申炎仃，林蘭天，張陸佳，高 琮，曹晚霞

(上海工程技術(shù)大學(xué)服裝學(xué)院，上海 201620)

?

基于HHT和SVM的纖維拉伸斷裂聲發(fā)射信號(hào)的特征提取及分類研究

申炎仃，林蘭天，張陸佳，高 琮，曹晚霞

(上海工程技術(shù)大學(xué)服裝學(xué)院，上海 201620)

為了研究纖維拉伸斷裂聲發(fā)射信號(hào)的特征提取及分類方法，采用聲發(fā)射技術(shù)采集了芳綸1313和阻燃黏膠2種纖維的拉伸斷裂的聲發(fā)射信號(hào)。通過(guò)小波變換，對(duì)采集的2種纖維的聲發(fā)射信號(hào)進(jìn)行消噪預(yù)處理以去除部分噪聲，應(yīng)用希爾伯特-黃變換對(duì)2種纖維去噪后的信號(hào)進(jìn)行特征頻率的提取，運(yùn)用最小二乘支持向量機(jī)(LSSVM)對(duì)2種纖維的特征頻率進(jìn)行分類識(shí)別。結(jié)果表明：小波去噪方法可以去除信號(hào)的部分噪聲；希爾伯特時(shí)頻譜可以一定程度上反映2種纖維材料在時(shí)間維度上的斷裂情況，邊際譜上可以提取2種纖維材料聲發(fā)射信號(hào)的特征頻率；LSSVM能夠?qū)?種纖維材料拉伸斷裂的特征頻率分類識(shí)別，芳綸1313的識(shí)別率為40%，阻燃黏膠的識(shí)別率為80%，總的識(shí)別率為60%。

纖維檢測(cè)技術(shù)；HHT；SVM；特征頻率；聲發(fā)射技術(shù)；拉伸斷裂

關(guān)于紗線拉伸斷裂機(jī)理的研究多集中在對(duì)紗線的力學(xué)分析上，研究者多通過(guò)模型假設(shè)來(lái)簡(jiǎn)化紗線和織物結(jié)構(gòu)，構(gòu)建紗線或織物的拉伸性能預(yù)測(cè)模型，這種方法使預(yù)測(cè)精度受限。

聲發(fā)射(acoustic emission，AE)也稱為應(yīng)力波發(fā)射，指材料局部因能量的快速釋放而發(fā)出瞬態(tài)彈性波的現(xiàn)象。聲發(fā)射技術(shù)是借助聲發(fā)射檢測(cè)系統(tǒng)對(duì)聲發(fā)射信號(hào)進(jìn)行采集、記錄、分析并對(duì)聲發(fā)射源的強(qiáng)度、位置、發(fā)生條件等性質(zhì)進(jìn)行評(píng)價(jià)的一種技術(shù)[1]。聲發(fā)射檢測(cè)方法具有信號(hào)響應(yīng)時(shí)間短、信息量大、可實(shí)時(shí)顯示、檢測(cè)設(shè)備安裝操作簡(jiǎn)便等優(yōu)勢(shì)[2]，近幾十年來(lái)發(fā)展迅速，已被廣泛應(yīng)用于諸多領(lǐng)域。

信號(hào)特征提取是從信號(hào)中獲取信息的過(guò)程，其方法是信號(hào)處理的研究重點(diǎn)[3]。材料拉伸斷裂的聲發(fā)射信號(hào)是一種非線性、非平穩(wěn)的時(shí)域信號(hào)，希爾伯特-黃變換(HHT)具有較高的解析分辨率，適用于這類信號(hào)的處理，在材料拉伸斷裂研究中的應(yīng)用在迅速擴(kuò)大[4-6]。

采用聲發(fā)射技術(shù)采集了2種纖維的纖維束拉伸的聲發(fā)射信號(hào)，通過(guò)小波對(duì)信號(hào)去噪、HHT對(duì)去噪后的信號(hào)提取特征、SVM對(duì)特征分類，為多組分混紡紗中各組分纖維的斷裂過(guò)程分析作準(zhǔn)備。

1 實(shí)驗(yàn)設(shè)計(jì)

