CN104764804A - 超声Lamb波局部循环扫描概率重构层析成像方法 - Google Patents

Abstract

超声Lamb波局部循环扫描概率重构层析成像方法，先规划检测区域，并在检测部件上布置传感器阵列，选取Lamb波模态并设计激励信号，然后分别采集各个传感器对的参考信号与损伤信号，对检测区域进行划分得到若干扇区，并以相邻的几个扇区作为检测子区域，每次完成子区域检测后，将子区域顺时针旋转一个扇区作为下次循环检测子区域，再进行数据选取预处理，依据传感器对间距离及所选Lamb模态速度计算有效数据长度，然后局部循环概率重构层析成像计算，最后进行数据融合及图像拼接，本发明抗干扰能力强、精度高，可以有效的消除多故障等干扰对方法的影响，提高多故障损伤的检测分辨率。

Description

超声Lamb波局部循环扫描概率重构层析成像方法

技术领域

本发明属于机械结构健康监测领域，涉及超声Lamb波局部循环扫描概率重构层析成像方法。

背景技术

Lamb波是超声导波的一种，具有检测效率高、衰减弱、对结构中损伤敏感等特点，被视为最有潜力的板壳类结构损伤检测方法。实施过程中一般采用传感器阵列来获取Lamb波在结构中的传播信号，通过提取对故障敏感的特征参数，实现损伤的检测与评估。概率重构层析成像技术是一种有效检测结构损伤的手段。该方法采用正常状态下的参考信号与实时信号间的信号差异作为表征损伤的特征参数，无需考虑结构的复杂几何特性及材料特性，可适用于航空、航天、能源、舰船等领域中的大型板壳类结构损伤检测。

概率重构层析成像方法采用信号差异系数(SDC,signaldifference coefficient)作为损伤的特征参数，忽略环境因素及测量条件的影响，则传感器接收信号的变化完全由故障的引入引起的。概率重构层析成像方法的基本原理是求得结构中各个像素点的损伤存在概率值得大小，不仅需要计算传感器对的信号差异系数，还需要考虑像素点的位置信息。在检测范围内，像素点距离传感器对直达路径越近，其损伤存在概率越接近信号差异系数。

上述方法存在以下缺陷：(1)难以排除检测区域外部干扰及电磁干扰的影响，易造成误判与漏判；(2)当检测区域出现多个故障，尤其是故障距离传感器较近时，故障会对多对传感器信号产生较大影响，容易在检测结果中产生伪故障，影响故障检测结果；(3)检测分辨率低，难以在工程实践中使用。

发明内容

为了克服上述现有技术的缺点，本发明的目的在于提供超声Lamb波局部循环扫描概率重构层析成像方法，消除了多故障对传感器信号干扰。

为了达到上述目的，本发明采取的技术方案为：

超声Lamb波局部循环扫描概率重构层析成像方法，包括以下步骤：

1)传感器安装：规划检测区域，建立坐标系，划分网格作为检测像素点坐标(x,y)，在待检测部件上布置时钟形传感器阵列，并记录传感器位置坐标(x_k,y_k)；

2)选择Lamb波模态，并设计激励信号：根据损伤出现类型，选择对损伤敏感的模态，依据所设计激励信号的中心频率，带宽的信息，计算所选用Lamb波模态的最大速度和最小速度；

3)参考信号获取：在结构无损状态下，先以圆心传感器作为激励，圆周传感器作为接收端；再以圆周上的传感器依次作为激励，其余传感器作为接收端，记录此时所有接收端传感器获得的信号作为参考信号；

4)损伤信号获取：在检测区域出现损伤后，与参考信号的获取相同，先以圆心传感器作为激励，圆周传感器作为接收端；再以圆周上的传感器依次作为激励，其余传感器作为接收端，记录此时所有接收端传感器获得的信号作为损伤信号；

