基于短时能量的声发射源定位方法研究

赵江海，杨 慧，顾菊平，叶晓东

声发射(Acoustic Emission，AE)是指结构内部损伤源迅速释放能量而产生瞬间弹性波的物理现象［1］。声发射源定位是声发射监测与评定中一个至关重要的指标。声发射源定位方法主要包括基于时间差、声压比、可控波束和高分辨率谱估计等［2］。其中，基于时间差的定位方法运算量小，实时性好，成本低，是最常用的一种方法。目前，时延估计的方法很多。Kosel等［3］研究得到独立分量分析的方法可以用来估计在铝材料中检测到的两个独立声发射信号之间的时间差。Bhardwaj等［4］提出基于最大似然估计的多声道时延估计方法。Le等［5］提出用短时互相关法来估计两个传感器接收到的声发射信号之间的时间差。除此之外，国内的一些学者也做了相关研究。唐小明等［6］对时延估计中最常用的广义互相关法进行了详细研究，对取不同加权函数的情况进行了仿真分析。金留念［7］在研究了二次相关法时延估计的基础上，提出了用希尔伯特变换对二次相关的峰值进行锐化处理，以在低信噪比下得到较高的时延估计精度。甘世明等［8］将基于互相关和基于LMS自适应时延估计进行了比较，得出基于LMS自适应时延估计方法具有较高的抗干扰能力和时延估计精度。

本文中，在分析了声发射信号和语音信号的共同点——非线性、非平稳的基础上，首次将语音信号的端点检测方法应用到声发射信号的到达时间的测定中。将基于经验模态分解(EMD)的信号预处理和基于短时能量的端点检测相结合，求得声发射信号到达各传感器的时间，进而对声发射源进行定位。并通过光纤F－P双探头传感器进行对比实验，验证了此方法相比于传统的互相关法，具有较高的精度。

1 声发射信号到达时间估计

语音信号端点检测技术就是从一段包含语音的信号中准确地确定语音的起始点和终止点，从而区分语音信号和非语音信号，是语音处理技术中的一个重要方面。由于语音信号和声发射信号具有共同特征——非线性、非平稳性，所以本文提出将语音信号的端点检测应用于传感器接收到的声发射信号的到达时间的测定。

在端点检测的诸多方法中，短时能量法是一种简单有效的方法。和语音信号相似，声发射信号和噪声信号在能量上存在很大的差别，声发射信号段的能量是噪声能量和声发射信号能量叠加之和，比单纯的噪声段的能量大很多。因此，只要计算出采集信号的短时能量，就能把声发射信号段和噪声段区分开，可以确定声发射信号到达传感器的时间，从而能确定两个传感器之间的时间差。

信号的短时能量定义如下:

其中:w(n)为窗函数，一般取矩形窗或Hamming窗，本文使用的是窗长为80的Hamming窗函数。一个N点的Hamming窗函数的定义如下:

如图1所示，图(a)为进行了归一化和滤波之后的声发射信号，图(b)为对图(a)中的声发射信号求得的短时能量。图(c)为图(b)中短时能量的局部放大图。

图1 (a)声发射信号滤波归一化处理 (b)处理后信号的短时能量 (c)信号短时能量的局部放大图Fig.1(a)Filter process of the normalized acoustic emission signal(b)Short-time energy of the processed signal (c)Local enlarged view of the short-time energy

在确定各传感器接收到的声发射信号到达时间时，根据语音信号端点检测的方法，通常采用门限法。如图(c)所示，首先，根据声发射信号短时能量的曲线选择一个较高的门限T1，进行一次粗略的判断，声发射信号到达传感器的时间位于该门限T1与短时能量包络交点A的左端;然后，根据采集到的声发射信号背景噪声的平均能量确定一个较低的门限T2，从而确定噪声和声发射信号的分离点B，即得出声发射信号到达传感器的时间。

常规的时延估计方法主要包括基本互相关法、广义互相关法、基于最大似然估计的时延估计法、基于LMS自适应时延估计法和二次相关法等。这些方法的共同点是两个传感器之间声发射信号的时间差是通过对两路信号进行相应的计算得到的，于是时延估计结果是由两路信号共同决定的，这就要求各传感器的参数特性相同。实际上，两个传感器之间的参数特性并不是完全相同的，这就导致接收到的声发射信号的相位和幅值等存在差异，影响了时延估计的精度。从以上对短时能量法的分析中可以看出，这种方法中信号到达各个传感器的时间估计是相互独立的。对每个传感器接受的声发射信号求短时能量时，门限值的设定基于各自的背景噪声，根据信号本身的特征进行门限值的确定和短时能量的计算，能够更加准确地区分噪声和有用信号，从而得到声发射信号的到达时间。

