CN106198765A - 一种用于金属裂纹监测的声学信号识别方法 - Google Patents

Abstract

本发明提供了一种用于金属裂纹监测的声学信号识别方法。该方法基于金属裂纹出现时产生的声学信号，首先利用谱减法对采集到的声学信号降噪滤波，然后通过功率阈值法对降噪滤波后的信号进行端点监测，提取脉冲声，其次计算脉冲声中由线谱对系数、谱面积、谱重心和峰峰幅度熵四个元素组成的特征向量，最后将这些特征向量输入至故障分类器进行判决，对故障信号进行声光报警。利用本发明的上述方法进行金属裂纹监测时，极大地提高了金属裂纹的在线监测能力，利用新提出的特征向量，对故障信号进行识别，实现了动态、实时、准确检测金属裂纹萌生和扩展状态。

Description

一种用于金属裂纹监测的声学信号识别方法

技术领域

本发明涉及金属裂纹监测技术领域，具体涉及一种用于金属裂纹监测的声学信号识别方法。

背景技术

金属裂纹是由外部交变载荷长期作用，导致材料疲劳，使得其内部深层次分子断崩形成裂纹核，并逐步扩展形成的。当裂纹扩展接近或达到临界裂纹长度时，就进入失稳扩展并快速形成足够破坏设备结构的断裂现象。特别是对于金刚石压机顶锤等设备，由于其在生产过程中承受交变的高压强，容易产生疲劳裂纹，并最终造成瘫锤，从而损坏同一压机的另外五个顶锤，最终导致停产停工等损失，甚至会酿成安全事故。裂纹从微观裂纹发展到宏观裂纹直至断裂，需要经过一个缓慢的扩展过程，及早发现裂纹现象对安全生产具有重要意义。

由于金属出现裂纹时，伴随应力释放会辐射声脉冲，目前人们对声波在金属裂纹监测方面的应用做了大量的研究工作。在专利名称为“一种疲劳裂纹在线检测系统”(专利号：201320619153.5)所公开的内容中，通过提取声发射信号强度、有效值、计数三种特征参数，并根据这些参数的突变判断裂纹；在另一专利名称为“一种基于声发射检测的飞机结构损伤识别方法”(专利号：201110238797.5)所公开的内容中，通过提取持续时间、信号幅度、振铃计数、能量和峰值频率五种数据，然后绘制“能量-峰值频率”、“能量-幅值”历程图来表现声波信号特征。但是，以上两篇专利公开文献都没有给出定量的判决结果，且没有充分考虑特征之间变化的相关性对判决的影响。而在文献名称为“基于声发射和双谱分析的铝合金损伤原位监测研究”(来源：朱荣华，刚铁，万楚豪，《材料工程》，No.5，2013)所公开的内容中，通过利用声发射能量、质心频率和双谱分析预测铝合金裂纹的萌生和发展，从而取得了一定效果。但上述几种监测方法用到的声发射能量相关特征值与裂纹扩展程度有关，无法识别故障初期的微小裂纹。

另外，在文献名称为“金属裂纹声发射信号识别及报警的方法研究”(来源：成建国，硕士论文，广西大学，2008)所公开的内容中，通过提取上升时间、声发射事件计数、持续时间、平均信号电平和频率质心五个特征组成向量空间，用BP神经网络进行分类。这种方法能够在故障初期的微小裂纹识别上起到一定效果，但是这种分类的实验样本种类有限，且对能较好反映信号特征的频谱信息发掘不足。

在声发射应用中，多采用压电传感器实现信号采集(来源：李以善，刘德镇，焊接结构检测技术，化学工业出版社，2009)，但是，利用压电传感器对金刚石压机顶锤进行裂纹监测时，存在如下问题：由于顶锤工作温度较高，而采用的压电传感器是接触式传感器，即需要将探头贴附在被测元件上，不适合于高温高压的生产环境，所以使得传感器不适宜与设备进行接触式安装；每台压机需安装与顶锤一一对应的六个传感器，从而提高了监测成本。对此，采用传声器采集顶锤辐射声波的方式更具可行性。在文献名称为“声纹识别技术在金刚石压机顶锤防护中的应用”(来源：金刚石与磨料磨具工程，Vol.33，No.3，2013)所公开的内容中，记载了使用传声器采集声信号，通过计算线性预测倒谱系数的欧氏距离，判断裂纹声音。但是，由于单一特征的识别鲁棒性容易受限，且其分析频段集中在3.4kHz以下，因此极易受现场设备强烈噪声的干扰，降低了监测效果。