1.1 實(shí)驗(yàn)材料與儀器

圖1 纖維拉伸聲發(fā)射信號(hào)采集平臺(tái)簡(jiǎn)圖Fig.1 Platform diagram of AE signal’s acquisition of fibers’ drawing

實(shí)驗(yàn)材料：芳綸1313絲束和阻燃黏膠絲束。

實(shí)驗(yàn)儀器組成：纖維拉伸聲發(fā)射信號(hào)采集平臺(tái)由YG065C型電子織物強(qiáng)力機(jī)、PVDF傳感器、數(shù)據(jù)采集儀和計(jì)算機(jī)構(gòu)成，見圖1。

1.2 實(shí)驗(yàn)方案

1.2.1 實(shí)驗(yàn)方法

PVDF傳感器背面貼3M軟磁鐵， 以信號(hào)傳輸線與信號(hào)采集卡、信號(hào)采集軟件相連；傳感器以一套夾持裝置懸空置于強(qiáng)力機(jī)上下夾頭中間位置，且與強(qiáng)力機(jī)上下夾頭處于同一平面。 實(shí)驗(yàn)樣本兩端夾持于強(qiáng)力機(jī)上下夾頭之上，微調(diào)傳感器的前后位置，使之與樣本纖維表面保持輕微接觸。取一薄鐵片(尺寸與傳感器相匹配)涂上適量的凡士林，貼在樣本正面，使樣本纖維與傳感器充分接觸。

1.2.2 實(shí)驗(yàn)條件

溫度為t=(25±2) ℃，相對(duì)濕度為(65±2)%。實(shí)驗(yàn)前將試驗(yàn)樣本置于標(biāo)準(zhǔn)條件下放置24 h，以使樣本達(dá)到平衡回潮率。

1.2.3 參數(shù)設(shè)置

電子織物強(qiáng)力機(jī)：選擇定速拉伸功能，拉伸速度為250 mm/min，拉伸隔距為70 mm，每組試驗(yàn)次數(shù)為10次。

數(shù)據(jù)采集軟件參數(shù)：采樣頻率為10 MHz/s，采樣點(diǎn)數(shù)為2×106個(gè)，采樣啟動(dòng)閾值為10 mV。

1.3 實(shí)驗(yàn)過(guò)程

為保證纖維拉伸聲發(fā)射信號(hào)的準(zhǔn)確采集，分別在空載(即不夾持樣本)的情況下和夾持樣本的情況下進(jìn)行拉伸，發(fā)現(xiàn)有明顯針尖狀的信號(hào)為纖維拉伸的聲發(fā)射信號(hào)。

對(duì)2種纖維絲束分別標(biāo)記為A,B，每種纖維絲束各進(jìn)行10次定速拉伸，采集的信號(hào)分別記為A-1到A-10，B-1到B-10。

2 聲發(fā)射信號(hào)的預(yù)處理

對(duì)芳綸1313絲束和黏膠絲束進(jìn)行拉伸實(shí)驗(yàn)，采集到的聲發(fā)射信號(hào)中夾雜有大量的噪聲。為更準(zhǔn)確地對(duì)纖維拉伸的聲發(fā)射信號(hào)進(jìn)行分析，必須對(duì)采集到的信號(hào)進(jìn)行降噪處理。本研究采用小波降噪，影響小波降噪效果的是小波基和分解層數(shù)，常用的小波基為sym小波基和dbN小波基。采用的小波的分解層數(shù)過(guò)少可能導(dǎo)致去除噪聲不干凈，影響后續(xù)的進(jìn)一步處理；采用的分解層數(shù)過(guò)多則可能導(dǎo)致將部分特征信號(hào)作為噪聲處理的結(jié)果。合適的分解層數(shù)為5～11。

本研究選擇小波包閾值降噪方法，選擇sym6小波基，小波層數(shù)選擇為5層。以Matlab為平臺(tái)編制小波降噪程序，對(duì)2種纖維絲束拉伸的聲發(fā)射信號(hào)進(jìn)行降噪處理，小波降噪前后的對(duì)比圖見圖2和圖3。

圖2 芳綸1313絲束拉伸的聲發(fā)射的原始信號(hào)和降噪后信號(hào)Fig.2 Original signals and de-noised signals of AE signals of fibers tow’s drawing of Aramid 1313

