波形特征和頻譜特征組合識別纖維斷裂聲信號

趙春龍， 于偉東， 劉洪玲

(東華大學 紡織學院， 上海 201620)

波形特征和頻譜特征組合識別纖維斷裂聲信號

趙春龍， 于偉東， 劉洪玲

(東華大學 紡織學院， 上海 201620)

利用波形特征和頻譜特征組合的方法，去除背景噪聲和瞬態噪聲對纖維斷裂聲信號判識的影響，實現對纖維斷裂聲信號的準確識別.首先,采用小波包法去除部分背景噪聲，然后利用其波形和頻譜特征去除聲信號中的剩余噪聲.試驗結果證明，該方法的誤差率小于4%，可以有效應用于纖維斷裂伸長率的表征.

纖維斷裂聲信號； 小波包去噪； 頻譜特征； 波形特征； 斷裂伸長率分布

纖維的斷裂伸長率分布是衡量纖維拉伸性能均勻性的一個重要指標[1]，其直接關系到成紗的加工和紡織品的最終適用性能.利用束纖維與單纖維拉伸測量結果間的關系[2-3]，通過束纖維的拉伸曲線可以預測單纖維的斷裂伸長率分布[4-5]，避免繁瑣、冗長的單根纖維的測量.基于聲與拉伸曲線的組合，采用振幅閾值去噪方法區分底噪聲和環境噪聲，從而計算得到剛性纖維的斷裂伸長率分布[6-8]已見報道.但對于羊毛類有卷曲或交叉排列的纖維束而言，因其在拉伸中存在交互作用而產生瞬態噪聲信號，導致斷裂與否判斷的失誤[9].因此，將此類瞬態噪聲信號剔除并準確判定纖維斷裂聲信號是問題的關鍵.

已有研究采用小波去噪對原始束纖維斷裂聲信號進行去噪處理，然后將去噪后的信號中疑似纖維斷裂聲信號提取出來，并采用復合波形參數的方法對纖維斷裂聲信號進行辨別[9].該方法對于斷裂聲信號幅值較大的澳毛纖維有用，對于斷裂聲信號幅值較小的國產羊毛纖維則效果較差[10].為此，本文針對斷裂聲信號幅值較小而瞬態噪聲較強、較多的羊毛纖維，利用纖維斷裂聲信號在波形和頻率上的特征，采用波形特征和頻譜特征組合方法，將其與背景噪聲和瞬態噪聲區分開來，從而實現對纖維斷裂聲信號的識別.

1 試 驗

1.1 試樣

所有試樣均為國產羊毛纖維，含有較多的天然卷曲.試驗條件為標準大氣條件.

1.2 測量儀器與方法

測量儀器為自行研制的智能束纖維強力儀(TMT-InFiBTensor)，該儀器拉伸時拉伸速率恒定為6.6 mm/min，初始拉伸夾頭間隔距為10 mm.

錄取聲信號的麥克風為AT9904，其頻率響應范圍為30～18 000 Hz，靈敏度為-42 dB，測量時其位于試樣正上方5 mm處.錄取聲信號所用的軟件為cooledit，用該軟件錄取聲信號時采樣頻率為40 kHz，聲道為單聲道，采樣精度為16 bit.聲信號的錄取先于束纖維的拉伸，當開始拉伸束纖維時，束纖維強力儀會同時發出一個聲音信號，作為拉伸開始的標志.

1.3 噪聲去除原理

在束纖維拉伸過程中，可采集得到的聲信號包含3部分：纖維斷裂聲信號、背景噪聲，以及由于纖維間糾纏、摩擦、滑移、脫開等造成的瞬態噪聲.羊毛纖維束拉伸時的聲信號如圖1所示.其中，圖1(b)是圖1(a)方框中信號的放大顯示；圖1(c)和1(d)為對稱和非對稱兩種不同類型的瞬態噪聲.

