本發(fā)明涉及材料性能檢測，具體為碳纖維復合三元乙丙橡膠材料受拉檢測系統(tǒng)及其檢測方法。

背景技術(shù)：

1、在現(xiàn)代工業(yè)領(lǐng)域，碳纖維復合三元乙丙橡膠材料憑借其出色的綜合性能，如高強度、耐老化、抗腐蝕等，被廣泛應用于航空航天、汽車制造、建筑工程等眾多關(guān)鍵領(lǐng)域。在航空航天方面，用于制造飛機的機翼、機身等部件，在承受飛行過程中的各種應力時，材料的完整性至關(guān)重要；汽車制造中，用于密封件、減震部件等，確保車輛的安全性能和舒適性；建筑工程里，用于橋梁伸縮縫、建筑防水等部位，保障建筑結(jié)構(gòu)的穩(wěn)定性和耐久性。

2、然而，這類材料在實際使用過程中，尤其是受到拉伸力作用時，內(nèi)部容易出現(xiàn)各種缺陷。材料在生產(chǎn)過程中，由于原材料的質(zhì)量差異、加工工藝的不完善，可能導致內(nèi)部結(jié)構(gòu)不均勻，形成潛在缺陷。在長期的使用過程中，受到環(huán)境因素（如溫度、濕度變化）和機械應力的反復作用，也會引發(fā)內(nèi)部缺陷的產(chǎn)生和發(fā)展。這些缺陷會嚴重影響材料的力學性能和使用壽命，進而威脅到相關(guān)工程的安全性和可靠性。

3、目前，傳統(tǒng)的材料受拉檢測方法存在諸多局限性。常見的目視檢測方法，只能檢測材料表面的明顯缺陷，對于材料內(nèi)部的微小缺陷或隱藏缺陷無能為力。超聲波檢測雖然能夠檢測材料內(nèi)部缺陷，但對缺陷的定位和定量分析不夠精確，且容易受到材料內(nèi)部結(jié)構(gòu)復雜性的干擾。x?射線檢測雖然精度較高，但設(shè)備成本昂貴，檢測過程繁瑣，對操作人員的專業(yè)要求高，并且存在輻射危害，不適用于現(xiàn)場快速檢測。

4、現(xiàn)有的一些基于單一傳感器的檢測系統(tǒng)，只能獲取材料受拉過程中的某一種信息，如僅能檢測應變或僅能檢測溫度變化，無法全面反映材料的受拉狀態(tài)。而且，這些系統(tǒng)在數(shù)據(jù)處理和分析方面，往往采用簡單的算法，無法充分挖掘數(shù)據(jù)中的潛在信息，難以實現(xiàn)對材料內(nèi)部缺陷的準確判斷和早期預警。在實際工程應用中，迫切需要一種能夠?qū)崟r、全面、精準地檢測碳纖維復合三元乙丙橡膠材料受拉狀態(tài)下內(nèi)部缺陷的系統(tǒng)及方法，以滿足現(xiàn)代工業(yè)對材料質(zhì)量和安全性的嚴格要求。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于提供碳纖維復合三元乙丙橡膠材料受拉檢測系統(tǒng)及其檢測方法以解決上述背景技術(shù)中提出的問題。

2、為實現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：一種碳纖維復合三元乙丙橡膠材料受拉檢測系統(tǒng)，所述系統(tǒng)包括：

3、實時采集模塊，用于通過多模態(tài)傳感器同步獲取材料受拉過程中的應變分布數(shù)據(jù)、紅外熱像數(shù)據(jù)及聲發(fā)射信號流；

4、多維度特征解析模塊，對所述應變分布數(shù)據(jù)進行空間網(wǎng)格化離散處理，生成應變梯度特征集，同時對所述紅外熱像數(shù)據(jù)進行溫度場動態(tài)分割，提取熱傳導異常指標；

5、動態(tài)融合模塊，基于自適應權(quán)重分配算法，將所述應變梯度特征集、熱傳導異常指標及聲發(fā)射信號流的頻域能量特征進行非線性融合，生成增強特征矩陣；

