一个基于深度相互学习的框架,用于在多式联机相控阵超声波数据中检测风力轮机叶片缺陷

科学领域:

• 材料科学 材料科学 材料科学
• 非破坏性测试 不破坏性测试
• 人工智能的人工智能

背景情况:

• 风力轮机叶片的结构完整性取决于内部粘合层的质量,这对于负载转移至关重要.
• 阶段阵列超声波测试 (PAUT) 用于缺陷检测,但手动分析多式联络PAUT数据是主观和低效的.
• 在PAUT中自动检测缺陷对于在制造过程中确保叶片可靠性至关重要.

研究的目的:

• 开发一种自动化和客观的方法来检测风力轮机叶片粘合层的缺陷,使用多式联机PAUT数据.
• 提出基于深度相互学习的直角视图对齐网络 (OVANet),以提高缺陷检测的准确性.
• 为了在风力轮机叶片制造中实现高效可靠的质量控制.

主要方法:

• 开发一个直角视图对齐网络 (OVANet),利用B扫描和C扫描PAUT数据的深度相互学习.
• 在决策层面实施一个直角投影交叉跨欧盟度量来实现跨模式对齐.
• 引入一个以注意力为导向的多级别区分器,以加强特征级别的交互和对抗性的相互学习.

主要成果:

• 拟议的OVANet方法在粘合剂缺陷检测方面表现优异,与主流单模模型相比.
• 实验结果验证了OVANet在平面和体积PAUT数据分析中的有效性.
• 开发的开源注释工具有助于从工业场景创建配对的多式联运PAUT数据集.

结论:

• 通过相互学习,OVANet有效地提高了B扫描和C扫描模式的缺陷检测性能.
• 该方法为风力轮机叶片质量控制提供了一个更客观,更有效,更可靠的替代手工检查.
• 这项研究有助于在可再生能源领域推进自动化非破坏性测试技术.