強背景噪聲下微弱聲發(fā)射信號提取及處理研究現(xiàn)狀

第一作者范博楠男，碩士生，1991年生

通信作者王海斗男，教授，博士生導師，1969年生

郵箱：wanghaidou@aliyun.com

強背景噪聲下微弱聲發(fā)射信號提取及處理研究現(xiàn)狀

范博楠，王海斗，徐濱士，張玉波

(裝甲兵工程學院裝備再制造技術(shù)國防科技重點實驗室，北京100072)

摘要：針對故障診斷領域聲發(fā)射信號因工作環(huán)境及采集設備自身影響常受強背景噪聲干擾導致混疊失真問題，對故障診斷中聲發(fā)射信號特性及處理流程、強背景噪聲下聲發(fā)射信號降噪方法(小波分析，ICA，EMD)、聲發(fā)射信號特征提取及故障識別等國內(nèi)外研究現(xiàn)狀進行綜述；分析總結(jié)聲發(fā)射信號在降噪、特征提取及故障識別研究中存在的不足，探討解決方法，展望聲發(fā)射信號處理技術(shù)發(fā)展。

關鍵詞：聲發(fā)射；噪聲；特征提取；故障識別；信號處理

收稿日期：2014-06-24修改稿收到日期：2014-07-30

中圖分類號:TG115文獻標志碼：A

Present research situation of the extraction and processing of weak acoustic emission signals understrong background noise

FANBo-nan,WANGHai-dou,XUBin-shi,ZHANGYu-bo(National Key Laboratory for Remanufacturing, Academy of Armored Forces Engineering, Beijing 100072, China)

Abstract:In the field of fault diagnosis, acoustic emission (AE) signals are often exposed to strong background noise caused by the environment and the detection system, which leads to the aliased distortion of AE signals. A review of the present research situation of the extraction and processing of acoustic emission signals under strong background noise was presented, including the characteristics of AE signals in fault diagnosis, the processing flow of AE signals, the denoising of AE signals by using wavelet, ICA and EMD, the feature extraction and fault recognition. Then a summary of insufficiency and solving methods in the research of denoising, feature extraction and fault recognition of AE signals was also presented. The future development of AE technology and relevant signal processing methods were forecasted.

Key words:acoustic emission; noise; feature extraction; fault recognition; signal processing

檢測強背景噪聲中微弱信號成為故障診斷領域研究熱點之一[1]。強背景噪聲指除目標聲源外所有外部環(huán)境及系統(tǒng)噪聲的混疊，具有幅度絕對值高、能量值大等特點。“微弱”指相對噪聲的信號幅值較小[2]，但其攜帶大量有關材料失效或設備故障的重要信息。機械系統(tǒng)核心部件如葉輪[3-4]、軸承[5]等處于故障早期時，傳感器采集的聲發(fā)射信號外部環(huán)境及系統(tǒng)本身產(chǎn)生的強背景噪聲影響下會出現(xiàn)明顯混疊失真。因此，如何在強背景噪聲中有效提取反映早期故障的微弱特征信號為早期故障識別關鍵[6]。傳統(tǒng)信號分析方法主要有自適應消噪、數(shù)字濾波及離散量統(tǒng)計平均等[7]，一般用于信號預處理。工程中采集的信號多為非平穩(wěn)時變信號，僅用傳統(tǒng)方法，雖一定程度上可去除噪聲，但會使信號的瞬態(tài)分量變平滑，無法有效識別信號高頻細節(jié)信息[8]，不利于后續(xù)聲發(fā)射源信息提取。隨計算機技術(shù)發(fā)展，多種先進信號處理手段用于聲發(fā)射信號處理，如小波分析[9-10]及獨立分量分析[11-12]等。在已有研究[13-14]基礎上，本文對強背景噪聲下微弱聲發(fā)射信號提取、處理的現(xiàn)狀進行深入分析，并探討聲發(fā)射技術(shù)及信號處理方法的發(fā)展方向。

1故障診斷中的聲發(fā)射

1.1聲發(fā)射信號

聲發(fā)射(Acoustic Emission，AE)也稱應力波發(fā)射，指結(jié)構(gòu)或材料局部因能量快速釋放而發(fā)出瞬態(tài)彈性波現(xiàn)象[15-16]，為新型的無損檢測手段[17-18]，廣泛用于故障診斷領域。引起聲發(fā)射現(xiàn)象機理有裂紋萌生及擴展、斷裂、位錯運動、塑性變形及孿晶邊界的移動等[19]。聲發(fā)射信號據(jù)應力波出現(xiàn)時間間隔不同可分為突發(fā)型、連續(xù)型，但兩種類型并非絕對，連續(xù)型為由大量突發(fā)性信號密集組合而成[20]。

1.2故障診斷中聲發(fā)射信號

故障診斷中置于設備或其附近的聲發(fā)射傳感器所采反映損傷或失效的突發(fā)性聲發(fā)射信號因機械等多種因素影響，易被頻率廣泛、模式眾多的噪聲成分掩埋，且表現(xiàn)為非平穩(wěn)時變信號，致信號信噪比較低[21]。滾動接觸疲勞實驗中采集的含機械噪聲聲發(fā)射信號及理想狀況下疲勞斷裂時聲發(fā)射信號見圖1。對比圖1(a)、(b)可見，含噪信號與理想的聲發(fā)射源信號相差較大。如何從采集的含噪混合信號中提純信號并獲取聲發(fā)射源信息一直為需解決的難題。

從強大背景噪聲中提取微弱聲發(fā)射信號為聲發(fā)射應用的核心技術(shù)[22]。工程中一般從軟硬件兩方面進行聲發(fā)射信號降噪處理，即①通過硬件濾波技術(shù)減少進入聲發(fā)射檢測系統(tǒng)的噪聲信號；②對進入系統(tǒng)的噪聲成分用信號處理抑制其影響。類似振動信號，聲發(fā)射信號處理可進行方法借鑒。實踐表明，硬件與軟件降噪方法相結(jié)合，可有效提高系統(tǒng)的抗干擾能力，為后續(xù)識別、定位聲發(fā)射源奠定基礎。基于現(xiàn)有的硬件基礎，研究如何運用信號處理方法增強降噪及信號處理能力具有重要意義。

