关于《太赫兹光谱技术与深度学习融合的风机叶片涂层盐雾老化检测研究》的学术研究报告
本研究的主要作者为来自莆田学院智能制造学院（谢海鹤、周杨、毛晓埼）、现代精密测量与激光无损检测福建省高校重点实验室（谢海鹤、周杨、毛晓埼、林振衡、蒲继雄）以及华侨大学信息科学与工程学院（蒲继雄）的研究团队。该研究成果以《太赫兹光谱技术与深度学习融合的风机叶片涂层盐雾老化检测研究》（Detection of salt spray aging in wind turbine blade coatings based on terahertz spectroscopy and deep learning）为题，发表于《光子学报》（Acta Photonica Sinica）2026年4月第55卷第4期。
一、 学术背景
本研究属于无损检测、材料科学与人工智能交叉领域，具体聚焦于利用太赫兹时域光谱技术（Terahertz Time-Domain Spectroscopy, THz-TDS）与深度学习模型，对海上风力发电机叶片防护涂层的盐雾老化状态进行定量评估。随着全球能源转型，海上风电装机容量快速增长。然而，海洋环境中的盐雾会侵蚀叶片表面的防护涂层（本研究以氟碳复合涂层为对象），导致涂层老化、性能退化，进而影响叶片力学性能与发电效率，并大幅增加运维成本。传统的涂层老化评估方法，如目视检查（主观性强、灵敏度低）和电化学阻抗谱（操作复杂、需接触、耗时），难以满足风电叶片高效、原位、无损检测的需求。THz-TDS技术作为一种新兴的无损检测手段，其波段（0.1-10 THz）与材料分子振动和转动能级相匹配，对涂层老化引发的聚合物链断裂、添加剂迁移等微观结构变化敏感，能够通过光学参数（如折射率、吸收系数）的变化反映老化程度。然而，研究发现单一太赫兹光谱特征与老化时间呈复杂的非线性关系，难以实现精准的定量预测。因此，本研究旨在解决这一难题，通过将THz-TDS技术与先进的深度学习模型相结合，挖掘光谱中隐藏的老化规律，实现对风机叶片涂层盐雾老化时间的精确、快速、无损定量检测，为风电设备的预测性维护提供新的技术方案。
二、 详细研究流程
本研究流程系统且完整，主要包括实验样本制备与老化、太赫兹光谱数据采集、光谱特征分析、深度学习模型构建与训练、以及模型性能评估与对比五个核心环节。
第一环节：样本制备与盐雾加速老化实验。 研究以风电叶片常用的聚酯树脂为基底，制备了尺寸为50 mm × 50 mm × 5 mm的试样。在其表面涂覆“底漆-面漆”双层结构的氟碳复合涂层，并采用光学相干层析技术（Optical Coherence Tomography, OCT）确认涂层平均厚度为0.0144毫米，确保均匀性。随后，依据GJB150.11A-2009国家标准，使用盐雾试验箱对50个样本进行为期240小时的加速老化实验。实验采用5%质量分数的NaCl溶液，严格控制温度、pH值、喷雾压力等参数。采样策略为等间隔时间方案，即每间隔24小时取出5个样本作为一组，共进行10次取样，覆盖整个老化周期。
第二环节：太赫兹光谱数据采集与预处理。 光谱采集使用德国Menlo Systems公司的TeraK15型脉冲太赫兹时域光谱系统，采用透射式测量以获取更强的涂层信号。每次取样后，将样本充分干燥，在恒温恒湿无尘室中，对每组5个样本各随机采集500个不同点位的透射式太赫兹时域光谱，最终共获得5000组原始光谱数据。为降低环境噪声和仪器噪声的影响，对所有原始时域信号采用Savitzky-Golay平滑滤波（窗口大小21点，多项式阶数3阶）进行预处理。
