与传统纤维增强复合材料相比，三维编织复合材料（3DWCs）由于其高抗分层性、断裂韧性和结构可变性，在航空航天和其他高性能工程领域得到了广泛应用[1]、[2]、[3]。然而，3DWCs的复杂结构虽然提高了其机械性能，但也使其损伤机制变得更加复杂[4]、[5]、[6]。在外部载荷作用下，3DWCs会发生渐进变形，并伴随各种形式的损伤起始和演变[7]。因此，理解3DWCs的机械性能和损伤机制仍然是一个亟待研究的挑战。
复合材料需要精心设计以确保服役前的最佳性能。典型的3DWC由两种类型的纱线（经纱和纬纱）组成，这些纱线嵌入基体中[8]。经纱以不同的方式与纬纱交织，最终形成整体的三维结构。3DWCs表现出介观周期性结构，其中结构参数的变化是其机械性能的主要影响因素[9]、[10]。在这些因素中，具有可变结构的3DWCs的压缩性能和损伤机制仍是研究的活跃领域。Dai等人[11]对几种类型的3DWCs的拉伸、压缩和弯曲性能进行了全面研究，他们的分析表明材料的机械性能主要受结构参数的影响。在另一项相关研究中，Jiao等人[12]系统探讨了3D层间（LTL）互锁编织复合材料结构变化对其机械性能的影响。结果表明，承载纱线的波浪性显著影响了材料的拉伸和压缩性能。然而，大多数现有研究主要关注宏观压缩性能，而损伤分析方法往往不够全面。3DWCs中结构依赖的机械响应背后的损伤机制需要进一步探索。
复合材料的有效结构健康监测（SHM）对于确保工程可靠性和安全性至关重要。为了揭示潜在的损伤机制，已经引入并逐步改进了多种实验技术[13]、[14]、[15]。其中，声发射（AE）已成为复合材料实时损伤分析的强大被动技术[16]、[17]、[18]。它为3DWCs中的损伤演变提供了独立的视角，当与其他实验技术结合使用时，可以实现全面的多源损伤表征，从而为理解材料的机械性能和损伤机制的变化提供坚实的物理基础[19]。
AE技术能够捕捉损伤事件期间产生的弹性波信号，从而提取多维特征参数。研究表明[20]、[21]，这些特征参数与复合材料中的损伤模式有很强的相关性。基于AE特征参数的聚类方法在这一领域得到了广泛应用[22]。作为无监督学习算法，它们根据选定的特征自动将数据划分为不同的簇[23]。Su等人[24]应用k均值聚类方法分析了在低温下受拉伸载荷作用的碳纤维增强聚合物（CFRP）复合材料的损伤机制。Lu等人[25]利用层次聚类方法研究了在超过玻璃转变温度（T > Tg）的温度下，平面编织复合材料在拉伸和压缩载荷下的损伤演变。基于AE的聚类分析已广泛用于各种载荷和环境条件下的复合材料损伤表征，为复杂的损伤机制提供了宝贵的见解[26]、[27]、[28]。
然而，作为一种无监督学习算法，聚类本质上存在不确定性和有限的可解释性[29]。此外，用于聚类的AE特征参数仅捕获了信号时频特性的部分信息，这可能导致损伤表征中关键信息的遗漏[30]。相比之下，处理原始AE波形可以保留更丰富的时频内容[31]。通过利用这些信息，可以更清楚地阐明AE信号与特定损伤模式之间的关系，从而支持更准确的损伤识别。Claudia Barile等人[32]使用从AE波形中提取的Mel频谱图，结合深度学习模型，分析了CFRP双悬臂梁（DCB）试样的损伤机制。Xu等人[33]使用自适应希尔伯特-黄变换（HHT）对AE信号进行时频分析，实现了单向CFRP tendon在拉伸载荷下的损伤模式识别和演变监测。总之，基于波形的AE分析为改进复合材料的损伤模式识别提供了有前景的途径。
复合材料失效通常涉及多种耦合的损伤模式，这些模式会发出大量的AE信号[34]、[35]。尽管聚类算法和原始波形处理方法可以分离出与不同损伤模式相关的AE信号，但它们的有效性各不相同，且常常缺乏物理可解释性。值得注意的是，目前尚无关于AE时频参数与单信号级别特定损伤模式之间对应关系的共识。现有的尝试主要是基于先前的研究结果、失效后的观察或单独的组件级材料测试间接推断出来的，这些方法通常缺乏直接的实验验证和明确的物理基础。
鉴于这些局限性，本研究旨在阐明3DWCs中结构依赖的压缩响应背后的损伤机制。基于模态分解技术从AE信号中提取与损伤相关的频率信息的能力[29]、[36]，提出了一种基于模态能量分析的损伤识别方法，该方法利用频率分量之间的能量分布来识别单个AE信号的损伤模式。与传统基于AE的方法相比，该方法利用了更全面的AE信号频域信息，并提供了更好的物理可解释性。通过结合AE、数字图像相关性（DIC）和显微观察，进一步研究了3DWCs在压缩载荷下的损伤机制。
