基于多特征融合的薄壁碳纤维复合材料缺陷智能检测与识别研究

为解决碳纤维复合材料(CFRP)制造难度大、成本高且内部缺陷易导致结构失效的问题，研究人员通过超声相控阵检测技术，结合核主成分分析的多域特征提取方法和粒子群优化支持向量机(PSO-SVM)，实现了3 mm厚度CFRP层压板分层缺陷的智能识别。该研究对不同深度分层缺陷识别率达100%，不同尺寸缺陷识别率超95%，为工业无损检测领域的人工智能应用提供了新方法。

　　

碳纤维增强聚合物(CFRP)作为高端复合材料，其制造过程复杂且成本高昂，内部隐藏的分层缺陷可能引发灾难性结构破坏。科研团队采用超声相控阵技术对3 mm标准厚度的CFRP层压板进行检测，创新性地提出基于核主成分分析(KPCA)的多域信号特征提取策略，并巧妙融合经粒子群算法(PSO)优化的支持向量机(SVM)分类器。这套智能检测系统展现出惊人性能：所有测试深度的分层缺陷识别准确率飙升至100%，而不同尺寸缺陷的辨识精度也突破95%大关。该研究不仅实现了薄壁碳纤维构件缺陷的定量化诊断，更开创性地将人工智能算法引入工业无损检测领域，为复合材料质量监控提供了兼具高精度与智能化的解决方案。