检测螺栓松动的方法、卷积神经网络、训练方法及系统技术方案

本申请公开一种检测螺栓松动方法、卷积神经网络、训练方法及系统，其中，训练方法，包括：获取测试结构在不同螺栓松动状态测试下的振动图像序列；提取振动图像序列中目标区域内预设数量像素点的振动位移信号；将提取的每个像素点的振动位移信号转换为时频图像；构建训练样本；以训练样本中时频图像作为输入，以预测螺栓松动状态类别作为输出，将待训练的卷积神经网络训练至收敛。本申请中一个视频样本能够提供成千上万个振动位移信号用于卷积神经网络的训练，充足的训练数据能大大提高卷积神经网络的预测准确率，从而解决了卷积神经网络训练中工程实测数据短缺的问题。练中工程实测数据短缺的问题。练中工程实测数据短缺的问题。

【技术实现步骤摘要】
检测螺栓松动的方法、卷积神经网络、训练方法及系统


[0001]本申请属于螺栓故障检测
，尤其涉及一种检测螺栓松动方法、卷积神经网络、训练方法及系统。

技术介绍

[0002]机械结构上螺栓在使用期间如果发生连接松动、腐蚀、蠕变等损伤，可能会引发灾难事故，以及不可估量的经济损失和人员伤亡，因此，结构健康监测(SHM)，即通过工程结构中记录的测量数据识别特征的损伤检测策略和过程变得越来越重要。
[0003]其中，损伤的出现会影响机械结构的固有属性，如质量、阻尼比和刚度等，而机械结构的振动响应能够反映这些损伤特性，而且这些振动响应会随着损伤的不同而变化，因此，现有技术中，常通过分析振动特征的变化识别结构的损伤。
[0004]近年来，卷积神经网络被广泛应用于对振动特征的提取和分类，以识别结构的损伤。但是，利用卷积神经网络进行损伤检测非常依赖于高质量的学习数据，也就是说，能否得到具有很高的准确率的卷积神经网络，获取充足的训练数据是至关重要的。然而，现有的获取结构振动特征的方法主要是通过加速度计、应变计、激光多普勒测振仪等获得，这些方法在实际工程场景中却难以获得充足的包含不同损伤状况下的振动特征数据集。