圖1　滾動接觸疲勞實驗 Fig.1 The acoustic emission signals

1.3聲發(fā)射信號處理

故障診斷中聲發(fā)射檢測流程見圖2。具體為：

圖2　聲發(fā)射信號處理流程 Fig.2 The processing flow of acoustic emission signals

(1)信號采集。通過聲發(fā)射傳感器接收混合信號，并經(jīng)前置電路處理以數(shù)字信號形態(tài)呈現(xiàn)于計算機。該步驟可實現(xiàn)硬件降噪。

(2)降噪處理。該信號處理面臨信號微弱性及干擾噪聲多樣性，故需用多種處理方法濾除噪聲，恢復源信號。

(3)特征提取。用信號分析、數(shù)據(jù)處理算法將所測原始參數(shù)轉(zhuǎn)換為表達機械設備運行狀態(tài)的特征量，或通過提取特征脈沖，建立特征與狀態(tài)間映射關系。

(4)故障識別。識別及準確定位機械設備損傷部位(即聲發(fā)射源)為聲發(fā)射無損檢測主要目標之一，為判斷損壞程度及維修決策奠定基礎。

2聲發(fā)射信號降噪

2.1小波分析

齒輪、軸承等旋轉(zhuǎn)部件在疲勞裂紋萌生及擴展時產(chǎn)生的應力波往往具有瞬態(tài)性、非平穩(wěn)性，為典型的突變型聲發(fā)射信號。小波分析具有時、頻域同時表征信號局部特征能力[23]，被譽為“數(shù)學顯微鏡”，廣泛用于信號降噪。小波降噪原理即用小波對采集信號進行分解，利用聲發(fā)射信號與噪聲在小波變換下的行為存在差異特性將二者分離出來[24-25]。

研究表明，對小波降噪，基函數(shù)、閾值選擇對其性能發(fā)揮具有重要影響。滾動軸承故障診斷實驗中，通過新型基函數(shù)[26]與Daubechies小波對比發(fā)現(xiàn)，在損傷頻率68.36 Hz基礎上，該小波包絡譜成分清晰，能明顯找出故障特征頻率；而Daubechies小波包絡譜雖含損傷頻率成分，但不及前者明顯直觀。廖傳軍等[27]提出小波再分配尺度譜分析法，選Morlet復小波作為基函數(shù)。通過6220滾動軸承實時診斷，小波再分配尺度譜受噪聲干擾影響較小，表明Morlet復小波的有效性。離散小波[28]對聲發(fā)射信號處理時進行7尺度分解，分辨出含類似白噪聲信號細節(jié)系數(shù)d1及d2，并通過設置合理門檻值將噪聲予以消除。

研究發(fā)現(xiàn)，小波分解與閾值降噪法存在一定局限性。噪聲與聲發(fā)射信號分布在相同頻帶范圍時，小波降噪對高頻段信號成分頻率分辨率較差；而閾值降噪法在信號奇異點處，降噪后信號會出現(xiàn)Pesudo-Gibbs現(xiàn)象[29]。在小波分解基礎上小波包[30]被用于信號濾波處理。研究表明，小波包變換能有效識別信號高頻段及各種分解后的頻率成分，經(jīng)分析可濾除噪聲進而重構(gòu)信號，既能保留所需特征也使信號得以過濾、簡化。為彌補閾值法不足，平移不變小波被用于聲發(fā)射信號降噪[31]。經(jīng)n次循環(huán)平移的信號用閾值法處理后再對降噪結(jié)果進行平均，可有效去除Pesudo-Gibbs現(xiàn)象，減少均方根誤差，提高信噪比。

為拓寬小波變換的適用范圍，增強降噪效果，將小波變化與其它方法結(jié)合以實現(xiàn)噪聲、特征信號分離。鄧艾東等[32]用小波熵方法[33-34]計算經(jīng)小波分解、分幀處理的信號小波熵，與設定閥值比較表明，已有效甄別出噪聲幀。于金濤等[35]提出將經(jīng)驗模態(tài)與閾值降噪結(jié)合，包括EMD-Wavelet，IMF-Wavelet及Wavelet-EMD三種方法，并通過斷鉛模擬聲發(fā)射信號驗證其降噪效果。結(jié)果表明，三種方法降噪能力均好于直接小波閾值降噪，其中EMD-Wavelet及Wavelet-EMD降噪較穩(wěn)定，后者降噪效果更明顯。

小波及其衍生的一系列方法整體降噪過程較相似，對小波基函數(shù)及分解層次選擇主要靠經(jīng)驗，而針對具體方法需確定閾值、平移次數(shù)等關鍵因素。此外，小波與其它方法結(jié)合可實現(xiàn)優(yōu)勢融合，一定程度上增強聲發(fā)射信號降噪效果。

2.2獨立分量分析

獨立分量分析(Independent Component Analysis, ICA)為隨盲源分離問題發(fā)展的新型信號處理手段，具有不受源信號頻帶重疊及強弱所致干擾等優(yōu)點[36]。獨立分量分析通過處理統(tǒng)計上獨立的各源信號經(jīng)線性組合后形成的混合信號，實現(xiàn)從混合信號中有效分離出目標源信號目的。

對運用ICA處理聲發(fā)射信號已有深入研究。de-la-Rosa等[37]通過研究兩種ICA算法的降噪能力發(fā)現(xiàn)，較傳統(tǒng)的功率譜及小波變換，Cum-ICA及Fast-ICA能在背景噪聲下分離出能量較小的聲發(fā)射信號，具有不受頻率成分能量限制的統(tǒng)計獨立性； 且Fast-ICA能使信號達到最大非高斯性，無需Cum-ICA濾波，降噪能力更突出。李卿等[38]用獨立分量分析系統(tǒng)對由刀具破損、切屑折斷及噪聲信號經(jīng)線性混合構(gòu)造的模擬切削聲發(fā)射信號進行處理。結(jié)果表明，ICA能分離出線性混合信號中各源信號，信噪比高于20 dB；且頻帶混疊時目標狀態(tài)源頻域特征可完整保留。

對旋轉(zhuǎn)結(jié)構(gòu)、機械聲發(fā)射信號處理，何沿江等[39]用獨立分量快速算法分離出故障軸承的聲發(fā)射信號，為后續(xù)用支持向量機(SVM)進行軸承故障快速診斷奠定基礎。研究葉片裂紋聲發(fā)射信號時，王向紅等[40]在ICA空間利用噪聲與裂紋信號差異，提取目標信號基函數(shù)，并采用泛化高斯模型輔助以非線性收縮函數(shù)方法，從水輪機工作背景噪聲中提取裂紋聲發(fā)射信號。實驗表明，ICA與稀疏編碼收縮結(jié)合降噪優(yōu)于小波閾值法，同時能體現(xiàn)聲發(fā)射信號幅值及相位信息。王艷青等[41]用ICA對風機葉片疲勞損傷產(chǎn)生的混合信號進行處理，從不同頻率聲發(fā)射信號與模擬噪聲的隨機線性混合中分離出目標源信號及噪聲成分，驗證了ICA對葉片損傷聲發(fā)射信號降噪的有效性。

