CN120275498A 基于阵列表面波的表面裂纹检测方法及系统 （宁波市特种设备检验研究院）.docxVIP

(19)国家知识产权局

(12)发明专利申请

(10)申请公布号CN120275498A(43)申请公布日2025.07.08

(21)申请号202510764078.9

(22)申请日2025.06.10

(71)申请人宁波市特种设备检验研究院

地址315100浙江省宁波市高新区江南路

1588号A座

申请人南昌航空大学

(72)发明人王红源王杜邱心纪邓红星黄辉陈定岳许波沈建民

毛国均张子健陈振华

GO6F

GO6N

GO6N

GO6N

GO6N

GO6N

GO6F

GO6F

GO6F

GO6F

18/2131(2023.01)

3/042(2023.01)

3/045(2023.01)

3/0455(2023.01)

3/0464(2023.01)

3/08(2023.01)18/10(2023.01)

18/21(2023.01)

18/25(2023.01)

18/27(2023.01)

(74)专利代理机构慈溪夏远创科知识产权代理

事务所(普通合伙)33286专利代理师金弘毅

(51)Int.CI.

G01N29/04(2006.01)

GO1N29/44(2006.01)

权利要求书5页说明书17页附图3页

(54)发明名称

基于阵列表面波的表面裂纹检测方法及系

统

(57)摘要

CN120275498A本发明提供一种基于阵列表面波的表面裂纹检测方法及系统，涉及裂纹检测技术领域，包括：对工件采集的原始信号进行降噪增强处理并建立环境补偿机制，从处理后的信号中提取关键声程特征和裂纹特征，将特征输入神经网络预测裂纹尺寸，并结合微观动力学模型进行理论验

CN120275498A

采集待检测工件对应的反射信号矩阵和环境物理特征矩阵组，通过变分自编码器对所述反射信号矩阵进行概率重构得到隐变量分布，根据所述隐变量分布构建高斯混合模型得到初步降噪信号，将所述初步降噪信号输入多尺度密集连接残差网络，通过并行空间金字塔池化模块和通道注意力模块得到增强信号矩阵，通过时空图注意力神经网络生成环境补偿特征张量

对所迷增强信号矩阵执行小波散射变换得到多尺度不变特征图谱并结合区域生长算法提取有效信号区间，在所述有效信号区间中构建多尺度形态学滤波器组识别关键特征点，从所述关键特征点提取第一声程和第二声程，基于所述环境补偿特征张量训练高斯过程回归模型得到补偿声程值，对所述增强信号矩阵执行变分模态分解得到多维裂纹特征向量

基于因果注意力机制构建混合神经网络，将所述补偿声程值和所述多维裂纹特征向量输入所述混合神经网络计算得到裂纹尺寸初始预测值和裂纹扩展趋势预测张量，将所述裂纹尺寸初始预测值输入微观动力学模型得到理论扩展预测值，通过无迹卡尔曼滤波算法对所述裂纹扩展趋势预测张量和所述理论扩展预测值进行融合得到精确检测结果

S1

S2

S3

CN120275498A权利要求书1/5页

2

1.基于阵列表面波的表面裂纹检测方法，其特征在于，包括：

采集待检测工件对应的反射信号矩阵和环境物理特征矩阵组，通过变分自编码器对所述反射信号矩阵进行概率重构得到隐变量分布，根据所述隐变量分布构建高斯混合模型得到初步降噪信号，将所述初步降噪信号输入多尺度密集连接残差网络，通过并行空间金字塔池化模块和通道注意力模块得到增强信号矩阵，通过时空图注意力神经网络生成环境补偿特征张量；

对所述增强信号矩阵执行小波散射变换得到多尺度不变特征图谱并结合区域生长算法提取有效信号区间，在所述有效信号区间中构建多尺度形态学滤波器组识别关键特征点，从所述关键特征点提取第一声程和第二声程，基于所述环境补偿特征张量训练高斯过程回归模型得到补偿声程值，对所述增强信号矩阵执行变分模态分解得到多维裂纹特征向量；

基于因果注意力机制构建混合神经网络，将所述补偿声程值和所述多维裂纹特征向量输入所述混合神经网络计算得到裂纹尺寸初始预测值和裂纹扩展趋势预测张量，将所述裂纹尺寸初始预测值输入微观动力学模型得到理论扩展预测值，通过无迹卡尔曼滤波算法对所述裂纹扩展趋势预测张量和所述理论扩展预测值进行融合得到精确检测结果。

2.根据权利要求1所述的方法，其特征在于，采集待检测工件对应的反射信号矩阵和环境物理特征矩阵组，通过变分自编码器对所述反射信号矩阵进行概率重构得到隐变量分布，根据所述隐变量分布构建高斯混合模型得到初步降噪信号，将所述初步降噪信