一种纤维拉伸断裂的声发射信号的特征提取方法与流程

本发明涉及信号处理领域，具体而言，本发明涉及一种纤维拉伸断裂的声发射信号的特征提取方法。

背景技术：

随着国家的发展，高性能与多功能纤维层出不穷，纤维的应用范围不仅仅能够满足人们的日常需求，还深入到越来越多的行业。一般，常见的纱线有很大一部分是多种纤维的混纺纱，不同的纤维组成，则纱线所表现出来的各种性能也不同。评估纱线性能传统的方法主要集中在力学方面，该类指标较为宏观、模糊，并不能准确的判断出不同纤维对纱线性能的影响。故迫切需要一种新的手段来研究纱线拉伸断裂过程中，纤维对纱线的影响。

技术实现要素：

为了寻找更为有效的研究纱线拉伸断裂过程中纤维对纱线的实现方案，考虑到纤维拉伸断裂是一种非平稳的瞬变信号，而希尔伯特黄变换(hilbert-huangtransform，简称hht)是一种新型自适应时频处理方法，由经验模态分解(empiricalmodedecomposition，简称emd)和希尔伯特变换(hilberttransform，简称hilbert)两部分组成，其中，emd是核心部分，但是emd是一种针对非平稳信号的有效处理方法，但会存在模态混叠现象。之后提出eemd是集合经验模态分解(ensembleempiricalmodedecomposition，简称eemd)在信号分解过程中不断加入白噪声，使整个时频空间中均匀的分布附加的白噪声，然后对信号进行独立测试，具有很好的抗分解能力。同时，主成分分析(principalcomponentanalysis，简称pca)通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量，转换后的这组变量叫主成分。在实际课题中，为了全面分析问题，往往提出很多与此有关的变量，因为每个变量都在不同程度上反映这个课题的某些信息。主成分分析首先是由k.皮尔森(karlpearson)对非随机变量引入的，尔后h.霍特林将此方法推广到随机向量的情形。信息的大小通常用离差平方和或方差来衡量。为此，本发明实施例提供了一种纤维拉伸断裂的声发射信号的特征提取方法，其包括如下步骤：

对预设信号做归一化处理，所述预设信号基于纤维拉伸断裂声发射信号生成；

计算归一化之后的预设信号的协方差矩阵；

将所述协方差矩阵的每一行作为一个横向量，并计算所述每一个横向量的方差；判断所述方差是否大于预设阈值，若是，则计算所述横向量的平均值；

获取进行平均值计算的横向量和所述平均值在原横向量中的频率，并基于获取的所述横向量和所述频率得到纤维拉伸断裂声发射信号的特征矩阵。

优选地，所述预设阈值为0.1。

优选地，所述基于获取的所述横向量和所述频率得到纤维拉伸断裂声发射信号的特征矩阵之后，包括如下步骤：

获得不同纤维的纤维拉伸断裂声发射信号的特征矩阵并基于最小二乘支持向量机建立识别模型。

优选地，所述获得不同纤维的纤维拉伸断裂声发射信号的特征矩阵并基于最小二乘支持向量机建立识别模型之后，包括如下步骤：

获得待识别的纤维拉伸断裂声发射信号，

基于建立的识别模型识别所述待识别的纤维拉伸断裂声发射信号的类别。

优选地，所述预设信号基于纤维拉伸断裂声发射信号生成包括如下步骤：

采集纤维拉伸断裂声发射信号，使用小波变换对所述纤维拉伸断裂声发射信号降噪；所述纤维拉伸断裂声发射信号包括从开始拉伸纤维到纤维断裂结束的所有声音；

从降噪后所述纤维拉伸断裂声发射信号中截取有效信号，并利用hht变换生成所述有效信号的关于时间-频率-能量的三维分布图，也即预设信号。

优选地，所述采集纤维拉伸断裂声发射信号包括如下步骤：

在全静音环境下使用pvdf压电传感器采集纤维拉伸断裂声发射信号。

优选地，所述从降噪后所述纤维拉伸断裂声发射信号中截取有效信号包括如下步骤：

对降噪后的纤维拉伸断裂声发射信号进行高通滤波过滤；

判断过滤之后的纤维拉伸断裂声发射信号的波形因子是否大于第一预设阈值，若大于，则进行截取并判断获得的截取信号的均方根值是否位于预设值域且峭度指标是否大于第二预设阈值，若是，则所述截取信号为有效信号。

优选地，所述第一预设阈值为1.1；预设值域为大于5小于40；第二预设阈值为10。

优选地，所述使用小波变换对所述纤维拉伸断裂声发射信号降噪为使用小波基为sym6函数，分解层数为5的小波变换对所述纤维拉伸断裂声发射信号降噪。

优选地，所述利用hht变换生成所述有效信号的关于时间-频率-能量的三维分布图，也即预设信号，包括如下步骤：

对所述有效信号进行eemd分解，并对分解之后得到的n个imf中融入白噪声，其中n为大于1的自然数；

将每次融入白噪声之后的各imf的集成均值作为最终信号，对最终信号进行阈值相关系数判断，当阈值相关系数大于5％时，则对相应的imf进行hilbert变换；

汇总所有的imf分量的hilbert谱即生成所述有效信号的关于时间-频率-能力的三维分布图，也即预设信号。

与现有技术相比，本发明实施例一种纤维拉伸断裂的声发射信号的特征提取方法具有如下有益效果：

本发明实施例一种基于希尔伯特黄变换的纤维断裂声发射分析方法通过主成分分析方法对预设信号提取纤维拉伸断裂声发射信号的特征矩阵，降低了计算的复杂性，在一定程度上方便了工程分析。

本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为本发明实施例提供的一种纤维拉伸断裂的声发射信号的特征提取方法的流程示意图；