5)子区域划分：整个检测区域被过传感器阵列中心的传感器路径均匀分成N(≥3)个扇区，按顺时钟方向对各个扇区进行编号，依次为1到N，为了不丢失检测信息，一次检测的子区域至少包含相邻的3个扇区，每次进行概率重构计算的子区域按顺时钟依次转动一个扇区，因此，在一次检测循环内，每个扇区故障存在概率将被计算的次数与每个子区域所包含的扇区数一致；

6)数据长度选择：计算检测子区域中用于激励与接收传感器路径间直线距离，i为激励传感器编号，j为接收传感器编号，计算每对传感器信号用于概率重构方法的数据起始时间点，选择概率重构方法中控制每对传感器检测范围的尺度参数β值大小，计算有效检测范围内的Lamb波传播最大距离D_ij＝β×d_ij，考虑激励信号的时长,计算用于概率重构层析成像方法的数据终止时间点，最后得到用于概率重构层析成像计算的数据长度L_ij＝(t₂-t₁)×f_s；

7)局部循环扫描检测区域：根据步骤6)得到的用于概率重构方法计算的数据选择策略，顺时钟依次计算步骤4)所划分子检测区域的损伤存在概率，得到所有子区域的损伤存在概率分布；

8)数据融合：将子区域检测结果融合到每个扇区，通过几何均值计算，得到各个独立扇区的损伤出现概率值，几何均值计算公式为：

${\mathrm{mean}}_{\mathrm{geo}}=\sqrt[n]{a_1\·a_2\·\·\·a_n}---\left(1\right)$

其中，n为每个扇区被计算的次数，a_i为同一像素点位置第i次计算得到的概率值；

9)图像拼接:对扇区计算结果进行拼接，得到整个检测区域的损伤存在概率分布，由于扇区所在坐标系与检测区域整体坐标系一致，选择步骤8)中每个扇区得到像素点的每个最大值作为各个位置损伤出现的概率值，概率值越大位置，故障出现的可能性越大；

10)损伤结果重构显示:

所述的传感器选择压电陶瓷传感器(PZT)，既能够作为激励传感器，也能够作为接收传感器，圆心位置传感器仅作为激励传感器，圆周上均匀布置的N个传感器作为激励/接收传感器，时钟传感器阵列的直径由检测区域大小决定。

所述的步骤2)中选择S0模态作为分析模态，激励信号选择toneburst信号，激励信号的中心频率依据故障类型选择。

所述的步骤3)中，激励过程利用压电陶瓷的逆压电效应，将电信号转换成振动信号，在结构中激发出Lamb波；接收过程利用压电陶瓷的正压电效应，将振动信号转换成电信号，经过采集后变成数字信号并存储到计算机中。

所述的步骤6)中，传感器间的距离

$d_{\mathrm{ij}}=\sqrt{(x_i^2-x_j^2)+(y_i^2-y_j^2)}---\left(2\right)$

其中：(x_i,y_i)为激励传感器坐标，(x_j,y_j)为接收传感器坐标。

所述的步骤7)中，位置(x,y)处损伤存在概率计算公式为：

$P(x,y)=\underset{i=1}{\overset{N-1}{\mathrm{\Σ}}}\underset{j=i+1}{\overset{N}{\mathrm{\Σ}}}{P}_{\mathrm{ij}}(x,y)=\underset{i=1}{\overset{N-1}{\mathrm{\Σ}}}\underset{j=i+1}{\overset{N}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}\left(x,y\right)A_{\mathrm{ij}}---\left(3\right)$

其中，P_ij(x,y)为检测位置(x,y)的空间分布函数，由公式(3)计算,A_ij为损伤信号与参考信号间的信号差异系数，计算公式如公式(6)所示，

$w_{\mathrm{ij}}(x,y)=\left\{\begin{array}{cc}1+\frac{1}{\mathrm{\&beta;}-1}[1-R_{\mathrm{ij}}(x,y)]& R_{\mathrm{ij}}(x,y)<\mathrm{\&beta;}\\ 0& R_{\mathrm{ij}}(x,y)\&GreaterEqual;\mathrm{\&beta;}\end{array}\right.---\left(4\right)$

