1.3　声发射检测技术研究现状及分析

1.3.1　声发射检测技术概念

声发射（Acoustic emission，AE）是指材料内部或表面由于变形或者损坏而突然释放应变能产生的瞬态弹性波［1，2］。声发射也被称作应力波发射（Stress Wave Emission）。声发射源分为一次声发射源和二次声发射源两种类型，一次声发射源指直接由于变形和断裂而产生的弹性波源，如金属塑性变形、断裂、相变、磁效应以及表面效应产生的声发射源均为一次声发射源。二次声发射源指与变形和断裂没有直接关系的声发射源，比如流体泄漏、摩擦、撞击、燃烧等产生的声发射源均为二次声发射源。

图1-1为声发射检测过程的基本原理框图，当物体由于外界原因导致声发射现象发生时，声发射波引起机械振动，并且在物体表面传播，声发射传感器将机械振动位移转化为电信号，经过放大、滤波、信号处理后，记录并显示声发射波的波形，最后经过分析处理，提取其特征参数，评定声发射源的特性，如源类型、源定位等。

物体不同损伤类型将产生不同特性的声发射信号，因此对损伤产生的声发射信号进行连续在线监测就可以实现对损伤的实时监测，而不管损伤类型是否发生了变化，因此声发射检测是一种动态无损检测技术。与其他传统无损检测方法相比，声发射检测技术的优点如下［3，4］。

①与传统无损检测方法相比，声发射检测方法损伤检测灵敏度和精度高，可以达到零点几毫米数量级。

②可以实现连续在线监测，并且可以多通道同时检测，检测效率高。

③对检测环境及被检测构件形状要求不高。可以实现在高低温、核辐射、易燃、易爆及有毒等恶劣环境下的检测，并且能够对其他方法不能检测的复杂形状的构件进行监测。

声发射检测技术也存在如下两方面的缺点。

①材料特性对声发射波的特性影响很大，同时声发射信号往往比较微弱，而且很容易受到外界噪声的干扰。

②声发射波传播过程中能量和幅值都会随距离衰减，遇到结构材料变化时可能会发生模式变换，在结构边缘可能会发生界面反射，声发射源信号到达声发射传感器时将发生很大的变化。

因此研究声发射信号在被测对象上的传播、衰减特性，研究声发射信号的滤波、去噪技术对于提高声发射源的定位及识别精度是非常有意义的。

1.3.2　声发射信号采集处理系统

20世纪50年代初，Kaiser在德国对声发射技术展开了深入的研究，这标志着现代声发射技术的开始。到目前为止的60多年时间里，声发射检测技术得到了飞速的发展，已经在工业现场实现了产品化应用。特别是近年来信息处理技术及微处理器技术的发展，大大推动了声发射采集处理系统及仪器的跳跃式发展。

①国外研究现状　第一台商用声发射检测仪器由美国Dunegan公司于1965年推出，标志着声发射技术从实验研究阶段走向了现场应用阶段。声发射信号采集处理系统的硬件系统经历了模拟式、模拟数字混合式和全数字式三个阶段［5］。

1965～1983年为第一阶段，是模拟式声发射仪器时代，此时声发射采集系统完全采用模拟电路，并且声发射信号处理主要采用基于参数分析的方法。模拟式声发射仪器虽然数据便于后续处理，但是集成度很低，容易受到外界干扰，可靠性差，已经基本淘汰。

1983～1995年为第二阶段，是模拟数字混合式声发射仪器时代，以美国PAC公司开发的SPARTAN-AT为代表。模拟数字混合式声发射仪器采用模拟电路实现信号采集，数字电路实现信号存储及处理功能，并且采用了并行处理技术，大大提高了实时性和可靠性。

1995年至今为第三阶段，是全数字式声发射仪器时代，以美国PAC公司的MIASTRAS2001［6］和德国VALLEN公司的AMSY-5［7］为代表，他们均采用全数字化技术，AMSY5采用专用的模块组合式结构和专用通讯总线，大大提高了通讯速率、兼容性和使用灵活性，MIASTRAS2001采用专门设计的AEDSP卡，可以实现参数计算、波形存储、定位和识别等功能。

