高频超声换能器结构参数的智能多目标优化
吴德光,
陈伟,
吴志中,
李辉,
唐立军
《Actuators》:Intelligent Multi-Objective Optimization of Structural Parameters for High-Frequency Ultrasonic Transducers
Deguang Wu,
Wei Chen,
Zhizhong Wu,
Hui Li and
Lijun Tang
【字体:
大
中
小
】
时间:2026年04月14日
来源:Actuators 2.3
编辑推荐:
摘要 在硬质合金中检测微缺陷需要使用高频、高灵敏度的超声无损检测换能器(UNDTT),其性能对几何结构参数非常敏感。传统的设计方法主要依赖于经验性的试错,导致效率低下,难以实现全局最优解。为了解决这一问题,提出了一种智能的多目标优化方法,用于优化换能器的结
摘要 在硬质合金中检测微缺陷需要使用高频、高灵敏度的超声无损检测换能器(UNDTT),其性能对几何结构参数非常敏感。传统的设计方法主要依赖于经验性的试错,导致效率低下,难以实现全局最优解。为了解决这一问题,提出了一种智能的多目标优化方法,用于优化换能器的结构参数——即半径、匹配层厚度和背衬层厚度——以同时最大化灵敏度(???????)、中心频率(????)和带宽(BW)。通过研究结构参数与性能指标之间的关系,构建了一个数据集,并利用该数据集开发了一个卷积神经网络(CNN)替代模型来捕捉它们之间的非线性映射关系。该CNN与NSGA-III多目标优化算法结合使用,迭代生成帕累托最优解集,然后利用熵加权技术(TOPSIS)选择最佳设计。有限元分析(FEA)验证表明预测误差低于7.0%。与传统设计相比,所提出的方法灵敏度提高了46.1%,带宽提高了7.7%,同时保持了更薄的匹配层。这些结果证实了所提出框架的有效性和实际优势。这种数据驱动的方法为设计高性能UNDTT提供了一种高效的替代方案。 1. 引言硬质合金广泛用于切削工具和耐磨部件中,其中的内部微缺陷对结构可靠性构成严重威胁[1,2,3,4]。对这些材料进行超声检测时,必须充分考虑其独特的声学响应特性:细小的WC颗粒是强烈的散射源,会导致高频声能严重衰减并产生较大的结构噪声,这可能会掩盖微裂纹等危险缺陷的信号;纵波速度可高达6800 m/s,检测亚毫米级缺陷需要约10 MHz的频率,而更高频率则会导致更大的衰减;此外,主要失效模式是突然的脆性断裂,因此检测系统需要具有高分辨率和宽带宽(短脉冲)来精确定位内部缺陷[5,6,7]。传统的商用换能器无法同时实现高频、高灵敏度和宽带宽,因此需要针对硬质合金的声学特性进行专门的换能器设计和优化。换能器的几何参数(半径、匹配层和背衬层厚度)直接决定了声波的产生、传播和接收效率。因此,建立一种针对硬质合金负载特性的高效换能器设计方法,并系统地搜索最佳结构参数,在理论上具有重要意义和工程应用价值。目前,换能器设计主要依赖于经典物理模型和经验知识。等效电路模型,如Mason模型和Krimholtz–Leedom–Mattaei (KLM)模型[8,9,10],是表征机电行为的经典分析工具。这些模型有效地揭示了设计参数与性能指标之间的映射关系。例如,基于Mason的扩展研究已被应用于优化匹配层设计,并协同调整高频换能器的层厚度、阻抗和带宽[11,12,13]。同样,基于KLM的方法也实现了带宽扩展、脉冲响应优化和电声转换效率的提升[14,15,16]。有限元分析(FEA)凭借其处理复杂几何形状和边界条件的能力,已成为换能器改进的强大工具。商业软件平台——COMSOL Multiphysics、PZFlex、ABAQUS和ANSYS——被广泛用于模拟换能器的多物理行为[7,17,18,19,20,21,22]。研究人员利用这些工具对结构配置(例如tonpilz型换能器、PMUT阵列背衬层)、复合材料参数(例如切口宽度和深度)和整体设计进行多目标优化,显著提高了带宽、灵敏度和收发响应。尽管取得了这些进展,但传统的设计方法——依赖于分析模型和迭代实验验证——难以快速准确地捕捉设计变量与性能指标之间的复杂非线性关系。这一过程需要大量的先验知识、反复试验和参数调整,导致开发周期延长。此外,有限的实验迭代限制了对广阔设计空间的全面探索,常常无法找到全局最优解。最近,人工智能(AI)在处理工业应用中的复杂非线性映射方面显示出了显著潜力[23,24,25,26,27,28]。将数据驱动的智能优化算法集成到换能器设计中,为建立高效、自动化的几何优化框架提供了有希望的途径,显著提升了性能并缩短了开发时间。