主動紅外熱像技術在航空發(fā)動機葉片缺陷檢測中的研究和應用進展

王 浩,劉 佳,施亞中,王 濤

(1.中國民航大學 工程技術訓練中心,天津 300300；2.中國民航大學航空工程學院,天津 300300;3.北京飛機維修工程有限公司西南航線中心，四川 成都 610000)

1 引 言

葉片是航空發(fā)動機最重要的核心部件之一,其長期服役于高溫、高壓和高速的環(huán)境下,極容易出現(xiàn)疲勞裂紋、斷裂、變形、燒蝕等損傷[1-2]。葉片損傷會降低航空發(fā)動機的性能和可靠性,甚至直接危及飛行安全。2018年4月17日,美國西南航空一架從紐約飛往達拉斯的航班由于編號為13的風扇葉片的金屬疲勞,使得葉片脫離,飛入發(fā)動機內部,導致發(fā)動機爆炸,這次的事故造成了1死7傷的慘劇。據(jù)不完全統(tǒng)計,我國現(xiàn)役飛行的發(fā)動機事故中,80 %都跟發(fā)動機葉片斷裂失效有關。因此,針對航空發(fā)動機葉片典型缺陷檢測開展學術和應用研究顯得尤為重要。

目前,航空發(fā)動機葉片損傷檢測主要依靠目視孔探,但是其只能檢測出葉片表面的顯著缺陷。近年來,主動紅外無損檢測以無接觸、適用范圍廣和檢測效率高等優(yōu)點逐漸受到學術界和工程界的廣泛關注。通過引入機器學習和多源數(shù)據(jù)融合等先進智能算法,主動紅外無損檢測在航空發(fā)動機葉片的缺陷檢測中顯現(xiàn)出良好的應用前景。

本文匯總航空發(fā)動機葉片典型缺陷類型和成因,對比主動紅外熱像技術的典型激勵方式；針對其在葉片疲勞裂紋和表面涂層缺陷檢測中的應用進行了分析,并介紹機器學習等智能算法在缺陷識別和定量評估方面的應用；歸納了主動紅外熱像技術面臨的難題和未來的發(fā)展方向。

2 航空發(fā)動機葉片典型缺陷

航空發(fā)動機葉片包括靜子葉片和轉子葉片兩類,其主要作用是將高溫燃氣的熱能轉化為機械動能。葉片類零件的材料一般為鈦基、鎳基高溫合金,為了進一步提高葉片的耐受高強度熱沖擊的能力,通常情況下會在葉片內部預留冷卻溝道且表面制備熱障涂層(Thermal Barrier Coating,TBC)。盡管如此,由于葉片長期服役于高溫燃氣沖蝕和復雜交變應力耦合作用的惡劣工況,其仍極易出現(xiàn)損傷。航空發(fā)動機葉片典型損傷缺陷類型如圖1所示。

圖1 葉片典型損傷缺陷Fig.1 Typical blade damage defects

材料變形和材料分離通常由外物打擊(Foreign Object Damage,FOD)所導致,采用目前已廣泛應用的目視孔探法即可準確識別。由于孔探檢查過程完全依靠檢測人員目視觀察,對于缺陷識別和判斷往往依靠經驗且易受光源等環(huán)境條件的影響,因此對細小的淺表性疲勞裂紋和局部的涂層缺陷極容易發(fā)生漏檢和誤檢。相比之下,采用主動紅外方法對材料缺陷進行高效檢測具有顯著的優(yōu)勢,并在葉片缺陷檢測領域取得了良好的實驗效果[3]。

3 主動紅外無損方法

3.1 主動紅外無損檢測原理

主動紅外無損檢測是基于熱成像技術發(fā)展而出現(xiàn)的一種新型無損檢測方法。其通過施加主動式激勵手段為被測物體注入能量,形成向被測物體內部傳播的熱波；由于缺陷的熱阻效應,引起被測物體的表面溫度場發(fā)生變化；由紅外熱像儀測量被測物體紅外輻射信息并轉換成可見熱圖像,通過對紅外熱圖序列的分析和處理,從而對被測物體的缺陷進行定性分析和定量評價。