近几年，数字式声发射检测系统在处理速度、存储能力和处理通道上得到了进一步的发展［8］。如德国VALLEN公司2010年10月份推出了AMSY-6型全数字、全波形、强抗干扰声发射仪。VALLEN AMSY-6系统包括整个声发射检测所需组成。此系统专门为用户定制，包括传感器，前置放大器，采集卡，系统主机，PC机及软件，采集精度可以到18bit，采集速度可达40MHz。

②国内研究现状　我国声发射仪器的自主研究开发工作始于1973年。沈阳电子研究所于20世纪70年代初研制出了我国第一台单通道声发射检测仪，用于金属材料拉伸声发射检测研究。长春试验机研究所于20世纪80年代初开发了36通道声发射源定位系统和基于声发射技术的旋转机械故障诊断系统。原劳动部锅炉压力容器检测中心于1995年研制出了2～64通道声发射检测分析系统，该系统采用了先进的C-AT总线，软件采用Windows操作系统。广州声华科技有限公司于2000年研制出了我国第一台全数字式多通道声发射检测系统，可以实现声发射信号分析和定位等功能［9］。

1.3.3　声发射信号分析技术

声发射信号分析是声发射检测技术的最后环节，用于获取声发射源的特性，是声发射检测技术中不可或缺的环节。目前声发射检测检测方法主要有参数分析法和波形分析法两大类。参数分析法利用简化的波形特征来描述声发射信号特征，丢失了很多细节信息。波形分析法通过对声发射信号波形进行分析获取声发射信号特征。

（1）参数分析法

图1-2为突发型标准声发射信号简化波形参数的定义［10］，常用的声发射参数有幅度、能量、上升时间、持续时间、振铃计数和事件计数。在声发射技术研究的初期，声发射仪器受采集技术的限制无法实时采集并保存声发射信号波形，只能靠实时计算以上参数，用于对检测对象进行评估，例如美国的ASME标准及国家标准GB/T18182［11］等都是基于参数分析法来对检测对象进行评估的。

参数分析法在声发射检测技术中得到了广泛的应用，尤其是在声发射技术研究的初期。Berkovits［12］在研究中分析了声发射参数与疲劳裂纹的产生、扩展之间的关系。Robert等［13］在对拉伸焊接试件及T形梁试件进行疲劳裂纹检测研究中，发现声发射信号的振铃技术与裂纹扩展率的相关性很好。文献［14～17］研究了声发射信号振铃计数与材料特性之间的关系。李光海等［18］研究了金属材料高频疲劳条件下的声发射信号特性，推导了声发射信号能量与材料疲劳循环次数之间的关系。Shiwa［19］和Tsamtsakis［20］对复合材料试件进行周期拉伸试验，通过对声发射数据进行分析发现在不同疲劳寿命阶段，复合材料的损坏情况与声发射信号事件计数和能量有关。除了以上基本的声发射参数外，学者们基于新的处理技术，根据需要也提出了一些新的声发射信号参数。刘孝敏［21］在研究钢腹板桁架受循环剪切载荷作用下疲劳损伤过程中，提出了振铃计数率参数，并总结了振铃计数率和裂纹生长率之间的关系。基于分形分析技术，Biancolini［22］利用分形维数表征声发射源空间分布与试件疲劳周期之间的关系。

参数分析法在声发射技术研究的初期得到广泛应用，具有计算简单、物理意义明确的优点，推动了声发射技术的标准化和商业化进程，但是参数分析法没有考虑声发射波形的具体细节，丢失了很多有用信息，不足之处主要如下。

①参数分析方法基于声发射信号的传播速度是恒定的假设，实际声发射波在介质中的传播速度如式（1-1）所示。

式中，v1和v2为分别为纵波和横波的速度；σ和E分别为声发射波传播介质的泊松比和杨氏弹性模量；G为介质的切变模量；ρ为介质的密度。对于符合材料来说，由于具有较强的各向异性导致波的传播速度发生变化。

②难以建立声发射参数与声发射源性质的对应关系，直接利用声发射信号参数评价声发射源存在困难。

③在利用参数法进行多维声发射信号研究中，如何选取有效的参数，以及参数之间的相互关系很难确定。

（2）波形分析法

波形分析法通过对记录和存储的声发射信号进行时域分析、频域分析和时频域分析来获取声发射源特性，目前频谱分析法、时频域分析和模态分析法是最常用的三种波形分析法［23］。