圖3 黏膠絲束拉伸聲發(fā)射的原始信號(hào)和降噪后的信號(hào)Fig.3 Original signals and de-noised signals of AE signals of fibers tow’s drawing of viscose

由圖2和圖3可見，經(jīng)小波降噪后，纖維束拉伸斷裂的聲發(fā)射信號(hào)中噪聲雜刺明顯少了，曲線平滑了許多，表明小波降噪有效果。

3 基于HHT的纖維拉伸斷裂聲發(fā)射信號(hào)的特征提取

3.1 信號(hào)的截取

采集到的聲發(fā)射信號(hào)數(shù)據(jù)長(zhǎng)度為2×106，其中纖維斷裂的聲發(fā)射信號(hào)只占很少部分，大部分噪聲信號(hào)(小波去噪僅去掉了一部分噪聲)的存在會(huì)一定程度上干擾后續(xù)的特征提取，同時(shí)會(huì)增加處理時(shí)間，因此可以對(duì)采集到的信號(hào)進(jìn)行截取，對(duì)有效信號(hào)進(jìn)行分析。

在確定斷裂區(qū)信號(hào)的數(shù)據(jù)長(zhǎng)度時(shí)，以Matlab軟件為平臺(tái)編制相關(guān)程序，讀取信號(hào)數(shù)據(jù)并繪制圖形。通過(guò)分析發(fā)現(xiàn)，不僅不同種類的纖維，纖維斷裂信號(hào)的時(shí)域長(zhǎng)度不同，即使同種纖維，不同樣本的纖維斷裂信號(hào)的時(shí)域長(zhǎng)度也有差異。經(jīng)對(duì)2種纖維束的樣本信號(hào)進(jìn)行統(tǒng)計(jì)，發(fā)現(xiàn)一般纖維束斷裂信號(hào)中數(shù)據(jù)點(diǎn)數(shù)最多不超過(guò)6 000點(diǎn)，故確定纖維斷裂時(shí)域信號(hào)截取長(zhǎng)度包含的采集點(diǎn)數(shù)為6 000點(diǎn)。

在確定截取信號(hào)起始點(diǎn)和終止點(diǎn)時(shí)，一方面考慮到截取的信號(hào)應(yīng)包含纖維集中斷裂時(shí)刻，其前后附近蘊(yùn)含的纖維斷裂信息量最豐富；另一方面考慮到纖維在斷裂之前，由于被拉伸的纖維已經(jīng)發(fā)生了結(jié)構(gòu)性的變化，也含有特征信息，故確定截取的信號(hào)的區(qū)間以纖維斷裂峰值點(diǎn)為中心左右各取3 000點(diǎn)。2種纖維的拉伸斷裂聲發(fā)射信號(hào)如圖4和圖5所示。

圖4 芳綸1313的截取信號(hào)Fig.4 Intercept signals of Aramid 1313

圖5 黏膠的截取信號(hào)Fig.5 Intercept signals of viscose

3.2 HHT

時(shí)域內(nèi)特征不明顯的振動(dòng)信號(hào)往往在頻域內(nèi)會(huì)出現(xiàn)明顯的特征，因此振動(dòng)信號(hào)特征提取多從頻域內(nèi)進(jìn)行。振動(dòng)信號(hào)特征提取在頻域內(nèi)一般將信號(hào)分解為多個(gè)分量并計(jì)算每一個(gè)分量的特征值，以提取原始信號(hào)的特征。常用的信號(hào)分解方法包括傅里葉變換、希爾伯特-黃變換等[7]?；旒徏喞爝^(guò)程中其組分纖維的聲發(fā)射信號(hào)可以用特征頻譜表征[8]，即頻率可以表征纖維的信號(hào)特征。本研究采用HHT方法。該方法的主要步驟有2個(gè)：首先對(duì)信號(hào)進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解(empirical mode decomposition, 簡(jiǎn)稱EMD)，得到有限個(gè)本征模態(tài)函數(shù)(intrinsic mode function, 簡(jiǎn)稱IMF)；然后對(duì)分解得到的各個(gè)IMF分量進(jìn)行希爾伯特變換，得出時(shí)頻平面上的能量分布譜圖，進(jìn)而進(jìn)行時(shí)頻譜分析[9-10]。

