Infrared Thermography Detection for Bonding Quality of Soft Foam Sandwich Composite Structures
-
摘要:
针对软质泡沫复合材料结构胶接质量无损检测需求，开展激励模式研究，确定了脉冲红外热像模式，并采用一阶导数处理方法形成了特征图像，提高了图像信噪比和缺陷的分辨率，通过构建的神经网络识别软件能够有效识别试件内的脱粘缺陷。研究结果实现缺陷智能检测评判，降低人为评判误检漏检风险，提高检测效率，满足航天器软质泡沫复合材料结构研制快速检测需求。
Abstract:Because of the demand for nondestructive testing of the bonding quality of soft foam composite structures, excitation mode research was conducted, and the pulsed infrared thermal image mode was determined suitable. A first-derivative processing method was used to form a featured image, which improved the image signal-to-noise ratio and defect resolution. Debonding defects in the specimens were effectively identified using the constructed neural network recognition software. The results revealed that the risk of false and missing detections in manual evaluation can be reduced by intelligent detection, and that the detection efficiency can be improved. The above research meets the requirements for the rapid detection of soft foam composite structures in spacecrafts.
-
Keywords:
- polyimide foam /
- thermal image /
- intelligent recognition
-
0. 引言
聚酰亚胺（POLYIMIDE，PI）泡沫与碳纤维复合材料蒙皮与铝蜂窝结构板相结合的软质泡沫复合材料结构的应用（如体装式太阳翼基板）是解决结构支撑、隔热、变形缓冲的最佳技术途径，是实现“超静”、“超稳”、“超精”卫星内部探测仪器、载荷实现精密测量能力的关键条件。这种软质泡沫复合材料结构属于新型结构，结构形式如图 1所示，其胶接质量是软质泡沫复合材料结构能否有效发挥支撑、隔热、变形缓冲作用的基本条件[1-3]，是影响航天器的承载能力、尺寸稳定性以及设备稳定运行的关键环节。
![]()
图 1 软质泡沫复合材料结构模型Figure 1. Structural model of polyimide foam sandwichNote: ①polyimide film ②carbon fiber board③adhesive ④polyimide foam⑤adhesive film⑥aluminum honeycomb聚酰亚胺软泡沫层具有刚性低、消声强的特点[4-7]，且具有一定的位移缓冲性[8]，因此常规的音频、激光全息、散斑、超声波等检测方法不适用用软质泡沫复合材料结构。红外热像检测对软质泡沫复合材料结构胶接缺陷具有适用性，但泡沫层热传导速度慢、热堆积效应显著、聚酰亚胺泡沫材料导热系数（约0.02 W/m·K）和空气的导热系数（0.031 W/m·K）相差较小，缺陷区域与正常区域热辐射差别小。由于存在激励不均、红外热像仪反射干扰大、局部激励能量不足等问题，尺寸较小以及埋深较大的缺陷有效信息很大程度上就湮没于噪声信号之中，采集得到的热像图对比度低、背景噪声高[9-10]。
本文针对软质泡沫复合材料结构胶接质量无损检测需求，开展红外热像智能检测技术研究，提高红外热像检测灵敏度，满足新型结构产品层间胶接质量检测需求；实现缺陷智能检测评判，降低人为评判误检漏检风险，提高检测效率，满足软质泡沫复合材料结构研制快速检测响应需求。
1. 实验介绍
1.1 实验系统
