基于小波包特征熵的碳纤维复合材料损伤声发射信号特征提取方法

马云阔，戴 光，李 伟，蒋 鹏

(东北石油大学 机械科学与工程学院，大庆 163318)

基于小波包特征熵的碳纤维复合材料损伤声发射信号特征提取方法

马云阔，戴 光，李 伟，蒋 鹏

(东北石油大学 机械科学与工程学院，大庆 163318)

针对碳纤维复合材料层合板弯曲失效过程开展了声发射监测试验，并对试验采集的声发射信号进行了K-均值聚类分析，提取了不同损伤类型的声发射信号，对每种损伤类型的信号利用小波包特征熵的分析方法，选取能反映不同损伤类型的特征参数，实现对碳纤维复合材料不同损伤信号的有效识别，为碳纤维复合材料的损伤监测提供了理论依据。

碳纤维复合材料；声发射；K-均值聚类；小波包特征熵

碳纤维增强复合材料(Carbon Fiber Reinforced Polymer,CFRP)是一种新型的材料，具有高比强度和比模量、耐疲劳、性能可设计等诸多优点，一直备受人们的关注[1]。声发射是一种动态无损检测技术，材料的损伤造成局部能量快速释放，产生的瞬态弹性波是声发射主要的声源激励[2]。碳纤维复合材料在受力过程中会出现如基体开裂、纤维断裂、界面分层等宏观损伤失效模式；而碳纤维复合材料自身的多层材料复合和力学的各项异性，会使得其损伤模式较为复杂且相互混叠，传统的声发射参量分析难以准确识别不同的损伤类型[3]。

笔者首先运用K-均值聚类分析方法，针对T700碳纤维平板受压损伤过程声发射信号，进行基于互相关特征的时域信号分类，实现不同宏观损伤模式声发射信号的特征提取，再对处理后的信号进行小波包分解与重构，计算得到各节点的小波包特征熵值，进而利用不同损伤模式的小波包熵值，实现对碳纤维复合材料各损伤类型的综合描述和提取。

1 理论基础

1.1 小波包分解

小波分析具有良好的时-频局部化特性，非常适用于瞬态、时变等非稳态信号分析。小波包变换是基于小波变换的进一步发展，能够提供比小波变换更高的分辨率[4]。小波包分析能够为信号提供一种更精细的分析方法，其将频带进行多层次的划分，不仅对低频部分，对有细节的高频部分也能进一步分解，并能根据信号的特征，自适应地选择相应的频带，使之与信号频谱相匹配，提高时频分辨率。

碳纤维复合材料损伤信号可以进行小波包[5]分解。

(1)

式中：h(k)为低通滤波器组；g(k)为高通滤波器组。

通过式(1)可以看出，碳纤维复合材料损伤信号的小波包分解其实是CFRP损伤信号通过高通和低通组合滤波器组，对信号的每一层分解都将原始信号分别分配到两个不同的频率通道，然后再对高频和低频部分做上一次的分解而最终达到要求的。

1.2 小波包特征熵

对信号进行j层小波包分解，从而得到分解后的子序列为S(j，k)，其中k=0,…,2j-1，在此对信号的小波包分解看成是一种时域角度的划分，划分方法[6-7]为

(2)

再由信息熵的基本理论，定义小波包特征熵[8-9]为

(3)

式中：H(j，k)为碳纤维复合材料损伤信号的第j层的第k个小波包特征熵值。

以小波包特征熵为特征参数提取碳纤维复合材料损伤声发射信号的特性信息，进而研究小波包特征熵识别方法用于CFRP损伤声发射信号识别的分析效果。其中CFRP损伤声发射信号小波包特征熵的提取步骤如下所述。

(1) 信号分解与重构：对聚类后的信号进行3层小波包分解，分解后得到第3层8个小波包系数，并对每个节点进行重构。

(2) 信号小波包特征熵提取：根据式(2)和(3)，求出信号的8个小波包特征熵值。

(3) 构造小波包特征向量：以求得的8个小波包特征向量为元素构造特征向量T=[H3，0,H3，1,H3，2,H3，3,H3，4,H3，5H3，6,H3，7]。

2 试验方法

2.1 试件及夹具 试件采用日本东丽公司生产的T700环氧树脂基碳纤维复合材料层合板，铺层方式为[45°/-45°]14。试件加工成规格为200 mm×200 mm×2 mm(长×宽×高)的正方形层合板，四边分别设计宽20 mm的边框，用于与夹具相连。在碳纤维复合材料层合板边沿进行打孔处理，用于层合板和夹具的固定，T700碳纤维试件与夹具实物如图1所示。