3.2.1 EEMD分解

EMD是HHT的核心部分。傳統(tǒng)EMD分解無(wú)法解決模態(tài)混疊問(wèn)題，引入了正態(tài)分布白噪聲輔助分析方法的集合經(jīng)驗(yàn)?zāi)B(tài)分解(ensemble empirical mode decomposition,簡(jiǎn)稱EEMD)算法具有很好的抗混分解能力[11]。

以Matlab軟件為平臺(tái)編制相關(guān)程序，對(duì)截取的信號(hào)進(jìn)行EEMD分解，2種纖維的拉伸斷裂聲發(fā)射信號(hào)EEMD后的結(jié)果如圖6和圖7所示。

圖6 芳綸1313截取信號(hào)的EEMD圖Fig.6 EEMD picture of intercept signals of Aramid 1313

圖7 黏膠截取信號(hào)的EEMD圖Fig.7 EEMD picture of intercept signals of viscose

3.2.2 希爾伯特時(shí)頻譜

通過(guò)EMD，將信號(hào)分解成IMF的和，對(duì)每個(gè)IMF進(jìn)行希爾伯特變換就可以獲得有意義的瞬時(shí)頻率，從而給出頻率隨時(shí)間變化的精確表達(dá)，采集的信號(hào)最終被表示為時(shí)頻平面上的能量分布，此稱為Hilbert譜，進(jìn)而還可以得到邊際譜[9]。

對(duì)EEMD分解后的IMF求解瞬時(shí)頻率，可得到2種纖維拉伸斷裂聲發(fā)射信號(hào)的時(shí)頻譜。時(shí)頻譜可以表示為時(shí)間、頻率、能量三維數(shù)據(jù)構(gòu)成的二維平面圖，橫坐標(biāo)表示時(shí)間，縱坐標(biāo)表示對(duì)應(yīng)時(shí)刻的信號(hào)頻率，能量在譜圖上表現(xiàn)為顏色(赤橙黃綠青，對(duì)應(yīng)能量由高到低，顏色越深能量越高)。由于纖維的斷裂特征表現(xiàn)在高能量段，故而重點(diǎn)關(guān)注紅色部位的頻率。分析2種纖維的時(shí)頻譜發(fā)現(xiàn)，對(duì)不同的纖維材料，在時(shí)頻譜兩端的頻帶上，總是存在一些相同的頻率，這是由EMD端點(diǎn)效應(yīng)造成的虛假頻率，因此選擇從邊際譜上進(jìn)行特征頻率的提取。希爾伯特時(shí)頻譜可以一定程度上反映纖維在時(shí)間維度上的斷裂情況，為后續(xù)特征頻率集合的求取提供參考。

3.2.3 邊際譜

如果把Hilbert譜對(duì)時(shí)間t進(jìn)行積分，則可以得到邊際譜，其物理意義為邊際譜的幅值，表示信號(hào)在某一頻率在各個(gè)時(shí)刻的幅值之和[12]。和Fourier頻譜相比，F(xiàn)ourier頻譜的幅值只能反映頻率在信號(hào)中實(shí)際存在的可能性，而邊際譜的幅值則能真實(shí)反映頻率在信號(hào)中是否存在。

王醇濤等[13]進(jìn)行了基于HHT邊際譜與SVM的柴油機(jī)故障診斷方法研究，以邊際譜的最大峰值和最大峰值頻率作為特征向量，用SVM分類器對(duì)柴油機(jī)的工作狀態(tài)和故障類型進(jìn)行識(shí)別，發(fā)現(xiàn)該方法即使在小樣本情況下也能準(zhǔn)確有效地識(shí)別柴油機(jī)氣門間隙變化和斷油故障。

賈春花[14]進(jìn)行了基于HHT的果蠅振翅鳴聲特征提取及分類研究，針對(duì)鳴聲信號(hào)的邊際譜不同頻段上幅值分布的不同，提取了兩個(gè)不同品系果蠅振翅鳴聲信號(hào)的邊際譜幅值特征，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)分類2個(gè)不同品系果蠅振翅鳴聲，識(shí)別率達(dá)86%以上。

以Matlab為平臺(tái)編制了邊際譜的相關(guān)程序，對(duì)EEMD后的IMF分量合成求邊際譜，芳綸1313和阻燃黏膠拉伸的聲發(fā)射信號(hào)的邊際譜如圖8和圖9所示。