发明内容

本发明的目的在于，为解决现有的金属裂纹声学监测方法存在着：对提取的声波信号特征研究及发掘不足，从而导致故障误判或难于识别微小裂纹的技术问题，提出一种用于金属裂纹监测的声学信号识别方法，通过对采集到的脉冲声进行识别和分类，能够快速准确地监测到裂纹故障，降低了误判率，满足对机械设备上裂纹故障的实时在线监测要求。

为了实现上述目的，本发明提出一种用于金属裂纹监测的声学信号识别方法，具体包括以下步骤：

步骤1)通过传感器采集被测设备金属表面的声学信号，并利用谱减法对声学信号进行滤波降噪处理；

步骤2)利用功率阈值法对步骤1)处理后的信号进行端点检测，提取独立的脉冲声；

步骤3)对步骤2)中获得的脉冲声做特征向量提取，计算组成特征向量的四个元素：谱重心、谱面积、线谱对系数和峰峰幅度熵；

步骤4)将步骤3)中提取的特征向量输入至故障分类器模型进行模式识别，判断所述的声学信号是否表示为金属裂纹故障信号。

作为上述技术方案的进一步改进，所述的线谱对系数通过以下公式计算获得：

$\left\{\begin{array}{c}P\left(z\right)=(1+z^{-1})\underset{i=1}{\overset{p/2}{\mathrm{\Π}}}(1-2\·\cos {\mathrm{\ω}}_i\·z^{-1}+z^{-2})\\ Q\left(z\right)=(1-z^{-1})\underset{i=1}{\overset{p/2}{\mathrm{\Π}}}(1-2\·\cos {\mathrm{\θ}}_i\·z^{-1}+z^{-2})\end{array}\right.$

其中，cosω_i和cosθ_i为线谱对系数在余弦域的表示，i＝1,2,...,p/2，ω_i、θ_i表示与线谱对系数对应的线谱频率，z表示变换的参数。

作为上述技术方案的进一步改进，所述的谱重心表示为：

${\mathrm{\ω}}_c=\frac{\underset{0}{\overset{\mathrm{\π}}{\∫}}\mathrm{\ω}\·S\left(\mathrm{\ω}\right)\mathrm{d\ω}}{\underset{0}{\overset{\mathrm{\π}}{\∫}}S\left(\mathrm{\ω}\right)\mathrm{d\ω}}=\frac{\underset{k=0}{\overset{(N-1)/2}{\mathrm{\Σ}}}\frac{2\mathrm{\πk}}{N}P\left(k\right)}{\underset{k=0}{\overset{(N-1)/2}{\mathrm{\Σ}}}P\left(k\right)}$

其中，ω表示频率，S(ω)表示连续信号功率谱，表示离散信号功率谱，X表示采集到的信号，N表示数据点数，k表示第k个数据。

作为上述技术方案的进一步改进，所述的谱面积表示为：

$A=\underset{{\mathrm{\ω}}_1}{\overset{{\mathrm{\ω}}_2}{\∫}}f\left(\mathrm{\ω}\right)\mathrm{d\ω}=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\left|X\left(k_i\right)\right|$

其中，A表示谱面积，X表示采集到的信号，N表示数据点数，k_i表示第i个数据，ω ₁和ω ₂分别表示信号频谱的上、下区间。

作为上述技术方案的进一步改进，所述的峰峰幅度熵表示为：

$H=-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{P}_{\mathrm{\Δi}}\·\log P_{\mathrm{\Δi}}$

其中，设H＝max(A_i)为声发射信号的最大峰峰幅度，用H归一化所有的峰峰幅度，并将取值范围平均分为N等分，记为Δ₁,Δ₂,...,Δ_N，然后统计落在不同区域内的峰峰值个数，记为k_i，(i＝1,2,...,N)，则落在Δ_n区域内的概率为

作为上述技术方案的进一步改进，所述步骤4)中的故障分类器模型采用基于支持向量数据描述的故障分类器模型，表示为：

f_SVDD(z,a,R)＝I(||z-a||²≤R²)＝I((z·z)-2∑_ia_i(z·x_i)+∑_i,ja_ia_j(x_i·x_i)≤R²)

其中，I为指示函数，a表示超球面的球面中心坐标，R表示超球面的半径，z表示将新的特征向量映射到特征空间后的数据，A表示事件，若A为真时，则判定为正常信号，若A为假时，则判定为故障信号。

