CN112507915B - 一种基于振动响应信息的螺栓连接结构松动状态识别方法 - Google Patents
一种基于振动响应信息的螺栓连接结构松动状态识别方法 Download PDFInfo
- Publication number
- CN112507915B CN112507915B CN202011482923.7A CN202011482923A CN112507915B CN 112507915 B CN112507915 B CN 112507915B CN 202011482923 A CN202011482923 A CN 202011482923A CN 112507915 B CN112507915 B CN 112507915B
- Authority
- CN
- China
- Prior art keywords
- layer
- connection structure
- convolution
- bolt connection
- input
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000004044 response Effects 0.000 title claims abstract description 24
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 28
- 230000004927 fusion Effects 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000012360 testing method Methods 0.000 claims abstract description 26
- 239000013598 vector Substances 0.000 claims abstract description 14
- 238000001228 spectrum Methods 0.000 claims abstract description 6
- 238000011176 pooling Methods 0.000 claims description 21
- 210000002569 neuron Anatomy 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 17
- 230000005284 excitation Effects 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 11
- 230000001902 propagating effect Effects 0.000 claims description 9
- 238000005314 correlation function Methods 0.000 claims description 8
- 230000000875 corresponding effect Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 20
- 230000001133 acceleration Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于振动响应信息的螺栓连接结构松动状态识别方法,首先通过振动试验台对螺栓连接结构施加随机激励,待振动达到预设的功率谱密度后,利用多个传感器采集螺栓连接结构不同位置的振动响应信息;然后基于信号互相关关系,计算各传感器信号的总相关能量E作为指标对获得的多传感器信号进行优选;最后构建单通道数据融合卷积神经网络模型,对模型参数初始化,将多传感器数据拼接为一个二维向量作为输入样本,输入样本分为训练样本和测试样本,重复训练直到训练样本全部训练完毕并且达到最大迭代次数,得到用于螺栓连接结构松动状态智能识别的模型,输入测试样本,实现螺栓连接结构松动状态的识别。
Description
技术领域
本发明涉及机械结构健康状态检测方法,具体涉及一种基于振动响应信息的螺栓连接结构松动状态识别方法。
背景技术