频谱分析法通过对声发射信号进行傅里叶变换，获取其频谱特性，提取频域中的声发射信号特征。基于频谱分析，学者们对声发射源信息的提取和处理展开了深入的研究。陈玉华［24］将谱分析和相关分析用于声发射信号的分析。Merson［25］在研究钢衬底TiN涂层的损伤中，利用归一化谱密度曲线估计声发射源的强度并且对声发射信号进行分类。杨占才［26］利用峰谱进行故障检测和判断故障的严重程度。频谱分析只考虑了信号的全局信息而忽略了信号的局部信息，对于周期平稳信号进行分析是非常有效的，而对于声发射信号这种非平稳随机信号，对其进行频谱分析只是获取了信号的趋势结果，不能有效地提取声发射信号的局部非平稳特征。

模态声发射基于板波理论［27，28］，旨在分析声发射的物理机制，主要考虑两种0阶板波模式，扩展波和弯曲波，扩展波简称E波是位移与板平面平行的板波，弯曲波简称F波是和位移与板平面垂直的板波［29］。基于模态声发射理论的声发射处理方法从提出到现在也得到了广泛的应用。基于模态声发射理论，Jiao［30］研究了弹性波在薄板中传播的模式散射特性。Pullin［31］在对航空类钢材疲劳损伤研究中，通过分析扩展波和弯曲波两种模式到达传感器的时差来估计声发射源的位置，通过比较扩展波和弯曲波的幅值率来确定疲劳裂纹的扩展方向。与参数分析法和频谱分析法相比，模态声发射分析方法在源识别精度和源定位精度上都有很大的优势，但是目前还是处于实验室研究阶段，主要原因如下：模态声发射的应用要求研究人员非常熟悉板波理论，能够正确的将E波和F波进行区分和识别，同时试件的几何形状及声发射波在试件上的衰减特性都会大大影响模态声发射的处理精度。

近年来兴起的时-频分析方法克服了基于傅里叶变换的频域分析法的不足，能够同时提取信号的时域和频域特性，目前应用比较广泛的时-频分析方法主要有Wigner-Ville分布、短时傅里叶变换和小波变换等。

短时傅里叶变换对传统的傅里叶变换做了改进，用长度和形状都固定的窗函数来实现时-频局部分析，由于采用固定的窗函数，短时傅里叶变换不能兼顾频率与时间分辨率的需求，适合于分析分段平稳信号或者近似平稳信号。Wigner-Ville分布与短时傅里叶变换相比，时频分辨率得到了很大的提高，但是存在交叉干扰。为了克服以上缺点，小波分析应运而生。小波分析基于多分辨分析框架，具有良好的时-频局域性，特别适合于非平稳信号的分析。Terchi［32］对多种信号分析方法在声发射信号处理中的应用进行了对比，包括维纳滤波、频谱分析、短时傅里叶变换、相空间法和小波变换，结果表明小波分析在以上五种方法中具有最优良的性能，非常适合于处理瞬态非平稳信号。Suzuki［33］在对复合材料微观破坏模式研究中发现，与傅里叶变换和短时傅里叶变换相比，小波变换能够提取更丰富的声发射源信息。

目前在声发射信号处理领域，小波分析方法主要用于去噪、特征提取和声发射源定位三方面。Yang［34］研究了基于小波变换的声发射信号去噪方法，并将其应用于处理YSZ隔热涂层拉伸试验中的声发射信号，有效地去除了噪声。李录平［35］将小波变换用于声发射信号事件计数参数的提取，大大提高了事件计数参数提取的准确性。陈春朝［36］在轴承磨损研究中，用小波包分析提取声发射信号特征，效果良好。王清明［37］在钻削过程中钻头磨损研究中，利用离散小波变换分析钻头进给电机电流信号，成功地提取了磨损特征。Li［38］研究了基于小波分析的刀具磨损状况实时评估方法，具有较好的可靠性。Liao［39］研究了基于小波分析的砂轮磨损状况识别方法，获得了较高的识别率。Qi［40］通过对复合材料断裂过程产生的声发射信号进行小波分析，提取能量特征用于试件失效模式的识别。基于小波分析，Staszewski［41］实现了桥的箱形梁声发射信号的分类。Loutas［42］通过对带中心孔的复合材料进行准静态试验，采集了相应的声发射信号，采用小波分析技术实现了损伤状态监测。马建仓［43］在旋转机械冲击故障研究中，利用小波包分析有效的提取了故障特征。

