CN105206283A - 一种复合材料结构的损伤信号盲源处理方法、装置和系统 - Google Patents

Abstract

本发明公开一种复合材料结构的损伤信号盲源处理方法，包括：通过监测复合材料结构损伤，获得传感信号；将已知加载信号作为所述传感信号的参考通道信号，与所述传感信号共同作为观测信号；对所述观测信号进行预处理，得到预处理后的数据矩阵；对所述预处理后的数据矩阵进行盲源分离，获得分离出的AE信号；对分离出的AE信号进行小波消噪处理，得到消噪后的分离信号。本发明还公开了一种复合材料结构的损伤信号盲源处理装置和系统。

Description

一种复合材料结构的损伤信号盲源处理方法、装置和系统

技术领域

本发明涉及结构健康监测技术领域，尤其涉及一种复合材料结构的损伤信号盲源处理方法、装置和系统。

背景技术

复合材料是由两种或两种以上的不同性能、不同形态的组分材料通过复合工艺组合而成的一种多相材料，它既保留了原组分材料的主要特点，又显示了原组分材料所没有的新性能。伴随着科学技术的进步，复合材料在各个技术领域的应用也越来越广泛，如航空航天技术领域。复合材料的优点不言而喻，但复合材料在加工和使用过程中不可避免的会产生损伤；复合材料的损伤类型多样，其发生的损伤类型主要包括：基质裂纹(matrixcracking)、界面分离(debondingbetweenfibersandmatrix)、分层(delamination)和纤维断裂(fiberbreakage)。

声发射(AE，AcousticEmission)是一种复合材料损伤的结构健康监测(SHM，StructuralHealthMonitoring)方法，该方法是复合材料结构在受到静力、疲劳或者冲击载荷时，通过传感器获得由结构内部损伤产生的声发射信号，然后根据声发射信号进行损伤分析。所谓声发射(AE，AcousticEmission)是指在外界应力或温度等作用下，材料内部出现变形或裂纹等微观状态的变化时，一部分能量以弹性波的形式释放的现象。

在基于AE的损伤监测方法中，由于受到环境影响，实际测量到的损伤信号的信噪比较低，尤其是在对复合材料结构做静力或者疲劳加载试验(试验目的是为验证复合材料结构的耐静力或耐疲劳特性)时，加载信号相对于微弱的AE信号来说，就属于强干扰信号。因而在分析监测到的损伤信号之前有必要进行去噪处理。然而，现有技术所采用的信号去噪处理效果不佳；例如：声发射系统的传感器实际监测到的损伤信号通常是加载信号与各种AE信号混叠在一起，常规的滤波方法(如巴特沃斯滤波器、切比雪夫滤波器等)会对原始的混叠信号产生一定的影响(如影响原始混叠信号时域的幅值、频域的频带等)，从而影响后续的损伤分析。

发明内容

为解决现有存在的技术问题，本发明实施例期望提供一种复合材料结构的损伤信号盲源处理方法、装置和系统，可以在不影响原始混叠信号的情况下，将混叠在强干扰加载信号中的AE信号分离出来，从而为复合材料结构的损伤监测及寿命预测提供依据。

