強(qiáng)背景噪聲下微弱聲發(fā)射信號(hào)提取及處理研究現(xiàn)狀

第一作者范博楠男，碩士生，1991年生

通信作者王海斗男，教授，博士生導(dǎo)師，1969年生

郵箱：wanghaidou@aliyun.com

強(qiáng)背景噪聲下微弱聲發(fā)射信號(hào)提取及處理研究現(xiàn)狀

范博楠，王海斗，徐濱士，張玉波

(裝甲兵工程學(xué)院裝備再制造技術(shù)國(guó)防科技重點(diǎn)實(shí)驗(yàn)室，北京100072)

摘要：針對(duì)故障診斷領(lǐng)域聲發(fā)射信號(hào)因工作環(huán)境及采集設(shè)備自身影響常受強(qiáng)背景噪聲干擾導(dǎo)致混疊失真問(wèn)題，對(duì)故障診斷中聲發(fā)射信號(hào)特性及處理流程、強(qiáng)背景噪聲下聲發(fā)射信號(hào)降噪方法(小波分析，ICA，EMD)、聲發(fā)射信號(hào)特征提取及故障識(shí)別等國(guó)內(nèi)外研究現(xiàn)狀進(jìn)行綜述；分析總結(jié)聲發(fā)射信號(hào)在降噪、特征提取及故障識(shí)別研究中存在的不足，探討解決方法，展望聲發(fā)射信號(hào)處理技術(shù)發(fā)展。

關(guān)鍵詞：聲發(fā)射；噪聲；特征提取；故障識(shí)別；信號(hào)處理

收稿日期：2014-06-24修改稿收到日期：2014-07-30

中圖分類(lèi)號(hào):TG115文獻(xiàn)標(biāo)志碼：A

Present research situation of the extraction and processing of weak acoustic emission signals understrong background noise

FANBo-nan,WANGHai-dou,XUBin-shi,ZHANGYu-bo(National Key Laboratory for Remanufacturing, Academy of Armored Forces Engineering, Beijing 100072, China)

Abstract:In the field of fault diagnosis, acoustic emission (AE) signals are often exposed to strong background noise caused by the environment and the detection system, which leads to the aliased distortion of AE signals. A review of the present research situation of the extraction and processing of acoustic emission signals under strong background noise was presented, including the characteristics of AE signals in fault diagnosis, the processing flow of AE signals, the denoising of AE signals by using wavelet, ICA and EMD, the feature extraction and fault recognition. Then a summary of insufficiency and solving methods in the research of denoising, feature extraction and fault recognition of AE signals was also presented. The future development of AE technology and relevant signal processing methods were forecasted.

Key words:acoustic emission; noise; feature extraction; fault recognition; signal processing

檢測(cè)強(qiáng)背景噪聲中微弱信號(hào)成為故障診斷領(lǐng)域研究熱點(diǎn)之一[1]。強(qiáng)背景噪聲指除目標(biāo)聲源外所有外部環(huán)境及系統(tǒng)噪聲的混疊，具有幅度絕對(duì)值高、能量值大等特點(diǎn)。“微弱”指相對(duì)噪聲的信號(hào)幅值較小[2]，但其攜帶大量有關(guān)材料失效或設(shè)備故障的重要信息。機(jī)械系統(tǒng)核心部件如葉輪[3-4]、軸承[5]等處于故障早期時(shí)，傳感器采集的聲發(fā)射信號(hào)外部環(huán)境及系統(tǒng)本身產(chǎn)生的強(qiáng)背景噪聲影響下會(huì)出現(xiàn)明顯混疊失真。因此，如何在強(qiáng)背景噪聲中有效提取反映早期故障的微弱特征信號(hào)為早期故障識(shí)別關(guān)鍵[6]。傳統(tǒng)信號(hào)分析方法主要有自適應(yīng)消噪、數(shù)字濾波及離散量統(tǒng)計(jì)平均等[7]，一般用于信號(hào)預(yù)處理。工程中采集的信號(hào)多為非平穩(wěn)時(shí)變信號(hào)，僅用傳統(tǒng)方法，雖一定程度上可去除噪聲，但會(huì)使信號(hào)的瞬態(tài)分量變平滑，無(wú)法有效識(shí)別信號(hào)高頻細(xì)節(jié)信息[8]，不利于后續(xù)聲發(fā)射源信息提取。隨計(jì)算機(jī)技術(shù)發(fā)展，多種先進(jìn)信號(hào)處理手段用于聲發(fā)射信號(hào)處理，如小波分析[9-10]及獨(dú)立分量分析[11-12]等。在已有研究[13-14]基礎(chǔ)上，本文對(duì)強(qiáng)背景噪聲下微弱聲發(fā)射信號(hào)提取、處理的現(xiàn)狀進(jìn)行深入分析，并探討聲發(fā)射技術(shù)及信號(hào)處理方法的發(fā)展方向。

1故障診斷中的聲發(fā)射

1.1聲發(fā)射信號(hào)

聲發(fā)射(Acoustic Emission，AE)也稱(chēng)應(yīng)力波發(fā)射，指結(jié)構(gòu)或材料局部因能量快速釋放而發(fā)出瞬態(tài)彈性波現(xiàn)象[15-16]，為新型的無(wú)損檢測(cè)手段[17-18]，廣泛用于故障診斷領(lǐng)域。引起聲發(fā)射現(xiàn)象機(jī)理有裂紋萌生及擴(kuò)展、斷裂、位錯(cuò)運(yùn)動(dòng)、塑性變形及孿晶邊界的移動(dòng)等[19]。聲發(fā)射信號(hào)據(jù)應(yīng)力波出現(xiàn)時(shí)間間隔不同可分為突發(fā)型、連續(xù)型，但兩種類(lèi)型并非絕對(duì)，連續(xù)型為由大量突發(fā)性信號(hào)密集組合而成[20]。

1.2故障診斷中聲發(fā)射信號(hào)

故障診斷中置于設(shè)備或其附近的聲發(fā)射傳感器所采反映損傷或失效的突發(fā)性聲發(fā)射信號(hào)因機(jī)械等多種因素影響，易被頻率廣泛、模式眾多的噪聲成分掩埋，且表現(xiàn)為非平穩(wěn)時(shí)變信號(hào)，致信號(hào)信噪比較低[21]。滾動(dòng)接觸疲勞實(shí)驗(yàn)中采集的含機(jī)械噪聲聲發(fā)射信號(hào)及理想狀況下疲勞斷裂時(shí)聲發(fā)射信號(hào)見(jiàn)圖1。對(duì)比圖1(a)、(b)可見(jiàn)，含噪信號(hào)與理想的聲發(fā)射源信號(hào)相差較大。如何從采集的含噪混合信號(hào)中提純信號(hào)并獲取聲發(fā)射源信息一直為需解決的難題。

從強(qiáng)大背景噪聲中提取微弱聲發(fā)射信號(hào)為聲發(fā)射應(yīng)用的核心技術(shù)[22]。工程中一般從軟硬件兩方面進(jìn)行聲發(fā)射信號(hào)降噪處理，即①通過(guò)硬件濾波技術(shù)減少進(jìn)入聲發(fā)射檢測(cè)系統(tǒng)的噪聲信號(hào)；②對(duì)進(jìn)入系統(tǒng)的噪聲成分用信號(hào)處理抑制其影響。類(lèi)似振動(dòng)信號(hào)，聲發(fā)射信號(hào)處理可進(jìn)行方法借鑒。實(shí)踐表明，硬件與軟件降噪方法相結(jié)合，可有效提高系統(tǒng)的抗干擾能力，為后續(xù)識(shí)別、定位聲發(fā)射源奠定基礎(chǔ)。基于現(xiàn)有的硬件基礎(chǔ)，研究如何運(yùn)用信號(hào)處理方法增強(qiáng)降噪及信號(hào)處理能力具有重要意義。