其中，β为尺度参数，表征检测区域大小，R_ij(x,y)计算公式如公式(5)，

$R_{\mathrm{ij}}(x,y)=\frac{\sqrt{{(x_i-x)}^2+{(y_i-y)}^2}+\sqrt{{(x_j-x)}^2+{(y_j-y)}^2}}{\sqrt{{(x_i-x_j)}^2+{(y_i-y_j)}^2}}---\left(5\right)$

信号差异系数A_ij计算公式如公式(6)所示，

$\mathrm{SDC}=1-\frac{\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}(X_k-{\mathrm{\&mu;}}_X)(Y_k-{\mathrm{\&mu;}}_Y)}{\sqrt{\underset{K=1}{\overset{K}{\mathrm{\&Sigma;}}}{(X_k-{\mathrm{\&mu;}}_X)}^2}\sqrt{\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{(Y_k-{\mathrm{\&mu;}}_Y)}^2}}---\left(6\right)$

其中X_k，Y_k分别表示参考信号及损伤信号，μ表示均值，K表示数据长度。

与现有的技术相比，本发明具有以下优势：

本发明涉及的局部循环扫描概率重构层析成像技术，为结构中存在的多故障提供了一种有效的检测手段。概率重构方法通过数据截断，控制计算的数据范围，有效的消除了检测区域外部干扰源以及电磁干扰等对方法的影响，提高了方法的准确性与稳定性。

本发明通过特定的时钟型传感器阵列，将检测区域划分成若干子区域。检测区域圆周上的传感器数目越多，扇区的划分越多，检测的精度越高。通过局部循环扫描，对子检测区域进行概率重构计算，消除了多故障对传感器信号干扰。

本发明无需预估损伤数目及位置，避免了损伤因靠近某一传感器导致多条传感器路径上产生较大信号差异系数，造成损伤的漏报与误报。循环扇区扫描过程是对检测区域的所有位置进行多次损伤计算，计算次数与每次扫描的扇区数相等。对结果进行数据融合，取多次计算结果的几何均值作为计算结果，起到了消噪作用，提高了损伤检测的精度与稳定性。

本发明提供的局部循环概率重构层析成像方法对多故障的检测具有检测精度高、稳定性好、抗干扰能力强等优点，可以准确估计损伤存在位置及数目等信息，为大型板壳类结构的损伤检测提供有效的手段。

附图说明

图1为本发明方法流程图。

图2为实施例传感器布局示意图。

图3为实施例传感器路径示意图。

图4为本实施例两种损伤案例实物图，其中图4(a)为第一种损伤案例图，图4(b)为第二种损伤案例图。

图5为实施例子区域划分示意图，其中第一个子区域包含①到④扇区，第二个子区域包含②到⑤扇区。

图6为实施例局部循环扫描子区域结果，其中图6(a)至图6(h)依次为检测子区域1到检测子区域8的损伤概率计算结果。

图7为实施例数据融合后各扇区损伤存在概率分布图，其中，图7(a)至图7(h)依次为检测区域所划分的8个扇区的损伤损伤存在概率结果。

图8为实施例采用本发明与传统方法的两种损伤案例检测结果，其中图8(a)和图8(c)分别表示两种损伤案例基于本发明方法的检测结果，图8(b)及图8(d)分别为两种损伤案例基于RAPID方法下的计算结果。

具体实施方式

下面结合附图对本发明做详细描述。

参照图1，超声Lamb波局部循环扫描概率重构层析成像方法，包括以下步骤：

1)传感器安装：规划检测区域，建立坐标系，划分网格作为检测像素点坐标(x,y)，在待检测部件上布置时钟形传感器阵列，并记录传感器位置坐标(x_k,y_k)；

2)选择Lamb波模态，并设计激励信号：根据损伤出现类型，选择对损伤敏感的模态，依据所设计激励信号的中心频率，带宽的信息，计算所选用Lamb波模态的最大速度和最小速度；

3)参考信号获取：在结构无损状态下，先以圆心传感器作为激励，圆周传感器作为接收端；再以圆周上的传感器依次作为激励，其余传感器作为接收端，记录此时所有接收端传感器获得的信号作为参考信号；