本发明实施例提供了一种复合材料结构的损伤信号盲源处理方法，所述方法包括：

通过监测复合材料结构损伤，获得传感信号；

将已知加载信号作为所述传感信号的参考通道信号，与所述传感信号共同作为观测信号；

对所述观测信号进行预处理，得到预处理后的数据矩阵；

对所述预处理后的数据矩阵进行盲源分离，获得分离出的AE信号。

在一实施方式中，在获得分离出的AE信号后，所述方法还包括：

对分离出的AE信号进行小波消噪处理，得到消噪后的分离信号。

在一实施方式中，所述对观测信号进行预处理，得到预处理后的数据矩阵，包括：

对所述观测信号进行中心化处理，得到中心化观测信号；

对所述中心化观测信号进行白化处理，得到所述预处理后的数据矩阵。

在一实施方式中，所述方法还包括：

采用快速固定点独立成分分析FastICA算法，对所述预处理后的数据矩阵进行盲源分离。

本发明实施例还提供了一种复合材料结构的损伤信号盲源处理装置，所述装置包括：

传感信号获得单元，用于通过监测复合材料结构损伤，获得传感信号；

观测信号获得单元，用于将已知加载信号作为所述传感信号的参考通道信号，与所述传感信号共同作为观测信号；

预处理单元，用于对所述观测信号进行预处理，得到预处理后的数据矩阵；

盲源分离单元，用于对所述预处理后的数据矩阵进行盲源分离，获得分离出的AE信号。

在一实施方式中，所述装置还包括：

小波消噪单元，用于对所述盲源分离单元分离出的AE信号进行小波消噪处理，得到消噪后的分离信号。

在一实施方式中，所述预处理单元包括：

中心化子单元，用于对所述观测信号进行中心化处理，得到中心化观测信号；

白化子单元，用于对所述中心化观测信号进行白化处理，得到所述预处理后的数据矩阵。

在一实施方式中，所述预处理单元进一步用于，采用快速固定点独立成分分析FastICA算法，对所述预处理后的数据矩阵进行盲源分离。

本发明实施例还提供了一种复合材料结构的损伤信号盲源处理系统，所述系统包括：至少两个声发射传感器、电荷放大器和数据采集处理器；

所述声发射传感器，用于采集针对所述复合材料结构的损伤声发射AE信号，输出给所述电荷放大器；

所述电荷放大器，用于对所述声发射传感器输出的损伤AE信号进行放大处理，输出传感信号给所述数据采集处理器；

所述数据采集处理器，用于获得传感信号，将已知加载信号作为所述传感信号的参考通道信号，与所述传感信号共同作为观测信号；对所述观测信号进行预处理，得到预处理后的数据矩阵；对所述预处理后的数据矩阵进行盲源分离，获得分离出的AE信号。

在一实施方式中，所述数据采集处理器包括本发明实施例所述的复合材料结构的损伤信号盲源处理装置。

本发明实施例所提供的一种复合材料结构的损伤信号盲源处理方法、装置和系统，因为传感器本身采集到的信号中已经包含了加载信号，所以将已知的加载信息引入盲源分离，也就是在已有的传感信号基础上增加一个可以从加载系统获得的已知信息，从而达到去除传感信号中的加载信号的目的。由于原始信号混叠效果只体现在原有传感器的测量值中，而本发明实施例的方案没有改变原有测量值，因此，本发明实施例实现了在不影响原始混叠信号的情况下，将混叠在强干扰加载信号中的AE信号分离出来(去噪的同时将AE信号分离出来)，从而为复合材料结构的损伤监测及寿命预测提供依据。

附图说明

图1为本发明实施例一的复合材料结构的损伤信号盲源处理方法的流程示意图；

图2为本发明实施例二的复合材料结构的损伤信号盲源处理方法的流程示意图；

图3为本发明实施例三的复合材料结构的损伤信号盲源处理装置的结构示意图；

图4为本发明实施例四的复合材料结构的损伤信号盲源处理系统的结构示意图；

图5为本发明实施例五的实验验证环境示意图；

图6为本发明实施例五的复合材料结构的损伤模拟声发射信号的时域和频域图；

图7为本发明实施例五的加噪和加载后的AE信号的时域图；

图8为本发明实施例五的观测信号及盲源分离后的信号时域图；

图9为本发明实施例五的小波去噪后信号的时域和频谱图；

图10为本发明实施例五的损伤信号盲源处理的方法流程示意图。

具体实施方式

下面结合附图和具体实施例对本发明的技术方案进一步详细阐述。

针对AE信号中混有幅值较大的加载信号的问题，本发明实施例采用基于参考通道的盲源分离方法进行强干扰去噪处理，即将已知的加载信号作为参考通道，将其与传感器实际监测到的损伤信号共同作为观测信号，然后通过盲源分离，在获得分离出的AE信号同时达到强干扰信号的去噪目的。而针对分离出的AE信号中的环境噪声，则可以采用小波消噪方法进行后向滤波处理。

需要说明的是，本发明实施例适用于对复合材料结构做静力或者疲劳加载试验的情况，加载信号是根据静力或疲劳试验的要求进行设计的，可以从设置的加载系统中获得所述加载信号，加载信号和AE信号无直接关系。也就是说，为验证复合材料结构的耐静力或耐疲劳特性，设置了用于进行静力或疲劳试验的加载装置，然后测试在加载过程中是否会发生复合材料结构的损伤，如果有损伤发生，则会有AE信号产生。

