基于脉冲端点检测与CEEMDAN特征优化的密封电子器件松散颗粒材料识别方法

《Sensors》：Loose Particle Material Identification for Sealed Electronic Devices Using Pulse Endpoint Detection and CEEMDAN Feature Optimization

　　

航空航天密封电子器件内部存在的松散颗粒会引发电路短路与接触故障。颗粒碰撞噪声检测（Particle Impact Noise Detection，PIND）技术依赖压电声发射（Acoustic Emission，AE）传感器捕获碰撞脉冲，然而原始传感器信号受到严重的背景噪声污染，导致时频特征严重混叠，颗粒材料识别精度较低。本工作针对PIND声传感系统，提出了一种融合脉冲端点检测与完全集合经验模态分解与自适应噪声（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise，CEEMDAN）分解的传感信号优化方法。首先，利用频域方差双阈值算法从含噪传感器输出中提取有效碰撞脉冲，剔除无效噪声片段。其次，采用基于峰度（Kurtosis）的固有模态函数（Intrinsic Mode Function，IMF）筛选进行CEEMDAN重构，抑制高频脉冲噪声与低频趋势分量，并提取七维时频融合特征用于分类。一个双隐含层反向传播（Back-Propagation，BP）神经网络对四种典型污染物——铜颗粒、焊料颗粒、橡胶颗粒和环氧树脂颗粒进行识别。与经验模态分解（Empirical Mode Decomposition，EMD）、集合经验模态分解（Ensemble EMD，EEMD）和小波阈值去噪的对比实验表明，所提出的基于CEEMDAN的方法将总体分类准确率从71.8%（未去噪）提升至85.1%。该方法提升了PIND声传感平台的辨识性能，可为航空航天封装缺陷溯源提供支持。

**论文解读**

**一、研究背景与问题**

在航空航天工程、精密测控及高端装备制造领域，密封电子器件的集成密度与精度不断提升，其运行稳定性和服役可靠性直接决定整机装备的安全运行。在制造、封装、装配及长期服役过程中，密封电子器件腔体内部极易产生金属碎屑、塑料残留、陶瓷碎片等微小松散颗粒。这些内部污染物隐蔽于器件腔体内，无法通过目视检测发现，在振动和冲击工况下可能发生位移和碰撞，进而引发电路短路、电接触不良和机械卡滞等关键故障，构成精密电子装备的重要潜在失效源。

颗粒碰撞噪声检测（Particle Impact Noise Detection，PIND）是目前密封器件内部松散颗粒检测的主流无损检测技术，凭借灵敏度高、非破坏性和适应性强等优势，已被广泛部署于集成电路及密封电子元器件的质量筛选中。区别于仅检测颗粒有无的二元判别模式，松散颗粒的材料识别能够对不同污染物进行精确区分，既是评估内部颗粒危害等级和预测失效风险的基础依据，也为追溯颗粒产生源头、定位封装工艺缺陷以及针对性优化器件生产与封装流程提供关键技术支撑。因此，松散颗粒材料识别对提升精密电子器件批产质量和长期可靠性具有显著的工程意义。

然而，综合分析现有研究可知，当前基于PIND信号的密封电子器件松散颗粒材料识别系统存在三个突出问题。其一，多数已有研究直接对完整的原始PIND采集信号进行分析，这些信号包含大量不含有效冲击信息的静默基线片段，直接进行时频分解不仅引起冗余计算和处理效率低下，长基线中的低频趋势分量还易诱发模态混叠，导致不同颗粒材料的特征分布严重重叠。其二，特征构造形式过于单一，大多仅依赖基础时域或频域指标，时域、频域与非线性熵多维指标的协同融合方案未得到充分挖掘。其三，前端信号提纯预处理模块与后端去噪和特征优化环节相互脱节，预处理流程耦合度差，无法充分发挥后续机器学习模型的分类潜力。

