随着直升机技术的发展, 急需对一种新型的直升机桨叶包铁结构做质量检测研究, 该包铁结构外层为不锈钢, 中层为橡胶、加热元件, 内层为玻璃纤维。包铁结构需要分类识别的4类典型结构为上层脱粘缺陷、加热元件、下层脱粘缺陷、无缺陷无加热元件, 但这种包铁结构较常见多层结构层数多、层厚薄、需识别分类多, 超声波在这种结构中会发生严重的混叠现象。因此研究了超声波在薄壁多层结构中的传播规律, 建立了新的包铁结构的超声反射频谱模型, 将测试的不锈钢、橡胶、玻纤的声速、声阻抗、频率-衰减系数曲线、2.25 MHz和5 MHz的探头频谱代入模型进行仿真, 仿真结果表明,2.25 MHz探头可以识别出包铁的4种结构, 5 MHz探头可以识别出除下层缺陷的另外3种结构, 实际检测结果验证了新模型的仿真结果。

针对碳纤维复合材料(CFRP)的缺陷类型自动判别,提出一种超声一维卷积神经网络(U-1DCNN),结合贝叶斯优化方法进行超参数优选,通过自动提取超声A-Scan信号特征,实现分层、气孔、无缺陷三种类型自动区分。首先采集超声A-Scan信号构建数据集,然后利用多卷积块同时进行特征提取,以增强提取特征的多样性,并将一维残差单元堆叠连接,在进一步提取特征的同时简化网络的训练,利用贝叶斯优化算法优选网络的学习率和随机梯度下降的动量参数,最终实现了A-Scan信号与缺陷类型的非线性映射。实验结果表明,U-1DCNN可通过自动提取特征实现CFRP的缺陷类型识别,准确率为99.50%,并且较二维卷积神经网络方法识别速度更快,可辅助缺陷检测结果判断。

癫痫治疗手术往往依靠对致痫灶的准确定位,目前各种定位方式都存在着一定限制。临床上使用的脑皮层电位图(ECoG)具有很高的时间分辨率,但是其空间分辨率不能满足要求。基于人脑中存在的神经血管偶联机制,提出一种利用微型光极与微型超声探头,通过探测脑微血管血流量来进行癫痫致痫灶定位检测的新方法。动物模型实验结果表明:脑皮层表面检测到的光极信号与癫痫发作期ECoG电信号有着良好的对应关系;在脑皮层以下1 mm深度内,超声回波功率谱与ECoG电信号同样具有较好的对应关系。因此,该方法有望为临床癫痫致痫灶检测与定位提供一种新的有效手段。

通过已搭建好的激光超声检测实验平台, 在保持相同激光脉冲能量和相同探测位置的条件下, 重点研究了点光源与线光源产生的超声信号的特点和区别。研究了不同探测位置点光源与线光源激发出的超声信号幅值以及产生的超声信号波形。实验发现: 在同一探测位置下, 将点光源换成线光源后, 产生的超声信号幅值由1.3 V提高到1.7 V, 提高了0.4 V; 在探测位置逐渐增大的情况下, 点光源激发出超声信号幅值的衰减幅度为75.78%, 而线光源激发出的超声信号幅值的衰减幅度为34.92%。结果表明, 在功率密度相同的情况下, 线光源产生的超声信号要比点光源产生的超声信号幅值提高40.86%, 产生较强的表面波, 提高了信噪比。