為增強對聲發(fā)射信號的處理能力，將ICA與其它方法結(jié)合。劉國華等[42]發(fā)現(xiàn)信噪比對分形維影響較大，通過引入基于負熵判據(jù)的FastICA算法進行信號降噪預處理，提取聲發(fā)射信號并進行分形維計算。結(jié)果表明，經(jīng)ICA處理的分形維能更好對應聲發(fā)射事件數(shù)及進行聲發(fā)射源識別，從而證實ICA降噪的有效性。

當前應用較多的FastICA算法既可單獨運用，也可結(jié)合稀疏編碼等方法對含噪信號進行處理。ICA多用于對各類模擬聲發(fā)射信號的處理，對真實工況下研究較少。

2.3經(jīng)驗模態(tài)分解(EMD)

經(jīng)驗模態(tài)分解由 Huang提出，并廣受關注。實踐表明，經(jīng)驗模態(tài)分解具有良好的自適應性、正交性、完備性及IMF分量調(diào)制特性等優(yōu)點[43]，其本質(zhì)為將時域信號按頻率尺度進行分解的數(shù)值算法，可據(jù)信號自身特點選擇頻帶及各頻段分辨率進行“篩分”，因而適合非線性非平穩(wěn)信號分析及處理。

在管道故障聲發(fā)射檢測中，孫立瑛等[44]將聲發(fā)射信號進行EMD分解，據(jù)管道泄漏聲發(fā)射信號特點，在有效分量中選取典型固有模態(tài)分量進行信號重構(gòu)，有效避免信號干擾，且較小波包時頻分辨率更好，更能反映聲發(fā)射信號的內(nèi)在特征。刀具磨損監(jiān)測中，關山[45]對不同切削速度與磨損量下采集的聲發(fā)射信號進行EMD分解及規(guī)范化處理，確定同原信號相關性較差的IMF7及之后分量為噪聲成分，并將其合并為新的IMF7分量，從而在IMF1～IMF6實現(xiàn)不同頻帶段的磨損信號監(jiān)測。

在多方法融合處理信號上，徐鋒等[46]對原始聲發(fā)射信號進行中值濾波及SVD降噪，并對降噪后信號進行EMD分解。對仿真信號與真實聲發(fā)射信號的處理結(jié)果表明，噪聲得到有效濾除，且IMF無頻率混疊現(xiàn)象，分解層數(shù)也得到減少，EMD分解精確度及時效性亦有效提高。Law等[47]運用WPD-HHT(小波包及希爾伯特黃變換結(jié)合)方法對聲發(fā)射信號進行處理。運用小波包將含噪信號分解到不同頻帶中，通過能量比準則篩選特征包，再用EMD對特征包進行分解以選擇具有代表性的IMF，并將結(jié)果與單純EMD分解進行對比。實驗表明，僅用EMD分解后的IMF1由于頻率分布過廣無法作為單分量信號，因而不能有效識別所有瞬時頻率，顯示出EMD的局限性。而經(jīng)WPD-HHT處理后，明顯濾除噪聲并有效提取特征頻率，表明WPD-HHT具有良好的信號去噪能力。EMD作為具有良好發(fā)展前景的新型信號處理方法在實踐、探索中不斷取得進步。良好的非線性非平穩(wěn)信號處理能力使EMD取得成功，但其理論上如模態(tài)混疊、邊界問題等不足制約其更加廣泛的應用，對此尚需更深入研究。

2.4其他方法

譜分析因處理非周期、非平穩(wěn)信號的不足，在聲發(fā)射信號的應用逐漸被替代，見表1。隨機共振獨特的原理使其能有效提取微弱信號，但實際采集信號的幅度、頻率均超過理論適用范圍影響使用的有效性；而混沌理論對混沌振子辨識缺少可量化衡量標準。以上方法均取得一定研究成果，但仍需進行更深入研究以實現(xiàn)理論瓶頸的突破。

表1　常用方法對比

3聲發(fā)射信號特征提取

3.1特征量及提取方法

特征提取對參數(shù)分析而言主要是經(jīng)映射等方法將特征向量由高維轉(zhuǎn)換為低維，盡可能保留原有特征信息。實際檢測中可提取振鈴計數(shù)、上升時間等較多參數(shù)；對波形分析主要為從降噪聲發(fā)射信號中提取特征脈沖作為聲發(fā)射源識別定位的重要依據(jù)。不同參數(shù)攜帶的聲發(fā)射信息存在交叉重疊，特征脈沖同樣需優(yōu)化選擇，故需提取規(guī)律性、高靈敏、能有效反映設備狀態(tài)的特征量。

基于參數(shù)分析的特征提取方法主要有神經(jīng)網(wǎng)絡、投影尋蹤(PP)、獨立成分分析及核方法(ICA、KPCA)、主成分分析及核方法(PCA、KICA)等。研究發(fā)現(xiàn)，PP算法計算量較大，而PCA、ICA簡單高效，且主要功能為線性變換，進行非線性聲發(fā)射信號特征提取時可能導致有用信息丟失。KPCA、KICA具有較強的非線性數(shù)據(jù)處理能力，用于聲發(fā)射信號特征提取成為研究熱點[52-54]。對基于波形分析的特征提取，主要用多種信號分析方法提取有代表性的特征脈沖。

3.2基于參數(shù)及波形的特征提取

傳統(tǒng)聲發(fā)射特征參數(shù)有上升時間、能量及幅值等。多參數(shù)提取中，Wang等[55]在3個通道中采集39個特征值，用KICA提取出貢獻率之和超過90%的9個特征值，有效反映出信號特征，較原始參數(shù)減少了數(shù)據(jù)傳輸及運算量。參數(shù)比值法中，金文等[56-57]研究三比值法，選擇4個有代表性參數(shù)分別計算幅度與能量差、計數(shù)差與持續(xù)時差之比，并將比值作為新參量，減少了信息重疊，有效提取出聲發(fā)射信號特征。