螺栓连接结构是一种常用的预紧连接结构,可以实现组件连接与载荷传递,具有刚性好、重量轻、结构简单、拆装方便、连接可靠等优点,被广泛应用于航空航天、武器装备、机械设备、土木工程等领域。在实际服役过程中,受环境温度、交变载荷、化学腐蚀等因素的影响,螺栓连接会出现预紧力下降现象而发生松动。螺栓松动会改变结构的动力学特性,直接影响到整体系统的安全性和可靠性,甚至引发灾难性的事故。因此,识别螺栓连接结构的松动状态,对于保障整体装备安全性和可靠性具有重要的工程意义。
目前识别螺栓松动状态的主要方法有压电阻抗法、声发射法,计算机视觉法、超声导波法、非线性动力学方法等,这些方法通常需要复杂昂贵的专用仪器,难以在实际工程现场中应用。同时目前所使用的基于振动响应信息的螺栓连接结构松动状态识别多采用机器学习方法,机器学习方法大多依靠人工提取信号特征,其特征提取过程需要大量的信号处理技术和专家知识。卷积神经网络将特征提取与特征分类融合到一个学习体中,所以它可以从原始数据的处理开始,通过反向传播同时进行优化,对特征进行提取和分类,以获得更准确的结果。最近的研究表明,卷积神经网络在许多领域比传统机器学习方法的效果更好,如语音识别、心电图信号分类、电力电子技术应用中的故障检测等。但是目前的针对螺栓连接结构松动状态识别的卷积神经网络方法均采用单传感器信号作为输入,难以反映整个结构的振动响应信息,同时由于能够反映结构松动状态的特征信息较为微弱,现有的卷积神经网络特征提取能力有所不足。
发明内容
本发明的目的在于提供一种基于振动响应信息的螺栓连接结构松动状态识别方法,以克服现有技术的缺点,本发明具有简单可靠、成本较低、实时性强等特点,有利于提高结构的安全性和可靠性,具有重要的工程应用价值。
为达到上述目的,本发明采用如下技术方案:
一种基于振动响应信息的螺栓连接结构松动状态识别方法,包括以下步骤:
(1)振动响应信息的获取
通过振动试验台对螺栓连接结构施加随机激励,待振动达到预设的功率谱密度后,利用多个传感器采集螺栓连接结构不同位置的振动响应信息;
(2)基于相关能量的螺栓连接结构多传感器信号优选
基于信号互相关关系,计算各传感器信号的总相关能量E作为指标对获得的多传感器信号进行优选;
(3)基于数据融合卷积神经网络的螺栓连接结构松动状态识别
构建单通道数据融合卷积神经网络模型,对模型参数初始化,将步骤(2)中经过优的多传感器数据拼接为一个二维向量作为输入样本,输入样本分为训练样本和测试样本,重复训练直到训练样本全部训练完毕并且达到最大迭代次数,得到用于螺栓连接结构松动状态智能识别的模型,输入测试样本,实现螺栓连接结构松动状态的识别。
进一步地,步骤(2)具体为:
首先,设采集到的振动信号为x1(n),x2(n),x3(n),…,xm(n),互相关运算式为:
其中,t为信号xi(n)与xj(n)的观测时间,Rij为xi(n)与xj(n)的互相关函数,N为离散序列x(n)所包含的数据点数;
则振动信号的能量为:
其中,Eij为xi(n)与xj(n)的相关能量;
其次,计算信号xi(n)与其他信号的总相关能量为:
其中,Ei为xi(n)与其他信号之间的总相关能量;
最后对各信号的总相关能量E进行排序,选取总相关能量最大的前l个信号作为多传感器信号优选的结果;
其中,Rij为xi(n)与xj(n)的互相关函数,Eij为xi(n)与xj(n)的相关能量,Ei为xi(n)与其他信号之间的总相关能量,N为数据个数。
进一步地,步骤(3)具体为:
首先,将所选出的l个优选信号按行排列组成一个二维向量,构成输入样本,并划分为训练样本和测试样本;
其次,构建单通道数据融合卷积神经网络模型,并将模型参数化,该卷积神经网络模型由数据融合,特征提取和状态识别三部分组成;
最后,以批量方式向单通道数据融合卷积神经网络模型输入训练样本,逐层向前传播获取样本特征,在输出层获取实际松动状态类别,计算期望输出与实际输出的误差,将误差反向传播,逐层微调网络参数,重复前向传播、获取状态类别、计算误差与将误差反向传播的过程,直到将训练样本全部训练完毕并且达到最大迭代次数,得到用于螺栓连接结构松动状态智能识别的模型。
进一步地,所述单通道数据融合卷积神经网络模型的三部分具体为:
(a)数据融合部分将l个优选信号组成的二维向量视为一个单通道数据,利用大小为l×1卷积核的二维卷积层进行融合,将数据融合为多个一维时间序列;
(b)特征提取部分由多个交替的卷积层和池化层构成,其中第一层是多尺度卷积层,多尺度卷积层包含数个并行的卷积层,每个并行的卷积层都接受数据融合层的输出作为输入,分别使用不同尺度的一维卷积核对输入进行不同尺度的卷积,实现不同尺度的信号特征提取;然后对每个卷积核所提取的特征进行拼接,输出到下一层;
