CN112255308A - 一种基于K-means聚类算法的螺栓敲击检测方法 - Google Patents

一种基于K-means聚类算法的螺栓敲击检测方法 Download PDF

Info

Publication number
CN112255308A
CN112255308A CN202010940894.8A CN202010940894A CN112255308A CN 112255308 A CN112255308 A CN 112255308A CN 202010940894 A CN202010940894 A CN 202010940894A CN 112255308 A CN112255308 A CN 112255308A
Authority
CN
China
Prior art keywords
bolt
echo signal
means clustering
knocking
detection method
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010940894.8A
Other languages
English (en)
Inventor
刘永超
董树青
郭德瑞
李帅
刘杨
刘长福
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Thermal Power Generation Technology Research Institute of China Datang Corporation Science and Technology Research Institute Co Ltd
Original Assignee
Thermal Power Generation Technology Research Institute of China Datang Corporation Science and Technology Research Institute Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Thermal Power Generation Technology Research Institute of China Datang Corporation Science and Technology Research Institute Co Ltd filed Critical Thermal Power Generation Technology Research Institute of China Datang Corporation Science and Technology Research Institute Co Ltd
Priority to CN202010940894.8A priority Critical patent/CN112255308A/zh
Publication of CN112255308A publication Critical patent/CN112255308A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/04—Analysing solids
    • G01N29/045—Analysing solids by imparting shocks to the workpiece and detecting the vibrations or the acoustic waves caused by the shocks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4409—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison
    • G01N29/4436—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison with a reference signal
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/46—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by spectral analysis, e.g. Fourier analysis or wavelet analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/26—Scanned objects
    • G01N2291/269—Various geometry objects
    • G01N2291/2691—Bolts, screws, heads

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Physics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Acoustics & Sound (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明涉及一种基于K‑means聚类算法的螺栓敲击检测方法，包括如下步骤：步骤1，利用敲击方式对螺栓进行检测，通过麦克风采集螺栓的敲击回声信号；所述回声信号为音频信号；步骤2，对所述回声信号进行预处理；步骤3，对预处理后的回声信号进行傅里叶变换；步骤4，对傅里叶变换后的频谱图中超过阈值的峰值进行记录；步骤5，基于K‑means聚类算对记录的峰值信息进行分类，得到分类结果；步骤6，将分类结果中样本数量最多的一类确定为无缺陷类，其它类确定为存在缺陷的类别。本发明可以提高检测效率，且本检测方法对人员技术要求不高。