(a) 帶背景噪聲的聲信號

(b) 纖維斷裂的聲信號

(c) 瞬態噪聲一

(d) 瞬態噪聲二

從圖1可以發現，纖維斷裂聲信號振幅明顯大于背景噪聲，因而可以利用正振幅(圖1(b)中A點值)與負振幅(圖1(b)中B點值)的幅值差大于背景噪聲中任意兩個信號點的幅值差，將纖維斷裂聲信號提取出來.但瞬態噪聲的正負振幅幅值差有時會與纖維斷裂聲信號幅值差相近甚至更大，如圖1(c)和1(d)所示的兩種類型的瞬態噪聲，均無法以幅值差閾值來識別提取. 對比圖1(c)和1(d)可以發現，前者中A點振幅值與B點振幅值相近，為對稱振幅，而后者為非對稱幅值，故可以通過該差異去除圖1(d)型的非對稱瞬態噪聲. 對比圖1(b)和1(c)可以發現，兩者在對稱性和正負振幅幅值差上差別均較小，但后者無余震跡象，故可以通過此差異將其區別除去.

2 結果與討論

2.1 小波去噪結果

小波去噪可以同時在時頻域中對信號進行分析[11]，為了顯示出小波去噪的效果，取時間間隔為2 s的原信號作說明. 原信號如圖2(a)所示，小波去噪后的信號如圖2(b)所示.其中，小波去噪方法如下：(1)參照文獻 [9]采用db5 小波[12]對原始信號進行6層分解；(2)對高頻6層信號重構并相加生成新的信號[14]；(3)對新生成的信號再次采用 db5 小波進行6層分解；(4)采用最小極大方差閾值對各層噪聲分別進行軟閾值[15]處理；(5)重構閾值處理過的各層信號[16]. 由圖2可以觀察到，小波去噪去除了背景噪聲，降低了纖維斷裂聲信號的幅值，其中對振幅較小信號的降幅特別明顯.

對于較弱的纖維斷裂聲信號，小波去噪不僅會降低其幅值，還會對波形產生破壞.正負振幅差在35 mV內的纖維斷裂聲信號如圖3(a)所示，其小波去噪結果如圖3(b)所示；正負振幅差在60 mV內的纖維斷裂聲信號如圖3(c)所示，其小波去噪結果如圖3(d)所示.

(a) 原始信號

(b) 小波去噪后信號

(a) 正負振幅差在35 mV內的信號

(b) 圖(a)中的信號去噪后結果

(c) 正負振幅差在60 mV內的信號

(d) 圖(c)中的信號去噪后結果

從圖3可以發現，小波去噪對幅值較小的纖維斷裂聲信號(占總纖維斷裂根數的5%以上)的破壞非常明顯，圖3(a)和3(c)兩纖維斷裂聲信號經過小波去噪后其幅度[9]分別下降了47.1%和50.0%，波形持續時間[9]分別下降46.3%和26.4%，波形衰減時間[9]分別下降50.0%和28.0%，聲信號的能量[9]降低了78.3%和83.6%.在此基礎上進行復合波形參數的計算必然存在較大誤差.

2.2 小波包去噪結果

小波包去噪[17]是在小波多分辨分析基礎上，將小波分解中獲得的高頻部分繼續分解為低頻和高頻兩部分，與小波多分辨分析相比，它具有更精細的去噪能力，小波分解和小波包3層分解分別如圖4(a)和4(b)所示，其他多層分解依次類推. 小波包分解是將小波分解中獲得的高頻部分繼續分解為低頻和高頻部分.

S—原始信號；A—低頻信號；D—高頻信號

在小波包分析中可以利用熵值判定低頻或高頻是否要繼續分解，從而產生最優小波包分解[18].如果用小波包完全去除背景噪聲，其去噪結果會與小波去噪相同，因而本文采用如下的去噪方法去除部分背景噪聲，以有利于后面的頻譜分析.(1)采用 db5 小波對原始信號進行5層最優小波包分解(由于采用5層分解就可以達到較好的效果，可使最前端的低頻系數部分恰不含有纖維斷裂聲信號，因此采用5層分解)；(2)將不存在纖維斷裂聲信號頻率范圍的系數調整為0；(3)重構閾值處理過的各層信號，合并輸出去噪信號[19-20].