圖8 芳綸1313的邊際譜Fig.8 Marginal spectrum of aramid 1313

圖9 黏膠的邊際譜Fig.9 Marginal spectrum of viscose

由圖8和圖9可見，芳綸1313和阻燃黏膠的邊際譜上，特征峰并不唯一，以邊際譜的最大峰值和最大峰值頻率作為特征向量及SVM分類器的輸入不合理，應(yīng)考慮多個(gè)特征峰以及幅值的變化趨勢(shì)。因此，對(duì)某樣本纖維邊際譜上的幅值從大到小排序，取前90%的幅值對(duì)應(yīng)的頻率作為該樣本的頻率集合，記作S1。纖維斷裂的頻率應(yīng)在50 Hz～5 MHz(由課題組之前的研究可知)，記作S2。由圖10、圖11可見，由于EMD端點(diǎn)效應(yīng)的存在產(chǎn)生了一些虛假頻率，經(jīng)分析，多個(gè)樣本的希爾伯特時(shí)頻譜上虛假頻率多在1 MHz以下，故1 MHz以下的頻率記作S3。對(duì)S1，S2和S3求交集，可得該樣本的特征頻率集f。

對(duì)樣本A-1到A-10，B-1到B-10，分別進(jìn)行小波降噪、EEMD分解、求邊際譜、求特征頻率集處理，可分別得到芳綸1313和阻燃黏膠的10組特征頻率集，分別記作f1-f10，f11-f20。

4 基于SVM的纖維斷裂特征頻率的智能分類

支持向量機(jī)(support vector machine，簡(jiǎn)寫為SVM)是在統(tǒng)計(jì)學(xué)習(xí)理論的基礎(chǔ)上發(fā)展起來(lái)的一種針對(duì)分類和回歸問(wèn)題的新型機(jī)器學(xué)習(xí)方法。它基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理，能有效地解決過(guò)學(xué)習(xí)問(wèn)題，具有良好的推廣性、較好的分類精確性和堅(jiān)實(shí)的理論基礎(chǔ)[15-16]。最小二乘支持向量機(jī)是將最小二乘線性系統(tǒng)引入到SVM中，代替?zhèn)鹘y(tǒng)的SVM直接采用二次規(guī)劃方法解決分類與函數(shù)估計(jì)問(wèn)題，簡(jiǎn)化了標(biāo)準(zhǔn)支持向量機(jī)的計(jì)算復(fù)雜性，在一定程度上加速了SVM的訓(xùn)練[17]。選擇不同的核函數(shù)，可以構(gòu)造不同的支持向量機(jī)。目前常用的核函數(shù)有線性核函數(shù)、多項(xiàng)式和函數(shù)、徑向基核函數(shù)和Sigmoid核函數(shù)。徑向基核函數(shù)可以處理類標(biāo)簽和屬性之間的非線性關(guān)系，計(jì)算難度較小，因此應(yīng)用較為廣泛[18]。

以Matlab為平臺(tái)編制了LSSVM的相關(guān)程序，其中核函數(shù)選擇徑向基核函數(shù)，參數(shù)gam=2，sig2=2。纖維拉伸斷裂按纖維種類(芳綸1313和阻燃黏膠)分為2類，即二分類問(wèn)題。通過(guò)訓(xùn)練樣本建立2個(gè)兩類分類器SVM1和SVM2，分類如表1。

支持向量機(jī)在對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行訓(xùn)練時(shí)，依次經(jīng)過(guò)分類器為SVM1，SVM2，在識(shí)別過(guò)程中，當(dāng)SVM1分類器輸出為0，就會(huì)自動(dòng)將特征向量輸入到下一個(gè)分類器。

表1 纖維拉伸斷裂分類器的分類結(jié)果

選取纖維拉伸的特征頻率集作為特征向量，并對(duì)其進(jìn)行歸一化，對(duì)歸一化后的特征向量平均分為2部分：訓(xùn)練樣本和測(cè)試樣本。分別對(duì)芳綸1313的特征頻率集f1-f10、阻燃黏膠的特征頻率集f11-f20進(jìn)行歸一化，結(jié)果記作F1-F10，F(xiàn)11-F20。在F1-F10和F11-F20中隨機(jī)各抽取5組訓(xùn)練樣本，分別將兩種纖維的拉伸斷裂情況進(jìn)行分類。斷裂樣本用1表示，沒有正確識(shí)別或者沒有斷裂或者滑移用0表示。共得10組特征向量。