Description

一种基于K-means聚类算法的螺栓敲击检测方法
技术领域
本发明属于螺栓缺陷检测技术领域，尤其涉及一种基于K-means聚类算法的螺栓敲击检测方法。
背景技术
现有螺栓缺陷检测技术包括超声检测、磁粉检测、相控阵检测，此类检测技术需要对检测人员技术要求高，且检测速度慢。尤其对于风电机组螺栓数量相当巨大，利用上述三种方法检测效率不高。
发明内容
本发明的目的是提供一种基于K-means聚类算法的螺栓敲击检测方法，以螺栓的敲击检测数据为基础，根据螺栓内部存在完好和存在缺陷时的敲击检测数据不同，结合K-means聚类机器学习算法对检测数据进行快速分类，进而快速识别螺栓内部是否存在缺陷。
本发明提供了一种基于K-means聚类算法的螺栓敲击检测方法，包括如下步骤：
步骤1，利用敲击方式对螺栓进行检测，通过麦克风采集螺栓的敲击回声信号；所述回声信号为音频信号；
步骤2，对所述回声信号进行预处理；
步骤3，对预处理后的回声信号进行傅里叶变换；
步骤4，对傅里叶变换后的频谱图中超过阈值的峰值进行记录；
步骤5，基于K-means聚类算对记录的峰值信息进行分类，得到分类结果；
步骤6，将分类结果中样本数量最多的一类确定为无缺陷类，其它类确定为存在缺陷的类别。
进一步地，步骤2中所述预处理包括截取及降噪处理。
借由上述方案，通过基于K-means聚类算法的螺栓敲击检测方法，可以提高检测效率，且本检测方法对人员技术要求不高，方便推广。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例详细说明如后。
附图说明
图1是本发明基于K-means聚类算法的螺栓敲击检测方法的流程图；
图2是本发明K-meas聚类算法基本流程图；
图3是本发明一实施例中的散点图一；
图4是本发明一实施例中的散点图二。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
参图1所示，本实施例提供了一种基于K-means聚类算法的螺栓敲击检测方法，包括如下步骤：
(1)螺栓敲击检测信号采集
利用敲击方式对螺栓进行检测，通过麦克风采集螺栓的敲击回声信号，信号为音频信号。
(2)回声信号预处理
对回声信号进行预处理，其中包括截取、降噪。
(3)信号傅里叶变换
对预处理后的信号进行傅里叶变换。
(4)特征值提取
对傅里叶变换后的频谱图中的超过一定阈值的峰值进行记录。
(5)利用K-means聚类算对上述峰值信息进行分类。
means聚类算法首先从数据集中随机宣传K个点作为初始聚类中心，然后将每个样本聚类到与其最近的聚类中心，再计算每一个聚类中所有样本的均值，作为新的聚类中心，从新进行聚类，若前后两次聚类结果一致，则聚类结束。算法的基本流程图如图2所示。
具体计算过程如下：
①在样本集T＝{x1，x2......xn}中随机选择K个点c1，c2......ck作为起始聚类中心zj(1)，j＝1,2.....k。
②计算每一个数据点到K个中心点的欧氏距离dij＝|xi-zj(1)|2，根据距离最近原则将最接近zj(1)的点归为zj(1)类中。
③计算K个新的聚类中心，
Figure BDA0002673606850000031
即将各类中的数据点求平均值作为新的聚类中心。
④判断zj(2)≠zj(1)则以zj(2)为起始聚类中心重新从②开始进行分类，直到新的聚类中心不发生变化为止。
(6)根据现实螺栓缺陷情况可知，内部没有缺陷的螺栓占绝大多数，因此K-means聚类算法划分的K类中样本数量最多的一类为无缺陷类，其他几类为存在缺陷的类别。
实施例1
(1)螺栓敲击检测信号采集及数据处理
对7根螺栓进行敲击检测，采集回声信号。经过信号预处理、傅里叶变换、特征值提取得到峰值特征表，如表一所示。
表一 峰值特征表
Figure BDA0002673606850000032
对各试样的峰值进行二次加工，得出差值1＝峰值2-峰值1、差值2＝峰值4-峰值3。如表二及图3所示。
表二 峰值特征表
Figure BDA0002673606850000041
(2)根据K-means聚类算法进行分类
①随机取K＝3个点作为初始中心，如选取(11，149)、(465，1459)、(75，695)。
②计算各点到初始中心的距离并分类，并重复进行分类，最终直到中心不发生变化为止，经过计算可知最终分类结果如图4所示：
由图4可知，分类将无缺陷螺栓和5mm缺陷螺栓分为一类，其他缺陷的螺栓分成其他类，由于本次样本中无缺陷的螺栓只有一根，如果实际检测中无缺陷的螺栓占大多数，因此在实际的检测中无缺陷一类所包括的样本点最多，因此可以根据这一经验观点判断缺陷螺栓。
另一方面发现，缺陷尺寸太小时，K-means分类会将小缺陷样本分到无缺陷一类，因此K-means聚类算法识别缺陷螺栓存在一定的分辨率，通过本实例可发现最小识别分辨率是10mm。
以上所述仅是本发明的优选实施方式，并不用于限制本发明，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (2)

1.一种基于K-means聚类算法的螺栓敲击检测方法，其特征在于，包括如下步骤：
步骤1，利用敲击方式对螺栓进行检测，通过麦克风采集螺栓的敲击回声信号；所述回声信号为音频信号；
步骤2，对所述回声信号进行预处理；
步骤3，对预处理后的回声信号进行傅里叶变换；
步骤4，对傅里叶变换后的频谱图中超过阈值的峰值进行记录；
步骤5，基于K-means聚类算对记录的峰值信息进行分类，得到分类结果；
步骤6，将分类结果中样本数量最多的一类确定为无缺陷类，其它类确定为存在缺陷的类别。
2.根据权利要求1所述的基于K-means聚类算法的螺栓敲击检测方法，其特征在于，步骤2中所述预处理包括截取及降噪处理。
CN202010940894.8A 2020-09-09 2020-09-09 一种基于K-means聚类算法的螺栓敲击检测方法 Pending CN112255308A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010940894.8A CN112255308A (zh) 2020-09-09 2020-09-09 一种基于K-means聚类算法的螺栓敲击检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010940894.8A CN112255308A (zh) 2020-09-09 2020-09-09 一种基于K-means聚类算法的螺栓敲击检测方法

Publications (1)

Publication Number Publication Date
CN112255308A true CN112255308A (zh) 2021-01-22