圖1　滾動(dòng)接觸疲勞實(shí)驗(yàn) Fig.1 The acoustic emission signals

1.3聲發(fā)射信號(hào)處理

故障診斷中聲發(fā)射檢測(cè)流程見(jiàn)圖2。具體為：

圖2　聲發(fā)射信號(hào)處理流程 Fig.2 The processing flow of acoustic emission signals

(1)信號(hào)采集。通過(guò)聲發(fā)射傳感器接收混合信號(hào)，并經(jīng)前置電路處理以數(shù)字信號(hào)形態(tài)呈現(xiàn)于計(jì)算機(jī)。該步驟可實(shí)現(xiàn)硬件降噪。

(2)降噪處理。該信號(hào)處理面臨信號(hào)微弱性及干擾噪聲多樣性，故需用多種處理方法濾除噪聲，恢復(fù)源信號(hào)。

(3)特征提取。用信號(hào)分析、數(shù)據(jù)處理算法將所測(cè)原始參數(shù)轉(zhuǎn)換為表達(dá)機(jī)械設(shè)備運(yùn)行狀態(tài)的特征量，或通過(guò)提取特征脈沖，建立特征與狀態(tài)間映射關(guān)系。

(4)故障識(shí)別。識(shí)別及準(zhǔn)確定位機(jī)械設(shè)備損傷部位(即聲發(fā)射源)為聲發(fā)射無(wú)損檢測(cè)主要目標(biāo)之一，為判斷損壞程度及維修決策奠定基礎(chǔ)。

2聲發(fā)射信號(hào)降噪

2.1小波分析

齒輪、軸承等旋轉(zhuǎn)部件在疲勞裂紋萌生及擴(kuò)展時(shí)產(chǎn)生的應(yīng)力波往往具有瞬態(tài)性、非平穩(wěn)性，為典型的突變型聲發(fā)射信號(hào)。小波分析具有時(shí)、頻域同時(shí)表征信號(hào)局部特征能力[23]，被譽(yù)為“數(shù)學(xué)顯微鏡”，廣泛用于信號(hào)降噪。小波降噪原理即用小波對(duì)采集信號(hào)進(jìn)行分解，利用聲發(fā)射信號(hào)與噪聲在小波變換下的行為存在差異特性將二者分離出來(lái)[24-25]。

研究表明，對(duì)小波降噪，基函數(shù)、閾值選擇對(duì)其性能發(fā)揮具有重要影響。滾動(dòng)軸承故障診斷實(shí)驗(yàn)中，通過(guò)新型基函數(shù)[26]與Daubechies小波對(duì)比發(fā)現(xiàn)，在損傷頻率68.36 Hz基礎(chǔ)上，該小波包絡(luò)譜成分清晰，能明顯找出故障特征頻率；而Daubechies小波包絡(luò)譜雖含損傷頻率成分，但不及前者明顯直觀。廖傳軍等[27]提出小波再分配尺度譜分析法，選Morlet復(fù)小波作為基函數(shù)。通過(guò)6220滾動(dòng)軸承實(shí)時(shí)診斷，小波再分配尺度譜受噪聲干擾影響較小，表明Morlet復(fù)小波的有效性。離散小波[28]對(duì)聲發(fā)射信號(hào)處理時(shí)進(jìn)行7尺度分解，分辨出含類(lèi)似白噪聲信號(hào)細(xì)節(jié)系數(shù)d1及d2，并通過(guò)設(shè)置合理門(mén)檻值將噪聲予以消除。

研究發(fā)現(xiàn)，小波分解與閾值降噪法存在一定局限性。噪聲與聲發(fā)射信號(hào)分布在相同頻帶范圍時(shí)，小波降噪對(duì)高頻段信號(hào)成分頻率分辨率較差；而閾值降噪法在信號(hào)奇異點(diǎn)處，降噪后信號(hào)會(huì)出現(xiàn)Pesudo-Gibbs現(xiàn)象[29]。在小波分解基礎(chǔ)上小波包[30]被用于信號(hào)濾波處理。研究表明，小波包變換能有效識(shí)別信號(hào)高頻段及各種分解后的頻率成分，經(jīng)分析可濾除噪聲進(jìn)而重構(gòu)信號(hào)，既能保留所需特征也使信號(hào)得以過(guò)濾、簡(jiǎn)化。為彌補(bǔ)閾值法不足，平移不變小波被用于聲發(fā)射信號(hào)降噪[31]。經(jīng)n次循環(huán)平移的信號(hào)用閾值法處理后再對(duì)降噪結(jié)果進(jìn)行平均，可有效去除Pesudo-Gibbs現(xiàn)象，減少均方根誤差，提高信噪比。

為拓寬小波變換的適用范圍，增強(qiáng)降噪效果，將小波變化與其它方法結(jié)合以實(shí)現(xiàn)噪聲、特征信號(hào)分離。鄧艾東等[32]用小波熵方法[33-34]計(jì)算經(jīng)小波分解、分幀處理的信號(hào)小波熵，與設(shè)定閥值比較表明，已有效甄別出噪聲幀。于金濤等[35]提出將經(jīng)驗(yàn)?zāi)B(tài)與閾值降噪結(jié)合，包括EMD-Wavelet，IMF-Wavelet及Wavelet-EMD三種方法，并通過(guò)斷鉛模擬聲發(fā)射信號(hào)驗(yàn)證其降噪效果。結(jié)果表明，三種方法降噪能力均好于直接小波閾值降噪，其中EMD-Wavelet及Wavelet-EMD降噪較穩(wěn)定，后者降噪效果更明顯。

小波及其衍生的一系列方法整體降噪過(guò)程較相似，對(duì)小波基函數(shù)及分解層次選擇主要靠經(jīng)驗(yàn)，而針對(duì)具體方法需確定閾值、平移次數(shù)等關(guān)鍵因素。此外，小波與其它方法結(jié)合可實(shí)現(xiàn)優(yōu)勢(shì)融合，一定程度上增強(qiáng)聲發(fā)射信號(hào)降噪效果。

2.2獨(dú)立分量分析

獨(dú)立分量分析(Independent Component Analysis, ICA)為隨盲源分離問(wèn)題發(fā)展的新型信號(hào)處理手段，具有不受源信號(hào)頻帶重疊及強(qiáng)弱所致干擾等優(yōu)點(diǎn)[36]。獨(dú)立分量分析通過(guò)處理統(tǒng)計(jì)上獨(dú)立的各源信號(hào)經(jīng)線(xiàn)性組合后形成的混合信號(hào)，實(shí)現(xiàn)從混合信號(hào)中有效分離出目標(biāo)源信號(hào)目的。

對(duì)運(yùn)用ICA處理聲發(fā)射信號(hào)已有深入研究。de-la-Rosa等[37]通過(guò)研究?jī)煞NICA算法的降噪能力發(fā)現(xiàn)，較傳統(tǒng)的功率譜及小波變換，Cum-ICA及Fast-ICA能在背景噪聲下分離出能量較小的聲發(fā)射信號(hào)，具有不受頻率成分能量限制的統(tǒng)計(jì)獨(dú)立性； 且Fast-ICA能使信號(hào)達(dá)到最大非高斯性，無(wú)需Cum-ICA濾波，降噪能力更突出。李卿等[38]用獨(dú)立分量分析系統(tǒng)對(duì)由刀具破損、切屑折斷及噪聲信號(hào)經(jīng)線(xiàn)性混合構(gòu)造的模擬切削聲發(fā)射信號(hào)進(jìn)行處理。結(jié)果表明，ICA能分離出線(xiàn)性混合信號(hào)中各源信號(hào)，信噪比高于20 dB；且頻帶混疊時(shí)目標(biāo)狀態(tài)源頻域特征可完整保留。