6、缺陷檢測模塊，將所述增強特征矩陣輸入預訓練的第一深度學習模型，所述模型基于三維卷積神經(jīng)網(wǎng)絡(luò)與注意力機制并行架構(gòu)，輸出材料內(nèi)部缺陷概率分布圖；

7、實時反饋模塊，根據(jù)所述缺陷概率分布圖生成受拉狀態(tài)評估結(jié)果，并觸發(fā)分級預警指令。

8、優(yōu)選的，所述多模態(tài)傳感器包括：

9、高分辨率光纖光柵傳感器陣列，按預設(shè)拓撲結(jié)構(gòu)嵌入材料表面，用于采集應變分布數(shù)據(jù)；

10、紅外熱像儀與聲發(fā)射傳感器組，分別以固定采樣頻率同步獲取熱像數(shù)據(jù)及聲發(fā)射信號。

11、優(yōu)選的，所述空間網(wǎng)格化離散處理的步驟包括：

12、根據(jù)材料幾何參數(shù)將應變分布數(shù)據(jù)劃分為三維體素單元；采用拉普拉斯算子計算各體素單元的應變梯度幅值；

13、對相鄰體素單元進行差分運算，生成應變梯度方向一致性指標。

14、優(yōu)選的，所述溫度場動態(tài)分割的步驟包括：

15、對紅外熱像數(shù)據(jù)執(zhí)行形態(tài)學開運算以消除噪聲干擾；

16、基于區(qū)域生長算法識別熱傳導異常區(qū)域邊界；

17、計算異常區(qū)域與背景溫差的時變標準差，生成熱傳導異常指標。

18、優(yōu)選的，所述自適應權(quán)重分配算法的實現(xiàn)包括：

19、通過門控循環(huán)單元網(wǎng)絡(luò)建模應變梯度特征的時序相關(guān)性；

20、采用熵權(quán)法計算熱傳導異常指標的靜態(tài)權(quán)重；

21、利用協(xié)方差矩陣分析聲發(fā)射頻域能量特征與應變梯度的動態(tài)耦合關(guān)系；

22、融合所述時序相關(guān)性、靜態(tài)權(quán)重及動態(tài)耦合關(guān)系生成特征融合權(quán)重向量。

23、優(yōu)選的，將所述增強特征矩陣輸入并行三維卷積層與多頭自注意力層；

24、通過三維卷積核提取局部空間特征，并通過注意力機制建?？缤ǖ廊忠蕾嚕?/p>

25、采用通道注意力門控機制融合局部與全局特征，輸出缺陷概率分布圖。

26、優(yōu)選的，所述實時反饋模塊的觸發(fā)邏輯包括：

27、若缺陷概率分布圖中存在連續(xù)區(qū)域的概率值超過第一閾值，則啟動一級預警并降低拉伸速率；

28、若概率值超過第二閾值且區(qū)域面積擴大，則觸發(fā)二級預警并終止拉伸實驗；

29、將預警指令與缺陷分布數(shù)據(jù)同步至分布式監(jiān)測平臺。

30、優(yōu)選的，所述三維體素單元的劃分策略包括：

31、根據(jù)材料厚度方向的分層數(shù)動態(tài)調(diào)整體素單元尺寸；

32、在應變突變區(qū)域采用八叉樹結(jié)構(gòu)進行局部細化分割；

33、對體素單元邊界執(zhí)行雙線性插值以消除鋸齒效應。

34、優(yōu)選的，所述區(qū)域生長算法的優(yōu)化步驟包括：基于熱像數(shù)據(jù)梯度幅值設(shè)置動態(tài)生長閾值，采用各向異性擴散方程對種子點區(qū)域進行平滑擴展，通過輪廓曲率約束避免區(qū)域過度生長。

