解析流体电磁阀在复杂环境下的声发射信号去噪及信号分析方法

由于受信号采集和处理的限制，早期的声发射仪器很少具备对信号进行瞬态波形捕捉和实时处理的能力，因此信号分析中用得较多的是参数分析方法。在各个应用领域，人们通过多年的实践总结出许多经验， 湿度传感器探头 , 不锈钢电热管 , PT100 传感器 , 流体电磁阀 , 铸铝加热器 , 加热圈 通过对声发射参数的分析，建立表征和映射关系。如美国的ASTM和ASME标准，以及我国的国标 GB/T18182[1]等都是以声发射的参数来进行监测对象的无损评价和安全性评价。Prine D. W.等[2]为了用声发射评价焊接过程中缺陷的严重性，对几种钢和结构材料进行解剖，并用金相方法测量裂纹的尺寸，发现声发射参数(总计数)与裂纹大小之间存在着密切的关系。在断裂力学上，Dunegan H.L.等[3]利用声发射总计数N来表述金属材料中的应力强度因子K值和裂纹扩展速率的关系。Rice[4]和Ravindra .H .V[5]还利用了刀具在切削过程的声发射信号的能量分布关系分别预测刀具裂纹扩展程度、监测刀具的工作状况。复合材料的声发射研究中，Nanjo[6] 和Vaidya[7]均发现纤维断裂产生低幅值的声发射信号(40-60dB)，而晶间裂纹产生高幅值的声发射信号(65-85dB);金周庚[8]在碳 /环氧复合材料的声发射特征研究中发现振铃计数、幅度、持续时间、恒载声发射延续时间、费利希蒂比是区别复合材料构件各损伤阶段、损伤类型、力学特性的主要参数。

　　参数分析法中为了能找到声发射源的特性和内在规律，人们通常使用关联图分析法，即将幅度、持续时间、能量、到达时间、均方根电压值、撞击数、撞击数率、外接参数等之间任意两个变量做关联分析。从声发射参数的关联图中可以找出声发射信号的变化规律，以区分不同特性的信号。如在压力容器或管道中，内部介质的泄漏信号可以认为是连续信号，因而与容器或管道内部的缺陷发出的AE信号相比，其信号的持续时间相对较长，通过一些参数(如通道号)对持续时间的关联图我们可以及时发现介质的泄漏。美国MONPAC声发射检验俱乐部以声发射信号计数与幅度的关联图的形态来评价金属压力容器声发射检验数据的质量。关联图分析法是参数分析法中最主要和常用的方法，人们也通过多年的实验总结了一些非常实用的经验。

　　随着工程实践的需求和声发射技术应用研究的深入，研究工作者们在沿用前人定义的声发射参数的基础上，根据研究需要不断定义新的参数，使得参数对声发射逆源问题的分析更加深入。Shiwa等提出用波形比率和衰减率评价薄膜层的破坏。在实际的应用研究中，往往根据实际情况选用多个合适的声发射参数构成特征参量，对逆源问题进行多角度多层次的分析，以提高分析的能力和精度。当然，对参数方法，还可以运用一些现代信号处理手段去发现一个内在的规律和特征的关联性。如沈功田[10] 对金属压力容器声发射源应用常规参数如能量、持续时间、幅度、计数、到峰计数和上升时间，通过神经网络和灰色关联分析等手段成功区分裂纹扩展、残余应力释放和机械磨擦引起的声发射信号。在复合材料和土木工程结构方面Belchamber、Murthy和Chichibu等人应用幅度、持续时间等常规参数进行了模式识别，也能将一些不同的声发射信号区分开来。

　　声发射信号波形分析

　　波形分析是指通过分析声发射(AE)信号的时域波形或频谱特征来获取信息的一种信号处理方法。理论上讲，波形分析应当能给出任何所需的信息，因而波形也是表达AE源特征的最精确的方法，并可获得信号的定量信息。所以从声发射技术发展的初期，人们就意识到波形分析在识别声发射源及评价被测对象中的重要作用，并想通过各种方法来获取声发射源产生的原始波形信号，但由于硬件达不到采集、实时处理和存取要求，以及信号处理手段不完善，所以一直制约着声发射波形分析技术的发展。随着软硬件技术的飞速发展，人们开始研制全波形声发射检测仪器，并利用现代信号处理手段进行波形的分析与处理，以得到更多的声发射源信息。通常实验室试件和工程构件多以板状结构为主，因此，研究板中声发射信号的特点，研究不同机理的源产生波形的异同(以及相应的频谱和相关特性的异同)并进而寻找识别方法就显得更有意义。美国学者 Gorman等人在复合材料板的声发射波形特征方面做了不少工作，并提出了"模态声发射"的概念，用以区分过去人们习惯了的参数分析方法[14]。如图3 中所示钢板上铅芯折断所产生扩展波(E波)和柔性波(F波)。

