０　引言

  声发射信号处理技术的发展经历了从传统的参数分析技术、频谱分析技术到现代的时频分析技术、模态声发射和模式识别技术。近十几年来，随着模态声发射理论和技术的逐渐成熟，人们又开始对波形分析技术产生浓厚兴趣。

  总的来说，声发射的信号处理分析方法大致可分为３类：单个参数分析法，波形分析技术和基于多参数分析的模式识别法。近几年来，小波分析理论（对信号进行小波与小波包分解，将其分解为各个频段的信号）、现代谱分析和神经网络分析等技术也得到应用，且关于模式识别、神经网络分析的报道很多。

  声发射用于复合材料的性能研究时，主要关注复合材料的损伤失效机理、界面粘结状况等。复合材料损伤失效的研究重点是找出损伤源的位置、损伤程度及性质等，并进一步建立声发射信号与相应断裂损伤模式之间的一一对应关系，作为材料日常损伤的诊断依据，其研究主要有两个方面：损伤源的定位和对损伤模式进行分类识别。由于复合材料在损伤的过程中，常常有纤维的断裂、纤维基体的界面脱粘、基体开裂、分层等模式，而且这些损伤的出现顺序或损伤程度等对判断复合材料的性能及寿命非常关键，所以要从大量的声发射信号中分辨出不同的损伤模式，而对复合材料中不同损伤模式的识别就是对其产生的声发射信号进行聚类和分类。

  １　损伤源定位

  复合材料损伤研究的重点是找出损伤源的位置、损伤程度等，所以要进行损伤源定位。损伤源定位的方法有很多，最简单的是采用时差定位和区域定位的方法，另外还可采用多传感器定位，波形分析、模式识别技术结合来进行定位，或者这些方法相结合。

  在这些定位方法中，时差定位中最简单的方法是线性定位，这种方法也较常用，但只能对一维结构进行源定位；多传感器定位通过多个传感器的排列可得到二维或三维损伤源的位置。但由于复合材料各向异性的特点使得声波传播速度沿各个方向不同，导致时差定位的精确性受到影响。区域定位常用于复合材料源定位中，但其不能提供损伤源位置较精确的信息。使用波形分析技术中的模态声发射技术，根据波形模式的不同以及传播的速度差异等可以对损伤源进行有效定位，而且模态声发射技术使用一个传感器也能准确进行源定位，提高了定位的准确性，使用多个传感器并结合模态声发射技术就可以实现比单纯使用多个传感器更高维的损伤源定位。模式识别技术中除了有学者将神经网络技术与多传感器结合使用进行损伤源的定位外，一般不用于源定位。模态声发射技术用于源定位的研究也较多。ＰｒｏｓｓｅｒＷ。Ｈ。等基于波形分析技术运用板波传播理论对厚度不同的６种样品在准静态载荷下进行损伤源定位并用于区分噪音和由开裂产生的信号，采用了四传感器矩阵定位方法，它的使用不仅提高了线性定位的准确性，而且提供了裂纹开始处的侧面位置，可用于样品内部及沿着样品自由边上产生的裂纹位置的确定。Ｓｕｒｇｅｏｎ等利用板波理论使用单个传感器对ＡＥ源进行定位，对单向和正交碳纤维增强复合材料（ＣＦＲＰ）拉伸和弯曲载荷下的断裂进行了源定位，并与传统的使用２个传感器进行源定位的方法进行了对比，结果表明采用波形分析法使用一个传感器对ＡＥ源定位是有效的。

  ２０１１年Ｃａｐｒｉｎｏ等利用扩展波和弯曲波，使用３个传感器，基于一个简单的经验公式建立了一个可视的训练集合并设计出２个潜在的人工神经网络（ＡＮＮ），并根据该虚拟训练的ＡＮＮ对在材料表面的３个传感器中波的到达时间的不同，对单向碳纤维增强塑料进行了源定位，结果是有效的。

  ２０１２年Ｋａｐｈｌ等研究了板状结构声发射波模式源的精确定位的识别，使用单个传感器对断铅实验点源定位的方法，即ＴＯＡ（Ｔｉｍｅ　ｏｆ　ａｒｒｉｖａｌ）法与Ｌａｍｂ波模态声发射法的精确性做了比较。结果显示，Ｌａｍｂ波模态声发射方法比ＴＯＡ法的精确性大大提高，在源定位分析中使用扩展波得到了非常精确的结果，扩展波是早期到达的成分，且与反射波效应无关，因此可以确定使用扩展波用于源定位分析最好，在波形分析中出现了３种模式的波：扩展波（低幅度快速到达）、ＳＨ波（阈值撞击波）和弯曲波（高能后到达）。他们还指出使用单个传感器用于确定其与ＡＥ源的距离是一种有效的方法，而且该思路可以扩展到使用２个传感器用于二维平面上的源定位。