本发明的一种用于金属裂纹监测的声学信号识别方法优点在于：

本发明的识别方法考虑到背景噪声信号属于随机信号，采用谱减法充分利用了背景噪声的统计平稳性和先验信息，利用已知的噪声分量估计未知的噪声分量，从而能够检测到低于背景噪声的脉冲声，有利于发现早期裂纹故障；相较于传统的声学信号特征参数，提取的谱重心、谱面积、LSP参数和峰峰幅度熵这四种特征参数组成的特征向量，能够更好地反映声学信号的频域和时域特征，更大程度的区分了故障信号与正常信号，给模式判别带来了极大的方便，提高了故障检测的准确性；本发明的识别方法计算复杂度不高，可在DSP系统上实现，便于在工业生产中进行金属裂纹的实时监测。

附图说明

图1是本发明的一种用于金属裂纹监测的声学信号识别方法处理流程图。

图2a是利用传感器采集到的原始故障信号的信号图

图2b是将图2a中示出的原始故障信号利用本发明的声学信号识别方法经过预处理后得到的信号图。

图3是利用传感器采集到的金刚石压机正常声发射信号与顶锤裂纹故障信号的LSP系数对比图。

图4是利用传感器采集到的金刚石压机正常声发射信号与顶锤裂纹故障信号的谱重心对比图。

图5是利用传感器采集到的金刚石压机正常声发射信号与顶锤裂纹故障信号的谱面积对比图。

图6是利用传感器采集到的金刚石压机正常声发射信号与顶锤裂纹故障信号的峰峰熵值对比图。

具体实施方式

下面结合附图和实施例对本发明所述的一种用于金属裂纹监测的声学信号识别方法进行详细说明。

图1是基于声学信号法的金属裂纹监控检测的处理流程图。

步骤1)通过传感器采集到被测机械设备金属表面的声学信号，采用谱减法对该声学信号进行滤波降噪处理。

所述的谱减法是处理宽带噪声的有效方法，该方法假设噪声是统计平稳的，即有声学信号期间噪声幅度谱的期望值与无声学信号期间噪声幅度谱的期望值相等，这种假设也与现实的工况相符合。计算无声学信号期间的噪声频谱估计值，以此取代有声学信号期间的噪声的频谱值，再用带噪声的声学信号的频谱值减去该估计值。当上述差值为负数时，将其置零。最后得到的即为消噪以后的声学信号的频谱值。

从图2a中传感器采集到的原始故障信号与图2b中经过谱减法预处理后的信号进行比较可知(横轴为样点数，纵轴为幅度)，背景噪声被大大滤除了。

步骤2)利用功率阈值法对步骤1)处理后的信号进行端点检测，提取独立的脉冲声，定义一个功率阈值，如果信号的瞬时功率超过该阈值，即视为信号的开始；

步骤3)对步骤2)中获得的脉冲声进行特征向量提取，特征向量包括四个元素，分别为线谱对系数、谱重心、谱面积和峰峰幅度熵。

1)线谱对系数(LSP)

声学信号的谱特性全部包含在线谱对系数中，定义为如下多项式的根：

$\left\{\begin{array}{c}P\left(z\right)=A_p\left(z\right)+z^{-(p+1)}\·A_p\left(z^{-1}\right)\\ Q\left(z\right)=A_p\left(z\right)-z^{-(p+1)}\·A_p\left(z^{-1}\right)\end{array}\right.$ (式1)

其中，是线性预测函数，p为预测阶数，a_i为预测系数，z＝e^jω表示变换的参数，当系统稳定时，自定义函数P(z)和Q(z)的根都位于单位圆上，且交替出现。设为P(z)的零点，为Q(z)的零点，则由上述式1得：

$\left\{\begin{array}{c}P\left(z\right)=(1+z^{-1})\underset{i=1}{\overset{p/2}{\mathrm{\Π}}}(1-2\·\cos {\mathrm{\ω}}_i\·z^{-1}+z^{-2})\\ Q\left(z\right)=(1-z^{-1})\underset{i=1}{\overset{p/2}{\mathrm{\Π}}}(1-2\·\cos {\mathrm{\θ}}_i\·z^{-1}+z^{-2})\end{array}\right.$ (式2)

其中，cosω_i和cosθ_i就是LSP系数在余弦域的表示，i＝1,2,...,p/2，ω_i和θ_i则是与LSP系数对应的线谱频率LSF。那么，由式2能够获得声发射信号的功率谱表示为：