對(duì)旋轉(zhuǎn)結(jié)構(gòu)、機(jī)械聲發(fā)射信號(hào)處理，何沿江等[39]用獨(dú)立分量快速算法分離出故障軸承的聲發(fā)射信號(hào)，為后續(xù)用支持向量機(jī)(SVM)進(jìn)行軸承故障快速診斷奠定基礎(chǔ)。研究葉片裂紋聲發(fā)射信號(hào)時(shí)，王向紅等[40]在ICA空間利用噪聲與裂紋信號(hào)差異，提取目標(biāo)信號(hào)基函數(shù)，并采用泛化高斯模型輔助以非線(xiàn)性收縮函數(shù)方法，從水輪機(jī)工作背景噪聲中提取裂紋聲發(fā)射信號(hào)。實(shí)驗(yàn)表明，ICA與稀疏編碼收縮結(jié)合降噪優(yōu)于小波閾值法，同時(shí)能體現(xiàn)聲發(fā)射信號(hào)幅值及相位信息。王艷青等[41]用ICA對(duì)風(fēng)機(jī)葉片疲勞損傷產(chǎn)生的混合信號(hào)進(jìn)行處理，從不同頻率聲發(fā)射信號(hào)與模擬噪聲的隨機(jī)線(xiàn)性混合中分離出目標(biāo)源信號(hào)及噪聲成分，驗(yàn)證了ICA對(duì)葉片損傷聲發(fā)射信號(hào)降噪的有效性。

為增強(qiáng)對(duì)聲發(fā)射信號(hào)的處理能力，將ICA與其它方法結(jié)合。劉國(guó)華等[42]發(fā)現(xiàn)信噪比對(duì)分形維影響較大，通過(guò)引入基于負(fù)熵判據(jù)的FastICA算法進(jìn)行信號(hào)降噪預(yù)處理，提取聲發(fā)射信號(hào)并進(jìn)行分形維計(jì)算。結(jié)果表明，經(jīng)ICA處理的分形維能更好對(duì)應(yīng)聲發(fā)射事件數(shù)及進(jìn)行聲發(fā)射源識(shí)別，從而證實(shí)ICA降噪的有效性。

當(dāng)前應(yīng)用較多的FastICA算法既可單獨(dú)運(yùn)用，也可結(jié)合稀疏編碼等方法對(duì)含噪信號(hào)進(jìn)行處理。ICA多用于對(duì)各類(lèi)模擬聲發(fā)射信號(hào)的處理，對(duì)真實(shí)工況下研究較少。

2.3經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)

經(jīng)驗(yàn)?zāi)B(tài)分解由 Huang提出，并廣受關(guān)注。實(shí)踐表明，經(jīng)驗(yàn)?zāi)B(tài)分解具有良好的自適應(yīng)性、正交性、完備性及IMF分量調(diào)制特性等優(yōu)點(diǎn)[43]，其本質(zhì)為將時(shí)域信號(hào)按頻率尺度進(jìn)行分解的數(shù)值算法，可據(jù)信號(hào)自身特點(diǎn)選擇頻帶及各頻段分辨率進(jìn)行“篩分”，因而適合非線(xiàn)性非平穩(wěn)信號(hào)分析及處理。

在管道故障聲發(fā)射檢測(cè)中，孫立瑛等[44]將聲發(fā)射信號(hào)進(jìn)行EMD分解，據(jù)管道泄漏聲發(fā)射信號(hào)特點(diǎn)，在有效分量中選取典型固有模態(tài)分量進(jìn)行信號(hào)重構(gòu)，有效避免信號(hào)干擾，且較小波包時(shí)頻分辨率更好，更能反映聲發(fā)射信號(hào)的內(nèi)在特征。刀具磨損監(jiān)測(cè)中，關(guān)山[45]對(duì)不同切削速度與磨損量下采集的聲發(fā)射信號(hào)進(jìn)行EMD分解及規(guī)范化處理，確定同原信號(hào)相關(guān)性較差的IMF7及之后分量為噪聲成分，并將其合并為新的IMF7分量，從而在IMF1～I(xiàn)MF6實(shí)現(xiàn)不同頻帶段的磨損信號(hào)監(jiān)測(cè)。

在多方法融合處理信號(hào)上，徐鋒等[46]對(duì)原始聲發(fā)射信號(hào)進(jìn)行中值濾波及SVD降噪，并對(duì)降噪后信號(hào)進(jìn)行EMD分解。對(duì)仿真信號(hào)與真實(shí)聲發(fā)射信號(hào)的處理結(jié)果表明，噪聲得到有效濾除，且IMF無(wú)頻率混疊現(xiàn)象，分解層數(shù)也得到減少，EMD分解精確度及時(shí)效性亦有效提高。Law等[47]運(yùn)用WPD-HHT(小波包及希爾伯特黃變換結(jié)合)方法對(duì)聲發(fā)射信號(hào)進(jìn)行處理。運(yùn)用小波包將含噪信號(hào)分解到不同頻帶中，通過(guò)能量比準(zhǔn)則篩選特征包，再用EMD對(duì)特征包進(jìn)行分解以選擇具有代表性的IMF，并將結(jié)果與單純EMD分解進(jìn)行對(duì)比。實(shí)驗(yàn)表明，僅用EMD分解后的IMF1由于頻率分布過(guò)廣無(wú)法作為單分量信號(hào)，因而不能有效識(shí)別所有瞬時(shí)頻率，顯示出EMD的局限性。而經(jīng)WPD-HHT處理后，明顯濾除噪聲并有效提取特征頻率，表明WPD-HHT具有良好的信號(hào)去噪能力。EMD作為具有良好發(fā)展前景的新型信號(hào)處理方法在實(shí)踐、探索中不斷取得進(jìn)步。良好的非線(xiàn)性非平穩(wěn)信號(hào)處理能力使EMD取得成功，但其理論上如模態(tài)混疊、邊界問(wèn)題等不足制約其更加廣泛的應(yīng)用，對(duì)此尚需更深入研究。

2.4其他方法

譜分析因處理非周期、非平穩(wěn)信號(hào)的不足，在聲發(fā)射信號(hào)的應(yīng)用逐漸被替代，見(jiàn)表1。隨機(jī)共振獨(dú)特的原理使其能有效提取微弱信號(hào)，但實(shí)際采集信號(hào)的幅度、頻率均超過(guò)理論適用范圍影響使用的有效性；而混沌理論對(duì)混沌振子辨識(shí)缺少可量化衡量標(biāo)準(zhǔn)。以上方法均取得一定研究成果，但仍需進(jìn)行更深入研究以實(shí)現(xiàn)理論瓶頸的突破。

表1　常用方法對(duì)比

3聲發(fā)射信號(hào)特征提取

3.1特征量及提取方法

特征提取對(duì)參數(shù)分析而言主要是經(jīng)映射等方法將特征向量由高維轉(zhuǎn)換為低維，盡可能保留原有特征信息。實(shí)際檢測(cè)中可提取振鈴計(jì)數(shù)、上升時(shí)間等較多參數(shù)；對(duì)波形分析主要為從降噪聲發(fā)射信號(hào)中提取特征脈沖作為聲發(fā)射源識(shí)別定位的重要依據(jù)。不同參數(shù)攜帶的聲發(fā)射信息存在交叉重疊，特征脈沖同樣需優(yōu)化選擇，故需提取規(guī)律性、高靈敏、能有效反映設(shè)備狀態(tài)的特征量。

