基于AR模型的声发射信号到达时间自动识别

   

    近年来,声发射(Acoustic Emission)检测技术被广泛用于结构的健康监测,用来检测、定位和估计结构的冲击损伤[1],并取得很好的效果。

    在大多数声发射应用中,信号的到达时间是通过设定固定阈值电压确定的,但是对于幅值很小的信号,或者噪声很大的信号,这种方法将会导致定位误差[2~3]。为了改善定位误差,互相关技术被用来确定特殊模式和频率的到达时间[4],该方法使用声发射信号与Gaussian脉冲调制的单频余弦波的互相关函数来确定特定模式和频率的到达时间,但是该方法在验证时其仅考虑了声发射信号主要成分是幅值比较大的弯曲模式(反对称)成分,而且没有考虑声发射源作为板内的情况[5, 6]。此外,结合板波理论,小波变换的方法也被用于确定声发射波的到达时间[5~7],能够准确分析出不同模式波到达传感器的时间,但是需要人工读取声发射波的到达时间。

    在结构实时在线监测过程中,大量的声发射数据被记录下来,人工读取声发射信号到达时间将十分困难, Jochen结合小波变换和AIC准则,实现了对混凝土中声发射波到达时间的识别[8]。声发射检测和地震监测过程是类似的,都是通过检测声发射源或地震源引起的物体表面的振动来对物体的结构进行评估并对振源进行相应的识别。在地震领域中,通常采用长短时平均比方法[9, 10]、AIC准则法[12~14]、高阶统计量法[15]以及结合小波及小波包分解的AR模型方法[16, 17]等自动检测P波或S波的到达时间。

    进行一些修改以后,地震中的一些识别算法能够被用于声发射和超声信号到达时间的自动提取。例如,T. Lokajicek等将高阶统计量的方法用于岩石中声发射信号到达时间的提取[18]。本文结合噪声信号的AR模型和声发射信号的AR模型,应用AIC准则,实现了对声发射信号到达时间的自动识别。

    1 基于AR模型的AIC算法

    Akaike于1973年从信息论的角度出发提出了AIC准则,他把这个准则应用于自回归(AR)模型的定阶和选择之中,获得了理想的效果[19, 20]。在他的文章中说明:一个时间序列能够被分成局部稳定的时段,每一个时段都可以用自回归模型来拟合。本文中,我们使用该思想,将实验得到的声发射数据分为两个局部稳定的时间序列,每一段都用自回归过程来模拟,寻找将波形数据分为两个稳定时间序列的最佳分割点,该分割点就是声发射波的到达时间,如图1所示。

    假设实验数据的时间序列xn={x1,,,xN}包含声发射事件的开始时间,则声发射波开始的时刻将序列分为两个时段:到达时前的时段和到达时后的时段对每一个时段i(i=1,2)的数据xt分别用自回归模型来模拟:

    式中,aim(m=1,,,Mi)为自回归模型的系数, Mi(i=1,2)分别为噪声模型的阶数和信号模型的阶数。该模型将时间序列在模型窗内分为确定的和预测误差eji,若误差为高斯分布,则其均值E{ein}=0,方差E{(ein)2}=R2i且与时间序列确定的部分不相关E{einxit-m}=0。