1.3.4　声发射信号去噪技术

声发射信号处理技术面临的困难主要有两点：一是声发射信号本身很微弱；二是声发射信号很容易受到多种噪声的干扰［44，45］。信号的去噪方法主要包括时域分析方法、频域分析方法和时-频分析方法［46～48］，时-频分析方法主要是基于小波分析的去噪方法。基于小波分析的去噪方法非常适合于对复合材料部件损伤产生的突发型非平稳声发射信号进行去噪，且小波去噪已经在多种声发射信号中得到了成功的应用。王成江等［49］成功的将小波分析用于放电声发射信号的提纯和去噪处理。王芳［50］利用小波分析实现了对压力容器用16MnR钢腐蚀的声发射信号去噪。小波阈值去噪算法在信号的奇异点处会产生Pesudeo-Gibbs现象，姜长泓［51］等提出了平移不变小波去噪方法，可以有效地抑制Pesudeo-Gibbs现象，而且能够减少原始信号和估计信号的均方根误差，提高信噪比。小波去噪方法也存在一些缺点，如去噪效果与信号特点及小波基函数有很大关系，当信噪比较小时，去噪效果不理想等［52］。

Huang［53］等在1998年提出了经验模态分解（Empirical mode decomposition，EMD）方法。与小波分解相比，EMD分解过程不需要选择基函数，即其分解过程对信号具有自适应的能力。EMD方法实现了对非线性、非平稳信号的平稳化处理，将信号分解为很多个本征模态分量（Intrinsic mode function，IMF）和一个余项之和，每个本征模态分量包含了信号不同的频率成分。在基于EMD的信号去噪方法研究方面也取得了不少成果［54～56］，克服了小波去噪需要选择基函数的缺点，但是Boudraa等［57］对小波阈值去噪和经验模态分解去噪进行了详细地比较，结果表明经验模态去噪适合于小信噪比情况，其去噪效果整体上不如小波阈值去噪。曲从善等［58］基于经验模态分解提出一种模态单元滤波新方法。将本征模态分量中两个相邻过零点之间的部分作为基本分析对象，称为模态单元，并建立了基于模态单元幅值阈值的模态单元滤波模型。仿真和实验结果均表明，所提方法具有自适应性，去噪性能在整体上优于小波阈值去噪，是一种有效的信号消噪新方法。目前EMD方法用于声发射信号的分析主要是用于特征提取［59～61］，将EMD去噪方法应用于声发射信号去噪的相关文献还很少。本研究中将EMD去噪和小波阈值去噪结合起来，应用于声发射信号去噪，充分发挥各自的优点。

从盲源分离发展起来的独立分量分析（Independent Component Analysis，ICA）技术能够处理源信号存在频带混叠的情况，并且对源信号的强弱不敏感［62］。在该方法中把噪声信号作为源信号，采用盲源分离技术进行噪声提取和分离，当采集的通道数不小于源信号数时，利用ICA可以直接将噪声信号分离出来，当采集的通道数小于源信号数时，采用稀疏编码收缩（SCS）法对源信号进行去噪［63，64］。仿真结果表明，该方法非常适合于从强的背景噪声中提取微弱信号，但其前提是所分离信号为相同源的线性组合，声发射信号在传播过程中发生非线性畸变，很难满足上述要求，大大限制了其适用范围［65～67］。

1.3.5　声发射源定位技术

判断声发射源位置是声发射检测的主要目的之一，声发射源位置的确定有助于进一步对材料或结构损伤作出评估。声发射源定位方法可以分为两种，参数定位法和波形定位法。参数定位法根据各种声发射参数来识别声发射源位置。时差定位法、能量定位法、区域定位法和智能定位法均属于参数定位方法。波形定位法主要是基于板波理论的模态分析定位法。