图1 T700碳纤维复合材料试件与夹具实物

2.2 试验系统

T700碳纤维复合材料层合板弯曲损伤声发射监测试验系统由CMT-5000型万能试验机、PCI-8声发射系统、WD型宽频传感器、2/4/6前置放大器等组成。将4个WD型宽频带传感器组成平面定位阵列布置在试件上，试验开始前采用铅芯断裂法(标准QJ 2914-97 《复合材料结构件声发射检测方法》)进行系统标定。声发射检测仪参数设置如表1所示。

采用的声发射监测试验系统如图2所示。以1 mm/min的速率对试件进行连续加载直至试件破坏失效，观察记录试件失效过程中的损伤破坏形式、力学响应和试验现象，并对其声发射信号进行采集。

表1 声发射检测仪参数设置

图2 声发射监测试验系统示意

图3 特征相关层次结构

3 试验结果分析

3.1K-均值聚类分析

K-均值聚类是一种常用且十分高效的离散信号聚类方法，笔者首先对声发射信号进行相关性分析和K-均值聚类，并通过模式识别判断碳纤维复合材料层合板的损伤类型。K-均值聚类结果的准确性主要受特征参量选取的影响，聚类分析之前选取相关性最高的参量作为输出向量，特征相关层次结构如图3所示，由图中可以看出计数和幅值相关度达到了0.85以上，以此作为聚类分析的参量。K-均值聚类参数k由BD准则(相关分析中选取最优聚类个数的准则)决定，数值最小时为最优值，图4为最优聚类个数折线图，可知k值取3。

图4 最优聚类个数折线图

[45°/-45°]14试件弯曲损伤信号模式识别结果如图5所示，红色信号出现在20 s左右，之后在整个试验过程中一直存在，幅值集中在40～60 dB，且能量较小，相比于其他信号活性较弱，此类信号为基体开裂；蓝色信号出现在190 s左右，幅值主要集中在55～80 dB，比红色信号较高，此类信号为界面分层；绿色信号开始少量出现于450 s左右，之后逐渐增多，此类信号幅值较高，集中在80～99 dB，计数较小且能量较大，此类信号为纤维断裂。

图5 [45°/-45°]14试件弯曲损伤信号模式识别结果

3.2 碳纤维复合材料层合板损伤小波包特征熵提取 由K-均值聚类可以分析CFRP层合板损伤声发射信号的特征类型，然后将3种损伤声发射信号进行3层小波包分解与重构，共得到8个节点的小波包频带参量，其信号的原始及小波包重构波形如图6所示。由式(2)和式(3)求得新时域序列的小波包特征熵，并将所求得的3种类型损伤声发射信号的小波包特征熵值进行归纳，选取有代表性的9组小波包特征熵值进行分析，不同损伤类型的小波包特征熵值如表2所示。

表2 碳纤维复合材料层合板不同损伤类型的小波包特征熵

图6 碳纤维复合材料层合板声发射信号的原始及 小波包重构波形

从表2可知，当碳纤维复合材料层合板出现受压破坏时，不同的损伤类型引起的小波包节点的小波包特征熵的数值有规律性的变化。当发生基体开裂时，小波包特征熵H(3，1)和H(3，3)发生明显变化，而根据K-均值聚类分析所得的相对应基体开裂信号的平均幅值主要分布范围为40～60 dB，不同信号小波包节点熵值与幅值对比如图7所示。当发生分层损伤时，小波包特征熵H(3，3)变化明显且熵值比基体开裂大，但同时节点H(3，6)熵值也有较大变化，这主要是因为在界面分层损伤的过程中也会伴随少量纤维断裂信号，因此信号的频率组成中包含少量高频成分，此时界面分层幅值分布范围为60～80 dB；而当发生纤维断裂时，小波包特征熵值较基体开裂和界面分层大，且小波包特征熵H(3，6)增大，此时幅值较高，分布范围为80～99 dB。