  总之，在损伤源定位方面，时差定位中的线性定位是最常用也是最简单的方法，可有效判断二维物体的损伤，但不能准确找出三维结构的损伤源。采用多传感器定位，可以有效判断出三维物体损伤的位置，但多个传感器的布置要求较高，再加上噪音的干扰，所以也会造成判断不准确。模式识别技术中利用神经网络对损伤源定位也有一些研究，其缺点是训练样本的选择较困难、重复性差，且其有效性也有待检验。基于波形技术的模态声发射中的扩展波和弯曲波的波速不同，再结合传感器可以实现对损伤源的有效定位，而且可实现比单纯使用相同数量的传感器更高维的定位。

  ２　损伤模式的分类

  复合材料在损伤过程中产生的声发射信号具有不稳定性，对复合材料进行损伤分析的目的就是判别出不同的损伤模式，但是不同的损伤模式产生的声发射信号往往重叠在一起，且呈现出随机、非稳态的分布。复合材料损伤的声发射研究的主要目的就是根据不同声发射信号频率或振幅特征区分复合材料的损伤模式，如纤维断裂、基体开裂、分层和纤维基体脱粘等，所以对大量的声发射信号数据进行分类或聚类分析，即模式识别技术尤为重要。模式识别技术的关键是特征提取和分类器设计。

  ２。１　特征提取

  在声发射信号模式识别中常用的特征提取一般以ＡＥ信号的物理参数，如幅度、频率、能量、振铃计数、上升时间、持续时间作为模式特征，不同的研究者常选取不同的模式特征用于ＡＥ信号的分析。另外，还可以将衰减角、上升衰减区域、衰减、峰值前后振铃计数之比作为模式特征。特征提取方法包括最大最小距离法、欧式距离法、主成分分析、相关分析等。寻找特征与模式分类，可以用时域信号、频域信号，也可用信号的倒频谱以及功率谱、相关等。能量谱或功率谱是表示信号的能量或功率密度在频域中随频率的变化情况，它对研究信号的能量（或功率）分布、决定信号所占有的频带等问题有着重要作用。特别对于随机信号（声发射信号就是随机的），不能用确定的时间函数表示，当然也无法用频谱来表示，在这种情况下，往往用功率谱来描述它的频域特性，波形的能谱和相关等提供了波形中非常有用的信息，但是与能谱相关的信息却很少用于特征的选取。

  ２。２　分类器的设计

  关于损伤模式的分类即为模式识别中的分类器设计，主要采用不同的分类算法或聚类算法。其中已知类别的训练集的算法称为有监督的算法，相应的模式识别技术称为有监督的模式识别（ＳＰＲ），常用的算法是判别函数算法和神经网络算法；而未知类别的训练集的算法称为无监督的算法，相应的模式识别技术称为无监督的模式识别（ＵＰＲ），常用的算法有层次聚类算法和动态聚类算法。由于无监督模式（ＵＰＲ）不需对信号提前了解，这为本身即为未知的ＡＥ信号的分类识别提供了很好的方法，所以ＵＰＲ技术是模式识别中主要的分析技术。

  在复合材料的声发射检测方面，尤其是热塑性复合材料的声发射检测，常采用的模式识别技术为多元统计聚类分析，如无监督的Ｋ－ｍｅａｎｓ算法、少参数的自组织映射（ＰＬＳＯＭ）算法、改进的学习矢量化网络（ＬＶＱ）、Ｃｌｕｓｔｅｒ　Ｓｅｅｋｉｎｇ算法、迭代自组织聚类ＩＳＯＤＡＴＡ算法等。复合材料声发射检测中最常用的是动态聚类分析中的Ｋ－ｍｅａｎｓ算法。

  近几年来，不同的ＵＰＲ 算法相结合或不同的ＳＰＲ 与ＵＰＲ相结合用于声发射信号聚类和分类识别已成为热点，如Ｇｕｔｋｉｎ等［１４］对ＣＦＲＰ的拉伸和韧性测试下的失效机理进行了声发射检测，运用了３种模式识别方法：Ｋ－ｍｅａｎｓ算法，竞争性神经网络（ＣＮＮ）和自组织映射网络（ＳＯＭ）结合Ｋｍｅａｎｓ算法。结果为基体开裂在０～４０ｋＨｚ，纤维基体劈裂在２００～３００ｋＨｚ，分层在４０～１００ｋＨｚ，而纤维拔出和纤维断裂的ＡＥ信号确定频率还需进一步研究；研究还表明３种模式识别算法中，ＳＯＭ 结合Ｋ－ｍｅａｎｓ算法的效果最好。

