申炎仃，林兰天，张陆佳，高 琮，曹晚霞

(上海工程技术大学服装学院，上海 201620)



基于HHT和SVM的纤维拉伸断裂声发射信号的特征提取及分类研究

申炎仃，林兰天，张陆佳，高 琮，曹晚霞

(上海工程技术大学服装学院，上海 201620)

为了研究纤维拉伸断裂声发射信号的特征提取及分类方法，采用声发射技术采集了芳纶1313和阻燃黏胶2种纤维的拉伸断裂的声发射信号。通过小波变换，对采集的2种纤维的声发射信号进行消噪预处理以去除部分噪声，应用希尔伯特-黄变换对2种纤维去噪后的信号进行特征频率的提取，运用最小二乘支持向量机(LSSVM)对2种纤维的特征频率进行分类识别。结果表明：小波去噪方法可以去除信号的部分噪声；希尔伯特时频谱可以一定程度上反映2种纤维材料在时间维度上的断裂情况，边际谱上可以提取2种纤维材料声发射信号的特征频率；LSSVM能够对2种纤维材料拉伸断裂的特征频率分类识别，芳纶1313的识别率为40%，阻燃黏胶的识别率为80%，总的识别率为60%。

纤维检测技术；HHT；SVM；特征频率；声发射技术；拉伸断裂

关于纱线拉伸断裂机理的研究多集中在对纱线的力学分析上，研究者多通过模型假设来简化纱线和织物结构，构建纱线或织物的拉伸性能预测模型，这种方法使预测精度受限。

声发射(acoustic emission，AE)也称为应力波发射，指材料局部因能量的快速释放而发出瞬态弹性波的现象。声发射技术是借助声发射检测系统对声发射信号进行采集、记录、分析并对声发射源的强度、位置、发生条件等性质进行评价的一种技术[1]。声发射检测方法具有信号响应时间短、信息量大、可实时显示、检测设备安装操作简便等优势[2]，近几十年来发展迅速，已被广泛应用于诸多领域。

信号特征提取是从信号中获取信息的过程，其方法是信号处理的研究重点[3]。材料拉伸断裂的声发射信号是一种非线性、非平稳的时域信号，希尔伯特-黄变换(HHT)具有较高的解析分辨率，适用于这类信号的处理，在材料拉伸断裂研究中的应用在迅速扩大[4-6]。

采用声发射技术采集了2种纤维的纤维束拉伸的声发射信号，通过小波对信号去噪、HHT对去噪后的信号提取特征、SVM对特征分类，为多组分混纺纱中各组分纤维的断裂过程分析作准备。

1 实验设计

1.1 实验材料与仪器

图1 纤维拉伸声发射信号采集平台简图Fig.1 Platform diagram of AE signal’s acquisition of fibers’ drawing

实验材料：芳纶1313丝束和阻燃黏胶丝束。

实验仪器组成：纤维拉伸声发射信号采集平台由YG065C型电子织物强力机、PVDF传感器、数据采集仪和计算机构成，见图1。

1.2 实验方案

1.2.1 实验方法

PVDF传感器背面贴3M软磁铁， 以信号传输线与信号采集卡、信号采集软件相连；传感器以一套夹持装置悬空置于强力机上下夹头中间位置，且与强力机上下夹头处于同一平面。 实验样本两端夹持于强力机上下夹头之上，微调传感器的前后位置，使之与样本纤维表面保持轻微接触。取一薄铁片(尺寸与传感器相匹配)涂上适量的凡士林，贴在样本正面，使样本纤维与传感器充分接触。

1.2.2 实验条件

温度为t=(25±2) ℃，相对湿度为(65±2)%。实验前将试验样本置于标准条件下放置24 h，以使样本达到平衡回潮率。

1.2.3 参数设置

电子织物强力机：选择定速拉伸功能，拉伸速度为250 mm/min，拉伸隔距为70 mm，每组试验次数为10次。

数据采集软件参数：采样频率为10 MHz/s，采样点数为2×106个，采样启动阈值为10 mV。

1.3 实验过程

为保证纤维拉伸声发射信号的准确采集，分别在空载(即不夹持样本)的情况下和夹持样本的情况下进行拉伸，发现有明显针尖状的信号为纤维拉伸的声发射信号。

对2种纤维丝束分别标记为A,B，每种纤维丝束各进行10次定速拉伸，采集的信号分别记为A-1到A-10，B-1到B-10。

2 声发射信号的预处理

对芳纶1313丝束和黏胶丝束进行拉伸实验，采集到的声发射信号中夹杂有大量的噪声。为更准确地对纤维拉伸的声发射信号进行分析，必须对采集到的信号进行降噪处理。本研究采用小波降噪，影响小波降噪效果的是小波基和分解层数，常用的小波基为sym小波基和dbN小波基。采用的小波的分解层数过少可能导致去除噪声不干净，影响后续的进一步处理；采用的分解层数过多则可能导致将部分特征信号作为噪声处理的结果。合适的分解层数为5～11。