取如圖5(a)所示的2 s原信號，對其進行小波包去噪，得到去噪后的信號如圖5(b)所示.正負振幅差在35 mV內的纖維斷裂聲信號如圖5(c)所示，

(a) 原始信號

(b) 小波包去除部分背景噪聲后信號

(c) 正負振幅差小于35 mV的信號

(d) 圖(c)經過小波包去噪后信號

(e) 正負振幅差小于60 mV的信號

(f) 圖(e)經過小波包去噪后信號

其小波包去噪結果如圖5(d)所示；正負振幅差在60 mV內的纖維斷裂聲信號如圖5(e)所示，其小波包去噪結果如圖5(f)所示. 從圖5可以看出，相比于小波去噪，小波包簡單去噪不僅能有效地降低背景噪聲，而且能較好地保持纖維斷裂聲信號的原始形態.經過小波包簡單去噪后，圖5(c)和5(e)兩纖維斷裂聲信號的幅值分別下降了11.8%和7.1%，波形的持續時間和衰減時間基本無變化，聲信號的能量減少了18.5%和11.0%.由此可知，小波包去噪的效果明顯優于小波去噪的效果，采用小波包去噪可為后續準確提取和識別纖維斷裂聲信號創造條件.

2.3 纖維斷裂聲信號波形特征

2.3.1 正負振幅間的幅值差

圖6為纖維斷裂聲信號經小波包簡單去噪后的信號，其中，圖6(a)為一次拉伸中振幅最小的纖維斷裂聲信號，圖6(b)為一次拉伸中振幅最大的纖維斷裂聲信號.結合圖6和圖5(b)可以發現，纖維斷裂聲信號中存在一正脈沖點(A點，該點的幅值為正振幅)和其后緊跟的一個負脈沖信號點(B點，該點的幅值為負振幅)的幅值差大于背景噪聲中任意正脈沖點和負脈沖點的幅值差.因此，可以利用該特征通過設置合適的幅值差閾值，提取纖維斷裂聲信號和部分瞬態噪聲信號，將纖維斷裂聲信號從背景噪聲中提取出來.

(a) 振幅最小的纖維斷裂聲信號

(b) 振幅最大的纖維斷裂聲信號圖6 小波包簡單去噪后的信號Fig.6 Results of signal after wavelet-packet denoise

為了取得合適的閾值，取200根無摩擦的纖維，將其分成10組，每組20根，梳理每組纖維，然后將其平行排列于紙上，固定兩端，再將200根纖維放到一起進行拉伸.將錄取到的聲信號進行簡單小波包去噪后，對200個纖維斷裂聲信號正負振幅幅值差進行統計，結果如圖7所示. 由圖7可以看出，聲信號正負振幅幅值差最小為19.94 mV.為了盡可能將疑似纖維斷裂聲信號從噪聲中提取出來而又不提取背景噪聲，最終將閾值設定為19.94 mV，該值大于背景噪聲的任意兩信號點間的幅值差.

圖7 纖維斷裂聲信號正負振幅幅值差分布圖Fig.7 Distribution of the difference between maximum and minimum value of fiber broken signal

在圖6(b)的A點前取5個數據點，A點后取74個數據點，這80個數據點(包括A點)可基本構成一個纖維斷裂聲信號.為了衡量A和B點的對稱性，定義對稱系數Q，Q為A、 B兩點的幅值之和與幅值之差比值的絕對值.經計算可知，圖6中兩個纖維斷裂聲信號的Q值均較小，分別為10.0%和26.7%，而圖1(c)中瞬態噪聲的Q值為60%，遠大于26.7%.因而利用纖維斷裂聲信號的對稱性與非對稱性，可以去除圖1(d)所示類型的瞬態噪聲.

2.3.2 纖維斷裂聲信號頻譜特征

數字信號經過傅里葉變換后，可用一系列不同頻率的正弦與余弦聯合表示，根據正、余弦的頻率與其對應系數間的關系，可以得到數字信號的頻譜圖.纖維斷裂聲信號產生的機理與瞬態噪聲信號不同，因而兩者的頻率分布也不同.纖維斷裂聲信號如圖8(a)所示, 其頻譜圖如圖8(b)所示；瞬態噪聲如圖8(c)所示，其頻譜圖如圖8(d)所示.

