一种基于物理约束双通道一维卷积神经网络的热障涂层基体裂纹智能激光超声成像与分类方法

《Ultrasonics》：An intelligent laser ultrasonic imaging and classification method for cracks in thermal barrier coating substrates using a physics-constrained dual-channel 1D-CNN

　　

摘要

热障涂层（TBC）长期服役于极端热-力耦合环境，极易发生基体开裂等损伤。由于TBC的多层异质特性，传统超声检测面临声场散射严重、弱损伤特征提取困难等关键瓶颈。针对上述挑战，本文提出了一种基于物理约束双通道一维卷积神经网络（DC-1DCNN）的智能激光超声成像与分类方法。首先，构建了TBC的高保真三维（3D）多物理场数值模型，通过数值仿真与有限实验数据结合生成了双驱动数据集。其次，引入变换矩阵，建立了虚拟数值空间与物理实体空间之间的特征交互映射机制，从而克服了多层异质结构中损伤样本泛化性差的瓶颈。同时，基于表面波振幅构建约束矩阵，并提出了一种创新的阈值稀疏自注意力机制（TSSAM）。该机制强约束了非平稳超声信号的特征提取深度，显著增强了网络对异质界面弱裂纹特征的捕获能力。实验结果表明，该模型测试准确率达到96.72%，其中稀疏自注意力机制提升了4.22%。该方法实现了从单点时域A扫信号到高性能C扫成像的端到端映射，并能精确分类裂纹，为多层异质结构的高效可靠无损检测提供了新范式。

引言

热障涂层作为一种关键的高温防护技术[1]，[2]，广泛应用于承受极端热机械载荷的航空发动机和燃气轮机核心热部件中。这些部件主要包括高压涡轮叶片[3]，[4]、燃气轮机叶片[5]，[6]、涡轮静叶以及特定的加力燃烧室部件[7]。然而，TBC复杂的多层结构加上其恶劣的服役环境——高温氧化、严酷热循环、机械应力和腐蚀性介质——极易诱发系统失效，其中基体开裂的萌生与扩展尤为关键。

研究表明，TBC基体开裂主要有三种原因[8]，[9]。第一，制造过程中基体产生的微观裂纹可能未被检出，随后在高温服役条件下扩展，最终导致基体开裂。第二，高压涡轮叶片冷却孔堵塞导致冷却失效，使叶片长时间处于高温状态，加剧了热机械疲劳，产生巨大热应力，从而促进基体开裂[10]。第三，基体暴露于外部腐蚀性介质，导致腐蚀开裂[11]。TBC各类损伤的示意图见图1。因此，TBC基体开裂的无损表征及其失效机理的阐明，对于提高涂层服役寿命具有重要意义。

目前，评估TBC损伤的主要方法包括红外热成像[8]，[12]、超声检测[13]，[14]和太赫兹技术[15]，[16]。红外热成像对浅层缺陷检测具有高灵敏度。然而，TBC基体开裂通常起源于面层（TC）与粘结层（BC）之间的界面下方，其深度可能超出该技术对浅层缺陷的有效检测范围，从而限制了其能力[17]，[18]。太赫兹检测在应用于多层TBC结构时面临穿透能力相对较弱的挑战[19]，[20]。超声检测作为无损检测中最常用的技术，其缺陷检测方法可分为两类：需要使用耦合剂的[21]和不需要使用耦合剂的[22]。依赖耦合剂的超声检测方法在长时间检测过程中可能与涂层材料发生化学反应，对基体造成不可避免的损伤。因此，非接触（无耦合剂）超声检测方法被认为是TBC缺陷检测的首选技术。

在TBC基体开裂检测方面，表面波仅沿材料表面传播，对浅层近表面区域的缺陷非常敏感，因此主要适用于表面缺陷检测[23]。然而，TBC材料的孔隙和松散特性导致超声波在传播过程中严重衰减[24]。此外，在多层结构中，表面波常出现信号混叠，使信号难以解读[25]。

精确识别超声信号特征对于后续缺陷检测至关重要[26]。传统的超声信号特征提取方法包括小波变换[27]、快速傅里叶变换[28]及相关方法。利用这些传统技术从混叠超声信号中提取特征仍然困难。随着深度学习的快速发展，其强大的自学习能力和非线性映射功能使其成为特征提取的一种有前景的新方法。目前，基于深度学习的超声信号识别主要遵循两条技术路线。1）将原始超声信号直接输入深度学习模型进行特征提取[29]，[30]，[31]。2）通过连续小波变换将超声信号转换为二维（2D）表示，然后使用深度学习网络进行特征提取[32]，[33]。然而，这些转换过程容易产生信息失真、噪声干扰以及特征表达与信息损失之间的权衡。

传统一维卷积神经网络（1DCNN）通常直接接收原始超声信号作为输入，这可能会损害识别准确性和特征提取性能。为解决这一局限性，Fu等人[34]采用经验模态分解对激光超声信号进行重构，在分层缺陷检测中实现了高精度。虽然这些研究成功实现了信号重构，但使用单通道深度学习网络限制了对超声信号特征的充分利用。为此，Zheng等人[35]提出了一种带有注意力机制的DC-1DCNN（DC_EcaNet-6），用于高温条件下材料和构件的蠕变寿命预测，进一步增强了特征提取能力和模型泛化性能。