**二、研究内容与意义**

针对上述局限性，研究人员提出了一种基于脉冲端点检测与CEEMDAN特征优化的密封电子器件松散颗粒材料识别方法。首先，采用频域方差双阈值端点检测算法定位并提取原始传感信号中的有效碰撞脉冲，去除静默基线片段并保留脉冲波形，在缩减输入CEEMDAN数据长度的同时避免了长基线引发的模态混叠。其次，对提纯后的脉冲信号进行CEEMDAN分解，利用峰度筛选IMF分量：保留IMF3–IMF7用于信号重构，舍弃IMF1–IMF2（脉冲噪声）和IMF8（低频趋势项），从重构信号中提取涵盖时域、频域及非线性熵指标的七维特征。最后，采用双隐含层BP神经网络对铜、焊料、橡胶和环氧树脂四类松散颗粒进行分类，并采用留一质量梯度（leave-one-mass-gradient-out）策略：以三个质量梯度的1200个样本为训练集、一个未见质量梯度的400个样本为测试集，每组实验重复四次取均值±标准差。EMD、EEMD和小波阈值去噪三种常规方法作为对比基准。实测信号实验表明，脉冲预处理缩短了CEEMDAN计算时间并抑制了模态混叠，所提方法总体分类准确率达85.1%，优于未去噪对照组的71.8%及EMD（74.5%）、小波阈值去噪（76.0%）和EEMD（76.8%），有效减小了不同颗粒材料间的特征重叠。该方法为密封电子元器件可靠性检测和封装工艺缺陷溯源提供了可操作的信号处理框架，具有重要的学术价值和工程应用前景。

**三、关键技术方法概述**

本研究采用标准化铝合金（6061）模拟腔体（尺寸20 mm × 20 mm × 10 mm，壁厚1 mm）替代实际器件，确保实验边界条件一致。PIND实验平台采用中心频率150 kHz、带宽50–400 kHz的谐振压电AE传感器，1 MHz采样率、16位分辨率、40 dB前置放大增益和20–500 kHz带通滤波器。振动激励参数优化为：冲击加速度200 g、振动频率30 Hz、振动加速度5 g。四种典型颗粒（铜、焊料、橡胶、环氧树脂）在0.10 mg–0.82 mg范围内设置四个质量梯度，每样本重复测试100次。通过频域方差双阈值端点检测算法（高门限T_i = 3T_mean、低门限T_o = 1.5T_mean）提取有效脉冲并拼接，以缩减数据规模；利用CEEMDAN（噪声幅值系数β₀ = 0.15、总体平均次数I = 200、最大迭代次数5000）分解信号，以峰度阈值50筛选IMF分量并重构去噪信号；提取时间域能量、频谱方差、能量熵比、自相关峰值、频谱质心、脉冲持续时间和小波均值幅值乘积共七维时频融合特征；构建双隐含层（32和16神经元）BP神经网络，采用Levenberg–Marquardt算法和L2正则化进行四类材料分类。

**四、研究结果**

**4.1 混淆矩阵分析**

在未去噪对照组中，总体分类准确率为71.8 ± 0.6%。焊料颗粒召回率最高（92.8%），铜颗粒为72.5%，橡胶颗粒和环氧树脂颗粒分别仅为53.5%和68.3%。三种常规去噪方法——EMD、EEMD和小波阈值去噪均有所提升，总体准确率分别为74.5 ± 0.7%、76.8 ± 0.6%和76.0 ± 0.6%，但对聚合物类别改善有限，橡胶与环氧树脂之间的互相误分依然存在。其中EEMD在三种常规方法中表现最优，主要得益于辅助白噪声对模态混叠的缓解作用。

在CEEMDAN方法组中，总体准确率达到85.1 ± 0.8%，较对照组提升13.3个百分点，较最优常规方法EEMD提升8.3个百分点。所有四类召回率均有提高：焊料96.0%、铜85.0%、橡胶77.0%、环氧树脂82.0%。基于峰度的IMF筛选去除了高频脉冲噪声成分（IMF1–IMF2），同时保留了碰撞脉冲结构（IMF3–IMF7），使金属与聚合物颗粒之间的波形差异得以保持。铜误分为焊料的比例从14.5%降至8.0%，聚合物误分为铜的比例对于橡胶从24.3%降至6.0%，对于环氧树脂从17.0%降至5.0%。

**4.2 样本分类散点图可视化分析**

对照组分类散点图显示误分样本广泛分布于所有四类区间，尤其在橡胶和环氧树脂区间最为密集，与此前混淆矩阵分析一致：背景噪声导致不同材料特征分布严重重叠，尤其是在类别边界处。CEEMDAN实验组分类散点图中，四类区间的误分样本数量均显著减少。焊料区间几乎所有样本正确识别，铜区间误分明显减少，橡胶和环氧树脂区间红色误分标记虽仍存在于区间两端，但数量远低于对照组。各类别内部正确分类样本形成连续性分布，相邻类别边界更为清晰。

