CN110045002A

CN110045002A - 磁声发射信号无量纲特征参数提取方法

Info

Publication number: CN110045002A
Application number: CN201910398662.1A
Authority: CN
Inventors: 李志农; 吴莎; 曾文钧; 沈功田; 沈永娜
Original assignee: Nanchang Hangkong University
Current assignee: Nanchang Hangkong University
Priority date: 2019-05-14
Filing date: 2019-05-14
Publication date: 2019-07-23
Anticipated expiration: 2039-05-14
Also published as: CN110045002B

Abstract

本发明公开了一种磁声发射信号无量纲特征参数提取方法，通过Unwinding AFD算法将信号分解为单分量函数，通过选择能量差较小的单分量函数组成重构信号；在不同励磁条件下分别提取低周疲劳状态和高周疲劳状态下的磁声发射信号传统特征参数和无量纲特征参数，通过归一化处理，将传统特征参数与无量纲特征参数进行对比，取得无量纲特征参数对早期故障微观组织结构状态和应力状态分析结果。本发明克服了传统声发射信号特征参数振铃计数受门限值大小的影响；又解决了有效值电压作为特征参数对早期故障不敏感的问题。能更精细、准确的描述磁声发射信号变化，能够做到对磁声发射信号进行很好的分析，从而指导相关的无损检测技术现场的实际应用。

Description

磁声发射信号无量纲特征参数提取方法

技术领域

本发明涉及一种磁声发射信号提取技术，特别涉及基于自适应Fourier分解的磁声发射信号无量纲特征参数提取方法。

背景技术

磁声发射技术作为一种新型磁性无损检测技术，其在铁磁性金属材料早期疲劳状态检测方法展现出极大的潜力。目前针对磁声发射信号处理提取的特征参数主要有：振铃计数、幅度和有效值电压，其中有效值电压用来表征磁声发射信号的能量，振铃计数以及幅度用来表征磁声发射信号的强度。但是，振铃计数受到门限值大小的影响，而有效值电压对于铁磁性材料早期疲劳状态并不敏感，这就使得我们的磁声发射信号并不能很好地材料的微观组织结构和应力状态的变化状态，从而很难实现将磁声发射技术用于材料早期疲劳状态的快速检测。其次，与声发射信号相比，磁声发射信号较弱，幅度也偏低，容易被外部的因素所干扰，对磁声发射的现场应用具有很大的制约作用。

澳门大学数学系钱涛教授经过潜心钻研提出了一种新的数学变换，称之为自适应傅里叶分解，其具有比传统傅里叶变换收敛速度快且能表达瞬时频率的特点。钱涛^[1]提出自适应Fourier分解算法是贪婪算法(匹配追踪)的变异和实现，适用于Hardy H²和L²空间。将自适应Fourier分解算法应用于给定信号，可获得基本信号中的一系列扩展，称为单分量，其具有非负分析相位导数(函数)，或等效地、有意义的瞬时频率。与贪婪算法一致的原理表明，自适应Fourier分解算法产生(预)单组分系列具有有效的能量衰减，这也导致在计算机运行时间方面的有效逐点收敛。钱涛^[2]将Hardy空间中的函数分解成正交有理系统{B_n}中基本函数的线性组合，这些组合是移位Cauchy核的Gram–Schmidt正交化过程中得到的，而这就使得有限能量的四元数值信号能够自适应分解。钱涛^[3]对该方法的进一步深究是自适应傅里叶分解研究的延续，它在不是平稳光滑的温和条件下提供收敛速率，因此结果表明在平均意义上对应于傅里叶级数的参数的选择是最优的，同时还提出了自适应有理正交系统与移位Cauchy核及其导数的相关序列之间的变换矩阵。Liming Zhang^[4]提出了基于自适应傅里叶分解算法的时频分析方法，文章从三个方面介绍了基于AFD的时频分析原理：瞬时频率分析，频谱分析和频谱图分析，并且进行了实验，将傅里叶变换的收敛速度和短时傅里叶变换的时频分布进行了比较，结果表明所提出的方法比傅立叶变换和短时傅里叶变换都表现得更好。Jonathan Chauvin^[5]提出了自适应滤波器上的傅立叶基分解系数的方法，该分解是基于物理的发动机动力学时变模型设计的，在连续和离散情况下使用Lyapounov函数证明了收敛性，并且介绍了实验的测试平台和开发环境。梁瑜^[6]采用自适应傅里叶分解算法，将滚动轴承振动信号分解为一系列单一分量信号的同时计算每一个单分量的峭度，然后将结果从由大到小进行排列，找到其稳定的拐点，最后对找到的稳定拐点前的所有分量信号求和然后作共振解调以此作为滚动轴承故障的方法，通过研究发现该方法相较于传统的共振解调方法能够更加有效地诊断出滚动轴承的故障。胡爱军等人^[7-8]利用EEMD将滚动轴承振动信号进行分解，并根据峭度最大准则选取分解后的IMF进行包络解调，从而有效地提取故障特征信息。苏文胜^[9]采用基于互相关系数和峭度准则的EMD降噪对滚动轴承信号进行预处理，突出高频共振成分,可以更好地诊断滚动轴承早期故障。刘德军^[10]针对串联电弧故障主线路电流检测方法易受非线性负载额定电流波形影响的问题，根据电导和极化过程产生介质损耗电流的原理，提出一种基于剩余电流采集和峰值脉冲指标识别的检测方法。有量纲特征参数虽然会随着损伤的发展而变化，但是易受到工作条件的影响，而无量纲特征参数不易受到工作状况的影响，能够更好地反映疲劳状态下磁声发射信号的信号特征。峭度指标和脉冲指标对冲击脉冲类疲劳损伤比较敏感，当早期疲劳损伤发生时，大幅度脉冲不多，因此均方根值变化不明显，但是这两个特征参数值显著上升。随着疲劳损伤的发展反而会下降，这就表示它们对早期疲劳损伤敏感但是稳定性不太好，而均方根值对早期疲劳损伤不太敏感，但是稳定性较好。张清华^[11]提出无量纲特征参数(Dimensionless characteristic parameter)由两个具有相同量纲量的比值构成，用其表达某一特定体系时具有一定的物理意义。解云峰等^[12]通过遗传编程的方法对既有参数进行了重新组合和优化，提出了一个新的无量纲指标N(N＝(K_v+C_f)²-2C_lfI_f；K_v为峭度指标、C_f为峰值指标、C_lf为裕度指标、I_f为脉冲指标)，将提出的信的无量纲指标用于旋转机械的并发故障诊断，结果表明该参数对文中所列的几种并发故障能够达到比较好的识别效果。