3.2 不同激勵方式分析

針對不同的被測試件、檢測環(huán)境和檢測條件,應選取最合適的激勵方式以達到良好的檢測效果。目前,主動紅外無損檢測采用的熱激勵方式分為兩類:外部激勵,即通過照射被測物體表面,向被測物體注入熱量,例如激光、閃光燈和熱風激勵；內部激勵,即從被測物體表面到內部立體加熱,例如超聲和電磁激勵。不同激勵方式的對比和分析如表1所示[4-7]。

表1 不同激勵方式對比分析Tab.1 Contrastive analysis of different incentive modes

4 葉片缺陷檢測應用現(xiàn)狀

4.1 葉片疲勞裂紋

目前,主動紅外無損檢測在發(fā)動機葉片裂紋檢測領域已逐漸從實驗室階段轉向生產應用場景,在對葉片裂紋識別與激勵源參數(shù)控制等方面的研究均有一定的進展。

在對發(fā)動機葉片裂紋缺陷表征方法的研究方面,國內外學者重點關注裂紋識別的長度、寬度和深度等三個主要的缺陷特征。Mendioroz等人[8]運用激光飛點熱成像技術,進行了熱擴散系數(shù)和裂紋寬度的測定,并用人工裂紋樣品進行了實驗驗證,證明了其方法可以檢測微米級的裂紋(如圖2所示)。

圖2 實驗方案設計[8]Fig.2 Scheme of the experimental setups[8]

Christine Boué和 Stéphane Holé[9]通過模擬分析了不同裂紋與受熱點位置的距離以及不同裂紋寬度,證明了多頻率鎖定紅外熱成像方法可以評估幾毫米長的裂紋,且不需要表面處理與校準程序。C Boué和S Holé[10]提出了多速度鎖定熱成像方法,通過分析兩種交叉掃描方法,驗證了該方法可以實現(xiàn)深度小于3 mm的裂紋識別(如圖3所示)。

圖3 多速度鎖定熱成像實驗方案[10]Fig.3 Experimental protocol for multi-velocitylocking thermal imaging[10]

郭偉、董麗虹等人[11]通過噴涂層下基體收到脈沖超聲波激勵后會產生一定的干涉效應,研究了基體中的裂紋缺陷對表面熱波相位的影響規(guī)律,提出了一種采用熱波相位特征對涂層下基體裂紋進行識別的方法,并驗證了其可以用來表征涂層下基體中裂紋缺陷。徐歡、殷晨波等人[12]利用有限元法實現(xiàn)了脈沖和鎖相法在焊縫氣孔缺陷中的定性和定量檢測模擬,結果表明,對于深度大于2 mm的缺陷均可以實現(xiàn)誤差不大于5 %,對于深度小于2 mm的缺陷,鎖相法具有更好的精度。蘇清風、習小文等人[13]運用超聲激勵對導向葉片和工作葉片進行加熱,通過自主研發(fā)的超聲紅外熱像系統(tǒng)進行檢測,成功檢測出了試件中的長度為0.5～1.0 mm的細微裂紋。卜遲武、張喜斌等人[14]采用激光斑點陣列對Ti-Al合金試樣進行熱激勵,建立了短脈激光斑點陣列激勵Ti-Al合金平板試樣的分數(shù)階熱傳導模型,分析了裂紋寬度、裂紋深度以及裂紋與激光光斑中心距離對溫度突變的影響,實現(xiàn)了對0.2 mm寬度的裂縫的有效識別。J.González等人[15]通過研究恒速飛斑熱成像來進行對恒定移速掃描不銹鋼樣品,驗證了該方法可以對亞微米寬的裂紋進行高精度測量,可以移植到發(fā)動機葉片上實現(xiàn)發(fā)動機葉片的在翼檢測。