基于參數(shù)分析的特征提取方法主要有神經(jīng)網(wǎng)絡(luò)、投影尋蹤(PP)、獨(dú)立成分分析及核方法(ICA、KPCA)、主成分分析及核方法(PCA、KICA)等。研究發(fā)現(xiàn)，PP算法計(jì)算量較大，而PCA、ICA簡(jiǎn)單高效，且主要功能為線(xiàn)性變換，進(jìn)行非線(xiàn)性聲發(fā)射信號(hào)特征提取時(shí)可能導(dǎo)致有用信息丟失。KPCA、KICA具有較強(qiáng)的非線(xiàn)性數(shù)據(jù)處理能力，用于聲發(fā)射信號(hào)特征提取成為研究熱點(diǎn)[52-54]。對(duì)基于波形分析的特征提取，主要用多種信號(hào)分析方法提取有代表性的特征脈沖。

3.2基于參數(shù)及波形的特征提取

傳統(tǒng)聲發(fā)射特征參數(shù)有上升時(shí)間、能量及幅值等。多參數(shù)提取中，Wang等[55]在3個(gè)通道中采集39個(gè)特征值，用KICA提取出貢獻(xiàn)率之和超過(guò)90%的9個(gè)特征值，有效反映出信號(hào)特征，較原始參數(shù)減少了數(shù)據(jù)傳輸及運(yùn)算量。參數(shù)比值法中，金文等[56-57]研究三比值法，選擇4個(gè)有代表性參數(shù)分別計(jì)算幅度與能量差、計(jì)數(shù)差與持續(xù)時(shí)差之比，并將比值作為新參量，減少了信息重疊，有效提取出聲發(fā)射信號(hào)特征。

對(duì)基于新型參數(shù)的特征提取，據(jù)信號(hào)非高斯特性，劉國(guó)華等[58]提出用高階譜特征提取法，將信號(hào)雙譜幅值平均值作為特征值。結(jié)果表明，該參數(shù)可量化信號(hào)偏離高斯分布程度，在判斷斷裂臨界點(diǎn)時(shí)具有更好的敏感性。林麗等[59]則將局域波法與近似熵法結(jié)合進(jìn)行特征提取。對(duì)信號(hào)局域波分解后，計(jì)算基本模式分量近似熵作為新特征參數(shù)。結(jié)果表明，該參數(shù)可量化聲發(fā)射信號(hào)的變化特征，能有效監(jiān)測(cè)聲發(fā)射信號(hào)變化情況。用小波進(jìn)行特征提取上，鄧楊等[60]用小波包能量譜計(jì)算小波分解后的特征頻帶能量與所有頻帶能量均值比值IP作為特征參數(shù)；Yang等[61]則用db5離散小波分解信號(hào)選取能量信號(hào)均方根與方差值構(gòu)建特征向量[SFRMS,SFVAR]。結(jié)果表明，在小波分解基礎(chǔ)上用能量值構(gòu)建相關(guān)特征參數(shù)可有效表征聲發(fā)射信號(hào)。

對(duì)基于波形分析的特征提取，Lin等[62]據(jù)聲發(fā)射信號(hào)的局部性質(zhì)，用HHT(希爾伯特黃變換)變換對(duì)采集的聲發(fā)射信號(hào)及仿真信號(hào)進(jìn)行處理，有效提取出瞬時(shí)頻率及能量特征，較傳統(tǒng)AE信號(hào)處理方法能更好表征聲發(fā)射信號(hào)。Yang等[63]用HHT分解聲發(fā)射信號(hào)，并用平均能量比準(zhǔn)則選取5個(gè)IMF分量計(jì)算其邊界譜。分析表明，前3個(gè)IMF分量邊界譜幅值與后2個(gè)邊界譜譜矩心能有效對(duì)應(yīng)聲發(fā)射事件，表明HHT用于特征提取的有效性。

對(duì)基于參數(shù)的特征提取研究，雖在不同方向取得進(jìn)展，但大多針對(duì)仿真聲發(fā)射信號(hào)，針對(duì)實(shí)際工況的研究尚少。此外，對(duì)各類(lèi)聲發(fā)射信號(hào)特征提取評(píng)價(jià)主要采取定性的研究方法，缺少定量的探索，因此難以對(duì)多種方法的提取效果進(jìn)行橫向?qū)Ρ取?/p>

4故障識(shí)別

4.1聲發(fā)射源識(shí)別

聲發(fā)射源識(shí)別通過(guò)提取或識(shí)別特征突出、有代表性的參數(shù)或信號(hào)，結(jié)合神經(jīng)網(wǎng)絡(luò)及支持向量機(jī)等推測(cè)聲發(fā)射源的性質(zhì)及類(lèi)型，為據(jù)聲發(fā)射信號(hào)強(qiáng)度等信號(hào)特征評(píng)估結(jié)構(gòu)或材料損傷程度及維修決策奠定基礎(chǔ)。

在聲發(fā)射源識(shí)別中對(duì)運(yùn)算效率的提高上，諧波小波包與層次支持向量機(jī)結(jié)合可用于聲發(fā)射源識(shí)別[64]。用4層Db10諧波小波包分解、計(jì)算各頻段能量特征后用層次支持向量多分類(lèi)器進(jìn)行聲發(fā)射源的類(lèi)型識(shí)別。實(shí)驗(yàn)表明，該方法能克服傳統(tǒng)小波包存在的能量泄露、頻帶不靈活及分辨率多變等缺點(diǎn)，不僅可識(shí)別各類(lèi)聲發(fā)射源，且運(yùn)算效率更好。此外三比值法研究亦取得一定成果。其原理為計(jì)算幅度與能量差、計(jì)數(shù)差與持續(xù)時(shí)差比值作為新參量。實(shí)驗(yàn)表明，該法能有效減少信息重疊,提高特定聲發(fā)射源的識(shí)別效率。

對(duì)提高識(shí)別準(zhǔn)確率，離散小波特征提取與支持向量機(jī)聲發(fā)射源識(shí)別相結(jié)合用于研究磨輪磨損監(jiān)測(cè)系統(tǒng)，將采集的信號(hào)進(jìn)行90 kHz的高通濾波降噪后用db5離散小波進(jìn)行5層分解，將構(gòu)建的特征向量[SFRMS, SFVAR]作為支持向量機(jī)的輸入量進(jìn)行聲源識(shí)別。結(jié)果表明，該方法對(duì)10 μm缺口分辨準(zhǔn)確率達(dá)99.39%，對(duì)20 μm切口準(zhǔn)確率則達(dá)100%。Luo等[65]則用小波包及遺傳神經(jīng)網(wǎng)絡(luò)方法進(jìn)行識(shí)別。實(shí)驗(yàn)中，通過(guò)db3小波對(duì)信號(hào)進(jìn)行3層分解后用頻帶信號(hào)能量百分比提取出信號(hào)特征，進(jìn)而通過(guò)遺傳神經(jīng)網(wǎng)絡(luò)快速識(shí)別未知樣本數(shù)據(jù)，準(zhǔn)確率達(dá)95%，有效識(shí)別出沖模機(jī)狀態(tài)。Liu等[66]基于常用聲發(fā)射參數(shù)通過(guò)用BP神經(jīng)網(wǎng)絡(luò)對(duì)耐火材料聲發(fā)射源進(jìn)行識(shí)別。實(shí)驗(yàn)表明，該方法對(duì)損傷類(lèi)型識(shí)別率達(dá)97.5%，對(duì)損傷程度預(yù)測(cè)偏差則不超過(guò)5%。

4.2聲發(fā)射源定位

聲發(fā)射源定位精確度反映理論預(yù)測(cè)的源位置與實(shí)際缺陷匹配程度，利用有效檢測(cè)方法可提高定位精度，進(jìn)而提高聲發(fā)射檢測(cè)效率。常用定位手段有基于參數(shù)分析、基于波形分析的源定位方法。基于參數(shù)的定位為據(jù)采集的各類(lèi)聲發(fā)射參數(shù)利用包括能量法、時(shí)差法、區(qū)域法、智能法及多種算法的組合等。基于波形分析的源定位主要有模態(tài)分析定位法，即通過(guò)確定不同傳感器采集的波形中具有相同模式、頻率的對(duì)應(yīng)點(diǎn)，計(jì)算時(shí)差進(jìn)行定位。

