生产中,纱线的强力受到纤维性能以及纱线的结构等因素的影响,直接对后道工序产品质量产生制约,以往较多是通过构建力学模型改变纱线结构以提高纤维强力利用率。纤维自身的性能是影响纱线中纤维强力利用率的重要指标之一,一般研究多集中于纤维力学性能,如拉伸断裂强力、断裂伸长率等。对于多种纤维混纺的纱线,由于不同纤维表面和内在性能差异很大,仅依赖纤维各自的力学性能指标,或人为假设或简化纱线或织物结构预测强力模型均较难科学全面地揭示混纺纱断裂的过程,预测结果的准确性一般较差,预测精度受限,这对于通过提升混纺纱中各种纤维的强度贡献率实现混纺纱整体强度提高作用不明显,所描述的混纺纱纤维拉伸断裂行为也不尽科学。本课题着重对纤维拉伸断裂AE信号处理的科学性及识别技术的优化上开展研究。先对课题组前期搭建的纤维拉伸断裂声发射信号采集平台进行优化,采集单根纤维的拉伸断裂AE信号,利用小波去噪、EEMD对信号进行预处理,而后通过核密度估计法对纤维拉伸断裂信号的希尔伯特谱中的时频及能量特征的分布范围进行分析,并利用主成分分析法提取特征,构建最小二乘支持向量机识别模型,完成对模型中核函数及各项参数的选择,确定一个适合纤维拉伸断裂AE信号的识别模型。本文研究内容与主要结论为以下几个方面:(1)对纤维拉伸断裂AE信号采集方式进行改进。采用XS(08)X系列电子单纤维强力测试仪,选择单根纤维制样,在恒温恒湿的条件采集纤维的拉伸断裂信号。(2)确定了小波去噪-截取断裂区信号-HHT(希尔伯特谱)的特征获取方法。利用小波去噪、EEMD分解完成对纤维拉伸断裂AE信号预处理,在分解的希尔伯特谱上对信号特征进行获取,得到三维特征集(时域、频域及能量谱),从三个维度定位纤维的拉伸断裂AE信号特征。(3)基于核密度估计的方法,对不同核函数以及窗宽下纤维特征集的数量分布特点进行分析研究。通过核密度估计法,从统计学角度判断出纤维在不同时间序列中纤维断裂情况,即纤维断裂时能量在不同频率下的释放情况。该方法缩小了纤维拉伸断裂AE信号特征提取的范围,为检验特征提取的准确度提供了支持。(4)采用主成分分析法作为特征集提取方法,实现纤维拉伸断裂AE信号有效降维。该方法将纤维拉伸断裂AE信号由400维降低至50维以下,建立了四种单纤维拉伸断裂AE信号新的特征集。(5)基于最小二乘支持向量机,构建特定的纤维拉伸断裂AE信号的LS-SVM识别模型。从核参数以及惩罚因子的角度分别探讨了其对LS-SVM识别模型的中的支持向量个数、识别精度以及识别时间的影响,选择采用网格搜寻-K折交叉验证法作为纤维拉伸断裂AE信号识别模型的参数优化方法;基于多分类模型的构建与研究,确定采用MOC多分类法;从识别精度、训练时间等方面对比RBF、poly以及line核函数,确定RBF核函数为本实验四种纤维LS-SVM识别模型中的核函数。识别结果表明:对LS-SVM中各项参数优化能够获得具有优良性能的识别模型。(6)研究不同核函数、不同分类方法实现混纺纱拉伸过程中各种纤维断裂情况(种类、顺序)的判断。首先,利用混纺纱中各组分的纤维为训练样本对模型训练;其次,针对混纺纱断裂前出现疑似纤维断裂信号进行截取;最后,将混纺纱样本中的每个信号放入模型中进行分类,并结合混纺纱中各组分纤维的力学性能进行分析。结果表明:利用合适的模型,能够对混纺纱拉伸过程中各种纤维断裂顺序进行判断。本课题研究结果使得提出提升混纺纱中各种纤维强度贡献度的具体措施成为可能,对指导纺织企业生产提升纱线与织物的机械性能具有积极的意义。