无量纲指标定义如下：

其中：x表示振动幅值，P(x)表示振动幅值的概率密度函数。本文中用到的无量纲特征参数有波形指标、脉冲指标峰值指标和峭度指标。

当l＝2,m＝1时有波性指标

当l→∞,m＝1时有脉冲指标

当l→∞,m＝2时有峰值指标

当l＝4,m＝2时有

而峭度是把幅值进行四次方的运算，一个脉冲信号按照四次方关系变化之后，高的幅值就会更突出而低的则会被抑制，因此提取特征参数的时候更容易识别出来，有

此时，有峭度指标

其中：X_rms为均方根值；X_max为峰值；为绝对均值；β为峭度。

发明内容

为了解决磁声发射信号传统特征参数对于材料的微观组织结构和应力状态变化不敏感问题以及磁声发射信号容易被噪声所湮没等问题，本发明结合自适应Fourier分解算法和无量纲特征参数在分析磁声发射信号中各自的优点，提出了一种基于自适应Fourier分解的磁声发射信号分析方法，同时用无量纲特征参数代替声发射信号中的振铃计数、幅度、有效值电压(RMS)对磁声发射信号特征参数进行提取，突出无量纲特征参数在分析磁声发射信号方面的优越性，通过在疲劳状态下得到的结果，来验证提出方法的有效性。以此来更精细、准确的描述磁声发射信号变化，从而使得磁声发射技术能够更好地用于材料早期疲劳状态的快速检测。

本发明采用以下技术方案来实现上述目的。磁声发射信号无量纲特征参数提取方法，通过自适应Fourier分解将磁声发射信号正频分解成具有最佳分析特性的平滑函数，然后基于从高能模式到低能模式的连续能量提取，并将磁声发射信号分成单组分的总和与原始仿真信号匹配；其特征在于，

具体步骤如下：

1)导入原始仿真信号；

2)通过Unwinding AFD算法将原始仿真信号分解为单分量函数，通过选择能量差较小的单分量函数组成重构信号；

3)在不同励磁条件下分别提取低周疲劳状态和高周疲劳状态下的磁声发射信号传统特征参数和无量纲特征参数，做出重构信号与原始仿真信号提取出的无量纲特征参数对比图；

4)通过归一化处理，做出传统特征参数以及无量纲特征参数与循环周次的关系图，将传统特征参数与无量纲特征参数进行对比，取得无量纲特征参数对早期故障微观组织结构状态和应力状态分析结果。

进一步，所述不同励磁条件是指励磁频率和励磁电压的不同范围。

进一步，所述励磁频率的范围为10～50Hz。

进一步，所述励磁电压的范围为0～4V。

进一步，所述重构信号是经过AFD分解得到的单分量函数与原始仿真信号结合在一起，寻找到的能量差最小的单分量函数组结合的信号。

进一步，所述传统特征参数是能量、幅度(dB)和有效值电压(mV)的参数。

进一步，所述无量纲特征参数是波形指标、脉冲指标、峰值指标和峭度指标。

本发明提出的无量纲特征参数既克服了传统声发射信号特征参数振铃计数受门限值大小的影响；又解决了有效值电压作为特征参数对早期故障不敏感的问题。能更精细、准确的描述磁声发射信号变化，能够做到对磁声发射信号进行很好的分析，从而指导相关的无损检测技术现场的实际应用。

