CN120063929B

CN120063929B - 碳纤维复合三元乙丙橡胶材料受拉检测系统及其检测方法

Info

Publication number: CN120063929B
Application number: CN202510534003.1A
Authority: CN
Inventors: 余磊; 董子杰; 李翊; 李敏晨; 史梦飞; 谭大伟; 殷仕龙; 李飞龙
Original assignee: Suzhou Institute Of Technology
Current assignee: Suzhou Institute Of Technology
Priority date: 2025-04-27
Filing date: 2025-04-27
Publication date: 2025-07-22
Anticipated expiration: 2045-04-27
Also published as: CN120063929A

Abstract

本发明涉及材料性能检测技术领域，公开了一种碳纤维复合三元乙丙橡胶材料受拉检测系统及其检测方法。系统包括实时采集模块、多维度特征解析模块、动态融合模块、缺陷检测模块和实时反馈模块。实时采集模块利用多模态传感器同步获取应变分布数据、红外热像数据及声发射信号流；多维度特征解析模块对数据进行处理生成相应特征；动态融合模块融合特征生成增强特征矩阵；缺陷检测模块将矩阵输入预训练模型输出缺陷概率分布图；实时反馈模块根据分布图评估受拉状态并分级预警。该发明能全面、精准检测材料受拉时的内部缺陷，及时预警，提高材料检测的准确性和可靠性，保障相关工程安全。

Description

碳纤维复合三元乙丙橡胶材料受拉检测系统及其检测方法

技术领域

本发明涉及材料性能检测技术领域，具体为碳纤维复合三元乙丙橡胶材料受拉检测系统及其检测方法。

背景技术

在现代工业领域，碳纤维复合三元乙丙橡胶材料凭借其出色的综合性能，如高强度、耐老化、抗腐蚀等，被广泛应用于航空航天、汽车制造、建筑工程等众多关键领域。在航空航天方面，用于制造飞机的机翼、机身等部件，在承受飞行过程中的各种应力时，材料的完整性至关重要；汽车制造中，用于密封件、减震部件等，确保车辆的安全性能和舒适性；建筑工程里，用于桥梁伸缩缝、建筑防水等部位，保障建筑结构的稳定性和耐久性。

然而，这类材料在实际使用过程中，尤其是受到拉伸力作用时，内部容易出现各种缺陷。材料在生产过程中，由于原材料的质量差异、加工工艺的不完善，可能导致内部结构不均匀，形成潜在缺陷。在长期的使用过程中，受到环境因素（如温度、湿度变化）和机械应力的反复作用，也会引发内部缺陷的产生和发展。这些缺陷会严重影响材料的力学性能和使用寿命，进而威胁到相关工程的安全性和可靠性。

目前，传统的材料受拉检测方法存在诸多局限性。常见的目视检测方法，只能检测材料表面的明显缺陷，对于材料内部的微小缺陷或隐藏缺陷无能为力。超声波检测虽然能够检测材料内部缺陷，但对缺陷的定位和定量分析不够精确，且容易受到材料内部结构复杂性的干扰。X 射线检测虽然精度较高，但设备成本昂贵，检测过程繁琐，对操作人员的专业要求高，并且存在辐射危害，不适用于现场快速检测。

现有的一些基于单一传感器的检测系统，只能获取材料受拉过程中的某一种信息，如仅能检测应变或仅能检测温度变化，无法全面反映材料的受拉状态。而且，这些系统在数据处理和分析方面，往往采用简单的算法，无法充分挖掘数据中的潜在信息，难以实现对材料内部缺陷的准确判断和早期预警。在实际工程应用中，迫切需要一种能够实时、全面、精准地检测碳纤维复合三元乙丙橡胶材料受拉状态下内部缺陷的系统及方法，以满足现代工业对材料质量和安全性的严格要求。

发明内容

本发明的目的在于提供碳纤维复合三元乙丙橡胶材料受拉检测系统及其检测方法以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种碳纤维复合三元乙丙橡胶材料受拉检测系统，所述系统包括：