实施例一

参见图1，本发明实施例一提供的一种复合材料结构的损伤信号盲源处理方法，主要包括以下步骤：

步骤101，通过监测复合材料结构损伤，获得传感信号。

本发明实施例可以使用声发射传感器来监测复合材料结构损伤，复合材料结构在发生损伤时，会产生AE信号，声发射传感器能够采集到该AE信号，但通常声发射传感器实际采集到的损伤信号是所述复合材料结构产生的AE信号与加载信号、以及其他噪声的混叠信号。

步骤102，将已知加载信号作为所述传感信号的参考通道信号，与所述传感信号共同作为观测信号。

所谓将已知加载信号作为传感信号的参考通道信号，是指将已知加载信号作为一路虚拟传感信号，与声发射传感器监测获得的传感信号一同作为观测信号。例如：如果获得两路传感信号，那么将已知加载信号作为一路虚拟传感信号，加入所述两路传感信号，则观测信号即包括了三路信号，即一路虚拟传感信号和所述两路传感信号。需要说明的是，本发明实施例要求产生的参考通道信号与声发射传感器具有相同的采样起始时刻、相同的采样率，这样可以保证数据量相同。

在获得传感信号后，可以对传感信号进行模数转换，得到损伤声发射波形信号。而参考通道信号直接为数字信号，因而无需进行模数转换。

步骤103，对所述观测信号进行预处理，得到预处理后的数据矩阵。

所述预处理可以包括中心化(Centralization)处理和白化(Prewhitening)处理，即：

对所述观测信号进行中心化处理，得到中心化观测信号；

对所述中心化观测信号进行白化处理，得到所述预处理后的数据矩阵。

其中，中心化处理的实施过程如下：

假设声发射波形信号x(t)的数学期望为E[x(t)]，则中心化处理可用下式表示：

$\stackrel{\‾}{x}\left(t\right)=x\left(t\right)-E\[x\left(t\right)\]$

实际中，通过传感器测得的信号长度M是有限的，因此可用样本数据均值替代该数据的数学期望，即：

$E\[x\left(t\right)\]=\frac{1}{M}\underset{t=0}{\overset{M}{\Σ}}x\left(t\right)$

白化处理的实施过程如下：

白化是将中心化后的观测信号进行线性变化Q，得到：

$\tilde{x}\left(t\right)=Q\stackrel{\‾}{x}\left(t\right)$

转换后需要满足：

$R_{\tilde{x}\left(t\right)}=E\[\tilde{x}\left(t\right){\tilde{x}}^T\left(t\right)\]=I$

白化处理的方法主要有特征值分解(EVD，EigenvalueDecompositon)和鲁棒白化(RobustWhitening)，其中，鲁棒白化的核心思想是用时延协方差阵来替代原协方差阵。

步骤104，对所述预处理后的数据矩阵进行盲源分离，获得分离出的AE信号。

盲源分离(BSS，BlindSourceSeparation)是根据多个传感器的输出信号，在某些先验知识条件下，采用一定的优化算法，获得未知的原始信号的信号处理方法。其数学模型可以表示如下：

其中，代表能观测到的N个传感器信号，代表未知的P个源信号，代表P个噪声信号，t代表采样时刻，代表从到的映射。

BSS算法基本分为两大类，一类是假设各源信号之间相互统计独立，使用高阶统计量(HOS，HigherOrderStatistics)来计算独立性(包括独立成分分析(ICA，IndependentComponentAnalysis)及其扩展方法)；另一类是使用信号与其时延之间的二阶统计量(SOS，SecondOrderStatistics)的方法，如二阶盲辨识(SOBI，SecondOrderBlindIdentification)、多未知信号提取算法(AMUSE，AlgorithmforMultipleUnknownSignalsExtraction)等。

本发明一实施方式中的盲源分离采用快速固定点独立成分分析算法(FastICA，Fastandrobustfixed-pointalgorithmsforindependentcomponentanalysis)。其实施过程描述如下：

采用负熵度量分离信号之间的独立性，观测信号X(t)的负熵定义为：

J(X)＝H(X_gauss)-H(X)(2)