對(duì)基于參數(shù)分析的聲發(fā)射源定位，王向紅等[67]用基于小波神經(jīng)網(wǎng)絡(luò)的KICA對(duì)聲發(fā)射源進(jìn)行定位。研究表明，獨(dú)立成分分析的核方法(KICA)定位效果較好，既能準(zhǔn)確識(shí)別裂紋存在區(qū)域，又能使誤差保持在最小范圍。對(duì)比發(fā)現(xiàn)，小波神經(jīng)網(wǎng)絡(luò)的定位結(jié)果優(yōu)于BP網(wǎng)絡(luò)，KICA的提取效果優(yōu)于ICA。而另一組實(shí)驗(yàn)中用KICA及支持向量機(jī)(SVM)對(duì)缺陷源進(jìn)行定位。通過(guò)貢獻(xiàn)率之和超過(guò)90%的特征值提取，對(duì)不同維數(shù)下裂紋源識(shí)別精度及裂紋源到焊縫距離估算誤差進(jìn)行比較。結(jié)果表明，SVM對(duì)裂紋源識(shí)別結(jié)果優(yōu)于小波網(wǎng)絡(luò)，且KICA較KPCA與未經(jīng)特征提取的原始參數(shù)對(duì)裂紋到焊縫距離估算誤差值及均方誤差均最小，既能提高運(yùn)算速率也具有更好的聲發(fā)射源定位精度。

除采用ICA及其核方法提取多參數(shù)定位外，用少量參數(shù)或參數(shù)比也可實(shí)現(xiàn)聲發(fā)射源定位。Stepanova等[68]將聲發(fā)射信號(hào)能量作為特征值，研究通過(guò)聚類(lèi)分析法進(jìn)行焊接裂紋聲發(fā)射源定位。在處理從旋轉(zhuǎn)測(cè)試臺(tái)取樣的碰磨聲發(fā)射信號(hào)時(shí)[69]，基于粒子群(PSO)算法優(yōu)化的小波神經(jīng)網(wǎng)絡(luò)(WNN)用于聲源定位。用粒子群算法代替?zhèn)鹘y(tǒng)算法，將傳感器坐標(biāo)與信號(hào)能量比值作為神經(jīng)網(wǎng)絡(luò)輸入值，優(yōu)化小波神經(jīng)網(wǎng)絡(luò)參數(shù)。實(shí)驗(yàn)結(jié)果表明，該算法可使聲發(fā)射源定位誤差縮小到4%以?xún)?nèi)，定位精度、效率均可提高。而基于多輸出支持向量回歸(M-SVR)的平面定位方法[70]，則分別以多個(gè)聲發(fā)射信號(hào)時(shí)域參數(shù)及平面坐標(biāo)作為輸入、輸出量，以SVR逼近非線(xiàn)性映射并泛化推廣，實(shí)現(xiàn)一定精度的平面定位。

對(duì)基于波形分析定位，蘇永振等[71]用基于ICA的信息極大化原理分離鋁梁兩同步?jīng)_擊源產(chǎn)生的混疊聲發(fā)射信號(hào)。分別計(jì)算傳感器接收各源信號(hào)時(shí)延后,以直線(xiàn)法進(jìn)行沖擊源定位。實(shí)驗(yàn)結(jié)果表明，兩沖擊源定位誤差分別為1.7 mm及8.2 mm。通過(guò)分析產(chǎn)生誤差原因認(rèn)為，可通過(guò)改進(jìn)含噪信號(hào)模型、增強(qiáng)降噪效果提高定位精度。

5存在問(wèn)題及展望

5.1存在問(wèn)題

(1)聲發(fā)射信號(hào)降噪與硬件及信號(hào)處理方法有關(guān)。合理選擇信號(hào)處理方法至關(guān)重要。小波分析、ICA、EMD及多方法融合在聲發(fā)射信號(hào)降噪研究上仍面臨理論、應(yīng)用的不足：小波分析缺乏系統(tǒng)規(guī)范的小波基選取原則及分解層次確定方法；ICA對(duì)復(fù)雜卷積混合信號(hào)及瞬態(tài)非線(xiàn)性信號(hào)處理等難點(diǎn)尚未完全突破；EMD在端點(diǎn)效應(yīng)、包絡(luò)線(xiàn)擬合、模式混疊及IMF統(tǒng)計(jì)有效性等存在理論不足。實(shí)際應(yīng)用中多對(duì)仿真信號(hào)進(jìn)行處理，真實(shí)工況信號(hào)分析研究相對(duì)較少。工程應(yīng)用存在缺乏實(shí)用型分析軟件的薄弱環(huán)節(jié)。

(2)特征量提取需對(duì)應(yīng)材料或設(shè)備實(shí)時(shí)工況，應(yīng)具有高效反映聲發(fā)射源特性能力。特征提取多針對(duì)仿真信號(hào)，對(duì)工況信號(hào)研究較少；對(duì)不同方法效果評(píng)價(jià)缺乏定量手段，較難進(jìn)行橫向?qū)Ρ冗x擇最優(yōu)方法。

(3)故障診斷中聲發(fā)射源識(shí)別、定位需提高快速性、精確性。應(yīng)用較多的神經(jīng)網(wǎng)絡(luò)及支持向量機(jī)等方法主要依據(jù)故障樣本進(jìn)行訓(xùn)練、判定，而樣本在故障特性的全面性、代表性需進(jìn)一步增強(qiáng)。

5.2展望

(1)聲發(fā)射信號(hào)降噪、分析需高效的信號(hào)分析處理技術(shù)作支撐。需對(duì)實(shí)驗(yàn)或工作環(huán)境中分布的噪聲特性深入研究，探尋其產(chǎn)生、傳播規(guī)律；亦需進(jìn)一步加強(qiáng)小波、ICA、EMD等方法的基礎(chǔ)理論研究，完善理論體系，解決影響其實(shí)際應(yīng)用的理論瓶頸。

(2)位錯(cuò)、塑性變形等產(chǎn)生的聲發(fā)射信號(hào)頻率較高，較振動(dòng)信號(hào)受低頻噪聲影響稍小，靈敏性更好。而對(duì)信號(hào)降噪及特征提取方法可參照振動(dòng)信號(hào)處理，用多種較成熟的信號(hào)處理方法；也可嘗試將小波、ICA與EMD結(jié)合或融合其它方法，創(chuàng)新性進(jìn)行信號(hào)處理。

(3)特征提取不僅需考慮對(duì)應(yīng)實(shí)時(shí)狀態(tài)的有效性，也要滿(mǎn)足處理實(shí)時(shí)數(shù)據(jù)要求。需探索特征提取方法的量化評(píng)價(jià)方法，在多方法對(duì)比中加強(qiáng)不同特征值靈敏性、規(guī)律性定量比較。用更優(yōu)化的特征提取方法對(duì)多通道聲發(fā)射信號(hào)采樣，以減少動(dòng)態(tài)數(shù)據(jù)傳輸量、存儲(chǔ)量，滿(mǎn)足聲發(fā)射實(shí)時(shí)監(jiān)測(cè)要求。

(4)故障識(shí)別中需對(duì)材料或結(jié)構(gòu)各類(lèi)故障狀態(tài)全面準(zhǔn)確認(rèn)識(shí)，提取具有故障代表性樣本進(jìn)行神經(jīng)網(wǎng)絡(luò)及支持向量機(jī)運(yùn)算，提高故障識(shí)別、定位精確性。

(5)進(jìn)一步研究理論、實(shí)驗(yàn)研究?jī)煞矫鎸?duì)故障診斷領(lǐng)域中常見(jiàn)的各類(lèi)聲發(fā)射產(chǎn)生、傳播機(jī)理，深入了解聲發(fā)射源特性，加強(qiáng)對(duì)真實(shí)工況下信號(hào)分析、處理研究，為有效處理聲發(fā)射信號(hào)、促進(jìn)聲發(fā)射技術(shù)推廣應(yīng)用奠定堅(jiān)實(shí)基礎(chǔ)。

參考文獻(xiàn)

[1]陳敏,胡蔦慶,秦國(guó)軍,等. 參數(shù)調(diào)節(jié)隨機(jī)共振在機(jī)械系統(tǒng)早期故障檢測(cè)中的應(yīng)用[J]. 機(jī)械工程學(xué)報(bào),2009,45(4): 131-135.