实时采集模块，用于通过多模态传感器同步获取材料受拉过程中的应变分布数据、红外热像数据及声发射信号流；

多维度特征解析模块，对所述应变分布数据进行空间网格化离散处理，生成应变梯度特征集，同时对所述红外热像数据进行温度场动态分割，提取热传导异常指标；

动态融合模块，基于自适应权重分配算法，将所述应变梯度特征集、热传导异常指标及声发射信号流的频域能量特征进行非线性融合，生成增强特征矩阵；

缺陷检测模块，将所述增强特征矩阵输入预训练的第一深度学习模型，所述模型基于三维卷积神经网络与注意力机制并行架构，输出材料内部缺陷概率分布图；

实时反馈模块，根据所述缺陷概率分布图生成受拉状态评估结果，并触发分级预警指令。

优选的，所述多模态传感器包括：

高分辨率光纤光栅传感器阵列，按预设拓扑结构嵌入材料表面，用于采集应变分布数据；

红外热像仪与声发射传感器组，分别以固定采样频率同步获取热像数据及声发射信号。

优选的，所述空间网格化离散处理的步骤包括：

根据材料几何参数将应变分布数据划分为三维体素单元；采用拉普拉斯算子计算各体素单元的应变梯度幅值；

对相邻体素单元进行差分运算，生成应变梯度方向一致性指标。

优选的，所述温度场动态分割的步骤包括：

对红外热像数据执行形态学开运算以消除噪声干扰；

基于区域生长算法识别热传导异常区域边界；

计算异常区域与背景温差的时变标准差，生成热传导异常指标。

优选的，所述自适应权重分配算法的实现包括：

通过门控循环单元网络建模应变梯度特征的时序相关性；

采用熵权法计算热传导异常指标的静态权重；

利用协方差矩阵分析声发射频域能量特征与应变梯度的动态耦合关系；

融合所述时序相关性、静态权重及动态耦合关系生成特征融合权重向量。

优选的，将所述增强特征矩阵输入并行三维卷积层与多头自注意力层；

通过三维卷积核提取局部空间特征，并通过注意力机制建模跨通道全局依赖；

采用通道注意力门控机制融合局部与全局特征，输出缺陷概率分布图。

优选的，所述实时反馈模块的触发逻辑包括：

若缺陷概率分布图中存在连续区域的概率值超过第一阈值，则启动一级预警并降低拉伸速率；

若概率值超过第二阈值且区域面积扩大，则触发二级预警并终止拉伸实验；

将预警指令与缺陷分布数据同步至分布式监测平台。

优选的，所述三维体素单元的划分策略包括：

根据材料厚度方向的分层数动态调整体素单元尺寸；

在应变突变区域采用八叉树结构进行局部细化分割；

对体素单元边界执行双线性插值以消除锯齿效应。

优选的，所述区域生长算法的优化步骤包括：基于热像数据梯度幅值设置动态生长阈值，采用各向异性扩散方程对种子点区域进行平滑扩展，通过轮廓曲率约束避免区域过度生长。

优选的，本发明还包括一种碳纤维复合三元乙丙橡胶材料受拉检测方法，所述方法包括：

通过上述碳纤维复合三元乙丙橡胶材料受拉检测系统执行材料受拉状态的实时检测与预警。

与现有技术相比，本发明的有益效果是：

从检测数据的获取角度来看，系统采用多模态传感器，包括高分辨率光纤光栅传感器阵列、红外热像仪与声发射传感器组。高分辨率光纤光栅传感器阵列按预设拓扑结构嵌入材料表面，能够精确采集应变分布数据，为分析材料内部应力变化提供关键信息。红外热像仪与声发射传感器组同步工作，分别获取热像数据及声发射信号。多种传感器的协同工作，实现了从多个维度对材料受拉过程进行全面监测，避免了单一传感器信息获取的局限性，使得检测数据更加丰富、全面，为后续准确分析材料状态奠定了坚实基础。

在数据处理和特征解析方面，多维度特征解析模块的操作极具创新性。对应变分布数据进行空间网格化离散处理，通过划分三维体素单元、计算应变梯度幅值和应变梯度方向一致性指标，能够深入挖掘应变在材料内部的变化特征，精确捕捉应变突变区域，这对于发现潜在缺陷的位置和程度具有重要意义。对红外热像数据进行温度场动态分割，经过形态学开运算消除噪声干扰，利用区域生长算法识别热传导异常区域边界，并计算热传导异常指标，能够有效检测出材料内部因缺陷导致的热传导异常情况，为缺陷检测提供了另一个重要依据。

