一种基于改进卷积神经网络的螺栓松动状态识别方法技术

本发明专利技术公开了一种基于改进卷积神经网络的螺栓松动状态识别方法，首先通过振动试验台对螺栓连接结构施加随机激励，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；然后对所采集的信号进行预处理，进行标准归一化和添加标签，且分为训练集和测试集；最后构建改进卷积神经网络模型，对模型参数初始化，将训练样本输入到网络模型，重复训练直到训练样本全部训练完毕并且达到最大训练轮数，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。实现螺栓连接结构松动状态的识别。实现螺栓连接结构松动状态的识别。

【技术实现步骤摘要】
一种基于改进卷积神经网络的螺栓松动状态识别方法


[0001]本专利技术涉及机械结构健康状态检测方法，具体涉及一种基于改进卷积神经网络的螺栓松动状态识别方法。

技术介绍

[0002]螺栓连接结构作为一种最常用的预紧连接结构，通过两接触面摩擦力与螺纹导程角斜面效应产生的切向分力作用，防止相对滑移，有效实现组件连接与载荷传递。螺栓连接具有刚性好、质量轻、结构简单、装拆方便、连接可靠等优点，被广泛应用于航天航空、机械设备等国民经济的众多领域。尤其是在机械设备方面，由于结构制造、服役性能和维修方面的需要，必须安排一定数量的分离面，以便于将多个结构件连接为一体，所以螺栓连接是其结构的主要连接方式，对保证复杂装备结构的可靠性具有重要作用。螺栓连接的主要失效形式包括松动、裂纹、滑丝、腐蚀、断牙等，其中，螺栓松动是螺栓连接结构的主要失效形式之一。螺栓连接结构的松动在极端情况下会发生断牙，拉断等，直接导致连接预紧力不复存在，有可能引起结构失稳等严重事故。因此，螺栓连接结构松动状态的检测对于保证结构中螺栓连接的可靠性和安全性至关重要。
[0003]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、超声导波法等，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。最近的研究表明，卷积神经网络在许多领域具有较好的分类效果，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。但是目前所使用的基于卷积神经网络的螺栓连接结构松动状态识别多采用单通道特征提取的方法，然而单一通道的卷积层特征提取使得特征提取不全面，导致分类准确率较低，且卷积神经网络结构单一，采用传统的卷积层、池化层和全连接层的传输方式，导致分类效率较低。此外，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。