對基于新型參數(shù)的特征提取，據(jù)信號非高斯特性，劉國華等[58]提出用高階譜特征提取法，將信號雙譜幅值平均值作為特征值。結(jié)果表明，該參數(shù)可量化信號偏離高斯分布程度，在判斷斷裂臨界點時具有更好的敏感性。林麗等[59]則將局域波法與近似熵法結(jié)合進行特征提取。對信號局域波分解后，計算基本模式分量近似熵作為新特征參數(shù)。結(jié)果表明，該參數(shù)可量化聲發(fā)射信號的變化特征，能有效監(jiān)測聲發(fā)射信號變化情況。用小波進行特征提取上，鄧楊等[60]用小波包能量譜計算小波分解后的特征頻帶能量與所有頻帶能量均值比值IP作為特征參數(shù)；Yang等[61]則用db5離散小波分解信號選取能量信號均方根與方差值構(gòu)建特征向量[SFRMS,SFVAR]。結(jié)果表明，在小波分解基礎上用能量值構(gòu)建相關特征參數(shù)可有效表征聲發(fā)射信號。

對基于波形分析的特征提取，Lin等[62]據(jù)聲發(fā)射信號的局部性質(zhì)，用HHT(希爾伯特黃變換)變換對采集的聲發(fā)射信號及仿真信號進行處理，有效提取出瞬時頻率及能量特征，較傳統(tǒng)AE信號處理方法能更好表征聲發(fā)射信號。Yang等[63]用HHT分解聲發(fā)射信號，并用平均能量比準則選取5個IMF分量計算其邊界譜。分析表明，前3個IMF分量邊界譜幅值與后2個邊界譜譜矩心能有效對應聲發(fā)射事件，表明HHT用于特征提取的有效性。

對基于參數(shù)的特征提取研究，雖在不同方向取得進展，但大多針對仿真聲發(fā)射信號，針對實際工況的研究尚少。此外，對各類聲發(fā)射信號特征提取評價主要采取定性的研究方法，缺少定量的探索，因此難以對多種方法的提取效果進行橫向?qū)Ρ取?/p>

4故障識別

4.1聲發(fā)射源識別

聲發(fā)射源識別通過提取或識別特征突出、有代表性的參數(shù)或信號，結(jié)合神經(jīng)網(wǎng)絡及支持向量機等推測聲發(fā)射源的性質(zhì)及類型，為據(jù)聲發(fā)射信號強度等信號特征評估結(jié)構(gòu)或材料損傷程度及維修決策奠定基礎。

在聲發(fā)射源識別中對運算效率的提高上，諧波小波包與層次支持向量機結(jié)合可用于聲發(fā)射源識別[64]。用4層Db10諧波小波包分解、計算各頻段能量特征后用層次支持向量多分類器進行聲發(fā)射源的類型識別。實驗表明，該方法能克服傳統(tǒng)小波包存在的能量泄露、頻帶不靈活及分辨率多變等缺點，不僅可識別各類聲發(fā)射源，且運算效率更好。此外三比值法研究亦取得一定成果。其原理為計算幅度與能量差、計數(shù)差與持續(xù)時差比值作為新參量。實驗表明，該法能有效減少信息重疊,提高特定聲發(fā)射源的識別效率。

對提高識別準確率，離散小波特征提取與支持向量機聲發(fā)射源識別相結(jié)合用于研究磨輪磨損監(jiān)測系統(tǒng)，將采集的信號進行90 kHz的高通濾波降噪后用db5離散小波進行5層分解，將構(gòu)建的特征向量[SFRMS, SFVAR]作為支持向量機的輸入量進行聲源識別。結(jié)果表明，該方法對10 μm缺口分辨準確率達99.39%，對20 μm切口準確率則達100%。Luo等[65]則用小波包及遺傳神經(jīng)網(wǎng)絡方法進行識別。實驗中，通過db3小波對信號進行3層分解后用頻帶信號能量百分比提取出信號特征，進而通過遺傳神經(jīng)網(wǎng)絡快速識別未知樣本數(shù)據(jù)，準確率達95%，有效識別出沖模機狀態(tài)。Liu等[66]基于常用聲發(fā)射參數(shù)通過用BP神經(jīng)網(wǎng)絡對耐火材料聲發(fā)射源進行識別。實驗表明，該方法對損傷類型識別率達97.5%，對損傷程度預測偏差則不超過5%。

4.2聲發(fā)射源定位

聲發(fā)射源定位精確度反映理論預測的源位置與實際缺陷匹配程度，利用有效檢測方法可提高定位精度，進而提高聲發(fā)射檢測效率。常用定位手段有基于參數(shù)分析、基于波形分析的源定位方法。基于參數(shù)的定位為據(jù)采集的各類聲發(fā)射參數(shù)利用包括能量法、時差法、區(qū)域法、智能法及多種算法的組合等。基于波形分析的源定位主要有模態(tài)分析定位法，即通過確定不同傳感器采集的波形中具有相同模式、頻率的對應點，計算時差進行定位。

對基于參數(shù)分析的聲發(fā)射源定位，王向紅等[67]用基于小波神經(jīng)網(wǎng)絡的KICA對聲發(fā)射源進行定位。研究表明，獨立成分分析的核方法(KICA)定位效果較好，既能準確識別裂紋存在區(qū)域，又能使誤差保持在最小范圍。對比發(fā)現(xiàn)，小波神經(jīng)網(wǎng)絡的定位結(jié)果優(yōu)于BP網(wǎng)絡，KICA的提取效果優(yōu)于ICA。而另一組實驗中用KICA及支持向量機(SVM)對缺陷源進行定位。通過貢獻率之和超過90%的特征值提取，對不同維數(shù)下裂紋源識別精度及裂紋源到焊縫距離估算誤差進行比較。結(jié)果表明，SVM對裂紋源識別結(jié)果優(yōu)于小波網(wǎng)絡，且KICA較KPCA與未經(jīng)特征提取的原始參數(shù)對裂紋到焊縫距離估算誤差值及均方誤差均最小，既能提高運算速率也具有更好的聲發(fā)射源定位精度。