利用測(cè)試樣本對(duì)建立好的分類器進(jìn)行測(cè)試。該LSSVM分類器的分類效果的評(píng)價(jià)指標(biāo)為分類結(jié)果和分類識(shí)別率。測(cè)試結(jié)果如表2所示為60%。

由表2可見，所建的分類器對(duì)芳綸1313的識(shí)別率比阻燃黏膠的低，芳綸1313的識(shí)別率為40%，黏膠的識(shí)別率為80%?？偟淖R(shí)別率為正確分類(即值為1)的樣本數(shù)與總的測(cè)試樣本數(shù)之比為60%?？偟淖R(shí)別率不高，可能的原因有：1)實(shí)驗(yàn)材料的原因。采用束纖維拉伸雖然避免了單纖維拉伸離散度大、實(shí)驗(yàn)量大的缺點(diǎn)，但束纖維拉伸的聲發(fā)射信號(hào)中除了單根纖維的拉伸斷裂信號(hào)，還有纖維之間的摩擦等信號(hào)，在拉伸時(shí)情況比單纖維復(fù)雜的多，這可能會(huì)造成SVM的識(shí)別率低。2)EMD端點(diǎn)效應(yīng)的原因。SVM對(duì)特征的要求比較嚴(yán)格，經(jīng)邊際譜中提取的特征頻率含有因EMD端點(diǎn)效應(yīng)產(chǎn)生的虛假頻率，可能會(huì)造成SVM的識(shí)別率低。3)SVM本身的原因。雖然支持向量機(jī)擁有眾多優(yōu)勢(shì)，比如具有良好的泛化能力、能夠處理高維數(shù)據(jù)、具有更嚴(yán)格的理論和數(shù)學(xué)基礎(chǔ)等，然而作為一門新興的學(xué)科，仍舊存在很多問(wèn)題，比如分類的結(jié)果受核函數(shù)、參數(shù)等的影響。本文選擇的是徑向基核函數(shù)，參數(shù)沒有經(jīng)過(guò)優(yōu)化，這也是造成識(shí)別率低的可能原因。

表2 LS-SVM分類效果的評(píng)價(jià)指標(biāo)

5 結(jié) 論

本文主要研究了纖維拉伸聲發(fā)射信號(hào)的特征提取和分類方法，采用小波降噪的方法對(duì)2種纖維拉伸的聲發(fā)射信號(hào)進(jìn)行了降噪預(yù)處理，運(yùn)用HHT方法對(duì)降噪后的信號(hào)進(jìn)行了特征頻率提取，利用LSSVM分類器對(duì)2種纖維的特征頻率進(jìn)行了分類識(shí)別，得出如下結(jié)論：

1)采用聲發(fā)射技術(shù)可以獲得束纖維拉伸的聲發(fā)射信號(hào)，運(yùn)用小波降噪方法可以去除信號(hào)的一部分噪聲。

2)經(jīng)HHT分析表明，時(shí)頻譜可以從時(shí)間維度上反映纖維斷裂過(guò)程中頻率的變化情況，但因EMD的端點(diǎn)效應(yīng)產(chǎn)生了虛假頻率，參考時(shí)頻譜，可以從邊際譜上提取纖維拉伸斷裂的特征頻率。

3)運(yùn)用LSSVM可以對(duì)纖維拉伸斷裂的特征頻率進(jìn)行分類和識(shí)別，芳綸的識(shí)別率為40%，黏膠的識(shí)別率為80%，總的識(shí)別率為60%。這為多組分混紡紗中各組分纖維的斷裂過(guò)程分析提供了可行的研究方法。

[1] 許中林, 李國(guó)祿, 董天順，等. 聲發(fā)射信號(hào)分析與處理方法研究進(jìn)展[J]. 材料導(dǎo)報(bào), 2014, 28(5): 56-60.