附图说明

图1是本发明基于AFD分解的磁声发射信号特征提取原理框图；

图2是本发明中的原始仿真信号图；

图3a是本发明中分解层为10层的重构信号与原始仿真信号的对比图；

图3b是本发明中分解层为33层的重构信号与原始仿真信号的对比图；

图3c是本发明中分解层为39层的重构信号与原始仿真信号的对比图；

图3d是本发明中分解层为50层的重构信号与原始仿真信号的对比图；

图4是本发明中Q235钢低周疲劳状态下重构信号与原始仿真信号SNR对比图；

图中：1.励磁频率40HZ、励磁电压2V、重构信号的SNR；2.励磁频率40HZ、励磁电压2V、原始仿真信号的SNR；3.励磁频率40HZ、励磁电压3V、重构信号的SNR；4.励磁频率40HZ、励磁电压3V、原始仿真信号的SNR；

图5a是本发明中励磁频率40Hz，励磁电压2V的低周疲劳下的原始仿真信号与分解15层得到的重构信号的能量对比图；

图5b是本发明中励磁频率40Hz，励磁电压2V的低周疲劳下的原始仿真信号与分解15层得到的重构信号的幅度对比图；

图5c是本发明中励磁频率40Hz，励磁电压2V的低周疲劳下的原始仿真信号与分解15层得到的重构信号的有效值电压对比图；

图6a是本发明中励磁频率40Hz，励磁电压3V的低周疲劳下的原始仿真信号与分解15层得到的重构信号的能量对比图；

图6b是本发明中励磁频率40Hz，励磁电压3V的低周疲劳下的原始仿真信号与分解15层得到的重构信号的幅度对比图；

图6c是本发明中励磁频率40Hz，励磁电压3V的低周疲劳下的原始仿真信号与分解15层得到的重构信号的有效值电压对比图；

图7a是本发明中励磁频率40Hz，励磁电压2V的低周疲劳下的原始仿真信号与分解15层得到的重构信号的波形指标对比图；

图7b是本发明中励磁频率40Hz，励磁电压2V的低周疲劳下的原始仿真信号与分解15层得到的重构信号的脉冲指标对比图；

图7c是本发明中励磁频率40Hz，励磁电压2V的低周疲劳下的原始仿真信号与分解15层得到的重构信号的峰值指标对比图；

图7d是本发明中励磁频率40Hz，励磁电压2V的低周疲劳下的原始仿真信号与分解15层得到的重构信号的峭度指标对比图；

图8a是本发明中励磁频率40Hz，励磁电压3V的低周疲劳下的原始仿真信号与分解15层得到的重构信号的波形指标对比图；

图8b是本发明中励磁频率40Hz，励磁电压3V的低周疲劳下的原始仿真信号与分解15层得到的重构信号的脉冲指标对比图；

图8c是本发明中励磁频率40Hz，励磁电压3V的低周疲劳下的原始仿真信号与分解15层得到的重构信号的峰值指标对比图；

图8d是本发明中励磁频率40Hz，励磁电压3V的低周疲劳下的原始仿真信号与分解15层得到的重构信号的峭度指标对比图；

图9a是本发明中Q235钢在励磁频率40Hz，励磁电压2V的低周疲劳下重构信号提取出的各特征参数归一化图；

图9b是本发明中Q235钢在励磁频率40Hz，励磁电压3v的低周疲劳下重构信号提取出的各特征参数归一化图；

图中：1.经过AFD分解15层的重构信号提取出的有效值电压；2.经过AFD分解15层的重构信号提取出的幅度；3.经过AFD分解15层的重构信号提取出的能量；4.经过AFD分解15层的重构信号提取出的波形指标；5.经过AFD分解15层的重构信号提取出的脉冲指标；6.经过AFD分解15层的重构信号提取出的峰值指标；7.经过AFD分解15层的重构信号提取出的峭度指标；

图10是本发明中Q235钢高周疲劳状态下重构信号与原始仿真信号SNR对比图；

图11a是本发明中励磁频率40Hz，励磁电压4V的高周疲劳下的原始仿真信号与重构信号的能量对比图；

图11b是本发明中励磁频率40Hz，励磁电压4V的高周疲劳下的原始仿真信号与重构信号的幅度对比图；

图11c是本发明中励磁频率40Hz，励磁电压4V的高周疲劳下的原始仿真信号与重构信号的有效值电压对比图；

图12a是本发明中励磁频率40Hz，励磁电压4v的高周疲劳下的原始仿真信号与重构信号的波形指标对比图；

图12b是本发明中励磁频率40Hz，励磁电压4v的高周疲劳下的原始仿真信号与重构信号的脉冲指标对比图；

图12c是本发明中励磁频率40Hz，励磁电压4v的高周疲劳下的原始仿真信号与重构信号的峰值指标对比图；

图12d是本发明中励磁频率40Hz，励磁电压4v的高周疲劳下的原始仿真信号与重构信号的峭度指标对比图；

图13是本发明中Q235钢高周疲劳状态下重构信号提取出的各特征参数归一化图；

图中：1.经过AFD分解15层的重构信号提取出的有效值电压；2.经过AFD分解15层的重构信号提取出的幅度；3.经过AFD分解15层的重构信号提取出的能量；4.经过AFD分解15层的重构信号提取出的波形指标；5.经过AFD分解15层的重构信号提取出的脉冲指标；6.经过AFD分解15层的重构信号提取出的峰值指标；7.经过AFD分解15层的重构信号提取出的峭度指标。