1.3.5.1　参数定位法

基于参数的声发射源定位方法主要有时差定位、能量定位、区域定位和智能定位四种方法。

（1）时差定位法

时差定位法通过合理的布置声发射传感器阵列，通过测量传感器阵列之间距离、声发射信号波速、声发射信号到达各个传感器的时间差，利用相应的算法来计算声发射的具体位置坐标。时差定位包括线定位、面定位和体定位三种［68～71］，被广泛应用于构件的缺陷位置检测。下面以菱形平面定位为例说明基于时差法的平面定位原理。

如图1-3所示，放置的四个声发射传感器组成菱形，分别为S1， S2，S3，S4。传感器S1，S2之间的距离为a，传感器S3，S4之间的距离为b，利用声发射信号到达传感器S1，S2间的时差ΔtX可得到双曲线1，同样利用声发射信号到达传感器传感器S3，S4间的时差ΔtY得到双曲线2，AE源为Q，波速为V，则AE源就位于两条双曲线的交点Q（X，Y）上，其坐标可表示为：

式中，LX=ΔtXV；LY=ΔtYV。

时差定位法虽然已经比较成熟，并且得到了广泛的研究和应用，但是也存在一些缺点。①利用信号幅值较大部分的特征点判断时间差，丢失了大量的低幅度信号。②声发射波速、传播过程中的衰减、被测试件形状等都会影响时差计算准确性，影响定位精度，特别是当被测试件结构非常复杂并且声发射波传播速度变换的时候定位误差更大。为了提高时差法的定位精度，各国学者针对时差计算方法展开了深入的研究，包括阈值法、神经网络法、小波分析法、互相关法［72～75］、独立分量分析法［76］，广义S变换法［77］等以及Fujimori方法［78］。

（2）能量定位法

声发射信号在传播过程中按照指数规律衰减，因此可以以声发射信号能量进行声发射定位，称为能量定位法［79～81］。声发射波的能量在介质中按照式（1-4）规律衰减。

式中，di为距离声源的距离；Ei为传播距离d后声发射信号能量；E0为声源处声发射信号能量。对（1-4）式两端取对数可得：

则在式（1-3）中，声发射信号达到传感器S1，S2的距离差LX和声发射信号达到传感器S3，S4的距离差LY可表示为：

将LX，LY代入式（1-2）和式（1-3）即可得到声发射源的坐标（X，Y）。能量定位法具有不需要测量波速和时差，简单易实现的优点，但是能量衰减规律非常容易受结构材料类型、构件几何形状、波模式等因素的影响而不稳定。

（3）区域定位法

区域定位法有两种［5，82］，一种是根据接收到声发射信号的传感器个数来判断声发射源所处的小区域，称为独立通道控制方式定位；另外一种是利用相对时差次序来判断声发射源所处的小区域，称为按信号到达顺序定位。区域定位法实现简单、不易误定位，但定位精度低，不能给出声发射源精确的位置。

（4）智能定位法

目前智能定位方法中，主要采用神经网络方法［83～86］，它利用神经网络强大的非线性映射能力，极大地放宽了传统定位方法所必需的约束条件，可以实现复杂的声发射源定位，而且定位精度较高，但由于神经网络本身的缺陷也使基于神经网络的智能定位方法沉溺于致命的缺陷，如网络结构难以确定、过学习、大样本及易陷入局部极值等。此外，也可利用其他的智能算法或智能算法的组合对声发射源定位［87，88］，如支持向量机，模糊理论等。王向红利用小波神经网络和支持向量机实现了水轮机叶片裂纹源的区域定位和一维定位［89，90］，即给出了裂纹发生的区域及裂纹距离焊缝的距离。

1.3.5.2　波形定位法

根据模态声发射理论，声发射传感器接收到的声发射信号是各种不同形式波的叠加，不同形式波的传播速度、衰减规律在同一介质中均不同，这导致传统的参数定位方法如时差定位法中的时差计算存在很大的误差，只有通过波形分析技术找到同一类型波达到不同传感器的时差和波速，才能实现真正意义上的精确定位，模态声发射理论可以有效地解决该问题。目前基于波形的声发射定位方法一般通过Gabor小波分析Lamb波频散特性来实现［91～94］。基于高斯函数的Gabor小波的表达式为：