XU Zhonglin, LI Guolu, DONG Tianshun , et al. Overview on development of acoustic emission signal analysis technique and processing[J]. Materials Review, 2014, 28(5): 56-60.

[2] 焦陽(yáng), 侯潔, 李光海，等. 聲發(fā)射信號(hào)處理技術(shù)及其在滾動(dòng)軸承檢測(cè)中的應(yīng)用現(xiàn)狀[J]. 河北科技大學(xué)學(xué)報(bào), 2013, 34(4): 313-317.

JIAO Yang, HOU Jie, LI Guanghai，et al. Acoustic emission signal processing techniques and its applications in rolling bearing test[J].Journal of Hebei University of Science and Technology, 2013, 34(4): 313-317.

[3] 孟慶豐. 信號(hào)特征提取方法與應(yīng)用研究[D]. 西安：西安電子科技大學(xué), 2006.

MENG Qingfeng. Study of Signal Feature Extraction and Applications[D]. Xi’an: Xidian University, 2006.

[4] HUANG N E , SHEN Z , LONG S R , et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J]. Proceedings of the Royal Society A Mathematical, 1998, 454(1971):903-995.

[5] CHANG C C, HSIAO T C, HSU H Y. Frequency range extension of spectral analysis of pulse rate variability based on Hilbert-Huang transform[J]. Medical & Biological Engineering,2014,52(4):343-351.

[6] 李孟源, 尚振東, 蔡海潮，等. 聲發(fā)射檢測(cè)及信號(hào)處理[M]. 北京: 科學(xué)出版社, 2010.

[7] 何廣堅(jiān), 邢宗義, 左成，等. 基于EMD與SVM的城軌列車滾動(dòng)軸承故障診斷方法研究[J]. 鐵路計(jì)算機(jī)應(yīng)用, 2015, 24(8):1-4.

HE Guangjian, XING Zongyi, ZUO Cheng , et al. Fault diagnosis method for rolling bearing of metro vehicle based on EMD and SVM [J].Railway Computer Application, 2015, 24(8):1-4.

[8] 王瑾, 林蘭天, 高琮,等. 基于核密度估計(jì)方法的滌棉混紡紗拉伸斷裂聲發(fā)射信號(hào)分析[J]. 河北科技大學(xué)學(xué)報(bào), 2016, 37(1): 83-87.

WANG Jin, LIN Lantian, GAO Cong, et al. Analysis of acoustic emission signal of polyester/cotton yarns in the moment of tensile fracture by kernel density estimation method[J]. Journal of Hebei University of Science and Technology, 2016, 37 (1): 83-87.

[9] 鐘佑明. 希爾伯特-黃變換局瞬信號(hào)分析理論的研究[D].重慶：重慶大學(xué)，2002.

ZHONG Youming. Research on the Local-instantaneous Signal Analysis Theory of the Hilbert-Huang Transform[D].Chongqing:Chongqing University,2002.

[10]薛亞靜, 林蘭天, 張福樂. 基于AE技術(shù)與HHT的環(huán)錠紗拉伸斷裂過(guò)程研究[J]. 河北科技大學(xué)學(xué)報(bào), 2015, 36(1): 73-79.

XUEYajing, LIN Lantian, ZHANG Fule. Research on tensile fracture process of ring-spun yarn based on AE technique and HHT[J]. Journal of Hebei University of Science and Technology, 2015, 36 (1): 73-79.

[11]時(shí)世晨, 單佩韋. 基于EEMD的信號(hào)處理方法分析和實(shí)現(xiàn)[J]. 現(xiàn)代電子技術(shù), 2011，34(1)：88-90.

SHI Shichen, SHAN Peiwei. Signal processing method based on ensemble empirical mode decomposition[J].Modern Electronics Technique, 2011，34(1)：88-90.

[12]鐘佑明, 秦樹人, 湯寶平. 希爾伯特-黃變換中邊際譜的研究[J]. 系統(tǒng)工程與電子技術(shù), 2004,26 (9): 1323-1326.

ZHONG Youming, QIN Shuren, TANG Baoping. Study on the marginal spectrum in Hilbert-Huang transform [J]. Systems Engineering and Electronics, 2004, 26 (9): 1323-1326.

[13]王醇濤, 陸金銘,周海港. 基于HHT邊際譜與SVM的柴油機(jī)故障診斷方法研究[J]. 航海工程, 2010,39(3):73-76.