本研究提出了一种基于智能算法的多目标优化框架,旨在高效实现高性能设计。该方法整合了FEA、CNN、多目标进化算法和决策评估模型。最后,通过有限元仿真验证了所提出框架的可行性和有效性,并将优化设计与基线模型进行了比较。 2. UNDTT的FEA COMSOL Multiphysics以其卓越的多物理耦合能力和强大的后处理工具而闻名,已在换能器设计中得到广泛应用[29,30,31,32]。在本研究中,对UNDTT进行了FEA。建立了一个脉冲回波分析模型,以研究不同设计参数对换能器性能指标(包括灵敏度(Vpp)、中心频率(fc)和带宽(BW)的影响。该换能器由压电元件、声学匹配层、背衬层、电极、引线和外壳组成。在初步研究中,对换能器的多组分材料进行了协同优化,其中PMN-29PT/金/环氧树脂配置显示出了最佳的综合性能。因此,本文中换能器的三个组件的材料均采用这种配置。图1a显示了其纵向截面示意图,其中PMN-29PT[33]被选为压电材料,金用于匹配层,环氧树脂[34]用于背衬层。材料属性详细列在表1(压电参数)和表2(被动材料参数)中。图1. UNDTT:(a) 换能器结构示意图;(b) FEA模型。表1. PMN-29PT的压电参数。表2. 被动组件的材料属性。如图1b所示的脉冲回波分析的有限元模型采用了2D轴对称配置以降低计算复杂性。底部蓝色区域代表换能器,上部区域代表负载材料WC-11Co[35]。在右侧边界设置了一个完美匹配层(PML),以模拟时间域中的无限域。通过结合固体力学、静电学和电路物理的瞬态分析,量化了灵敏度、带宽和中心频率。在本研究的有限元模型中,忽略了换能器电极和外壳的影响。所有组件均假设为具有理想电接触和完美粘合界面的线性各向同性材料,同时忽略了热效应和非线性效应。关于网格划分,压电层和匹配层采用映射网格,而负载材料和背衬层采用三角形网格。为了实现最佳的仿真效率,在数值精度和计算复杂性之间进行了权衡。通过细化网格大小和减少时间步长,最大网格大小被设定为不超过波长的1/5,瞬态时间步长设定为T/40。脉冲回波仿真需要一个由方程(1)定义的激励信号: A?(??)=100?sin?(2?????????)?[1?cos?(????????2)]????(0≤??≤4?T) (1) 其中f是工作频率,T是正弦波周期(图2)。图2. 换能器的激励波形。在脉冲回波有限元模型中,换能器通过施加脉冲信号被激发,从而向负载介质中辐射超声脉冲。同一换能器接收到的第一个回波信号构成了脉冲回波响应,其时域波形和对应的频域响应分别显示在图3a和图3b中。根据时域波形和频域响应,可以获得本文研究的三个性能指标,即灵敏度(Vpp)、中心频率(fc)和带宽(BW)。图3. 超声换能器脉冲回波响应:(a) 时域响应,(b) 频域响应。在图3a所示的时域响应中,回波信号的峰峰值电压定义为灵敏度Vpp = V+ ? V?。这个参数直接表征了换能器的检测能力:更高的灵敏度意味着换能器可以实现更深的检测深度、更广的覆盖范围,并有助于提高图像对比度和清晰度。快速傅里叶变换(FFT)应用于时域信号,以获得其频域响应,如图3b所示。具有最大回波响应的频率被标记为fp。根据回波响应下降到最大值一半时的频率f1和f2(即?6 dB),定义了换能器的中心频率fc和相对带宽BW如下: ????=????+????2,???????6?dB=?????????????×100% (2) 缺陷的检测能力与换能器的工作频率密切相关。根据衍射理论,当缺陷尺寸小于介质中波长的一半(λ/2)时,超声波主要会发生衍射并绕过缺陷,从而导致无法识别的回波信号丢失。从λ = C/f(其中C是介质中的声速)可以看出,提高工作频率可以有效增强对小尺寸缺陷的检测能力。另一方面,换能器的带宽决定了它可以接收的有效频率范围。轴向分辨率d可以近似表示为d = λ/(2 × BW),这意味着在一定的中心频率下,带宽越大,轴向分辨率值越小,表示成像质量越高。当提供结构参数作为输入时,可以直接从脉冲回波仿真模型中获取换能器的性能指标。图4说明了换能器结构参数对性能指标的影响。具体来说,图4a–c显示了在换能器半径固定为7.5 mm时,匹配层和背衬层厚度对灵敏度Vpp、中心频率fc和带宽BW的影响;图4d–f描述了在背衬层厚度固定为2 mm时,换能器半径和匹配层厚度对上述性能指标的影响;图4g–i展示了在匹配层厚度固定为0.06 mm时,换能器半径和背衬层厚度对每个性能指标的影响。在所有图中,红色表示相关性能指标的较大值,蓝色表示较小值,黄绿色表示中等值。观察到,随着设计参数的变化,每个性能指标都表现出显著的非线性和多峰特性,存在多个局部最优解。特别值得注意的是,灵敏度Vpp随结构参数的变化(图4a,d,g)比中心频率fc(图4b,e,h)和带宽BW(图4c,f,i)更为复杂,显示出更强的非线性和参数耦合。这种复杂的映射关系使得传统的试错方法或单变量参数扫描难以高效找到全局最优解。上述复杂性突显了建立智能优化框架以实现全局最优换能器设计的迫切需求。图4. 结构参数对Vpp、fc和BW的影响:(a–c) 匹配层和背衬层厚度;(d–f) 半径和匹配层厚度;(g–i) 半径和背衬层厚度。 3. UNDTT的智能优化方法鉴于几何参数与换能器性能之间的非线性和复杂关系,开发了一种结合FEA和人工智能(AI)的智能优化框架,用于硬质合金UNDTT。在本研究中,选定了换能器的半径、匹配层厚度和背衬层厚度作为设计参数,而灵敏度(Vpp)、中心频率(fc)和带宽(BW)被定义为性能指标。图5展示了所提出的硬质合金换能器智能优化方法的流程图。优化过程包括四个连续阶段: 图5. 硬质合金UNDTT的智能优化框架流程图。步骤1:数据采集。通过COMSOL仿真生成原始数据。在此阶段,设计参数包括压电元件半径、匹配层厚度和背衬层厚度。从仿真中提取的性能指标包括灵敏度、中心频率和带宽。步骤2:替代模型构建。为了建立设计参数与性能指标之间的非线性映射,构建了一个基于CNN的替代模型。将换能器设计参数(例如半径、匹配/背衬层厚度)作为输入,而性能指标(灵敏度、带宽和中心频率)作为替代模型的输出。步骤3:多目标优化。为了识别在多个性能指标之间实现最佳权衡的换能器设计,采用了非支配排序遗传算法III(NSGA-III)。在指定的设计参数范围内,NSGA-III迭代评估替代模型以计算和排名这三个性能指标。经过多次迭代后,获得了帕累托前沿——一组非支配的最优解。步骤4:综合性能评估。为了从帕累托前沿中选出整体性能最佳的换能器,应用了熵加权TOPSIS方法。这种决策模型通过量化这些帕累托最优解与理想参考点的相对接近程度来进行排名,最终确定出综合性能更优越的设计方案。3.1 CNN替代模型换能器模型的有限元分析(FEA)在范围上存在 inherent limitations,因为在设计参数空间内模拟所有可能的几何配置在计算上是不可行的。因此,我们没有依赖资源密集型的模拟,而是使用在一个相对较小的数据集上训练的替代模型来高效地建立换能器几何形状与性能指标之间的非线性映射,从而显著降低了计算成本并加快了设计过程。鉴于换能器性能与几何参数之间的复杂非线性相互作用,CNN的卷积操作能够捕捉不同维度参数之间的交互效应,而全连接神经网络(MLP)需要大量数据来进行隐式学习,高斯过程回归(GPR)无法利用指标之间的共同物理特征,响应面方法(RSM)只能预设特定形式的交互项。对于未来的研究,如果扩展到更多的设计参数(如压电材料厚度、电极尺寸和多层匹配层),输入维度将会显著增加,而CNN架构自然支持高维输入扩展。因此,我们选择了CNN作为替代模型。在这项研究中,实现了一个基于CNN的替代模型。该网络架构如图6所示,包含九个层次:图6. 替代模型的网络架构。输入层:接受设计参数数据集(换能器半径、匹配层/背衬层厚度)。卷积层和ReLU层(第2-3层):两个连续层,每个层使用32个3×1的卷积核,随后是ReLU激活函数。池化层(第4层):一个2×1窗口的最大池化层,用于降低空间维度。卷积层和ReLU层(第5-6层):额外的卷积层,每个层也使用32个3×1的卷积核和ReLU激活函数。丢弃层(第7层):一个1×1×32的丢弃层,保留率为50%,以防止过拟合。全连接层(第8层):一个3×1×1的全连接层,用于高级特征集成。输出层(第9层):一个回归层,用于预测性能指标(灵敏度、带宽和中心频率)。CNN替代模型使用随机梯度下降(SGDM)优化器进行训练,批量大小为32,最大训练周期数为1000,初始学习率为0.1(在800次迭代后衰减到0.001)。训练数据被随机打乱以增强泛化能力。替代模型的预测准确性通过模拟性能指标和预测性能指标之间的均方根误差(RMSE)来量化。3.2 NSGA-III多目标优化虽然CNN替代模型可以预测任意尺寸换能器的性能指标,但通过试错方法识别最优解仍然效率低下。为了解决这个问题,多目标优化能够自动探索解空间,生成代表非支配权衡解的帕累托前沿。非支配排序遗传算法III(NSGA-III)利用参考点机制来过滤帕累托最优的非支配解,在高维多目标优化问题中具有明显优势。在这项研究中,同时优化了换能器的几何参数——半径(R)、匹配层厚度(tm)和背衬层厚度(tb)。目标函数包括灵敏度(Vpp)、中心频率(fc)和带宽(BW),如方程(3)所示:\[G_{ijkn}F_{R,tm,tb} = \left\{ \begin{array}{ll} \max\{ \min\{ \begin{array}{ll} W_{pm}(R,tm,tb) & V_{pp}(R,tm,tb), \end{array} & -C_{n1}(R,tm,tb), \end{array} \} \end{array} \right\}, \quad 6 \leq R \leq 10.5, 0.02 \leq tm \leq 0.16, 1 \leq tb \leq 10\](3)其中Vpp代表灵敏度;值越高表示换能器的电声转换效率越好。fc定义为中心频率;频率越高,能够分辨出更小的硬质合金内部缺陷。BW表示-6 dB的相对带宽;带宽越宽,分辨率越高。方程中的CNNVpp、CNNfc和CNNBW代表训练好的CNN替代模型。它们的输入是换能器的几何参数(半径R、匹配层厚度tm和背衬层厚度tb),输出是相应性能指标的预测值。在优化过程中,最小化-CNNVpp、-CNNfc和-CNNBW可以实现这三个性能参数的最大化。在这项研究中,采用NSGA-III算法在换能器几何参数空间(R, tm, tb)内搜索帕累托最优解。NSGA-III是一种基于NSGA-II框架开发的多目标进化算法。其核心创新在于用基于参考点的选择策略替换了拥挤距离机制,从而在高维目标空间中有效维持种群多样性。主要算法参数配置如下:种群大小为300,最大代数为300,模拟二进制交叉(SBX)的分布指数为20,交叉概率为0.7;多项式变异(PM)的分布指数也为20,变异概率为0.05。参考点使用Das和Dennis方法生成,每个目标方向被划分为10个等分段落,生成了均匀分布在三维目标空间中的66个参考点。NSGA-III的优化工作流程如图7所示,详细步骤如下:图7. NSGA-III优化流程图。步骤1:种群初始化。通过随机函数生成初始父种群。步骤2:后代生成。通过交叉和变异操作创建新的后代种群。步骤3:种群合并。将父种群和后代种群合并进行评估。步骤4:目标评估。CNN替代模型计算合并种群的目标函数值(Vpp、BW和fc)。步骤5:非支配排序。根据支配水平对解决方案进行排名,并与参考点关联,以识别出更优的个体。步骤6:迭代优化。从非支配解构建新的种群。如果迭代次数未达到300次,则过程返回步骤2;否则,算法终止。在整个优化过程中,CNN替代模型作为快速的性能评估器嵌入到NSGA-III的主循环中。对于每一代新生成的个体,直接调用训练好的CNN模型来预测其性能指标,从而实现高效的多目标设计空间探索。这种系统方法确保了向帕累托前沿的有效收敛,为换能器设计优化提供了数据驱动的决策支持。3.3 熵加权TOPSIS进行综合评估熵加权TOPSIS方法是一种多属性决策方法,它结合了熵权重方法和TOPSIS方法[36]。它主要用于根据多个评估标准对最优选项进行排名或选择。该方法的核心思想是使用熵权重方法根据指标数据的分散程度客观确定每个标准的权重,然后应用TOPSIS方法通过计算它们与正理想解和负理想解的距离来对选项进行排名,从而实现对多个候选选项的科学评估[37]。熵加权TOPSIS方法的完整评估流程包括构建原始数据矩阵、数据归一化、熵权重计算、构建加权归一化矩阵、确定正理想解和负理想解、计算欧几里得距离,最后计算相对接近度以进行排名[38]。本研究中的详细实施步骤如下:步骤1:性能指标的归一化。假设有m个换能器性能评估的选项(i = 1, 2, …, m),每个选项有n个评估参数(j = 1, 2, …, n)。由于NSGA-III多目标算法配置了300个个体,每个选项有三个评估参数;因此,m = 300且n = 3。根据实际数据,可以构建特征矩阵X\[X = \begin{bmatrix} x_{11} & x_{12} & \ldots & x_{1n} \\ x_{21} & x_{22} & \ldots & x_{2n} \\ \vdots & \vdots & \vdots & x_{mn}\end{bmatrix}\](4)为了消除由于不同标准和尺度造成的差异,数据归一化是必要的[39]。