上述研究表明，深度学习在信号特征识别方面具有显著优势，但其检测性能很大程度上依赖于大量缺陷样本的训练。然而，在实际检测场景中，获取真实缺陷样本往往很困难。因此，有效扩充训练样本对于提高深度学习模型的识别准确率至关重要。在工程检测中，数值仿真数据已成功用于支持深度学习方法。例如，通过数值仿真扩充训练数据，Qi等人[36]实现了镁铝合金的实时腐蚀预测。Zhang等人[37]实现了断路器故障诊断。Nastos等人[38]预测了复合材料强度。Zhao等人[39]估计了滚动轴承的剩余寿命。Piltan等人[40]实现了轴承异常检测和裂纹尺寸识别。虽然数值仿真信号可用于训练深度学习网络，但激光超声仿真信号与实际信号之间存在显著差异。为缩小这一差距，Zhang等人[32]采用生成对抗网络（GANs）来弥合仿真信号与真实信号之间的差距。然而，GAN本身也是一种深度学习方法，需要在仿真数据和真实数据上进行大量训练，才能准确地将仿真信号转换为真实信号[41]。因此，开发一种新方法将仿真信号有效转换为类真实信号，对于扩充训练数据集至关重要。

本研究提出了一种DC-1DCNN用于激光超声缺陷检测。本文的主要贡献如下：

（1）针对TBC基体开裂的真实缺陷样本难以大量获取的挑战，构建了TBC的高保真三维多物理场数值仿真模型。结合有限的物理实验，实现了高质量的仿真-实验双驱动数据拓扑。此外，设计了空间变换矩阵，阐明并建立了虚拟数值空间与物理实体空间之间的特征交互和转换机制，从而实现了对真实样本的扩充。

（2）针对基体开裂缺陷引起的激光超声时域和频域信号变化，设计了融入TSSAM的DC-1DCNN。TSSAM基于表面波硬阈值构建的约束矩阵设计。这使得所提出的网络能够从仿真信号到实验信号表现出强大的泛化能力。

（3）为克服传统C扫成像无法直接对基体开裂进行分类的局限性，本研究创新性地应用自适应变分模态分解（VMD）对超声数据进行预处理，随后构建DC-1DCNN进行分类。基于分类结果，实现了基体开裂损伤区域的有效识别与成像，能够对各种类型的基体开裂进行可靠区分。

方法

本研究分为四个主要部分，如图2所示。首先，我们预制了人工基体开裂缺陷。其次，阐明了从虚拟空间到物理空间的交互转换机制。随后，完成了DC-1DCNN的构建、训练和测试。最后，利用DC-1DCNN实现了激光超声信号的特征识别与成像。

实验系统与扫描路径

本研究的实验数据来源于人工制备的TBC基体开裂试件的检测结果。所构建的激光超声检测系统如图5所示，包括Gama-M100脉冲激光器、Sound & Bright激光干涉仪、2D扫描系统和数据采集卡等组件。脉冲激光器脉冲宽度为7.33 ns，可调重复频率为1-100 Hz，最大单脉冲能量为50 mJ。

TBC的3D仿真建模

建立了TBC激光超声的3D仿真模型，以模拟TBC中的基体开裂缺陷。通过该3D模型，收集了与不同尺寸基体开裂缺陷相关的表面波信号。这些仿真缺陷信号间接作为深度学习的数据集。

脉冲激光在TBC中激发的超声波及其在涂层中的传播通常是复杂的。数值仿真有效复制了物理过程。

传统激光超声C扫结果

在传统C扫成像方法中，沿扫描路径收集的数据形成3D数字矩阵。通过从特定时间窗口或时间序列数据中计算特征值（如最大值、最小值或平均值），并将这些值按照扫描路径映射到新的2D矩阵上，从而重建C扫图像。该过程如图10所示。

利用上述方法，可以生成不同时间实例的C扫图像，从而有助于缺陷的可视化。

结论

本研究针对TBC基体开裂缺陷，开发了利用深度学习模型的缺陷分类与成像算法。TBC基体开裂会引起激光超声时域和频域信号的变化。构建的DC-1DCNN模型对这些激光超声信号进行分类。训练后的模型能够对不同类型的基体开裂信号进行分类，并自动生成基体的缺陷图谱。

CRediT作者贡献声明

雷震霆：撰写——初稿，软件，方法论，数据整理。卢超：撰写——审阅与编辑，项目管理，方法论，资金获取。石文泽：撰写——审阅与编辑，项目管理，调查。付剑：指导，调查，形式分析，概念化。申敏：验证，软件。董立飞：项目管理，方法论。

利益冲突声明

作者声明，他们没有已知的可能影响本文工作的竞争性经济利益或个人关系。

致谢

国家重点研发计划（2024YFB3214300）；国防基础研究计划（JCKY2022401C005）；2024年江西省军民融合发展专项；江西省重点研发计划（20223BBE51034）；江西省重点学科学术与技术带头人培养计划（20225BCJ23023）；江西省自然科学基金（20224BAB214052）；国家自然科学基金。

雷震霆|卢超|石文泽|付剑|申敏|董立飞
北京航空航天大学机械工程学院，北京 100191，中国