基于深度学习的分层检测技术在碳纤维增强聚合物复合材料中的应用及可解释性人工智能的解释

《Engineering Applications of Artificial Intelligence》：Explainable artificial intelligence for deep learning-based delamination detection in Carbon Fiber Reinforced Polymer composites

　　• 将深度学习与XAI相结合，用于碳纤维增强聚合物（CFRP）的层离诊断。• 使用压电换能器获取的兰姆波时频表示。• LIME揭示了与层离相关的光谱特征。

引言
碳纤维增强聚合物（CFRP）复合材料在许多关键工业领域的应用范围正在扩大，如汽车、航空航天、民用建筑和风力发电（Geier等人，2022年；Zhang等人，2023年；Molina-Moya等人，2023年），这些领域对其生产过程的质量要求很高。与其他材料相比，CFRP具有较高的强度重量比、出色的抗腐蚀性能和更长的耐用性。因此，这些材料被广泛用于制造轻质且坚固的工程结构，例如桥梁、飞机机翼和机身（Callister和Rethwisch，2020年；Wilson和Chang，2016年）。然而，由于其各向异性和非均匀性，CFRP表现出复杂的力学行为，这需要更多的研究来理解和预测其性能（Daniel和Ishai，2006年）。这些复杂性也给理解CFRP的失效机制带来了独特的挑战，而理解失效机制对于避免关键故障和降低维护成本至关重要（Li和Sharif-Khodaei，2024年）。
CFRP结构的主要失效模式是0°方向的纤维断裂与90°方向的纤维/基体脱粘共同作用的结果（Jia等人，2023年）。损伤可以分为三个发展阶段：疲劳寿命初期基体开裂和纤维-基体脱粘，随后是层离的发展和基体裂纹的聚合，最后是纤维断裂（Van Paepegem和Degrieck，2002年；Talreja，2006年）。虽然初期断裂不一定对工艺条件构成直接威胁，但其进展可能导致灾难性故障（Rocha等人，2021年）。层离是由层间裂纹引起的，这种裂纹会导致机械性能下降，例如疲劳强度降低，从而缩短组件的使用寿命（Daniel和Ishai，2006年；Raju和O’Brien，2008年；Persson等人，1997年；Turki等人，2014年；Djabali等人，2018年）。因此，故障检测和损伤诊断策略对于确保CFRP结构的安全性和高质量至关重要。
随着4.0产业的推进，智能监测和决策支持系统对于结构部件的重要性日益增加。为此，开发了结构健康监测（SHM）技术，以便在部件的整个使用寿命期间早期发现损伤并保证其可靠性（Balageas等人，2010年；Yazdi，2024年）。对于CFRP复合材料而言，由于对于如何定义和分类各种损伤类型尚未达成共识，因此提高对复合材料失效机制的理解至关重要，以确保其更安全和更可靠的使用。因此，识别和量化潜在的失效模式以及开发预测分析方法对于确保复合材料在其剩余使用寿命内的结构完整性至关重要。通过使用SHM技术，可以监测组件结构，并通过分析执行过程中传感器收集的信号特征来早期识别层离。
然而，基于手动方法或传统机器学习技术的建模在数据复杂性以及关键应用中对精度和可靠性的要求方面存在局限性（Farrar和Worden，2012年），而这些应用通常会使用CFRP复合材料。因此，深度学习模型作为一种数据驱动的工程方法被广泛应用，因为它们能够揭示传统分析可能忽视的细微损伤迹象（Avci等人，2021年），从而提高与层离相关的细微模式识别的精度。文献中有许多基于深度学习算法的研究报告。Wu等人（2021年）使用卷积神经网络（CNN）结合小波变换来识别CFRP结构中的层离区域。同样，Barile等人（2022年）将声发射（AE）技术与CNN结合，用于检测复合材料中的多种损伤类型。Pop等人（2024年）利用无线系统通过兰姆波扩展了对CFRP样品中诱导损伤的位置检测能力，实现了实时故障检测。Cristiani等人（2022年）提出了一种方法，通过分析疲劳载荷下CFRP双悬臂梁试件的应变模式来进行层离尺寸的预测。Krishna等人（2025年）通过短时傅里叶变换（STFT）、连续小波变换（CWT）、维格纳-维尔分布（WVD）和平滑伪维格纳-维尔分布（SPWVD）提取信号特征，并将其用于开发深度学习算法，采用SPWVD作为输入到深度卷积嵌入聚类（DCEC）模型中以进行无监督的损伤检测。Li等人（2023年）开发了一种多通道1DCNN-LSTM网络，用于预测由于CFRP各向异性导致的工具磨损。Che等人（2024年）开发了一种新的深度学习方法，结合了邻域组件分析（NCA）、粘菌算法（SMA）和门控循环单元（GRU）网络来预测铣刀磨损。值得注意的是，大多数用于CFRP SHM的模型仅使用了传统的CNN模型，而没有探索不同的集成架构。此外，一些研究倾向于比较多种模型方法，采用时频特征提取，并专注于层离识别。