具体实施方式

以下结合附图和实施例对本发明作进一步说明。

磁声发射信号无量纲特征参数提取方法，提出磁声发射信号的无量纲特征参数，对重构后的磁声发射信号采用波形指标、脉冲指标、峰值指标和峭度指标的无量纲参数代替传统声发射信号中的振铃计数、幅度和有效值电压(RMS)特征参数，对磁声发射信号进行提取；其步骤如下：

1.基于自适应Fourier分解的磁声发射无量纲参数特征提取：

磁声发射信号在实验与采集的过程中，往往因为磁声发射信号本身易受到外部因素的干扰，对于人们不能有效提取特征参数造成严重的影响。自适应Fourier分解可以快速收敛地将信号正频分解成具有最佳分析特性的平滑函数，然后基于从高能模式到低能模式的连续能量提取，将信号分成单组分的总和与原始仿真信号匹配，在确保原始仿真信号的完整性的同时也大大提高了SNR的值。同时，为了更好的分析磁声发射信号，必须提出新的磁声发射信号的无量纲特征参数。利用波形指标、脉冲指标、峰值指标、峭度指标等无量纲参数代替声发射信号中的传统的振铃计数、幅度、有效值电压(RMS)等特征参数对磁声发射信号进行提取。提出的无量纲特征参数既克服了振铃计数受门限值大小的影响；又解决了有效值电压作为特征参数对早期故障不敏感的问题。

Nevanlinna因子分解定理表示，对于任意一个Hardy空间的函数f，存在因子分解f＝OI，其中O为外函数(outer function),I为内函数(inner function)。快速分解Hardy空间的函数的方法就是先提取出其内函数因子，再分解所剩余的外函数，这就是UnwindingAFD算法的原理。Unwinding AFD算法的收敛比Core AFD算法收敛速度明显加快。

令f₁＝f∈H²(D)，由Nevanlinna因子分解定理有f₁＝O₁I₁，其中O₁和I₁分别为f₁的外、内函数因子，对任何a₁∈D有：

记其为Hardy空间函数。

接着继续对f₂用Nevanlinna因子分解定理，得到f₂＝O₂I₂，其中O₂和I₂分别为f₂的外、内函数因子，对O₂重复以前O₁做的计算，n步之后得到：

其中：

式(9)中：对于单位圆内的任意a₁,...,a_n为恒等式，而Unwinding AFD算法就是在上述过程中加入对所有a_k之后所有k关于下式(10)的选择：

a_k＝arg max{|Q_k,e_a|:a∈D} (10)

这就称为Unwinding AFD算法的最大选择原理。最大选择原理：对任何f∈H²(D)，存在a∈D，使得：

|＜f,e_a＞|²＝(1-|a|²)|f(a)|²＝max{(1-|b|²)|f(b)|²:b∈D} (11)

Unwinding AFD算法是最有效的分解过程，它能够使信号产生瞬时频率分解，而Unwinding AFD算法可能需要大的计算空间来记录内部函数以及因子化的计算，尤其是外部函数的计算，其取决于Hilbert变换的计算。

如果Hardy空间中的信号的形式为s(z)＝z^Ng(z)，而N很大且g(z)保留在Hardy空间中，那么s则被定义为高频。Unwending AFD算法最适合用于高频率信号分解。

本发明基于AFD的磁声发射信号特征提取原理(如图1所示)，首先应用AFD分解得到单分量函数，然后将单分量函数应用到磁声发射原始仿真信号中，得到能量差最小的单分量函数组，将这些能量差最小的单分量函数组重构为重构信号，从而去除了外界干扰，接着将无量纲特征参数波形指标、脉冲指标、峰值指标和峭度指标代替声发射信号中的传统特征参数振铃计数、幅度、有效值电压(RMS)对重构信号特征参数进行提取。