多尺度卷积层的定义如下:
其中,表示以卷积核尺度K的第i个输出特征,ConvkeK表示以卷积核尺度K进行的卷积运算,X表示输入信号,Wi K表示以核尺度k的第i个卷积核,bi表示输出第i个特征时所加的偏置,卷积核尺度K=[k1,k2,…,kn],f表示激活函数;
在多尺度卷积层之后串联数个交替的卷积层和池化层,卷积层的定义如下:
yi=f(Conv(X,Wi)+bi)
其中,yi表示该卷积层第i个输出特征,Conv表示卷积操作,Wi表示该卷积层的第i个卷积核;
池化层是对上一层输出的降维,通过池化核对输入数据进行降采样,减少输入数据的空间维度,利用最大池化方法选取输入数据的局部区域的最大值作为输入值传递到下一层;
(c)状态识别部分由全连接层和Softmax层组成,全连接层中的每一个神经元与最后一个池化层的输出特征进行全连接,整合特征提取部分得到的信息;全连接层之后连接一个Softmax层,Softmax层将数据映射到(0,1)区间内以判断最终的识别结果,Softmax层使用Softmax函数作为激活函数,Softmax函数中的神经元个数与松动状态的类别个数相同。
进一步地,所述激活函数采用Relu激活函数,如下所示:
f(x)=Relu(x)=max(0,x)
其中,x为函数的输入。
进一步地,Softmax函数如下式所示:
其中,qj表示Softmax函数第j个神经元的输出,x表示函数的输入,Wj表示第j个神经元所对应的权值向量,m表示神经元的序号,M表示神经元的个数。
与现有技术相比,本发明具有以下有益的技术效果:
本发明以原始振动时域信号作为输入,摆脱了对信号处理和专家知识的依赖,通过卷积神经网络模型自动提取信号特征。融合多个传感器的信息,避免了单传感器信号不能完全反映结构总体松动状态信息的问题。网络中设计了多尺度卷积层,其中具有多个不同尺度的卷积核,不同尺度的卷积核可以提取不同尺度的特征,有效地增强了网络特征提取的能力。本发明利用单通道数据融合卷积神经网络模型,可以实现螺栓连接结构松动状态的准确识别。其优越性在于,利用振动响应信息结合上述方法,来识别螺栓连接结构松动状态,具有简单可靠、成本较低、实时性强等特点,有利于提高结构的安全性和可靠性,具有重要的工程应用价值。
附图说明
图1为本发明的算法流程图;
图2为单通道数据融合卷积神经网络模型结构;
图3为数据融合部分网络结构;
图4为多尺度卷积层结构;
图5为设计制作的典型法兰螺栓连接结构的结构示意图;
图6为振动试验台对螺栓连接结构施加随机激励的功率谱密度,图中横坐标代表频率,单位为赫兹(Hz),纵坐标表示功率谱密度,单位为g2/Hz;
图7为螺栓连接结构的传感器布置示意图,其中S1-S7用于采集结构不同位置在随机激励下的加速度信息,S8安装在底盘上,用于实现振动台对结构的加载控制;
图8为螺栓连接结构传感器S1-S7在随机激励下振动响应信息的时域波形图,其中横坐标表示时间,单位为s;纵坐标表示加速度幅值,单位为g;
图9为各传感器信号的总相关能量;
图10为采用本发明实现的螺栓连接结构松动状态识别结果。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明:
参考图1~图4所示,通过随机激励实验获得螺栓连接结构各位置的振动响应信息;基于信号相关能量对多传感器信号进行优选。将模型所需信号部分组织为训练样本,部分组织为测试样本;构建单通道数据融合卷积神经网络模型,模型分为数据融合、特征提取和识别三个部分,并对模型参数初始化,以批量方式输入训练样本,在输出层获取松动状态类别,计算期望输出与实际输出的误差。将误差反向传播,逐层微调网络参数。重复以上两步,直到训练样本全部训练完毕并且达到最大迭代次数,得到可用于螺栓连接结构松动状态识别的智能模型。最后输入测试样本获取识别结果。
本发明提出的基于振动响应信息识别螺栓连接结构松动状态的方法,按以下具体步骤实施:
(1)振动响应信息的获取
将典型法兰螺栓连接结构安装在振动试验台上,利用工业级扭矩扳手同时调整六个螺栓的预紧力矩,获得不同松动状态,在法兰螺栓连接结构的不同位置上布置八个传感器,通过振动台及其控制系统对结构施加随机激励,待振动达到预设的功率谱密度后采集结构多传感器下的振动响应信息。