计算机视觉技术也被用于CFRP复合材料的研究，因为这些算法能够识别和分类模式。Li和Sharif-Khodaei（2024年）使用局部点 autocorrelation（LPA）系数来检测变载荷下CFRP结构中的损伤。该结果基于单模光纤传感器提供的2D应变测量数据。Liu等人（2025年）开发了一种使用YOLO-V8网络识别CFRP复合材料中缺陷的模型，以非线性频率调制（NFM）热成像图像作为模型输入。
尽管文献中有许多成功的案例，但大多数提出的深度学习技术仍然作为“黑箱”运行，这使得解释模型的决策结果变得复杂，并限制了这些模型在需要高度可靠性的工业领域或需要机器学习模型决策过程向工作人员公开的场景中的应用。为了解决这个问题，可解释人工智能（XAI）领域引起了研究人员的兴趣，被认为是弥合AI建模与应用之间差距的一种方法（Lei等人，2020年；Zhao等人，2022年）。例如，逐层相关性传播（LRP）等方法被用来分析CNN输入特征的重要性，突出与结构损伤相关的更合理模式（Silva，2022年；Parziale等人，2024年）。另一种相关方法是使用可解释视觉变换器（X-ViTs），它在增强聚合物复合材料损伤检测中显示出更好的性能，通过补丁聚合过程提供了更透明的决策过程（Azad和Kim，2024年）。XAI技术还被用于定位松动螺栓和扭矩预测（Hu等人，2025年），以及利用分割和分类方法检测和监测断裂进展，提供关于损伤进展的可解释性解释（Forest等人，2024年）。在CFRP复合材料中，Zhao等人（2024年）使用SHAP分析来量化纤维和树脂成分参数对多种复合材料性能的影响，提高了CFRP机械性能的预测精度。此外，一些优先考虑可解释性的早期研究报告的故障检测精度低于关键实际应用所需的水平，而这些应用需要极高的精度。尽管最近的研究探索了XAI在SHM中的集成，但在同时实现高精度和可解释性方面仍面临挑战，特别是在像CFRP这样的复杂模型和时频域研究中，因为很少有研究探索在CFRP复合材料中使用XAI技术，尤其是在层离识别方面。我们注意到，在本研究中提出的框架中，LIME是事后应用于已经训练好的分类器上的，因此不会影响分类指标本身（准确性、精度、敏感性、特异性或AUC）；因此，这里报告的高精度和量化可解释性的共同实现不受精度/可解释性权衡的影响（第4.1节和第4.3节）。
Monson等人（2024年）介绍了一种基于CNN的方法，能够区分和标记CFRP中的微裂纹和层离。使用包含维格纳-维尔分布（WVD）的图像作为GoogLeNet、ResNet50、EfficientNet-b0和Xception CNN模型的输入。GoogLeNet和Xception模型取得了最佳结果，其中前者的准确率达到了100%。然而，CNN的“黑箱”配置不利于理解模型是如何执行分类任务的，以及哪些信号特征使得初始层离和微裂纹得以区分。因此，本研究提出了一种新的深度学习与可解释人工智能（XAI）相结合的方法，通过将卷积神经网络与时频表示和模型不可知的可解释性技术相结合，为复合材料结构中的工程决策和故障诊断提供可解释的解释。此外，所提出的方法通过使用CFRP试样进行疲劳加载并在不同层离水平下进行实验验证。使用压电换能器在每个损伤状态获取兰姆波信号，并将其作为输入到所提出的框架中。结合了多种CNN架构和LIME XAI技术，以实现可解释的模型开发。
与之前结合CNN和时频表示的研究（Monson等人，2024年）相比，该研究不仅评估了分类性能，还解决了（i）系统化的、泄漏控制的、多架构CNN基准测试和（ii）定量验证的、模型不可知的解释性层这两个问题。因此，本研究的主要贡献有三个方面。首先，引入了一种泄漏控制的、留一周期除外（LOCO）交叉验证协议，其中给定疲劳周期的所有执行器-传感器轨迹被原子级地分配到一个分区中，并通过程序验证不相交性，结果在五个随机种子上汇总，具有95%的自助置信区间。其次，通过对四种CNN架构进行系统比较并使用McNemar检验进行统计显著性测试，以及专门的层间铺层泛化实验，量化了架构间的差异以及与CFRP复合材料各向异性相关的泛化挑战。第三，LIME的集成扩展了定量XAI评估指标——通过交集覆盖率和Spearman相关性在重复执行和样本间的解释稳定性和一致性，以及与独立物理损伤位置指标的重叠——将解释性评估提升到了超出定性视觉检查的范围。在这种情况下，通过这三个定量标准（具有置信区间的分类性能和多种子稳定性、架构间的统计显著性、LIME解释稳定性和一致性以及LIME突出区域的重叠）来操作化可信度（见第3.3.2节、第4.1节和第4.3节）。
通过将相关光谱特征与损伤机制联系起来，所提出的框架推进了人工智能在复合材料工程应用中的最新进展，并支持在安全关键工业场景中的可靠决策。其余工作安排如下：第2节解释了研究对象的理论背景、本研究中使用的神经网络以及在SHM中使用的可解释性算法。