CHEN Min， HU Niao-qing， QIN Guo-jun,et al. Application of parameter-tuning stochastic resonance for detecting early mechanical faults[J]. Journal of Mechanical Engineering, 2009, 45(4): 131-135.

[2]趙艷菊. 強(qiáng)噪聲背景下機(jī)械設(shè)備微弱信號(hào)的提取與檢測(cè)技術(shù)研究[D]. 天津：天津大學(xué), 2008.

[3]Escaler X, Egusquiza E, Farhat M,et al. Detection of cavitation in hydraulic turbines[J]. Mechanical Systems and Signal Processing, 2006, 20(4): 983-1007.

[4]Chen Zhong-sheng, Yang Yong-min, Xie Yong,et al. Non-contact crack detection of high-speed blades based on principal component analysis and euclidian angles using optical-fiber sensors[J]. Sensors and Actuators A, 2013, 201: 66-72.

[5]Mba D. The use of acoustic emission for estimation of bearing defect size[J]. Journal of Failure Analysis and Prevention, 2008, 8(2): 188-192.

[6]王仲生,何紅,陳錢(qián). 小波分析在發(fā)動(dòng)機(jī)早期故障識(shí)別中的應(yīng)用研究[J]. 西北工業(yè)大學(xué)學(xué)報(bào), 2006, 24(1): 68-71.

WANG Zhong-sheng, HE Hong, CHEN Qian. Exploring effective early identification of aero-engine rotor faults[J]. Journal of North Western Poly Technical University, 2006,24(1):68-71.

[7]Whalen A D. Detection of signals in noise. electrical science a series of monographs and texts[M]. London: Academic Press Inc, 1971.

[8]張榮標(biāo),胡海燕,馮友兵. 基于小波熵的微弱信號(hào)檢測(cè)方法研究[J]. 儀器儀表學(xué)報(bào), 2007, 28(11): 2078-2084.

ZHANG Rong-biao, HU Hai-yan, FENG You-bing. Study on weak signal detection method based on wavelet entropy[J]. Chinese Journal of Scientific Instrument,2007,28(11): 2078-2084.

[9]Zhou Rui, Bao Wen, Li Ning,et al. Mechanical equipment fault diagnosis based on redundant second generation wavelet packet transform[J]. Digital Signal Processing,2010,20(1): 276-288．

[10]He Ping, Li Pan, Sun Hui-qi. Feature extraction of acoustic signals based on complex Morlet wavelet[J]. Procedia Engineering, 2011, 15: 464-468.

[11]步賢政,單平,羅震,等. 基于獨(dú)立分量分析的點(diǎn)焊特征聲音信號(hào)提取[J]. 焊接學(xué)報(bào), 2009, 30(2): 41-44.

BU Xian-zheng, SHAN Ping, LOU Zhen,et al. Characteristic extraction of acoustic signals emitted from resistance spot welding process based on independent component analysis[J]. Transactions of the China Welding Institution, 2009,30(2): 41-44.

[12]顧江,張光新,劉國(guó)華,等. 基于獨(dú)立分量分析的聲發(fā)射信號(hào)去噪方法[J]. 江南大學(xué)學(xué)報(bào):自然科學(xué)版,2008,7(1):55-59.

GU Jiang, ZHANG Guang-xin, LIU Guo-hua,et al. Research on denoising in acoustic emission signals based on independent component analysis[J]. Journal of Jiangnan University:Natural Science Edition, 2008, 7(1): 55-59.

[13]湯寶平,蔣永華,董紹江. 重分配小波尺度譜的時(shí)頻分布優(yōu)化方法研究[J]. 儀器儀表學(xué)報(bào), 2010, 31(6):1330-1334．

TANG Bao-ping, JIANG Yong-hua, DONG Shao-jiang. Time frequency representation optimization of reassigned wavelet scalogram[J]. Chinese Journal of Scientific Instrument, 2010, 31(6): 1330-1334.

[14]Kuo C C. Artificial recognition system for defective types of transformers by acoustic emission[J]. Expert Systems with Applications, 2009, 36(7): 10304-10311.

[15]Tan C K, Mba D. Identification of the acoustic emission source during a comparative study on diagnosis of a spur gearbox[J]. Tribology International, 2005, 38(5): 469-480.

[16]Mirhadizadeh S A, Moncholi E P, Mba D. Influence of operational variables in a hydrodynamic bearing on the generation of acoustic emission[J]. Tribology International, 2010, 43(9): 1760-1767.

[17]Tittmann B R, Yen C E. Acoustic emission technique for monitoring the pyrolysis of composites for process control[J]. Ultrasonics, 2008, 48(6/7): 621-630.

[18]Mba D, Rao R B K N.Development of acoustic emission technology for condition monitoring and diagnosis of rotating machines: bearings, pumps, gearboxes, engines and rotating structures[J].The Shock and Vibration Digest,2006,38(1): 3-16.

[19]張志強(qiáng),李國(guó)祿,王海斗,等. 基于聲發(fā)射原理監(jiān)測(cè)涂層疲勞磨損的研究[J]. 摩擦學(xué)學(xué)報(bào), 2012, 32(1): 89-95.

ZHANG Zhi-qiang, LI Guo-lu, WANG Hai-dou,et al. Monitoring fatigue wear of the coating based on acoustic emission[J]. Tribology, 2012, 32(1): 89-95.

[20]郝如江,盧文秀,褚福磊. 聲發(fā)射檢測(cè)技術(shù)用于滾動(dòng)軸承故障診斷的研究綜述[J]. 振動(dòng)與沖擊, 2008, 27(3): 75-79.

HAO Ru-jiang, LU Wen-xiu, CHU Fu-lei. Review of diagnosis of rolling element bearings[J]. Journal of Vibration and Shock, 2008, 27(3): 75-79.

[21]崔建國(guó),李明,陳希成,等. 基于聲發(fā)射技術(shù)飛機(jī)關(guān)鍵部件健康監(jiān)測(cè)方法[J]. 儀器儀表學(xué)報(bào), 2008, 29(10): 2126-2129.

CUI Jian-guo, LI Ming, CHEN Xi-cheng,et al. Health monitoring of airplane key components based on acoustic emission[J]. Chinese Journal of Scientific Instrument, 2008, 29(10): 2126-2129.

[22]王曉偉. 基于聲發(fā)射技術(shù)的旋轉(zhuǎn)機(jī)械碰摩故障診斷研究[D]. 哈爾濱: 哈爾濱工業(yè)大學(xué), 2009.

[23]李舜酩,許慶余. 微弱振動(dòng)信號(hào)的諧波小波頻域提取[J]. 西安交通大學(xué)學(xué)報(bào), 2004, 38(1): 51-55.

LI Shun-ming, XU Qing-yu. Harmonic wavelet extraction for weak vibration signal in frequency domain[J]. Journal of Xi’an Jiaotong University, 2004, 38(1): 51-55.

[24]Terchi A, Au Y H J. Acoustic emission signal processing[J]. Measurement and Control, 2001, 8(4): 240-244.