动态融合模块基于自适应权重分配算法，将应变梯度特征集、热传导异常指标及声发射信号流的频域能量特征进行非线性融合，生成增强特征矩阵。这种融合方式充分考虑了不同特征的重要性和相互关系，通过门控循环单元网络建模应变梯度特征的时序相关性、熵权法计算热传导异常指标的静态权重以及协方差矩阵分析声发射频域能量特征与应变梯度的动态耦合关系，使得融合后的特征矩阵能够更准确地反映材料内部的真实状态，大大提高了缺陷检测的准确性和可靠性。

缺陷检测模块采用基于三维卷积神经网络与注意力机制并行架构的第一深度学习模型。三维卷积核提取局部空间特征，注意力机制建模跨通道全局依赖，再通过通道注意力门控机制融合局部与全局特征，输出材料内部缺陷概率分布图。这种深度学习模型能够自动学习材料受拉过程中的复杂特征，相比传统的检测算法，具有更强的特征提取能力和模式识别能力，能够更精准地定位和识别材料内部的微小缺陷和潜在缺陷，有效提高了检测的精度和灵敏度。

实时反馈模块根据缺陷概率分布图生成受拉状态评估结果，并触发分级预警指令。根据不同的缺陷概率阈值和区域变化情况，启动不同级别的预警并采取相应措施，如降低拉伸速率或终止拉伸实验，同时将预警指令与缺陷分布数据同步至分布式监测平台。这一功能实现了对材料受拉过程的实时监控和动态调整，能够及时发现材料的异常状态，避免因缺陷发展导致材料失效，保障了相关工程的安全性和可靠性。在实际生产和工程应用中，可以大大减少因材料缺陷引发的安全事故，降低经济损失，提高生产效率和产品质量。同时，分布式监测平台的应用方便了多部门协同工作，提高了检测系统的实用性和可操作性。

附图说明

图1为本发明所述碳纤维复合三元乙丙橡胶材料受拉检测系统的工作原理图；

图2为空间网格化离散处理与体素划分的策略图；

图3为自适应权重分配算法的实现图；

图4为深度学习模型的构建图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1-图4，本发明提供一种技术方案：碳纤维复合三元乙丙橡胶材料受拉检测系统，旨在实现对该材料受拉过程中内部缺陷的精准检测与实时预警。以下将详细阐述本发明的具体实施方式：

实时采集模块通过多模态传感器同步获取材料受拉过程中的关键数据。在材料受拉实验开始时，多模态传感器开始工作，高分辨率光纤光栅传感器阵列按预设拓扑结构嵌入材料表面，随着材料在拉力作用下发生变形，该传感器阵列能精确采集应变分布数据；红外热像仪与声发射传感器组分别以固定采样频率同步获取热像数据及声发射信号。这些数据全面反映了材料受拉时的物理状态变化。

多维度特征解析模块对采集到的数据进行深入处理。针对应变分布数据，先根据材料几何参数将其划分为三维体素单元，再采用拉普拉斯算子计算各体素单元的应变梯度幅值，对相邻体素单元进行差分运算，生成应变梯度方向一致性指标，从而得到应变梯度特征集。对于红外热像数据，先对其执行形态学开运算以消除噪声干扰，基于区域生长算法识别热传导异常区域边界，计算异常区域与背景温差的时变标准差，生成热传导异常指标。

动态融合模块基于自适应权重分配算法，将应变梯度特征集、热传导异常指标及声发射信号流的频域能量特征进行非线性融合。通过门控循环单元网络建模应变梯度特征的时序相关性；采用熵权法计算热传导异常指标的静态权重；利用协方差矩阵分析声发射频域能量特征与应变梯度的动态耦合关系；融合这些因素生成特征融合权重向量，最终生成增强特征矩阵。

