基于主成分分析的纖維拉伸斷裂聲發射信號識別

張陸佳， 林蘭天， 陳春敏， 申炎仃， 高 琮

(上海工程技術大學 服裝學院， 上海 201620)

紗線強力受到纖維性能以及紗線結構等因素的影響，有學者通過構建力學模型改變紗線結構提高強力利用率[1]。纖維性能是影響紗線強力利用率的指標之一，相關研究大都集中在從力學角度進行分析，常采用拉伸斷裂強力、斷裂伸長率等表征指標。對于混紡紗，不同材料纖維的結構特征各不相同，僅靠力學性能指標較難科學全面地揭示纖維斷裂的過程，進而有效地提高紗線的強力利用率[2]。

本文以纖維拉伸斷裂聲發射信號的檢測為切入點，通過增強經驗模態分解(EEMD)的信號處理方法獲取纖維拉伸斷裂信號特征，在此基礎上提出主成分分析(PCA)并結合最小二乘支持向量機(LSSVM)識別的模型(即EEMD-PCA-LSSVM模型)，實現對纖維拉伸斷裂聲發射信號特征向量的重組及降維，探索可適用于不同種類纖維拉伸斷裂信號特征及識別的方法，為深入研究混紡紗線拉伸斷裂過程中多種纖維斷裂的時序性提供依據。并以此分析各組分纖維的拉伸強力貢獻程度，從而精準優化調整紡紗工藝的設計與生產。

1 EEMD-PCA-LSSVM模型的建立

1.1 聲發射信號預處理

聲發射(簡稱AE)是材料局部因能量的快速釋放而發出的瞬態彈性波的現象[3]。聲發射傳感器獲得的信號較大部分是由噪聲產生的，在放大器的作用下，噪聲信號使得A/D轉換器處于滿量程狀態而被存儲到計算機中[4]。

纖維拉伸斷裂AE信號強度一般比較弱，且會受到傳輸通道、換能器等硬件因素的影響，使得最終采集的AE信號較為復雜；同時，纖維拉伸斷裂信號采集是一個動態檢測的過程，信號的實時性難以保證：因此，需對纖維拉伸斷裂AE信號進行去噪。

針對纖維拉伸斷裂AE信號特點，采用小波去噪。以滌綸纖維為例，纖維拉伸斷裂為瞬時的能量釋放，其聲發射信號表現為脈沖波形的突變，脈沖峰值大，衰減快，即斷裂信號為一個極其突出的針尖狀信號，在極短的時間內出現較大的幅值變化；因此，對滌綸單纖維拉伸斷裂AE信號小波去噪，其中小波基為sym 6函數，分解層數為5，去噪結果如圖1所示。

圖1 滌綸纖維拉伸斷裂AE信號小波去噪前后對比圖Fig.1 AE signal of tensile fracture of polyester fiber before (a)and after (b) treated by wavelet analysis

經小波去噪后，纖維拉伸斷裂聲發射信號中噪聲雜刺明顯減少，曲線平滑，小波去噪有效果。為了減少后續分析工作，根據統計結果對斷裂信號進行有效部分的截取，如圖2所示。

圖2 滌綸纖維AE信號有效部分截取圖Fig.2 Signal of polyester fiber fracture zone

1.2 模型建立

在對比不同種類纖維的拉伸斷裂AE信號時發現在時域內其特征不明顯，往往振動信號特征多從頻域內進行提取，一般將信號分解為多個分量，并計算每個分量的特征值，以提取原始信號的特征；因此，針對纖維拉伸斷裂AE信號的特點建立EEMD-PCA-LSSVM模型，實現對不同纖維種類斷裂的分類識別。該模型由3部分組成：1)利用增強經驗模態分解方法對AE信號進行分解，獲取纖維的頻率特征；2)利用主成分分析法對高維的頻率特征集進行提取，實現特征降維，獲得頻率的訓練特征集、識別特征集；3)通過LSSVM分類器的訓練實現對纖維斷裂信號的識別。其建模的流程如圖3所示。