(2)基于相关能量的螺栓连接结构多传感器信号优选方法
相关函数体现了信号间的相关关系,其定义如下:假设两个离散信号x(n)和y(n),则x(n)和y(n)之间的互相关函数为:
其中:N为数据个数。
x(n)和y(n)之间的相关系数为:
式中:Ex、Ey分别为x(n)、y(n)的能量。
根据许瓦兹不等式,当x(n)和y(n)完全相等时,ρxy=1;当x(n)和y(n)相关时,0<ρxy<1;当x(n)和y(n)完全无关时,ρxy=0;
基于信号相关关系的原理,计算各传感器信号的总相关能量E,以此作为依据对获得的多个传感器信号进行优选构成模型输入,具体步骤为:
首先,设采集到的振动信号为x1(n),x2(n),x3(n),…,xm(n),计算各信号之间的互相关函数,运算式为:
其中,t为信号xi(n)与xj(n)的观测时间,Rij为xi(n)与xj(n)的互相关函数,N为离散序列x(n)所包含的数据点数;
则振动信号的能量为::
其中,Eij为xi(n)与xj(n)的相关能量;
其次,计算信号xi(n)与其他信号的总相关能量为::
其中,Ei为xi(n)与其他信号之间的总相关能量;
最后对信号的总相关能量E进行排序,选取相关能量最大的前l个信号作为模型的输入信号。
(3)基于数据融合卷积神经网络的螺栓连接结构松动状态识别模型
构建单通道数据融合卷积神经网络模型,对模型参数初始化,将多传感器数据拼接为一个二维向量作为输入样本,输入样本分为训练样本和测试样本,重复训练直到训练样本全部训练完毕并且达到最大迭代次数,得到可用于螺栓连接结构松动状态智能识别的模型。输入测试样本,实现对样本所对应的螺栓连接结构松动状态的识别。具体步骤为:
首先,将所选出的不同传感器的振动时域信号按行排列,构成网络模型输入样本,并划分为训练样本和测试样本。
其次,构建单通道数据融合卷积神经网络模型,该卷积神经网络模型由数据融合,特征提取和状态识别三部分组成:
(a)数据融合部分将l个振动信号组成的二维向量视为一个单通道数据。利用大小为l×1卷积核的二维卷积层进行融合,将数据融合为多个一维时间序列。
(b)特征提取部分由多个交替的卷积层和池化层构成,其中第一部分是多尺度卷积层,它包含数个并行的卷积层,每个卷积层使用不同尺度的一维卷积核对输入信号进行不同尺度的卷积,实现不同尺度的信号特征提取;然后对每个卷积层所提取的特征进行拼接,输出到下一层;
多尺度卷积层的定义如下:
其中,表示以卷积核尺度K的第i个输出特征,ConvkeK表示以卷积核尺度K进行的卷积运算,X表示输入信号,Wi K表示以核尺度k的第i个卷积核,bi表示输出第i个特征时所加的偏置,卷积核尺度K=[k1,k2,…,kn],f表示激活函数,这里用到的是Relu激活函数,如下所示:
f(x)=Relu(x)=max(0,x)
其中,x为函数的输入;
除多尺度卷积层外,其余卷积层的定义如下:
yi=f(Conv(X,Wi)+bi)
其中,yi表示该卷积层第i个输出特征,Conv表示卷积操作,Wi表示该卷积层的第i个卷积核;
池化层是对上一层数据的降维操作,通过池化核对输入数据进行降采样,减少输入数据的空间维度。最大池化选取输入数据的局部区域的最大值作为输入值传递到下一层。这里使用的是最大池化方法。
(c)状态识别部分由全连接层和Softmax层组成。全连接层中的每一个神经元与前一层的所有神经元进行全连接,整合特征提取部分得到的信息。全连接层之后连接一个Softmax层,Softmax层将数据映射到(0,1)区间内以判断最终的识别结果。Softmax层使用Softmax函数作为激活函数,Softmax函数中的神经元个数与松动状态的类别个数相同。Softmax函数如下式所示:
其中,qj表示Softmax函数第j个神经元的输出,x表示函数的输入,Wj表示第j个神经元所对应的权值向量,m表示神经元的序号,M表示神经元的个数。
再次,以批量方式输入训练样本,逐层向前传播获取样本特征,在输出层获取实际松动状态类别,计算期望输出与实际输出的误差。将误差反向传播,逐层微调网络参数。重复上述过程,直到将训练样本全部训练完毕并且达到最大迭代次数,得到可用于螺栓连接结构松动状态智能识别的模型。
以下给出一个具体应用实例,同时验证本发明在工程中的有效性:
设计制作一种典型法兰螺栓连接结构,如图5所示,该螺栓连接结构主要由夹具和法兰螺栓连接结构组成,夹具主要包括底盘、肋板和基座,主要用于结构固定和平衡结构重心,实现结构与振动台的连接;梁螺栓连接结构包括左法兰件、右法兰件和螺栓组,是主要监测部分,螺栓组由六个8.8级M8螺栓组成,还包括同一规格的垫片、弹簧垫圈等附件。试验时,利用工业级扭矩扳手同时调整六个螺栓的扭矩大小,即保证六个螺栓扭矩相同,来获得不同的松动状态。共模拟了6种松动状态,每种松动状态对应的预紧力矩依次为5、7、9、10、12、16N·m。可以看出,从松动状态1到松动状态6,螺栓连接结构的紧固程度逐渐增加。
然后,将法兰螺栓连接结构安装在振动试验台上进行随机激励试验,随机激励的功率谱密度如图6所示,激励频率范围为10-2340Hz,在50-1500Hz范围内,激励的功率谱密度维持在0.002g2/Hz。通过加速度传感器和数据采集设备采集并储存6种松动状态下结构的振动响应信息,共使用八个加速度传感器。其中S1-S7用于采集结构的不同位置在随机激励下的加速度信息,S8安装在底盘上,用于实现振动台对结构的加载控制,螺栓连接结构的传感器布置示意图如图7所示。螺栓连接结构不同传感器采集到的振动响应信息的时域波形如图8所示。可以看出,不同位置的传感器采集到的信号的幅值及其他信息均有不同,所以需要对多传感器信号进行优选以及数据融合,获取更多的有用信息。
利用本发明所提方法,首先计算S1-S7传感器信号的总相关能量如图9所示,将总相关能量最大的2,4和5号传感器采集到的信号按行拼接为一个二维向量。采取滑窗的形式截取训练样本和测试样本,滑窗长度为10240,每个样本的大小为3×10240。针对6种螺栓连接结构松动状态,训练样本重叠采样,重叠步长为5120,每种状态选取样本数为126,共计756个样本。测试样本不进行重叠采样,每种状态共20个样本,测试集为120个样本。
第二步:构建单通道数据融合卷积神经网络模型,设计思路如下:第一层单通道数据融合层卷积核大小为3×1,输出多个一维向量作为下一层的输入。多尺度卷积层设置尺度范围较大的卷积核,以提取范围更广的不同精细度特征,多尺度卷积层卷积核尺度分别为1×16、1×32、1×64、1×128,并设置padding方式为same padding,避免边缘信息丢失,同时保证多尺度卷积层内并行的卷积层输出维度一致,以便特征拼接。其后叠加三个卷积层,卷积核大小为1×3。模型设置池化方式为最大值池化,池化层池化核大小分别为1×3,步长均为3。全连接层单元数分别为1024、100,针对全连接层设置Dropout防止过拟合。第一层Dropout设置在第一层全连接层前,系数为0.2。后两层Dropout分别设置在两层全连接层后,系数为0.2。模型选用交叉熵作为损失函数,衡量预测的Softmax输出概率分布和目标类概率分布的相似性。优化器选用Adam优化器适应调整学习率。批量大小为256,学习率为0.0001,最大迭代次数为200。
第三步:以批量方式(批量大小为256)输入训练样本,逐层向前传播获取精细化样本特征,在输出层获取实际松动程度状态类别,计算期望输出与实际输出的误差;
第四步:将误差反向传播,逐层微调网络参数;
第五步:重复第二、三步,直到将训练样本全部训练完毕且达到了最大迭代次数,得到可用于螺栓连接结构松动状态智能诊断的模型;
第六步:输入测试样本,获取诊断结果。
识别结果如图10所示,6种松动状态的识别准确率依次为100%、100%、90%、90%、100%、85%。可以看出在6种状态的120个测试样本中仅出现了7个错分样本,总体识别准确率94.17%,从而验证了本发明在螺栓连接结构松动状态识别方面的有效性。
Claims (3)
1.一种基于振动响应信息的螺栓连接结构松动状态识别方法,其特征在于,包括以下步骤:
(1)振动响应信息的获取
通过振动试验台对螺栓连接结构施加随机激励,待振动达到预设的功率谱密度后,利用多个传感器采集螺栓连接结构不同位置的振动响应信息;
(2)基于相关能量的螺栓连接结构多传感器信号优选
基于信号互相关关系,计算各传感器信号的总相关能量E作为指标对获得的多传感器信号进行优选;
具体地:首先,设采集到的振动信号为x1(n),x2(n),x3(n),…,xm(n),互相关运算式为:
其中,t为信号xi(n)与xj(n)的观测时间,Rij为xi(n)与xj(n)的互相关函数,N为离散序列x(n)所包含的数据点数;
则振动信号的能量为:
其中,Eij为xi(n)与xj(n)的相关能量;