**五、讨论与结论**

五次分组对比实验表明，CEEMDAN分解重构方法将总体材料识别准确率从71.8 ± 0.6%提升至85.1 ± 0.8%，相对最优常规方法EEMD的76.8 ± 0.6%有8.3个百分点的显著优势。EMD受模态混叠限制，EEMD存在残余辅助噪声，小波阈值固定参数难以适应PIND信号非平稳脉冲特性，三者提升幅度均有限。准确率增益在各材料间分布不均，橡胶颗粒受益最大（召回率从53.5%升至77.0%），其次是环氧树脂（68.3%升至82.0%）和铜颗粒（72.5%升至85.0%），焊料颗粒因自身脉冲特征本已清晰，增幅最小（92.8%升至96.0%）。混淆矩阵揭示两类主要误差源：一是铜与焊料两种金属之间的互相混淆，源于两者物理特性的部分重叠；二是橡胶与环氧树脂两种聚合物之间的互相混淆，源于两者均产生低能量阻尼振荡，频率成分和脉冲持续时间相似。CEEMDAN去噪后两类误差均得到有效抑制。

研究所用七维特征从不同物理维度刻画碰撞信号：时间域能量和脉冲持续时间描述冲击强度和时域尺度，频谱方差和频谱质心表征频域分布的离散度与重心位置，小波均值幅值乘积通过小波分解提取高频瞬态分量，能量熵比和自相关峰值反映波形复杂度与自相似性。留一质量梯度策略保证测试集质量梯度在训练中完全不可见，为模型泛化能力评估提供了更为严格的标准。

本研究仍存在若干局限：实验在标准化铝合金模拟腔体中进行，对实际工业密封器件适用性有待验证；数据集覆盖四种材料和四个质量梯度，其他污染物类型和更宽质量范围的性能尚未检验；全部实验在固定振动参数和传感器布置条件下完成；所用BP神经网络分类器相对简单，更先进的模型可能进一步提升性能。

**研究结论翻译：** 为解决密封电子器件PIND检测中背景噪声污染、特征混叠及聚合物颗粒识别精度低的问题，本文提出了一种融合频域方差双阈值端点检测与CEEMDAN特征优化的松散颗粒材料识别方法。该方法整合脉冲分割、信号重构降噪与多特征融合，实现对铜、焊料、橡胶和环氧树脂四类典型松散颗粒材料的分类。主要结论如下：（1）频域方差双阈值端点检测算法有效预处理长时含噪PIND信号，定位提取有效碰撞脉冲并去除空白噪声片段和无效基线分量，提升了原始信噪比，为后续特征提取和模型分类提供洁净脉冲样本，同时通过将分解限制于拼接后的有效脉冲序列而降低CEEMDAN计算开销。（2）CEEMDAN分解结合基于峰度的IMF筛选，在抑制残余噪声的同时保留了碰撞脉冲波形特征。舍弃峰度高于50的IMF1–IMF2（脉冲噪声主导）和低频趋势项IMF8，保留IMF3–IMF7进行信号重构，该方法减少了橡胶和环氧树脂低能量聚合物脉冲的畸变，提高了不同材料特征的可分离性。（3）混淆矩阵的定量分析验证了方法的有效性。采用留一质量梯度策略，以1200个训练样本和400个测试样本，每组重复四次，比较五种预处理方案。总体识别准确率分别为：对照组71.8 ± 0.6%、EMD 74.5 ± 0.7%、小波阈值去噪76.0 ± 0.6%、EEMD 76.8 ± 0.6%、CEEMDAN 85.1 ± 0.8%。所提方法优于最优常规基准EEMD 8.3个百分点。四类材料中橡胶颗粒改善最大（召回率53.5%升至77.0%），环氧树脂其次（68.3%升至82.0%），铜颗粒从72.5%升至85.0%，焊料颗粒从92.8%升至96.0%。主要分类误差——铜与焊料之间、橡胶与环氧树脂之间的互相混淆，在CEEMDAN去噪后均有所减少。该方法提升了含噪条件下松散颗粒材料识别的准确率与稳定性，为密封电子器件PIND检测的信号处理提供了参考。所提出的信号处理框架——包括脉冲端点检测、CEEMDAN去噪和多特征融合——在参数重标定后具备向其他腔体类型推广的潜力，尽管本研究仅对一种标准化铝腔进行了实验验证。未来工作将侧重于在实际密封电子器件上验证该方法，扩充数据集以涵盖更多材料类型和质量梯度，研究不同测试条件下方法的鲁棒性，并探索如卷积神经网络或集成方法等更先进的分类模型以进一步提升识别精度和泛化能力。