实验采用的红外热像检测系统组成如图 2所示，由计算机、红外热像仪、热激励源、支撑三脚架、控制系统构成。红外热像仪为FLIR公司生产的X6530SC红外热像仪，其采用制冷型碲镉汞红外焦平面阵列探测器，工作波段为1.5~5.1 μm，室温下的噪声等效温差不大于25 mK，图像的空间分辨力为640×512像素；热激励源为调制卤素灯，其满额功率为2000 W，全分辨率最高帧速145 Hz。红外热像数据处理软件用于图像采集和数据处理，能够对脉冲热像图和锁相热像图进行微分、拟合系数、傅里叶相位、锁相相位和锁相幅值等数据处理。红外热像仪和热激励源采用三脚架支撑固定。
1.2 检测原理
本文采用锁相红外检测方法对软质泡沫复合材料结构胶接质量进行检测，原理如图 3所示。锁相红外方法对试件进行检测时，通过对其施加正弦变化的热激励，当试件内部有缺陷存在时，热流在多层结构的层间进行传递时会在构件表面引起同为正弦规律变化的温度变化，但其幅值和相位会与热激励存在差异，即幅值和相位信息携带有缺陷信息。通过红外热像仪的捕捉和成像可以得到温度变化映射的像素值变化，采用锁相相关算法对每一个像素点进行计算即可得到对应的幅值图和相位图，幅值图和相位图称为特征图像。
![]()
图 3 蜂窝夹层结构缺陷锁相红外无损检测示意图Figure 3. Schematic diagram of lock-in thermography non-destructive testing for defects in honeycomb sandwich structures2. 实验研究
红外热像无损检测技术的核心是针对聚酰亚胺泡沫夹层结构采取不同形式的热激励方法主动激励物体表面。根据物体表面的红外辐射差异来探测物体内部缺陷，如何选择适当的激励模式，并根据激励模式的检测噪声选择特征图像提取方法依然是缺陷有效检测的关键问题。
2.1 激励模式的选择
红外无损检测可以根据热激励源的不同，分为主动式和被动式两种。其中，主动式红外无损检测应用较广，主动式红外无损检测技术又可以根据热激励源的加载方式以及图像序列处理算法的不同，主要分为锁相红外无损检测（Lock-in thermography，LT），脉冲无损检测（Pulse thermography，PT）两种。脉冲红外热像无损检测技术是采用瞬时高能的热流对试件表面进行均匀加热。热流通过热传导在试件内部进行传输，如果试件内部没有缺陷，则试件表面温度会出现均匀上升的情况。当试件内部存在空洞或分层的缺陷时，由于边缘效应，缺陷上方会出现局部高温区。
分别采用采集频率为60 Hz的脉冲激励红外热像方法和采集频率为2 Hz的正弦调制红外热像方法对蒙皮厚度为1.0 mm的泡沫夹层试件进行激励，两种防热获取的热像测试区域其中一点的激励的温度曲线如图 4所示，曲线显示脉冲红外采集125帧，温度信号在20 ms内实现了快速升温，锁相红外也实现了4个周期的余弦调制加载，采集128帧，两种方法的温度时间曲线符合脉冲和锁相加载规律，脉冲红外温度快速上升相较于锁相红外热量上升速度快，温度变化更大。
采用脉冲和锁相加载时，热像仪采集得到的红外脉冲热像序列降温段50帧和锁相热像序列90帧的原始图如图 5(a)和图 5(b)所示。结果显示采用脉冲红外相较于锁相红外缺陷区域和正常区域直观差异更加明显，但背景噪声也同时被放大。两种检测方法得到的原始红外热像图的缺陷分辨率和缺陷对比度都较低，难以满足后续工程化应用需求。
![]()
图 5 蒙皮厚度1.0 mm试件脉冲和锁相红外检测效果Figure 5. Pulse and modulation thermal image detection effect of 1.0 mm skin thickness specimen2.2 特征图像提取
图 5(a)和图 5(b)显示，通过脉冲激励和锁相激励获得温度序列热像图仍存在激励不均造成的热场分布不均，背景噪声影响大，缺陷对比度低等问题。因此本文探索了锁相红外的锁相相关算法和脉冲红外的多项式拟合序列图像处理技术，并比较了两种算法处理后的图像效果。
2.2.1 锁相相关算法
由于周期相同的两个周期信号的互相关函数仍是周期函数，其周期不变，且相位信息不丢失，所以可用互相关函数求周期信号的相位。相关算法利用噪声信号与参考信号不相关的原理，可有效地提取微弱被测信号。
设被测信号x(t)是周期为T的周期信号，则该信号可用傅里叶级数形式表示：
$$ x(t) = {A_0} + \sum\limits_{k = 1}^\infty {{A_k}} \cos (k\omega t + {\varphi _k}) $$ (1) 式中：A0为信号初始温度幅值；Ak为随时间变化的幅值；φk为相位；ω为角速度；t为时间。
取参考信号为y1(t)＝cosωt和y2(t)＝sinωt，分别求被测信号与两路参考信号在零时刻的互相关函数，当T1→∞时或T1是T的整数倍时，考虑到正余弦函数的正交性，有：