除采用ICA及其核方法提取多參數(shù)定位外，用少量參數(shù)或參數(shù)比也可實現(xiàn)聲發(fā)射源定位。Stepanova等[68]將聲發(fā)射信號能量作為特征值，研究通過聚類分析法進行焊接裂紋聲發(fā)射源定位。在處理從旋轉(zhuǎn)測試臺取樣的碰磨聲發(fā)射信號時[69]，基于粒子群(PSO)算法優(yōu)化的小波神經(jīng)網(wǎng)絡(WNN)用于聲源定位。用粒子群算法代替?zhèn)鹘y(tǒng)算法，將傳感器坐標與信號能量比值作為神經(jīng)網(wǎng)絡輸入值，優(yōu)化小波神經(jīng)網(wǎng)絡參數(shù)。實驗結(jié)果表明，該算法可使聲發(fā)射源定位誤差縮小到4%以內(nèi)，定位精度、效率均可提高。而基于多輸出支持向量回歸(M-SVR)的平面定位方法[70]，則分別以多個聲發(fā)射信號時域參數(shù)及平面坐標作為輸入、輸出量，以SVR逼近非線性映射并泛化推廣，實現(xiàn)一定精度的平面定位。

對基于波形分析定位，蘇永振等[71]用基于ICA的信息極大化原理分離鋁梁兩同步?jīng)_擊源產(chǎn)生的混疊聲發(fā)射信號。分別計算傳感器接收各源信號時延后,以直線法進行沖擊源定位。實驗結(jié)果表明，兩沖擊源定位誤差分別為1.7 mm及8.2 mm。通過分析產(chǎn)生誤差原因認為，可通過改進含噪信號模型、增強降噪效果提高定位精度。

5存在問題及展望

5.1存在問題

(1)聲發(fā)射信號降噪與硬件及信號處理方法有關。合理選擇信號處理方法至關重要。小波分析、ICA、EMD及多方法融合在聲發(fā)射信號降噪研究上仍面臨理論、應用的不足：小波分析缺乏系統(tǒng)規(guī)范的小波基選取原則及分解層次確定方法；ICA對復雜卷積混合信號及瞬態(tài)非線性信號處理等難點尚未完全突破；EMD在端點效應、包絡線擬合、模式混疊及IMF統(tǒng)計有效性等存在理論不足。實際應用中多對仿真信號進行處理，真實工況信號分析研究相對較少。工程應用存在缺乏實用型分析軟件的薄弱環(huán)節(jié)。

(2)特征量提取需對應材料或設備實時工況，應具有高效反映聲發(fā)射源特性能力。特征提取多針對仿真信號，對工況信號研究較少；對不同方法效果評價缺乏定量手段，較難進行橫向?qū)Ρ冗x擇最優(yōu)方法。

(3)故障診斷中聲發(fā)射源識別、定位需提高快速性、精確性。應用較多的神經(jīng)網(wǎng)絡及支持向量機等方法主要依據(jù)故障樣本進行訓練、判定，而樣本在故障特性的全面性、代表性需進一步增強。

5.2展望

(1)聲發(fā)射信號降噪、分析需高效的信號分析處理技術(shù)作支撐。需對實驗或工作環(huán)境中分布的噪聲特性深入研究，探尋其產(chǎn)生、傳播規(guī)律；亦需進一步加強小波、ICA、EMD等方法的基礎理論研究，完善理論體系，解決影響其實際應用的理論瓶頸。

(2)位錯、塑性變形等產(chǎn)生的聲發(fā)射信號頻率較高，較振動信號受低頻噪聲影響稍小，靈敏性更好。而對信號降噪及特征提取方法可參照振動信號處理，用多種較成熟的信號處理方法；也可嘗試將小波、ICA與EMD結(jié)合或融合其它方法，創(chuàng)新性進行信號處理。

(3)特征提取不僅需考慮對應實時狀態(tài)的有效性，也要滿足處理實時數(shù)據(jù)要求。需探索特征提取方法的量化評價方法，在多方法對比中加強不同特征值靈敏性、規(guī)律性定量比較。用更優(yōu)化的特征提取方法對多通道聲發(fā)射信號采樣，以減少動態(tài)數(shù)據(jù)傳輸量、存儲量，滿足聲發(fā)射實時監(jiān)測要求。

(4)故障識別中需對材料或結(jié)構(gòu)各類故障狀態(tài)全面準確認識，提取具有故障代表性樣本進行神經(jīng)網(wǎng)絡及支持向量機運算，提高故障識別、定位精確性。

(5)進一步研究理論、實驗研究兩方面對故障診斷領域中常見的各類聲發(fā)射產(chǎn)生、傳播機理，深入了解聲發(fā)射源特性，加強對真實工況下信號分析、處理研究，為有效處理聲發(fā)射信號、促進聲發(fā)射技術(shù)推廣應用奠定堅實基礎。

參考文獻

[1]陳敏,胡蔦慶,秦國軍,等. 參數(shù)調(diào)節(jié)隨機共振在機械系統(tǒng)早期故障檢測中的應用[J]. 機械工程學報,2009,45(4): 131-135.

CHEN Min， HU Niao-qing， QIN Guo-jun,et al. Application of parameter-tuning stochastic resonance for detecting early mechanical faults[J]. Journal of Mechanical Engineering, 2009, 45(4): 131-135.

[2]趙艷菊. 強噪聲背景下機械設備微弱信號的提取與檢測技術(shù)研究[D]. 天津：天津大學, 2008.

[3]Escaler X, Egusquiza E, Farhat M,et al. Detection of cavitation in hydraulic turbines[J]. Mechanical Systems and Signal Processing, 2006, 20(4): 983-1007.

[4]Chen Zhong-sheng, Yang Yong-min, Xie Yong,et al. Non-contact crack detection of high-speed blades based on principal component analysis and euclidian angles using optical-fiber sensors[J]. Sensors and Actuators A, 2013, 201: 66-72.

[5]Mba D. The use of acoustic emission for estimation of bearing defect size[J]. Journal of Failure Analysis and Prevention, 2008, 8(2): 188-192.

[6]王仲生,何紅,陳錢. 小波分析在發(fā)動機早期故障識別中的應用研究[J]. 西北工業(yè)大學學報, 2006, 24(1): 68-71.

WANG Zhong-sheng, HE Hong, CHEN Qian. Exploring effective early identification of aero-engine rotor faults[J]. Journal of North Western Poly Technical University, 2006,24(1):68-71.

[7]Whalen A D. Detection of signals in noise. electrical science a series of monographs and texts[M]. London: Academic Press Inc, 1971.

[8]張榮標,胡海燕,馮友兵. 基于小波熵的微弱信號檢測方法研究[J]. 儀器儀表學報, 2007, 28(11): 2078-2084.

