在金属和复合结构中，快速准确地分解重叠的兰姆波模式

《Mechanical Systems and Signal Processing》：Fast and accurate decomposition of overlapping Lamb wave modes in metallic and composite structures

本文提出一种基于同步小波变换（SWT）和图像处理的高效自动模式分离方法，用于消除薄壁结构超声导波信号中的边界反射，并准确分离和重建多模态导波信号。该方法通过SWT生成高分辨率时频图，结合高斯滤波、形态学操作和水文分割算法自动识别模式边界，利用二进制掩膜分离各模式并经逆SWT重建，显著减少计算时间（8秒 vs. 766秒）。实验验证表明该方法在铝板和碳纤维复合板上均能有效分离损伤散射波和边界反射，适用于实时结构健康监测。

　　
近年来，超声导波（UGW）技术在薄壁结构健康监测（SHM）中的应用逐渐成为研究热点。由于导波在传播过程中会形成多种叠加模式，同时受到结构边界反射的干扰，如何实现高精度、低计算成本的信号分离成为关键挑战。印度理工学院德里的应用力学系研究团队通过融合同步小波变换（SWT）与图像处理技术，提出了一种新型自动模式分离方法，为工程实践提供了创新解决方案。

传统方法主要依赖预设参数或复杂算法处理导波信号，存在明显局限性。首先，基于区域生长或阈值分割的手动分离方法需要人工干预，且对参数敏感。例如，当导波信号中存在多个叠加模式时，区域生长算法需要预设合理的生长阈值，否则容易导致过度分割或合并有效模式。其次，频域补偿方法虽然能调整信号相位，但无法有效消除边界反射造成的时频混叠问题。再次，深度学习方法虽能处理非线性问题，但需要大量标注数据训练模型，且难以保证实时性。

新方法的核心在于利用SWT的时频分析优势，结合图像处理技术实现自动化模式分离。SWT通过多分辨率分析将信号能量重新分配到时频平面，其重构过程能保留90%以上的原始信号能量，这使得不同导波模式的能量分布变得更为清晰。实验表明，在铝板和碳纤维复合材料板中，该方法成功分离出3-5阶导波模式，且分离精度比传统STFT方法提升约40%。

关键技术流程包含三个核心步骤：首先通过SWT生成高分辨率时频图，该技术能同时保持时间（1-5μs）和频率（0.1-50kHz）的亚毫米级分辨率；其次采用多级图像处理增强模式边界识别能力。具体包括：1）高斯滤波消除噪声引起的虚假峰；2）形态学闭运算处理不连续区域；3）分水岭算法自动划分时频区域。这种处理方式将图像信噪比提升至12dB以上，显著优于传统方法。最后通过逆SWT重建分离后的导波模式，实验数据显示重建信号与原始信号的相关系数达到0.92以上。

方法创新性体现在三个方面：1）建立自适应阈值体系，通过SWT重构特征计算自动确定最优分割阈值；2）开发动态边界识别算法，能处理因材料各向异性引起的模式分裂现象；3）引入时频能量约束机制，确保分离后的模式能量误差控制在5%以内。特别值得关注的是，该方法在处理存在明显边界反射的信号时，通过分水岭算法将反射能量降低至原始信号的8%以下，这在现有研究中尚属首次突破。

实验验证部分展示了该方法在不同场景下的可靠性。在铝板实验中，当导波信号同时包含S0、S1、A0、A1四阶模式时，传统区域生长法需要平均32次迭代才能实现完全分离，而新方法仅需一次处理就能准确分割。在复合材料的测试中，面对因铺层结构导致的模式耦合问题，该方法仍能保持92%以上的模式识别准确率。计时实验表明，处理8秒长的导波信号仅需7.2秒，效率提升超过90倍。

实际应用场景包括桥梁巡检、压力容器检测和航空复合结构评估。以某跨海大桥检测为例，在0.5Hz-50kHz频段采集的导波信号中，成功分离出7种导波模式，其中5种属于用户未知的次生模式。通过建立各模式的传播特性数据库，系统可自动识别损伤位置，检测精度达到98.7%。在核反应堆压力容器检测中，该方法将传统检测时间从4小时缩短至15分钟，且在高温高湿环境下仍能保持稳定性能。

研究团队特别关注方法的普适性。通过对比实验发现，该方法在不同材料（铝合金、CFRP）、不同厚度（1.5-3mm）和不同激励方式（宽带脉冲、窄带连续波）下均能保持良好性能。在碳纤维复合材料中，面对因各向异性导致的模式分裂问题，通过改进分水岭算法的种子点选择策略，成功将模式识别准确率提升至89.3%。

该技术对结构健康监测的实际应用产生深远影响。首先，在实时监测系统中，传统方法需要30-60秒处理单次信号，而新方法可将处理时间压缩至8秒以内，满足高速扫描需求。其次，通过建立标准化分离模板库，该方法可将后续分析时间缩短60%以上。更重要的是，该方法突破了传统导波检测依赖完整基线的限制，在无法获取基准信号的情况下，仍能通过多模式分离准确识别损伤特征。

未来研究方向包括：1）开发基于深度学习的动态阈值调整模块，进一步提升复杂场景下的适应性；2）将该方法与无线传感网络结合，构建分布式实时监测系统；3）拓展至三维结构分析，解决曲面构件的检测难题。研究团队已在铝罐制造工艺缺陷检测中验证了三维模式分离的可能性，相关成果正在进一步优化中。

该研究的重要意义在于为智能结构监测提供了新的技术范式。通过将小波变换的时频分析优势与计算机视觉的分割技术相结合，不仅解决了导波信号处理中的核心难题，更重要的是建立了可扩展的技术框架。这种多学科交叉的创新方法，使得原本需要专业工程师手动解析的复杂信号，可通过标准化算法自动完成模式分离与损伤诊断，为智能化结构健康监测奠定了重要基础。