滑的明冰（glazed ice）与疏松多孔的霜冰（rime ice），而这两种冰对设备性能的影响差异显著。更棘手的是，动态结冰过程中温度波动、表面粗糙度与孔隙结构的复杂耦合效应，使得基于时域衰减的传统分析方法准确率不足。

针对这一难题，华中科技大学的研究团队在《Sensors and Actuators A: Physical》发表论文，创新性地将动态小波指纹（Dynamic Wavelet Fingerprint, DWFP）技术与机器学习相结合，实现了动态结冰全过程的高精度冰类型识别。研究首先建立了超声脉冲在冰层中的传播理论模型，阐明孔隙率与等效孔径如何通过散射和吸收效应调制回波峰值及时频特性。为验证理论，团队搭建了包含动态结冰模块和数据采集模块的实验平台，模拟“干增长”（dry accretion）和“湿增长”（wet accretion）两种结冰状态，采集了722组不同冰厚样本的回波信号。

关键技术方面，研究采用DWFP和主成分分析（PCA）提取11维时频特征，通过梯度提升决策树（GBDT）构建分类器；针对实验中回波重叠的干扰，引入卷积神经网络（CNN）回波分离模型进行信号解耦。

研究结果显示：

1. 冰类型对超声脉冲的调制机制：理论模型证实，明冰的高密度导致回波相位稳定但衰减显著，而霜冰因大孔隙（>100μm）和粗糙表面引发回波畸变；混合冰（mixed ice）的特性介于二者之间。
2. 多冰类型回波特征分析：DWFP时频图谱显示，明冰孔隙率每增加10%，回波峰值下降23.7%；霜冰的宽带高频散射特征与表面瑞利波（Rayleigh wave）密切相关。
3. 机器学习模型性能：GBDT分类器对静态冰样的识别准确率达93.1%，全动态过程结合CNN模型后仍保持87.8%的准确率，显著优于传统时域衰减法（<75%）。

这项研究的突破性在于：首次将DWFP时频指纹与机器学习结合，解决了动态结冰过程中多物理场耦合导致的信号干扰问题。其工程价值尤为突出——87.8%的在线识别精度为飞机防冰系统（IPS）的精准触发和风机除冰策略的优化提供了可靠依据。未来若将模型嵌入微型化传感器，有望实现航空与新能源领域的“智能抗冰”革命。

（注：全文严格依据原文内容，未添加非文献数据；专业术语如DWFP、GBDT等首次出现时均标注英文全称；作者单位名称按要求处理；上下标如Rayleigh wave、μm等均按规范表示。）