由于所有三个性能指标都是效益类型的(即,值越高表示性能越好),使用方程(5)计算归一化值\(y_{ij} = \frac{x_{ij} - (x_{ij}^{\min})_{min}}{x_{ij}^{\max}} - (x_{ij}^{\min}}\)(5)这产生了标准化的决策矩阵\(Y = \begin{bmatrix} y_{11} & y_{12} & \ldots & y_{mn} \end{bmatrix}\),如方程(6)所示:\[Y = \begin{bmatrix} y_{11} & y_{12} & \ldots & y_{mn} \end{bmatrix}\](6)步骤2:确定目标权重和加权归一化矩阵[40]。第j个指标的信息熵\(E_{j}\计算为\[E_{j} = \ln\frac{1}{m} \sum_{i=1}^{m} \left(\frac{y_{ij}}{y_{ij}^{\max}}\ln\frac{y_{ij}}{y_{ij}^{\min}}\](7)然后得到相应的熵权重\(w_{j} = \frac{1 - E_{j}}{n}\sum_{i=1}^{m}(1 - E_{j})\)(8)使用这些权重,构建加权归一化决策矩阵\[W = \begin{bmatrix} w_{11} & w_{12} & \ldots & w_{mn} \end{bmatrix}\](9),其中\(w_{ij} = w_{j} \times y_{ij}\)。步骤3:计算与理想解的相对接近度。定义正理想解\(Q^{+}_{j}\)和负理想解\(Q^{-}_{j}\)为\[Q^{+}_{j} = (\max_{i=1}^{n} w_{ij} x_{ij})^{\frac{1}{m}}, \quad Q^{-}_{j} = (\min_{i=1}^{n} w_{ij} x_{ij})^{\frac{1}{m}}\](10)计算每个选项\(i\)与\(Q^{+}_{j}\)和\(Q^{-}_{j}\)的欧几里得距离为\[d_{ij} = \sqrt{(x_{i} - Q^{+}_{j})^{2} + (x_{i} - Q^{-}_{j})^{2}}\](11)最后,相对接近系数\(C_{ij}\)定义为\[C_{ij} = \frac{x_{i} - Q^{+}_{j} + Q^{-}_{j}}{x_{i} - Q^{+}_{j} - Q^{-}_{j}}\](12)相对接近系数\(C_{ij}\)的范围是0到1。\(C_{ij}\)值越大表示换能器i的整体性能越好,反之则表示较差。因此,可以根据选项的相对接近度值选择最优的换能器设计。4. 结果与讨论本研究中的有限元分析(FEA)、神经网络替代模型和NSGA-III多目标优化算法都是在以下配置的工作站上执行的:Windows 10 Pro(64位)操作系统,由微软公司(美国华盛顿州雷德蒙德)制造。Intel? Core? i7-12700处理器(基础频率2.1 GHz),由英特尔公司(美国加利福尼亚州圣克拉拉)制造。NVIDIA GeForce RTX 3060显卡,由NVIDIA公司(美国加利福尼亚州圣克拉拉)制造。32.0 GB RAM(其中31.7 GB可用),由金士顿科技公司(美国加利福尼亚州喷泉谷)制造。在实验过程中,CNN构建脚本、NSGA-III优化主程序、数据预处理函数和可视化脚本都是在Octave-9.1.0平台的交互式开发环境中通过自行编程实现的。4.1 优化结果 4.1.1 设计参数和性能指标的数据集为了构建CNN替代模型的数据集并研究换能器结构参数对性能指标的影响,在结构参数的指定范围内进行了全因子采样:换能器半径(R):6–10.5 mm(步长:0.5 mm);匹配层厚度(tm):0.02–0.16 mm(步长:0.02 mm);背衬层厚度(tb):1–10 mm(步长:1 mm)。共获得了800种换能器设计方案。对于每种设计,进行了有限元瞬态模拟,以计算三个性能指标:灵敏度(\(V_{pp}\)、中心频率(\(f_{c}\)和带宽(\(B_{w}\)。因此,建立了一个包含800种换能器设计的结构参数及其对应三个性能指标的数据集,如图8所示。图8. 不同设计参数下的换能器性能指标数据集:(a) \(V_{pp}\),(b) \(f_{c}\),(c) \(B_{w}\)。该数据集包含了结构参数方案与性能指标之间的一一对应关系,随后用于训练CNN替代模型。如图8所示,灵敏度\(V_{pp}\)大约在1.4 V到2.7 V之间变化,中心频率\(f_{c}\)在8.1 MHz到9.2 MHz之间变化,-6 dB的相对带宽(\(B_{w}\)在40%到60%之间变化。在这些指标中,\(f_{c}\)和\(B_{w}\)相对于几何参数表现出相对平滑且单调的趋势,而\(V_{pp}\)显示出更为复杂和非线性的行为,反映了设计变量之间的复杂相互作用。这种复杂性强调了使用数据驱动的替代模型来准确捕捉输入-输出关系的必要性。4.1.2 替代模型的预测结果基于FEA模型模拟获得的数据集,随机选择了640个样本用于训练CNN替代模型,剩下的160个样本作为测试集。CNN替代模型的输入参数包括UNDTT的半径、背衬层的厚度和匹配层的厚度。输出参数包括灵敏度(\(V_{pp}\)、中心频率(\(f_{c}\)和带宽(\(B_{w}\)。图9展示了经过1000个训练周期后,CNN替代模型(即实际值与预测值之间的比较)在训练集和测试集中的比较。图的左侧显示了训练集的比较,右侧显示了测试集的比较。实心圆标记通过实线连接表示实际值,而实心三角形标记通过实线连接表示预测值。图9.替代模型的实际值与预测值比较:(a) ???????,(b) ????,(c) BW。为了评估替代模型的预测能力,MLP和CNN替代模型都在相同的训练环境中进行了训练。预测结果被用来生成线性回归图,以比较数据集中的预测值和实际值。基于训练集和测试集,生成了实际值与预测值的散点图,并标注了回归线和R2值,从而直观地评估了模型的预测准确性,如图10所示。在这些图中,横轴代表从有限元分析(FEA)获得的真实值,纵轴代表替代模型给出的近似预测值。从这些图中可以明显看出,对于替代模型来说,CNN替代模型的训练集和测试集的数据点紧密跟随对角线y = x,而MLP替代模型的数据点更加分散,并在最小值处形成了一个水平点群。在性能参数方面,BW模型显示出了最高的拟合度,而Vpp的拟合精度最低。关于R2值,CNN替代模型在所有三个性能指标上都达到了0.91以上,而MLP替代模型的表现明显不如CNN,特别是在具有最强非线性的灵敏度指标上,MLP的R2仅为0.761。这表明即使输入维度较低,CNN独特的局部感受野和权重共享机制也能比MLP的全局连接方法更有效地解析参数之间的耦合关系。图10. 不同替代模型中Vpp、fc和BW的实际值与预测值的散点图:(a–c) MLP,(d–f) CNN。此外,还通过5折交叉验证对该模型的鲁棒性进行了评估。三个指标的平均R2值分别为0.9061、0.9738和0.9919。极低的标准差进一步验证了该替代模型在全域预测中的泛化鲁棒性。4.1.3 多目标优化的性能指标使用NSGA-III算法获得的优化结果如图11a所示。中心的红色球体代表由灵敏度(???????)、中心频率(????)和带宽(BW)定义的三维目标空间中的300个非支配解组成的帕累托前沿。图11. 多目标优化结果:(a) 帕累托前沿集,(b) 超体积收敛曲线。为了更好地解释目标之间的trade-offs,将帕累托前沿投影到坐标平面上:粉色圆圈表示投影到???????–????平面(X–Y平面),说明了灵敏度与中心频率之间的关系。具有最大灵敏度的解决方案对应于中等????,而具有最高????的解决方案仅表现出中等灵敏度,表明这两个指标之间的trade-off较弱。绿色圆圈显示了投影到???????–BW平面(X–Z平面),揭示了灵敏度与带宽之间的关系。在这里,实现最高灵敏度的解决方案趋向于最小带宽,而具有最大带宽的解决方案对应于最低灵敏度——表明存在强烈的反向相关性。蓝色圆圈表示投影到???????–BW平面(Y–Z平面),突出了中心频率与带宽之间的相互作用。具有最高????的解决方案与接近最小带宽相关联,反之,具有最大带宽的解决方案表现出最低的????,表明存在显著的trade-off。这些观察结果确认了确实存在显著的trade-offs——特别是在带宽与其他两个性能指标之间。因此,帕累托前沿上没有单一解决方案能够同时优化所有三个目标。相反,必须基于对整体性能的平衡评估来确定最佳折中方案,这将在后续的决策阶段进行讨论。对于NSGA-III算法,需要讨论收敛性问题、其对种群规模、变异概率和迭代次数的敏感性,以及计算预算减少的问题,以验证算法设置的鲁棒性和合理性。A. 收敛性研究为了验证NSGA-III算法的收敛性,我们选择了超体积(HV)指标作为收敛度量标准。HV衡量了由帕累托前沿主导的空间体积相对于参考点的大小,全面反映了解决方案集的收敛性和多样性(较大的值表示更高的解决方案质量)。在算法执行过程中,我们记录了每一代的当前种群的HV,并绘制了收敛曲线,如图11b所示。从图中可以看出,在第0-100代中,HV迅速增加,表明种群正在快速接近真实的帕累托前沿;在第100-250代中,HV的增长速度放缓,进入了微调和局部搜索阶段;在第250-500代中,HV稳定下来,第250代与第300代之间的HV相对变化小于0.5%。这一结果证实300代足以确保算法的完全收敛。进一步增加迭代次数虽然在结果质量上不会带来显著改进,但会带来不必要的计算成本。B. 参数敏感性分析为了评估帕累托前沿结果对种群规模、变异概率和迭代次数的变化敏感性,我们使用了控制变量方法进行了系统敏感性分析。每个参数设置独立运行了5次,并计算了所得帕累托前沿的HV的平均值和标准差。在研究对种群规模的敏感性时,其他所有参数保持不变(300代,变异概率为0.05),种群规模分别设置为100、200、300和500。结果表明,随着种群规模从100增加到300,性能显著提高。然而,超过300后,改进变得微不足道。这表明300的种群规模在解决方案质量和计算效率之间取得了良好的平衡。表3. NSGA-III参数对超体积性能的敏感性分析。在其他参数固定的情况下(种群规模:300,变异概率:0.05),迭代次数分别在100、200、300和500次进行测试。计算结果显示,200代就可以实现接近最优的性能(仅损失约2.5%的性能)。进一步增加迭代次数只会产生有限的收益。这验证了300代的设置既足够又高效。在种群规模和迭代次数保持不变的情况下,变异概率分别变为0.01、0.03、0.05和0.09。根据表3的结果,当变异概率在0.03到0.07的范围内时,超体积指标保持稳定。低于0.03的概率倾向于使算法收敛到局部最优解,而高于0.07的概率则会过度破坏高质量解决方案,导致收敛速度变慢。因此,原始的0.05设置位于一个稳健且有效的区间内。这些结果表明我们选择的参数不仅有效,而且处于一个稳定区域,在此区域内轻微波动不会显著降低性能。C. 在减少计算资源的情况下的性能为了研究在计算资源减少的情况下是否会出现类似的帕累托结构,我们设计了三种资源减少场景:场景A:种群数量减少一半(150),迭代次数减少一半(300次);场景B:种群数量不变,迭代次数减少一半(150次);场景C:种群数量不变,迭代次数减少到原来的四分之一(150次)。每种配置分别独立运行了五次,并计算了超体积指标的平均值。结果如表4所示。单独减少种群规模或迭代次数(场景A和B)都会导致有限的性能损失(<2.5%)。然而,同时减少两者(场景C)会导致显著的性能下降(7.5%的损失),表明维持这两个维度的最小阈值至关重要。表4. NSGA-III配置在资源减少情况下的性能和计算成本比较。4.1.4 通过综合评估选择最佳换能器为了全面评估帕累托最优解并确定最佳折中设计,采用了熵加权TOPSIS方法。根据方程(4)-(8),计算了三个性能指标——灵敏度(???????)、中心频率(????)和带宽(BW)的目标权重,分别为0.48、0.30和0.22。这些权重仅根据数据的内在信息熵得出,没有主观偏见。随后,使用方程(9)-(12)计算了相对接近系数????。然后根据????的降序对解决方案进行了排名,前10个候选者列在表5中。表5. 按熵加权TOPSIS排名的前10个帕累托最优解。如表5所示,最佳设计对应于以下几何参数:换能器半径:7.567毫米;匹配层厚度:0.060毫米;背层厚度:2.270毫米。值得注意的是,优化后的几何参数在排名靠前的解决方案中表现出一致的趋势:换能器半径在7.5–8.1毫米的狭窄范围内;背层厚度始终在2到3毫米之间;所有匹配层厚度紧密集中在0.06毫米左右。这最后一个观察结果特别重要:最佳匹配层厚度偏离了传统的四分之一波长(??/4)设计规则,表明对于在高度衰减介质(如硬质合金)中工作的高频UDTT来说,经验设计指南可能不够理想,而数据驱动的优化可以发现更有效的配置。4.2 有限元验证为了验证所提出的多目标智能优化框架的有效性,使用表5中确定的最佳几何参数进行了有限元脉冲回波仿真。优化后换能器的时间域和频域响应如图12所示。如图所示,优化后换能器候选者的灵敏度(???????)和带宽(BW)曲线高度一致,仅表现出微小变化。这种紧密的收敛性表明,通过NSGA-III算法的迭代优化和随后的熵加权TOPSIS方法的全面排名,所有选定的设计参数有效地收敛到了一个最大化整体换能器性能的区域。图12. 有限元验证结果:(a) 显示???????的时间域响应,(b) 通过FFT获得的频谱。定量验证结果总结在表6中,该表比较了预测值和仿真值的关键性能指标。优化(预测)结果与有限元(验证)结果之间的相对误差如下:灵敏度(???????)