声发射数据的处理方法

来源：桥梁检测百问微信公众号（ID：jiancebaiwen），作者：朱尚清。

声发射特征参数分析方法

参数分析方法声发射特征参数分析方法

1. 声发射信号参数列表分析法

以时间为顺序将各种声发射特征参数进行排列的分析方法，即将每个声发射信号特征参数按照时序排列并直接显示于列表中，包含信号的到达时间，各声发射信号的参数、外变量等。

2. 经历图分析法

声发射经历图分析法，是指通过建立各参数随时间或外变量变化的情况，最常见的直观方法是制作图形进行分析，常使用的经历图和累计经历图有计数、幅度、能量、上升时间、持续时间等随时间或外变量的变化。

3. 分布分析方法

声发射分布分析法，是指根据信号的参数值进行统计撞击或事件计数分布分析的一种方法。分布图的横轴代表参数,选用哪个参数即为该参数的分布图,纵轴为撞击或事件计数，常见的分布图有时间、能量、上升时间、幅度分布图等。

4. 关联分析法

声发射关联分析法，是指将两个任意特征参数做关联图分析的方法。关联图两坐标轴各表示一个参数，图中每个点对应一个声发射信号撞击或事件计数。通过不同参量间的关联图可以分析不同声发射源特征，从而达到鉴别声发射源的目的。

1. 模态声发射

1991年，美国学者Gorman^[4]发表了对板波声发射 (PWAE) 的研究后，加深了研究人员对Lamb 波的认识，将该理论更多地应用于声发射监测。PWAE 后又被称为模态声发射 (MAE)，MAE 理论结合了声发射源的物理机制与板波理论，结果表明该方法适用于薄型板金属材料、薄壁长管腐蚀的声发射信号监测，因该信号具有典型的扩展波与弯曲波特征，在波形特征上与噪声差异较大，故易于辨识出腐蚀信号的波形^[5]。

2. 傅里叶变换

傅里叶变换在1807年首次被法国数学、物理学家傅里叶 (Jean Baptistle JosephFourier) 提出，直到1966年才发展完善，是人类数学史上的一个里程碑，一直以来被视为最基本、最经典的信号处理方法，而且由其得到的频谱信息具有重大物理意义，在各领域得到广泛应用。它是对傅里叶级数的推广，将时域信号转化到频域进行分析，使信号处理取得了质的突变，非常适用于周期性信号的分析。但因其是对数据段的平均分析，对于非平稳、非线性信号缺乏时域局部性信息，处理结果差强人意。

3. 小波分析

小波分析是一种从傅里叶分析演变、改进与发展而来的两重积分变换形式的分析方法，该方法对于信号具有自适应功能，即保证窗口面积（大小）不变，通过改变窗口形状、时间窗与频率窗，实现信号在不同频带不同时刻的适当分离，将信号逐层分解为低频与高频部分^[6]，低频部分的频率分辨率较高，但时间分辨率较低；而高频部分的时间分辨率较高，但频率分辨率较低，因此亦被形象地称为“数学显微镜”，为非平稳、微弱信号的提取分析提供了强有力的高效工具。

小波分析在噪声分离和提取有用的微弱信号，是其应用于信号处理的重要方面。通过将信号分解为不同频段的信号，很容易进行噪声的分离。同时小波分析的时频分析能力，在处理类似声发射信号这类具有非平稳特征的信号时具有巨大的优势。

根据声发射信号的特征在采用小波分析方法时，对于小波基的选取有以下规则：

• 尽量选择离散的小波变换。与离散小波变换相比，连续小波变换可以自由选择尺度因子，对信号的时频空间划分比二进离散小波要细，但计算量较大；声发射信号的数据量庞大，从处理速度这个角度考虑，声发射号采用离散小波变换比较合适；由于对声发射信号的分析目的是能获取声发射源的相关信息，因此通过对声发射信号的小波分析，能够实现声发射源特征信号的重构有利于获取声发射源的信息。

  
  

• 优先考虑选择在时域具有紧支性的小波基。声发射信号具有突发瞬态性，能够准确拾取突发的声发射信号是获取正确的声发射源信息的前提保障，所以应优先考虑选择在时域具有紧支性的小波基，而且紧支性的小波基能避免计算误差^[7]。为了保证小波基在频域的局部分析能力，要求小波基在频域的频带具有快速衰减性。综合以上的分析，小波基在时域具有紧支性，在频域具有快速衰减性是声发射信号小波基选择应遵循的另一个规则。

  
  

• 小波基具有时域与声发射信号类似的特性。声发射信号在时域通常表现为一类具有一定的冲击特性和近似指数衰减性质的波形信号，且具有一定持续时间。因此，选择的小波基具有类似的性质能对声发射信号的特征提供好的分析效果。

  
  

• 选择具有一定阶次消失矩的小波基。具有一定阶次消失矩的小波基能有效地突出信号的各种奇异特性，声发射信号具有类似冲击信号的特性，因此选择具有一定阶次消失矩的小波基，能突出声发射信号的特征。

  
  

• 应尽量选择对称的小波基。对声发射信号的小波变换分析，应尽量选择对称的小波基，在对称小波基获取困难的情况下，应尽量选择近似对称的小波基，以降低信号的失真。

4. 神经网络分析法

神经网络是随着计算机发展而来的一门新兴学科，具有自组织、自适应、自学习的功能，以及很强的鲁棒性，因而对于数据的处理方面具有较强的适应性^[8]。人工神经网络 (ANN) 中的每个信息处理单元（神经元）通过向相邻的其他单元发出激励或抑制信号来进行“交流”，用以完成整个网络系统的信息处理，该系统具有高度鲁棒性及并行分布处理信息的能力，同时还具有知识的分布式表达、自动获取、自动处理的自适应性以及较好的容错能力与学习能力等优点，被广泛应用于语音识别、图像识别、图像分类等领域^[9]。

5. 全波形分析方法

随着声发射仪的不断发展，市面上主流的第三代数字化声发射监测仪均为多通道，并配有宽频传感器，可以对声发射信号进行实时全方位的采集，采用分析信号的时域波形和频域分析相结合的方法，对于声发射信号的分析及信噪分离方面取得良好的效果。

参考文献：

[1] 沈功田，耿荣生，刘时风. 声发射信号的参数分析方法[J].无损检测,2002(02):72-77.

[2] 刘丛兵.基于小波分析的声发射信号降噪处理方法[J]. 机电工程技术，2010,39(07):82-84.

[3] 丁穗坤. 斜拉桥关键构件腐蚀损伤声发射监测技术[D].大连理工大学,2011.

[4] GORMAN M R,ZIOLA S M.. Plate waves produced by transverse matrix cracking[J]. Ultrasonics,1991,29(3):245-251.

[5] 方江涛. 金属腐蚀声源信号识别技术研究[D].大庆石油学院，2007.

[6] 鞠双,李新慈，罗廷芳,等. 应用小波分析法对马尾松胶合木表面声发射信号特征检测[J].东北林业大学学报, 201 8,46(8):84-90.

[7] 陈志奎.工程信号处理中的小波基和小波变换分析仪系统的研究[D]. 重庆：重庆大学测试中心,1998:24—27.

[8] OLIVEIRA R D,MARQUES A T. Health monitoring of FRP using acoustic emission and artificial neuralnetworks[J]. Computers & Structures, 2008, 86(3):367-373.

[9] KWAK J S, HA MK. Neural network approach for diagnosis of grinding operation by acoustic emissionand power signals[J]. Journal of Materials Processing Technology,2004,147(1):65-71.