基于卷积神经网络注意力机制模块的复合材料损伤自动识别研究

doi:10.3901/JME.260191

机械工程学报 ›› 2025, Vol. 62 ›› Issue (6): 247-256.doi: 10.3901/JME.260191

• 仪器科学与技术 • 上一篇

扫码分享

基于卷积神经网络注意力机制模块的复合材料损伤自动识别研究

贾康康¹, 都军民^2,3, 陈飞宇^2,3, 时建纬¹, 侯国义⁴, 李成¹

1. 郑州大学机械与动力工程学院郑州 450001;
2. 河南省水下智能装备重点实验室郑州 450015;
3. 中国船舶集团有限公司第七一三研究所郑州 450015;
4. 南京航空航天大学机电学院南京 210000

收稿日期:2025-05-08 修回日期:2025-12-15 发布日期:2026-05-12
作者简介:贾康康,男,1992年出生。主要研究方向为先进复合材料自动化检测技术。E-mail:202022202013941@gs.zzu.edu.cn
李成(通信作者),男,1962年出生,教授,博士研究生导师。主要研究方向为复合材料损伤机理,无损检测技术。E-mail:chengli@zzu.edu.cn
基金资助:
国家自然科学基金(52175153)和河南省水下智能装备重点实验室开放基金(ZT22064U)资助项目。

AM-1DCNN Based Automatic Recognition of Mechanical Damage in Composite Material

JIA Kangkang¹, DU Junmin^2,3, CHEN Feiyu^2,3, SHI Jianwei¹, HOU Guoyi⁴, LI Cheng¹

1. School of Mechanical and Power Engineering, Zhengzhou University, Zhengzhou 450001;
2. Henan Key Laboratory of Underwater Intelligent Equipment, Zhengzhou 450015;
3. 713th Research Institute of China State Shipbuilding Corporation Limited, Zhengzhou 450015;
4. College of Mechanical&Electrical Engineering, Nanjing University of Aeronautics and Astronautics, Nanjing 210000

Received:2025-05-08 Revised:2025-12-15 Published:2026-05-12

摘要/Abstract

摘要： 为解决碳纤维增强复合材料(Carbon fiber reinforced polymer, CFRP)机械损伤自动化识别困难的瓶颈，本研究借助注意力机制模块(Attention module，AM)和一维卷积神经网络(One dimensional convolutional neural network, 1DCNN)，基于非线性超声检测技术提出一种CFRP机械损伤的自动化判断方法。本研究依托超声检测平台试验测量及有限元仿真的方法，获取CFRP在不同类型机械损伤情形下的超声信号，建立数据集并训练模型。训练完成后，使用前述模型对含损伤CFRP的非线性超声检测信号进行自动化判断识别，成功判断CFRP未损伤、穿孔损伤、劈裂损伤和低速冲击损伤等不同状态。研究结果表明，本研究所提模型可扩展性强，收敛速度较快，对CFRP常见机械损伤类型的识别准确率达96.79%，较传统CNN模型提高2.07%，并为CFRP复合材料服役环境损伤的高效自动化诊断奠定理论基础。

关键词: 复合材料, 一维卷积神经网络, 注意力机制模块, 损伤识别

Abstract: In order to solve the bottleneck of automatic identification of mechanical damage of carbon fiber reinforced polymer (CFRP), an attention module (AM) and one dimensional convolutional neural network (1DCNN) damage identification method was proposed, based on the nonlinear ultrasonic detection technique. Firstly, one-dimensional ultrasonic vibration signals of different mechanical damage types of composite materials were obtained by ultrasonic testing platform and finite element simulation method. After the model training was completed, the model was used to judge the damage type of the test data set of carbon fiber composites. Finally, try to identify the signals of different damage types of composites, such as undamaged, perforated, split and low-speed impact damage. The results show that the proposed model has strong scalability and fast convergence, and the recognition accuracy of common mechanical damage types of CFRP is 96.79%, which is 2.07% higher than that of the traditional CNN model, laying a foundation for the automatic diagnosis of damage in CFRP composites in service environment in universities.

