基于光纤声发射监测阵列的航空复合材料健康与损伤演化机理研究

As one of the marks of aircraft manufacture, the proportion of composite in civil aircraft is increasing year by year. Limited by the tools of structure healthy monitor, the generation and evolution of damage in composite is still not clear yet. As a result, it is difficult to estimate the residual life of composite by available damage tolerance theory, which threatens the flight safety seriously. To solve this problem, this project will develop optical fiber sensing instrument for acoustic emission (AE). The acoustic emission of composite will be monitored by optical fiber sensors array, so that the signal can be detected with high sensitivity. Deep learning will be involved to analyze the AE signal due to the excellent ability of self-study and feature extraction. The noise in AE signal might be eliminated by deep learning. The AE signal will be generated in tensile test of standard composites to train the deep belief network and built the relationship between the signal type, duration, position of generation and damage type, damage area, damage level and damage evolution. The model between the residual life or damage dynamic evolution of composite and AE signal will be built to enrich the composite damage theory, making contribution to the development of civil aviation in China.

民航飞机中复合材料的使用量日益增加，逐渐成为航空制造水平高低的标志之一。然而受当前损伤监测手段制约，复合材料损伤的形成与演化机制尚未被完全掌握，难以形成有效的损伤容限理论用于评估材料剩余寿命，严重威胁飞机运行安全。因此，本项目拟研制光纤声发射监测样机，通过传感器阵列实时监测复合材料声发射信号，实现声发射信号的高灵敏度、无损探测，利用深度学习算法的自我学习和特征识别提取能力，分析声发射信号。监测复合材料标准试样力学拉伸试验过程中获得的海量声发射数据，训练优化深度信念网络加以分析。这种方法有望克服目前声发射信号易受噪声干扰，难以深度有效提取分析等缺点，确定声发射信号类型、持续时间、产生位置等与材料损伤类型、损伤区域、损伤程度及损伤发展间的对应关系，建立声发射信号与材料剩余强度和损伤缺陷动态演化规律间的物理模型，进一步丰富航空复合材料损伤容限理论，为我国民航事业贡献力量。

碳纤维树酯基复合材料在飞机制造过程中的使用比例，已成为航空制造水平高低的标志之一。然而复合材料的损伤极为复杂，当损伤达到一定程度时，材料的剩余强度可能会呈现断崖式下降，导致突然发生断裂事故，严重威胁飞机运行安全。为此，本项目采用光纤光栅做传感器，研制了用于声发射监测的光纤光栅传感样机。此仪器具有体积小、重量轻、耐腐蚀、抗电磁干扰、易于嵌入机身等特点。本项目提出了基于反馈电压阈值的光谱跟踪技术，并应用于样机。同时搭建标准声发射信号产生系统，验证了该仪器可实现高灵敏度长期稳定工作，监测频率覆盖50Hz-2MHz范围，应变灵敏度达0.63nε/Hz1/2。制作大量复合材料标准试样，并对其进行力学拉伸试验。使用被稳定后的高灵敏度光纤光栅传感器监听CFRP断裂过程，采集了海量声发射信号，记录CFRP损伤形成、发展直至断裂全过程中的声发射信号，用于训练神经网络。基于一维卷积神经网络和长-短期记忆神经网络，搭建了一种用于判别材料损伤破坏区域的神经网络模型框架。为了扩展声发射信号训练集容量，基于DCGAN模型，提出了一种针对小样本的声发射光纤光栅传感信号的一维时间序列的数据增强方法，利用一阶差分绝对和等六种特征参量分析了生成的新数据的多样性，并对新数据的有效性进行了评估。评估结果表明原始的声发射信号与新生成的数据之间的特征分布，在0.05水平上没有显著性差异，即该方法可以生成和原始声发射数据一样有效的新声发射信号。引入基于迁移学习的小样本训练模型，利用预训练模型在其基础上进行微调。采用所搭建的深度学习神经网络模型，分析CFRP中声发射信号的振动模式、频率分布、爆发强度等特征，与材料损伤类型、损伤区域、损伤程度及损伤发展间的对应关系。经过训练与优化后，该模型对损伤位置的正确识别率为94.3%，并能实时预报CFRP样品的断裂进程。此项研究成果进一步丰富了航空复合材料损伤理论，为我国民航事业发展做出贡献。