1.2.1增強經驗模態分解方法

在實際生產和生活中，大多數信號均具有非線性、非平穩性；同時為避免經驗模態分解(EMD)在分解含噪聲的信號時出現模態混疊現象，表現為相鄰2個固有模式函數(Intrinsic mode function，簡稱IMF)波形混疊不易分辨[5]：因此，在分解纖維拉伸斷裂AE信號時，采用增強經驗模態分解(簡稱EEMD)作為信號的時頻分解方法。該方法利用不同白噪聲序列與對應的IMF之間存在不相關性，在信號中添加白噪聲，使得干擾脈沖在EMD分解過程得到消除，解決經驗模態分解中的模態混疊問題[6]。

EEMD分解得到較多IMF分量；但僅有少量的IMF對應有效的信號，因此，與原始信號相關系數高的分量可視為含原始信號的有效成分較多，選取相關程度高的IMF進行后續分析。

圖3 纖維拉伸斷裂AE信號預處理、EEMD-PCA-LSSVM模型流程圖Fig.3 Flowchart of fiber tensile fracture AE signal pretreatment and EEMD-PCA-LSSVM model

圖4 纖維斷裂區信號的EEMD分解圖Fig.4 EEMD decomposition on signal of fiber fracture zone

以滌綸纖維的1個樣本為例，對去噪后的纖維信號采用EEMD方法分解處理，其中設白噪聲幅值系數為0.01，執行循環次數為50。圖4為纖維斷裂信號的EEMD分解圖。可以看出，滌綸纖維的AE信號經分解得到12個IMF分量，其中IMF1到IMF12依次由高頻段至低頻段變化。由于纖維斷裂頻率的分布屬于高頻段，且前12個IMF與原始信號的相關系數R(i)如表1所示。因此，閾值為相關序列值R(i)>5%時，對應選擇前10個IMF分量作為有效的IMF分量，記作IMF-10 ={IMF1，IMF2，…，IMF10}。

對IMF-10進行希爾伯特變換得到希爾伯特譜和邊際譜，如圖5、6所示。邊際譜的幅值可以描述信號的幅值在整個頻率段上隨頻率的實際變化情況，通過該滌綸纖維的邊際譜可知在整個頻率段0～5 MHz范圍出現多個幅值較大的特征峰，選擇邊際譜中波峰出現的頻率段作為該試樣的特征頻率集。表2示出10個維綸纖維樣本的特征頻率集。

表112階IMF分量與原始信號的相關系數表
Tab.1Phaserelationtableof12-stepIMFcomponentwithoriginalsignal

IMF分量相關系數R(i)IMF分量相關系數R(i)IMF10.104IMF70.142IMF20.095IMF80.295IMF30.111IMF9-0.205IMF40.110IMF100.799IMF50.103IMF11-0.028IMF60.097IMF12-0.013

圖5 希爾伯特譜Fig.5 Hilbert spectrum

圖6 邊際譜Fig.6 Marginal spectrum

頻率編號特征頻率(低～高)/Hz樣本1樣本2…樣本9樣本10115625093750…93750812502193750143750…1187501312503243750181250…156250193750??????8748937504543750…39437504931250

1.2.2主成分分析

滌綸纖維拉伸斷裂AE信號經EEMD處理后獲取的頻率特征的維度較大，特征的差異較小，如圖7所示。滌綸纖維特征頻率間相關系數的絕對值越大，顏色越深。21.69%的頻率特征間的相關系數小于0.4，即這部分數據間弱相關；而63.06%的頻率特征間相關系數大于0.6，即這部分數據強相關,說明數據信息大量重疊：因此，不能直接將頻率特征作為模式識別分類的最佳特征，需要對特征向量重組，舍棄無用或信息重疊的頻率特征。

圖7 頻率特征相關系數圖Fig.7 Correlation coefficient of characteristics frequency chart

主成分分析法(PCA)可將多維特征壓縮成較少維數[7]。Malhi等[8]利用PCA從多域特征中提取2個有效特征，實現對軸承故障的分類。任浩等[9]提出基于PCA的多級支持向量機情感分類算法，使特征維度降低58.3%，并逐級對輸入語音所屬的情感類型進行判斷，相比基于支持向量機其平均識別率提高5.05%。

針對滌綸纖維頻率特征集的特征反映的特點，可對纖維的特征頻率采用主成分分析法進行提取。滌綸纖維AE信號87維頻率特征經PCA處理后得到2個主成分，其累積貢獻率為86.813%。提取對這2個主成分貢獻率大的頻率作為滌綸纖維新的特征頻率集，減少噪聲等其他干擾成分，突出有用的信息特征。

1.2.3支持向量機

最小二乘支持向量機(LSSVM)是Suyken等[10]基于支持向量機方法的改進，其與支持向量機模型相比能夠將不等式的約束改為等式約束，能夠將求解二次規劃問題轉化為直接求解線性方程，規避了支持向量機的弊端[11]。

根據纖維材料種類個數，建立N個兩類分類器LSSVM1、LSSVM2、……、LSSVMN，并通過訓練樣本對LSSVM分類器進行訓練。在識別過程中，識別樣本依次經過分類器，當LSSVM1分類器輸出為1，分類結束；反之，當SVM1分類器輸出為0，便會自動將特征向量輸入到下一個分類器。所構建的分類器如圖8所示，x=(x1,x2,…,xn)為輸入向量，即n個待訓練樣本；K(Xi,X)為基于支持向量機的非線性變換，即核函數，其中i=(1，2，…，N)，Xi為訓練樣本，X為待分類樣本；yiαi為權值，其中yi表示相應類的標識器，αi表示Lagrange乘子。

圖8 支持向量機結構圖(纖維拉伸斷裂AE信號)Fig.8 Structure diagram of support vector machine (fiber tensile fracture AE signal)

2 實驗與分析

纖維拉伸斷裂聲發射信號是在采集平臺上獲取的，鑒于樣本的寬度要求，該平臺由YG065C型電子織物強力儀、PVDF壓電傳感器、數據采集儀和計算機構成。強力儀選擇定速拉伸，拉伸速度為250 mm/min，拉伸隔距為70 mm。數據采集卡觸發電壓為10 mV，采樣頻率為10 MHz。實驗材料選用1.67 dtex芳綸1313、1.55 dtex高性能維綸，其斷裂強力的平均值分別為7.8、11.5 cN。將芳綸1313、高性能維綸分別制成單纖維樣本，在織物強力機上進行拉伸測試，分別進行100次實驗。

根據構建的EEMD-PCA-LSSVM模型，分別對芳綸1313和高性能維綸纖維的100個樣本(芳綸1313為n1-i，高性能維綸纖維為n2-i；i=1,2,…，100)的拉伸斷裂AE信號進行預處理，并完成斷裂區間的截取。對截取的2種纖維材料的AE信號結果進行EEMD分解，利用芳綸1313和維綸各100個樣本的邊際譜進行特征頻率選取，可得到頻率特征分別為X100×80和Y100×70。

表3、4分別示出2種纖維材料的頻率特征經PCA處理的結果。芳綸1313的頻率特征X和高性能維綸的頻率特征Y的前2個主成分的累計方差貢獻率已經分別達到87.210%和 86.880%，即前2個主成分已經包含了原信息85%以上的信息量。針對原特征頻率的2個主成分的頻率特征矩陣，在保證維度一致的前提下提取與第1主成分、第2主成分相關系數較高的頻率作為芳綸1313、高性能維綸新的頻率特征，即分別為(X0)100×36、(Y0)100×36，實現了對2種纖維特征頻率的降維，且特征之間相互獨立。

表3 芳綸1313特征主成分累計貢獻率Tab.3 Contribution rate of characteristic frequency of poly-1,3-phenylene isophthalamide

表4 高性能維綸特征主成分累計貢獻率Tab.4 Contribution rate of characteristic frequency of high performance vinylon

對經PCA處理過后的2種纖維的特征頻率X0、Y0進行歸一化處理，并令其中樣品n1-1～n1-50、樣品n2-1～n2-50分別作為芳綸1313和高性能維綸的訓練樣本，樣品n1-51～n1-100、樣品n2-51～n2-100分別作為芳綸1313和高性能維綸的測試樣本。通過建立支持向量機識別器對不同種類纖維斷裂情況進行歸類。按照纖維種類構建纖維拉伸斷裂AE信號LSSVM識別器，即由2個LSSVM分類器構成，其中核函數選擇徑向基核函數，懲罰因子和核參數分別為2。診斷結果中，斷裂樣本用1表示，沒有正確識別或者沒有斷裂用0表示，如表5所示。