2.仿真研究：

为了研究该算法的有效性，首先导入原始仿真信号，该仿真信号如图2所示，图中，横轴标表示时间，纵坐标表示信号的幅值。然后对原始仿真信号运用AFD算法分解。图3a到图3d是本发明中基于Unwinding AFD算法的不同分解层的原始仿真信号与重构信号对比图，这里只给出了具有代表性的分解图。其中：图3a、图3b、图3c、图3d分别是分解层为10、33、39、50的重构信号与原始仿真信号的对比图。从图3a的分解层数为10到图3d的分解层数为50的重构信号与原始仿真信号的能量差在逐渐递减(中间省略的分解层数的能量差均为递减)。这就表示在使用Unwinding AFD算法时和Cyclic AFD算法、Core AFD算法不一样，没有一个最佳分解层数即并不需要人为去选择分解层。随着分解层数的增加重构信号与原始仿真信号的能量差越来越小，也就是说分解层数越多重构信号与原始仿真信号越为接近。而运用Core AFD算法分解仿真信号得到最小能量差0.000087049的分解层数为39，运用Cyclic AFD算法分解仿真信号得到的最小能量差0.000088013的分解层数为33，不论从分解层还是能量差来看，两个算法得到的结果没有差很多，而运用Unwinding AFD算法在分解层数为10的时候就已经比前两种算法的能量差还要小了，到分解层为39的时候能量差小到0.0000045403,。因此Unwinding AFD算法相比于前两种算法收敛速度更快，而且快很多。

3.疲劳状态下的传统特征参数和无量纲特征参数提取：

进行低周疲劳试验前，为了避免Q235钢失效，首先在最大应力350MPa，应力比为0.1的加载状态下循环1000次，以增大试样的强度。本次低周疲劳实验采用励磁频率为40Hz，励磁电压为2V的3V的方波电压对线圈进行励磁，每循环到一定疲劳周期，停机取下试样进行磁声发射测试。进行高周疲劳试验前，为了避免Q235钢失效，首先在最大应力280MPa，应力比为0.1的加载状态下循环1000次，以增大试样的强度。本次高周疲劳实验采用励磁频率为40Hz，励磁电压为4V的方波电压对线圈进行励磁，每循环到一定疲劳周期，停机取下试样进行磁声发射测试。

(1)低周疲劳状态下的传统特征参数和无量纲特征参数提取：

通过AFD算法不光能够使重构信号与原始仿真信号具有较小的能量差较高的相似度，对于提高磁声发射信号的信噪比也具有很大的作用。图4是Q235钢低周疲劳下重构信号与原始仿真信号的SNR对比图，图中的横坐标表示循环周次，纵坐标表示SNR(信噪比)。其中，图4中标记1的曲线是在励磁频率为40Hz、励磁电压2v的条件下、计算得到重构信号的SNR值而作出循环周次和信噪比的图，从图中可以看出，随着循环周次的增加，其信噪比并没有很大的起伏，大约在19附近；标记2的曲线是在励磁频率为40Hz、励磁电压2v的条件下、计算得到原始仿真信号的SNR值而作出循环周次和信噪比的图，从图中可以看出，随着循环周次的增加，其信噪比并没有很大的起伏，大约在16附近；标记3的曲线是在励磁频率为40Hz、励磁电压3v的条件下、计算得到重构信号的SNR值而作出循环周次和信噪比的图，从图中可以看出，随着循环周次的增加，其信噪比和标记1的曲线大致一样；标记4的曲线是在励磁频率为40Hz、励磁电压3v的条件下、计算得到原始仿真信号的SNR值而作出循环周次和信噪比的图，从图中可以看出，随着循环周次的增加，其信噪比和标记2的曲线大致一样，从在相同的励磁条件下来看，重构信号的信噪比明显高于原始仿真信号的信噪比，这就说明AFD分解算法能够在减小重构信号与原始仿真信号能量差的同时保持了原始仿真信号的信号特征，且提高了磁声发射信号的信噪比，这对于后续提取磁声发射信号的特征参数具有重要意义。

图5a至图5c是本发明中Q235钢在励磁频率40Hz，励磁电压2V的励磁条件下，提取出低周疲劳状态下的重构信号与原始仿真信号的传统特征参数而作出的循环周次和能量、幅度和有效值电压的对比图。其中，图5a中的横坐标表示的是循环周次，纵坐标表示信号的能量，提取原始仿真信号与重构信号的能量特征参数进行对比。图5b中的横坐标是循环周次，纵坐标是幅度，提取原始仿真信号与重构信号的幅度特征参数进行对比。图5c中的横坐标是循环周次，纵坐标是有效值电压，提取原始仿真信号与重构信号的有效值电压特征参数进行对比。从对比图来看，随着循环周次的增加，不论是传统特征参数的能量、幅度，还是有效值电压，重构信号相对于原始仿真信号而言，其在曲线的拐点处更加的敏感，因而能更加准确地判定材料所处的状态。

图6a至图6c是本发明中Q235钢在励磁频率40Hz，励磁电压3V的条件下，提取出低周疲劳状态下重构信号与原始仿真信号的传统特征参数而作出的循环周次和传统特征参数对比图。其中，图6a中的横坐标表示的是循环周次，纵坐标表示信号的能量，提取原始仿真信号与重构信号的能量特征参数进行对比。图6b中的横坐标是循环周次，纵坐标是幅度，提取原始仿真信号与重构信号的幅度特征参数进行对比。图6c中的横坐标是循环周次，纵坐标是有效值电压，提取原始仿真信号与重构信号的有效值电压特征参数进行对比。通过对比图5a到图5c以及图6a到图6c中的原始仿真信号曲线和重构信号曲线可以发现，利用AFD算法分解15层得到的重构信号提取出的传统特征参数曲线与原始仿真信号提取出的传统特征参数曲线的总体趋势相近，但是利用AFD算法得到的整体曲线趋势更加平滑稳定。