[25]Yang Li, Zhou Yi-chun. Wavelet analysis of acoustic emission signals from thermal barrier coatings wavelet analysis of acoustic emission signals from thermal barrier coatings[J]. Nonferrous Metals Society of China Transactions, 2006, 16: 270-275.

[26]李學(xué)軍,廖傳軍,褚福磊. 適于聲發(fā)射信號(hào)故障特征提取的小波函數(shù)[J]. 機(jī)械工程學(xué)報(bào), 2008, 44(3): 177-181.

LI Xue-jun, LIAO Chuan-jun, CHU Fu-lei. Wavelet function suitable for fault feature extraction of acoustic emission signal[J]. Journal of Mechanical Engineering. 2008, 44(3): 177-181.

[27]廖傳軍,李學(xué)軍,劉德順. 小波再分配尺度譜在聲發(fā)射信號(hào)特征提取中的應(yīng)用[J]. 機(jī)械工程學(xué)報(bào),2009,45(2): 273-279.

LIAO Chuan-jun LI Xue-jun LIU De-shun. Application of reassigned wavelet scalogram in feature extraction based on acoustic emission signal[J]. Journal of Mechanical Engineering, 2009, 45(2): 273-279.

[28]Grosse C U, Finck F, Kurz J H, et al. Improvements of AE technique using wavelet algorithms, coherence functions and automatic data analysis[J]. Construction and Building Materials, 2004, 18: 203-213.

[29]Khadem S E, Rezaee M. Development of vibration signature analysis using multiwavelet systems[J]. Journal of Sound and Vibration, 2003, 261: 613-633.

[30]Velayudham A, Krishnamurthy R, Soundarapandian T. Acoustic emission based drill condition monitoring during drilling of glass/phenolic polymeric composite using wavelet packet transform[J]. Materials Science and Engineering, 2005, 412: 141-145.

[31]姜長(zhǎng)泓,王龍山,尤文,等. 基于平移不變小波的聲發(fā)射信號(hào)去噪研究[J]. 儀器儀表學(xué)報(bào), 2006, 27(6): 607-610.

JIANG Chang-hong, WANG Long-shan, YOU Wen,et al. Research on acoustic emission signal de-noising based on translation invariant wavelet[J]. Chinese Journal of Scientific Instrument, 2006, 27(6): 607-610.

[32]鄧艾東,趙力,包永強(qiáng),等. 噪聲環(huán)境下基于小波熵的聲發(fā)射識(shí)別[J].東南大學(xué)學(xué)報(bào):自然科學(xué)版,2009,39(6): 1151-1155.

DENG Ai-dong, ZHAO Li, BAO Yong-qiang,et al. Recognition of acoustic emission based on wavelet entropy in noisy condition[J]. Journal of Southeast University: Natural Science Edition, 2009, 39(6): 1151-1155.

[33]Safty S E, El-Zonkoly A. Applying wavelet entropy principle in fault classification[J]. Electrical Power and Energy Systems, 2009, 31: 604-607.

[34]印欣運(yùn),何永勇,彭志科,等. 小波熵及其在狀態(tài)趨勢(shì)分析中的應(yīng)用[J]. 振動(dòng)工程學(xué)報(bào), 2004, 17(2): 165-169.

YIN Xin-yun, HE Yong-yong,PENG Zhi-ke,et al. Study on wavelet entropy and its applications intrend analysis[J]. Journal of Vibration Engineering, 2004, 17(2): 165-169.

[35]于金濤,趙樹(shù)延,王祁. 基于經(jīng)驗(yàn)?zāi)B(tài)分解和小波變換聲發(fā)射信號(hào)去噪[J]. 哈爾濱工業(yè)大學(xué)學(xué)報(bào), 2011, 43(10): 88-92.

YU Jin-tao, ZHAO Shu-yan, WANG Qi. De-nosing of acoustic emission signals based on empirical mode decomposition and wavelet transform[J]. Journal of Harbin Institute of Technology, 2011, 43(10): 88-92.

[36]夏文靜,傅行軍. 基于 ICA在強(qiáng)背景噪聲振動(dòng)信號(hào)中的去噪研究[J]. 汽輪機(jī)技術(shù), 2006, 48(2): 121-123.

XIA Wen-jing, FU Xing-jun. De-noising in intensive noises vibration signal based on independent component analysis(ICA)[J]. Turbina Technology, 2006, 48(2): 121-123.

[37]de-la-Rosa J J G, Puntonet C G,Piotrkowski R, et al. Comparison of two ICA algorithms in BSS applied to non-destructive vibratory tests[J]. SEAL 2006, LNCS 4247, 2006, 4132:750-755.

[38]李卿. 基于獨(dú)立分量分析的切削聲發(fā)射源信號(hào)分離研究[D]. 上海: 上海交通大學(xué), 2011.

[39]何沿江,齊明俠,羅紅梅. 基于ICA和SVM的滾動(dòng)軸承聲發(fā)射故障診斷技術(shù)[J]. 振動(dòng)與沖擊, 2008, 27(3): 150-153.

HE Yan-jiang, QI Ming-xia, LOU Hong-mei. Simplified viv coupling model for submarine pipe span with spoiler[J]. Journal of Vibration and Shock, 2008, 27(3): 150-153.

[40]王向紅. 混流式水輪機(jī)葉片裂紋聲發(fā)射監(jiān)測(cè)的若干關(guān)鍵技術(shù)研究[D]. 上海: 上海交通大學(xué), 2009.

[41]王艷青. 復(fù)合材料風(fēng)機(jī)葉片疲勞損傷監(jiān)測(cè)研究[D]. 哈爾濱: 哈爾濱工業(yè)大學(xué), 2010.

[42]劉國(guó)華,黃平捷,龔翔,等. 基于分形維和獨(dú)立分量分析的聲發(fā)射特征提取[J]. 華南理工大學(xué)學(xué)報(bào):自然科學(xué)版, 2008, 36(1): 76-80.

LIU Guo-hua, HUANG Ping-jie, GONG Xiang,et al. Feature extraction of acoustic emission signals based on fractal dimension and independent component analysis[J]. Journal of South China University of Technology:Natural Science Edition, 2008, 36(1): 76-80.

[43]程軍圣.基于Hilbert-Huang變換的旋轉(zhuǎn)機(jī)械故障診斷方法研究[D]. 湖南: 湖南大學(xué), 2005.

[44]孫立瑛,李一博,靳世久,等.基于小波包和HHT變換的聲發(fā)射信號(hào)分析方法[J].儀器儀表學(xué)報(bào),2008,29(8):1577-1582.

SUN Li-ying, LI Yi-bo, JIN Shi-jiu, et al. Acoustic emission signal processing method based on wavelet package and HHT transform[J]. Chinese Journal of Scientific Instrument, 2008, 29(8): 1577-1582.

[45]關(guān)山. 基于聲發(fā)射信號(hào)的多特征分析與融合的刀具磨損分類(lèi)與預(yù)測(cè)技術(shù)[D]. 吉林: 吉林大學(xué), 2011.

[46]徐鋒,劉云飛,宋軍. 基于中值濾波-SVD和EMD的聲發(fā)射信號(hào)特征提取[J]. 儀器儀表學(xué)報(bào), 2011, 32(12): 2712-2719.

XU Feng, LIU Yun-fei, SONG Jun. Feature extraction of acoustic emission signals based on median filter-singular value decomposition and empirical mode decomposition[J]. Chinese Journal of Scientific Instrument, 2011, 32(12): 2712- 2719.

[47]Law L S, Kim J H, Liew W Y H, et al. An approach based on wavelet packet decomposition and Hilbert-Huang transform (WPD-HHT) for spindle bearings condition monitoring[J]. Mechanical Systems and Signal Processing,2012,33:197-211.