其中，X_gauss是与信号X具有相同方差的高斯随机变量，H(X)表示概率密度为p_X(η)的信号的微分熵，J(X)表示观测信号X(t)的负熵。

根据中心极限定理，随机向量X(t)的各分量之间统计独立性越强，X(t)的非高斯性越强，负熵也就越大。可采用负熵作为代价函数衡量混合信号之间的分离程度。随着信号分离程度的提高，各信号之间的统计独立性也随之增加，负熵相应增加。因此，通过最大化负熵可得到最佳的分离信号。

实施例二

参见图2所示的流程图，在实施例一的步骤104之后，还可以包括以下步骤：

步骤105，对分离出的AE信号进行小波消噪处理，得到消噪后的分离信号。

由于传感器测量所得信号中除了加载信号、损伤声发射信号之外，还存在环境噪声，因而有必要滤除这些环境噪声。如果在盲源分离之前先进行小波消噪，有可能影响某些声发射源信号，因此本算法采用后向滤波方法，即在盲源分离之后再进行小波分析。

小波消噪(WD)是非平稳信号去噪的典型方法，含噪信号经小波变化后，有效信号集中在少量的相对值较大的小波系数上，因此可以通过设置小波系数阈值达到去噪的目的。也就是说，对分离出的AE信号首先进行小波变换，这样有效信号就集中在少量的相对值较大的小波系数上，然后通过根据实际工况设置小波系数的阈值，将小于该阈值的小波系数全部赋值为0，这样在小波域就完成了消噪过程，然后再将消噪后的信号进行小波反变换，即可得到消噪后的分离信号。

假设带噪声的数据为：

X＝S+W(3)

其中，X为观测信号，S为源信号，W为噪声。

在小波基B:{g_m}_0≤m<K下，式(3)两边分别与g_m作内积得：

X_B[m]＝S_B[m]+W_B[m](4)

其中，X_B[m]＝<X,g_m>，S_B[m]＝<S,g_m>和W_B[m]＝<W,g_m>。K表示小波基的分解层数。

对于观测信号X，在基B:{g_m}_0≤m<K下，由式(3)和(4)，源信号S的估计为：

$\hat{S}={\mathrm{\&Sigma;}}_{m=0}^{N-1}{S}_B\&lsqb;m\&rsqb;g_m={\mathrm{\&Sigma;}}_{m=0}^{N-1}\{X_B\&lsqb;m\&rsqb;-W_B\&lsqb;m\&rsqb;\}{g}_m={\mathrm{\&Sigma;}}_{m=0}^{N-1}{d}_m(X_B\&lsqb;m\&rsqb;)g_m---\left(5\right)$

其中，d_m(X_B[m])为阈值函数，通过选择合理的阈值函数可以实现分离出的AE信号中噪声的消除。

通过实施本发明实施例一、二，因为传感器本身采集到的信号中已经包含了加载信号，所以将已知的加载信息引入盲源分离，也就是在已有的传感信号基础上增加一个可以从加载系统获得的已知信息，从而达到去除传感信号中的加载信号的目的。由于原始信号混叠效果只体现在原有传感器的测量值中，而本发明实施例的方案没有改变原有测量值，因此，本发明实施例实现了在不影响原始混叠信号的情况下，将混叠在强干扰加载信号中的AE信号分离出来(去噪的同时将AE信号分离出来)，从而为复合材料结构的损伤监测及寿命预测提供依据。另外，由于本发明实施例采用基于参考通道的盲源分离方法进行强干扰去噪处理，也即在进行盲源分离的过程中基于已知的参考通道信号完成了对传感信号中加载信号的去除；从而基于参考通道的盲源分离方法在实现AE信号分离的同时，也实现了对传感信号的去噪(去除传感信号中的加载信号)，这也提升了对损伤信号的处理。