其次,计算信号xi(n)与其他信号的总相关能量为:
其中,Ei为xi(n)与其他信号之间的总相关能量;
最后对各信号的总相关能量E进行排序,选取总相关能量最大的前l个信号作为多传感器信号优选的结果;
其中,Rij为xi(n)与xj(n)的互相关函数,Eij为xi(n)与xj(n)的相关能量,Ei为xi(n)与其他信号之间的总相关能量;
(3)基于数据融合卷积神经网络的螺栓连接结构松动状态识别
构建单通道数据融合卷积神经网络模型,对模型参数初始化,将步骤(2)中经过优的多传感器数据拼接为一个二维向量作为输入样本,输入样本分为训练样本和测试样本,重复训练直到训练样本全部训练完毕并且达到最大迭代次数,得到用于螺栓连接结构松动状态智能识别的模型,输入测试样本,实现螺栓连接结构松动状态的识别;
具体地:首先,将所选出的l个优选信号按行排列组成一个二维向量,构成输入样本,并划分为训练样本和测试样本;
其次,构建单通道数据融合卷积神经网络模型,并将模型参数化,该卷积神经网络模型由数据融合,特征提取和状态识别三部分组成;
最后,以批量方式向单通道数据融合卷积神经网络模型输入训练样本,逐层向前传播获取样本特征,在输出层获取实际松动状态类别,计算期望输出与实际输出的误差,将误差反向传播,逐层微调网络参数,重复前向传播、获取状态类别、计算误差与将误差反向传播的过程,直到将训练样本全部训练完毕并且达到最大迭代次数,得到用于螺栓连接结构松动状态智能识别的模型;
所述单通道数据融合卷积神经网络模型的三部分具体为:
(a)数据融合部分将l个优选信号组成的二维向量视为一个单通道数据,利用大小为l×1卷积核的二维卷积层进行融合,将数据融合为多个一维时间序列;
(b)特征提取部分由多个交替的卷积层和池化层构成,其中第一层是多尺度卷积层,多尺度卷积层包含数个并行的卷积层,每个并行的卷积层都接受数据融合层的输出作为输入,分别使用不同尺度的一维卷积核对输入进行不同尺度的卷积,实现不同尺度的信号特征提取;然后对每个卷积核所提取的特征进行拼接,输出到下一层;
多尺度卷积层的定义如下:
其中,表示以卷积核尺度K的第i个输出特征,ConvkeK表示以卷积核尺度K进行的卷积运算,X表示输入信号,Wi K表示以核尺度k的第i个卷积核,bi表示输出第i个特征时所加的偏置,卷积核尺度K=[k1,k2,…,kn],f表示激活函数;
在多尺度卷积层之后串联数个交替的卷积层和池化层,卷积层的定义如下:
yi=f(Conv(X,Wi)+bi)
其中,yi表示该卷积层第i个输出特征,Conv表示卷积操作,Wi表示该卷积层的第i个卷积核;
池化层是对上一层输出的降维,通过池化核对输入数据进行降采样,减少输入数据的空间维度,利用最大池化方法选取输入数据的局部区域的最大值作为输入值传递到下一层;
(c)状态识别部分由全连接层和Softmax层组成,全连接层中的每一个神经元与最后一个池化层的输出特征进行全连接,整合特征提取部分得到的信息;全连接层之后连接一个Softmax层,Softmax层将数据映射到(0,1)区间内以判断最终的识别结果,Softmax层使用Softmax函数作为激活函数,Softmax函数中的神经元个数与松动状态的类别个数相同。
2.根据权利要求1所述的一种基于振动响应信息的螺栓连接结构松动状态识别方法,其特征在于,所述激活函数采用Relu激活函数,如下所示:
f(x)=Relu(x)=max(0,x)
其中,x为函数的输入。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011482923.7A CN112507915B (zh) | 2020-12-15 | 2020-12-15 | 一种基于振动响应信息的螺栓连接结构松动状态识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011482923.7A CN112507915B (zh) | 2020-12-15 | 2020-12-15 | 一种基于振动响应信息的螺栓连接结构松动状态识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112507915A CN112507915A (zh) | 2021-03-16 |
CN112507915B true CN112507915B (zh) | 2023-06-20 |
Family