$\begin{array}{c}{\left|H\left(e^{\mathrm{j\ω}}\right)\right|}^2=\frac{1}{{\left|A\left(e^{\mathrm{j\ω}}\right)\right|}^2}\\ =2^{-p}\·{[{\sin }^2(\mathrm{\ω}/2)\underset{i=1}{\overset{p/2}{\mathrm{\Π}}}{(\cos \mathrm{\ω}-\cos {\mathrm{\θ}}_i)}^2+{\cos }^2(\mathrm{\ω}/2)\underset{i=1}{\overset{p/2}{\mathrm{\Π}}}{(\cos \mathrm{\ω}-\cos {\mathrm{\ω}}_i)}^2]}^{-1}\end{array}$ (式3)

从图3可知，正常信号的线谱对系数基本保持为0，而故障信号的线谱对系数则在0.01附近波动。因此，LSP系数可以准确的表达声发射信号谱的特点，并且可以作为模式判别的依据之一。

2)谱重心

声发射信号的功率谱反映了声发射信号中各频率成分能量的大小，当信号中某些频率成分发生变化时，功率谱的重心位置也将发生变化。因此，通过监测功率谱重心位置的变化，可以很好的了解声发射信号频域特征的变化。

信号功率谱的重心位置可以表示为：

${\mathrm{\ω}}_c=\frac{\underset{0}{\overset{\mathrm{\π}}{\∫}}\mathrm{\ω}\·S\left(\mathrm{\ω}\right)\mathrm{d\ω}}{\underset{0}{\overset{\mathrm{\π}}{\∫}}S\left(\mathrm{\ω}\right)\mathrm{d\ω}}=\frac{\underset{k=0}{\overset{(N-1)/2}{\mathrm{\Σ}}}\frac{2\mathrm{\πk}}{N}P\left(k\right)}{\underset{k=0}{\overset{(N-1)/2}{\mathrm{\Σ}}}P\left(k\right)}$ (式4)

其中，ω为频率，S(ω)为连续信号功率谱，为离散信号功率谱，ω ₁和ω ₂分别表示信号频谱的上、下区间，X表示采集到的信号，N表示数据点数，k表示第k个数据。从图4可知，故障信号的谱重心最低值为0.08，而正常信号的谱重心低于0.02。因此，谱重心可以准确的表达声发射信号谱的特点，并且可以作为模式判别的依据之一。

3)谱面积

谱面积是从频域表征声发射信号特征的参数。相较于正常信号，故障信号含有较多的脉冲成分，谱面积的计算公式可表示为：

$A=\underset{{\mathrm{\ω}}_1}{\overset{{\mathrm{\ω}}_2}{\∫}}f\left(\mathrm{\ω}\right)\mathrm{d\ω}=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\left|X\left(k_i\right)\right|$ (式5)

其中，X表示采集到的信号，N表示数据点数。相较于正常信号，由于故障信号中含有大量的脉冲信号，因此在积分后，故障信号的A值大于正常信号的A值。由此可以通过推断故障信号的谱面积大于正常信号的谱面积以区分正常信号和故障信号。从图5可知，故障信号的谱面积位于10的三次方的量级，而正常信号的谱面积位于10的一次方的量级。因此，谱面积可以作为故障检测的依据。

4)峰峰幅度熵

峰峰幅度熵是从波型结构角度提出的特征参数，具体算法如下：

设H＝max(A_i)为声发射信号的最大峰峰幅度，用H归一化所有的峰峰幅度，并将取值范围平均分为N等分，记为Δ₁,Δ₂,...,Δ_N。然后统计落在不同区域内的峰峰值个数，记为k_i，(i＝1,2,...,N)，则落在Δ_n区域内的概率为分别计算落在Δ₁,Δ₂,...,Δ_N区间的概率P_Δ1,P_Δ2,...,P_ΔN，则可由下述式6计算得到该信号的峰峰幅度熵：

$H=-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{P}_{\mathrm{\Δi}}\·\log P_{\mathrm{\Δi}}$ (式6)

峰峰幅度熵H代表峰峰幅度变化的激烈程度，当信号中含有声发射信号时，峰峰幅度变化加剧，峰峰幅度熵值会增大，从图6可知，正常信号的峰峰幅度熵均高于0.4，而故障信号的峰峰幅度熵低于0.4。所以，峰峰幅度熵也可用作特征参数。