Family

ID=74231583

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010940894.8A Pending CN112255308A (zh) 2020-09-09 2020-09-09 一种基于K-means聚类算法的螺栓敲击检测方法

Country Status (1)

Country Link
CN (1) CN112255308A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023080125A1 (ja) * 2021-11-08 2023-05-11 旭化成株式会社 検査用モデル学習装置、検査装置、検査用モデル学習方法、検査方法、プログラム、回復方法、連続繊維強化樹脂複合材料、及び製造方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102928514A (zh) * 2012-10-14 2013-02-13 浙江农林大学 一种基于频率特征的木材应力波无损检测方法
CN106841403A (zh) * 2017-01-23 2017-06-13 天津大学 一种基于神经网络的声学玻璃缺陷检测方法
CN109813809A (zh) * 2019-04-01 2019-05-28 石家庄铁道大学 无砟轨道缺陷非接触式无损检测方法、终端设备及系统
CN110568073A (zh) * 2019-09-16 2019-12-13 四川升拓检测技术股份有限公司 一种在噪声环境中拾取击打信号的方法
CN111044621A (zh) * 2018-10-11 2020-04-21 苏州奥科姆自动化科技有限公司 一种基于声音品质及声学特征的无损检测系统及方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102928514A (zh) * 2012-10-14 2013-02-13 浙江农林大学 一种基于频率特征的木材应力波无损检测方法
CN106841403A (zh) * 2017-01-23 2017-06-13 天津大学 一种基于神经网络的声学玻璃缺陷检测方法
CN111044621A (zh) * 2018-10-11 2020-04-21 苏州奥科姆自动化科技有限公司 一种基于声音品质及声学特征的无损检测系统及方法
CN109813809A (zh) * 2019-04-01 2019-05-28 石家庄铁道大学 无砟轨道缺陷非接触式无损检测方法、终端设备及系统
CN110568073A (zh) * 2019-09-16 2019-12-13 四川升拓检测技术股份有限公司 一种在噪声环境中拾取击打信号的方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023080125A1 (ja) * 2021-11-08 2023-05-11 旭化成株式会社 検査用モデル学習装置、検査装置、検査用モデル学習方法、検査方法、プログラム、回復方法、連続繊維強化樹脂複合材料、及び製造方法

Similar Documents

Publication Publication Date Title
Zhao et al. Adaptive logit adjustment loss for long-tailed visual recognition
CN112735473B (zh) 基于声音识别无人机的方法及系统
CN108304768A (zh) 一种基于emd去噪和imf判别能量熵的磨音特征提取方法
CN108830328B (zh) 融合空间知识的微震信号smote识别方法及监测系统
CN112732748B (zh) 一种基于自适应特征选择的非侵入式家电负荷识别方法
CN103745240A (zh) 一种基于Haar分类器和ORB特征的人脸检索方法及系统
Xu et al. Rail defect detection method based on recurrent neural network
CN110701087A (zh) 基于单分类超限学习机的轴流压气机气动失稳检测方法
CN112255308A (zh) 一种基于K-means聚类算法的螺栓敲击检测方法
CN113805018A (zh) 一种配电网10kV电缆局部放电故障类型智能识别方法
CN112068120A (zh) 基于二维傅里叶变换的微多普勒时频平面单兵小分队识别方法
CN115656335A (zh) 一种轴承套圈内部缺陷快速检测与识别方法
CN107886071A (zh) 一种纤维增强复合材料损伤声发射信号的处理方法
CN115083395A (zh) 基于卷积神经网络与支持向量机的发动机声音检测系统
CN206313861U (zh) 一种基于ni板卡串口控制的音频检测系统
CN115438698A (zh) 一种基于图像处理的电力设备声音识别方法及系统
CN106338722A (zh) 一种基于多次样本的高分辨雷达一维距离像目标识别方法
CN110308205B (zh) 基于emd广义相位排列熵算法的金属分类方法
CN114004982A (zh) 一种面向水中目标识别的声学Haar特征提取方法及系统
CN108562355B (zh) 一种适用于双拾音器磨音信号的处理方法
CN110569914B (zh) 基于比值的hrrp目标识别距离分类方法
Li et al. Aircraft rivets defect recognition method based on magneto-optical images
CN111353550A (zh) 一种基于随机结构森林的结构物表面缺陷检测方法
CN110555370B (zh) 水下目标识别中基于plda因子分析法的通道效应抑制方法
Chen et al. Real-time detection and classification for targeted marine mammals

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination