《Sensors》：MCA-Mamba-2: A Multi-Channel Attention State-Space Network for Ultrasonic Guided Wave Damage Detection in Small-Diameter Pipes
编辑推荐：
小口径管道的超声导波（UGW）检测因可用频带狭窄且对测量噪声高度敏感而变得复杂，二者均会削弱损伤识别的可靠性。该研究提出一种多通道注意力 Mamba-2（MCA-Mamba-2）网络，将卷积前端与双向 Mamba-2 状态空间骨干相耦合，并联合多头自注意力（M
小口径管道的超声导波（UGW）检测因可用频带狭窄且对测量噪声高度敏感而变得复杂，二者均会削弱损伤识别的可靠性。该研究提出一种多通道注意力 Mamba-2（MCA-Mamba-2）网络，将卷积前端与双向 Mamba-2 状态空间骨干相耦合，并联合多头自注意力（MHSA）与通道注意力（channel attention）实现特征融合。网络以周向接收阵列同时记录的 4 条波形为输入，因而输入张量具有 4 个物理通道，随后被扩展为学习得到的特征通道。研究人员在一段外径 20 mm 的钢管试样上采集了涵盖 10 种损伤状态的数据集，其中包括未穿透壁面的磨损、通壁孔洞以及 1 个多缺陷工况。在 3 次独立运行的平均条件下，MCA-Mamba-2 在无噪声信号上达到 98.01 ± 0.85% 的准确率，在掺入白噪声、粉噪声、高斯噪声与拉普拉斯噪声的 0 dB 测试集上分别达到 81.09 ± 1.74%、83.65 ± 1.34%、82.49 ± 0.20% 与 84.15 ± 1.04%，在全部 16 种噪声类型与信噪比（SNR）组合上均优于 Mamba-2 基线，最大领先幅度达 17.87 个百分点。消融实验将上述增益主要归因于卷积混合模块。跨噪声评估揭示：当训练与测试的噪声分布不一致时，0 dB 条件下准确率平均下降 59.80 个百分点，表明匹配噪声下的准确率并不能指示对未知噪声条件的鲁棒性；然而，在全部噪声类型与全部信噪比混合数据上训练的单一模型，可在 16 种测试条件上恢复 91.21% 的平均准确率。由于每一损伤状态仅在单次采集会话中记录，数据集按单条记录而非按采集会话划分，因此所报告的准确率应被理解为在独立采集数据上可获得性能的上界。上述结果取自单一管道几何构型、固定缺陷位置与人工附加噪声的条件，向其他几何构型及现场测量的推广仍有待验证。
## 一、研究背景、问题与意义
城市建筑中的供暖、供水与燃气管网大量采用小口径管道，服役中承受温度波动、机械载荷与化学腐蚀，易导致壁厚损伤乃至破裂泄漏，因而需要定期检测与状态评估。超声导波（UGW，一种利用在波导中远距离传播、能量衰减低的弹性波对结构进行无损检测（NDT）的方法）因可周向覆盖整个截面、兼具弥散与多模态特性而成为结构健康监测（SHM，指对结构状态进行持续感知与损伤诊断的技术体系）的重要手段。然而传统路径依赖模态分析与有限元方法（FEM），需要专用换能器选择性激励或模态分解；机器学习方法又依赖人工特征筛选，受主观经验影响；已报道的深度学习研究绝大多数针对直径大于 50 mm 的油气管道。小口径带来的核心物理困难在于：直径减小使具有工程意义的缺陷相对导波波长变得极小。就本文外径 20 mm 试样而言，研究人员由 MATLAB R2020b 中 PCDISP 工具箱求解 Pochhammer–Chree（Gazis）特征方程得到相速度，进而得到 80 kHz 处 L
(0,2) 模态波长，本文所考察的 3–9 mm 周向损伤宽度使散射处于 Rayleigh 区（散射体远小于波长，反射能量随尺寸急剧衰减），缺陷回波相对直达波十分微弱，因此在更大口径管道上验证有效的方法不能假定可直接迁移。同时，脉冲回波记录中携带损伤信息的内容集中在由管长与群速度决定的少数波包上，而信号又被换能器激励泄漏与管端远端反射等无损伤信息成分所主导。另一方面，Mamba 由 Gu 和 Dao 提出（选择性状态空间模型），Mamba-2 引入结构化状态空间对偶（SSD）算法以提升长程依赖建模与训练效率，但其已有应用（脑电解码、多导心电、复合材料板导波）中判别信息沿序列准平稳且广泛分布，与小口径管道信号不符。基于上述缺口，研究人员构建了 MCA-Mamba-2，将卷积前端（感受野匹配单个波包时长）、双向状态空间骨干与 MHSA+通道注意力融合相耦合，并以 4 个周向接收通道为物理输入维度（非轴对称散射在各通道响应不同，通道维本身携带损伤周向范围与位置信息）。其结论性意义在于：既给出该工况下的高精度识别方案，又首次以不匹配噪声协议量化了“匹配噪声精度”与“真实鲁棒性”之间的鸿沟，并给出混合噪声训练这一实用替代方案。
