企业官网建设流程全解析

第一次接触声发射波形，是在给金属试件做拉伸实验的时候。传感器贴在试件表面，材料一有裂纹扩展，主机上就蹦出一个像是被狠狠衰减过的振荡脉冲——信号持续时间很短、幅值一下拉起来又指数往下掉。当时老师傅说，这叫声发射事件，是一个瞬态能量释放过程。后来自己用MATLAB模拟单次声发射事件，才发现这东西用几分钟就能写出来，但要让波形“像回事”，还得给频谱找个物理依据，这也是这篇以Planck谱做加权包裹的主线思路。

这篇文章适合三类人：刚接触声发射检测、想快速生成仿真波形做算法验证的工程师；做无损检测课程设计或论文复现的学生；以及那些手头有真实AE数据、想理解“为什么波形长这样”的信号处理爱好者。我会从最经典的衰减正弦模型讲起，再引入Planck谱做多频叠加，最后给出可直接跑的MATLAB代码和一堆实际踩过的坑。

1. 把“声发射”和“Planck”放在一起，到底能模拟什么

1.1 声发射波形为什么是衰减振荡

声发射，简称AE，指材料内部因局部应力集中、裂纹扩展、位错运动或摩擦等原因，突然释放应变能并产生弹性波的现象。这个波传到材料表面，被压电传感器拾取，就成了我们看到的AE波形。

单次声发射事件在时域上有两个非常明显的特征：一是持续时间极短，通常只有几十微秒到几毫秒；二是幅值急剧上升后按指数规律衰减。为什么是这种形态？因为能量释放是瞬时的，波在结构内部来回反射，每一次反射都会损失一部分能量，传感器本身也有阻尼特性，所以接收到的信号自然就是“一个快速起步、拖着一条尾巴”的衰减振荡。

打个比方：你拨一根琴弦，声音不是突然消失的，而是越来越弱直到听不见。AE波形就是那根弦，只不过它的频率更高、衰减更快，而且往往不只一个频率在响。

1.2 Planck在这里扮演的角色

Planck，也就是普朗克常数、普朗克辐射定律那个Planck。很多人第一反应是：黑体辐射跟声发射有什么关系？

关系不在于“热辐射”，而在于谱加权思想。普朗克定律描述了热平衡状态下，不同频率的能量分布密度。如果把材料内部一次声发射事件看成大量晶格振动的集体释放，类比成一个个“声子”的发射过程，那么不同频率分量携带的能量强弱，就可以借鉴Planck分布来做加权。说得直白点：我不再让所有频率的音量一样大，而是按照某个谱形决定哪个频率贡献多、哪个贡献少。

这里必须说明一个工程上的澄清：声发射频段的频率只有几十到几百千赫，对应的声子能量h·f非常小，远小于k_B·T，所以普朗克公式在这个频段实际上退化成瑞利-琼斯形式，谱形近似按频率平方上升。这意味着，如果你严格用真实普朗克常数去算，得到的是一个高频更强的包络，而不是经典黑体曲线那个“先升后降”的钟形峰。这并不妨碍我们把它当做一个建模工具，反而给了我们一个非常灵活的频域加权函数。本文就是基于这个思路来做的。

2. 建模思路与数学表达

2.1 经典单事件模型

绝大多数声发射波形模拟，用的都是下面这个经典表达式：

x(t) = A·exp(-α·(t - t0))·sin(2π·f0·(t - t0))·u(t - t0)

其中：

• A：信号幅值，可以理解为声发射事件的能量强度；
• α：衰减系数，单位1/s，α越大波形衰减越快；
• f0：中心频率，单位Hz，对应传感器谐振频率或AE源主频；
• t0：事件到达时刻，也就是波形在时间轴上“蹦出来”的那一瞬；
• u(t-t0)：单位阶跃函数，保证 t 小于 t0 时波形为0，避免出现“负时间”信号。

这个模型的好处是简单、可解释性强。你调大α，波形尾巴变短；调高f0，波形变密；改A，改变能量。很多商用AE仿真软件里的标准数据库，本质上也是在用这个模型配合不同参数生成的。