　　图3 模态声发射中E波和F波

　　过去己有不少学者对波形分析技术作过相当深入的研究。五十年代，Pekeris[15]和Knopoff[16]等研究过半无限空间(厚板)中深埋源引起的"震中"表面位移这一理论问题，其实质是求解在脉冲源作用下半无限空间的Lamb问题。Breckenridge等研究了厚板中阶跃载荷产生的表面位移，其实验结果已成为人们后来校验声发射传感器瞬态响应的基础[17]。Hsu和Sachse等利用卷积积分法并使用数值计算，求出在阶跃声源作用下板的表面位移，或反过来，通过表面位移求解声源的形状从而进行声源识别[18]。耿荣生[19]利用波形分析方法对飞机雷达罩开胶故障进行了评价，通过接收激励信号在雷达罩中的传播，并对该接收波进行处理和分析来获取有关粘接质量的信息。波形分析也能对声源准确定位起到一定的作用，Ziola等[20]通过使用波形分析的方法，对复合材料板中声源的定位进行了研究，并获得了比参数法更高的定位精度。总之，有了声发射波形，研究者们开始着手对这些波形信号进行分析，针对声发射信号的特征，人们通常采用以下分析处理方法。

　　经典谱和现代谱分析

　　频谱分析方法可以分为经典谱分析和现代谱分析两大类，它们都是声发射信号处理中最常用的分析方法。经典谱分析法以傅立叶变换为基础，简单、方便，但是其分辨率不高，且谱估计误差较大。现代谱分析法以合适的参数模型来拟合信号或用数学上正交处理方法分离信号，提高了谱的分辨率和谱估计的统计稳定性。两种谱分析方法都是通过把声发射信号从时域转换到频域，在频域中研究声发射信号的各种特征，找到识别声发射源本征信息。因为从理论上讲，不同的声发射源发出的信号都含有反应其本质特征的信息。谱分析就是要对时域信号不能发现的信息，以期在频域中得到反应映。

　　近年来，人们在频谱分析方面做了大量的探索，并取得了许多非常有意义的成果。由于声发射技术应用的范围非常广泛，这些研究工作也遍布各个领域。 Cawthorne, M.等[21]利用波形的频谱特征监测直升机转动系统的动态部件的疲劳，取得了良好的效果。杨占才等[22]通过对汽车发动机活塞-缸套磨损过程产生的声发射信号进行了分析，发现了声发射信号功率谱特征变化反映了活塞-缸套间隙的不同，从而利用频谱指标来判断发动机活塞-缸套的磨损程度。在过去的几年里，运用谱分析的方法对复合材料的损伤模式进行识别的研究非常多，如De Groot[23]在对环氧复合材料四类损伤模式的声发射信号的特征研究中发现：不同损伤模式产生声发射信号的频谱分量各不相同，每一类损伤模式对应一个特征频率分布范围;在金属材料的焊接缺陷研究方面，Bentley和Beesleyl[24]应用宽频带探头和谱分析技术分析了钢焊缝内缺陷的声发射信号，他们发现能够识别裂纹和夹渣类缺陷的最重要特征是频率分量。刘时风[25]建立了功率谱与典型焊接缺陷声发射源的对应关系。 R.Hou[26]等用声发射监测管道内浆体颗粒的含量和流量，通过统计规律和声发射信号频谱分析，建立了管内介质的固体含量、流量和谱分量的量化模型，从而达到了工艺参数控制的目的。

　　以上前人的大量工作说明声发射信号的频谱能反映声发射源的特征，并且相似的声发射源产生的声发射信号具有相似的频谱分布特征;不同声发射源的声发射信号的特征可以通过频谱分布信息得以体现。因此，频谱分析能够揭示声发射源信号的特征和它的动态特性。但信号的频谱分析要求被分析的信号是周期性的平稳信号，并且谱分析是一种忽略局部信息变化的全局分析方法。从图1中可以看出声发射信号是一种随时间变化的非平稳随机信号，某个时段细节特征对声发射信号的分析特别重要，因此用频谱分析不是分析声发射信号特征的有效方法，分辨率不高且谱估计的误差较大。我们应该寻找一种更符合声发射信号特征的处理方法。

　　小波分析

　　信号分析和处理方法的研究是声发射源识别和评价技术的关键问题之一，也是声发射技术的主要发展方向。不论是突发的还是连续的声发射信号都具有瞬态性和随机性，属于非平稳的随机信号，并且是由一系列频率和模式丰富的信号组成。对于这种类型的信号分析和处理应能同时提供时域和频率域的分析，即声发射信号处理方法应具有时频分析能力。