從圖8(b)可以發現，纖維斷裂聲信號在2 500 Hz處有一個峰值，它位于0～5 000 Hz的低頻范圍內，這個峰值與纖維斷裂聲信號存在衰減的余震跡象有關，而余下的如圖8(c)類型的瞬態噪聲則沒有該現象，這是因為瞬態噪聲僅有一個孤立的振鈴.利用這一頻譜特征可以去除余下的瞬態噪聲.

(a) 纖維斷裂聲信號

(b) 纖維斷裂聲信號的頻譜圖

(c) 瞬態噪聲

(d) 瞬態噪聲的頻譜圖

3 波形特征和頻譜特征組合方法的試驗驗證

3.1 纖維斷裂根數的準確判斷

為了驗證波形特征和頻譜特征組合方法對弱纖維斷裂聲信號識別的準確性，進行了5次試驗.同時采用復合參數法[9]對5次試驗的數據進行處理，以驗證波形特征和頻譜特征組合方法相比于復合參數法在對弱的纖維斷裂聲信號識別上的優勢.試驗結果如表1所示.

表1 不同方法測量結果的比較

由表1可以發現，組合法的5組試驗結果的誤差都在4%以內，說明頻譜分析方法是穩定且有效的檢測方法.從表1還可以發現，每組試驗測得的纖維數量均小于檢驗數量，這可能是因為部分纖維在拉伸過程中發出的聲音非常微弱，從而在去噪時被當作噪聲去除了，而這種誤差約為2%.此外，還存在因兩個纖維斷裂聲信號中部分信號點交叉而導致的誤差.復合參數法對弱的纖維斷裂聲信號識別誤差較大(>7.83%)，這是因為小波去噪對信噪比小的纖維斷裂聲信號的的破壞非常嚴重.

綜合上述分析可以發現，相比于復合參數法，波形特征和頻譜特征組合方法在識別弱的纖維斷裂聲信號上具有優勢.

3.2 纖維的斷裂伸長率分布

準確識別纖維斷裂聲信號的主要目的是獲得纖維的斷裂伸長率分布.在準確識別纖維斷裂聲信號的基礎上，求解纖維的斷裂伸長率分布.以表1中纖維數量為472根、檢驗數量為454根的樣本為例，對纖維斷裂的時間點進行分析.由圖5可以看出，纖維斷裂信號的幅度最大點前有5個信號點，聲信號的采樣頻率為40 000 Hz，則纖維斷裂信號的幅度最大點與纖維斷裂開始的起點之間的時間差約為0.000 1 s，而束纖維拉伸速度為0.11 mm/s，因而可忽略該時間差，將纖維斷裂信號的幅度最大點作為纖維拉伸斷裂開始點.根據上述分析可以得到纖維斷裂伸長率分布直方圖如圖9所示. 由此表明，在準確識別纖維斷裂聲信號的基礎上，可實現對纖維斷裂伸長率分布的求解.

圖9 羊毛纖維斷裂伸長率分布直方圖

4 結 語

本文先利用小波包去噪去除纖維拉伸斷裂過程中的部分背景噪聲，然后利用纖維斷裂聲信號中正振幅與負振幅的幅值差大于背景噪聲中任意兩信號點間的幅值差，將所有背景噪聲去除，提取出纖維斷裂聲信號和部分瞬態噪聲信號，再利用纖維斷裂聲信號的對稱性去除部分非對稱瞬態噪聲.剩余少量的瞬態噪聲，則可以通過瞬態噪聲與斷裂纖維聲信號頻率分布的差異，對兩者進行識別而去除.試驗結果表明，波形特征和頻譜特征組合方法能有效去除瞬態噪聲的干擾，準確判斷提取纖維斷裂聲信號，該方法的誤差率小于4%.基于波形特征和頻譜特征組合方法可以得到的纖維斷裂伸長率分布，相比于復合參數法，該方法對于斷裂聲信號較弱的羊毛纖維的識別更簡便，且誤差小.

[1] 于偉東. 紡織材料學 [M]. 北京:中國紡織出版社, 2006:103-104.

[2] DHAVAN K, BHATT H H, RADHAKRISHNAN T. Estimation of tensile properties of single cotton fibers from load-elongation curves of bundles [J]. Textile Research Journal, 1984,54(8):549-551.