缺陷检测模块将增强特征矩阵输入预训练的第一深度学习模型，该模型基于三维卷积神经网络与注意力机制并行架构。增强特征矩阵输入并行三维卷积层与多头自注意力层，三维卷积核提取局部空间特征，注意力机制建模跨通道全局依赖，再采用通道注意力门控机制融合局部与全局特征，输出材料内部缺陷概率分布图。

实时反馈模块根据缺陷概率分布图生成受拉状态评估结果，并触发分级预警指令。若缺陷概率分布图中存在连续区域的概率值超过第一阈值，则启动一级预警并降低拉伸速率；若概率值超过第二阈值且区域面积扩大，则触发二级预警并终止拉伸实验；最后将预警指令与缺陷分布数据同步至分布式监测平台。

下面结合实施例1至6对本发明作进一步说明：

实施例1：

在本实施例中，对多模态传感器的具体构成及工作原理进行详细说明。多模态传感器在整个检测系统中起着数据采集的关键作用，其性能直接影响后续检测结果的准确性。

高分辨率光纤光栅传感器阵列按预设拓扑结构嵌入材料表面。在实际操作中，预设拓扑结构的设计需根据材料的形状、尺寸以及预期的受力情况来确定。例如，对于矩形的碳纤维复合三元乙丙橡胶材料试件，可将传感器阵列呈规则的网格状分布在材料表面，确保能全面覆盖可能出现应变变化的区域。当材料受拉时，由于材料的变形会引起光纤光栅的应变，根据光纤光栅的应变 - 波长关系，高分辨率光纤光栅传感器阵列能够将材料表面的应变变化转化为波长变化，进而精确采集应变分布数据。这种传感器具有精度高、抗干扰能力强等优点，能够实时、准确地反映材料表面的应变情况。

红外热像仪与声发射传感器组分别以固定采样频率同步获取热像数据及声发射信号。红外热像仪通过探测物体表面的红外辐射能量来生成热像图。在材料受拉过程中，材料内部的缺陷或应力集中区域会导致热量传递异常，红外热像仪以固定的采样频率（如每秒25帧）对材料表面进行拍摄，获取不同时刻的热像数据。这些热像数据记录了材料表面温度的分布和变化情况，为后续分析热传导异常提供了依据。

声发射传感器组则用于监测材料在受拉过程中内部结构变化产生的声发射信号。当材料内部出现微裂纹扩展、摩擦等现象时，会产生弹性波，即声发射信号。声发射传感器组通过将这些弹性波转换为电信号进行采集，其固定采样频率（如1MHz）能够保证捕捉到材料内部微小的结构变化信号。通过对声发射信号的分析，可以了解材料内部缺陷的产生和发展情况。

通过高分辨率光纤光栅传感器阵列、红外热像仪与声发射传感器组的协同工作，多模态传感器能够全面、准确地获取材料受拉过程中的应变分布数据、红外热像数据及声发射信号流，为后续的特征解析和缺陷检测奠定坚实基础。

实施例2：

本实施例详细阐述空间网格化离散处理以及三维体素单元划分策略的具体实施过程。

在进行空间网格化离散处理时，首先根据材料几何参数将应变分布数据划分为三维体素单元。材料几何参数包括材料的长度、宽度、厚度等。例如，对于一块长100mm、宽50mm、厚10mm的碳纤维复合三元乙丙橡胶材料，假设在长度方向划分为100个单元，宽度方向划分为50个单元，厚度方向根据分层数动态调整体素单元尺寸。若设定厚度方向分为5层，则每层体素单元在厚度方向的尺寸为2mm，在长度和宽度方向保持不变，这样就构建了一个个微小的三维体素单元，将连续的应变分布数据离散化到这些单元中。

采用拉普拉斯算子计算各体素单元的应变梯度幅值。拉普拉斯算子是一种常用的图像处理算子，在本发明中用于计算应变分布的变化率。对于每个体素单元，其应变梯度幅值反映了该单元内应变变化的剧烈程度。假设某体素单元在x、y、z方向上的应变分别为、、，拉普拉斯算子计算应变梯度幅值的公式可表示为：，其中，、、分别表示应变在x、y、z方向上的二阶偏导数，通过计算这些偏导数并代入公式，即可得到每个体素单元的应变梯度幅值。

