基于声发射分割与变分模态分解优化的二维三轴碳纤维编织复合材料损伤模式识别

为解决碳纤维增强复合材料损伤模式识别中声发射(AE)信号混叠的难题，研究人员创新性地开发了集成均方根(RMS)与赤池信息准则(AIC)的AE信号分割方法，并采用神经种群动态优化算法(NPDOA)自适应优化变分模态分解(VMD)参数。通过连续小波变换图像相减(CWTIS)新指标构建双目标函数，实验证明该方法使AE事件检出率提升136%，基体开裂信号检测效率激增1100%，为复合材料结构健康监测提供了高保真、可解释的技术工具。

　　

在碳纤维增强复合材料(CFRP)的损伤监测领域，声发射(AE)技术虽被广泛应用，但信号时频混叠问题长期制约着损伤模式的精准识别。这项研究针对二维三轴编织复合材料，构建了革命性的信号处理框架：通过融合均方根(RMS)和赤池信息准则(AIC)，开发出能有效分割时域重叠AE事件的新算法；在频域分析中，创新性地采用神经种群动态优化算法(NPDOA)对变分模态分解(VMD)参数进行智能调优，并创造性地提出基于连续小波变换图像相减(CWTIS)的相似性度量指标，结合排列熵构建双目标优化函数。

实验数据令人振奋——单轴拉伸测试显示，该框架使AE事件检测数量飙升136%，不同损伤模式的聚类分离度显著提升。更惊人的是，基体开裂这类低幅值损伤信号的检出率突破性增长1100%，成功揭示了传统方法难以捕捉的微弱损伤特征。这些突破不仅大幅提升了AE信号的时间分辨率和频谱解析度，更通过重构物理意义明确的固有模态函数(IMF)，实现了损伤信号的"可视化"解读。

这项技术犹如为复合材料结构装上了"智能听诊器"，其卓越的损伤诊断能力将推动航空航天、新能源等领域复合材料构件健康监测进入精准量化新阶段。