对式（1-8）进行傅里叶变换可得：

式中，γ，ω0为常数，取值大于零；Gabor函数的时间中心为t=0，频率中心为ω=ω0，而对于小波函数ψ（t-b）/a，其时间和频率中心为t=b，ω=ω0/a，取ω0=2π，则f=1/a=ω/2π。通过分析可以发现，声发射经过Gabor小波变换后，其在t=b时刻，频率为f附近的信息被提取出来。因而可选择不同传感器的接收到的同一模态、同一频率声发射波的最大幅值的到达时间进行定位，或者选择同一传感器的不同模态、同一频率波的相应的最大幅值的到达时间进行定位，也可选择同一传感器的相同模态、不同频率波的相应的最大幅值的到达时间进行定位。

对于不同传感器的同一模态、同一频率下的声发射源到两个传感器之间的距离差可按式（1-10）计算：

Δd12=［b2（f）-b1（f）］cg（f）　　（1-10）

式中，b1（f）、b2（f）为频率f的相同模态声发射波到达两传感器的时间；cg（f）为相应模态声发射波的群速度。

对于同一传感器，采用同一频率不同模态进行定位，声发射源到传感器的距离可按式（1-11）计算：

式中，l为声发射源到传感器的距离；上标E、F用于区分不同模式的声发射波，分别表示扩展波和弯曲波；其他符号的意义与式（1-10）相同。

对于同一传感器，采用不同频率同一模态进行定位，声发射源到传感器的距离可按式（1-12）计算：

l=［b（f1）-b（f2）］/{1/［cg（f1）］-1/［cg（f2）］}　　（1-12）

式中，l为声发射源到传感器的距离；f1和f2分别表示不同的声发射波频率，其他符号的意义与式（1-10）相同。

1.3.6　声发射信号特征参数提取技术

在声发射源的智能定位方法和声发射源类型识别中，都需要提取有效的表征声发射源位置或者声发射源类型的特征参数。广义的特征提取包括两方面内容，一是通过映射变换从原始数据中提取得到特征向量，称为特征提取；二是从已有的特征中挑选最有效的特征实现特征降维，称为特征选择。声发射信号的特征参数提取首先要进行特征提取，如果特征向量维数很高的话，可以采用特征选择方法进行降维，选取最有效的特征，具体为通过使用相应的信号分析和数据处理方法，把原始声发射信号转换为能描述声发射源位置或状态的特征量，然后通过特征选择方法把无关的特征信息量去掉。

基于传统的参数分析法，可以提取的声发射信号特征参数有：信号能量、信号幅值、绝对能量、信号上升时间、信号持续时间、振铃计数、峰值计数、平均频率、初始频率、有效值电压、平均信号电压值、信号强度、频域质心以及峰值频率等。在这些众多的参数中，有些参数包含了更多的位置信息，有些参数包含了更多的损伤类型信息，同时包含的信息也可能存在重叠，特别是在多通道声发射信号的检测中，可以使用的特征参数将非常多，直接采用将大大影响声源定位和识别的实时性和有效性。因此，在这种情况下，需要研究特征选择方法，选取最有效的特征参数。目前被学者们广泛研究的特征选择方法有投影寻踪法、主成分分析法、独立成分分析和相应的核方法以及神经网络和遗传算法等智能方法。其中以主元分析及核主元分析方法应用最为广泛。主元分析（PCA）是统计学中非常有效的数据降维方法，PCA提取出能代表原始信息的最少数目的主分量，并且保留原始变量的最多信息。张承彪［95］在进行故障诊断时，利用PCA方法提取出了故障特征。苑宇［96］将相空间重构法、局域波分析法和主元分析相结合，有效地提取了振动信号的特征。PCA本质上是线性变换，只能有效的从线性相关的特征参数中进行选择。声发射信号参数间存在非线性，当使用PCA方法进行特征选择时，将不能选择最有效的特征参数，甚至可能选择错误的参数。为了解决该问题，学者们将具有非线性处理能力的核主成分分析（KPCA）用于声发射信号的特征提取。王向红［97］在研究水轮机叶片裂缝源定位时，利用核主成分分析从39维特征参数中，提取了9维特征参数用于定位，其裂纹区域的识别准确率及裂纹源距焊缝距离的预测结果均好于直接利用原始参数的定位结果。毛汉颖［98］提出了BP神经网络和模式识别相结合的方法，提取金属材料疲劳声发射信号特征，应用该方法选择出一些对分类识别最有效的特征参数，并采用可分离性判据验证了该方法的正确性和有效性。为了解决声发射信号特征参数交叉范围宽的问题，金文［99］提取幅度与能量差之比、幅度与计数差之比、幅度与持续时间差之比3个特征，建立了相应的物元模型和缺陷识别准则，用于声发射源类型的识别。