对相邻体素单元进行差分运算，生成应变梯度方向一致性指标。相邻体素单元之间应变梯度方向的差异能够反映材料内部结构的均匀性。通过比较相邻体素单元应变梯度向量的夹角或方向余弦等方式进行差分运算。假设相邻两个体素单元的应变梯度向量分别为和，应变梯度方向一致性指标可以通过计算它们的夹角余弦值来表示，即，值越接近1，表示两个体素单元应变梯度方向越一致，材料内部结构在该区域越均匀；反之，值越小，说明应变梯度方向差异越大，可能存在结构变化或缺陷。

在三维体素单元的划分策略方面，根据材料厚度方向的分层数动态调整体素单元尺寸。对于厚度较大的材料，适当增加分层数，减小体素单元在厚度方向的尺寸，以便更精确地捕捉厚度方向的应变变化；对于厚度较小的材料，则可以减少分层数，增大体素单元在厚度方向的尺寸，提高计算效率。

在应变突变区域采用八叉树结构进行局部细化分割。应变突变区域往往是材料内部缺陷或应力集中的表现区域，采用八叉树结构能够对这些区域进行更细致的划分。八叉树结构将空间区域递归地划分为八个子区域，在应变突变区域，不断细分八叉树，使得体素单元尺寸更小，更准确地反映该区域的应变变化。例如，当检测到某区域应变变化率超过设定阈值时，判定为应变突变区域，启动八叉树局部细化分割，将该区域进一步划分为更小的体素单元，获取更精确的应变数据。

对体素单元边界执行双线性插值以消除锯齿效应。由于在划分体素单元时，边界可能会出现不连续或锯齿状，影响数据的准确性和后续分析。双线性插值通过在体素单元边界的四个相邻节点上进行线性插值，计算边界点的应变值，从而使边界更加平滑。假设体素单元边界某点位于四个相邻节点、、、之间，通过双线性插值计算点应变值的公式为：，其中，、、和分别为四个相邻节点A、B、C、D的应变值，u和v是P点在AB和AD方向上的插值系数，取值范围在0到1之间，根据P点的位置确定。通过双线性插值，有效消除了体素单元边界的锯齿效应，提高了应变数据的质量。

实施例3：

本实施例聚焦于温度场动态分割以及区域生长算法优化的具体实施细节。

在温度场动态分割过程中，首先对红外热像数据执行形态学开运算以消除噪声干扰。红外热像仪获取的热像数据可能包含各种噪声，如电子噪声、环境干扰等。形态学开运算通过先腐蚀后膨胀的操作，能够去除热像图中的微小噪声点和毛刺。具体操作时，选择合适的结构元素，如圆形或方形结构元素，对热像数据进行腐蚀操作，即把热像图中每个像素点与结构元素进行比较，若结构元素覆盖的区域内所有像素值都大于等于当前像素值，则保留当前像素值，否则将其置为0，这样可以去除一些孤立的噪声点；然后进行膨胀操作，与腐蚀操作相反，若结构元素覆盖的区域内有一个像素值大于当前像素值，则将当前像素值更新为该最大值，从而恢复被腐蚀掉的有用区域，同时进一步平滑图像边界。通过形态学开运算，得到更清晰、准确的热像数据，为后续分析提供良好基础。

基于区域生长算法识别热传导异常区域边界。区域生长算法以种子点为起始，根据一定的生长准则逐步合并相邻像素，形成热传导异常区域。在本实施例中，基于热像数据梯度幅值设置动态生长阈值。热像数据梯度幅值反映了温度变化的剧烈程度，对于温度变化较大的区域，更有可能是热传导异常区域。通过计算热像图中每个像素的梯度幅值G_pixrl，设定一个动态阈值T，T可以根据热像数据的整体统计特征（如均值、标准差）动态调整，例如，其中是热像数据梯度幅值的均值，是标准差，k是一个经验系数，通常取值在1 - 3之间。当像素的梯度幅值G_pixrl大于T时，该像素被认为是热传导异常区域的潜在点。