图7a至图7d是本发明中Q235钢在励磁频率40Hz，励磁电压2V的条件下，提取出低周疲劳状态下重构信号与原始仿真信号的无量纲特征参数而作出的循环次数与无量纲特征参数的对比图.其中，图7a中的横坐标表示的是循环周次，纵坐标表示波形指标，提取原始仿真信号与经过AFD算法分解15层得到的重构信号的波形指标参数进行对比。图7b中的横坐标表示循环周次，纵坐标表示脉冲指标，提取原始仿真信号与经过AFD算法分解15层得到的重构信号的脉冲指标参数进行对比。图7c中横坐标是循环周次，纵坐标是峰值指标，提取原始仿真信号与经过AFD算法分解15层得到的重构信号的峰值指标参数进行对比。图7d中横坐标是波形指标，纵坐标是峭度指标，提取原始仿真信号与经过AFD算法分解15层得到的重构信号的峭度指标参数进行对比。

图8a至图8d是本发明中Q235钢在励磁频率40Hz，励磁电压3V的条件下，提取出低周疲劳状态下重构信号与原始仿真信号的无量纲特征参数而作出循环次数与无量纲特征参数对比图，其中：图8a中横坐标是循环周次，纵坐标是波形指标，提取原始仿真信号与重构信号的波形指标参数进行对比。图8b中横坐标是循环周次，纵坐标是脉冲指标，提取原始仿真信号与重构信号的脉冲指标参数进行对比。图8c中横坐标是循环周次，纵坐标是峰值指标，提取原始仿真信号与重构信号的峰值指标参数进行对比。图8d中横坐标是循环周次，纵坐标是峭度指标，提取原始仿真信号与重构信号的峭度指标参数进行对比。从图7a到图7d及图8a到图8d中可以看出，随着循环周次的不断增大，无量纲特征参数的值均在逐渐减小。这是因为随着循环周次的增加铁磁性金属材料的附加畴反而会消失，与此同时主畴壁的间距变小，随着循环次数的增加，各类畴均趋向于形成180°条状畴，这就导致90°畴壁比例下降，而由于90°畴壁不可逆移动产生的磁声发射远高于180°畴壁，故磁声发射的各特征参数整体呈下降趋势。同时，通过纵向可以看出，在恒定励磁频率为40HZ的情况下，随着励磁电压的增大，各特征参数值也在增大。这是因为励磁电压的增大促进了畴壁的不可逆移动、畴壁的产生和湮灭以及磁畴磁化矢量的不可逆过程，符合磁声发射产生机制的规律。

为了更清晰地看出磁声发射信号提取出的传统特征参数和无量纲特征参数与循环周次的关系，将二者做归一化处理，得到的结果如图9a和图9b所示。图9a是本发明中Q235钢在励磁频率40Hz，励磁电压2V条件下，提取低周疲劳状态下的重构信号传统特征参数与无量纲特征参数而做出循环次数与传统特征参数和无量纲特征参数的归一化图，图9b是本发明中Q235钢在励磁频率40Hz，励磁电压3V条件下，提取出低周疲劳状态下的重构信号传统特征参数与无量纲特征参数而做出循环次数与传统特征参数和无量纲特征参数的归一化图，图中的横坐标都表示的循环周次，纵坐标则都是各特征参数的归一化值。图中，标记1的曲线是经过AFD分解15层的重构信号提取出的有效值电压；标记2的曲线是经过AFD分解15层的重构信号提取出的幅度；标记3的曲线是经过AFD分解15层的重构信号提取出的能量；标记4的曲线是经过AFD分解15层的重构信号提取出的波形指标；标记5的曲线是经过AFD分解15层的重构信号提取出的脉冲指标；标记6的曲线是经过AFD分解15层的重构信号提取出的峰值指标；标记7的曲线是经过AFD分解15层的重构信号提取出的峭度指标。从图9a和图9b的对比图中可以看出，传统特征参数与循环周次的关系图曲线变化趋势较平整，尤其是在10000次以后。相对而言，无量纲特征参数与循环周次的关系图曲线出现了各种小拐点，且变化率也相对更大。这是由于归一化之后无量纲特征参数的敏感性体现了出来。因此，通过归一化的结果可以看出，无量纲特征参数相较传统的特征参数而言更加敏感性，这对于在高周疲劳状态下的研究具有推进作用。

(2)高周疲劳状态下的传统特征参数和无量纲特征参数提取：

图10是本发明中Q235钢高周疲劳状态下重构信号与原始仿真信号的SNR对比图。其中，励磁条件都是由方波励磁，励磁频率为40Hz，励磁电压为4V下获得的原始仿真信号和分解15层得到的重构信号的SNR对比图。从图10可以看出，在固定励磁频率为40HZ、励磁电压4V的方波励磁情况下，AFD分解15层得到的重构信号的SNR一直都比原始仿真信号的SNR要大。这就说明AFD分解算法能够在减小重构信号与原始仿真信号能量差的同时保持了原始仿真信号的信号特征，且提高了磁声发射信号的信噪比。