1.3.7　声发射源识别技术

声发射源类型识别，如损伤类型的识别本质上是模式识别问题。模式识别自20世纪60年代初提出以来，得到了长足的发展，目前已经在机械设备故障诊断、图像视觉处理、文字语言识别、测量数据分析中得到了非常广泛的应用。20世纪80年代起，模式识别技术被应用到了声发射信号分析处理中。1982年Melton［100］对声发射信号进行自回归建模，并取前两个自回归系数作为特征来对声发射信号进行分析。1983年Graham［101］在飞机结构疲劳研究中，利用频谱分析提取了声发射信号的七个功率谱参量，采用模式识别方法对疲劳裂纹类型进行识别。无独有偶，Ohtsu和Ono等人对焊接过程的声发射信号、磁声发射信号及钢和复合材料断裂的声发射信号进行了自回归建模，并利用自回归系数描述声发射信号的功率谱，实现了对声发射源类型的有效识别［102～105］。1989年Chan对压力管道泄漏和裂纹扩展的声发射信号研究中，利用自回归模型和功率谱提取了声发射信号的108个特征，利用k-近领方法实现了声发射源类型模式识别［106］。刘时风利用经典和现代谱估计技术对压力容器焊接缺陷的声发射信号进行模式识别分析［107］，随后一些学者将人工神经网络应用于压力容器的声发射信号模式识别［108，109］。掀起了人工神经网络及其改进算法在声发射信号模式识别中应用热潮［110～112］。林丽［113］将概率神经网络用于海洋平台AE信号模式识别，余永增［114］在对故障轴承声信号进行参量分析和波形分析的基础上，利用撞击数和神经网络技术对滚动轴承进行了故障诊断，提高了低速滚动轴承故障诊断的有效性和准确性，高虾虾［115］将BP神经网络用于飞机疲劳实验裂纹声发射信号的模式识别中，朱云芳［116］将RBF神经网络应用于刀具磨损声发射信号的模式识别中，取得了理想的效果。刘国光［117］在声发射BP神经网络的基础上，通过添加模糊输入层和模糊输出层，构筑成声发射模糊神经网络，既提高了神经网络训练的收敛精度，又改善了收敛速度和稳定性。各国学者还将数据融合理论，如D-S证据理论、模糊综合评判等应用于声发射信号模式识别中［118～120］。

模式识别方法主要包括三大类，他们是决策理论方法、句法方法和模糊判别方法等。决策理论方法通常又叫作统计模式识别方法。从前面的分析可以看出，用于声发射源识别的模式识别方法主要是基于神经网络，k-近邻分类法等，都是基于统计模式识别方法。统计学习方法的适用条件是所研究问题数据集的数目足够大，基于经验风险最小化原则，实际中数据不可能无限大，只能用有限数据的期望风险最小化来代替经验风险最小化，缺乏充足的理论根据，在样本数目有限的应用中存在很多问题。

声发射信号的产生具有不可逆性，即很难得到大量的完全相同的统一模式的声发射信号数据，这给声发射源类型识别带来了一个严重的问题，即声发射源类型识别是小样本模式识别问题，这大大制约了传统模式识别方法的应用有效性。因此急需寻求一种在小样本情况下具有良好推广性能的机器学习方法。Vapnik等人于20世纪90年代提出了支持向量机［121］，它是以统计学习理论（SLT：Statistical Learning Theory）为基础，基于结构风险最小化（SRM：Structural Risk Minimization），具有良好的小样本和非线性模式识别性能。目前支持向量机已经在图像识别、语音识别、回归分析、信号处理、故障诊断等领域得到成功的应用［122，123］，并且支持向量机在声发射信号模式识别中得到了初步的应用［124～126］。