技术实现思路

[0005]为解决现有技术中难以获得充足的包含不同损伤状况下的振动特征数据集，本申请提供一种检测螺栓松动方法、卷积神经网络、训练方法及系统。
[0006]第一方面，本申请提供一种检测螺栓松动的卷积神经网络的训练方法，包括：
[0007]获取测试结构在不同螺栓松动状态测试下的振动图像序列，所述振动图像序列包括的多帧按时间序列排序的振动图像；
[0008]提取所述振动图像序列中目标区域内预设数量像素点的振动位移信号；
[0009]将提取的每个像素点的振动位移信号转换为时频图像；
[0010]构建训练样本，所述训练样本包括对所述测试结构测试的所有螺栓松动状态类别，以及，与各螺栓松动状态类别对应的时频图像；
[0011]以所述训练样本中时频图像作为输入，以预测螺栓松动状态类别作为输出，将待训练的卷积神经网络训练至收敛。
[0012]在一种可实现方式中，提取所述振动图像序列中第一像素点的振动位移信号的方法，包括：
[0013]提取每帧振动图像中第一像素点的灰度信息，所述第一像素点为所述振动图像中目标区域内任意一个像素点；
[0014]对提取的每个所述第一像素点的灰度信息滤波处理；
[0015]根据所述滤波后的灰度信息，分别计算每帧振动图像中第一像素点的相位；
[0016]分别计算第一像素点在各自振动图像与在第一帧振动图像上的相位差；
[0017]根据所述第一像素点在各帧振动图像中的相位差，生成所述第一像素点的振动位移信号。
[0018]在一种可实现方式中，所述将每个像素点的振动位移信号转换为时频图像，包括：
[0019]通过连续小波变换，绘制与每个像素点的振动位移信号对应的时频图像。
[0020]在一种可实现方式中，如果所述目标区域包括一个子区域，则以所述训练样本中一张时频图像作为输入，以预测螺栓松动状态类别作为输出，将待训练的卷积神经网络训练至收敛。
[0021]在一种可实现方式中，如果所述目标区域包括多个子区域，则分别从各子区域选取一张时频图像，得到时频图像序列；
[0022]以所述时频图像序列作为输入，以预测螺栓松动状态类别作为输出，将待训练的卷积神经网络训练至收敛。
[0023]在一种可实现方式中，以所述训练样本中时频图像作为输入，以松动状态类别作为输出，将待训练的卷积神经网络训练至收敛，包括：
[0024]将所述训练样本中时频图像输入至所述待训练的卷积神经网络；
[0025]经过所述待训练的卷积神经网络处理后，输出预测螺栓松动状态类别；
[0026]根据所述预测螺栓松动状态类别和所述训练样本中的螺栓松动状态类别，计算损失值；
[0027]判断所述损失值是否收敛，如果是，则训练结束；或，如果否，继续训练直至所述损失值收敛。
[0028]在一种可实现方式中，所述待训练的卷积神经网络包括输入层、多组交替堆叠设置的卷积层和池化层、全连接层、分类器以及输出层；
[0029]通过所述输入层输入训练样本中时频图像；
[0030]通过所述多组交替堆叠设置的卷积层和池化层，对输入所述待训练的卷积神经网络的时频图像卷积计算和降采样处理，输出第一特征图；
[0031]通过所述全连接层，对所述第一特征图全连接处理，输出第二特征图；
[0032]通过所述分类器，对所述第二特征图分类；
[0033]通过所述输出层，输出预测螺栓松动状态类别。
[0034]第二方面，本申请提供一种检测螺栓松动状态的卷积神经网络的训练系统，包括：
[0035]第一获取模块，用于获取测试结构在不同螺栓松动状态测试下的振动图像序列，所述振动图像序列包括的多帧按时间序列排序的振动图像；
[0036]第一提取模块，用于提取所述振动图像序列中目标区域内预设数量像素点的振动位移信号；
[0037]第一转换模块，用于将提取的每个像素点的振动位移信号转换为时频图像；
[0038]训练样本构建模块，用于构建训练样本，所述训练样本包括对所述测试结构测试的所有螺栓松动状态类别，以及，与各螺栓松动状态类别对应的时频图像；
[0039]训练模块，用于以所述训练样本中时频图像作为输入，以预测螺栓松动状态类别作为输出，将待训练的卷积神经网络训练至收敛。
[0040]第三方面，本申请提供一种检测螺栓松动状态的卷积神经网络，包括：输入层、多组交替堆叠设置的卷积层和池化层、全连接层、分类器以及输出层；
[0041]其中，所述输入层，用于输入训练样本中时频图像；
[0042]所述多组交替堆叠设置的卷积层和池化层，用于对输入所述待训练的卷积神经网络的时频图像卷积计算和降采样处理，输出第一特征图；
[0043]所述全连接层，用于对所述第一特征图全连接处理，输出第二特征图；
[0044]所述分类器，用于对所述第二特征图分类；
[0045]所述输出层，用于输出预测螺栓松动状态类别。
[0046]第四方面，本申请提供一种检测螺栓松动状态的方法，包括：
[0047]获取目标结构的振动图像序列，所述振动图像序列包括的多帧按时间序列排序的振动图像；
[0048]提取所述振动图像序列中目标区域内预设数量像素点的振动位移信号；
[0049]将提取的每个像素点的振动位移信号转换为时频图像；
[0050]将所述时频图像逐个输入卷积神经网络，其中，所述卷积神经网络为利用第一方面所述的检测螺栓松动的卷积神经网络的训练方法训练后的卷积神经网络；
[0051]输出与各时频图像对应的预测螺栓松动状态类别；
[0052]确定所述目标结构的螺栓松动状态类别，其中，所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种检测螺栓松动的卷积神经网络的训练方法，其特征在于，包括：获取测试结构在不同螺栓松动状态测试下的振动图像序列，所述振动图像序列包括的多帧按时间序列排序的振动图像；提取所述振动图像序列中目标区域内预设数量像素点的振动位移信号；将提取的每个像素点的振动位移信号转换为时频图像；构建训练样本，所述训练样本包括对所述测试结构测试的所有螺栓松动状态类别，以及，与各螺栓松动状态类别对应的时频图像；以所述训练样本中时频图像作为输入，以预测螺栓松动状态类别作为输出，将待训练的卷积神经网络训练至收敛。2.根据权利要求1所述的训练方法，其特征在于，提取所述振动图像序列中第一像素点的振动位移信号的方法，包括：提取每帧振动图像中第一像素点的灰度信息，所述第一像素点为所述振动图像中目标区域内任意一个像素点；对提取的每个所述第一像素点的灰度信息滤波处理；根据所述滤波后的灰度信息，分别计算每帧振动图像中第一像素点的相位；分别计算第一像素点在各自振动图像与在第一帧振动图像上的相位差；根据所述第一像素点在各帧振动图像中的相位差，生成所述第一像素点的振动位移信号。3.根据权利要求1所述的训练方法，其特征在于，所述将提取的每个像素点的振动位移信号转换为时频图像，包括：通过连续小波变换，绘制与每个像素点的振动位移信号对应的时频图像。4.根据权利要求1所述的训练方法，其特征在于，如果所述目标区域包括一个子区域，则以所述训练样本中一张时频图像作为输入，以预测螺栓松动状态类别作为输出，将待训练的卷积神经网络训练至收敛。5.根据权利要求1所述的训练方法，其特征在于，如果所述目标区域包括多个子区域，则分别从各子区域选取一张时频图像，得到时频图像序列；以所述时频图像序列作为输入，以预测螺栓松动状态类别作为输出，将待训练的卷积神经网络训练至收敛。6.根据权利要求1所述的训练方法，其特征在于，以所述训练样本中时频图像作为输入，以松动状态类别作为输出，将待训练的卷积神经网络训练至收敛，包括：将所述训练样本中时频图像输入至所述待训练的卷积神经网络；经过所述待训练的卷积神经网络处理后，输出预测螺栓松动状态类别；根据所述预测螺栓松动状态类别和所述训练样本中的螺栓松动状态类别，计算损失值；判断所述损失值是否收敛，如果是，则训练结束；或，如果否，继续训练直至所述损失值收敛。7.根据权利要求1所述的训练方法，其特征在于，所述待训练的卷积神经网络包括输入层、多组交替堆叠设置的卷积层和池化层、全连接层、分类器以及输出层；通过所述输入层输入训练样本中时频图像；
通过所述多组交替堆叠设置的卷积层和池化层，对输入所述待训练的卷积神经网络的时频图像卷积计算和降采样处理，输出第一特征图；通过所述全连接层，对所述第一特征图全连接处理，输出第二特征图；通过所述分...

【专利技术属性】
技术研发人员：丁晓宇，张天龙，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：