图11a至图11c是本发明中Q235钢在方波励磁，励磁频率40Hz，励磁电压4V的励磁条件下，对高周疲劳状态下重构信号与原始仿真信号提取出的传统特征参数对比图，其中：图11a中的横坐标是循环周次，纵坐标是信号的能量，提取的是原始仿真信号与重构信号的能量参数对比图。图11b中的横坐标是循环周次，纵坐标是信号的幅度，提取的是原始仿真信号与重构信号的幅度参数对比图。图11c中的横坐标是循环周次，纵坐标是信号的有效值电压，提取的是原始仿真信号与重构信号的有效值电压参数对比图。从这些对比图可知，当励磁电压为4V时，从重构信号提取传统特征参数和从原始仿真信号提取的传统特征参数的曲线变化趋势大致相同，但是从重构信号提取的传统特征参数明显在拐点处其斜率更大，因此也就说，其对于材料的微观组织的变化更加敏感。当励磁电压从2V增大到4V时，曲线在拐点处的变化速率也越来越大，因此，适当增大励磁电压能更好地反映出材料的微观组织变化情况。

图12a至图12d是本发明中Q235钢在方波励磁，励磁频率40Hz，励磁电压4V的条件下，提取出高周疲劳下重构信号与原始仿真信号的无量纲特征参数而作出循环周次和无量纲特征参数对比图，其中：图12a中的横坐标是循环周次，纵坐标是波形指标，提取的是原始仿真信号与重构信号的波形指标参数对比图。图12b中的横坐标是循环周次，纵坐标是脉冲指标，提取的是原始仿真信号与重构信号的脉冲指标参数对比图。图12c中的横坐标是循环周次，纵坐标是峰值指标，提取的是原始仿真信号与重构信号的峰值指标参数对比图。图12d中的横坐标是循环周次，纵坐标是峭度指标，提取的是原始仿真信号与重构信号的峭度指标参数对比图。从图12a至图12d中可以看出无量纲特征参数在循环次数为50000次和400000次时特征参数均有大幅度的下降，而在循环次数为300000次和450000次时特征参数有大幅度的上升。这是由于材料的疲劳损伤过程是并不是简单的一个变化而是一个塑性累积变化的过程，在循环周次小于50000次的时候，磁声发射各特征参数均减小，循环周次达到50000的时候，铁磁性金属材料开始进入屈服阶段从而产生塑性变形，与此同时其内部的位错密度及其残余应力也产生了变化，而位错密度作为钉扎中心会阻碍磁畴壁的不可逆移动，这一行为让晶格畸变弹性应力的应力场骤增，从而制约了弹性波的产生，最终的表现形式为材料产生的磁声发射数量大量地减少，但是随着循环周次增加至300000次的时候，铁磁性金属材料表面受到的应力在不断增大，在交变应力的循环作用下，磁畴壁摆脱了钉扎中心，磁声发射弹性波的活性开始恢复，从而磁声发射的能量增强。而当循环周次达到400000的时候，材料Q235钢开始进入强化阶段，此时铁磁性金属材料表面出现了疲劳硬化现象，这就导致材料内部位错滑移不断累加，从而产生大量的钉扎点，进一步阻碍了磁畴壁的位移。与此同时，铁磁性金属材料内产生大量的残余应力，使材料Q235钢内部的180°畴壁增多而90°畴壁数量减少，从而形成磁声发射强度下降。当循环周次达到450000次，材料Q235钢产生局部断裂，而断裂过程中会有大量的弹性波产生，这就使得磁声发射信号有少许的回升然后缓慢降低。并且通过各个图中两条曲线的对比可以发现，利用AFD算法分解15层得到的重构信号提取出的各无量纲特征参数曲线与原始仿真信号提取出的各无量纲特征参数曲线的总体趋势相近，但是可以很明显的看出重构信号曲线相比原始仿真信号曲线而言在拐点处更加敏感。因此，将该算法应用于高周疲劳状态下磁声发射信号的特征提取时，可以更加准确地判定材料所处的状态。