  神经网络是人工神经网络的简称，是一种对数据分布无任何要求的非线性技术，它具有信息分布存储能力、并行处理能力、非线性映射能力以及强大的自学习能力，共有１００多种神经网络。研究者们尝试采用不同的神经网络或改进神经网络算法，与其他聚类分析结合用于声发射信号的聚类分析。比较常用的神经网络有误差信号反向传播算法ＢＰ神经网络、小波神经网络、代数神经网络、径向基神经网络等。Ｂｈａｔ等利用神经网络模式识别方法对各种模拟噪声和掺杂模拟噪声的碳纤维增强复合材料断裂声发射分别进行了分类研究。由于神经网络是有监督的学习模式，需要有训练集，常常将神经网络与无监督的自组织映射网络或其他聚类算法结合使用。如王旭等先建立ＵＰＲ方式竞争型ＳＯＣ网络和ＳＰＲ方式多层前向ＢＰ网络实现对ＡＥ信号的聚类和识别，并进一步基于启发式的改进算法中有动量可变学习速度法和弹性梯度下降法，在一定程度上提高了识别率，同时也改善了训练速度，使用Ｌｅｖｅｎｂｅｒｇ－Ｍａｒｑｕａｒｄｔ算法得到了最佳的训练效果且最适合作为ＢＰ网络的训练算法。另外针对神经网络的容限差、下降率低、搜索速度慢的缺点，常结合小波包分解、遗传算法、粒子群算法等寻找全局最优点，提高网络识别率、收敛速度和自适应能力。李伟等运用小波包分解提取特征向量作为网络输入，通过小波分析与神经网络结合的方式对不同类型的损伤模式进行识别，并将遗传算法引入到小波神经网络中，优化网络初始权值，提高了网络的全局搜索与识别能力。

  针对声发射信号重叠性的特点，近几年模糊模式识别技术用于声发射信号的聚类分析逐渐增多。模糊模式识别是基于模糊理论的模式识别，模糊模式识别算法包括模糊聚类算法、模糊神经网络，或者采用其他仿生算法，如遗传算法、具有全局寻优功能的粒子群算法、蚁群算法、模拟退火算法等。模糊聚类算法中研究者常用Ｆｕｚｚｙ　Ｃ－ｍｅａｎｓ算法来进行聚类分析，如Ｍａｒｅｃ等和Ａｒｕｍｕｇａｍ等在使用Ｆｕｚｚｙ　Ｃ－Ｍｅａｎｓ聚类主要成分之前，先使用主成分分析（ＰＣＡ）方法把ＡＥ信号中的大量相关的变量转变为一小部分不相关的变量，并采用了小波变换处理参数，结果表明在聚类分析前使用ＰＣＡ减少空间的维数可提高分析结果的精确性，是一种有效的方法。模糊神经网络用于复合材料声发射信号模式识别目前还没有报道。另外，有学者将混沌分析用于故障检测和诊断、岩石断裂检测、碰磨分析，而在复合材料声发射的信号分析中却未见报道。

  ３　结语

  声发射技术用于复合材料损伤失效的研究主要包括损伤源的定位及损伤模式的分类识别。

  在损伤源定位方面，时差定位中的线性定位是最常用也是最简单的方法，但不能用于二维或三维损伤源的定位；多传感器定位可有效判断出三维物体损伤的位置，但多个传感器的布置要求较高会造成判断不准确；模态声发射相比模式识别可以实现对损伤源的有效定位，而且比单纯使用相同数量的传感器可实现更高维的定位。

  在损伤模式的分类识别方面，模式识别比较有效且使用最多，但有时不能准确区别出纤维和基体的界面脱粘及纤维抽拔的信号，采用各种神经网络或与其他算法结合虽有一定效果，但神经网络具有容限差、下降率低、搜索速度慢的缺点。基于声发射信号的重叠性的特征，模糊模式识别技术的使用逐渐增多，但其在声发射检测复合材料尤其是热塑性复合材料损伤失效过程中信号的聚类分析的应用尚未见报道，模糊模式识别是针对重叠性的声发射信号分析的一种有效的手段。

更多关于材料方面、材料腐蚀控制、材料科普等方面的国内外最新动态，我们网站会不断更新。希望大家一直关注国家材料腐蚀与防护科学数据中心http://www.ecorr.org