4)损伤信号获取：在检测区域出现损伤后，与参考信号的获取相同，先以圆心传感器作为激励，圆周传感器作为接收端；再以圆周上的传感器依次作为激励，其余传感器作为接收端，记录此时所有接收端传感器获得的信号作为损伤信号；

5)子区域划分：整个检测区域被过传感器阵列中心的传感器路径均匀分成N(≥3)个扇区，按顺时钟方向对各个扇区进行编号，依次为1到N，为了不丢失检测信息，一次检测的子区域至少包含相邻的3个扇区(一般取4个扇区)，每次进行概率重构计算的子区域按顺时钟依次转动一个扇区，因此，在一次检测循环内，每个扇区故障存在概率将被计算的次数与每个子区域所包含的扇区数一致；

6)数据长度选择：计算检测子区域中用于激励与接收传感器路径间直线距离，i为激励传感器编号，j为接收传感器编号，计算每对传感器信号用于概率重构方法的数据起始时间点，选择概率重构方法中控制每对传感器检测范围的尺度参数β值大小，计算有效检测范围内的Lamb波传播最大距离D_ij＝β×d_ij，考虑激励信号的时长,计算用于概率重构层析成像方法的数据终止时间点，最后得到用于概率重构层析成像计算的数据长度L_ij＝(t₂-t₁)×f_s；

7)局部循环扫描检测区域：根据步骤6)得到的用于概率重构方法计算的数据选择策略，顺时钟依次计算步骤4)所划分子检测区域的损伤存在概率，得到所有子区域的损伤存在概率分布；

8)数据融合：步骤7)中循环扫描子区域，每个扇区将被多次计算，将子区域检测结果融合到每个扇区，通过几何均值计算，得到各个独立扇区的损伤出现概率值，有效的消除了噪声，提高了故障检测精度。几何均值计算公式为：

${\mathrm{mean}}_{\mathrm{geo}}=\sqrt[n]{a_1\&CenterDot;a_2\&CenterDot;\&CenterDot;\&CenterDot;a_n}---\left(1\right)$

其中，n为每个扇区被计算的次数，a_i为同一像素点位置第i次计算得到的概率值；

9)图像拼接:对扇区计算结果进行拼接，得到整个检测区域的损伤存在概率分布，由于扇区所在坐标系与检测区域整体坐标系一致，选择步骤8中每个扇区得到像素点的每个最大值作为各个位置损伤出现的概率值，概率值越大位置，故障出现的可能性越大；

10)损伤结果重构显示。

所述的传感器选择压电陶瓷传感器(PZT)，既能够作为激励传感器，也能够作为接收传感器，圆心位置传感器仅作为激励传感器，圆周上均匀布置的N个传感器作为激励/接收传感器，时钟传感器阵列的直径由检测区域大小决定。

所述的步骤2)中，由于低频S0模态的频散现象较弱，且速度要快于A0模态，利于信号分析，故选择S0模态作为分析模态，激励信号选择toneburst信号，能够有效减少带宽，抑制频散现象，激励信号的中心频率依据故障类型选择。

所述的步骤3)中，激励过程利用压电陶瓷的逆压电效应，将电信号转换成振动信号，在结构中激发出Lamb波；接收过程利用压电陶瓷的正压电效应，将振动信号转换成电信号，经过采集后变成数字信号并存储到计算机中。

所述的步骤6)中，传感器间的距离

$d_{\mathrm{ij}}=\sqrt{(x_i^2-x_j^2)+(y_i^2-y_j^2)}---\left(2\right)$

其中：(x_i,y_i)为激励传感器坐标，(x_j,y_j)为接收传感器坐标。

所述的步骤7)中，位置(x,y)处损伤存在概率计算公式为：

$P(x,y)=\underset{i=1}{\overset{N-1}{\mathrm{\&Sigma;}}}\underset{j=i+1}{\overset{N}{\mathrm{\&Sigma;}}}{P}_{\mathrm{ij}}(x,y)=\underset{i=1}{\overset{N-1}{\mathrm{\&Sigma;}}}\underset{j=i+1}{\overset{N}{\mathrm{\&Sigma;}}}{w}_{\mathrm{ij}}\left(x,y\right)A_{\mathrm{ij}}---\left(3\right)$

