第1章　绪论

1.1　概述

随着现代科学和工业技术的迅速发展，工业现代化进程日新月异，高温、高压、高速度和高负荷，无疑已经成为现代工业的重要标志，但它的实现是建立在材料（构件）高质量基础上的。为了确保这些材料的质量，必须采用不破坏材料的形状，不改变其使用性能的检测方法，对产品进行百分之百的检测（或抽检），以确保产品的安全可靠性，这就需要用到无损检测技术。无损检测技术以不损害使用对象的使用性能为前提，应用多种物理原理和化学现象，对各种工程材料、零部件、结构件进行有效的检测和测试。

作为新兴的动态无损检测技术，声发射技术克服了传统无损检测技术的很多缺点。基于声发射技术的裂纹检测通过监测构件裂纹生长过程中释放的能量，无需对构件施加激励，就能够检测损伤的位置、类型及其变化过程。在使用中，只需要在构件合适的位置安装声发射传感器，这非常有利于实现实时在线检测。利用声发射技术进行监测，可以在被检测对象疲劳试验中及时地检测到损伤的产生、损伤的位置及损伤类型等信息，因此研究声发射检测技术，改进和提高损伤检测的效率和精度，对准确评估被检测对象寿命及安全性是非常有意义的，而声发射检测技术的关键是声发射信号的处理算法，因此本书针对声发射信号处理算法展开研究。

本书通过对多种材料试件进行断铅试验，获取衰减特性数据，利用能量和幅值参数分析了声发射信号的距离衰减特性。针对传统小波包分析存在的能量泄露、不同层分辨率不同、频带选取不灵活问题，利用谐波小波包分析声发射信号在各个频带上的衰减特性，获取两种试件上声发射信号的特征频带，为声发射传感器布置提供依据。

为解决声发射信号的去噪问题，针对小波去噪存在的去噪效果受信号特点及小波基函数的影响和只适用于高信噪比的缺点，研究基于经验模态分解和小波阈值去噪相结合的声发射信号去噪方法，包括IMFWavelet去噪方法，EMD-Wavelet去噪方法和Wavelet-EMD去噪方法，这些方法利用EMD对信号的自适应分解特性及适合于低信噪比去噪的优点弥补小波去噪的不足，通过标准信号和断铅模拟声发射信号去噪性能对比表明，Wavelet-EMD方法无论在高信噪比情况下，还是在低信噪比情况下，都具有较稳定的去噪效果。

为解决声发射源定位问题，针对基于神经网络智能定位方法中存在的局部最优、大样本、过学习及网络结构难以确定等缺点，研究基于最小二乘支持向量回归的声发射源线性定位方法和基于多输出支持向量回归的声发射源平面定位方法。该方法利用支持向量机在全局寻优、收敛速度及小样本预测上的优势弥补神经网络的不足，通过对碳纤维材料试件断铅定位试验结果表明，LS-SVM回归线性定位方法和M-SVR平面定位算法均达到了一定的精度，并且在收敛速度和定位精度上都优于神经网络定位器，并且在小样本下更具优势。

为解决声发射源类型识别问题，研究基于谐波小波包特征提取和支持向量机多分类的声发射源识别方法。谐波小波包分解克服了传统小波包分解能量泄露、频带选取不灵活、不同层频率分辨率不同的缺点，更精确地提取了声发射源类型特征。利用聚类算法设计层次支持向量多分类器。通过试件压断试验声发射信号识别结果表明，谐波小波包特征提取方法有效地提取了声发射类型特征，在计算效率和特征区分度上均优于传统小波包特征提取方法，模型优化后SVM多分类器具有更好的整体性能，有效地解决了声发射源识别的小样本问题。

针对支持向量机的模型参数优化问题，研究基于小生境粒子群算法的支持向量回归线性定位器和支持向量二分类器的参数优化方法。前者利用k-遍历交叉检验来评价LS-SVM回归的泛化能力，优选的参数保证LS-SVM回归线性定位器的定误差最小。后者利用基于分类正确率和结构复杂度的评价函数评价SVM二分类器的分类性能，优选的参数保证分类识别率最高且分类器结构最简单。