## 二、关键技术方法
实验对象为 Dongguan Chang’an Xulin 机加工的无缝钢管，长 1.5 m、外径 20 mm、内径 14 mm、壁厚 3.0 mm（截面 160.2 mm
2，弹性模量 210 GPa、泊松比 0.3、密度 7850 kg/m
3）；四发四收压电换能器分置距右端 5 cm 与 10 cm，周向 0°、90°、180°、270° 均布，以 80 kHz 汉宁窗调制脉冲激励，模态与带宽选择依据 PCDISP 求解 Pochhammer–Chree 特征方程所得频散曲线。损伤加工于距右端 50 cm 处，构成 10 个离散状态（未损伤、残留 1.0 mm 韧带的非通壁刻槽、3.5 mm 深通壁孔及含 40 cm 处浅划痕的多缺陷）。采样率 3 MS/s，共 12,047 条四通道记录，按 8:1:1 以单条记录划分；白、粉、高斯、拉普拉斯噪声沿功率谱密度与幅值分布两轴解耦合成，并按四通道总功率归一至 0/5/10/15 dB；设匹配与不匹配两套评估协议，指标为准确率与宏平均 F1。模型共 1,182,586 个参数，Adam、学习率 0.001、20 轮、有效批大小 16，全部结果取三个随机种子的均值±标准差。
## 三、研究结果
**3.2.1 无噪声信号分类。** 在同一划分、同一优化与模型选择准则、相同三种子条件下比较：循环与注意力基线均低于 89% 且种子间波动大，原始 Mamba-2 骨干为 92.15%。为排除容量混淆，引入宽度匹配的 Mamba-2 基线（1,123,902 参数，为所提网络的 95%），仅靠扩容升至 95.30%；再加多尺度卷积注意力后仅增加约 5% 参数即再获 2.71 个百分点，达 98.01%（宏平均 F1 97.65%），且方差为六者最小。
**3.2.2 匹配噪声下的分类。** 五模型自 15 dB 降至 0 dB 的平均损失为白噪声 17.61、高斯 24.46、拉普拉斯 27.94、粉噪声 31.14 个百分点，粉噪声最具破坏性——其低频成分造成大幅时域基线漂移，掩盖低幅缺陷回波；RNN 在粉噪声 0 dB 下跌至 19.92%，仅为十类随机水平的约两倍。MCA-Mamba-2 在全部 16 种组合中均最高，按四个 SNR 平均较 Mamba-2 分别高 5.91、12.40、7.49、4.27 个百分点（白/粉/高斯/拉普拉斯），最大单点优势 17.87 个百分点（粉噪声 5 dB），0 dB 下最强竞争者恒为 Mamba-2。所提网络在四类噪声下均随 SNR 单调上升，而基线有 4 处非单调，其中 2 处超过一个运行标准差，因各 SNR 的噪声实现、划分与初始化独立抽样，作者按实测报告而不做平滑。
**3.2.3 对未见噪声条件的泛化。** 固定架构、解耦训练与测试噪声后：匹配项平均准确率与 0 dB 不匹配项之差为 59.80 个百分点，说明匹配结果仅为上界。可迁移性遵循功率谱形状而非幅值分布：谱形相同的错配对（白?拉普拉斯，均为平坦谱；粉?高斯）保留较高准确率，谱形不同者接近十类 10% 随机水平；但同谱对内迁移强不对称（粉→高斯明显优于高斯→粉），故共享谱形必要而不充分。提高测试信噪比亦无帮助：白噪声与拉普拉斯训练的模型在更高 SNR 下塌陷，因为归一化统计由训练噪声主导，更干净的输入落在拟合范围之外。以全部噪声类型与 SNR 混合训练的单一模型在 16 条件上平均 91.21%，较专用模型跨全 SNR 的 51.11% 大幅提升，仅在匹配条件付出有限代价并在 7/16 列最优，被作为推荐协议。
**3.2.4 消融实验。