其中，P_ij(x,y)为检测位置(x,y)的空间分布函数，由公式(3)计算,A_ij为损伤信号与参考信号间的信号差异系数，计算公式如公式(6)所示，

$w_{\mathrm{ij}}(x,y)=\left\{\begin{array}{cc}1+\frac{1}{\mathrm{\&beta;}-1}[1-R_{\mathrm{ij}}(x,y)]& R_{\mathrm{ij}}(x,y)<\mathrm{\&beta;}\\ 0& R_{\mathrm{ij}}(x,y)\&GreaterEqual;\mathrm{\&beta;}\end{array}\right.---\left(4\right)$

其中，β为尺度参数，表征检测区域大小，R_ij(x,y)计算公式如公式(5)，

$R_{\mathrm{ij}}(x,y)=\frac{\sqrt{{(x_i-x)}^2+{(y_i-y)}^2}+\sqrt{{(x_j-x)}^2+{(y_j-y)}^2}}{\sqrt{{(x_i-x_j)}^2+{(y_i-y_j)}^2}}---\left(5\right)$

信号差异系数A_ij计算公式如公式(6)所示，

$\mathrm{SDC}=1-\frac{\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}(X_k-{\mathrm{\&mu;}}_X)(Y_k-{\mathrm{\&mu;}}_Y)}{\sqrt{\underset{K=1}{\overset{K}{\mathrm{\&Sigma;}}}{(X_k-{\mathrm{\&mu;}}_X)}^2}\sqrt{\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{(Y_k-{\mathrm{\&mu;}}_Y)}^2}}---\left(6\right)$

其中X_k，Y_k分别表示参考信号及损伤信号，μ表示均值，K表示数据长度。

下面结合实施例对本发明做进一步描述。

实施例实验台组成：任意波形发生器(Agilent 33220A)、NI数采(NI PXIe-1082)、信号放大器(Piezo Systems EPA-104)、信号调理器(AVANT NI-2000)及实验铝板(500×500×2mm³)等。

超声Lamb波局部循环扫描概率重构层析成像方法，包括以下步骤：

1)传感器安装：规划检测区域，建立坐标系，划分网格作为检测像素点坐标(x,y)，压电陶瓷传感器(PZT)按时钟形布置在检测部件上，如图2所示，圆心位置布置1个传感器，圆周位置等距布置8个传感器，圆心传感器仅作激励，圆周上的传感器依次作为激励和接收端，并记录传感器位置坐标(x_k,y_k)；

2)选择Lamb波模态，并设计激励信号：根据损伤出现类型，选择S0模态用于分析(低频下速度快，频散弱)，计算其频带范围内的最大速度V_max和最小速度V_min，选择中心频率为150kHz的5周期汉宁窗调制正弦信号作为激励信号，在参数k取3的条件下，2mm厚的铝板上的S0模态速度范围为[5379,5429]ms^-1；

3)参考信号获取：以检测部件初始状态作为参考，采集此时信号作为参考信号，以中心传感器(PZT A0)作为激励，圆周上的传感器(P1-P8)作为接收端；再以圆周上的传感器依次为激励，圆周上其余传感器作为接收端，共有32条有效传感器路径，如图3所示，采集并存储所有传感器路径上的信号作为参考信号；

4)损伤信号获取：实验室条件下，在铝板的检测区域中钻孔模拟损伤，如图4所示，为了更好说明此方法的适用性，取两种不同的故障位置作为示例，如图4所示，与参考信号的获取相同，采集共计32条路径上的接收信号；

5)子区域划分：以过传感器阵列圆心的传感器路径将整个检测区域均匀分成8个扇区，按顺时钟方向对各个扇区进行编号，依次为①到⑧，每次进行概率重构计算的子区域按顺时钟依次转动一个扇区，例如第一个检测子区域包含扇区①到④，下一个检测子区域将为扇区②到⑤，如图5所示，因此，在一次检测循环内，每个扇区故障存在概率将被计算的4次；