步骤4)将步骤3)中提取的特征向量输入至故障分类器模型进行模式识别，判断所述的声学信号是否表示为金属裂纹故障信号。

所述的故障分类器模型可采用支持向量数据描述的故障分类器模型，采集到上述特征参数后，采用支持向量机技术进行故障监测。支持向量机是一种二类分类模型，它的基本模型是定义在特征空间上的最大间隔线性分类器。首先建立特征空间，提取已知故障信号和正常信号的特征参数，以此组成特征向量，然后将得到的特征向量映射到特征空间中，根据间隔最大化原理，在特征空间中找到一个分离超平面，分离故障信号特征向量和正常信号特征向量。具体处理过程如下所述：

通过学习训练获取正常类样本集X_i(i＝1,2,...)，即根据顶锤正常时采集到的声学信号的特征向量可得到一个封闭而紧凑的最小超球面来描述顶锤的正常状态，超球面由球面中心坐标a和半径R所决定，为了提高算法的鲁棒性，即允许在超球面内部包含非目标样本数据，引入松弛变量ξ_i和惩罚参数C，定义结构风险为：

$\left\{\begin{array}{cc}\min & F(R,a)=R^2+C\underset{i}{\mathrm{\Σ}}{\mathrm{\ξ}}_i\\ s.t& {\left|\right|x_i-a\left|\right|}^2\≤R^2+{\mathrm{\ξ}}_i\\ & {\mathrm{\ξ}}_i\≥0(i=\mathrm{1,2},...,l)\end{array}\right.$ (式7)

引入拉格朗日乘子α_i,β_i，化简以后得到最终的优化问题：

$L(R,a,{\mathrm{\α}}_i,{\mathrm{\β}}_i)=R^2+C\underset{i}{\mathrm{\Σ}}{\mathrm{\ξ}}_i-\underset{i}{\mathrm{\Σ}}{\mathrm{\α}}_i(R^2+{\mathrm{\ξ}}_i-{\left|\right|x_i-a\left|\right|}^2)-\underset{i}{\mathrm{\Σ}}{\mathrm{\β}}_i{\mathrm{\ξ}}_i$ (式8)

求L关于R,a,ξ_i的偏导数，并取偏导数值为0，由于α_i≥0,β_i≥0，所以C≥α_i≥0，其对偶问题表示为：

$L(R,a,{\mathrm{\α}}_i,{\mathrm{\β}}_i)=\underset{i}{\mathrm{\Σ}}{\mathrm{\α}}_i(x_i,x_i)-\underset{i,j}{\mathrm{\Σ}}{\mathrm{\α}}_i{\mathrm{\α}}_j(x_i\·x_j),(0{\≤\mathrm{\α}}_i\≤C,\underset{i}{\mathrm{\Σ}}{\mathrm{\α}}_i=1)$ (式9)

从对偶问题的约束条件(||x_i-a||²≤R²+ξ_i，∑α_i·(||x_i-a||²-R²+ξ_i)＝0，C≥α_i≥0)可得，当某样本点xi满足限制条件的不等式||x_i-a||²＜R²+ξ_i时，相应的拉格朗日乘子为0，即α_i＝0，则该样本点为目标样本点；当样本点x_i满足等式||x_i-a||²＝R²+ξ_i时，相应的拉格朗日乘子大于0，此时需要加强限制条件进行二次判断：若x_i对应的α_i满足C＞α_i＞0时，则所述的样本点x_i在超球面边界上，该样本点x_i为支持向量SV(Support Vectors)，表示正常信号；若x_i对应的α_i满足C＝α_i时，则所述的样本点x_i在超球体之外，表示故障信号。

对于某一给定的新数据点z，新数据点z指将新的特征向量映射到特征空间后的数据，根据如下函数判别所属类别：

f_SVDD(z,a,R)＝I(||z-a||²≤R²)＝I((z·z)-2∑_ia_i(z·x_i)+∑_i,ja_ia_j(x_i·x_i)≤R²)

(式10)

其中，I为指示函数，此处的A指事件，若A为真时，则判定为正常信号，若A为假时，则判定为故障信号。

另外，在上述模型中可选取径向基函数(Radial Basis Function，RBF)作为分类器的核函数，核函数参数s和惩罚参数C可通过遍历法优化选取。最后依据识别结果是故障信号还是正常信号，对满足要求的故障信号报警。即如果判定声发射信号为故障信号，那么对满足预设条件的故障信号进行声光报警，同时控制设备停止工作，以及时避免由于裂纹对整体设备所造成的损毁，或酿成安全事故的问题出现。