ID=74972331
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011482923.7A Active CN112507915B (zh) | 2020-12-15 | 2020-12-15 | 一种基于振动响应信息的螺栓连接结构松动状态识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112507915B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112733410B (zh) * | 2021-04-06 | 2021-07-06 | 南京市特种设备安全监督检验研究院 | 一种基于模型修正和ar模型的螺栓预紧力识别方法 |
CN113267536B (zh) * | 2021-05-14 | 2022-09-20 | 大连理工大学 | 一种多频段阻抗融合的松动螺栓定位方法 |
CN113670432B (zh) * | 2021-07-14 | 2022-12-06 | 苏州大学 | 振动信息自感知识别与自供能传感系统的识别方法 |
CN114299421A (zh) * | 2021-12-20 | 2022-04-08 | 北京理工大学 | 检测螺栓松动的方法、卷积神经网络、训练方法及系统 |
CN114266280B (zh) * | 2021-12-29 | 2023-10-13 | 西安交通大学 | 一种基于改进卷积神经网络的螺栓松动状态识别方法 |
CN114526898B (zh) * | 2022-01-25 | 2023-11-07 | 广东省特种设备检测研究院珠海检测院 | 机械部件螺栓松动检测方法及检测系统 |
CN114962172B (zh) * | 2022-04-28 | 2024-09-03 | 西安热工研究院有限公司 | 一种风力机塔筒螺栓故障预警方法及系统 |
CN116592814B (zh) * | 2023-07-17 | 2023-10-13 | 塔盾信息技术(上海)有限公司 | 一种基于人工智能自适应多维度计算的物体移位监测方法 |
CN118349807B (zh) * | 2024-06-11 | 2024-09-03 | 广东电网有限责任公司江门供电局 | 一种基于有限元和深度学习的螺栓松动在线监测方法和相关装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105930774A (zh) * | 2016-04-14 | 2016-09-07 | 中铁大桥勘测设计院集团有限公司 | 一种基于神经网络的桥梁螺栓脱落自动识别方法 |
CN108269249A (zh) * | 2017-12-11 | 2018-07-10 | 深圳市智能机器人研究院 | 一种螺栓检测系统及其实现方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105424366A (zh) * | 2015-12-14 | 2016-03-23 | 长春工业大学 | 基于eemd自适应消噪的轴承故障诊断方法 |
CN109506907B (zh) * | 2018-11-06 | 2020-05-22 | 西安交通大学 | 一种基于振动响应信息的螺栓连接结构松动状态识别方法 |
JP7244179B2 (ja) * | 2019-03-11 | 2023-03-22 | 拓洋 小西 | 軸力部材の緩み検知システム及び軸力部材の緩み検知方法 |
CN110222311B (zh) * | 2019-05-29 | 2022-03-08 | 北京工业大学 | 一种振动工况下螺栓松弛主要影响参数评定及其松弛缓减方法 |
CN110296802B (zh) * | 2019-06-26 | 2021-05-14 | 国网辽宁省电力有限公司葫芦岛供电公司 | 基于振动速度传感器波形采集的杆塔螺栓松动判别方法 |
CN111413075A (zh) * | 2020-04-02 | 2020-07-14 | 重庆交通大学 | 多尺度一维卷积神经网络的风机基座螺栓松动诊断方法 |
-
2020
