《Mechanical Systems and Signal Processing》：A new method for quantitative evaluation of micro-cracks on turbine blade surfaces Fusing triboelectric sensing and hybrid deep learning
编辑推荐：
本研究提出基于三轴纳米发电机（TENG）的裂纹几何参数同步量化检测方法，通过构建CNN-BiLSTM混合深度学习模型，结合时间域与频域特征分析，实现微裂纹宽度和深度的高精度预测（平均误差0.0091mm和0.0047mm，R2>0.989），并验证其在多种表面缺陷检测中的应用潜力。
唐建峰|尚英龙|孟家健|李俊荣|徐明旭|胡勇|张建海
教育部数控设备可靠性重点实验室，吉林大学，长春130025，中国
摘要
表面微裂纹是高性能部件（如航空发动机涡轮叶片）在数控铣削过程中常见且严重的加工缺陷，它们作为应力集中点，会大幅降低部件的疲劳寿命，并威胁发动机的结构安全。然而，现有的无损检测技术在集成到机床中以实现复杂曲面部件上微缺陷的快速、在线和定量原位检测方面面临挑战。为了解决这一问题，本文提出了一种基于摩擦电纳米发电机（TENG）的新型原位检测方法，旨在实现对加工叶片表面微裂纹几何参数的高精度定量反演。通过系统实验研究，阐明了裂纹宽度和深度对脉冲幅度和宽度的影响机制。此外，通过构建整合时域和频域特征的多维信号特征，可以解耦宽度和深度的耦合效应。为了实现自动化识别，我们构建了一个基于CNN-BiLSTM的混合深度学习模型，该模型能够自主挖掘原始信号中时空特征与裂纹几何参数之间的内在关联，从而同步输出宽度和深度的准确预测。实验结果表明，该模型预测微裂纹宽度和深度的平均绝对误差分别低至0.0091毫米和0.0047毫米，决定系数（R2）高于0.989。此外，该方法识别点蚀、线性裂纹和网络裂纹等缺陷的潜力也得到了进一步验证。这项研究不仅证实了TENG在智能制造质量在线监测中的巨大潜力，还为下一代智能集成检测系统的发展提供了坚实的技术路径。
引言
作为航空发动机热段的核心部件，涡轮叶片的服务性能和寿命在很大程度上取决于制造过程中其最终表面完整性。在数控铣削等精密加工过程中，由于刀具磨损、颤振或工艺参数不当，叶片复杂表面上容易产生微尺度裂纹缺陷[1]、[2]、[3]、[4]。这种加工引起的微裂纹不仅是应力集中的来源，还会显著降低叶片在高循环疲劳载荷下的寿命，并可能成为导致灾难性结构故障的安全隐患[5]、[6]。因此，开发一种能够在叶片制造和组装阶段快速、原位、定量检测复杂表面微裂纹的无损评估技术对于提高飞机发动机的制造质量以及在出厂前实现“零缺陷”目标具有重要意义。
目前工业上检测此类表面缺陷的方法主要依赖于传统的荧光渗透检测（FPI）[7]、[8]、[9]和涡流检测（ECT）[10]、[11]、[12]，以及最近出现的基于机器视觉的光学检测技术[13]、[14]、[15]。然而，面对叶片复杂的空气动力学轮廓，这些技术都暴露出了各自的局限性。虽然荧光渗透检测对开放性裂纹敏感，但难以准确量化缺陷的深度和宽度，且检测结果容易受到操作人员主观判断的影响，缺乏客观的数值记录。涡流检测对近表面缺陷敏感，但其定量反演能力，尤其是在评估裂纹深度方面，受到工件升力和复杂曲率的影响严重限制。尽管基于机器视觉的检测方法具有非接触和速度快等优点，但其检测精度容易受到表面光泽、油渍和光照条件等环境因素的影响，且其检测和量化微尺度裂纹的能力不足。虽然工业计算机断层扫描（Micro-CT）可以提供详细的三维结构信息，但其高昂的成本、漫长的检测周期和严格的环境要求使其难以集成到生产线上进行快速全面检测[16]、[17]、[18]。本质上，这些技术都面临一个共同的瓶颈，即在制造环境中难以实现对具有复杂几何形状的部件上微裂纹的快速、高精度和数字化定量测量。
新兴的摩擦电纳米发电机技术为表面状况监测提供了一种创新方法[19]、[20]、[21]、[22]、[23]、[24]。其物理基础基于接触电化和静电感应的协同效应，能够高效地将界面微观尺度上的机械运动转换为可收集的电信号[25]、[26]。由于输出信号对接触间距、接触面积和表面电荷分布高度敏感，TENG具有对表面地形细微差异的固有响应能力，从而在表面状况感知方面具有独特优势[27]、[28]、[29]。基于这一机制，TENG在表面质量评估方面展现了显著潜力。在表面粗糙度表征领域，研究人员通过分析TENG信号的波动特征，实现了不同粗糙度等级表面的有效区分和定量评估[30]、[31]、[32]。在微地形识别方面，TENG已成功应用于识别规则微结构和随机表面纹理，因为其输出信号中包含的时域和频域特征能够准确反映表面拓扑状态的细微差异[33]、[34]、[35]。这些研究结果表明，TENG不仅能够感知机械刺激的存在，还能够解码表面质量，为新一代原位和在线表面检测技术的发展奠定了坚实的基础。