ZHANG Rong-biao, HU Hai-yan, FENG You-bing. Study on weak signal detection method based on wavelet entropy[J]. Chinese Journal of Scientific Instrument,2007,28(11): 2078-2084.

[9]Zhou Rui, Bao Wen, Li Ning,et al. Mechanical equipment fault diagnosis based on redundant second generation wavelet packet transform[J]. Digital Signal Processing,2010,20(1): 276-288．

[10]He Ping, Li Pan, Sun Hui-qi. Feature extraction of acoustic signals based on complex Morlet wavelet[J]. Procedia Engineering, 2011, 15: 464-468.

[11]步賢政,單平,羅震,等. 基于獨立分量分析的點焊特征聲音信號提取[J]. 焊接學報, 2009, 30(2): 41-44.

BU Xian-zheng, SHAN Ping, LOU Zhen,et al. Characteristic extraction of acoustic signals emitted from resistance spot welding process based on independent component analysis[J]. Transactions of the China Welding Institution, 2009,30(2): 41-44.

[12]顧江,張光新,劉國華,等. 基于獨立分量分析的聲發(fā)射信號去噪方法[J]. 江南大學學報:自然科學版,2008,7(1):55-59.

GU Jiang, ZHANG Guang-xin, LIU Guo-hua,et al. Research on denoising in acoustic emission signals based on independent component analysis[J]. Journal of Jiangnan University:Natural Science Edition, 2008, 7(1): 55-59.

[13]湯寶平,蔣永華,董紹江. 重分配小波尺度譜的時頻分布優(yōu)化方法研究[J]. 儀器儀表學報, 2010, 31(6):1330-1334．

TANG Bao-ping, JIANG Yong-hua, DONG Shao-jiang. Time frequency representation optimization of reassigned wavelet scalogram[J]. Chinese Journal of Scientific Instrument, 2010, 31(6): 1330-1334.

[14]Kuo C C. Artificial recognition system for defective types of transformers by acoustic emission[J]. Expert Systems with Applications, 2009, 36(7): 10304-10311.

[15]Tan C K, Mba D. Identification of the acoustic emission source during a comparative study on diagnosis of a spur gearbox[J]. Tribology International, 2005, 38(5): 469-480.

[16]Mirhadizadeh S A, Moncholi E P, Mba D. Influence of operational variables in a hydrodynamic bearing on the generation of acoustic emission[J]. Tribology International, 2010, 43(9): 1760-1767.

[17]Tittmann B R, Yen C E. Acoustic emission technique for monitoring the pyrolysis of composites for process control[J]. Ultrasonics, 2008, 48(6/7): 621-630.

[18]Mba D, Rao R B K N.Development of acoustic emission technology for condition monitoring and diagnosis of rotating machines: bearings, pumps, gearboxes, engines and rotating structures[J].The Shock and Vibration Digest,2006,38(1): 3-16.

[19]張志強,李國祿,王海斗,等. 基于聲發(fā)射原理監(jiān)測涂層疲勞磨損的研究[J]. 摩擦學學報, 2012, 32(1): 89-95.

ZHANG Zhi-qiang, LI Guo-lu, WANG Hai-dou,et al. Monitoring fatigue wear of the coating based on acoustic emission[J]. Tribology, 2012, 32(1): 89-95.

[20]郝如江,盧文秀,褚福磊. 聲發(fā)射檢測技術(shù)用于滾動軸承故障診斷的研究綜述[J]. 振動與沖擊, 2008, 27(3): 75-79.

HAO Ru-jiang, LU Wen-xiu, CHU Fu-lei. Review of diagnosis of rolling element bearings[J]. Journal of Vibration and Shock, 2008, 27(3): 75-79.

[21]崔建國,李明,陳希成,等. 基于聲發(fā)射技術(shù)飛機關鍵部件健康監(jiān)測方法[J]. 儀器儀表學報, 2008, 29(10): 2126-2129.

CUI Jian-guo, LI Ming, CHEN Xi-cheng,et al. Health monitoring of airplane key components based on acoustic emission[J]. Chinese Journal of Scientific Instrument, 2008, 29(10): 2126-2129.

[22]王曉偉. 基于聲發(fā)射技術(shù)的旋轉(zhuǎn)機械碰摩故障診斷研究[D]. 哈爾濱: 哈爾濱工業(yè)大學, 2009.

[23]李舜酩,許慶余. 微弱振動信號的諧波小波頻域提取[J]. 西安交通大學學報, 2004, 38(1): 51-55.

LI Shun-ming, XU Qing-yu. Harmonic wavelet extraction for weak vibration signal in frequency domain[J]. Journal of Xi’an Jiaotong University, 2004, 38(1): 51-55.

[24]Terchi A, Au Y H J. Acoustic emission signal processing[J]. Measurement and Control, 2001, 8(4): 240-244.

[25]Yang Li, Zhou Yi-chun. Wavelet analysis of acoustic emission signals from thermal barrier coatings wavelet analysis of acoustic emission signals from thermal barrier coatings[J]. Nonferrous Metals Society of China Transactions, 2006, 16: 270-275.

[26]李學軍,廖傳軍,褚福磊. 適于聲發(fā)射信號故障特征提取的小波函數(shù)[J]. 機械工程學報, 2008, 44(3): 177-181.

LI Xue-jun, LIAO Chuan-jun, CHU Fu-lei. Wavelet function suitable for fault feature extraction of acoustic emission signal[J]. Journal of Mechanical Engineering. 2008, 44(3): 177-181.

[27]廖傳軍,李學軍,劉德順. 小波再分配尺度譜在聲發(fā)射信號特征提取中的應用[J]. 機械工程學報,2009,45(2): 273-279.

LIAO Chuan-jun LI Xue-jun LIU De-shun. Application of reassigned wavelet scalogram in feature extraction based on acoustic emission signal[J]. Journal of Mechanical Engineering, 2009, 45(2): 273-279.

[28]Grosse C U, Finck F, Kurz J H, et al. Improvements of AE technique using wavelet algorithms, coherence functions and automatic data analysis[J]. Construction and Building Materials, 2004, 18: 203-213.

[29]Khadem S E, Rezaee M. Development of vibration signature analysis using multiwavelet systems[J]. Journal of Sound and Vibration, 2003, 261: 613-633.