但它的局限也很明显：只有一个频率。真实声发射信号往往是多模态的，材料边界反射、传感器响应、不同传播路径叠加在一起，波形频谱是宽带的。想更贴近实际，就得把多个频率分量合起来。

2.2 Planck谱加权怎么做

既然要多个频率，就得给每个频率分配一个权重。这里我用Planck分布作为权重函数，写成频率域的能量密度形式：

B(f) = (8π·h·f³ / v³) / (exp(h·f / (k_B·Tem)) - 1)

参数含义如下：

• h：普朗克常数，6.62607015e-34 J·s；
• k_B：玻尔兹曼常数，1.380649e-23 J/K；
• Tem：等效温度，注意这里不是材料实际温度，而是描述AE源能量释放强度的等效参数；
• v：介质声速，钢中纵波大约5900 m/s；
• f：频率。

实际写代码时，我一般先定义一段频率网格，比如50 kHz到500 kHz，每10 kHz取一个点，然后按这个公式算出每个频率的权重，再归一化。归一化后B(f)的形状就决定了哪些频率成分在合成波形里更突出。

2.3 从单频到多频的合成策略

合成思路不复杂：把经典模型里的单个正弦项，替换成多个正弦项的加权叠加。

具体做法是：对频率网格里的每一个频率fi，生成一个衰减正弦信号，幅度乘上对应的Planck权重B(fi)，然后全部累加。写成公式就是：

x(t) = Σ_i B(fi)·exp(-α·(t - t0))·sin(2π·fi·(t - t0))·u(t - t0)

为什么这样做？因为真实AE事件在频域里就是一个连续谱，不同频段的能量在衰减过程中并不是独立的，而是同时在结构里传播。叠加出来的波形会更接近传感器实际拾取到的信号：看起来更“毛糙”、更真实，而不是一个干净到不自然的单频正弦。

我在实际项目中，经常用这种多频叠加的信号来当合成AE数据，用于测试阈值触发算法、到达时差定位算法和机器学习分类模型。因为真实数据量不够时，这种物理上有依据的仿真数据能极大地扩充样本多样性。

3. MATLAB实操：从参数设置到出图

3.1 环境准备与基础参数设置

MATLAB版本没什么特殊要求，R2019b以后都能跑，不需要额外工具箱，只用最基础的语言和绘图函数。建议先清一下工作区，避免历史变量干扰。

clear; clc; close all; % 采样参数 fs = 5e6; % 采样率 5 MHz T_dur = 1e-3; % 信号时长 1 ms N = round(T_dur * fs); % 采样点数 t = (0:N-1) / fs; % 时间轴 % 声发射源参数 f0 = 150e3; % 中心频率 150 kHz alpha = 2.0e4; % 衰减系数 2e4 1/s A0 = 1; % 幅值 t0 = 2e-4; % 事件到达时刻 200 us

这里有几个关键点。采样率5 MHz对150 kHz中心频率来说完全够用，满足了奈奎斯特条件，也为FFT观察频谱留足了带宽。信号时长1 ms，在5 MHz采样率下就是5000个点，绘图、运算都很舒服。

3.2 方法A：经典衰减正弦生成

% 生成经典单频AE波形 idx = t >= t0; x_classic = zeros(size(t)); x_classic(idx) = A0 * exp(-alpha * (t(idx) - t0)) .* sin(2 * pi * f0 * (t(idx) - t0));

这一小段代码是整个仿真的核心逻辑。先用t >= t0制作掩码idx，确保事件到达前的样本都是0；到达后，用指数项exp(-alpha·dt)控制衰减，用sin(2π·f0·dt)产生振荡。

我一开始写的时候偷懒，直接在整个时间轴上算exp(-alpha·(t-t0))，结果t小于t0的部分指数项变成正的，叠加出莫名其妙的振荡。后来才学乖了，一律先做逻辑掩码，再对子集运算。这一点在后面的Planck叠加里同样重要。