将不同损伤类型的碳纤维复合材料损伤信号，保留小波熵值最高的节点，图8为不同损伤类型的小波包特征熵分布。从图8可看出,不同损伤类型的小波熵值有所差异，在频率范围也存在明显差别。界面分层信号最多，频率分布在200 kHz～320 kHz；其次是基体开裂信号的频率分布较低，分布范围为128 kHz～256 kHz和384 kHz～512 kHz，且多分布于128 kHz～256 kHz；最少的是纤维断裂信号，且频率最高，分布范围为448 kHz～512 kHz。

不同损伤类型的碳纤维复合材料小波包特征熵差别较大，这是因为不同类型损伤的声源强度有所不同，同时由于复合材料各种损伤类型的相互叠加破坏了能量分布的均匀性，引起了小波包特征熵值相应的变化。因此，小波包特征熵值可以用于碳纤维复合材料不同损伤的准确识别。

图7 碳纤维复合材料层合板不同信号小波包节点熵值与幅值对比

图8 碳纤维复合材料层合板不同损伤类型的 小波包特征熵分布

4 结语

结合小波包与信息熵的理论，利用小波包特征熵分析方法，对碳纤维复合材层合板损伤信号进行了K-均值聚类分析，得到不同的损伤类型，并对每种损伤信号进行小波包分解与重构，提取小波包特征熵值，得出不同的损伤类型引起不同节点的小波包特征熵值的变化的结论。该方法能很好地识别碳纤维复合材料损伤类型，较好地解决了碳纤维复合材料损伤复杂，声发射信号较难识别的问题，进而实现了基于声发射技术的碳纤维复合材料损伤过程的准确评价。

[1] 中国航空研究院.复合材料结构设计手册[M].北京：航空工业出版社，2001：135-160.

[2] 戴光. 声发射检测技术在中国——庆祝中国机械工程学会无损检测分会成立三十周年[J].无损检测,2008,30(7):389-394.

[3] 习年生，于志成，陶春虎.纤维增强复合材料的损伤特征及失效分析方法[J].航空材料学报，2000，20(2)：55-63.

[4] 李建忠，刘国奇，陈振华.基于小波包分解的不锈钢焊缝超声TOFD检测信号及缺陷信号提取[J].无损检测，2015，37(1)：39-41.

[5] 程正兴.小波分析算法与应用[M].西安：西安交通大学出版社，1998.

[6] 桂中华，韩凤琴.小波包特征熵神经网络在尾水管故障诊断中的应用[J].中国电机工程学报，2005，25(4)：100-102.

[7] JUAN F R.Wavelet packet energy, tsallis entropy and statistical parameterization for support vector-based and neural-based classification of mammographic regions [J]. Neurocomputing, 2012, 77(1):82-94.

[8] 王利英.小波包特征熵-神经网络在轴承故障诊断中的应用[J].河北工程大学学报(自然科学版)，2008，25(1)：50-52.

[9] SAMI E, SELCUK Y. Energy and entropy-based feature extraction for locating fault on transmission lines by using neural network and wavelet packet decomposition [J]. Expert Systems with Applications, 2008, 34(4):2937-2944.

Feature Extraction Method of Carbon Fiber Composites Damage Acoustic Emission SignalsBased on Wavelet Packet-Characteristic Entropy

MA Yunkuo, DAI Guang, LI Wei, JIANG Peng

(Institute of Mechanical and Engineering, Northeast Petroleum University, Daqing 163318, China)

In this paper, the acoustic emission monitoring test was used for bending failure process of carbon fiber composite laminated plate.K-means cluster analysis was applied to processing the acoustic emission signals that were collected from experiments. Acoustic emission signals of different damage types were extracted. The analysis method of wavelet packet feature entropy was used to select the characteristic parameter that can reflect different damage types in signal for each damage types. The different damage signals of carbon fiber composites can be identified effectively. It provides the oretical basis for damage monitoring of carbon fiber composite.

carbon fiber composite; acoustic emission;K-means cluster; wavelet packet-characteristic entropy

2017-01-16

黑龙江省自然科学基金资助项目(E2016012)

马云阔(1981-)，男，教授，硕士，主要从事材料特性研究工作

蒋 鹏，jpnepu@163.com

10.11973/wsjc201705016

TG115.28

A

1000-6656(2017)05-0076-05