实施例三

对应本发明实施例一、二的复合材料结构的损伤信号盲源处理方法，本发明实施例三提供了一种复合材料结构的损伤信号盲源处理装置，如图3所示，该装置主要包括：

传感信号获得单元31，用于通过监测复合材料结构损伤，获得传感信号；

观测信号获得单元32，用于将已知加载信号作为所述传感信号的参考通道信号，与所述传感信号共同作为观测信号；

预处理单元33，用于对所述观测信号进行预处理，得到预处理后的数据矩阵；

盲源分离单元34，用于对所述预处理后的数据矩阵进行盲源分离，获得分离出的AE信号。

在一实施方式中，所述装置还可包括：小波消噪单元35，用于对所述盲源分离单元分离出的AE信号进行小波消噪处理，得到消噪后的分离信号。

其中，预处理单元33包括：

中心化子单元331，用于对所述观测信号进行中心化处理，得到中心化观测信号；

白化子单元332，用于对所述中心化观测信号进行白化处理，得到所述预处理后的数据矩阵。

盲源分离单元34可以采用FastICA算法，对所述预处理后的数据矩阵进行盲源分离。

需要说明的是，上述传感信号获得单元31、观测信号获得单元32、预处理单元33、盲源分离单元34和小波消噪单元35可以由本发明实施例三所述盲源处理装置的中央处理器(CPU，CentralProcessingUnit)、微处理器(MPU，MicroProcessingUnit)、数字信号处理器(DSP，DigitalSignalProcessor)或可编程逻辑阵列(FPGA，Field－ProgrammableGateArray)实现。

实施例四

本发明实施例四还提供了一种复合材料结构的损伤信号盲源处理系统，如图4所示，所述系统包括：至少两个声发射传感器、电荷放大器和数据采集处理器；其中，

声发射传感器，用于采集针对所述复合材料结构的损伤AE信号，输出给所述电荷放大器；

电荷放大器，用于对所述声发射传感器输出的损伤AE信号进行放大处理，输出传感信号给所述数据采集处理器；

数据采集处理器，用于获得传感信号，将已知加载信号作为所述传感信号的参考通道信号，与所述传感信号共同作为观测信号；对所述观测信号进行预处理，得到预处理后的数据矩阵；对所述预处理后的数据矩阵进行盲源分离，获得分离出的AE信号。

其中，数据采集处理器可以包括本发明实施例三所述的复合材料结构的损伤信号盲源处理装置。也就是说，本发明实施例四的数据采集处理器可以包括：

传感信号获得单元，用于通过监测复合材料结构损伤，获得传感信号；

观测信号获得单元，用于将已知加载信号作为所述传感信号的参考通道信号，与所述传感信号共同作为观测信号；

预处理单元，用于对所述观测信号进行预处理，得到预处理后的数据矩阵；

盲源分离单元，用于对所述预处理后的数据矩阵进行盲源分离，获得分离出的AE信号。

在一实施方式中，所述数据采集处理器还可包括：小波消噪单元，用于对所述盲源分离单元分离出的AE信号进行小波消噪处理，得到消噪后的分离信号。

其中，预处理单元包括：

中心化子单元，用于对所述观测信号进行中心化处理，得到中心化观测信号；

白化子单元，用于对所述中心化观测信号进行白化处理，得到所述预处理后的数据矩阵。

盲源分离单元可以采用FastICA算法，对所述预处理后的数据矩阵进行盲源分离。

需要说明的是，上述传感信号获得单元、观测信号获得单元、预处理单元、盲源分离单元和小波消噪单元可以由本发明实施例四所述损伤信号盲源处理系统中数据采集处理器的CPU、MPU、DSP或FPGA实现。

通过实施本发明实施例三、四，因为传感器本身采集到信号中的已经包含了加载信号，所以将已知的加载信息引入盲源分离，也就是在已有的传感信号基础上增加一个可以从加载系统获得的已知信息，从而达到去除传感信号中的加载信号的目的。由于原始信号混叠效果只体现在原有传感器的测量值中，而本发明实施例的方案没有改变原有测量值，因此，本发明实施例实现了在不影响原始混叠信号的情况下，将混叠在强干扰加载信号中的AE信号分离出来(去噪的同时将AE信号分离出来)，从而为复合材料结构的损伤监测及寿命预测提供依据。另外，由于本发明实施例采用基于参考通道的盲源分离方法进行强干扰去噪处理，也即在进行盲源分离的过程中基于已知的参考通道信号完成了对传感信号中加载信号的去除；从而基于参考通道的盲源分离方法在实现AE信号分离的同时，也实现了对传感信号的去噪(去除传感信号中的加载信号)，这也提升了对损伤信号的处理效率。

需要说明的是，本发明实施例的复合材料结构的损伤信号盲源处理可适用于很多种行业应用，如飞机上的复合材料结构的损伤信号盲源处理、高铁上的复合材料结构的损伤信号盲源处理等等。下面以飞机上的复合材料结构的损伤信号盲源处理为例，进一步详细阐述本发明实施例的复合材料结构的损伤信号盲源处理方法、装置和系统。