- 2020-12-15 CN CN202011482923.7A patent/CN112507915B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105930774A (zh) * | 2016-04-14 | 2016-09-07 | 中铁大桥勘测设计院集团有限公司 | 一种基于神经网络的桥梁螺栓脱落自动识别方法 |
CN108269249A (zh) * | 2017-12-11 | 2018-07-10 | 深圳市智能机器人研究院 | 一种螺栓检测系统及其实现方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112507915A (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112507915B (zh) | 一种基于振动响应信息的螺栓连接结构松动状态识别方法 | |
Rai et al. | Lamb wave based damage detection in metallic plates using multi-headed 1-dimensional convolutional neural network | |
CN102636740B (zh) | 一种基于frm-rvm的电力电子电路故障预测方法 | |
CN112131760A (zh) | 基于cbam模型的航空发动机剩余寿命预测方法 | |
CN109506907B (zh) | 一种基于振动响应信息的螺栓连接结构松动状态识别方法 | |
CN110110809B (zh) | 基于机器故障诊断的模糊自动机的构建方法 | |
CN102222151B (zh) | 一种基于自回归滑动平均的模拟电路故障预测方法 | |
CN103018660B (zh) | 采用量子Hopfield神经网络的模拟电路多故障智能诊断方法 | |
CN112185104B (zh) | 一种基于对抗自编码器的交通大数据修复方法 | |
CN113607325B (zh) | 一种钢结构螺栓群松动定位智能监测方法及系统 | |
CN111275004A (zh) | 基于lmd和脉冲神经网络的轴承故障诊断方法 | |
CN111860446A (zh) | 一种卫星遥测时序数据未知模式的检测系统与方法 | |
CN104596780A (zh) | 一种动车组制动系统传感器故障的诊断方法 | |
CN113092531B (zh) | 一种基于卷积神经网络的机电阻抗连接结构损伤检测方法 | |
Nasiri et al. | Online damage monitoring of SiC f-SiC m composite materials using acoustic emission and deep learning | |
CN111721450B (zh) | 一种冲击定位识别装置及方法 | |
CN112668526A (zh) | 基于深度学习和压电主动传感的螺栓群松动定位监测方法 | |
CN102262211A (zh) | 基于回声状态网络动态分类的模拟电路故障诊断方法 | |
CN116522089A (zh) | 一种金属结构早期疲劳裂纹与剩余寿命预测方法及系统 | |
CN110222386A (zh) | 一种行星齿轮退化状态识别方法 | |
Wang et al. | A small sample piezoelectric impedance-based structural damage identification using Signal Reshaping-based Enhance Attention Transformer | |
CN112418324B (zh) | 用于电气设备状态感知的跨模态数据融合方法 | |
Xu et al. | Physics-guided deep learning for damage detection in CFRP composite structures | |
CN114266280B (zh) | 一种基于改进卷积神经网络的螺栓松动状态识别方法 | |
CN113514500B (zh) | 汽车车身铆接质量自动在线检测系统及检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |