胶合板声发射信号的小波包特征提取及神经网络模式识别

胶合板声发射信号的小波包特征提取及神经网络模式识别徐锋;赵明忠;刘云飞
【摘要】To identify the different damage types of plywood, a feature extraction method of plywood acoustic emission signal based on time-frequency and proportion of energy is proposed by combining wavelet-packet time-frequency analysis with energy spectrum. The research indicates that dilatational wave and flexural wave are main modes of plywood matrix cracks signal with wide frequency spectrum, and the energy of signal is mainly concentrated in the first, second, third, fourth and seventh-band of the wavelet power spectrum. Delamination and fiber fracture signals of five-story plywood are mainly dominated by dilatational wave and flexural wave mode respectively, the former frequency is unitary and amplitude is higher, the latter energy mostly focus on the first, second band. Degumming signal waveform are composed of dilatational wave and flexural wave, and the flexural wave is dominant, whose signal energy focus on the first, second, third and fourth band of the wavelet power spectrum. An intelligent pattern classifier with BP neural network was used in recognition of those four kinds of AE signals, the recognition accuracy of flaws amounted to 92. 6%.%为识别胶合板的不同损伤类型,将小波包时频分析与能量谱相结合,提出基于时频和频段能量占比的胶合板损伤声发射信号特征提取方法.研究得出胶合板基体开裂信号以膨胀波和弯曲波模式并举,频谱较宽,能量主要集中在小波能量谱的第一、二、三、四和七频段；分层信号频率单一,幅值较高,并以膨胀波为主；纤维断裂主要以弯曲波模式为主,频率较低；脱胶信号波形为膨胀波
和弯曲波的混合型,以弯曲波为主,能量多集中于第一、二、三、四频段.用小波包提取的能量占比作为由BP神经网络构成的智能化模式分类器的输入样本,对4种声发射信号进行识别,正确率达到92.6％.
【期刊名称】《现代电子技术》
【年(卷),期】2011(034)021
【总页数】5页(P96-99,102)
【关键词】胶合板;声发射;小波包变换;神经网络
【作者】徐锋;赵明忠;刘云飞
【作者单位】南京林业大学信息科学技术学院,江苏南京210037;南京林业大学信息科学技术学院,江苏南京210037;南京林业大学信息科学技术学院,江苏南京210037
【正文语种】中文
【中图分类】TN911.7-34;TB52+9
0 引言
声发射(Acoustic Emission,AE)是材料受外力或内力作用产生变形或断裂时，以弹性波的形式释放出应变能的现象[1]。

目前声发射技术作为一种成熟的无损检测方法，已被广泛应用于石油化工工业、电力工业、材料试验等多个领域，但对胶合板的损伤监测，AE技术鲜有报道。

胶合板(也称夹板)是按相邻层木纹方向互相垂直的单板，经组坯胶合而成的板材，在我国已广泛应用于家具工业和建筑工业。

胶合板的损伤模式主要包括基体开裂、
纤维断裂、脱胶、分层等，每一种损伤都对应特定的声发射信号。

然而，不同的损伤模式通常以组合形式出现，类别特征相互重叠[2]，同时由于传播介质的各向异
性和多源性噪声的污染，加大了AE信号鉴别的难度。

因此，提取各声源信号特征与识别其损伤模式是声发射应用的首要任务和核心技术。

由于小波分析同时具有时域和频域表征信号局部特征的能力，所以特别适合分析瞬态特性的声发射信号。

文献[3]用小波变换的方法分析了薄板中的弹性波，指出在
波的传播过程中，多模式和频散的特性、模式的分离有助于准确提取信号中的信息。

文献[4]用Daubechies离散小波进行了多尺度分解，利用频率能量分析玻璃纤维
增强复合材料的不同损伤模式。

通过区分能量的大小和不同能量所处的频率范围揭示了材料的破损模式。

同时，近年来的研究发现，人工神经网络可对数据量多、特征复杂的信号提供准确度较高的自动分类能力。

因此，本文结合小波分析和人工神经网络技术对胶合板不同损失声发射信号进行特征提取和模式识别。

1 小波包能量特征提取算法
1.1 小波包定义[5]
给定正交尺度函数φ(t)和小波函数φ(t)，其中：
(1)
(2)
式中:hk,gk是多分辨分析中滤波器系数，且gk=(-1)kh1-k。