本研究选择小波包阈值降噪方法，选择sym6小波基，小波层数选择为5层。以Matlab为平台编制小波降噪程序，对2种纤维丝束拉伸的声发射信号进行降噪处理，小波降噪前后的对比图见图2和图3。

图2 芳纶1313丝束拉伸的声发射的原始信号和降噪后信号Fig.2 Original signals and de-noised signals of AE signals of fibers tow’s drawing of Aramid 1313

图3 黏胶丝束拉伸声发射的原始信号和降噪后的信号Fig.3 Original signals and de-noised signals of AE signals of fibers tow’s drawing of viscose

由图2和图3可见，经小波降噪后，纤维束拉伸断裂的声发射信号中噪声杂刺明显少了，曲线平滑了许多，表明小波降噪有效果。

3 基于HHT的纤维拉伸断裂声发射信号的特征提取

3.1 信号的截取

采集到的声发射信号数据长度为2×106，其中纤维断裂的声发射信号只占很少部分，大部分噪声信号(小波去噪仅去掉了一部分噪声)的存在会一定程度上干扰后续的特征提取，同时会增加处理时间，因此可以对采集到的信号进行截取，对有效信号进行分析。

在确定断裂区信号的数据长度时，以Matlab软件为平台编制相关程序，读取信号数据并绘制图形。通过分析发现，不仅不同种类的纤维，纤维断裂信号的时域长度不同，即使同种纤维，不同样本的纤维断裂信号的时域长度也有差异。经对2种纤维束的样本信号进行统计，发现一般纤维束断裂信号中数据点数最多不超过6 000点，故确定纤维断裂时域信号截取长度包含的采集点数为6 000点。

在确定截取信号起始点和终止点时，一方面考虑到截取的信号应包含纤维集中断裂时刻，其前后附近蕴含的纤维断裂信息量最丰富；另一方面考虑到纤维在断裂之前，由于被拉伸的纤维已经发生了结构性的变化，也含有特征信息，故确定截取的信号的区间以纤维断裂峰值点为中心左右各取3 000点。2种纤维的拉伸断裂声发射信号如图4和图5所示。

图4 芳纶1313的截取信号Fig.4 Intercept signals of Aramid 1313

图5 黏胶的截取信号Fig.5 Intercept signals of viscose

3.2 HHT

时域内特征不明显的振动信号往往在频域内会出现明显的特征，因此振动信号特征提取多从频域内进行。振动信号特征提取在频域内一般将信号分解为多个分量并计算每一个分量的特征值，以提取原始信号的特征。常用的信号分解方法包括傅里叶变换、希尔伯特-黄变换等[7]。混纺纱拉伸过程中其组分纤维的声发射信号可以用特征频谱表征[8]，即频率可以表征纤维的信号特征。本研究采用HHT方法。该方法的主要步骤有2个：首先对信号进行经验模态分解(empirical mode decomposition, 简称EMD)，得到有限个本征模态函数(intrinsic mode function, 简称IMF)；然后对分解得到的各个IMF分量进行希尔伯特变换，得出时频平面上的能量分布谱图，进而进行时频谱分析[9-10]。

3.2.1 EEMD分解

EMD是HHT的核心部分。传统EMD分解无法解决模态混叠问题，引入了正态分布白噪声辅助分析方法的集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)算法具有很好的抗混分解能力[11]。

以Matlab软件为平台编制相关程序，对截取的信号进行EEMD分解，2种纤维的拉伸断裂声发射信号EEMD后的结果如图6和图7所示。

图6 芳纶1313截取信号的EEMD图Fig.6 EEMD picture of intercept signals of Aramid 1313

图7 黏胶截取信号的EEMD图Fig.7 EEMD picture of intercept signals of viscose

3.2.2 希尔伯特时频谱

通过EMD，将信号分解成IMF的和，对每个IMF进行希尔伯特变换就可以获得有意义的瞬时频率，从而给出频率随时间变化的精确表达，采集的信号最终被表示为时频平面上的能量分布，此称为Hilbert谱，进而还可以得到边际谱[9]。

对EEMD分解后的IMF求解瞬时频率，可得到2种纤维拉伸断裂声发射信号的时频谱。时频谱可以表示为时间、频率、能量三维数据构成的二维平面图，横坐标表示时间，纵坐标表示对应时刻的信号频率，能量在谱图上表现为颜色(赤橙黄绿青，对应能量由高到低，颜色越深能量越高)。由于纤维的断裂特征表现在高能量段，故而重点关注红色部位的频率。分析2种纤维的时频谱发现，对不同的纤维材料，在时频谱两端的频带上，总是存在一些相同的频率，这是由EMD端点效应造成的虚假频率，因此选择从边际谱上进行特征频率的提取。希尔伯特时频谱可以一定程度上反映纤维在时间维度上的断裂情况，为后续特征频率集合的求取提供参考。