实施例五

本发明实施例五以对复合材料结构做静力或者疲劳加载试验为例进行说明。声发射传感器粘贴在复合材料板上，传感信号经过电荷放大器后，进入数据采集处理器进行模数转换和信号处理，最终输出损伤结果。本发明实施例五所涉及的损伤信号盲源处理的方法流程参见图10。

为了进行本发明实施例的方法验证，设计了如图5所示的实验验证环境，在碳纤维复合材料(CFRP，CarbonFiberReinforcedPolymer/Plastic)板上粘贴有4个声发射传感器，其中两个用来模拟两种损伤(matrixcrack和delamination)，损伤信号由数据采集处理器控制信号发生器产生，并施加到这两个损伤模拟传感器上。另外两个声发射传感器(Sensor1和Sensor2)作为传感器进行信号采集，用振动台来模拟结构加载系统。

首先根据损伤声发射信号的特征，仿真生成两路AE信号，如图6所示。其中AE1代表基质裂纹(matrixcrack)损伤产生的AE信号(最大幅值0.3V，频率20kHz，发生时刻为0.22ms)，AE2代表分层(delamination)损伤产生的AE信号(最大幅值0.1V，频率100kHz，发生时刻也为0.22ms)。图6(a)表示复合材料结构的损伤模拟声发射信号的时域图，上图代表AE1信号，下图代表AE2信号；图6(b)表示复合材料结构的损伤模拟声发射信号的频域图，同样上图代表AE1信号，下图代表AE2信号。

由于实际加载环境中存在环境噪声和加载信号，其中环境噪声通过信噪比为15db的高斯白噪声模拟，加载信号用幅值为1V、频率为100Hz的正弦信号模拟。参见图7，图7(a)表示叠加白噪声后的AE信号的时域图，上图代表AE1信号，下图代表AE2信号；图7(b)表示叠加白噪声和加载信号后的AE信号的时域图，同样上图代表AE1信号，下图代表AE2信号。

对图7(b)中的信号进行任意混合，生成两路传感器观测信号，并将正弦加载信号作为参考通道信号，如图8(a)所示；对图8(a)中的三路信号采用FastICA方法进行盲源分离，得到图8(b)所示的3路信号。由图8(b)可知，经过盲源分离后可以将正弦加载信号去除，得到两路AE信号，从而可以验证所提算法的正确性。其中，图8(a)示出了两路传感器监测信号与参考通道信号的时域图，图8(a)中从上至下依次分别代表AE1信号、AE2信号和参考通道信号；图8(b)示出了盲源分离后得到的三路信号的时域图。

由图8(b)可知，该分离后信号中仍存在高斯白噪声，采用小波去噪方法对图8(b)进行滤波，得到图9(a)所示的信号，对图9(a)所示的信号进行傅里叶变化，得到频谱图如图9(b)所示。其中，图9(a)示出了小波去噪后信号的时域图，图9(b)示出了小波去噪后信号的频谱图。

通过上述实验验证，本发明实施例提出的基于参考通道的盲源分离方法可以实现在分离微弱损伤声发射信号的同时，达到去除强干扰加载信号的目的；对分离后得到的损伤声发射信号，采用小波消噪处理，可以将环境噪声去除，从而可以进一步提高本算法的性能。

综上所述，通过实施本发明实施例，因为传感器本身采集到的信号中已经包含了加载信号，所以将已知的加载信息引入盲源分离，也就是在已有的传感信号基础上增加一个可以从加载系统获得的已知信息，从而达到去除传感信号中的加载信号的目的。由于原始信号混叠效果只体现在原有传感器的测量值中，而本发明实施例的方案没有改变原有测量值，因此，本发明实施例实现了在不影响原始混叠信号的情况下，将混叠在强干扰加载信号中的AE信号分离出来(去噪的同时将AE信号分离出来)，从而为复合材料结构的损伤监测及寿命预测提供依据。

由于本发明实施例采用基于参考通道的盲源分离方法进行强干扰去噪处理，也即在进行盲源分离的过程中基于已知的参考通道信号完成了对传感信号中加载信号的去除；从而基于参考通道的盲源分离方法在实现AE信号分离的同时，也实现了对传感信号的去噪(去除传感信号中的加载信号)，这也提升了对损伤信号的处理。