[3] SASSER P E, SHOFNER F M, CHU Y T, et al. Interpretations of single fiber, bundle, and yarn tenacity data [J]. Textile Research Journal, 1991,61(11):681-690.

[4] YU W D, DU X F, XIONG H F. Effect of single fibre properties on bundle tensile behavior of wool [J]. Journal of Donghua University, 1992,25(1):9-15.

[5] YU W D, YAN H J, POSTLE R. Evaluating single fiber and fiber bundle tensile curves [J]. Textile Research Journal, 2003，73(10):875-882.

[6] COWKING A, ATTOU A, SIDDIQUI A, et al. Testing E-glass fibre bundles using acoustic emission [J]. Material Science, 1991，26(5):1301-1310.

[7] PAPPAS Y Z, KONTOSOL A, LOUTAS T H, et al. On the characterization of continuous fibres fracture by quantifying acoustic emission and acousto-ultrasonics waveforms [J]. NDT & E International, 2004，37:389-401.

[8] JIHAN S, SIDDIQUI A M, SWEET M A S. Fracture strength of E-glass fibre strands using acoustic emission [J]. NDT and E International, 1997,30(6):383-388.

[9] 毋戈,于偉東,劉洪玲.基于斷裂聲波形分析的斷裂纖維識別與計數[J].東華大學學報(自然科學版),2014,40(1):34-42.

[10] 毋戈.束纖維拉伸中的聲與斷裂力學的原位表征[D].上海:東華大學紡織學院,2013：62-63.

[11] 管亮,馮新瀘.基于小波變換的信號消噪效果影響因素研究及其Matlab實踐[J].自動化與儀器儀表,2004(6):43-46.

[12] 胡昌華,張軍波,夏軍,等.基于MATLAB的系統分析與設計：小波分析[M].3版.西安:西安電子科技大學出版社,2000:7-8.

[13] 陳峰,成新民.基于小波變換的信號去噪技術及實現[J].現代電子技術,2005(3):11-13.

[14] 林克正,李殿璞.基于小波變換的去噪方法[J].哈爾濱工程大學學報,2000,21(4):21-23.

[15] 張毅,楊秀霞.小波消噪在微弱信號檢測中的應用[J].微計算機信息,2006,22(1):113-114.

[16] 許天周,黃春光.小波分析理論、算法及其應用[M].北京:國防工業出版社,2007:118-120.

[17] 陳貴亮,王光旭,劉更謙.基于Matlab的小波包μ律絕對值閾值消噪算法的研究[J].科學技術與工程,2013,13(29):8622-8625.

[18] 史賢俊,林颯,李瑞亮.基于最優小波包基的信號去噪算法及其應用[J].海軍航空工程學院學報,2006,21(5):506-509.

[19] 蔣玲莉,劉義倫,李學軍,等.小波包去噪與改進HHT的微弱信號特征提取[J].振動、測試與診斷,2010,30(5):510-513.

[20] 王首勇,朱光喜,唐遠炎.應用最優小波包變換的特征提取方法[J].電子學報,2003,31(7):1035-1038.

Recognition of the Acoustic Signals of Fibers Breaking Based on the Combination of Waveform and Frequency Characters

ZHAOChun-long，YUWei-dong，LIUHong-ling

(College of Textiles, Donghua University, Shanghai 201620, China)

The effects from background noise and transient noises were eliminated, and the precision recognition of the acoustic signals of fibers breaking was realized with a new method which combined waveform and frequency characters. Firstly, some background noise were denoised by wavelet-packet, secondly, residual noise were denoised by using the waveform character and frequency character of the acoustic signals occurred of fibers breaking. The experiments show that the method has low error rate which is less than 4%, and it can be used to evaluate the character of fibers elongation rate availably.

acoustic signals of fibers breaking; wavelet-packet denoising; frequency character; waveform character; distribution of fibers elongation rate

1671-0444(2016)01-0040-07

2014-10-20

趙春龍(1989—)，男，湖北黃岡人，碩士研究生，研究方向為束纖維力學性能的表征.E-mail:2120061@mail.dhu.edu.cn

于偉東(聯系人)，男，教授，E-mail: wdyu@dhu.edu.cn

TS 102.1

A