$$ {R_{xy1}}(0) = \frac{1}{{{T_1}}}\int_0^{{T_1}} {x(t){y_1}(t)} {\text{d}}t = - \frac{{{A_1}}}{2}\cos {\varphi _1} $$ (2) $$ {R_{xy2}}(0) = \frac{1}{{{T_1}}}\int_0^{{T_1}} {x(t){y_2}(t)} {\text{d}}t = - \frac{{{A_1}}}{2}\sin {\varphi _1} $$ (3) 所以有：
$$ \frac{{{R_{xy2}}(0)}}{{{R_{xy1}}(0)}} = - \tan {\varphi _1} $$ (4) $$ \sqrt {R_{xy1}^2(0) + R_{xy2}^2(0)} = \frac{{{A_1}}}{2} $$ (5) 进而可得到：
$$ {\varphi _1} = \arctan \frac{{ - {R_{xy2}}(0)}}{{{R_{xy1}}(0)}} $$ (6) $$ {A_1} = 2\sqrt {R_{xy1}^2(0) + R_{xy12}^2(0)} $$ (7) 2.2.2 多项式拟合法
采用最小二乘法进行脉冲红外数据多项式拟合，使拟合点和实际温度点方差最小化，寻找最佳的拟合函数。
脉冲序列中的各个像素点的温度时间数据点(xi, yi)(i＝0, 1, …, m)，ϕ为全部次数不超过n(n≤m)的多项式构成的函数集合，求多项式$ {P_n}(x) = \sum\limits_{k = 0}^n {{a_k}} {x^k} \in \phi $，使得：
$$ I = \sum\limits_{i = 0}^m {{{[{P_n}({x_i}) - {y_i}]}^2}} = \sum\limits_{i = 0}^m {{{(\sum\limits_{k = 0}^n {{a_k}{x_i}^k - {y_i}} )}^2}} = \min $$ (8) 满足式(8)的Pn(x)就是最佳的匹配函数，得到脉冲红外序列数据最小二乘拟合多项式。显然$ I = \sum\limits_{i = 0}^m {{{(\sum\limits_{k = 0}^n {{a_k}x_i^k - {y_i}} )}^2}} $为a0, a1, …, an的多元函数，通过对多元函数I＝I(a0, a1, …, an)求偏导可以得到其极值存在的必要条件：
$$ \frac{{\partial I}}{{\partial {a_j}}} = 2\sum\limits_{i = 0}^m {(\sum\limits_{k = 0}^n {{a_k}x_i^k - {y_i}} )} x_i^j = 0 $$ (9) 简化后得：
$$ {\displaystyle \sum _{k=0}^{n}({\displaystyle \sum _{i=0}^{m}{x}_{i}^{j+k}})}{a}_{k}={\displaystyle \sum _{i=0}^{m}{x}_{i}^{j}{y}_{i}}\text{，}j=0,1,\cdots ,n $$ (10) 函数表达式(10)是关于a0, a1, …, an的线性方程组，矩阵方程为：
$$ \left[ {\begin{array}{*{20}{c}} {m + 1}&{\sum\limits_{i = 0}^m {{x_i}} }& \cdots &{\sum\limits_{i = 0}^m {x_i^n} } \\ {\sum\limits_{i = 0}^m {{x_i}} }&{\sum\limits_{i = 0}^m {x_i^2} }& \cdots &{\sum\limits_{i = 0}^m {x_i^{n + 1}} } \\ \vdots & \vdots &{}& \vdots \\ {\sum\limits_{i = 0}^m {x_i^n} }&{\sum\limits_{i = 0}^m {x_i^{n + 1}} }& \cdots &{\sum\limits_{i = 0}^m {x_i^{2n}} } \end{array}} \right]\left[ {\begin{array}{*{20}{c}} {{a_0}} \\ {{a_1}} \\ \vdots \\ {{a_n}} \end{array}} \right] = \left[ {\begin{array}{*{20}{c}} {\sum\limits_{i = 0}^m {{y_i}} } \\ {\sum\limits_{i = 0}^m {{x_i}{y_i}} } \\ \vdots \\ {\sum\limits_{i = 0}^m {x_i^n{y_i}} } \end{array}} \right] $$ (11) 将序列中每个像素点的温度时间作为数据样本，可以从式(11)中求解出ak, k＝0, 1, …, n，得到每个像素点对应的拟合系数，a0, a1, a2, a3, …, an，采用获取的拟合系数，结合式(12)，可以得到拟合重建的热像序列。