6)数据长度选择：计算检测子区域中用于激励与接收传感器路径间直线距离，i为激励传感器编号，j为接收传感器编号，计算每对传感器信号用于概率重构方法的数据起始时间点，选择概率重构方法中控制每对传感器检测范围的尺度参数β值大小，本实施例中取β＝1.1，计算有效检测范围内的Lamb波传播最大距离D_ij＝β×d_ij，考虑激励信号的时长,计算用于概率重构层析成像方法的数据终止时间点，最后得到用于概率重构层析成像计算的数据长度L_ij＝(t₂-t₁)×f_s；

7)局部循环扫描检测区域：根据步骤6)得到的用于概率重构方法计算的数据选择策略，顺时钟依次计算步骤4)所划分子检测区域的损伤存在概率，得到所有子区域的损伤存在概率分布,如图6(a)到图6(h)所示，依次为第一种故障类型的8个子区域检测结果；

数据截断可以有效的排除电磁干扰及检测区域外干扰源的作用，并限定检测范围，提高检测的分辨率及稳定性，根据公式(3)，计算坐标点(x,y)处的损伤存在概率，

$P(x,y)=\underset{i=1}{\overset{N-1}{\mathrm{\&Sigma;}}}\underset{j=i+1}{\overset{N}{\mathrm{\&Sigma;}}}{P}_{\mathrm{ij}}(x,y)=\underset{i=1}{\overset{N-1}{\mathrm{\&Sigma;}}}\underset{j=i+1}{\overset{N}{\mathrm{\&Sigma;}}}{w}_{\mathrm{ij}}\left(x,y\right)A_{\mathrm{ij}}---\left(3\right)$

其中，P_ij(x,y)为检测位置(x,y)的空间分布函数，由公式(4)计算,A_ij为损伤信号与参考信号间的信号差异系数(SDC)，计算公式如公式(6)所示，

$w_{\mathrm{ij}}(x,y)=\left\{\begin{array}{cc}1+\frac{1}{\mathrm{\&beta;}-1}[1-R_{\mathrm{ij}}(x,y)]& \mathrm{when}{R}_{\mathrm{ij}}(x,y)<\mathrm{\&beta;}\\ 0& \mathrm{when}{R}_{\mathrm{ij}}(x,y)\&GreaterEqual;\mathrm{\&beta;}\end{array}\right.---\left(4\right)$

其中，β为尺度参数，表征检测区域大小。R_ij(x,y)计算公式如公式(5)。

$R_{\mathrm{ij}}(x,y)=\frac{\sqrt{{(x_i-x)}^2+{(y_i-y)}^2}+\sqrt{{(x_j-x)}^2+{(y_j-y)}^2}}{\sqrt{{(x_i-x_j)}^2+{(y_i-y_j)}^2}}---\left(5\right)$

信号差异系数A_ij计算公式如公式(5)所示。

$\mathrm{SDC}=1-\frac{\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}(X_k-{\mathrm{\&mu;}}_X)(Y_k-{\mathrm{\&mu;}}_Y)}{\sqrt{\underset{K=1}{\overset{K}{\mathrm{\&Sigma;}}}{(X_k-{\mathrm{\&mu;}}_X)}^2}\sqrt{\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{(Y_k-{\mathrm{\&mu;}}_Y)}^2}}---\left(6\right)$

其中X_k，Y_k分别表示参考信号及损伤信号，μ表示均值，K表示数据长度。

8)数据融合：将子区域检测结果融合到每个扇区，通过几何均值计算，得到各个独立扇区的损伤出现概率值，几何均值计算公式为：

${\mathrm{mean}}_{\mathrm{geo}}=\sqrt[n]{a_1\&CenterDot;a_2\&CenterDot;\&CenterDot;\&CenterDot;a_n}---\left(1\right)$