[48]李俊平,周創(chuàng)兵. 巖體的聲發(fā)射特征試驗(yàn)研究[J]. 巖土力學(xué), 2004, 25(3): 374-378.

LI Jun-ping，ZHOU Chuang-bing. Experimental research on acoustic emission characteristics of rock mass[J]. Rock and Soil Mechanics, 2004, 25(3): 374-378.

[49]冷永剛. 大信號(hào)變尺度隨機(jī)共振的機(jī)理分析及其工程應(yīng)用研究[D]. 天津: 天津大學(xué), 2004.

[50]Cao Yi-jia, Wang Jing-dai, Liu Wei, et al. Wall sheeting diagnosis in fluidized beds based on chaos analysis of acoustic emission signals[J]. Journal of Zhejiang University Science A, 2009, 10(9): 1341-1349.

[51]成新民,胡峰,鄧艾東,等. 基于代數(shù)網(wǎng)絡(luò)和混沌參數(shù)的碰摩聲發(fā)射源定位方法研究[J].振動(dòng)工程學(xué)報(bào),2011,24(3):287-293.

CHENG Xin-min, HU Feng, DENG Ai-dong,et al. Research on localization of acoustic emission source based on algebraic neural network and chaotic features[J]. Journal of Vibration Engineering, 2011, 24(3): 287-293.

[52]田昊,唐力偉,田廣,等. 基于核獨(dú)立分量分析的齒輪箱故障診斷[J]. 振動(dòng)與沖擊, 2009, 28(5): 163-164.

TIAN Hao, TANG Li-wei, TIAN Guang,et al. Fault diagnosis of gearbox based on KICA[J]. Journal of Vibration and Shock, 2009, 28(5): 163-164.

[53]劉愛(ài)倫,袁小艷,俞金壽. 基于KPCA-SVC的復(fù)雜過(guò)程故障診斷[J]. 儀器儀表學(xué)報(bào), 2007, 28(5): 870-874.

LIU Ai-lun, YUAN Xiao-yan, YU Jin-shou. Fault diagnosis of complex chemical process based on KPCA-SVC[J]. Chinese Journal of Scientific Instrument,2007,28(5):870-874.

[54]Wang G, Sun Ya, Ding Q,et al. Estimation of source spectra profiles and simultaneous determination of polycomponent in mixtures from ultraviolet spectra data using kernel independent component analysis and support vector regression[J]. Analytica Chimica Acta,2007, 594(1): 101-106.

[55]Wang X H, Mao H L, Zhu C M,et al. Damage localization in hydraulic turbine blades using kernel independent component analysis and support vector machines[J]. Proceedings of the Institution of Mechanical Engineers, Part C, Journal of Mechanical Engineering Science, 2009, 223(2):525-529.

[56]金文,陳長(zhǎng)征,金志浩,等. 聲發(fā)射源識(shí)別中的三比值特征提取方法研究[J]. 儀器儀表學(xué)報(bào), 2008, 29(3): 530-534.

JIN Wen, CHEN Chang-zheng, JIN Zhi-hao,et al. Study on three-parameter-ratio method in AE source recognition[J]. Chinese Journal of Scientific Instrument, 2008, 29(3): 530-534.

[57]Jin Wen, Chen Chang-zheng, Jin Zhi-hao,et al. An improved recognition approach of acoustic emission sources based on matter element[J]. ICIC 2007, LNCS, 2007,4681: 1070-1077.

[58]劉國(guó)華,黃平捷,楊金泉,等.基于高階譜的混凝土材料斷裂聲發(fā)射特征提取[J].吉林大學(xué)學(xué)報(bào):工學(xué)版,2009,39(3): 803-808.

LIU Guo-hua, HUANG Ping-jie, YANG Jin-quan,et al. Feature extraction of concrete material’s AE measuring based on high order spectrum[J]. Journal of Jilin University: Engineering and Technology Edition, 2009, 39(3): 803-808.

[59]林麗,趙德有. 基于局域波近似熵的聲發(fā)射信號(hào)處理[J]. 大連理工大學(xué)學(xué)報(bào), 2010, 50(1): 75-80.

LIN Li, ZHAO De-you. Acoustic emission signal processing based on local wave and approximate entropy[J]. Journal of Dalian University of Technology, 2010, 50(1): 75-80.

[60]鄧揚(yáng),丁幼亮,李?lèi)?ài)群. 基于小波包分析的拉索損傷聲發(fā)射信號(hào)特征提取[J]. 振動(dòng)與沖擊, 2010, 29(6): 154-158.

DENG Yang, DING You-liang, LI Ai-qun. Feature extraction of acoustic emission signals for cable damage based on wavelet packet analysis[J]. Journal of Vibration and Shock, 2010, 29(6): 154-158.

[61]Yang Zhen-sheng, Yu Zhong-hua. Grinding wheel wear monitoring based on wavelet analysis and support vector machine[J].Int J Adv Manuf Technol, 2012, 62: 107-121.

[62]Lin Li, Chu Fu-lei. Feature extraction of AE characteristics in offshore structure model using Hilbert-Huang transform[J]. Measurement, 2011, 41(1): 46-54.

[63]Yang Zhen-sheng, Yu Zhong-hua, Xie Chao,et al. Application of Hilbert-Huang transform to acoustic emission signal for burn feature extraction in surface grinding process[J]. Measurement, 2014, 47: 14-21.

[64]Yu Jin-tao, Ding Ming-li, Meng Fan-gang,et al. Acoustic emission source identification based on harmonic wavelet packet and support vector machine[J]. Journal of Southeast University(English Edition), 2011, 27(3): 300-304.

[65]Luo Zhi-gao, Wang Xiang, Li Ju. Study of punch die condition discrimination based on wavelet packet and genetic neural network[J]. ISNN 2008, Part II, LNCS, 2008,5264: 483-491.

[66]Liu Chang-ming, Wang Zhi-gang, Li You-rong. Damage pattern recognition of refractory materials based on bp neural network[J]. ICONIP 2012, Part IV, LNCS, 2012,7666: 431-440.

[67]王向紅,朱昌明,毛漢領(lǐng),等. 基于小波神經(jīng)網(wǎng)絡(luò)的水輪機(jī)葉片裂紋源的定位技術(shù)[J]. 上海交通大學(xué)學(xué)報(bào), 2008, 42(8): 1301-1304.

WANG Xiang-hong, ZHU Chang-ming, MAO Han-ling, et al. Source location of cracks of turbine blades based on wavelet neural network[J]. Journal of Shanghai Jiaotong University, 2008, 42(8): 1301-1304.

[68]Stepanova L N, Ramazanov I S, Kanifandin K V. Detecting hazardous sources of acoustic emission signals using the estimated energy of clusters[J]. Russian Journal of Nondestructive Testing, 2010, 46(9): 676-683.

[69]Deng Ai-dong, Zhao Li, Wei Xin. The application of wavelet neural network optimized by particle swarm in localization of acoustic emission source[J]. ICONIP 2009, Part II, LNCS, 2009, 5864: 738-745.

[70]于金濤,丁明理,王祁. 基于多輸出支持向量回歸的聲發(fā)射源平面定位[J]. 儀器儀表學(xué)報(bào), 2011, 32(9): 2139-2145.

YU Jin-tao, DING Ming-li, WANG Qi. Planar location of acoustic emission source based on multi-output support vector regression[J]. Chinese Journal of Scientific Instrument, 2011, 32(9): 2139-2145.

[71]蘇永振,袁慎芳. 基于獨(dú)立分量分析的多源沖擊定位方法[J]. 振動(dòng)與沖擊, 2008, 27(8): 134-137.

SU Yong-zhen, YUAN Shen-fang. Method for locating multiple impact sources based on independent component analysis[J]. Journal of Vibration and Shock, 2008, 27(8): 134-137.