《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》：A Single-Sensor attenuation fingerprint mapping framework for autonomous acoustic emission source identification in composite wind turbine blades
编辑推荐：
声发射（Acoustic Emission, AE）技术是评估风机叶片结构完整性的重要手段，然而在复合材料及各向异性结构中，基于时域的声发射源定位面临显著挑战。本文提出了一种新颖的基于单传感器的衰减指纹映射框架，用于复合材料风机叶片的声发射源自主识别。该方法首
声发射（Acoustic Emission, AE）技术是评估风机叶片结构完整性的重要手段，然而在复合材料及各向异性结构中，基于时域的声发射源定位面临显著挑战。本文提出了一种新颖的基于单传感器的衰减指纹映射框架，用于复合材料风机叶片的声发射源自主识别。该方法首先从原始时域声发射信号中提取连续的窄带部分功率（Partial Power, PP）特征，每个窄带带宽为1 kHz，这些特征对声发射波形频域的微小波动高度敏感，能够有效追踪衰减对局部频率分量的影响。鉴于窄带特征数量庞大，研究人员采用了一种无监督学习方案，依次通过拉普拉斯评分（Laplacian Score, LS）进行特征选择、主成分分析（Principal Component Analysis, PCA）进行特征降维，以及k-means算法进行聚类，并利用平均轮廓系数（Silhouette Coefficient）和调整兰德指数（Adjusted Rand Index, ARI）两个互补指标评估聚类的稳健性。在此基础上，本文首次提出了区域声学向量（Zone Acoustic Vector, ZAV）这一新概念，通过计算未知来源声发射波形的部分功率向量与五个区域声学向量之间的余弦相似度指数（Cosine Similarity Index, CSI）热图，即可准确判定声发射事件在复合材料风机叶片中发生的区域。该方法无需依赖声发射波形的到达时间（Time of Arrival, TOA），完全在频域内运作，仅需单个声发射传感器即可实现经济高效的结构健康监测（Structural Health Monitoring, SHM）。研究结果表明，该方法在铅笔芯断裂（Pencil Lead Break, PLB）和冲击源识别中表现出高度有效性，即使对于含噪信号也具有良好的鲁棒性，并经过k折交叉验证确保了方法的严谨性。该框架旨在实现声发射源的区域识别而非精确坐标定位，特别适用于具有复杂几何特征和各向异性复合材料的结构，为传统时域方法难以实施的应用场景提供了有效的解决方案。
一、研究背景与问题提出
风力发电作为清洁能源的重要来源，在全球范围内受到日益广泛的关注。然而，由于恶劣的运行环境和持续工作状态，风机叶片容易遭受多种形式的损伤。声发射（Acoustic Emission, AE）技术通过检测结构内部损伤释放的高频瞬态弹性应力波，已成为评估风机叶片结构完整性的有效手段，能够以经济高效的方式延长风电系统的使用寿命和可靠性。声发射源定位是声发射结构健康监测（Structural Health Monitoring, SHM）的关键环节。在均匀各向同性结构中，声发射源定位已有成熟方法，但在复合材料结构和具有复杂几何特征的结构中，声发射源定位面临重大挑战。大多数声发射源定位技术基于时域，依赖声发射波形在多个传感器位置的到达时间（Time of Arrival, TOA）。在基于阈值的声发射采集中，到达时间通常由首次超过阈值的点确定，该方法对突发型信号较为有效，但在色散介质中性能可能受损，因为声发射波形在传播过程中会显著扩展，难以准确确定信号起始点，且不同阈值选择会导致不同的源坐标结果。另一种时域起始点检测方法是赤池信息准则（Akaike Information Criterion, AIC），其性能优于阈值法，且对噪声信号有效。复合材料中的波衰减是影响波形的重要因素，研究表明衰减是与频率相关的现象，与基体黏性、散射以及纤维/基体界面能量损失有关，微观孔隙和分层会进一步加剧衰减。已有研究提出了多种针对各向异性板的声发射源定位方法，包括L形和方形传感器簇、基于连续小波变换（CWT）尺度图的到达时间获取方法、A*搜索算法、Delta T映射技术以及结合方向群速度的到达时间算法等。近年来，机器学习方法也被引入声发射源定位，如基于卷积神经网络（CNN）的深度学习架构、CNN与支持向量机（SVM）的混合方法、多任务深度学习方法以及贝叶斯概率方法等。然而，这些方法大多需要多个传感器或多源数据，且在高衰减的复合材料结构中仍面临挑战。因此，开展基于单传感器的声发射源识别研究具有重要的实际意义。