采用各向异性扩散方程对种子点区域进行平滑扩展。各向异性扩散方程能够在保护边缘的同时对区域进行平滑处理。与传统的各向同性扩散（如高斯滤波）不同，各向异性扩散根据图像的梯度信息调整扩散系数。在热像图中，对于边缘区域（即温度变化较大的区域），扩散系数较小，抑制扩散，保护边缘；对于平坦区域，扩散系数较大，进行平滑处理。其基本公式为：，其中表示热像数据，表示时间，是梯度算子，是扩散系数函数，它是热像数据梯度幅值的函数，通常取，，是一个控制扩散强度的参数。通过迭代求解该方程，种子点区域在保持边缘的前提下逐渐扩展。

通过轮廓曲率约束避免区域过度生长。轮廓曲率反映了区域边界的弯曲程度，当区域生长到一定程度时，如果轮廓曲率过大，说明区域可能过度生长到正常区域。计算区域边界的轮廓曲率K，当K超过设定的阈值K_max时，停止区域生长。例如，对于一条由离散点组成的区域边界曲线，通过计算相邻点之间的切线夹角变化率来近似计算轮廓曲率。通过这种方式，能够准确识别热传导异常区域边界，避免区域过度生长，提高热传导异常区域识别的准确性。

计算异常区域与背景温差的时变标准差，生成热传导异常指标。在确定热传导异常区域后，计算该区域内温度与背景温度的差值，并计算一段时间内这些温差的标准差作为热传导异常指标。假设在个时刻采集到的异常区域与背景温差分别为，则时变标准差的计算公式为：，其中是温差的平均值。该指标能够定量地反映热传导异常的程度和稳定性，为后续的特征融合和缺陷检测提供重要依据。

实施例4：

本实施例详细说明自适应权重分配算法的具体实现过程。

自适应权重分配算法旨在合理融合应变梯度特征集、热传导异常指标及声发射信号流的频域能量特征，以生成更具代表性的增强特征矩阵。

通过门控循环单元网络建模应变梯度特征的时序相关性。门控循环单元（GRU）是一种特殊的循环神经网络，能够有效处理时间序列数据中的长期依赖问题。在材料受拉过程中，应变梯度特征随时间不断变化，具有一定的时序相关性。将应变梯度特征序列输入GRU网络，GRU网络中的重置门r_t和更新门z_t能够自适应地控制信息的流动。重置门r_t决定了如何将新的输入信息与过去的记忆相结合，其计算公式为：，其中是sigmoid函数，W_r是权重矩阵，x_t是当前时刻的应变梯度特征输入，h_t-1是上一时刻的隐藏状态。更新门z_t决定了保留多少过去的记忆以及添加多少新的信息，公式为：。通过重置门和更新门的协同作用，GRU网络能够学习到应变梯度特征的时序相关性，输出包含时序信息的特征表示，为后续权重分配提供依据。

采用熵权法计算热传导异常指标的静态权重。熵权法是一种根据指标数据的变异程度来确定权重的客观赋权方法。对于热传导异常指标数据，首先计算其信息熵。假设热传导异常指标数据有m个样本，n个指标，对于第个指标，其信息熵计算公式为：，其中，，是第个样本的第个热传导异常指标值。信息熵反映了指标数据的离散程度，离散程度越大，信息熵越小，该指标的权重越大。根据信息熵计算每个热传导异常指标的权重，公式为：，这些权重即为热传导异常指标的静态权重，体现了各热传导异常指标在整体信息中的相对重要性。

利用协方差矩阵分析声发射频域能量特征与应变梯度的动态耦合关系。协方差矩阵能够衡量两个变量之间的线性相关性。将声发射频域能量特征和应变梯度特征组成一个向量，其中S_i表示声发射频域能量特征的第i个分量，G_j表示应变梯度特征的第j个分量。计算协方差矩阵，其元素表示第i个和第j个特征分量之间的协方差，公式为：，其中是样本数量，和分别是第个样本的第个和第个特征分量值，和是相应特征分量的平均值。通过分析协方差矩阵中声发射频域能量特征与应变梯度特征对应元素的大小和正负，可以了解它们之间的动态耦合关系，即正相关、负相关或不相关，以及相关性的强弱。

融合时序相关性、静态权重及动态耦合关系生成特征融合权重向量。首先，将GRU网络输出的应变梯度特征的时序相关性表示h_t进行归一化处理，使其与其他权重在同一量级。假设归一化后的时序相关性表示为。

