基于自激声学系统信号与音频频谱图Transformer的铝合金铸件局部材料不均匀性分类方法

《Sensors》：A Deep Learning Algorithm for Classifying Local Material Defects in Aluminum Castings Based on Signals from a Self-Excited Acoustic System SAS

　　本文提出了一种基于自激声学系统（SAS）记录信号的深度学习算法，用于对铝合金铸件中的局部材料不均匀性进行分类。本研究旨在评估利用自激系统中产生的声学信号来区分无缺陷试件与含内部材料缺陷试件的潜力。试验在几何形状相同的两个试件上进行：一个为无缺陷的参考试件，另一个为经X射线检测确认存在内部缺陷的试件。测量在六个对应的测量点上进行。初步频率分析表明，不均匀性的存在会影响系统的声学响应；然而，这些变化的性质取决于测量位置，无法仅凭主频建立单一通用的判定准则。为此，本文开发了一种基于信号时频表示和音频频谱图Transformer架构的分类流程。该流程包括SAS信号采集、预处理、信号变换为频谱图、利用AST模型提取特征，以及将样本分类为合格（OK）或不合格（NOK）。采用准确率、精确率、召回率、F1分数、AUC和混淆矩阵对所提算法进行了评估。结果表明，该方法可为铝合金铸件的无损检测提供支持，并为进一步开发用于检测局部材料缺陷的声学信号分类算法奠定基础。