從表5看出，該模型在對芳綸1313、高性能維綸纖維各50個樣本的總識別率分別為96%，絕大部分測試樣本的測試結果與實際相符，僅有高性能維綸纖維的4個樣本未獲識別。可見，構建的LSSVM分類器可較好地實現對不同品種纖維拉伸斷裂特征頻率的分類識別。EEMD-PCA-LSSVM模型可對纖維拉伸斷裂聲發射信號實現較高的識別，對纖維拉伸斷裂機制研究以及纖維生產過程中工藝設計具有積極的意義。

表5 LSSVM分類結果Tab.5 Results of LSSVM classification

3 結 論

利用EEMD-PCA-LSSVM模型建立纖維拉伸斷裂聲發射信號的識別算法，其中在纖維拉伸斷裂聲發射信號處理過程中，對信號特征信息處理方法進行改進優化：通過PCA對特征向量進行選取和降維處理；利用訓練LSSVM分類器實現對2種纖維分類準確識別。通過研究得出以下結論：

1)EEMD-PCA-LSSVM模型可對不同纖維斷裂聲發射信號進行預測分類，模型與信號特征向量之間可以建立映射關系。

2)利用主成分分析法對多維且具有較高相關性的纖維拉伸斷裂聲發射信號特征頻率進行降維、同維處理，該方法可有效地降低特征的相關性，將其作為LSSVM識別模型訓練及識別的輸入特征，可有效地改善識別效果。

3)EEMD-PCA-LSSVM模型對芳綸1313、高性能維綸纖維拉伸斷裂情況具有96%的識別率，也可對其他不同種類纖維拉伸斷裂情況進行識別與表征。

[1] 黃偉, 汪軍. 復合紗線結構對單紗強力利用率的影響與分析[J]. 紡織學報,2017,38(2): 99-105.

HUANG Wei, WANG Jun. Influence of composite yarn′s structures on yarn strength efficiency[J]. Journal of Textile Research, 2017, 38(2):99-105.

[2] 毋戈. 束纖維拉伸中的聲與斷裂力學的原位表征[D]. 上海:東華大學,2013:2-3.

WU Ge. Characterization in situ for acoustic emission and tensile mechanics of fiber bundle at breaking[D]. Shanghai: Donghua University, 2013:2-3.

[3] 許中林, 李國祿, 董天順, 等. 聲發射信號分析與處理方法研究進展[J]. 材料導報,2014,28(5): 56- 60, 73.

XU Zhonglin, LI Guolu, DONG Tianshun, et al. Advances of analysis and processing methods of acoustic emission signal[J]. Materials Review, 2014, 28(5): 56-60, 73.

[4] 李思輝. 聲發射技術在防彈用復合材料檢測上的應用[J]. 紡織科技進展,2007(2): 11- 12.

LI Sihui. The application of acoustic emission technique in testing bulletproof composites[J]. Progress in Textile Science & Technology, 2007(2):11-12.

[5] WU Z, HUANG N E. Ensemble empirical mode decomposition: a noise-assisted data analysis method[J]. Advances in Adaptive Data Analysis, 2009(1):1-41.

[6] HUANG N E, WU Z. A review on Hilbert-Huang transform: method and its applications to geophysical studies[J]. Reviews of Geophysics, 2008, 46:26-30.

[7] 于成龍. 基于PCA的特征選擇算法[J]. 計算機技術與發展,2011(4): 123-125.

YU Chenglong. Features selection algorithm based on PCA[J]. Computer Technology and Development, 2011(4):123-125.

[8] MALHI A, GAO R X. PCA-based feature selection scheme for machine defected classification[J]. IEEE Transactions on Instrumentation and Measurement, 2004, 53(6):1517-1525.

[9] YU Huanwei, XU Yanling, LV Na, et al. Arc spectral processing technique with its application to wire feed monitoring in Al-Mg alloy pulsed gas tungsten arc welding[J]. Journal of Materials Processing Technology, 2013, 213 (5):707-716.

[10] JAK S, VANDEWALLE J. Least squares support vector machine classifiers[J]. Neural Processing Letters, 1999, 9(3): 293-300.

[11] 毛勇. 基于支持向量機的特征選擇方法的研究與應用[D]. 杭州:浙江大學,2006:12-18.

MAO Yong. A study on feature selection algorithms based on support vector machine and its application[D]. Hangzhou: Zhejiang University, 2006:12-18.