Key words: composite material, one-dimensional convolution neural network, attention module, damage identification

中图分类号:

TB559
TB332

贾康康, 都军民, 陈飞宇, 时建纬, 侯国义, 李成. 基于卷积神经网络注意力机制模块的复合材料损伤自动识别研究[J]. 机械工程学报, 2025, 62(6): 247-256.

JIA Kangkang, DU Junmin, CHEN Feiyu, SHI Jianwei, HOU Guoyi, LI Cheng. AM-1DCNN Based Automatic Recognition of Mechanical Damage in Composite Material[J]. Journal of Mechanical Engineering, 2025, 62(6): 247-256.

导出引用管理器 EndNote|Reference Manager|ProCite|BibTeX|RefWorks

链接本文: http://www.cjmenet.com.cn/CN/10.3901/JME.260191

http://www.cjmenet.com.cn/CN/Y2025/V62/I6/247

参考文献

[1] 杜善义. 先进复合材料与航空航天[J]. 复合材料学报，2007，24(1)：1-12. DU Shanyi. Advanced composite materials and aerospace engineering[J]. Acta Materiae Compositae Scinica，2007，24(1)：1-12.
[2] 范金娟，侯学勤，刘杰. 平面编织复合材料层压板的冲击失效行为[J]. 高分子材料科学与工程，2013，39(1)：92-95. FAN Jinjuan，HOU Xueqin，LIU Jie. Failure behavior of plain woven composite laminates under impact loading[J]. Polymeric Materials Science and Engineering，2013，39(1)：92-95.
[3] 李健，郭薇，杨晓霞，等. 超声相控阵检测CFRP缺陷识别方法[J]. 天津大学学报，2015，48(8)：750-756. LI Jian，GUO Wei，YANG Xiaoxia，et al. A flaw classification method for ultrasonic phased array inspection of CFRP[J]. Journal of Tianjin University，2015，48(8)：750-756.
[4] 李萍，宋波，毛捷，等. 深度学习在超声检测缺陷识别中的应用与发展[J]. 应用声学，2019，38(3)：458-464. LI Ping，SONG Bo，MAO Jie，et al. Application and development of defect recognition using deep learning in ultrasonic testing[J]. Journal of Applied Acoustics，2019，38(3)：458-464.
[5] 刘雨生，李洋，滕利臣，等. 基于超声复解析信号的碳纤维层压复合材料检测方法研究[J]. 机械工程学报，2020，56(24)：31-38. LIU Yusheng，LI Yang，TENG Lichen，et al. Research on ultrasonic testing method for carbon fiber laminated composite using ultrasonic analytical signal[J]. Journal of Mechanical Engineering，2020，56(24)：31-38.
[6] LIU Z，YANG C，HUANG J，et al. Deep learning framework based on integration of S-Mask R-CNN and Inception-v3 for ultrasound image-aided diagnosis of prostate cancer[J]. Future Generation Computer Systems，2021，114：358-367.
[7] ZARGAR S A，YUAN F G. Impact diagnosis in stiffened structural panels using a deep learning approach[J]. Structural Health Monitoring，2021，20(2)：681-691.
[8] LECUN Y，BENGIO Y，HINTON G. Deep learning[J]. Nature，2015，521(7553)：436-444.
[9] KHAN A，SOHAIL A，ZAHOORA U，et al. A survey of the recent architectures of deep convolutional neural networks[J]. Artificial Intelligence Review，2020，53(8)：5455-5516.
[10] JIA D，WEI D，SOCHER R，et al. ImageNet: A large-scale hierarchical image database[C]// 2009 IEEE Conference on Computer Vision and Pattern Recognition，20-25 June 2009，Miami，FL，USA，2009：248-255.