结合之前计算得到的热传导异常指标的静态权重，以及声发射频域能量特征与应变梯度的动态耦合关系（通过协方差矩阵体现）。对于应变梯度特征集、热传导异常指标及声发射信号流的频域能量特征这三个部分，分别根据其各自的特点和重要性赋予不同的权重。

设应变梯度特征的权重向量为，热传导异常指标的权重向量为，声发射信号流的频域能量特征的权重向量为。通过对、以及协方差矩阵分析结果进行综合计算来确定这些权重向量。例如，可以采用加权求和的方式，将设置为与相关的函数，直接使用，根据协方差矩阵中相关元素进行调整。具体地，令（为一个调整系数，用于平衡权重大小），，对于，若协方差矩阵中声发射频域能量特征与应变梯度正相关较强的分量对应的权重增加，负相关较强的分量对应的权重减小，通过一系列的计算和调整后，最终将、、组合成特征融合权重向量。这个权重向量能够根据材料受拉过程中不同特征的重要性和相互关系，合理地对各个特征进行加权融合，从而在动态融合模块生成增强特征矩阵时，更好地突出关键信息，提高后续缺陷检测的准确性。

实施例5：

本实施例主要阐述第一深度学习模型的构建及工作过程。

在构建第一深度学习模型时，将增强特征矩阵输入并行三维卷积层与多头自注意力层。增强特征矩阵包含了经过动态融合模块处理后的应变梯度特征集、热传导异常指标及声发射信号流的频域能量特征等多方面信息。

三维卷积层由多个三维卷积核组成。三维卷积核在增强特征矩阵的三维空间（假设为长、宽、高方向）上滑动进行卷积操作。每个三维卷积核都有自己的权重参数，通过学习这些权重参数，卷积核能够提取增强特征矩阵中的局部空间特征。例如，一个大小为的三维卷积核，在遍历增强特征矩阵时，会对其覆盖的区域内的特征值进行加权求和，并加上偏置项，得到一个新的特征值，从而生成新的特征图。通过多个不同权重的三维卷积核，可以提取到不同类型的局部空间特征，如材料内部微小缺陷附近的局部应变集中特征、热传导异常区域的局部温度变化特征等。

多头自注意力层则用于建模跨通道全局依赖。在增强特征矩阵中，不同通道的特征之间可能存在相互关联。多头自注意力机制通过将输入特征映射到多个低维子空间，在每个子空间中分别计算注意力权重，然后将结果拼接起来。具体过程如下：首先，将增强特征矩阵分别通过三个线性变换、、得到查询向量、键向量、值向量。然后，在每个子空间中计算注意力分数，其中和分别是查询向量和键向量的第行和第行，是键向量的维度，是键向量的数量。注意力分数表示查询向量与键向量之间的关联程度。接着，根据注意力分数对值向量进行加权求和得到每个子空间的输出（表示不同的子空间）。最后，将多个子空间的输出拼接起来，并通过一个线性变换得到多头自注意力层的最终输出。这样，多头自注意力层能够捕捉到增强特征矩阵中跨通道的全局依赖关系，例如不同类型特征之间的协同变化关系。

采用通道注意力门控机制融合局部与全局特征。通道注意力门控机制根据特征的重要性对通道进行加权。首先，对三维卷积层输出的局部空间特征和多头自注意力层输出的全局依赖特征进行融合，得到融合特征F。然后，通过全局平均池化操作将融合特征F在空间维度上进行压缩，得到通道描述向量。接着，将通道描述向量通过两个全连接层，其中第一个全连接层的神经元数量较少，起到降维作用，第二个全连接层的神经元数量与通道数相同，起到升维作用，得到注意力权重向量。最后，将注意力权重向量与融合特征进行逐通道相乘，得到经过通道注意力门控机制处理后的特征，就是最终输出的缺陷概率分布图。通过这种方式，模型能够突出对缺陷检测更有价值的特征，抑制无关特征，从而更准确地输出材料内部缺陷概率分布图。