35、優(yōu)選的，本發(fā)明還包括一種碳纖維復合三元乙丙橡膠材料受拉檢測方法，所述方法包括：

36、通過上述碳纖維復合三元乙丙橡膠材料受拉檢測系統(tǒng)執(zhí)行材料受拉狀態(tài)的實時檢測與預警。

37、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

38、從檢測數(shù)據(jù)的獲取角度來看，系統(tǒng)采用多模態(tài)傳感器，包括高分辨率光纖光柵傳感器陣列、紅外熱像儀與聲發(fā)射傳感器組。高分辨率光纖光柵傳感器陣列按預設(shè)拓撲結(jié)構(gòu)嵌入材料表面，能夠精確采集應變分布數(shù)據(jù)，為分析材料內(nèi)部應力變化提供關(guān)鍵信息。紅外熱像儀與聲發(fā)射傳感器組同步工作，分別獲取熱像數(shù)據(jù)及聲發(fā)射信號。多種傳感器的協(xié)同工作，實現(xiàn)了從多個維度對材料受拉過程進行全面監(jiān)測，避免了單一傳感器信息獲取的局限性，使得檢測數(shù)據(jù)更加豐富、全面，為后續(xù)準確分析材料狀態(tài)奠定了堅實基礎(chǔ)。

39、在數(shù)據(jù)處理和特征解析方面，多維度特征解析模塊的操作極具創(chuàng)新性。對應變分布數(shù)據(jù)進行空間網(wǎng)格化離散處理，通過劃分三維體素單元、計算應變梯度幅值和應變梯度方向一致性指標，能夠深入挖掘應變在材料內(nèi)部的變化特征，精確捕捉應變突變區(qū)域，這對于發(fā)現(xiàn)潛在缺陷的位置和程度具有重要意義。對紅外熱像數(shù)據(jù)進行溫度場動態(tài)分割，經(jīng)過形態(tài)學開運算消除噪聲干擾，利用區(qū)域生長算法識別熱傳導異常區(qū)域邊界，并計算熱傳導異常指標，能夠有效檢測出材料內(nèi)部因缺陷導致的熱傳導異常情況，為缺陷檢測提供了另一個重要依據(jù)。

40、動態(tài)融合模塊基于自適應權(quán)重分配算法，將應變梯度特征集、熱傳導異常指標及聲發(fā)射信號流的頻域能量特征進行非線性融合，生成增強特征矩陣。這種融合方式充分考慮了不同特征的重要性和相互關(guān)系，通過門控循環(huán)單元網(wǎng)絡(luò)建模應變梯度特征的時序相關(guān)性、熵權(quán)法計算熱傳導異常指標的靜態(tài)權(quán)重以及協(xié)方差矩陣分析聲發(fā)射頻域能量特征與應變梯度的動態(tài)耦合關(guān)系，使得融合后的特征矩陣能夠更準確地反映材料內(nèi)部的真實狀態(tài)，大大提高了缺陷檢測的準確性和可靠性。

41、缺陷檢測模塊采用基于三維卷積神經(jīng)網(wǎng)絡(luò)與注意力機制并行架構(gòu)的第一深度學習模型。三維卷積核提取局部空間特征，注意力機制建?？缤ǖ廊忠蕾嚕偻ㄟ^通道注意力門控機制融合局部與全局特征，輸出材料內(nèi)部缺陷概率分布圖。這種深度學習模型能夠自動學習材料受拉過程中的復雜特征，相比傳統(tǒng)的檢測算法，具有更強的特征提取能力和模式識別能力，能夠更精準地定位和識別材料內(nèi)部的微小缺陷和潛在缺陷，有效提高了檢測的精度和靈敏度。

42、實時反饋模塊根據(jù)缺陷概率分布圖生成受拉狀態(tài)評估結(jié)果，并觸發(fā)分級預警指令。根據(jù)不同的缺陷概率閾值和區(qū)域變化情況，啟動不同級別的預警并采取相應措施，如降低拉伸速率或終止拉伸實驗，同時將預警指令與缺陷分布數(shù)據(jù)同步至分布式監(jiān)測平臺。這一功能實現(xiàn)了對材料受拉過程的實時監(jiān)控和動態(tài)調(diào)整，能夠及時發(fā)現(xiàn)材料的異常狀態(tài)，避免因缺陷發(fā)展導致材料失效，保障了相關(guān)工程的安全性和可靠性。在實際生產(chǎn)和工程應用中，可以大大減少因材料缺陷引發(fā)的安全事故，降低經(jīng)濟損失，提高生產(chǎn)效率和產(chǎn)品質(zhì)量。同時，分布式監(jiān)測平臺的應用方便了多部門協(xié)同工作，提高了檢測系統(tǒng)的實用性和可操作性。