一种基于小样本学习声音识别的螺栓松动监测方法及便携式检测装置制造方法及图纸

本发明专利技术提出一种基于小样本学习声音识别的螺栓松动监测方法及便携式检测装置，采用适用于声音信号的改进小样本学习模型和基于时域/频域掩蔽的声音信号数据增强方法，相比于直接使用图像识别领域的小样本学习模型，改进后的模型能够获得更高的螺栓松动识别精度，通过算例进行了验证；此外，使用提出的数据增强方法对训练样本进行增强，该数据增强方法更适用于声音信号，能够进一步提高少量样本下螺栓松动识别的精度，最终将完成训练的模型集成到嵌入式板卡中，实现便携式螺栓松动检测装置。

【技术实现步骤摘要】

本专利技术涉及结构健康监测领域，具体涉及一种基于小样本学习声音识别的螺栓松动监测方法及便携式检测装置。

技术介绍

1、螺栓在结构中广泛用于连接和传递载荷，以航空航天领域为例，一架飞机使用的螺栓数量众多。尽管螺栓连接相当紧固，但在各种复杂的载荷冲击下仍然会造成松动，而螺栓的松动造成的危害巨大的，例如2007年2月英国lambrigg的列车脱轨事件就是由车轮螺母松动造成的。因此对螺栓松动进行监测具有重要意义。

2、目前已有较多利用结构健康监测(shm)方法开展不同结构系统中螺栓松动监测问题的研究，常用的技术方法主要有基于振动、基于机电阻抗和基于导波的shm技术。由于组装结构通常由很多螺栓组成并且螺栓连接是局部结构元件，所以局部位置处的螺栓松动不会导致整体结构动态特性的显著改变。因此，基于振动的shm技术对于螺栓预紧力的变化并不敏感，导致该技术的监测灵敏度较差；基于机电阻抗的shm技术，检测范围局限于压电传感器附近，并且需要昂贵的高精度阻抗分析仪，存在一定的局限性；基于超声导波的shm技术，仍然需要粘贴压电传感器，给其应用带来不便。也有学者提出采用图本文档来自技高网...

【技术保护点】

1.一种基于小样本学习声音识别的螺栓松动监测方法，其特征在于：包括以下步骤：

2.根据权利要求1所述一种基于小样本学习声音识别的螺栓松动监测方法，其特征在于：步骤1中的嵌入函数采用卷积神经网络、长短期记忆递归神经网络或多层前馈神经网络。

3.根据权利要求2所述一种基于小样本学习声音识别的螺栓松动监测方法，其特征在于：步骤1中的嵌入函数采用卷积神经网络，包含4个卷积模块，每个卷积模块中包含1个卷积层、1个批归一化层、1个ReLU层和1个最大池化层。

4.根据权利要求1所述一种基于小样本学习声音识别的螺栓松动监测方法，其特征在于：步骤2和步骤3中，对采集的...

【技术特征摘要】

1.一种基于小样本学习声音识别的螺栓松动监测方法，其特征在于：包括以下步骤：

2.根据权利要求1所述一种基于小样本学习声音识别的螺栓松动监测方法，其特征在于：步骤1中的嵌入函数采用卷积神经网络、长短期记忆递归神经网络或多层前馈神经网络。

3.根据权利要求2所述一种基于小样本学习声音识别的螺栓松动监测方法，其特征在于：步骤1中的嵌入函数采用卷积神经网络，包含4个卷积模块，每个卷积模块中包含1个卷积层、1个批归一化层、1个relu层和1个最大池化层。

4.根据权利要求1所述一种基于小样本学习声音识别的螺栓松动监测方法，其特征在于：步骤2和步骤3中，对采集的声音数据进行预处理的过程为：对声音响度进行归一化，并切除前后的静音，将数据长度一致化。

5.根据权利要求1所述一种基于小样本学习声音识别的螺栓松动监测方法，其...

【专利技术属性】
技术研发人员：杜飞，田镇熊，李存真，吴益清，周子康，张旭，牙泓霖，唐仕璐，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：