在對主動紅外激勵源參數(shù)控制的研究中,國內外學者主要對如何更精確的控制激勵源、提高激勵源的穩(wěn)定性、對葉片檢測的最佳參數(shù)開展相關工程研究。裴翠祥等人[16]發(fā)明了一種差動式激光誘導紅外熱成像無損檢測系統(tǒng),該發(fā)明通過運用1∶1激光分束鏡來消除激光分布不均的情況,解決了目前激光紅外檢測中激勵光斑的非均勻性和不穩(wěn)定性導致其檢測能力下降的問題。蔡波等人[17]發(fā)明了一種可以通過感應發(fā)熱器和紅外熱像儀的反饋,來停止信號脈沖,來實現(xiàn)加熱溫度的控制精度,降低被測樣件的燒損概率。李寶磊等人[18]發(fā)明了一種伸縮式紅外無損檢測閃光燈熱激勵裝置,可以通過改變閃光燈的個數(shù)來滿足不同大小的樣件的加熱需求,并能根據(jù)樣件材質厚度等性質確定不同的激勵方式,實現(xiàn)了更好地控制閃光燈激勵燈源。徐歡等人[19]通過ANSYS軟件對帶有V形裂紋的金屬試件進行分析,找到了最佳的激勵頻率20.8 kHz,同時避免了結構共振并使得成像效果最佳,驗證了超聲紅外檢測的高效性和可行性(如圖4所示)。

圖4 超聲熱成像對含曲率結構表面裂紋的檢測Fig.4 Ultrasonic thermal imaging for surface crack detection of structures with curvature

寇光杰等人[20]運用超聲激勵對汽輪機葉片進行了檢測,使用了20 kHz的激勵頻率,200 ms的輸出時間,通過實驗,最終確定當預緊力處于100～150 N時,裂紋區(qū)域的生熱最明顯,檢測效果最好。賈庸等人[21]通過對含曲率TC4結構的表面裂紋分析,利用有限元分析,確定了超聲波的最佳激勵參數(shù):A0=20～30 μm,f=20～25 kHz,t=40～100 ms,并研究了激勵位置對檢測結果的影響。

4.2 表面涂層缺陷

在航空發(fā)動機葉片中,葉片表面的典型涂層共兩種:壓氣機葉片“抗風蝕涂層”[22]和渦輪葉片“熱障涂層”。在服役過程中,隨著外界砂石和高溫燃氣對航空發(fā)動機葉片沖擊,會逐漸累積引發(fā)表面涂層缺陷,造成葉片喪失涂層的保護作用,嚴重影響航空發(fā)動機的安全性。以熱障涂層為例,其缺陷主要分為熱障涂層的界面裂紋、熱障涂層的脫粘、熱障涂層的變薄[23-24]。

近些年來,國內外學者結合現(xiàn)有的主動紅外無損檢測技術,提出了各種不同的檢測方式。Dash等人[25]通過使用脈沖熱成像(PT)和太赫茲時域光譜(THz-TDS)技術對熱障涂層的厚度進行了研究,其中脈沖熱成像方法的平均相對誤差小于10.3 %,THz-TDS技術有助于制定預防性維修措施,提高發(fā)動機使用壽命。董麗虹、郭偉等人[26]采用了脈沖紅外熱像技術對YSZ熱障涂層界面脫粘缺陷進行了檢測,采用了PPT、PCA、TSR三種熱圖重構算法進行識別,均可識別直徑大于2 mm的界面拓展缺陷(如圖5所示)。袁雅妮、蘇清風等人[27]采用脈沖激勵主動紅外熱成像技術對封嚴涂層的缺陷進行檢測研究,可以有效的檢測出厚度為1 mm的封嚴涂層缺陷,且缺陷面積檢測誤差控制在5 %以內。韋金鳳等人[28]通過搭建的長脈沖熱像法實驗檢測平臺,分析了表面溫度分布與缺陷尺寸之間的關系,實現(xiàn)了直徑低于2 mm的熱障涂層界面缺陷的定量表征。王帆等人[29]發(fā)明了一種運用線性激光束對熱障涂層進行檢測的方法,通過紅外成像數(shù)據(jù),通過對溫度異常區(qū)域進行渦流測厚,可以實現(xiàn)大面積全景式快速掃描和局部精確測量,并能夠現(xiàn)場實時進行對熱障涂層的無損檢測和參數(shù)提取。朱旺等人[30]發(fā)明了一種熱障涂層高溫腐蝕的檢測方法,通過向樣品表面的熱障涂層噴射腐蝕性粉末和高溫焰流,來模擬在真實環(huán)境中的影響,此法可以提高航空發(fā)動機葉片熱障涂層受腐蝕影響的檢測效率。伍劍波等人[31]發(fā)明了一種基于面陣脈沖激光激勵檢測熱障涂層表面的裝置和方法,采用面陣脈沖激光激勵在熱障涂層表面形成短周期的脈沖加熱,并通過紅外熱像儀采集待測涂層零件的溫度信息,并通過算法來計算算出涂層厚度及缺陷情況,實現(xiàn)了對熱障涂層的快速檢測。