2 声发射源定位

在声发射检测过程中，谐振式压电传感器是一种常用的声发射传感器，具有结构简单、功耗小、寿命长、动态特性好等特点，但其频带窄，不能在电磁干扰强、高温及腐蚀等恶劣环境下使用。近年来，随着光纤传感技术的不断发展，光纤声发射传感器在无损检测领域得到了越来越广泛的应用。

本文采用的光纤F－P传感器的传感探头由两段端部抛光的单模光纤与石英毛细管构成，激光器输出的光进入F－P腔产生干涉，F－P腔返回的干涉光经光电探测器转换成电信号。其中，当F－P腔长位于转换函数的正交点时，传感器具有最大灵敏度;而当F－P腔长位于转换函数的波峰或波谷时，传感器灵敏度最低［9］。所以文中采用双传感探头的方法，将两个相位相差90°的传感探头放置在同一处，以保证每路传感器都能成功检测到声发射信号。文中所采用的光纤F－P传感器的测量精度约为9.4 nm，频率响应上限约为300 kHz。

本文主要对声发射源线定位和平面定位进行研究。由于在声发射源定位中，声速的测量精度直接影响定位精度，所以本文中通过增加一个传感器来达到不用测量声速的目的。

如图2所示是声发射源线定位示意图，按图放置传感器，并记下1、2、3号传感器的坐标位置，分别为a、b、c，模拟源的坐标为x。设模拟声发射源到达各传感器的时间为ti(i=1，2，3)，声波的传播速度为v，则由几何关系得出以下方程:

图2 声发射源线定位示意图Fig.2 Schematic diagram of acoustic emission source line location

如图3所示是声发射源平面定位的示意图，按图放置传感器，并记下各个传感器的坐标位置。设模拟声发射源和各传感器之间的距离为li(i=1，2，3，4)，模拟声发射源到达各传感器的时间为ti(i=1，2，3，4)，声波的传播速度为v，则由几何关系得出以下方程:

3 实验

本文对一块50 cm×50 cm的方形钢板进行声发射源线定位和平面定位实验。其中，用钢球的自由落体来模拟声发射源［10］。在放置光纤F－P传感器时，以光纤探头的中点为基准。声发射源定位实验的实物图如图4所示。

图3 声发射源平面定位示意图Fig.3 Schematic diagram of acoustic emission source plane location

图4 声发射源定位实物图Fig.4 Picture of acoustic emission source location

按照图4中的方案进行定位实验，首先运用经验模态分解(Empirical Mode Decomposition，EMD)［11］对声发射信号进行滤波去噪，再通过求滤波后信号的短时能量，得到各路信号到达传感器的时间，从而求出它们的时间差，最后根据文中所提出的线定位和平面定位方案计算出模拟声发射源的坐标位置。其中，声发射信号的滤波去噪处理是定位中的一个重要步骤。目前，广义S变换、中值滤波、多尺度形态滤波、小波变换、经验模态分解等方法被应用到声发射源的滤波处理中。其中，由于小波变换在时频域都具有很强的表征信号局部特征的能力而被广泛应用，但小波基函数和阈值的选择不同会导致滤波结果存在很大差异。经验模态分解法是1998年提出的一种适用于非线性、非平稳信号的分析方法，它根据信号自身的时间尺度特征进行信号分解，无须设定基函数，是对声发射信号进行滤波去噪的有效方法。

实验中，信号的采样频率为160 kHz，每次采集8 000个数据。如图5所示，为对声发射源线定位实验中3路光纤F－P传感器接收到的有效信号进行相关处理得到的波形。首先对F－P光纤传感器接受到的声发射信号进行归一化处理，再运用经验模态分解对归一化信号进行滤波处理，最后通过求短时能量得到声发射信号到达各传感器的时间，并根据文中所描述的定位方法进行定位。其中，三个传感器的坐标值分别为0、24、34(单位:cm)。如表1和表2所示，分别为基于短时能量和基于互相关法的声发射源线定位结果及对应的相对误差。

图5 线定位声发射信号处理Fig.5 Process of the acoustic emission signals of line location

表1 基于短时能量的线定位实验结果及相对误差Tab.1 Experimental results and its relative error of line location based on short-time energy

表2 基于互相关法的线定位实验结果及相对误差Tab.2 Experimental results and its relative error of line location based on cross－correlation

图6 平面定位声发射信号处理Fig.6 Process of the acoustic emission signals of plane location

如图6所示，为对声发射源平面定位实验中4路光纤F－P传感器接受到的有效信号进行相关处理得到的波形。处理过程与线定位相同，其中，四个传感器的坐标值分别为(0，30)、(30，30)、(0，0)、(30，0)(单位:cm)。