技术实现思路

[0004]本专利技术的目的在于提供一种基于改进卷积神经网络的螺栓松动状态识别方法，以克服现有技术存在的缺陷，本专利技术具有简单可靠、成本较低、准确高效等特点，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。
[0005]为达到上述目的，本专利技术采用如下技术方案：
[0006]一种基于改进卷积神经网络的螺栓松动状态识别方法，包括以下步骤：
[0007](1)螺栓松动状态信号的获取
[0008]通过振动试验台对螺栓连接结构施加随机激励，在螺栓连接结构的不同位置上放置多个传感器用于采集振动信号，待信号波形显示平稳后，将信号数据进行记录储存；
[0009](2)螺栓松动状态信号的预处理
[0010]将各传感器采集到的信号进行融合，同一螺栓松动状态的数据构成一组二维向量，分为训练集和测试集，并对不同螺栓松动状态下的信号数据特征贴标签；
[0011](3)基于改进卷积神经网络的螺栓松动状态识别
[0012]构建改进卷积神经网络模型，对改进卷积神经网络模型参数初始化，将步骤(2)中预处理完后的训练集作为输入样本，重复训练直到训练集中的样本全部训练完毕并且达到最大的迭代轮数，得到用于螺栓松动状态识别的模型，输入测试集中的样本，实现螺栓松动状态的识别。
[0013]进一步地，所述步骤(2)具体为：
[0014]首先，将各个传感器采集到的振动信号分别作为数据的一个特征，并将采集到的数据按行排列组成二维数据；
[0015]其次，将各个螺栓松动状态下的数据按松动力矩从小到大依次排序，组成一个总数据集，并将总数据集中每一个特征数据进行总体标准归一化，得到不同螺栓松动状态下的信号数据特征，总体标准归一化的公式如下：
[0016][0017]其中，x
’
为归一化后的信号，X为原始信号，μ为均值，σ为标准差。
[0018]然后，将不同螺栓松动状态下的信号数据特征贴上标签，使每一个数据特征对应确定的螺栓松动状态；
[0019]最后，将每种螺栓松动状态下的信号数据的80％设置为训练集，剩余20％设置为测试集。
[0020]进一步地，所述步骤(3)具体为：
[0021]首先，构建改进卷积神经网络模型，所述改进卷积神经网络模型由特征提取和状态识别两部分组成，并将改进卷积神经网络模型参数初始化；
[0022]其次，以批量方式向所构建的改进卷积神经网络模型输入训练样本，逐层向前传播进行特征的提取，在输出层获得螺栓松动状态的类别，计算期望与实际输出的误差，将误差反向传播，逐层调整网络参数，重复以上过程，直到将训练样本全部训练完毕并且达到最大迭代轮数，得到用于螺栓松动状态智能识别的神经网络模型；
[0023]最后，将测试集的数据输入到训练完毕的神经网络模型，获得螺栓松动状态的识别结果，确定螺栓的松动状态。
[0024]进一步地，所述特征提取部分由多个交替的多通道卷积块和池化层构成，其中第一层是多通道卷积块，多通道卷积块并行使用不同尺度的卷积核，然后再将各卷积核处理后的特征矩阵拼接起来作为多通道卷积块的输出；多通道卷积块的定义如下：
[0025]y
K
＝(Conv
K
(X,W
K
)+b)
[0026]其中，y
K
表示以卷积核尺度K的输出特征，Conv
K
表示以卷积核尺度K进行的卷积运算，X表示输入信号，W
K
表示以核尺度K的卷积核权重，b表示输出特征时所加的偏置，卷积核尺度K＝[k1,k2,
…
,k
n
]，k1,k2,
…
,k
n
分别表示1～n个卷积核尺度，f表示激活函数；
[0027]在多通道卷积块之后串联一个最大池化层，最大池化层是对上一层输出的降维，通过最大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，最大池化层的定义如下；
[0028]y＝max_pool(X
′
,h,t)
[0029]其中，y表示最大池化层的输出特征，max_pool表示最大池化操作，X
′
表示该池化
层的输入特征，h、t分别表示池化核的两个维度上的尺度。
[0030]进一步地，所述特征提取部分由三层多通道卷积块和三层最大池化层交替构成。
[0031]进一步地，所述状态识别部分由特殊卷积层和全局平均池化层组成，所述特征提取部分的第六层后面连接一层特殊卷积层，所述特殊卷积层用于使最后一组特征图的数量等于执行全局平均池化的类别标签数；特殊卷积层的后面连接全局平均池化层，全局平均池化层的输出为与输入信号对应的标签结果，输出个数与螺栓松动状态的类别个数相同。
[0032]进一步地，所述全局平均池化层的函数如下式所示：
[0033]y＝avg_pool(X
″
,c,d,m)
[0034]其中，y表示全局平均池化层的输出，X
″
表示全局平均本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进卷积神经网络的螺栓松动状态识别方法，其特征在于，包括以下步骤：(1)螺栓松动状态信号的获取通过振动试验台对螺栓连接结构施加随机激励，在螺栓连接结构的不同位置上放置多个传感器用于采集振动信号，待信号波形显示平稳后，将信号数据进行记录储存；(2)螺栓松动状态信号的预处理将各传感器采集到的信号进行融合，同一螺栓松动状态的数据构成一组二维向量，分为训练集和测试集，并对不同螺栓松动状态下的信号数据特征贴标签；(3)基于改进卷积神经网络的螺栓松动状态识别构建改进卷积神经网络模型，对改进卷积神经网络模型参数初始化，将步骤(2)中预处理完后的训练集作为输入样本，重复训练直到训练集中的样本全部训练完毕并且达到最大的迭代轮数，得到用于螺栓松动状态识别的模型，输入测试集中的样本，实现螺栓松动状态的识别。2.根据权利要求1所述的一种基于改进卷积神经网络的螺栓松动状态识别方法，其特征在于，所述步骤(2)具体为：首先，将各个传感器采集到的振动信号分别作为数据的一个特征，并将采集到的数据按行排列组成二维数据；其次，将各个螺栓松动状态下的数据按松动力矩从小到大依次排序，组成一个总数据集，并将总数据集中每一个特征数据进行总体标准归一化，得到不同螺栓松动状态下的信号数据特征，总体标准归一化的公式如下：其中，x
’
为归一化后的信号，X为原始信号，μ为均值，σ为标准差；然后，将不同螺栓松动状态下的信号数据特征贴上标签，使每一个数据特征对应确定的螺栓松动状态；最后，将每种螺栓松动状态下的信号数据的80％设置为训练集，剩余20％设置为测试集。3.根据权利要求1所述的一种基于改进卷积神经网络的螺栓松动状态识别方法，其特征在于，所述步骤(3)具体为：首先，构建改进卷积神经网络模型，所述改进卷积神经网络模型由特征提取和状态识别两部分组成，并将改进卷积神经网络模型参数初始化；其次，以批量方式向所构建的改进卷积神经网络模型输入训练样本，逐层向前传播进行特征的提取，在输出层获得螺栓松动状态的类别，计算期望与实际输出的误差，将误差反向传播，逐层调整网络参数，重复以上过程，直到将训练样本全部训练完毕并且达到最大迭代轮数，得到用于螺栓松动状态智能识别的神经网络模型；最后，将测试集的数据输入到训练完毕的神经网络模型，获得螺栓松动状态的识别结果，确定螺栓的松动状态。4.根据权利要求3所述的一种基于改进卷积神经网络的螺栓松动状态识别方法，其特征在于，所述特征提取部分由多个交替的多通道卷积块和池化层构成，其中第一层是多通道卷积块，多通道卷积块并行使用不同尺度的卷积核，然后再将各卷积核处理后的特征矩<...

【专利技术属性】
技术研发人员：张周锁，田彪，李想，彭英超，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：