[11] 孟宗，关阳，潘作舟，等. 基于二次数据增强和深度卷积的滚动轴承故障诊断研究[J]. 机械工程学报，2021，57(23)：106-115. MENG Zong，GUAN Yang，PAN Zuozhou，et al. Fault diagnosis of rolling bearing based on secondary data enhancement and deep convolutional network[J]. Journal of Mechanical Engineering，2021，57(23)：106-115.
[12] 薛妍，沈宁，窦东阳. 基于一维卷积神经网络的滚动轴承故障程度诊断[J]. 轴承，2021(4)：48-54. XUE Yan，SHEN Ning，DOU Dongyang. Fault degree diagnosis of rolling bearings based on one-dimensional convolutional neural network[J]. Bearing，2021(4)：48-54.
[13] 王辉，徐佳文，严如强. 基于多尺度注意力深度强化学习网络的行星齿轮箱智能诊断方法[J]. 机械工程学报，2022，58(11)：133-142. WANG Hui，XU Jiawen，YAN Ruqiang. Multi-scale attention based deep reinforcement learning for intelligent fault diagnosis of planetary gearbox[J]. Journal of Mechanical Engineering，2022，58(11)：133-142.
[14] 叶壮，余建波. 基于多通道一维卷积神经网络特征学习的齿轮箱故障诊断方法[J]. 振动与冲击，2020，39(20)：55-66. YE Zhuang，YU Jianbo. Gearbox fault diagnosis based on feature learning of multi channel one dimensional convolutional neural network[J]. Journal of Vibration and Shock，2020，39(20)：55-66.
[15] 高佳豪，郭瑜，伍星. 基于SANC和一维卷积神经网络的齿轮箱轴承故障诊断[J]. 振动与冲击，2020，39(19)：204-209，257. GAO Jiahao，GUO Yu，WU Xing. Gearbox bearing fault diagnosis based on SANC and 1-D CNN[J]. Journal of Vibration and Shock，2020，39(19)：204-209，257.
[16] 陈祝云，钟琪，黄如意，等. 基于增强迁移卷积神经网络的机械智能故障诊断[J]. 机械工程学报，2021，57(21)：96-105. CHEN Zhuyun，ZHONG Qi，HUANG Ruyi，et al. Intelligent fault diagnosis for machinery based on enhanced transfer convolutional neural network[J]. Journal of Mechanical Engineering，2021，57(21)：96-105.
[17] 刘洋，程强，史曜炜，等. 基于注意力模块及1D-CNN的滚动轴承故障诊断[J]. 太阳能学报，2022，43(3)：463-468. LIU Yang，CHENG Qiang，SHI Yaowei，et al. Fault diagnosis of rolling beraings based on attention module and 1D-CNN[J]. Acta Energiae Solaris Sinica，2022，43(3)：463-468.
[18] KHAN A，KO D K，LIM S C，et al. Structural vibration-based classification and prediction of delamination in smart composite laminates using deep learning neural network[J]. Composites Part B： Engineering，2019，161：586-594.
[19] MENG M，CHUA Y J，WOUTERSON E，et al. Ultrasonic signal classification and imaging system for composite materials via deep convolutional neural networks[J]. Neurocomputing，2017，257：128-135.
[20] WOO S，PARK J，LEE J-Y，et al. CBAM : Convolutional block attention[C]// Proceedings of the 15th European Conference on Computer Vision (ECCV)，2018：3-19.
[21] 郭建. CFRP板冲击损伤的脉冲反相非线性超声检测研究[D]. 郑州：郑州大学，2020. GUO Jian. Nonlinear ultrasonic detection of impact damage in CFRP panels based on pulse inversion technique[D]. Zhengzhou：Zhengzhou University，2021.
[22] BATHE K J. Finite element procedures in engineering analysis[J]. Pressure Vessel Technology，1982，106：421-422.
[23] 张鸿庆，王鸣. 有限元的数学理论[M]. 北京：科学出版社，1991. ZHANG Hongqing，WANG Ming. Mathematical theory of finite element[M]. Beijing：Science Press，1991.