另外还需要说明的是，本发明实施例中的加载系统产生的加载信号通常频率较低，因为是机械运动，而大部分的复合材料结构的损伤信号频率较高(本发明实施例并未排除复合材料结构的损伤信号频率较低的情形)，所以本发明实施例并不要求在观测信号进入数据采集处理器之前进行滤波(至少包括声发射传感器和电荷放大器中不设置滤波器)，这样能保证在观测信号进入数据采集处理器之前低频的加载信号不被滤除掉，从而保证后续操作的顺利完成。

在本发明所提供的几个实施例中，应该理解到，所揭露的方法、装置和电子设备，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元，即可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。

另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。

或者，本发明实施例上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。

鉴于此，本发明实施例还提供了一种计算机可读存储介质，所述存储介质包括一组计算机可执行指令，所述指令用于执行本发明实施例所述的复合材料结构的损伤信号盲源处理方法。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种复合材料结构的损伤信号盲源处理方法，其特征在于，所述方法包括：

通过监测复合材料结构损伤，获得传感信号；

将已知加载信号作为所述传感信号的参考通道信号，与所述传感信号共同作为观测信号；

对所述观测信号进行预处理，得到预处理后的数据矩阵；

对所述预处理后的数据矩阵进行盲源分离，获得分离出的AE信号。

2.根据权利要求1所述复合材料结构的损伤信号盲源处理方法，其特征在于，在获得分离出的AE信号后，所述方法还包括：

对分离出的AE信号进行小波消噪处理，得到消噪后的分离信号。

3.根据权利要求1或2所述复合材料结构的损伤信号盲源处理方法，其特征在于，所述对观测信号进行预处理，得到预处理后的数据矩阵，包括：

对所述观测信号进行中心化处理，得到中心化观测信号；

对所述中心化观测信号进行白化处理，得到所述预处理后的数据矩阵。

4.根据权利要求1或2所述复合材料结构的损伤信号盲源处理方法，其特征在于，所述方法还包括：

采用快速固定点独立成分分析FastICA算法，对所述预处理后的数据矩阵进行盲源分离。

5.一种复合材料结构的损伤信号盲源处理装置，其特征在于，所述装置包括：

传感信号获得单元，用于通过监测复合材料结构损伤，获得传感信号；

观测信号获得单元，用于将已知加载信号作为所述传感信号的参考通道信号，与所述传感信号共同作为观测信号；

预处理单元，用于对所述观测信号进行预处理，得到预处理后的数据矩阵；

盲源分离单元，用于对所述预处理后的数据矩阵进行盲源分离，获得分离出的AE信号。

6.根据权利要求5所述复合材料结构的损伤信号盲源处理装置，其特征在于，所述装置还包括：

小波消噪单元，用于对所述盲源分离单元分离出的AE信号进行小波消噪处理，得到消噪后的分离信号。

7.根据权利要求5或6所述复合材料结构的损伤信号盲源处理装置，其特征在于，所述预处理单元包括：

中心化子单元，用于对所述观测信号进行中心化处理，得到中心化观测信号；

白化子单元，用于对所述中心化观测信号进行白化处理，得到所述预处理后的数据矩阵。

8.根据权利要求5或6所述复合材料结构的损伤信号盲源处理装置，其特征在于，所述盲源分离单元进一步用于，采用快速固定点独立成分分析FastICA算法，对所述预处理后的数据矩阵进行盲源分离。

9.一种复合材料结构的损伤信号盲源处理系统，其特征在于，所述系统包括：至少两个声发射传感器、电荷放大器和数据采集处理器；

所述声发射传感器，用于采集针对复合材料结构的损伤声发射AE信号，输出给所述电荷放大器；

所述电荷放大器，用于对所述声发射传感器输出的损伤AE信号进行放大处理，输出传感信号给所述数据采集处理器；

所述数据采集处理器，用于获得传感信号，将已知加载信号作为所述传感信号的参考通道信号，与所述传感信号共同作为观测信号；对所述观测信号进行预处理，得到预处理后的数据矩阵；对所述预处理后的数据矩阵进行盲源分离，获得分离出的AE信号。

10.根据权利要求9所述复合材料结构的损伤信号盲源处理系统，其特征在于，所述数据采集处理器包括权利要求5-8任一项所述的复合材料结构的损伤信号盲源处理装置。