方法论
本研究分析了从CFRP疲劳测试中收集的信号和X射线数据，这些数据基于文献中报告的实验数据（Monson等人，2024年）。这些信号通过WVD时频表示提取了相关特征，并作为输入用于CNN模型中检测和分类损伤，如微裂纹和层离。然后，通过不同的分类指标和XAI分析来评估这些模型。研究工作流程如图6所示，将在第3.3.2节描述的“留一法”（LOCO）交叉验证协议下对分类性能进行评估。对于每种架构和组合，每个折叠都使用五个随机种子（{7,13,21,42,99}）进行训练，并通过计算所有折叠和种子的平均值和标准差来汇总每个折叠、每个种子的指标（准确率、精确度、灵敏度、特异性和AUC），同时还包括95%的自助法置信区间（1000次重采样）。在某些折叠中……

**结论**
本研究提出了一个框架，该框架结合了深度学习、时频信号表示和可解释的人工智能（XAI），用于碳纤维增强塑料（CFRP）结构的损伤分类。在CFRP试样的疲劳测试过程中获取的兰姆波信号通过Wigner-Ville分布转换为时频表示，并用于训练四种卷积神经网络架构：GoogLeNet、ResNet50、EfficientNet b0和Xception，以实现基于轨迹的损伤检测。

**作者贡献声明**
Paulo Monteiro de Carvalho Monson：撰写 – 审阅与编辑、撰写 – 原稿起草、验证、软件开发、方法论、研究。
Catherine Bezerra Markert：撰写 – 审阅与编辑、可视化、验证、研究。
Fábio Romano Lofrano Dotto：可视化、验证、方法论。
Alessandro Roger Rodrigues：撰写 – 审阅与编辑、方法论。
Marco Henrique Terra：撰写 – 审阅与编辑、可视化、研究。
Pedro de Oliveira Concei??o Junior：撰写 – …

**生成式人工智能声明**
作者声明，在研究的整个过程中，包括概念构思、方法论、实验设计、数据收集、数据分析、结果解释或科学结论的得出，均未使用任何生成式人工智能工具。在准备本手稿期间，仅使用ChatGPT进行了少量的语法和语言优化，所有作者都参与了审核工作，并对最终稿件内容负全责。

**利益冲突声明**
作者声明没有已知的财务利益冲突或个人关系可能影响本文所报告的工作。

**致谢**
本研究得到了圣保罗研究基金会（FAPESP）的资助（项目编号2023/02413-2）、国家科学技术发展委员会（CNPq）的资助（项目编号445054/2024-7）以及圣保罗大学研究与创新办公室的资助（项目编号22.1.09345.01.2）。

**作者列表**
Paulo Monteiro de Carvalho Monson | Catherine Bezerra Markert | Fábio Romano Lofrano Dotto | Alessandro Roger Rodrigues | Marco Henrique Terra | Pedro de Oliveira Concei??o