其中，n为每个扇区被计算的次数，a_i为同一像素点位置第i次计算得到的概率值；以第一种损伤案例为例，如图7所示，图7(a)到图7(h)依次为是8个扇区的损伤存在概率；

9)图像拼接:考虑扇区所在的坐标系与检测区域整体坐标系一致，在步骤8)获得的结果中选择每个像素点的最大值作为该位置损伤出现的概率值，拼接出整个检测区域的损伤存在概率分布图。

10)损伤结果重构显示，图8及表1为两种损伤的检测结果。由检测结果图8及表1可以看出，本发明提出的超声Lamb波局部循环扫描概率重构层析成像方法可以有效的检测结构中的多个损伤。由表1知，两种损伤案例的检测精度都很高，最大误差仅为25mm，最小不足5.7mm，相比于检测区域，误差可以忽略不计。图8(a)和图8(c)分别表示两种损伤案例基于本发明方法的检测结果，由图可以看出，两种损伤案例的检测结果都很清晰、准确，相比于以往的RAPID方法，如图8(b)及图8(d)，本发明有效的消除了多损伤对信号的相互干扰，提高了检测分辨率及稳定性。

表1.两种损伤案例检测结果

Claims (6)

1.超声Lamb波局部循环扫描概率重构层析成像方法，其特征在于，包括以下步骤：

1)传感器安装：规划检测区域，建立坐标系，划分网格作为检测像素点坐标(x,y)，在待检测部件上布置时钟形传感器阵列，并记录传感器位置坐标(x_k,y_k)；

2)选择Lamb波模态，并设计激励信号：根据损伤出现类型，选择对损伤敏感的模态，依据所设计激励信号的中心频率，带宽的信息，计算所选用Lamb波模态的最大速度和最小速度；

3)参考信号获取：在结构无损状态下，先以圆心传感器作为激励，圆周传感器作为接收端；再以圆周上的传感器依次作为激励，其余传感器作为接收端，记录此时所有接收端传感器获得的信号作为参考信号；

4)损伤信号获取：在检测区域出现损伤后，与参考信号的获取相同，先以圆心传感器作为激励，圆周传感器作为接收端；再以圆周上的传感器依次作为激励，其余传感器作为接收端，记录此时所有接收端传感器获得的信号作为损伤信号；

5)子区域划分：整个检测区域被过传感器阵列中心的传感器路径均匀分成N(≥3)个扇区，按顺时钟方向对各个扇区进行编号，依次为1到N，为了不丢失检测信息，一次检测的子区域至少包含相邻的3个扇区，每次进行概率重构计算的子区域按顺时钟依次转动一个扇区，因此，在一次检测循环内，每个扇区故障存在概率将被计算的次数与每个子区域所包含的扇区数一致；

6)数据长度选择：计算检测子区域中用于激励与接收传感器路径间直线距离，i为激励传感器编号，j为接收传感器编号，计算每对传感器信号用于概率重构方法的数据起始时间点，选择概率重构方法中控制每对传感器检测范围的尺度参数β值大小，计算有效检测范围内的Lamb波传播最大距离D_ij＝β×d_ij，考虑激励信号的时长,计算用于概率重构层析成像方法的数据终止时间点，最后得到用于概率重构层析成像计算的数据长度L_ij＝(t₂-t₁)×f_s；

7)局部循环扫描检测区域：根据步骤6)得到的用于概率重构方法计算的数据选择策略，顺时钟依次计算步骤4)所划分子检测区域的损伤存在概率，得到所有子区域的损伤存在概率分布；

8)数据融合：将子区域检测结果融合到每个扇区，通过几何均值计算，得到各个独立扇区的损伤出现概率值，几何均值计算公式为：

${\mathrm{mean}}_{\mathrm{geo}}=\sqrt[n]{a_1\&CenterDot;a_2\&CenterDot;\&CenterDot;\&CenterDot;a_n}---\left(1\right)$