二、研究内容与结论
本文提出了一种稳健的频域相关方法，通过利用采集到的声发射信号窄带内蕴含的丰富信息，来识别复合材料风机叶片中声发射源的类型和位置。该方法的核心创新在于，不仅捕捉衰减对声发射波形局部窄带的影响，还利用这一信息进行声发射源定位。研究首先对所有声发射信号的频率内容进行了简洁可视化，表明窄带部分功率（Partial Power, PP）特征信息量丰富，可通过无监督手段对声发射信号进行聚类。在此基础上，研究人员开发了基于余弦相关性的分类方法，该方法基于窄带部分功率带运作，能够准确识别声发射信号的来源区域。研究首次证明，可以为特定区域构建独特的频域向量，即区域声学向量（Zone Acoustic Vector, ZAV），用于声发射源定位。该方法不依赖声发射波形的到达时间，完全在频域内运作，在复合材料风机叶片中铅笔芯断裂（Pencil Lead Break, PLB）和冲击源的区域识别中表现出高度有效性。该技术预期在其他具有不规则几何特征（如曲面和非均匀厚度）的复杂复合材料结构中同样表现良好，而在这些场景中实施时域方法具有挑战性。该框架仅需单个声发射传感器，为识别受影响的结构区域提供了一种经济高效的手段，能够实现有针对性的检测和维护，无需精确的源坐标。该研究发表在《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》期刊上，为复合材料结构声发射源识别提供了新的技术途径。
三、关键技术方法概述
研究人员采用了以下主要关键技术方法：首先，从原始时域声发射信号中提取连续的窄带部分功率特征，每个窄带带宽为1 kHz，这些特征对声发射波形频域的微小波动高度敏感。其次，采用无监督学习框架，依次使用拉普拉斯评分（Laplacian Score, LS）进行特征选择、主成分分析（Principal Component Analysis, PCA）进行特征降维、k-means算法进行聚类，并使用戴维斯-布尔丁指数（Davies-Bouldin Index, DBI）和轮廓系数（Silhouette Coefficient, SC）确定最优聚类数。最后，构建余弦相似度（Cosine Similarity, CS）映射框架，引入区域声学向量概念，通过计算未知声发射信号部分功率向量与各区域声学向量之间的余弦相似度指数（Cosine Similarity Index, CSI）热图来判定声发射源所在区域，并采用6折交叉验证评估方法的稳健性和泛化能力。
四、研究结果
（1）窄带部分功率特征的有效性：研究表明，从声发射信号中提取的窄带部分功率特征对频域微小波动高度敏感，能够有效追踪衰减对声发射波形局部频率分量的影响。这些窄带特征信息量丰富，为后续的无监督聚类提供了基础。
（2）无监督聚类方案的结果：研究人员采用由拉普拉斯评分、主成分分析和k-means组成的无监督方案，对提取的窄带部分功率特征进行特征选择、降维和聚类。通过平均轮廓系数和调整兰德指数两个互补指标评估了聚类的稳健性，结果表明聚类能够可靠地将声发射信号分离到叶片的不同区域。
（3）余弦相似度映射的结果：研究人员引入了区域声学向量这一新概念，通过计算未知来源声发射波形部分功率向量与五个区域声学向量之间的余弦相似度指数热图，成功判定了声发射在复合材料风机叶片中发生的区域。该方法经过k折交叉验证，证明了其稳健性和泛化能力。研究结果表明，该方法对铅笔芯断裂和冲击源的区域识别具有显著潜力，即使对于含噪信号也表现出良好的鲁棒性。
五、讨论与结论
讨论部分指出，该方法相较于传统监督机器学习方法具有多重优势，包括构建区域声学向量所需的声发射信号数量更少，余弦相似度指数热图提供了全面的可视化手段以判定声发射信号的发生区域。该方法旨在实现声发射源的区域识别而非精确坐标定位，特别适用于具有复杂几何特征和各向异性复合材料的结构，在这些条件下，基于恒定波速的简化到达时间定位公式难以充分解释波传播的复杂性。研究结论表明，所提出的基于单传感器的衰减指纹映射框架，通过利用窄带部分功率特征和区域声学向量，能够准确识别复合材料风机叶片中声发射源的区域，为结构健康监测提供了一种经济高效的手段，使有针对性的检测和维护成为可能，无需精确的源坐标。该框架在铅笔芯断裂和冲击源识别中表现出高度有效性，并预期在其他复杂复合材料结构中具有良好的应用前景。