[30]Velayudham A, Krishnamurthy R, Soundarapandian T. Acoustic emission based drill condition monitoring during drilling of glass/phenolic polymeric composite using wavelet packet transform[J]. Materials Science and Engineering, 2005, 412: 141-145.

[31]姜長泓,王龍山,尤文,等. 基于平移不變小波的聲發(fā)射信號去噪研究[J]. 儀器儀表學報, 2006, 27(6): 607-610.

JIANG Chang-hong, WANG Long-shan, YOU Wen,et al. Research on acoustic emission signal de-noising based on translation invariant wavelet[J]. Chinese Journal of Scientific Instrument, 2006, 27(6): 607-610.

[32]鄧艾東,趙力,包永強,等. 噪聲環(huán)境下基于小波熵的聲發(fā)射識別[J].東南大學學報:自然科學版,2009,39(6): 1151-1155.

DENG Ai-dong, ZHAO Li, BAO Yong-qiang,et al. Recognition of acoustic emission based on wavelet entropy in noisy condition[J]. Journal of Southeast University: Natural Science Edition, 2009, 39(6): 1151-1155.

[33]Safty S E, El-Zonkoly A. Applying wavelet entropy principle in fault classification[J]. Electrical Power and Energy Systems, 2009, 31: 604-607.

[34]印欣運,何永勇,彭志科,等. 小波熵及其在狀態(tài)趨勢分析中的應用[J]. 振動工程學報, 2004, 17(2): 165-169.

YIN Xin-yun, HE Yong-yong,PENG Zhi-ke,et al. Study on wavelet entropy and its applications intrend analysis[J]. Journal of Vibration Engineering, 2004, 17(2): 165-169.

[35]于金濤,趙樹延,王祁. 基于經(jīng)驗模態(tài)分解和小波變換聲發(fā)射信號去噪[J]. 哈爾濱工業(yè)大學學報, 2011, 43(10): 88-92.

YU Jin-tao, ZHAO Shu-yan, WANG Qi. De-nosing of acoustic emission signals based on empirical mode decomposition and wavelet transform[J]. Journal of Harbin Institute of Technology, 2011, 43(10): 88-92.

[36]夏文靜,傅行軍. 基于 ICA在強背景噪聲振動信號中的去噪研究[J]. 汽輪機技術(shù), 2006, 48(2): 121-123.

XIA Wen-jing, FU Xing-jun. De-noising in intensive noises vibration signal based on independent component analysis(ICA)[J]. Turbina Technology, 2006, 48(2): 121-123.

[37]de-la-Rosa J J G, Puntonet C G,Piotrkowski R, et al. Comparison of two ICA algorithms in BSS applied to non-destructive vibratory tests[J]. SEAL 2006, LNCS 4247, 2006, 4132:750-755.

[38]李卿. 基于獨立分量分析的切削聲發(fā)射源信號分離研究[D]. 上海: 上海交通大學, 2011.

[39]何沿江,齊明俠,羅紅梅. 基于ICA和SVM的滾動軸承聲發(fā)射故障診斷技術(shù)[J]. 振動與沖擊, 2008, 27(3): 150-153.

HE Yan-jiang, QI Ming-xia, LOU Hong-mei. Simplified viv coupling model for submarine pipe span with spoiler[J]. Journal of Vibration and Shock, 2008, 27(3): 150-153.

[40]王向紅. 混流式水輪機葉片裂紋聲發(fā)射監(jiān)測的若干關鍵技術(shù)研究[D]. 上海: 上海交通大學, 2009.

[41]王艷青. 復合材料風機葉片疲勞損傷監(jiān)測研究[D]. 哈爾濱: 哈爾濱工業(yè)大學, 2010.

[42]劉國華,黃平捷,龔翔,等. 基于分形維和獨立分量分析的聲發(fā)射特征提取[J]. 華南理工大學學報:自然科學版, 2008, 36(1): 76-80.

LIU Guo-hua, HUANG Ping-jie, GONG Xiang,et al. Feature extraction of acoustic emission signals based on fractal dimension and independent component analysis[J]. Journal of South China University of Technology:Natural Science Edition, 2008, 36(1): 76-80.

[43]程軍圣.基于Hilbert-Huang變換的旋轉(zhuǎn)機械故障診斷方法研究[D]. 湖南: 湖南大學, 2005.

[44]孫立瑛,李一博,靳世久,等.基于小波包和HHT變換的聲發(fā)射信號分析方法[J].儀器儀表學報,2008,29(8):1577-1582.

SUN Li-ying, LI Yi-bo, JIN Shi-jiu, et al. Acoustic emission signal processing method based on wavelet package and HHT transform[J]. Chinese Journal of Scientific Instrument, 2008, 29(8): 1577-1582.

[45]關山. 基于聲發(fā)射信號的多特征分析與融合的刀具磨損分類與預測技術(shù)[D]. 吉林: 吉林大學, 2011.

[46]徐鋒,劉云飛,宋軍. 基于中值濾波-SVD和EMD的聲發(fā)射信號特征提取[J]. 儀器儀表學報, 2011, 32(12): 2712-2719.

XU Feng, LIU Yun-fei, SONG Jun. Feature extraction of acoustic emission signals based on median filter-singular value decomposition and empirical mode decomposition[J]. Chinese Journal of Scientific Instrument, 2011, 32(12): 2712- 2719.

[47]Law L S, Kim J H, Liew W Y H, et al. An approach based on wavelet packet decomposition and Hilbert-Huang transform (WPD-HHT) for spindle bearings condition monitoring[J]. Mechanical Systems and Signal Processing,2012,33:197-211.

[48]李俊平,周創(chuàng)兵. 巖體的聲發(fā)射特征試驗研究[J]. 巖土力學, 2004, 25(3): 374-378.

LI Jun-ping，ZHOU Chuang-bing. Experimental research on acoustic emission characteristics of rock mass[J]. Rock and Soil Mechanics, 2004, 25(3): 374-378.

[49]冷永剛. 大信號變尺度隨機共振的機理分析及其工程應用研究[D]. 天津: 天津大學, 2004.

[50]Cao Yi-jia, Wang Jing-dai, Liu Wei, et al. Wall sheeting diagnosis in fluidized beds based on chaos analysis of acoustic emission signals[J]. Journal of Zhejiang University Science A, 2009, 10(9): 1341-1349.

[51]成新民,胡峰,鄧艾東,等. 基于代數(shù)網(wǎng)絡和混沌參數(shù)的碰摩聲發(fā)射源定位方法研究[J].振動工程學報,2011,24(3):287-293.

