38、基于卷积神经网络的声学源边缘定位及缺陷检测传感系统

基于卷积神经网络的声学源边缘定位及缺陷检测传感系统

1. 引言

在结构健康监测（SHM）领域，声学发射（AE）监测是一种非常有效的无损评估方法。AE监测的原理是，结构中裂纹、分层、脱粘等声学事件的发生与结构的完整性密切相关，声学活动的频率和强度越高，结构潜在的退化程度就越高。而且，AE监测的一个重要优势是能够通过被动捕获结构的声学响应来定位声源。而准确估计到达时间（ToA）是实现声源定位的关键步骤，它是大多数成熟的AE信号处理技术所必需的参数。

传统的ToA估计策略包括统计方法和人工智能（AI）解决方案。近年来，AI解决方案成为研究的新兴趋势，因为它们在学习数据中隐藏的复杂模式方面具有优势，尤其在信噪比（SNR）条件不利的情况下，比传统技术更适用。然而，大多数AI方法在计算能力和模型大小方面要求较高，通常部署在远程服务器上，运行时间长且功耗大。为了使神经网络（NN）模型适用于实际的长期监测场景，需要在边缘传感器上运行，以减少监测网络的传输负载，降低系统延迟。这就引出了Tiny Machine Learning（TinyML）的概念，即让AI在物理世界和数字世界的边界高效运行。

2. 压电聚合物IDT用于缺陷检测

2.1 IDT在加强铝板上的响应验证

在加强铝板上，安装了一对叉指换能器（IDT）。安装位置遵循特定规则，IDT与肋条的跳动距离为9毫米，两个IDT之间的距离d2为206毫米。
- 发射IDT（TX）由线性功率放大器激励，激励信号为4周期、650 kHz、幅度90 Vpp的正弦波脉冲。
- 接收元件连接到差分低噪声电压模式放大器，增益为60 dB，带宽为100 kHz - 1 MHz。
对不同激