第三环节：光谱特征分析与关联性探究。 研究对预处理后的光谱进行了多维度深入分析。首先，通过加Tukey窗的快速傅里叶变换（Fast Fourier Transform, FFT）将时域信号转换为频域信号。其次，基于菲涅耳模型计算了涂层的吸收系数和折射率。分析发现，时域信号在-380 ps附近的峰值强度以及频域信号在0.315 THz处的幅值，均随老化时间呈现“先上升后下降”的非单调变化趋势。同样，在0.315 THz处，吸收系数存在特征峰，折射率存在“折射率谷”，其变化规律与时域峰值一致。研究者将此归因于老化初期盐晶吸附导致的表面暂时“致密化”（降低散射损耗，信号增强），以及老化后期聚合物链断裂、孔隙率增加（加剧吸收与散射，信号减弱）的竞争机制。关键结论是：虽然太赫兹光谱特征与盐雾老化时间存在明确关联，但这种关系是非线性的，且老化后期（如超过150小时）光谱特征区分度不明显，仅依靠单一或少数几个光谱特征点无法实现对老化时间的精确定量预测。这一发现直接引出了采用深度学习从高维全谱数据中挖掘复杂模式的必要性。
第四环节：数据预处理与深度学习模型构建。 为实现高效深度学习，研究进行了关键的数据降维处理。原始时域数据维度为1×3151（频域范围0-15 THz），其中有效信息集中在2.0 THz以内。研究通过FFT提取0-2.0 THz范围内的幅频和相频信息，并将幅值信号除以空气参考信号的幅值、相位信号减去空气参考信号的相位，得到具有明确物理意义的相对幅频和相对相频数据。最终将数据维度降至210×2（210个频率点 × 2个通道），大幅提升了后续模型训练效率。为应对光谱数据兼具局部特征（如特定吸收峰）和时序关联（老化过程的连续变化）的特点，研究团队自主设计并构建了一个五层的CNN-LSTM-Attention级联神经网络模型。该模型采用端到端架构：首先，输入数据经过5层一维卷积神经网络（CNN）模块进行层级化局部空间特征提取；随后，将CNN的输出特征序列输入长短时记忆网络（LSTM），以捕捉涂层老化过程的时序依赖关系；接着，引入加性注意力机制（Additive Attention），为LSTM输出的序列动态分配权重，突出对老化时间预测贡献最大的关键频率特征；最后，通过全连接层回归预测老化时间（0-240小时）。模型基于PyTorch框架实现，采用Adam优化器，并设计了结合Huber损失和平均绝对误差（MAE）的复合损失函数。
第五环节：模型训练、评估与对比分析。 研究采用分层抽样与五折交叉验证相结合的方法，将5000组数据按7:1:2划分为训练集（3500）、验证集（500）和独立测试集（1000）。首先，通过五折交叉验证证明了CNN-LSTM-Attention模型在验证集上表现稳健，R²稳定在0.9964以上，MAE波动小，显示了良好的泛化能力。其次，在独立测试集上，该模型取得了最优预测性能：决定系数R²=0.9992，平均绝对误差MAE=0.76小时，均方根误差RMSE=1.90小时。误差分布直方图显示绝大多数预测误差集中在±1.5小时以内，残差图显示误差随机分布在零值附近，无系统偏差，表明模型在整个老化周期内都具有高精度。为证明所提方法的优越性，研究进行了系统的对比实验：1) 降维必要性验证：直接使用原始高维时域数据（重采样为56×56二维矩阵）训练相同模型，测试集R²仅为0.9668，MAE高达9.91小时，显著劣于降维后的结果，证明了FFT降维预处理对提升模型学习效率和精度的关键作用。2) 模型架构对比：将CNN-LSTM-Attention模型与5层CNN、7层CNN、5层CNN-LSTM模型在相同条件下对比。结果显示，所提模型在测试集上的各项指标均优于或等于对比模型，特别是MAE（0.76小时）显著低于纯CNN模型（4.26小时）和CNN-LSTM模型（1.12小时），证明了引入LSTM捕捉时序依赖和注意力机制聚焦关键特征的有效性。此外，研究还提取了注意力层权重，发现贡献最大的前5个频率点累计权重超过28%，直观展示了注意力机制成功定位到了光谱中的核心老化敏感特征。