WANG Chuntao, LU Jinming, ZHOU Haigang. Fault diagnosis of diesel engine based on HHT marginal spectrum and SVM method[J]. Ship & Ocean Engineering, 2010,39 (3): 73-76.

[14]賈春花. 基于HHT的果蠅振翅鳴聲特征提取及分類研究[D].西安: 陜西師范大學(xué), 2011.

JIA Chunhua. Research on Feature Extraction and Classification of Vibration Sound of Fruit Wings in the Flying Based on HHT Method[D].Xi’an : Shaanxi Normal University, 2011.

[15]楊雪. 支持向量機(jī)多類分類方法的研究[D]. 哈爾濱: 哈爾濱工程大學(xué), 2006.

YANG Xue. Research on Multi-class Classification Support Vector Machine [D]. Harbin: Harbin Engineering University, 2006.

[16]孫德山. 支持向量機(jī)分類與回歸方法研究[D]. 長(zhǎng)沙: 中南大學(xué), 2004.

SUN Deshan. The Researches on Support Vector Machine Classification and Regression Methods[D]. Changsha: Central South Univer-sity, 2004.

[17]邢永忠. 最小二乘支持向量機(jī)的若干問(wèn)題與應(yīng)用研究[D]. 南京: 南京理工大學(xué), 2009.

XING Yongzhong. On lssues and Applications of Least Squares Support Vector Machine[D]. Nanjing: Nanjing University of Science and Technology, 2009.

[18]劉東輝, 卞建鵬, 付平,等. 支持向量機(jī)最優(yōu)參數(shù)選擇的研究[J]. 河北科技大學(xué)學(xué)報(bào), 2009, 30(1): 58-61.

LIU Donghui, BIAN Jianpeng, FU Ping, et al. Study on the choice optimum parameters of support vector machine[J]. Journal of Hebei University of Science and Technology, 2009, 30(1): 58-61.

Research on feature extraction and classification of AE signals of fibers' tensile failure based on HHT and SVM

SHEN Yanding, LIN Lantian, ZHANG Lujia, GAO Cong, CAO Wanxia

(Fashion College, Shanghai University of Engineering Science, Shanghai 201620, China)

In order to study the feature extraction and recognition method of fibers' tensile failure, AE technology is used to collect AE signals of fiber bundle's tensile fracture of two kinds of fibers of Aramid 1313 and viscose. A transform called wavelet is used to deal with the signals to reduce noise. A method called Hilbert-Huang transform (HHT) is used to extract characteristic frequencies of the signals after the noise is reduced. And a classification method called Least Squares support vector machines (LSSVM) is used for the classification and recognition of characteristic frequencies of the two kinds of fibers. The results show that wavelet de-noise method can reduce some noise of the signals. Hilbert spectrum can reflect fracture circumstances of the two kinds of fibers in the time dimension to some extent. Characteristic frequencies' extraction can be done from marginal spectrum. The LSSVM can be used for the classification and recognition of characteristic frequencies. The recognition rates of Aramid 1313 and viscose reach 40%, 80% respectively, and the total recognition rate reaches 60%.

fiber detection technology; HHT; SVM; characteristic frequencies; acoustic emission(AE) technology; tensile failure

1008-1542(2016)05-0509-07

10.7535/hbkd.2016yx05013

2016-06-18；

2016-09-06；責(zé)任編輯：張 軍

山東沃源新型面料股份有限公司項(xiàng)目(E4-6000-14-0135)

申炎仃(1990—)，女，河南洛陽(yáng)人，碩士研究生，主要從事紡織品檢測(cè)方面的研究。

林蘭天教授。E-mail:llt39@126.com

TS107.2

A

申炎仃，林蘭天，張陸佳，等.基于HHT和SVM的纖維拉伸斷裂聲發(fā)射信號(hào)的特征提取及分類研究[J].河北科技大學(xué)學(xué)報(bào),2016,37(5):509-515.

SHEN Yanding, LIN Lantian, ZHANG Lujia, et al.Research on feature extraction and classification of AE signals of fibers' tensile failure based on HHT and SVM[J].Journal of Hebei University of Science and Technology,2016,37(5):509-515.