圖5 原始熱圖與重構熱圖對比[26]Fig.5 Comparison of original and reconstructed heat maps[26]

4.3 缺陷識別與定量評估算法

近年來,隨著機器學習等智能算法在圖像識別和處理領域的廣泛應用,在紅外熱圖處理和缺陷的定性定量分析方面有所進展,從而使得主動紅外無損檢測的檢測效率與準確度有了大幅度的提升。

在紅外熱圖處理方面,卜遲武等人[32]提出了一種基于retina-watershed-canny算子的混合邊緣檢測算法,該方法可以減少缺陷周圍大量無用和不真實的邊界信息,提高缺陷的特征提取效果,為研究缺陷的定量檢測奠定了基礎。謝芬等人[33]提出了一種基于融合特征的噪聲魯棒帶鋼表面缺陷識別方法,該方法提高對帶鋼表面的識別精度,縮短了檢測所需時間。唐慶菊等人[34]以紅外攝像機捕獲的真實紅外圖像為研究對象,通過三種算法對比實驗,得出FOD-PSO算法在紅外圖像分割和SiC涂層缺陷邊緣識別方面效果最好。張慶宇等人[35]提出了一種基于單尺度Retinex與改進的K-均值聚類的檢測方法,該法利用單尺度Retinex(single-scale Retinex,SSR)進行圖像缺陷強化,利用改進的K-均值聚類算法進行分割,最后采用數(shù)學形態(tài)學算法去除缺陷圖像中無用信息,并利用Canny算子實現(xiàn)缺陷邊緣的提取。高斌等人[36]提出了一種基于生成對抗網絡的光激勵紅外無損檢測方法,首先對紅外熱圖進行預處理,形成相應的訓練數(shù)據(jù)集和標簽數(shù)據(jù)集,然后搭建和訓練改進型生成對抗網絡和判別網絡,可以實現(xiàn)對缺陷的實時分割。

在缺陷的定性分析方面,Yasir Aslam等人[37]提出了一種基于自定義深度學習架構UNet的鈦涂層金屬表面數(shù)字圖像的自動分割和量化方法,該方法可以從訓練數(shù)據(jù)中學習合適的表示和特征,可以用來檢測表面裂紋、劃痕等缺陷,檢測精度可以達到93.46 %。Rahmat Ali等人[38]提出了一種基于深度學習的紅外熱像檢測鋼桁架橋鋼構件亞表面損傷的方法,該方法對原有的深度神經網絡進行了遷移學習,可以用于檢測和定位含涂層與鋼表面之間的腐蝕和脫粘等亞表面損傷缺陷,檢測準確率為96 %。周飛等人[39]提出了一種基于雙線性模型的通用表面缺陷自動檢測方法,設計了一種新的雙視覺幾何群D-VGG16作為雙線性模型的特征函數(shù),該方法可以同時實現(xiàn)具有不同缺陷特征的缺陷的分類和定位。康碩等人[40]提出了一種融合紅外與可見光的缺陷檢測方法,用于纖維自動鋪放過程缺陷的檢測、定位和分類,其采用無錨框的檢測框架,運用特征網絡將兩種光譜信息融合,并通過改進的特征金字塔網絡結構進行多尺度預測,在Tensor RT加速后檢測網絡對每張608×608像素圖像進行檢測,檢測時間小于20 ms,在生產線上檢測平均精確率超過82 %。