3.3 方法B：Planck谱加权多频叠加

% 声速与物理常数 v = 5900; % 钢中纵波声速 5900 m/s h = 6.62607015e-34; % Planck 常数 kB = 1.380649e-23; % Boltzmann 常数 Tem = 850; % 等效温度 % 频率网格与Planck权重 fc = (50:10:500) * 1e3; % 50 kHz ~ 500 kHz Bw = (8 * pi * h * fc.^3 / v^3) ./ (exp(h * fc / (kB * Tem)) - 1); Bw = Bw / max(Bw); % 归一化权重 % 生成Planck加权的多频AE波形 x_planck = zeros(size(t)); for k = 1:length(fc) tmp = zeros(size(t)); tmp(idx) = Bw(k) * exp(-alpha * (t(idx) - t0)) .* sin(2 * pi * fc(k) * (t(idx) - t0)); x_planck = x_planck + tmp; end x_planck = x_planck / max(abs(x_planck));

这段代码最值得注意的是分母里的exp(h·f / (kB·Tem)) - 1。因为h·f比kB·Tem小好几个数量级，这个指数项非常接近1，分母很小，整体计算不会溢出，但确实能看出低频和高频权重的差异。你可以试着把Tem分别改成300、850、5000，再画Bw曲线对比，会发现整体形状几乎不变，只是幅值成比例变化。原因就是前面提到的经典极限。想看到Planck分布明显的“尖峰”，等效温度要拉到10^6 K量级，但那已经不是AE频段的真实物理了，工程上不建议这么调。

3.4 绘图与频谱对比

% 时域波形对比 figure('Color', 'w', 'Position', [100, 100, 1000, 750]); subplot(2, 2, 1); plot(t * 1e3, x_classic, 'b', 'LineWidth', 1.2); grid on; xlim([0, 1]); xlabel('时间 (ms)'); ylabel('幅值'); title('经典单频衰减AE波形'); subplot(2, 2, 2); plot(t * 1e3, x_planck, 'r', 'LineWidth', 1.2); grid on; xlim([0, 1]); xlabel('时间 (ms)'); ylabel('幅值'); title('Planck加权多频AE波形'); % 频谱对比 X1 = abs(fft(x_classic)); X2 = abs(fft(x_planck)); f_ax = (0:N-1) / N * fs; subplot(2, 2, 3); plot(f_ax(1:N/2) / 1e3, X1(1:N/2), 'b', 'LineWidth', 1.2); hold on; plot(f_ax(1:N/2) / 1e3, X2(1:N/2), 'r', 'LineWidth', 1.2); grid on; xlim([0, 600]); xlabel('频率 (kHz)'); ylabel('幅度谱'); legend({'经典单频', 'Planck多频'}, 'Location', 'northeast'); title('FFT频谱对比'); % Planck权重曲线 subplot(2, 2, 4); plot(fc / 1e3, Bw, 'k', 'LineWidth', 1.5); grid on; xlabel('频率 (kHz)'); ylabel('归一化权重'); title('Planck谱权重曲线');

跑完这段代码，你会看到两个关键结果。第一，经典单频波形频谱只在一根谱线上有明显能量，而Planck多频波形频谱铺开了一个宽带区域，看起来更接近真实AE信号。第二，Planck权重曲线在50~500 kHz范围内整体是随频率上升的，所以合成波形里高频成分占比更大，波形振荡得更细碎。如果觉得高频太强，可以把频率网格上限降低，或者用更低的等效温度搭配一个自定义传感器传递函数来整形。

4. 参数敏感性、物理意义与工程建议

4.1 四个关键参数怎么调

实际调试时，我通常先用alpha=2e4跑出一版波形，看尾巴长度合不合适，再调采样率和Grid。alpha太小波形拖得很长，触发算法会把多个事件混在一起；alpha太大则衰减太快，幅值很快就变成噪声水平，定位算法反倒找不到峰值。

4.2 我在调参时踩过的坑

第一个坑是给t0留的静默段太短。如果t0设在10 us以内，你在时域图里几乎看不到信号起始的“台阶”，整条波形看起来像是从0秒就开始振荡，不利于展示事件到达特征。我一般把t0放在信号总时长的20%左右，比如1 ms的信号放在200 us，这样既有清晰的触发沿，也保留了前置静默段，后面用来测试阈值检测很顺手。