如表3和表4所示，分别为基于短时能量和基于互相关法的声发射源线定位结果及对应的相对误差。

表3 基于短时能量的线定位实验结果及相对误差Tab.3 Experimental results and its relative error of plane location based on short－time energy

表4 基于互相关法的线定位实验结果及相对误差Tab.4 Experimental results and its relative error of plane location based on cross－correlation

通过上述图表中实际值和理论值的相对误差，以及基于短时能量法和互相关法的定位误差进行比较。可以看出，本次实验中基于短时能量法的绝对定位误差控制在4.9 mm内，相对误差控制在4.67%内，比基于互相关法的声发射源定位精度有明显提高。本文中，声发射源定位误差主要来自于声发射信号到达时间的估计误差。当每路光纤F－P传感器接收信号的到达时间测定绝对误差一定时，两路传感器信号之间实际时间差越大，时延估计的相对误差就越小。也就是说，当各路传感器之间的间距越大，声发射源定位的相对误差就越小。通过以上误差分析可以看出，此方法在用于检测一般尺寸以及更大尺寸的工件例如管道等时会达到更高的相对定位精度。另一方面，由于声发射信号在钢板中的传播速度很高，通常达到几千米每秒，这就导致微秒级的时延估计误差将会产生接近厘米级的定位误差。而实际实验过程中，传感器的排列以及模拟声发射源位置难免存在一些人为因素造成的误差，会影响定位精度。因此，在实验过程中精确分布传感器以及模拟声发射源的位置也可以有效提高声发射源定位精度。

4 结论

本文在分析了基于短时能量的语音信号端点检测原理的基础上，提出将短时能量法用于声发射信号到达时间的测定。采用信号本身的特性设置门限值，有效避免了传统时延估计方法中两个传感器参数特性差异而导致的时延估计误差。在实验过程中，运用光纤F－P传感器采集声发射信号，并采用双传感探头的方法来保证每路信号的正常采集。对采集到的有效信号，运用经验模态分解法进行滤波去噪处理。从实验结果看出，基于短时能量的相对定位误差控制在4.67%之内，相较于基于互相关法的声发射源定位，具有更高的定位精度。

［1］Zhao J H，Shi Y K，Shan N，et al.Stabilized fiber-optic extrinsic Fabry-Perot sensor system for acoustic emission measurement［J］.Optics ＆ Laser Technology，2008，40:874－880.

［2］姬庆华.基于到达时间差(TDOA)技术的振动平面定位算法研究［D］.沈阳:沈阳理工大学，2010.

［3］ Kosel T，Grabec I，Kosel F.Time-delay estimation of acoustic emission signals using ICA［J］.Original Research Article Ultrasonics，2002，40(1 －8):303 －306.

［4］Bhardwaj T P，Nath R.Maximum likelihood estimation of time delays in multipath acoustic channel［J］. Signal Processing.2010，90(5):1750－1754.

［5］ Le D A，Eddine H S，Plantier G，et al.Time delay estimation for acoustic source location by means of short-time cross-correlation［J］.Sensors，2011 IEEE.2011:1885－1888.

［6］唐小明，吴 昊，刘志坤.基于广义互相关算法的时延估计研究［J］.电声技术，2009，33(8):71－74.TANG Xiao-ming， WU Hao， LIU Zhi-kun. Time-delay estimation based on generalized cross correlation［J］.Audio Engineering，2009，33(8):71－74.

［7］金留念.基于二次相关的时延估计方法研究［J］.电子信息对抗技术，2011，26(1):39－42.JIN Liu-nian.Research on time delay estimation based on second correlation［J］. Electronic Information Warfare Technology，2011，26(1):39－42.

［8］甘世明，郭秀珍，于世伟，等.互相关时延估计与基于LMS自适应时延估计对比［J］.科技信息，2010，11:78－79.GAN Shi-ming，GUO Xiu-zhen，YU Shi-wei，et al.The comparison between cross-correlation time-delay estimation and LMSself-adaptive time-delay estimation［J］.Sciemce ＆Technology Information，2010，11:494 －495.

［9］赵江海.光纤声发射传感器机理研究［D］.西安:西北工业大学，2007.

［10］ Huang N E.The empirical mode decomposition and the hilbert spectrum for nonlinear and non-stationary time series analysis［J］.Proc Rsoc Lond A，1998，454:903 －995.

［11］袁振明，马羽宽，何泽云.声发射技术及其应用［M］.北京:机械工业出版社，1985.