3.2.3 边际谱

如果把Hilbert谱对时间t进行积分，则可以得到边际谱，其物理意义为边际谱的幅值，表示信号在某一频率在各个时刻的幅值之和[12]。和Fourier频谱相比，Fourier频谱的幅值只能反映频率在信号中实际存在的可能性，而边际谱的幅值则能真实反映频率在信号中是否存在。

王醇涛等[13]进行了基于HHT边际谱与SVM的柴油机故障诊断方法研究，以边际谱的最大峰值和最大峰值频率作为特征向量，用SVM分类器对柴油机的工作状态和故障类型进行识别，发现该方法即使在小样本情况下也能准确有效地识别柴油机气门间隙变化和断油故障。

贾春花[14]进行了基于HHT的果蝇振翅鸣声特征提取及分类研究，针对鸣声信号的边际谱不同频段上幅值分布的不同，提取了两个不同品系果蝇振翅鸣声信号的边际谱幅值特征，运用BP神经网络分类2个不同品系果蝇振翅鸣声，识别率达86%以上。

以Matlab为平台编制了边际谱的相关程序，对EEMD后的IMF分量合成求边际谱，芳纶1313和阻燃黏胶拉伸的声发射信号的边际谱如图8和图9所示。

图8 芳纶1313的边际谱Fig.8 Marginal spectrum of aramid 1313

图9 黏胶的边际谱Fig.9 Marginal spectrum of viscose

由图8和图9可见，芳纶1313和阻燃黏胶的边际谱上，特征峰并不唯一，以边际谱的最大峰值和最大峰值频率作为特征向量及SVM分类器的输入不合理，应考虑多个特征峰以及幅值的变化趋势。因此，对某样本纤维边际谱上的幅值从大到小排序，取前90%的幅值对应的频率作为该样本的频率集合，记作S1。纤维断裂的频率应在50 Hz～5 MHz(由课题组之前的研究可知)，记作S2。由图10、图11可见，由于EMD端点效应的存在产生了一些虚假频率，经分析，多个样本的希尔伯特时频谱上虚假频率多在1 MHz以下，故1 MHz以下的频率记作S3。对S1，S2和S3求交集，可得该样本的特征频率集f。

对样本A-1到A-10，B-1到B-10，分别进行小波降噪、EEMD分解、求边际谱、求特征频率集处理，可分别得到芳纶1313和阻燃黏胶的10组特征频率集，分别记作f1-f10，f11-f20。

4 基于SVM的纤维断裂特征频率的智能分类

支持向量机(support vector machine，简写为SVM)是在统计学习理论的基础上发展起来的一种针对分类和回归问题的新型机器学习方法。它基于结构风险最小化原理，能有效地解决过学习问题，具有良好的推广性、较好的分类精确性和坚实的理论基础[15-16]。最小二乘支持向量机是将最小二乘线性系统引入到SVM中，代替传统的SVM直接采用二次规划方法解决分类与函数估计问题，简化了标准支持向量机的计算复杂性，在一定程度上加速了SVM的训练[17]。选择不同的核函数，可以构造不同的支持向量机。目前常用的核函数有线性核函数、多项式和函数、径向基核函数和Sigmoid核函数。径向基核函数可以处理类标签和属性之间的非线性关系，计算难度较小，因此应用较为广泛[18]。

以Matlab为平台编制了LSSVM的相关程序，其中核函数选择径向基核函数，参数gam=2，sig2=2。纤维拉伸断裂按纤维种类(芳纶1313和阻燃黏胶)分为2类，即二分类问题。通过训练样本建立2个两类分类器SVM1和SVM2，分类如表1。

支持向量机在对训练数据进行训练时，依次经过分类器为SVM1，SVM2，在识别过程中，当SVM1分类器输出为0，就会自动将特征向量输入到下一个分类器。

表1 纤维拉伸断裂分类器的分类结果

选取纤维拉伸的特征频率集作为特征向量，并对其进行归一化，对归一化后的特征向量平均分为2部分：训练样本和测试样本。分别对芳纶1313的特征频率集f1-f10、阻燃黏胶的特征频率集f11-f20进行归一化，结果记作F1-F10，F11-F20。在F1-F10和F11-F20中随机各抽取5组训练样本，分别将两种纤维的拉伸断裂情况进行分类。断裂样本用1表示，没有正确识别或者没有断裂或者滑移用0表示。共得10组特征向量。