≤ 7.0%;中心频率(????)≤ 0.8%;带宽(BW)≤ 0.7%。表6. 优化预测结果与有限元验证结果之间的相对误差。这些低误差范围证实了优化设计准确反映了实际换能器的行为,从而验证了CNN替代模型的准确性和整个优化框架的鲁棒性。4.3 优化设计的性能比较为了验证多目标智能优化方法在提高性能方面的有效性,我们将表5中排名最高的优化设计(7.567, 0.060, 2.270)与四分之一波长理论设计[41](7.567, 0.081, 2.270)和商业设计(5.000, 0.081, 2.270)进行了比较。这三种设计的脉冲回波仿真结果如图13所示。图13. 比较结果:(a) 显示???????的时间域响应,(b) 通过FFT获得的频谱。显然,优化设计相比四分之一波长设计具有更宽的带宽,并且灵敏度和带宽显著更高。表7提供了详细的性能指标。与四分之一波长设计相比,优化设计在带宽上提高了4.7%。与商业设计相比,优化设计在灵敏度上提高了46.1%,在带宽上提高了7.7%。这些结果进一步验证了所提出优化方法的有效性。表7. 与其他设计的性能比较。在图13中,优化设计显示出脉冲持续时间的增加,这可能会扩大死区并降低缺陷检测的分辨率。尽管如此,灵敏度和带宽的提高赋予了换能器更强的穿透深度和更高的成像分辨率。这些特性有利于在像硬质合金这样的高衰减材料中检测内部微缺陷。4.4制造公差与鲁棒性分析
在实际制造过程中,换能器组件不可避免地会存在一定的制造公差,这些公差会影响换能器的性能。因此,有必要评估制造差异对性能的影响。分析过程如下:对于最终选定的最优设计(7.567、0.060、2.270)的每个几何参数,分别施加±5%和±10%的相对偏差,同时保持其他参数不变,从而生成一系列参数组合。通过有限元仿真来评估关键性能指标(灵敏度、中心频率和带宽)的变化情况。计算受扰动后的性能值与原始最优值之间的绝对相对变化百分比。结果列在表8中。数据显示,在三个性能指标中,带宽对匹配层厚度的偏差最为敏感(±10%的偏差会导致带宽大约变化6-7%),而灵敏度和中心频率的变化则保持在5%以内。半径和背衬层厚度的变化对性能的影响较小(大多数变化小于3%),这表明优化后的参数具有较好的鲁棒性。在常见的制造公差范围(例如±5%)内,所有性能指标的变化均低于5%,因此不会显著影响换能器的整体性能。分析表明,本研究得到的优化换能器设计在实际制造中对参数偏差具有很强的抗干扰能力,只有匹配层厚度需要更严格的制造控制。这些发现进一步证明了优化方案的工程可行性。
表8. 换能器性能对制造公差的敏感性
5. 结论
本研究提出了一种多目标几何优化框架,旨在同时提升超声波非接触式厚度测量(UNDTT)的总体声学性能。关键设计变量——换能器半径、匹配层厚度和背衬层厚度——根据三个核心性能指标(灵敏度(???????)、中心频率(????)和带宽(BW)进行了优化。
建立了一个脉冲回波有限元分析(FEA)模型,生成了包含800个设计-性能对的数据集。该数据集被用于训练卷积神经网络(CNN)作为高精度替代模型,该模型能够准确捕捉几何参数与性能指标之间的非线性关系。训练有素的CNN在测试集上表现出出色的预测准确性,其决定系数(?_R^2)分别为0.9183、0.9783和0.9948。
利用这个替代模型,采用NSGA-III算法进行了多目标优化,得到了一组帕累托最优解。随后,使用熵加权TOPSIS方法对这些非支配解进行了综合排序。最终确定的最优设计参数为:半径:7.567毫米;匹配层厚度:0.060毫米;背衬层厚度:2.270毫米。
有限元验证证实了所提出方法的可靠性:三个性能指标的预测值与仿真值之间的相对误差均在7.0%以内,表明替代模型与物理仿真结果高度一致。与传统设计(半径=5.0毫米,匹配层厚度=??/4≈0.081毫米,背衬层厚度相同)相比,优化后的换能器灵敏度提高了46.07%,带宽增加了7.65%,匹配层厚度减少了35%。这些成果凸显了所提出方法的双重优势:性能提升和材料利用效率的提高。
总之,本研究开发的数据驱动优化框架有效实现了UNDTT的多目标性能提升,为高频换能器的精确设计提供了一条新的、稳健的途径,特别适用于 Cemented Carbide 中的微缺陷检测等要求严格的应用场景。需要注意的是,本文研究的换能器性能指标均基于有限元仿真模型计算得出。下一步,我们将与制造企业合作进行换能器实验研究,并进一步扩展与工程应用相关的性能指标(如指向性和脉冲宽度)的评估与优化,从而推动该换能器设计的实际应用进程。