CHENG Xin-min, HU Feng, DENG Ai-dong,et al. Research on localization of acoustic emission source based on algebraic neural network and chaotic features[J]. Journal of Vibration Engineering, 2011, 24(3): 287-293.

[52]田昊,唐力偉,田廣,等. 基于核獨立分量分析的齒輪箱故障診斷[J]. 振動與沖擊, 2009, 28(5): 163-164.

TIAN Hao, TANG Li-wei, TIAN Guang,et al. Fault diagnosis of gearbox based on KICA[J]. Journal of Vibration and Shock, 2009, 28(5): 163-164.

[53]劉愛倫,袁小艷,俞金壽. 基于KPCA-SVC的復雜過程故障診斷[J]. 儀器儀表學報, 2007, 28(5): 870-874.

LIU Ai-lun, YUAN Xiao-yan, YU Jin-shou. Fault diagnosis of complex chemical process based on KPCA-SVC[J]. Chinese Journal of Scientific Instrument,2007,28(5):870-874.

[54]Wang G, Sun Ya, Ding Q,et al. Estimation of source spectra profiles and simultaneous determination of polycomponent in mixtures from ultraviolet spectra data using kernel independent component analysis and support vector regression[J]. Analytica Chimica Acta,2007, 594(1): 101-106.

[55]Wang X H, Mao H L, Zhu C M,et al. Damage localization in hydraulic turbine blades using kernel independent component analysis and support vector machines[J]. Proceedings of the Institution of Mechanical Engineers, Part C, Journal of Mechanical Engineering Science, 2009, 223(2):525-529.

[56]金文,陳長征,金志浩,等. 聲發(fā)射源識別中的三比值特征提取方法研究[J]. 儀器儀表學報, 2008, 29(3): 530-534.

JIN Wen, CHEN Chang-zheng, JIN Zhi-hao,et al. Study on three-parameter-ratio method in AE source recognition[J]. Chinese Journal of Scientific Instrument, 2008, 29(3): 530-534.

[57]Jin Wen, Chen Chang-zheng, Jin Zhi-hao,et al. An improved recognition approach of acoustic emission sources based on matter element[J]. ICIC 2007, LNCS, 2007,4681: 1070-1077.

[58]劉國華,黃平捷,楊金泉,等.基于高階譜的混凝土材料斷裂聲發(fā)射特征提取[J].吉林大學學報:工學版,2009,39(3): 803-808.

LIU Guo-hua, HUANG Ping-jie, YANG Jin-quan,et al. Feature extraction of concrete material’s AE measuring based on high order spectrum[J]. Journal of Jilin University: Engineering and Technology Edition, 2009, 39(3): 803-808.

[59]林麗,趙德有. 基于局域波近似熵的聲發(fā)射信號處理[J]. 大連理工大學學報, 2010, 50(1): 75-80.

LIN Li, ZHAO De-you. Acoustic emission signal processing based on local wave and approximate entropy[J]. Journal of Dalian University of Technology, 2010, 50(1): 75-80.

[60]鄧揚,丁幼亮,李愛群. 基于小波包分析的拉索損傷聲發(fā)射信號特征提取[J]. 振動與沖擊, 2010, 29(6): 154-158.

DENG Yang, DING You-liang, LI Ai-qun. Feature extraction of acoustic emission signals for cable damage based on wavelet packet analysis[J]. Journal of Vibration and Shock, 2010, 29(6): 154-158.

[61]Yang Zhen-sheng, Yu Zhong-hua. Grinding wheel wear monitoring based on wavelet analysis and support vector machine[J].Int J Adv Manuf Technol, 2012, 62: 107-121.

[62]Lin Li, Chu Fu-lei. Feature extraction of AE characteristics in offshore structure model using Hilbert-Huang transform[J]. Measurement, 2011, 41(1): 46-54.

[63]Yang Zhen-sheng, Yu Zhong-hua, Xie Chao,et al. Application of Hilbert-Huang transform to acoustic emission signal for burn feature extraction in surface grinding process[J]. Measurement, 2014, 47: 14-21.

[64]Yu Jin-tao, Ding Ming-li, Meng Fan-gang,et al. Acoustic emission source identification based on harmonic wavelet packet and support vector machine[J]. Journal of Southeast University(English Edition), 2011, 27(3): 300-304.

[65]Luo Zhi-gao, Wang Xiang, Li Ju. Study of punch die condition discrimination based on wavelet packet and genetic neural network[J]. ISNN 2008, Part II, LNCS, 2008,5264: 483-491.

[66]Liu Chang-ming, Wang Zhi-gang, Li You-rong. Damage pattern recognition of refractory materials based on bp neural network[J]. ICONIP 2012, Part IV, LNCS, 2012,7666: 431-440.

[67]王向紅,朱昌明,毛漢領,等. 基于小波神經(jīng)網(wǎng)絡的水輪機葉片裂紋源的定位技術(shù)[J]. 上海交通大學學報, 2008, 42(8): 1301-1304.

WANG Xiang-hong, ZHU Chang-ming, MAO Han-ling, et al. Source location of cracks of turbine blades based on wavelet neural network[J]. Journal of Shanghai Jiaotong University, 2008, 42(8): 1301-1304.

[68]Stepanova L N, Ramazanov I S, Kanifandin K V. Detecting hazardous sources of acoustic emission signals using the estimated energy of clusters[J]. Russian Journal of Nondestructive Testing, 2010, 46(9): 676-683.

[69]Deng Ai-dong, Zhao Li, Wei Xin. The application of wavelet neural network optimized by particle swarm in localization of acoustic emission source[J]. ICONIP 2009, Part II, LNCS, 2009, 5864: 738-745.

[70]于金濤,丁明理,王祁. 基于多輸出支持向量回歸的聲發(fā)射源平面定位[J]. 儀器儀表學報, 2011, 32(9): 2139-2145.

YU Jin-tao, DING Ming-li, WANG Qi. Planar location of acoustic emission source based on multi-output support vector regression[J]. Chinese Journal of Scientific Instrument, 2011, 32(9): 2139-2145.

[71]蘇永振,袁慎芳. 基于獨立分量分析的多源沖擊定位方法[J]. 振動與沖擊, 2008, 27(8): 134-137.

SU Yong-zhen, YUAN Shen-fang. Method for locating multiple impact sources based on independent component analysis[J]. Journal of Vibration and Shock, 2008, 27(8): 134-137.