基于卷积神经网络注意力机制模块的复合材料损伤自动识别研究

AM-1DCNN Based Automatic Recognition of Mechanical Damage in Composite Material

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	杨茵茹, 高航, 田亚闯, 刘建宝. 耐高温热塑性碳纤维复合材料超声波焊接试验研究[J]. 机械工程学报, 2026, 62(5): 297-305.
[2]	孔皓阅, 张勇, 洪奕元, 张志雄, 罗圭纳. 碳纤维复合材料撕裂管的扩胀撕裂吸能特性研究[J]. 机械工程学报, 2026, 62(4): 168-179.
[3]	韩新宇, 刘峻嵩, 石岩. 激光粉末床熔融B₄Cp/Al复合材料的性能研究[J]. 机械工程学报, 2026, 62(4): 224-232.
[4]	杨亮亮, 龚壮壮, 何西旺, 王沐晨, 闵强, 阚子云, 宋学官. 面向结构损伤识别的数字孪生建模[J]. 机械工程学报, 2026, 62(4): 328-341.
[5]	刘腾飞, 杨腾锐, 田小永, 吴玲玲, 李涤尘. 面向空间极端环境的聚醚醚酮及其复合材料真空3D打印工艺机理与性能[J]. 机械工程学报, 2026, 62(3): 271-281.
[6]	潘勤学, 赵广源, 于昊申, 徐佳褀. 基于临界折射纵波的碳纤维复合材料应力检测方法的研究[J]. 机械工程学报, 2026, 62(2): 48-60.
[7]	李从昱, 高飞, 刘璐, 李弈林, 林京. 基于超声导波谱估计的频散曲线重构与薄壁结构损伤定量评估方法[J]. 机械工程学报, 2026, 62(2): 104-114.
[8]	蔺鹏宇, 李涛, 宋俊杰, 毛宇, 章子怡, 游鑫, 胡丽天, 张永胜. h-BN形状对Si₃N₄基复合陶瓷的高温摩擦学性能影响研究[J]. 机械工程学报, 2026, 62(1): 148-158.
[9]	吴婧, 周坤, 江桂云, 黄云. SiC_f/SiC复合材料激光诱导烧蚀辅助砂带磨削机理与工艺性能评价[J]. 机械工程学报, 2026, 62(1): 395-407.
[10]	乔春光, 王中华, 杨廷贵, 王荣东, 姜潮. 一种(B₄C+Gd)/316L中子屏蔽复合材料设计制备[J]. 机械工程学报, 2025, 61(9): 112-122.
[11]	张家豪, 韩啸, 张宇翔, 马建立, 吴承伟, 郭杏林. 湿热老化后CFRP力学性能的细观表征方法[J]. 机械工程学报, 2025, 61(8): 107-115.
[12]	高腾, 许文昊, 张彦彬, 刘明政, 徐培明, 安庆龙, 王一奇, 王大中, 李长河. 纤维增强复合材料磨削力解析建模与控制工艺策略研究进展[J]. 机械工程学报, 2025, 61(7): 49-76.
[13]	葛佳, 傅国宇, 邹云鹤, 罗明. 碳纤维增强树脂基复合材料特种加工综述[J]. 机械工程学报, 2025, 61(7): 77-97.
[14]	徐捷, 冯平法, 乐祺中, 尚凯锋, 王昱天, 冯峰. 单向CFRP复合材料高速直角切削实验研究[J]. 机械工程学报, 2025, 61(7): 109-119.
[15]	王晨光, 王海航, 杨杰, 凡志磊, 周恩涛, 葛恩德, 安庆龙, 陈明. 孔挤压量对碳纤维增强复合材料孔壁损伤与疲劳性能的影响[J]. 机械工程学报, 2025, 61(7): 134-143.