$$ T(t) = \sum\limits_0^N {{a_n}{t^n}} $$ (12) 将式(12)两端对t求导能够得到其一阶导数：
$$ \frac{{{\text{d}}T}}{{{\text{d}}t}} = \sum\limits_{n = 1}^N {n{a_n}{t^{n - 1}}} $$ (13) 确定时间序列就可以利用一阶导数重建一阶脉冲红外导数图序列，重建的导数图序列可以呈现温度变化趋势，能够降低激励不均等因素造成的缺陷信噪比低的问题。
2.2.3 结果分析
为解决背景噪声的问题，基于锁相相关算法和多项式拟合法对采集得到的原始热像图进行了处理，基于锁相相关算法对得到的锁相热像原始序列进行处理可得到锁相相关相位图和幅值图，如图 6(a)和图 6(b)所示。基于对数多项式拟合法对得到的脉冲热像原始序列进行拟合，然后对拟合的时间温度曲线进行一阶微分处理，得到一阶导数图，如图 6(c)所示。结果显示，原始热像温度时间序列数据导数图显示背景噪声得到了有效抑制，缺陷对比度在一定程度上得到了提升，但相较于锁相算法得到的特征图，缺陷的对比度仍较差，因此后续的智能识别将基于锁相相关算法进行。
2.3 缺陷智能识别
由于泡沫夹层结构复杂、红外图像数据流大，运算量大，本文选择了网络深度和宽度均最小的YOLOv5进行训练。对获得的锁相相关幅值图和相位图进行图像增强预处理后采用搭建并训练的YOLO LT模型进行识别。通过锁相相关算法得到的锁相相关相位和幅值图像在特征空间中能够从不同方向对软质泡沫复合材料结构的同一缺陷特征进行表征，因此可以提供更多缺陷的特征信息，将锁相算法双通道成像应用于神经网络缺陷识别，可以提高神经网络对红外图像的提取特征能力。本文将软质泡沫复合材料结构缺陷检测中常用的锁相红外与深度学习算法相结合，取长补短并充分发挥二者的优势，通过同时使用幅值图和相位图对卷积神经网络模型进行训练，为软质泡沫复合材料结构缺陷识别、分类、尺寸量化检测提出一种快速而有效的解决方案，特征图像处理及智能识别步骤如图 7所示。
采用训练后的智能识别软件对得到的锁相相关相位图像进行缺陷智能识别，识别结果如图 8所示。结果显示蒙皮厚度为0.5 mm的泡沫夹芯试件设计制作的9处缺陷全部有效识别，蒙皮厚度1 mm的泡沫夹芯试件设计制作的18处缺陷，全部有效识别，如图 8所示，通过卷积神经网络模型对碳面板蜂窝夹层结构缺陷的尺寸进行了标记。
![]()
图 8 不同蒙皮厚度试件内部缺陷智能识别结果Figure 8. Intelligent identification results of internal defects in specimens with different skin thickness红外图像智能识别研究成果已在航天器泡沫夹层复合材料结构件检测中得到了初步应用验证，可有效提高产品检测效率和数据的准确性，同时可为检测人员带来基于智能化识别技术的工作便利，显著改善了检测过程中人为主观判定薄弱环节，提高了检测数据的真实性、准确性、一致性，从而提高产品的质量可靠性。
3. 结语
针对聚酰亚胺泡沫与碳纤维复合材料蒙皮与铝蜂窝结构板相结合的新型软质泡沫复合材料结构，采用锁相红外热像检测技术可有效检测出泡沫夹层结构内部缺陷。采用锁相相关算法实现了背景噪声的有效抑制和缺陷对比度的明显提升。搭建并训练了YOLO LT模型对泡沫夹层结构锁相相关相位图像中的缺陷进行识别，有效识别了蒙皮厚度为0.5 mm的泡沫夹芯试件9处缺陷和厚度为1.0 mm的泡沫夹芯试件18处缺陷。
-
![]()
图 1 软质泡沫复合材料结构模型
Figure 1. Structural model of polyimide foam sandwich
Note: ①polyimide film ②carbon fiber board③adhesive ④polyimide foam⑤adhesive film⑥aluminum honeycomb
![]()
图 3 蜂窝夹层结构缺陷锁相红外无损检测示意图
Figure 3. Schematic diagram of lock-in thermography non-destructive testing for defects in honeycomb sandwich structures
![]()
图 5 蒙皮厚度1.0 mm试件脉冲和锁相红外检测效果
Figure 5. Pulse and modulation thermal image detection effect of 1.0 mm skin thickness specimen
-