三、 主要研究结果
- 光谱演化规律：明确了风机叶片氟碳涂层在盐雾老化过程中，其太赫兹时域信号峰值、频域幅值、吸收系数特征峰及折射率谷均呈现先增强后减弱的非单调变化规律，并从微观机理上解释了这一现象。
- 单一特征的局限性：证实了基于单一或多个特征点的传统光谱分析方法无法实现对老化时间（尤其是后期阶段）的精确定量预测。
- 数据降维的有效性：证明了基于FFT提取0-2.0 THz内幅频和相频信息的数据降维策略，能有效剔除噪声、保留关键特征，是后续深度学习模型取得高精度的必要前提。
- 混合模型的最优性能：自主构建的CNN-LSTM-Attention混合模型在盐雾老化时间预测任务上表现最优，测试集R²达到0.9992，MAE低至0.76小时，预测误差小且分布均匀。
- 架构组件的贡献：通过对比实验，验证了CNN（提取局部特征）、LSTM（捕捉时序关系）和Attention（聚焦关键信息）三个组件在级联模型中的协同作用，共同提升了预测精度。
- 方法的鲁棒性与泛化性：五折交叉验证结果和独立的测试集评估均表明，所提出的方法具有优异的鲁棒性和泛化能力。
四、 研究结论与价值
本研究成功开发并验证了一种基于太赫兹时域光谱技术与CNN-LSTM-Attention深度学习模型相结合的风机叶片涂层盐雾老化无损定量检测新方法。科学价值在于：首次系统阐明了氟碳涂层在盐雾老化下多维度太赫兹光谱特征的演化规律及其微观机理；突破了依赖单一光谱特征进行定量分析的局限，证明了利用深度学习从全谱数据中挖掘复杂非线性老化规律的可行性；创新性地设计了针对光谱数据时空特性的混合深度学习模型，为光谱数据分析提供了新的架构思路。应用价值尤为突出：该方法实现了对涂层老化时间（0-240小时）的高精度（平均误差小于1小时）、快速、非接触、无损定量评估，为解决海上风电叶片涂层状态在线监测与预测性维护的难题提供了一种强有力的创新技术手段，有助于降低运维成本、保障设备安全稳定运行、延长叶片使用寿命。
五、 研究亮点
- 问题导向的创新融合：针对工程实际需求（海上风机涂层老化检测），创造性地将太赫兹光谱物理检测技术与前沿深度学习算法深度融合，形成了从物理机理到智能诊断的完整技术链条。
- 深入的光谱机理分析：不仅使用技术，更深入分析了涂层老化与太赫兹响应之间的物理化学关联，为深度学习模型提供了坚实的物理解释基础。
- 高效的数据预处理策略：提出的基于FFT的幅频-相频联合特征提取与降维方法，巧妙地将高维时域信号转化为富含信息且维度适中的输入，极大提升了深度学习模型的训练效率和性能。
- 针对性强的模型设计：根据太赫兹光谱数据兼具局部特征和时序演变的特点，量身定制了CNN-LSTM-Attention级联模型，充分发挥了不同神经网络组件的优势，模型设计具有高度的针对性和先进性。
- 严谨的验证体系：研究通过控制变量法（对比不同模型）、消融实验（验证降维必要性）、五折交叉验证、独立测试集评估、误差与残差分析等多重手段，全面、严谨地证明了所提方法的有效性和优越性。
六、 其他有价值的内容
研究还展示了注意力机制的可解释性应用，通过可视化注意力权重分布，识别出了对老化预测贡献最大的关键频率区域，这有助于后续研究进一步聚焦这些敏感频段，甚至可能简化传感器设计。此外，论文中详尽的实验参数（如盐雾实验条件、涂层制备工艺、模型超参数等）为其他研究者复现和借鉴本研究工作提供了充分的信息。