近年来，基于TENG的传感器在缺陷检测领域取得了一系列进展。例如，Xin等人[36]开发了一种悬臂结构独立TENG，通过结合小波包分析和长短期记忆网络，在悬臂结构中实现了缺陷检测，准确率高达98.6%。该团队的后续研究[37]进一步引入了格拉姆角场和卷积神经网络，构建了一个缺陷检测数字孪生系统，将准确率提高到99.2%。Shen等人[38]开发了一种基于人工神经网络的TENG界面缺陷识别方法，可以有效识别六种类型的TENG内部缺陷，如边缘断裂、粘附和异常振动。在机械部件检测方面，Zhou等人[39]开发了一种可重构的光纤TENG，成功实现了齿轮和丝杠的裂纹检测。Chen等人[40]提出了一种基于TENG的自供电共振传感器，通过检测共振频率的变化来识别不同类型的缺陷。Cao等人[41]提出了一种基于卷轴机制的自供电TENG传感器，将裂纹的线性运动转换为旋转信号，实现了裂纹速度和位移的同时监测，显示出在基础设施健康监测中的早期预警潜力。这些研究充分展示了TENG技术在缺陷检测领域的应用潜力。然而，在表面缺陷的定量检测方面，尤其是微裂纹方面，大多数研究仍处于使用TENG信号作为整体响应的定性判断阶段，即只能识别缺陷的“存在”或“不存在”。在同时定量解决由宽度和深度等多个几何参数定义的表面微裂纹这一关键挑战时，现有方法仍存在不足。根本性的研究瓶颈在于缺乏一个系统分析框架，无法将各种几何参数的独立贡献从复杂信号中分离出来，并建立它们与信号多维特征之间的确定性映射关系。没有有效的特征提取和物理分析支持，很难实现从“定性检测”到“定量评估”的飞跃，这严重限制了TENG技术在智能制造质量在线监测中的深入应用。
为了解决上述“定性检测”与“定量反演”之间的关键差距，本文提出了一种使用TENG对加工涡轮叶片表面微裂纹进行原位检测和定量评估的新方法。本研究的核心目标是系统揭示裂纹宽度和深度参数与摩擦电信号的多维特征（时域、频域）之间的内在物理关联，并最终实现两者的同步和高精度定量识别。本工作的主要贡献体现在以下几个方面：首次提出了基于TENG探头的表面微裂纹原位检测方法；深入研究了探头与微裂纹相互作用的动态物理过程；建立了裂纹尺寸之间的确定性关联——其中宽度主要控制信号脉冲持续时间，而深度主要控制脉冲幅度，并引起频谱质心偏移；系统建立了一套信号描述符并进行了实验验证，为定量识别奠定了坚实的物理基础；构建了一个结合卷积神经网络和双向长短期记忆（CNN-BiLSTM）的混合深度学习模型，该模型能够自主挖掘原始信号中的时空特征与裂纹几何参数之间的内在关系，从而同时输出宽度和深度的精确预测。实验结果表明，该模型实现了亚微米级别的预测精度，并进一步证实了其在识别点蚀、线性裂纹和网络裂纹等缺陷方面的潜力，凸显了其在未来智能数控加工中心集成检测系统中的应用潜力。
本文的其余部分结构如下：第2节详细阐述了TENG检测表面微裂纹的原理，并介绍了实验系统的组成。第3节首先分析了接触分离模式的检测局限性，以介绍滑动模式的优越性。随后，介绍了滑动模式下裂纹信号的基本关联模式、用于解耦宽度和深度影响的多域特征分析，最后基于CNN-BiLSTM深度学习模型的高精度几何参数定量反演结果，并对这些发现进行了深入讨论。第4节总结了本研究的主要结论，并概述了未来研究的潜在方向。
部分摘录
基于TENG的检测原理和实验装置
本研究旨在通过TENG实现对表面微裂纹几何参数的定量反演，技术路径基于TENG对界面接触状态变化的敏感性。为此，构建了一个精密实验系统，其整体配置如图1所示。
实验系统使用六轴机器人臂（FR5）来执行TENG探头的所有宏观运动轨迹。
结果与讨论
在完成测试系统的构建和涡轮叶片表面裂纹缺陷的制备后，本研究通过两种基本运动模式（接触分离和滑动扫描）全面评估了TENG对裂纹的定量检测能力。通过比较和分析TENG探头在不同模式下经过涡轮叶片表面缺陷时的动态响应，我们可以进一步分析摩擦电信号的特征
结论与展望
本研究成功开发并验证了一种基于TENG的新检测方法，用于同步定量反演加工涡轮叶片表面的微裂纹几何参数。通过对TENG探头与裂纹之间相互作用的物理机制的深入分析，结合系统的实验研究，揭示了裂纹宽度和深度如何分别调节摩擦电信号的具体特征
CRediT作者贡献声明
唐建峰：撰写 – 审稿与编辑，撰写 – 原始草稿，可视化，方法论，概念化。尚英龙：验证，软件，调查，数据管理。孟家健：验证，形式分析。李俊荣：软件，数据管理。徐明旭：监督，资源。胡勇：监督，资源，项目管理，资金获取。张建海：监督，资源，项目管理，方法论，资金获取，
利益冲突声明
作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。
致谢
本研究得到了吉林省科学技术发展计划（编号：20220201022GX）和吉林大学的研究生创新基金（编号：2025CX139）的支持。