在缺陷的定量分析方面,Hicham Halloua等人[41]提出了一種將神經網絡與遺傳算法結合的混合神經網絡模型,通過遺傳算法對神經網絡的初始權值進行優(yōu)化,并改進了網絡結果,使得迭代次數(shù)和精度都有提高,提高了對熱障涂層厚度的檢測精度,使得誤差小于5 %。J.G.Sun,A.Kulkarni等人[42]提出了一種脈沖熱成像-多層分析(PTI-MLA)方法,該方法可以測量不同涂層和襯底的導熱系數(shù)和熱容分布,通過無損評估(NDE)方法來對熱障涂層進行評估,實現(xiàn)對熱障涂層厚度的檢測。邱金星等人[43]提出了一種裂縫深度數(shù)據(jù)分析方法,可以實現(xiàn)僅通過測量表面溫度和分析特征參數(shù)來確定裂紋深度,并基于神經網絡的保證了相對誤差均在5 %以內。邱儼睿等人[44]提出局部閾值和全局閾值分割法相結合的魯棒Otsu缺陷分割算法,并基于機器學習的缺陷識別方法實現(xiàn)了缺陷位置及深度的定量評估。錢鵬[45]通過以最佳檢測時間與最大溫差為模型的輸入,孔洞缺陷的深度與直徑大小為模型的輸出,來建立了定量識別模型,實現(xiàn)了預測值的最大誤差為5.5 %,最小誤差為1 %,并證明了PSO-BP神經網絡方法進行紅外無損檢測定量識別的可行性(如圖6所示)。

圖6 PSO-BP神經網絡缺陷定量識別模型流程圖[45]Fig.6 Flowchart of PSO-BP neural network defect quantitative recognition model[45]

5 面臨的困難和發(fā)展方向

(1)主動紅外檢測激勵參數(shù)與葉片典型缺陷的精確匹配模型尚未建立?，F(xiàn)代航空發(fā)動機葉片復雜的三維氣動設計和材料涂層特性大大增加了其缺陷檢測的難度,同時不同的熱激勵模式和葉片材料構型特征對檢測效果有很大影響。因此,亟需針對熱激勵能量形式與熱源在葉片材料入射和內部熱傳導過程的作用機理開展深入研究。

(2)紅外熱圖中缺陷信息的快速識別和定量分析方法仍是影響檢測精度的關鍵點。目前,仍需通過背景信息剔除、濾波去除噪點和特征信息提取等一系列復雜過程,獲取受損葉片的紅外熱像時序圖,以便于進一步的缺陷識別和量化評估。葉片的疲勞裂紋和涂層缺陷具有個性化特征,非常有必要建立一套葉片缺陷信息的快速識別算法和定量分析流程。

(3)主動紅外熱像檢測成套設備的自動化程度偏低,環(huán)境對現(xiàn)場檢測效果的影響較大。近年來,雖然紅外熱像檢測設備的硬件性能參數(shù)有了很大的提升,但現(xiàn)有的國內外葉片缺陷主動紅外檢測技術仍處于實驗室研究階段,仍需推進自動化損傷評估成套設備研制和現(xiàn)場檢測數(shù)據(jù)的積累等工作。

6 未來發(fā)展方向

針對葉片缺陷主動紅外檢測所面臨的主要困難,一方面依靠紅外無損檢測關鍵設備性能水平的提升,另一方面有賴于機器學習、圖像處理和數(shù)據(jù)融合等先進技術與傳統(tǒng)紅外無損檢測方法的深度結合。目前,航空發(fā)動機葉片缺陷主動紅外無損檢測研究呈現(xiàn)出以下兩個顯著的發(fā)展方向:

(1)構建主動紅外檢測工藝參數(shù)數(shù)據(jù)庫。與常規(guī)無損檢測方法相比,紅外無損檢測工藝參數(shù)選取非常復雜,不但要考慮激勵方式和設備,還要綜合分析葉片材料、結構、涂層和缺陷特性。國內外學者針對激勵參數(shù)、葉片典型缺陷、葉片材料特性等開展大量的實驗和仿真研究,對構建主動紅外檢測工藝參數(shù)數(shù)據(jù)庫具有重要的意義。

(2)引入智能算法和數(shù)據(jù)融合的葉片缺陷定量分析方法。隨著先進檢測技術的快速發(fā)展,獲取以可見光、紅外熱像信息和環(huán)境信息構成的多源多維葉片缺陷檢測數(shù)據(jù)集越加容易。針對此海量檢測數(shù)據(jù)集,通過信息提取、特征識別和相關性分析等數(shù)據(jù)融合方法進行處理,可實現(xiàn)葉片缺陷信息的定量分析評估和精確三維重構,對提高缺陷檢測效率和適應外場作業(yè)環(huán)境優(yōu)勢明顯。