　　小波理论从一开始就是数学家和工程师们共同创造的，从小波分析产生的开始就与实际工程问题紧密联系在一起，因而它不仅有严密的数学理论基础，而且也解决许多工程实际的问题。目前小波分析主要在分形、图像处理、信噪分离、语音信号处理、信号特征提取和故障诊断等方面得到广泛的应用。在声发射信号处理方面主要是利用小波分析的信噪分离和良好的时频局部化特性，以提取声发射信号的特征找出其内在规律，达到识别声发射源，了解其传播特性的目的。还有一个有趣的用途就是，分离出我们感兴趣的某些频率的信号，用这些相对稳定的信号(无频散，即波速一定)到达不同传感器的时间，实现声发射源的精确定位。Wang. Q把小波变换与相关分析结合起来对转子的摩擦声发射信号进行定位研究，得到了比声发射信号直接做相关定位精度高的结论[27]。

　　小波分析给声发射信号处理技术带来了新的生机，大量的文献报导了小波分析在声发射信号处理研究中取得了其它信号处理方法所不能获取的研究成果，这说明小波分析是目前分析声发射信号的最佳方法。同时由于声发射检测技术是一门实用性技术，所以把小波分析应用到声发射检测工程中，解决工程中的实际问题是声发射信号小波分析的研究目的和发展方向[28]。但是同时看到，任何一种方法都不是万能的，都有它的适用范围。要真正地达到对声发射源进行精确的定性、定量和定位，还必须充分地根据声发射信号的特点，结合各种信号处理手段优点，通过大量的工程检验，找出最合理的分析方法。

　　神经网络识别

　　八十年代以来，以人工神经网络(ANN)技术、专家系统(ES)为标志的人工智能技术的应用已渗透到各个领域，并在信号处理、模式识别、非线性优化、自动目标识别、传感技术等方面取得了许多令人鼓舞的进展。这主要得益于它们在解决高度非线性和严重不确定系统推理方面的巨大潜力，为许多难以建立精确数学模型的过程(如声发射信号的传播过程)及对象识别带来新的希望。对声发射信号分析处理的最终目的是实现对声发射源的识别，人工神经网络是目前实现模式识别的主要方法，因此也成为声发射信号处理研究的主要内容之一[60]。

　　声发射信号中包含有声发射源的模式特征信息，但是由于传播过程、介质特性、仪器响应的影响，从声发射源到声发射信号之间的映射是非线性的，很难进行这些不确定过程的精确建模，而这正是人工神经网络的长处，所以用人工神经网络对声发射源进行识别是一条颇具潜力的途径。人工神经网络用于声发射检测技术最早是由 Rangwala在1987年完成，他介绍了一种运用神经网络和声发射技术对刀具工作状态进行监测的方法;Grabec和Sachse应用人工神经网络对声发射信号进行处理，并在其后的研究中，不断运用神经网络技术对声发射信号进行处理[29]。Barga等人应用误差反传神经网络对模拟飞机框架试样的声发射波形信号进行模式识别，其结果可以对裂纹扩展和摩擦信号加以识别[30]。Yang和Dumont[31]设计了一个多层复合的人工神经网络对声发射信号进行自动分类。Eric等人利用声发射信号幅度参数结合神经网络技术，来预测铝合金的焊接强度，取得了很好的效果。约翰霍普金斯大学的James 运用神经网络研究了复杂结构的定位实验[32]。

　　目前，人工神经网络在声发射技术中的应用，都是针对某一具体的对象，缺乏一种带有普遍指导意义的方法，而且在神经网络的结构上缺乏对声发射信号的针对性，所以还需要做更深入的研究和总结工作。

　　声发射信号的相关分析

　　在信号处理中经常要研究两个信号的相似性，或一个信号经过一段延迟后自身的相似性，以实现信号的检测、识别与提取等。如同频域里的谱分析一样，时域里的相关分析几乎在信号处理的所有领域里都有应用，例如图象处理、卫星遥感、雷达探测、通信及控制工程、医疗和生物工程等。声发射信号分析中，也常常用到相关分析技术。例如，可以通过声发射源的时域信号或频域信号进行声源的相似性分析，从而达到声发射源模式识别的目的[33]。

　　相关分析在声发射信号处理中，还有一个重要应用是在连续声发射信号的分析中。常用的测量两个突发型声发射波之间时差的技术不适用于连续型声发射源,而互相关技术既适用于断续波之间的时差或时间延迟测量,也适用于连续波之间的时差或时间延迟测量 ,这一技术已被成功地应用于管道声发射检测的泄漏源定位。