利用测试样本对建立好的分类器进行测试。该LSSVM分类器的分类效果的评价指标为分类结果和分类识别率。测试结果如表2所示为60%。

由表2可见，所建的分类器对芳纶1313的识别率比阻燃黏胶的低，芳纶1313的识别率为40%，黏胶的识别率为80%。总的识别率为正确分类(即值为1)的样本数与总的测试样本数之比为60%。总的识别率不高，可能的原因有：1)实验材料的原因。采用束纤维拉伸虽然避免了单纤维拉伸离散度大、实验量大的缺点，但束纤维拉伸的声发射信号中除了单根纤维的拉伸断裂信号，还有纤维之间的摩擦等信号，在拉伸时情况比单纤维复杂的多，这可能会造成SVM的识别率低。2)EMD端点效应的原因。SVM对特征的要求比较严格，经边际谱中提取的特征频率含有因EMD端点效应产生的虚假频率，可能会造成SVM的识别率低。3)SVM本身的原因。虽然支持向量机拥有众多优势，比如具有良好的泛化能力、能够处理高维数据、具有更严格的理论和数学基础等，然而作为一门新兴的学科，仍旧存在很多问题，比如分类的结果受核函数、参数等的影响。本文选择的是径向基核函数，参数没有经过优化，这也是造成识别率低的可能原因。

表2 LS-SVM分类效果的评价指标

5 结 论

本文主要研究了纤维拉伸声发射信号的特征提取和分类方法，采用小波降噪的方法对2种纤维拉伸的声发射信号进行了降噪预处理，运用HHT方法对降噪后的信号进行了特征频率提取，利用LSSVM分类器对2种纤维的特征频率进行了分类识别，得出如下结论：

1)采用声发射技术可以获得束纤维拉伸的声发射信号，运用小波降噪方法可以去除信号的一部分噪声。

2)经HHT分析表明，时频谱可以从时间维度上反映纤维断裂过程中频率的变化情况，但因EMD的端点效应产生了虚假频率，参考时频谱，可以从边际谱上提取纤维拉伸断裂的特征频率。

3)运用LSSVM可以对纤维拉伸断裂的特征频率进行分类和识别，芳纶的识别率为40%，黏胶的识别率为80%，总的识别率为60%。这为多组分混纺纱中各组分纤维的断裂过程分析提供了可行的研究方法。

[1] 许中林, 李国禄, 董天顺，等. 声发射信号分析与处理方法研究进展[J]. 材料导报, 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] 焦阳, 侯洁, 李光海，等. 声发射信号处理技术及其在滚动轴承检测中的应用现状[J]. 河北科技大学学报, 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] 孟庆丰. 信号特征提取方法与应用研究[D]. 西安：西安电子科技大学, 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, 尚振东, 蔡海潮，等. 声发射检测及信号处理[M]. 北京: 科学出版社, 2010.

[7] 何广坚, 邢宗义, 左成，等. 基于EMD与SVM的城轨列车滚动轴承故障诊断方法研究[J]. 铁路计算机应用, 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, 林兰天, 高琮,等. 基于核密度估计方法的涤棉混纺纱拉伸断裂声发射信号分析[J]. 河北科技大学学报, 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] 钟佑明. 希尔伯特-黄变换局瞬信号分析理论的研究[D].重庆：重庆大学，2002.

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

[10]薛亚静, 林兰天, 张福乐. 基于AE技术与HHT的环锭纱拉伸断裂过程研究[J]. 河北科技大学学报, 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]时世晨, 单佩韦. 基于EEMD的信号处理方法分析和实现[J]. 现代电子技术, 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]钟佑明, 秦树人, 汤宝平. 希尔伯特-黄变换中边际谱的研究[J]. 系统工程与电子技术, 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]王醇涛, 陆金铭,周海港. 基于HHT边际谱与SVM的柴油机故障诊断方法研究[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]贾春花. 基于HHT的果蝇振翅鸣声特征提取及分类研究[D].西安: 陕西师范大学, 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]杨雪. 支持向量机多类分类方法的研究[D]. 哈尔滨: 哈尔滨工程大学, 2006.

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

[16]孙德山. 支持向量机分类与回归方法研究[D]. 长沙: 中南大学, 2004.

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

[17]邢永忠. 最小二乘支持向量机的若干问题与应用研究[D]. 南京: 南京理工大学, 2009.

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

[18]刘东辉, 卞建鹏, 付平,等. 支持向量机最优参数选择的研究[J]. 河北科技大学学报, 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；责任编辑：张 军

山东沃源新型面料股份有限公司项目(E4-6000-14-0135)

申炎仃(1990—)，女，河南洛阳人，硕士研究生，主要从事纺织品检测方面的研究。

林兰天教授。E-mail:llt39@126.com

TS107.2

A

申炎仃，林兰天，张陆佳，等.基于HHT和SVM的纤维拉伸断裂声发射信号的特征提取及分类研究[J].河北科技大学学报,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.