其中，n为每个扇区被计算的次数，a_i为同一像素点位置第i次计算得到的概率值；

9)图像拼接:对扇区计算结果进行拼接，得到整个检测区域的损伤存在概率分布，由于扇区所在坐标系与检测区域整体坐标系一致，选择步骤8)中每个扇区得到像素点的每个最大值作为各个位置损伤出现的概率值，概率值越大位置，故障出现的可能性越大；

10)损伤结果重构显示。

2.根据权利要求1所述的超声Lamb波局部循环扫描概率重构层析成像方法，其特征在于：所述的传感器选择压电陶瓷传感器(PZT)，既能够作为激励传感器，也能够作为接收传感器，圆心位置传感器仅作为激励传感器，圆周上均匀布置的N个传感器作为激励/接收传感器，时钟传感器阵列的直径由检测区域大小决定。

3.根据权利要求1所述的超声Lamb波局部循环扫描概率重构层析成像方法，其特征在于：所述的步骤2)中选择S0模态作为分析模态，激励信号选择toneburst信号，激励信号的中心频率依据故障类型选择。

4.根据权利要求1所述的超声Lamb波局部循环扫描概率重构层析成像方法，其特征在于：所述的步骤3)中，激励过程利用压电陶瓷的逆压电效应，将电信号转换成振动信号，在结构中激发出Lamb波；接收过程利用压电陶瓷的正压电效应，将振动信号转换成电信号，经过采集后变成数字信号并存储到计算机中。

5.根据权利要求1所述的超声Lamb波局部循环扫描概率重构层析成像方法，其特征在于：所述的步骤6)中，传感器间的距离

$d_{\mathrm{ij}}=\sqrt{(x_i^2-x_j^2)+(y_i^2-y_j^2)}---\left(2\right)$

其中：(x_i,y_i)为激励传感器坐标，(x_j,y_j)为接收传感器坐标。

6.根据权利要求1所述的超声Lamb波局部循环扫描概率重构层析成像方法，其特征在于：所述的步骤7)中，位置(x,y)处损伤存在概率计算公式为：

$P(x,y)=\underset{i=1}{\overset{N-1}{\mathrm{\&Sigma;}}}\underset{j=i+1}{\overset{N}{\mathrm{\&Sigma;}}}{P}_{\mathrm{ij}}(x,y)\underset{i=1}{\overset{N-1}{\mathrm{\&Sigma;}}}\underset{j=i+1}{\overset{N}{\mathrm{\&Sigma;}}}{w}_{\mathrm{ij}}(x,y)A_{\mathrm{ij}}---\left(3\right)$

其中，P_ij(x,y)为检测位置(x,y)的空间分布函数，由公式(3)计算,A_ij为损伤信号与参考信号间的信号差异系数，计算公式如公式(6)所示，

$w_{\mathrm{ij}}(x,y)=\left\{\begin{array}{cc}1+\frac{1}{\mathrm{\&beta;}-1}[1-R_{\mathrm{ij}}(x,y)]& R_{\mathrm{ij}}(x,y)<\mathrm{\&beta;}\\ 0& R_{\mathrm{ij}}(x,y)\&GreaterEqual;\mathrm{\&beta;}\end{array}\right.---\left(4\right)$

其中，β为尺度参数，表征检测区域大小，R_ij(x,y)计算公式如公式(5)，

$R_{\mathrm{ij}}(x,y)=\frac{\sqrt{{(x_i-x)}^2+{(y_i-y)}^2}+\sqrt{{(x_j-x)}^2+{(y_j-y)}^2}}{\sqrt{{(x_i-x_j)}^2+{(y_i-y_j)}^2}}---\left(5\right)$

信号差异系数A_ij计算公式如公式(6)所示，

$\mathrm{SDC}=1-\frac{\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}(X_k-{\mathrm{\&mu;}}_X)(Y_k-{\mathrm{\&mu;}}_Y)}{\sqrt{\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{(X_k-{\mathrm{\&mu;}}_X)}^2}\sqrt{\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{(Y_k-{\mathrm{\&mu;}}_Y)}^2}}---\left(6\right)$

其中X_k，Y_k分别表示参考信号及损伤信号，μ表示均值，K表示数据长度。