为了更清晰地看出磁声发射信号提取出的传统特征参数和无量纲特征参数与循环周次的关系，将二者做归一化处理，得到的结果如图13。图13是Q235钢高周疲劳状态下重构信号提取出的传统特征参数与无量纲特征参数归一化图。图中的横坐标表示循环周次，纵坐标则是各特征参数归一化值。图中：标记1的曲线表示经过AFD分解15层的重构信号提取出的有效值电压；标记2的曲线表示经过AFD分解15层的重构信号提取出的幅度；标记3的曲线表示经过AFD分解15层的重构信号提取出的能量；标记4的曲线表示经过AFD分解15层的重构信号提取出的波形指标；标记5的曲线表示经过AFD分解15层的重构信号提取出的脉冲指标；标记6的曲线表示经过AFD分解15层的重构信号提取出的峰值指标；标记7的曲线表示经过AFD分解15层的重构信号提取出的峭度指标。从图中可以看出，传统特征参数与循环周次的关系图曲线变化趋势和无量纲特征参数与循环周次的关系图曲线变化趋势大致一样，但是很明显无量纲特征参数与循环周次的曲线在拐点处变化率更大，降低升高的速率更大。这是由于归一化之后无量纲特征参数的敏感性体现了出来。正是由于提取磁声发射信号无量纲特征参数的灵敏度更高，因此，在对高周疲劳状态下磁声发射信号分析中，今后可以选择通过AFD分解进行磁声发射信号降噪之后对其重构信号进行无量纲特征参数提取的方法来判断试块的实际情况。

由以上结果可知，在疲劳状态下磁声发射信号受到干扰时，本专利仍能得到满意的结果，符合Q235钢在疲劳状态各个阶段所表现的特征，实现了自适应Fourier分解与无量纲特征参数结合的方法对磁声发射信号的综合分析，增加了抗干扰能力，而针对到干扰的磁声发射信号的背景噪声，传统的特征参数分析的结果往往不够理想，显示了提出的方法的独特优势，在无损探伤中具有广阔的应用前景。

参考文献：

1.Tao Qian,Liming Zhang.Algorithm of Adaptive Fourier Decomposition[J].IEEE Transactions on Signal Processing,2011,59(12):5899-5906.

2.Tao Qian,Wang J.Adaptive Fourier decomposition of functions inquaternionic Hardy spaces[J].Mathematical Methods in the Applied Sciences,2012,35(1):43-64.

3.Tao Qian,Wang Y.Remarks on adaptive Fourier decomposition[J].International Journal of Wavelets,Multiresolution and InformationProcessing,2013,11:1-14.

4.Liming Zhang.Adaptive Fourier Decomposition Based Time-FrequencyAnalysis[J].Journal of Electronic Science and Technology,2014,12(2).

5.Chauvin J,Corde G,Moulin P,et al.Real-time combustion torqueestimation on a diesel engine test bench using an adaptive Fourier basisdecomposition[C]//Decision and Control,2004.CDC.43rd IEEE Conference on.IEEE,2005.

6.梁瑜,贾利民,蔡国强.基于AFD算法的滚动轴承故障诊断方法[J].中国铁道科学,2013(1).

7.胡爱军,马万里,唐贵基.基于集成经验模态分解和峭度准则的滚动轴承故障特征提取方法[J].中国电机工程学报,2012,32(11):106-111.

8.吴小涛,杨锰,袁晓辉,等.基于峭度准则EEMD及改进形态滤波方法的轴承故障诊断[J].振动与冲击,2015,34(2):38-44.

9.苏文胜,王奉涛,张志新,等.EMD降噪和谱峭度法在滚动轴承早期故障诊断中的应用[J].振动与冲击,2010,29(3):18-21.

10.Liu Dejun,Bao Guanghai,Sun Huaiping.Research on series arc faultdetection based on peak index and pulse index[J].electrical and energyefficiency management technology,2017(16)

11.张清华,邵龙秋,李红芳.基于无量纲指标的旋转机械并发故障诊断技术[J].华中科技大学学报：自然科学版,2009(S1):156-159.

12.解云峰,张清华,段富.新无量纲指标在旋转机械并发故障诊断中的应用[J].广东石油化工学院学报,2012,22(3):33-36。

Claims

1.磁声发射信号无量纲特征参数提取方法，通过自适应Fourier分解将磁声发射信号正频分解成具有最佳分析特性的平滑函数，然后基于从高能模式到低能模式的连续能量提取，将信号分成单组分的总和与原始仿真信号匹配；其特征在于，

具体步骤如下：

1)导入原始仿真信号；

2.根据权利要求1所述的磁声发射信号无量纲特征参数提取方法，其特征在于，所述不同励磁条件是指励磁频率和励磁电压的不同范围。

3.根据权利要求2所述的磁声发射信号无量纲特征参数提取方法，其特征在于，所述励磁频率的范围为10~50Hz。

4.根据权利要求2所述的磁声发射信号无量纲特征参数提取方法，其特征在于，所述励磁电压的范围为0~4V。

5.根据权利要求1所述的磁声发射信号无量纲特征参数提取方法，其特征在于，所述重构信号是经过AFD分解得到的单分量函数与原始仿真信号结合在一起，寻找到的能量差最小的单分量函数组结合的信号。

6.根据权利要求1所述的磁声发射信号无量纲特征参数提取方法，其特征在于，所述传统特征参数是能量、幅度和有效值电压的参数。

7.根据权利要求1所述的磁声发射信号无量纲特征参数提取方法，其特征在于，所述无量纲特征参数是波形指标、脉冲指标、峰值指标和峭度指标。