** 从带残差连接的 Mamba-2 骨干起依次累积卷积混合模块、双向状态空间处理、MHSA 与通道（SE）注意力：无噪声条件下卷积混合块贡献 2.18 个百分点为最大单一因素，MHSA 贡献 1.62、通道注意力 1.27、双向处理 0.76 个百分点；同一排序在白噪声与粉噪声 0 dB 下保持。仅在骨干上加通道注意力反而在两类噪声下降低准确率且方差放大一个量级，须与自注意力联合方显效。宏平均 F1 全程跟随准确率，非类别不平衡所致；参数量分析表明增益并非单纯由容量换取。
**3.2.5 训练配置敏感性。** 在所考察的学习率区间内性能稳定（干净信号 96.42%–98.01%，0 dB 白噪声 76.85%–81.09%），仅过大学生率导致显著下降（82.47%/41.83%）；有效批大小由 16 增至 64 引起差异小于 2.6 个百分点；除个别配置外，20 轮与 40 轮之差至多 0.22 个百分点，表明训练预算充分。
**3.2.6 训练集规模影响。** 在 482 至 9,637 条（约 20 倍跨度）的嵌套子集上、0 dB 白噪声条件下，所提网络始终领先 Mamba-2，且优势不随数据增加而收敛；仅用 2,409 条记录即超过 Mamba-2 使用全部 9,637 条的结果，等价于约四倍更少的标注需求。但在最小数据端两者均不可用；且子集取自同一采集会话，故曲线刻画的是记录数效应而非独立实验信息的增加。
**3.2.7 混淆矩阵分析。** 0 dB 白噪声下所提方法为 81.09% 准确率、80.95% 宏平均召回，分别高于 Mamba-2 4.24 与 4.42 个百分点；磨损 1 类召回由 50.4% 升至 68.1%、磨损 2 类由 55.9% 升至 91.9%，两类轻度磨损之间的严重互混显著缓解；仅在磨损 4 类上 Mamba-2 占优（73.6% 对 57.6%），整体而言所提方法类别均衡性更好。
## 四、讨论与结论
讨论部分对结果的适用边界作了坦率界定：全部测量取自单一 1.5 m、外径 20 mm 试样，缺陷位置与周向角度固定，无法判定网络学到的是普适损伤波特征还是该布置、传播距离与耦合条件的特有特征；换能器仅在每个损伤状态前重新耦合、状态内共享同一耦合条件，使耦合变异与类别标签混淆；因每状态仅一次采集会话，数据集只能按记录划分，相关样本同时进入训练与测试子集，所报准确率因此亦属上界；噪声为按解析模型人工叠加，而真实测量噪声非平稳、可能与激励相关且为多源混合；匹配噪声协议只刻画给定信号质量下的性能；且未做跨试样与在役验证，现场性能应视为上界。
结论部分可译为：该研究提出 MCA-Mamba-2，一种将卷积前端与双向 Mamba-2 状态空间骨干耦合、并经由 MHSA 与通道注意力联合融合特征的网络，用于外径 20 mm 钢管四接收阵列采集的超声导波信号分类。实验直接支持的结论有三：（i）在十类数据集上，无噪声准确率为 98.01 ± 0.85%，并在所有噪声类型与信噪比组合上优于 RNN、LSTM、Transformer 与 Mamba-2 基线，对 Mamba-2 的最大优势为粉噪声 5 dB 下的 17.87 个百分点；由于按单条记录划分且每状态仅一次会话，这些准确率构成独立采集数据上的上界，不应脱离该限制解读。（ii）消融将增益主要归于卷积混合模块（干净信号上 2.18 个百分点），MHSA 贡献 1.62、双向状态空间处理 0.76、通道注意力分支 1.27 个百分点。（iii）最具实践意义的发现来自跨噪声评估：不匹配协议下 0 dB 平均下降 59.80 个百分点，证明高匹配噪声准确率无法迁移至未见噪声条件，噪声类型失配而非单纯噪声强度才是限制部署的主导因素；在四类噪声与四个 SNR 混合数据上训练单一模型，可将 16 种条件的平均准确率由 51.11% 提升至 91.21%，故被推荐为默认训练协议。作者同时声明，架构向其他管径、壁厚与缺陷位置的迁移、网络是否习得普适损伤特征、以及状态空间架构相对循环与注意力架构的比较优势，均属现有数据无法证实的工作假设。未来工作将覆盖多样本与多缺陷位置测量、每损伤状态多次独立重新耦合采集以支持会话级划分、以原位实测噪声替代合成模型，以及向二维时频表示与多模态融合的扩展。