[1] 杨富凯, 张玉迪, 邓玉媛等. 聚酰亚胺泡沫材料的性能研究概述[J]. 中国塑料, 2020, 34(11): 94-101. YANG Fukai, ZHANG Yudi, DENG Yuyuan, et al. Research progress in polyimide foam materials[J]. China Plastics, 2020, 34(11): 94-101.
[2] GU W, WANG G, ZHOU M, et al. Polyimide-based foams: fabrication and multifunctional applications[J]. ACS Applied Materials & Interfaces, 2020, 12(43): 48246-48258.
[3] ZHANG Y Z, ZHANG G C, SUN X F, et al. Properties and microstructure study of polyimide foam plastic[J]. Cellular Polymers, 2010, 29(4): 211-226. DOI: 10.1177/026248931002900401
[4] LUO Y F, NI L, ZHANG X Q, et al. Fabrication of rigid polyimide foams with superior compressive properties[J]. Industrial & Engineering Chemistry Research, 2022, 61(2): 1089-1099.
[5] NI L, LUO Y, QIU B, et al. Combining microwave-assisted foaming and post curing process to prepare lightweight flexible polyimide foams for thermal insulation applications[J]. Macromolecular Materials and Engineering, 2022, 307(7): 2100941. DOI: 10.1002/mame.202100941
[6] NI L, LUO Y, QIU C, et al. Mechanically flexible polyimide foams with different chain structures for high temperature thermal insulation purposes[J]. Materials Today Physics, 2022, 26: 100720. DOI: 10.1016/j.mtphys.2022.100720
[7] 李强. 聚酰亚胺泡沫成型过程及功能化研究[D]. 上海: 东华大学, 2022. LI Qiang. Study on the Foaming Process and Functionalization of Polyimide Foam[D]. Shanghai: Donghua University, 2022.
[8] 张莹. 耐高温聚酰亚胺结构泡沫材料制备及力学性能研究[D]. 哈尔滨: 哈尔滨工程大学, 2018. ZHANG Ying. Preparation and Mechanical Properties of High Temperature Resistant Polyimide Foam[D]. Harbin: Harbin Engineering University, 2018.
[9] 李振. 聚酰亚胺泡沫多层夹芯结构的无损检测研究[D]. 廊坊: 北华航天工业学院, 2019. LI Zhen. Study on Nondestructive Testing of Polyimide Foam Multilayer Sandwich Structure[D]. Langfang: Beihua Aerospace Institute of Technology, 2019.
[10] MONIE F, VIDIL T, GRIGNARD B, et al. Self-foaming polymers: opportunities for the next generation of personal protective equipment[J]. Materials Science and Engineering, 2021, 145: 100628. DOI: 10.1016/j.mser.2021.100628
下载:
计量
- 文章访问数: 22
- HTML全文浏览量: 1
- PDF下载量: 5