实施例6：

本实施例着重说明实时反馈模块的触发逻辑及具体操作。

实时反馈模块在整个检测系统中负责根据缺陷概率分布图生成受拉状态评估结果，并触发分级预警指令，以保障检测过程的安全性和有效性。

当缺陷概率分布图生成后，实时反馈模块开始对其进行分析。若缺陷概率分布图中存在连续区域的概率值超过第一阈值，此时启动一级预警并降低拉伸速率。第一阈值是根据大量实验数据和实际经验预先设定的，例如，将第一阈值设为0.5。当系统检测到缺陷概率分布图中有连续的区域，其每个像素点对应的缺陷概率值都大于0.5时，判定为满足一级预警条件。在启动一级预警时，系统会通过控制拉伸设备的控制器发出指令，降低拉伸速率。拉伸速率的降低可以减少材料的变形速度，减缓缺陷的发展，为进一步检测和分析争取时间。例如，原本拉伸速率为每秒1mm，启动一级预警后，将拉伸速率降低至每秒0.5mm。同时，系统会将一级预警信息记录下来，包括预警时间、预警位置（即缺陷概率高的连续区域在材料中的位置）等信息。

若概率值超过第二阈值且区域面积扩大，则触发二级预警并终止拉伸实验。第二阈值通常大于第一阈值，比如设为0.8。当缺陷概率分布图中出现概率值大于0.8的区域，并且该区域的面积相较于之前有明显扩大时，系统触发二级预警。在触发二级预警后，系统立即向拉伸设备发送停止指令，使拉伸实验停止，避免材料进一步损坏，防止出现更严重的安全问题。同时，系统将二级预警信息以及详细的缺陷分布数据同步至分布式监测平台。缺陷分布数据包括缺陷概率分布图中每个像素点的概率值、缺陷区域的形状、大小、位置等信息。分布式监测平台可以是一个基于网络的多终端数据共享平台，相关工作人员可以通过电脑、手机等终端设备登录平台，查看这些信息，及时了解材料受拉过程中的异常情况，以便做出后续的处理决策，如对材料进行修复或更换等操作。

通过这样的分级预警机制，实时反馈模块能够及时、有效地对材料受拉过程中的缺陷情况进行响应，保障检测过程的安全可靠，同时为后续的材料研究和质量控制提供重要的数据支持。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims

1.一种碳纤维复合三元乙丙橡胶材料受拉检测系统，其特征在于，所述系统包括：

实时反馈模块，根据所述缺陷概率分布图生成受拉状态评估结果，并触发分级预警指令；

所述空间网格化离散处理的步骤包括：

对相邻体素单元进行差分运算，生成应变梯度方向一致性指标；

所述温度场动态分割的步骤包括：

对红外热像数据执行形态学开运算以消除噪声干扰；

基于区域生长算法识别热传导异常区域边界；

计算异常区域与背景温差的时变标准差，生成热传导异常指标；

所述自适应权重分配算法的实现包括：

通过门控循环单元网络建模应变梯度特征的时序相关性；

采用熵权法计算热传导异常指标的静态权重；

2.如权利要求1所述的受拉检测系统，其特征在于，所述多模态传感器包括：

3.如权利要求1所述的受拉检测系统，其特征在于，所述第一深度学习模型的构建步骤包括：

将所述增强特征矩阵输入并行三维卷积层与多头自注意力层；

4.如权利要求1所述的受拉检测系统，其特征在于，所述实时反馈模块的触发逻辑包括：

将预警指令与缺陷分布数据同步至分布式监测平台。

5.如权利要求1所述的受拉检测系统，其特征在于，所述三维体素单元的划分策略包括：

根据材料厚度方向的分层数动态调整体素单元尺寸；

在应变突变区域采用八叉树结构进行局部细化分割；

对体素单元边界执行双线性插值以消除锯齿效应。

6.如权利要求1所述的受拉检测系统，其特征在于，所述区域生长算法的优化步骤包括：基于热像数据梯度幅值设置动态生长阈值，采用各向异性扩散方程对种子点区域进行平滑扩展，通过轮廓曲率约束避免区域过度生长。

7.一种碳纤维复合三元乙丙橡胶材料受拉检测方法，其特征在于，所述方法包括：

通过权利要求1-6中任一项所述系统执行材料受拉状态的实时检测与预警。