定义下列的递推关系：
(3)
(4)
当n=0时，u0(t)=φ(t)，u1(t)=φ(t)。

以上定义的序列{un(t)}n∈Z为由基函数
u0(t)=φ(t)所确定的正交小波包。

1.2 基于小波包分解的能量特征提取算法
小波包分解是在多分辨率基础上构成的一种更精细的正交分解方法。

它根据被分析信号本身的特点，自适应地选择频带，确定信号在不同频段的分辨率。

分解得到的各个频段分量既包含了信号的局部特征，也包含了不同的时间尺度信息，从而精确地给出信号能量随频率和时间的联合分布情况，即各频带能量的变化表征了各种信源的特征。

因此，本文提取各尺度下各频段分量的能量占比作为各信号特征向量来识别声源类型。

基于小波包分解的能量特征提取步骤如下：
(1) 对原始信号进行k层小波包分解，分别选择第k层从低频到高频包含主要信息的前n(n≤2k)个频段分量的信号特征；
(2) 对小波包分解系数重构(重构信号设为Ski)，提取各频段范围的信号；
(3) 求各频带信号的总能量Eki：
(5)
式中:sij(i=0,1,2,…,n-1；j=1,2,…,m)表示重构信号Ski中离散点的幅值；
(4) 以能量占比为元素构造一个特征向量:
该向量表征了信号的特征。

其中：
(6)
2 人工神经网络模式识别方法
2.1 神经网络的选择
人工神经网络是一个高度非线性的自适应并行分布处理信息系统，其信息处理由神
经元之间的相互作用来实现。

信息的存贮表现为神经元之间的物理联系。

网络的学习取决于神经元连接权系的动态演化过程。

神经网络的类型多种多样，但与模式识别的结合最成功的是多层前馈网络，也就是通常简称的BP(Back-propagation Network)网络[6]，本文即选其进行模式识别。

2.2 BP网络结构的设计
由BP定理可知, 一个带S型激活函数的三层BP网络，只要隐节点数足够多，能以任意精度逼近有界区域上的任意连续函数，即一个三层的BP网络就能完成任意的n维到m维的映射。

BP神经网络最重要的是隐含层的确定。

虽然隐层神经元数目的选择不存在一个理想的解析式，但隐单元数目与问题的要求、输入/输出单元的数目都有着直接关系。

综合现有文献，隐含层元个数的计算公式为:
(7)
式中:n1为隐单元数；m为输出神经元数；n为输入单元数；a是[0，10]之间的常数。

输入层节点数一般由一组特征值样本的数据量决定。

在分类网络中输出层节点数可取类别数x或log x。

本文隐含层采用双曲正切S型激活函数，输出层采用对数S 型激活函数。

2.3 训练函数的选择
采用不同的训练函数对网络的性能可能会有影响，比如收敛速度等。

本文应用各种典型训练函数对网络进行训练，观察各种训练算法的收敛速度和误差，最后确定Levenberg-Marquardt算法为本识别的最优训练函数。

3 实验和分析
3.1 实验方法[7]
试验对普通胶合板的胶合强度进行测试研究。

样品选用德华装饰有限公司的“兔宝
宝”牌5层胶合板，其内部为杂木夹芯，外覆桃花芯面板，由环保脲醛胶粘合而成。

试样(如图1所示)按GB9846.9定义的普通胶合板力学性能测试试件方法锯制，尺寸为250 mm×25 mm×5 mm。

试验测试温度为25 ℃，样品为气干状态。

加
载系统为深圳新三思有限公司SANS-CMT6104台式万能试验机；采集系统选用
美国PAC公司PCI-2声发射采集系统，用两个宽带传感器S9208组成线定位阵
列方式，同时采集各个波击的波形。

试验中为保证传感器与材料表面良好耦合，选用真空润滑脂作为耦合剂，传感器采用透明胶带固定在试样的表面。

试样两端夹紧于试验机的一对活动夹具中，使其成一直线，试样中心通过活动夹具的轴线，拉伸沿试样长度方向进行，等速加荷，速度为3 mm/min，最大破坏荷重的读数精确到5 N，拉伸过程在准静态条件下进行，直到试样断裂为止。

拉伸模型如图2所示。

图1 五层胶合板拉伸试样图(单位：mm)
3.2 胶合板加载声发射信号特征分析
对于厚度方向尺寸远小于其他两个方向的板而言，相应于一定的激励条件，在其中主要形成的是板波(Lamb波)。

由文献[8-9]可知，受激励后，板中存在多种模式的板波，但当板厚远小于波长时，主要以两种模式的波为主，即最低阶的对称波S0
和最低阶的反对称波A0。

前者即是膨胀波，其传播速度是一个定值，没有频散效应；后者亦称弯曲波，它的传播速度与角频率的平方根成正比，有频散效应。

一般情况下，板中的波是这两种波的组合，这两种波位移的相对幅度同激励方式有关。

研究发现[8]，当激励力源作用方向与板平面垂直时，在板中主要产生的是弯曲波。

相反，当力源作用方向沿板方向时，产生的主要是膨胀波。

一般而言，膨胀波的高频成分要比弯曲波丰富。

胶合板受载形变作为强声发射源，其声源有基体开裂、纤维断裂、脱胶、分层等。

理想上，纤维断裂总在平面内完成，其类似于一个沿板平面方向的力源，因此，激发的声发射信号应以膨胀波为主，无频散效应；而分层损
伤则明显沿板厚方向发生，类似于一个沿板平面垂直方向的力源，因此，所激发的声信号波形当以弯曲波为主，存在频散效应；基体开裂、脱胶产生的声发射信号，其特征介于两者之间，一般应同时表现为膨胀波和弯曲波两种组合形式。

3.3 实验结果分析
本文选用db3小波[10-12]对采集的声发射信号做5层小波包分解，并进行第五层系数重构，计算各叶子能量占比，绘制时频、小波包谱和频谱图，比较各典型信号的特征差异。

由实验结果得知，声发射源主要集中在主损伤区或断裂部位。

考虑到声源的位置、材料物理特性及波的传播对类别特征的复杂影响[2]，将所有样本取
自主损伤区宽20 mm范围内的事件。

对比四种典型的声发射源波形、频谱和小波包谱图，筛选出四类样本数据集，并应用小波阈值法消噪，得到各类别信号的典型波形如图3～图6所示。

观察图3～图6中信号的傅立叶频谱发现，胶合板破坏损伤多以低于300 kHz以下的频率信号为主，且难以区分其特征差别。

为获取各损
伤信号的特征，必须结合小波包时频和小波包谱图分析。

图2 五层胶合板拉伸模型示意图
基体开裂如图3所示，波形以低幅度较宽脉冲为主，频段较宽，膨胀波和弯曲波
模式并举。

FFT主峰频率位于40～180 kHz，小波时频图特征峰约集中在100 kHz以下和200 kHz处，发生的时间约在0.5～1.2 ms之间。

小波包谱峰位于第
一至第四和第七频段内，其中第一、第二频段的能量接近，总和约占总能量的60%，剩余40%几乎集中于第三、四、七段。

图3 胶合板基体开裂原始信号(去噪)及其频谱、时频、小波包能量谱图
图4为五层胶合板纤维断裂图，由图中得出的信号主要以高幅度较宽脉冲形式出现，频率较低且单一，无频散现象。

纤维断裂的FFT峰值主要集中在22～40 kHz，时频图特征峰位于40 kHz处，持续时间约为1 ms，小波谱峰值主要位于第二频段，能量占到总能量的70%以上，第一、四频段能量约占20%。

结合样品断口纹
理分析，断裂主要沿垂直于纤维方向扩展，呈剪切断裂方式，波形以膨胀波为主导，基本与第3.2节的信号分析一致。

五层胶合板脱胶信号如图5所示，信号以中低幅窄脉冲为主，波形为弯曲波模式
和膨胀波模式的混合型，且弯曲波模式占主导。

受膨胀波成分的影响，在200
kHz频率处也出现峰值，能量在大于100 kHz频域上有所分布，但主要集中在小
于50 kHz的频域。

从失效样品查看，明显存在分层和互相滑移现象，与上述分析基本一致。

图4 胶合板纤维断裂原始信号(去噪)及其频谱、时频、小波包能量谱图
图5 胶合板脱胶原始信号(去噪)及其频谱、时频、小波包能量谱图
观察图6发现，五层胶合板分层信号中傅里叶频谱的峰值主要位于11～55 kHz，小波时频图的特征峰主要集中在40 kHz处，持续时间约为1.2 ms，小波包谱能
量主要集中在第一、二、三、四段，且第一、二段能量所占比重接近，总和占到了总能量的85%。