图2为本发明实施例提供的一种纤维拉伸断裂的声发射信号的特征提取方法中的计算归一化之后的预设信号的协方差矩阵的流程示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

请参阅图1，图1示出了本发明实施例一种纤维拉伸断裂的声发射信号的特征提取方法的流程示意图，如图1所示，本发明实施例一种纤维拉伸断裂的声发射信号的特征提取方法包括如下步骤：

步骤s101：对预设信号做归一化处理，所述预设信号基于纤维拉伸断裂声发射信号生成。

示例地，假设预设信号为xi(i＝1……150)的n维向量，则归一化处理公式如下：

其中，xi为归一化处理之后的预设信号，为预设信号的平均值，si为预设信号的方差。

在一些实施方式中，预设信号基于纤维拉伸断裂声发射信号生成包括如下步骤：

采集纤维拉伸断裂声发射信号，使用小波变换对纤维拉伸断裂声发射信号降噪；纤维拉伸断裂声发射信号包括从开始拉伸纤维到纤维断裂结束的所有声音；

从降噪后纤维拉伸断裂声发射信号中截取有效信号，并利用hht变换生成有效信号的关于时间-频率-能量的三维分布图，也即预设信号。

具体地，采集纤维拉伸断裂声发射信号包括如下步骤：

在全静音环境下使用pvdf压电传感器采集纤维拉伸断裂声发射信号。其中，pvdf压电传感器为聚偏二氟乙烯(简称pvdf)压电薄膜传感器。

在一些实施方式中，从降噪后纤维拉伸断裂声发射信号中截取有效信号包括如下步骤：

对降噪后的纤维拉伸断裂声发射信号进行高通滤波过滤；

判断过滤之后的纤维拉伸断裂声发射信号的波形因子是否大于第一预设阈值，若大于，则进行截取并判断获得的截取信号的均方根值是否位于预设值域且峭度指标是否大于第二预设阈值，若是，则截取信号为有效信号。

优选地，第一预设阈值为1.1；预设值域为大于5小于40；第二预设阈值为10。

在一些实施方式中，使用小波变换对所述纤维拉伸断裂声发射信号降噪为使用小波基为sym6函数，分解层数为5的小波变换对纤维拉伸断裂声发射信号降噪。

sym6函数为小波工具函数，使用sym6函数小波可对降噪后的纤维拉伸断裂声发射信号进行分解。

在一些实施方式中，利用hht变换生成有效信号的关于时间-频率-能量的三维分布图，也即预设信号，包括如下步骤：

对有效信号进行eemd分解，并对分解之后得到的n个imf中融入白噪声，其中n为大于1的自然数；

将每次融入白噪声之后的各imf的集成均值作为最终信号，对最终信号进行阈值相关系数判断，当阈值相关系数大于5％时，则对相应的imf进行hilbert变换；

汇总所有的imf分量的hilbert谱即生成有效信号的关于时间-频率-能力的三维分布图，也即预设信号。

固有模态函数(intrinsicmodefunction，简称imf)是利用eemd方法将给定的有效信号分解得到的。

步骤s103：计算归一化之后的预设信号的协方差矩阵。

请参阅图2，图2示出了计算归一化之后的预设信号的协方差矩阵的流程示意图，如图2所示，计算归一化之后的预设信号的协方差矩阵包括如下步骤：

步骤s1031：计算归一化之后的预设信号的相关系数矩阵。

示例地，计算归一化之后的预设信号的相关系数矩阵公式如下：

其中，rij(i，j＝1,2，…，p)为归一化之后的预设信号xi与xj的相关系数，rij＝rji，其计算公式如下：

步骤s1032：根据相关系数矩阵计算协方差矩阵。

示例地，假设协方差矩阵为rij，则其计算方式如下：

步骤s105：将协方差矩阵的每一行作为一个横向量，并计算每一个横向量的方差；判断方差是否大于预设阈值，若是，则计算横向量的平均值。

在一些实施方式中，若方差不大于预设阈值，则舍弃。

优选地，预设阈值为0.1。

在一些实施方式中，当判断方差大于预设阈值，用户还可以根据需要去计算横向量的加权平均值，本发明实施例对此不做限制。

步骤s107：获取进行平均值计算的横向量和所述平均值在原横向量中的频率，并基于获取的所述横向量和所述频率得到纤维拉伸断裂声发射信号的特征矩阵。

在一些实施方式中，基于获取的所述横向量和所述频率得到纤维拉伸断裂声发射信号的特征矩阵之后，包括如下步骤：

获得不同纤维的纤维拉伸断裂声发射信号的特征矩阵并基于最小二乘支持向量机建立识别模型。

具体地，对不同纤维的纤维拉伸断裂声发射信号进行分类时给定一组训练样本，每个标记为属于两类，一个最小二乘支持向量机训练算法建立了一个模型，分配新的实例为一类或其他类，使其成为非概率二元线性分类。

这样，在获得不同纤维的纤维拉伸断裂声发射信号的特征矩阵并基于最小二乘支持向量机建立识别模型之后，就可以识别待识别的纤维拉伸断裂声发射信号的类别，具体包括如下步骤：

获得待识别的纤维拉伸断裂声发射信号，

基于建立的识别模型识别待识别的纤维拉伸断裂声发射信号的类别。

与现有技术相比，本发明实施例一种纤维拉伸断裂的声发射信号的特征提取方法具有如下有益效果：

本发明实施例一种基于希尔伯特黄变换的纤维断裂声发射分析方法通过主成分分析方法对预设信号提取纤维拉伸断裂声发射信号的特征矩阵，降低了计算的复杂性，在一定程度上方便了工程分析。

以上所述仅是本发明的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。