第二个坑是频率网格步长选太大。如果你只用50 kHz和500 kHz两个频率点叠加，波形会周期性地“打架”，出现明显的拍频现象。网格步长最好在5~10 kHz以内，叠加出来才连贯。计算量完全不用担心，5000个采样点乘几十个频率，循环一次也就毫秒级。

第三个坑是FFT画谱时只看前半段却忘了频率分辨率。频率分辨率是1/T_dur，1 ms信号对应1 kHz分辨率，这对150 kHz量级的主频来说完全够用，但如果你要分辨靠得很近的两个峰值，就得延长信号时长。补零只能让谱线更平滑，并不能真正提高分辨率，这个细节很多人会忽略。

4.3 这个模型怎么用到真实工程里

真实AE采集系统里，信号经过传感器、前置放大器、带通滤波器之后，波形已经不是源信号的原始样貌。我建议在仿真波形后面串联一个简单的传感器传递函数，比如用一个谐振频率150 kHz、品质因数Q=10的二阶带通滤波器去卷积合成信号，波形会立刻“失真”出压电传感器的味道。

另一个工程实践是拿这个仿真波形测试声发射阈值触发。给x_planck加上-20 dB左右的随机噪声，设置一个固定阈值，统计触发时间和真实t0之间的偏差，就能评估不同信噪比下事件检测的可靠性。这比直接在真实数据上反复实验要快得多，也能提前发现参数设置的问题。

5. 常见问题速查与排查技巧

5.1 画出来的波形为什么没有衰减尾巴

如果你看到波形从头到尾幅度差不多，先检查alpha是不是太小，比如设成了2e2而不是2e4。再检查是不是把exp(-alpha·(t-t0))写成了exp(alpha·(t-t0))，符号反了尾巴不但不衰减，还会越来越大。最后检查时间间隔dt到底是秒还是毫秒，t的单位不一致会导致alpha看起来失效。

5.2 FFT频谱为什么出现奇怪的周期成分

最常见的来源是信号末尾被硬截断。时域波形在1 ms结束时如果幅值还没衰减到接近零，FFT就会把截断处当成一个阶跃，频谱里出现旁瓣振荡。处理办法有两个：一是把T_dur加长到3~5 ms，让衰减更充分；二是给时域信号加一个Hann窗再去做FFT。注意加窗会改变幅值，做归一化时要用窗函数能量修正。

5.3 hilbert包络不光滑怎么办

用hilbert提取包络时，如果信号里混入高频噪声，包络会毛刺明显。不要直接修改原始波形，改用滑动RMS窗口来画包络，窗口长度取10~50个振荡周期。比如150 kHz信号，周期约6.7 us，RMS窗口取100 us左右，画出来的能量包络就非常平滑，也方便和朋友解释“AE事件能量随时间衰减”这个物理量。

5.4 多频叠加后波形幅值忽大忽小

这是相位干涉的正常现象，不是代码错误。不同频率分量在某个时间点同相叠加，幅度就高；反相抵消，幅度就低。想要稳定幅值，可以像代码里那样最后做一次max归一化，或者在每个频率分量上随机一个初始相位，多次实验取平均包络。我在做批量生成训练数据时，会给每个分量加随机相位，获得的样本多样性会好很多。

6. 最后分享一个我常用的经验和习惯

做单次AE波形模拟时，我很少只出“一张完美图交差”。我会把参数定义成一个结构体或者参数表，alpha、f0、Tem、频率网格全部集中管理，然后一口气生成几十组不同参数的波形，批量保存成MAT文件。后续做分类模型训练、阈值算法验证、定位精度测试，想用哪组调哪组，不用反复改代码重跑。

另外一个小习惯：每次改完参数，先画Planck权重曲线看一眼，再画时域波形。权重曲线能直接告诉你哪些频段在主导信号，如果发现合成波形和预期不符，十有八九是权重形状不对，而不是时域生成代码有问题。这种“先调谱，再调时域”的顺序，能帮你少走很多弯路。

这个仿真模型后续还可以继续扩展，比如加入多个声发射事件、模拟传感器阵列接收到的多通道信号、给每个通道加不同的传播时延和衰减系数，就能从“单波形模拟”升级成“整场声发射事件定位仿真”。到那一步，你手里这份Planck加权波形的价值会被放大很多倍。