最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (6)

1.一种用于金属裂纹监测的声学信号识别方法，其特征在于，包括：

步骤1)通过传感器采集被测设备金属表面的声学信号，并利用谱减法对声学信号进行滤波降噪处理；

步骤2)利用功率阈值法对步骤1)处理后的信号进行端点检测，提取独立的脉冲声；

步骤3)对步骤2)中获得的脉冲声做特征向量提取，计算组成特征向量的四个元素：谱重心、谱面积、线谱对系数和峰峰幅度熵；

步骤4)将步骤3)中提取的特征向量输入至故障分类器模型进行模式识别，判断所述的声学信号是否表示为金属裂纹故障信号。

2.根据权利要求1所述的用于金属裂纹监测的声学信号识别方法，其特征在于，所述的线谱对系数通过以下公式计算获得：

$\left\{\begin{array}{c}P\left(z\right)=(1+z^{-1})\underset{i=1}{\overset{p/2}{\mathrm{\Π}}}(1-2\·\cos {\mathrm{\ω}}_i\·z^{-1}+z^{-2})\\ Q\left(z\right)=(1-z^{-1})\underset{i=1}{\overset{p/2}{\mathrm{\Π}}}(1-2\·\cos {\mathrm{\θ}}_i\·z^{-1}+z^{-2})\end{array}\right.$

其中，cosω_i和cosθ_i为线谱对系数在余弦域的表示，i＝1,2,...,p/2，ω_i、θ_i表示与线谱对系数对应的线谱频率，z表示变换的参数。

3.根据权利要求1所述的用于金属裂纹监测的声学信号识别方法，其特征在于，所述的谱重心表示为：

${\mathrm{\ω}}_c=\frac{\underset{0}{\overset{\mathrm{\π}}{\∫}}\mathrm{\ω}\·S\left(\mathrm{\ω}\right)\mathrm{d\ω}}{\underset{0}{\overset{\mathrm{\π}}{\∫}}S\left(\mathrm{\ω}\right)\mathrm{d\ω}}=\frac{\underset{k=0}{\overset{(N-1)/2}{\mathrm{\Σ}}}\frac{2\mathrm{\πk}}{N}P\left(k\right)}{\underset{k=0}{\overset{(N-1)/2}{\mathrm{\Σ}}}P\left(k\right)}$

其中，ω表示频率，S(ω)表示连续信号功率谱，表示离散信号功率谱，X表示采集到的信号，N表示数据点数，k表示第k个数据。

4.根据权利要求1所述的用于金属裂纹监测的声学信号识别方法，其特征在于，所述的谱面积表示为：

$A=\underset{{\mathrm{\ω}}_1}{\overset{{\mathrm{\ω}}_2}{\∫}}f\left(\mathrm{\ω}\right)\mathrm{d\ω}=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\left|X\left(k_i\right)\right|$

其中，A表示谱面积，X表示采集到的信号，N表示数据点数，k_i表示第i个数据，ω ₁和ω ₂分别表示信号频谱的上、下区间。

5.根据权利要求1所述的用于金属裂纹监测的声学信号识别方法，其特征在于，所述的峰峰幅度熵表示为：

$H=-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{P}_{\mathrm{\Δi}}\·\log P_{\mathrm{\Δi}}$

其中，设H＝max(A_i)为声发射信号的最大峰峰幅度，用H归一化所有的峰峰幅度，并将取值范围平均分为N等分，记为Δ₁,Δ₂,...,Δ_N，然后统计落在不同区域内的峰峰值个数，记为k_i，(i＝1,2,...,N)，则落在Δ_n区域内的概率为

6.根据权利要求1所述的用于金属裂纹监测的声学信号识别方法，其特征在于，所述步骤4)中的故障分类器模型采用基于支持向量数据描述的故障分类器模型，表示为：

f_SVDD(z,a,R)＝I(||z-a||²≤R²)＝I((z·z)-2Σ_ia_i(z·x_i)+Σ_i,ja_ia_j(x_i·x_i)≤R²)

其中，I为指示函数，a表示超球面的球面中心坐标，R表示超球面的半径，z表示将新的特征向量映射到特征空间后的数据，A表示事件，若A为真时，则判定为正常信号，若A为假时，则判定为故障信号。