信号多以中幅度宽脉冲形式为主，信号持续时间较长。

分层是典
型的垂直板平面方向的力源作用，信号明显存在频散现象，波形以弯曲波模式为主，能量主要集中在40 kHz以下。

图3～图6表明，信号的波形、频谱和小波包谱等类别特征均有不同程度的重叠，但对5种类别的信号均显示出一定的鉴别能力，尤其以小波包分析提取的特征更
为明显，以该特征作为样本可为后续使用神经网络进行识别提供依据。

3.4 模式识别
按照第1.2所述方法对声发射信号进行5层小波包分解，将整个频段分成32个频带，考虑反应声源信号特征的能量主要集中在前10个频段，因此提取前10个叶
子的能量分布为声发射信号特征，以此作为BP网络的训练样本。

样本包含胶合板脱胶10组、纤维断裂10组、分层12组和基体开裂8组共计40组。

网络在经过81次训练后达到设定的最小期望误差0.001(见图7)。

采用网络对训练数据进行识
别，识别正确率达到 100%。

证明该网络具有较强的学习能力，能够按照给定的输入/输出正确建模。

图6 胶合板分层原始信号(去噪)及其频谱、时频、小波包能量谱图
图7 网络训练误差变化曲线
为检验网络的推广应用性能，采用该网络对118组测试样本(脱胶30组、纤维断
裂30组、分层28组和基体开裂30组)进行检验，识别正确率达到 92.6%。

这表明该人工神经网络的范化能力较高，设计结构合理，达到自动识别声发射信号类别的目标，具有良好的推广价值。

4 结论
(1) 针对声发射这种瞬间的突变信号，小波分析确实能很好地同时表现出时域和频域的局部特征;
(2) 综合各类模式信号的波形、频谱、小波包时频图和小波包能谱图分布等特征，可确定不同损伤机制所对应的声发射信号特征，为神经网络模式识别提供质量较高的模式样本;
(3) 设计的BP人工神经网络能准确度较高地识别出4种不同损伤机制造成的声发
射信号。

由于木质胶合板的声发射研究国内开展的不多，对该类材料的声发射特征的分析及识别还待进一步研究，尤其对多层胶合板声发射特征的定量研究还有待于大量实验数据的积累和归纳。

参考文献
[1] 袁振明，马羽宽，何泽云．声发射技术及其应用[M]．北京：机械工业出版社，1985.
[2] 殷冬萌，王军，刘云飞．木塑复合材料缺陷及损伤的声发射信号特征分析及神经网络模式识别[J]．应用声学，2007，26(6)：352-356．
[3] JIAO Jing-pin， HE Cun-fu， WU Bin，et al．Application of wavelet transform on modal acoustic emission source location in thin plates with one sensor [J]. International Journal of Pressure Vessels and Piping, 2004, 81: 427-431.
[4] QI Gang. Wavelet-based AE characterization of composite materials [J]. NDT& E International, 2000, 3(3): 133-144.
[5] 胡昌华，张军波，夏军，等．基于Matlab的系统分析与设计:小波分析[M]．西安：西安电子科技大学出版社，1999.
[6] 毛汉颖，成建国，黄振峰．基于BP神经网络的金属裂纹声发射信号特征参数
的提取[J]．机械设计，2010，27(2)：84-86．
[7] 陆仁书．胶合板制造学[M]．2版.北京：中国林业出版社，1993.
[8] 耿荣生，沈功田，刘时风．基于波形分析的声发射信号处理技术[J]．无损检测，2002，24(6):257-261．
[9] LOWE M J S， DILIGENT O． Low-frequency reflection characteristics of the s0 Lamb wave from a rectangular notch in a plate [J]. Acoustical Society of America, 2002, 111 (1): 64-74.
[10] 徐长发，李国宽．实用小波方法[M]．2版.武汉：华中科技大学出版社，2004.
[11] 杨晓楠，唐和生，陈荣，等．钢结构损伤识别中db族小波函数选择[J]．同济大学学报，2006，34(12):1568-1572．
[12] 周小勇，叶银忠．故障信号检测的小波基选择方法[J]．控制工程，2003，
10(4):308-311．。