应用深度学习识别法兰螺栓连接状态

时间：2024-06-19

张洪刘彬彬

(江南大学机械工程学院无锡 214122)

0 引言

螺栓是法兰连接装置常用的部件，螺栓松动具有很大的安全隐患[1]，会导致法兰密封的失效，造成泄漏事故，因此对法兰螺栓连接机构进行检测具有重要的意义。声发射(Acoustic emission，AE)是材料内部因能量的快速释放而产生瞬态弹性波的一种常见物理现象，声发射技术是指利用仪器探测并接收材料声发射信号而实现材料的动态非破坏性检测的一种技术[2]。现有研究表明，螺栓轻微的碰擦就能产生比较明显的声发射现象，借助声发射技术可以有效地对螺栓连接状态进行识别[3]。传统的声发射信号解释方法主要是时域、频域和参数分析，提取声发射信号的特征值如幅值、均方根(Root mean square，RMS)值、能量、振铃计数和时频域特征等[4-7]，将提取的特征值输入到支持向量机或BP 神经网络等机器学习模型进行训练[8]，然后将训练好的模型用于识别。这种识别方式易受环境影响，鲁棒性能和抗噪性能较差，而采用深度学习的方法可以改善这些缺点。深度学习最典型的模型就是卷积神经网络(Convolutional neural networks，CNN)，CNN 在语声和图像分类任务中被广泛的应用，近些年来也常用于机械设备故障诊断[9]。CNN可以通过卷积的方式从数据中提取复杂并且具有鲁棒性的多维度特征，使得模型有着更高的精度和鲁棒性[10]。文献[11-13]采用CNN模型实现了螺栓连接状态的辨别，但是他们所用方法只适用于完全松动的螺栓，不能辨别螺栓的过紧或过松状态。将深度学习与声发射技术结合起来可以很好地解决上述问题，但是用原始时域信号作为输入样本，一是存在噪声干扰问题，二是存在模型过拟合问题，需要将输入样本进行适当的处理以提高信号的辨识度。

因此，本文提出了一种基于自适应噪声的完整集成经验模态分解理论(Complete ensemble empirical mode decomposition with adaptive noise，CEEMDAN)、梅尔频率倒谱系数(Mel-frequency cepstral coefficients，MFCC)以及CNN 的螺栓连接状态诊断模型(CEEMDAN-MFCC-CNN)。首先通过CEEMDAN 分解来获取声发射信号的固有模态函数分量(Intrinsic mode function，IMF)，其次借助峭度(K)和互相关系数(R)选取最优的IMF分量，然后自动提取所选IMF 分量的MFCC 系数，实现对输入样本的处理，最后将样本数据输入到卷积神经网络进行训练。试验结果表明，采用本文所用方法可以很好辨别螺栓预紧状态，且具有较好的抗噪性和鲁棒性。

1 基本理论

1.1 最优IMF分量组选取

对于需要选取的多个IMF 分量，选择的分量不仅要尽可能包含原始信号的关键信息，也要包含较少的噪声。在最优IMF 分量组的选取上，本文采用CEEMDAN 对原始AE 信号分解[14]，并采用峭度(K)、互相关系数(R)两者结合作为最优分量组选取标准。峭度K是反映随机变量分布特性的数值统计量，在信号中它反映的是信号中的冲击成分，峭度值越大则信号中的冲击成分越多，也就是包含着更多的故障特征。互相关系数代表了被分解信号的IMF 分量与其本身之间的相关程度，系数值越大则表示IMF 分量和被分解信号之间越相似。本文将峭度系数进行归一化处理后，设定择优系数η=K+R作为选取指标，根据重构信号的均方误差(Mean square error，MSE)值作为评价的指标，MSE值反映了噪声能量大小，其值越小越好[15]。通过择优系数对IMF 分量进行筛选，不仅可以得到含有故障信息较多的IMF 分量，还可以剔除干扰成分较多的虚假IMF 分量，选取过程如下所示：

(1)首先将标准正态分布的白噪声λi(t)添加到原始信号s(t)中，第i次的信号可以表示为si(t)=s(t)+λi(t)，其中添加次数i=1，2，3，···，k，对si(t)进行第一次经验模态分解(Empirical mode decomposition，EMD)分解得到IMFi1，那么添加k次所得到的IMF1和残差δ1(t)为

(2)然后求IMF 二阶分量IMF2，将求得的残差δ1(t)添加白噪声λi(t)，进行EMD 分解得到二阶分量IMF2和残差δ2(t)，则

(3)重复以上过程，直到分解之后残差满足单调而且无法进行分解计算结束，信号可以表示为

(4)取上述得到的IMF 分量，计算各个IMF 分量的峭度值K和互相关系数R，设置K和R的初始值为0.05，选取系数大于初始值的分量重构成新信号，并计算新信号的MSE值。通过对K和R值的不断更新以及信号的重构，最终挑选出MSE值最小时的IMF分量组，该算法选取流程如图1所示。

图1 IMF 分量选取流程Fig.1 IMF component selection process

1.2 Mel频率倒谱系数提取

人耳对不同频率的语声具有不同的感知能力，Mel 频率正是为了描述这种感知特性而提出的，它与频率呈非线性关系。Mel 倒谱系数(MFCC)是根据Mel频率和系统固有频率对应关系，提取的一种倒谱系数，MFCC经常应用于语声特征提取。所处理信号的物理频率和Mel 频率之间满足以下关系[16]：

声发射信号也可以采用此类方法来提取相应的特征，得到最优IMF 分量组后，采用以下步骤提取方法提取IMF 分量的MFCC 系数，提取流程如图2所示。

图2 MFCC 提取流程Fig.2 MFCC extraction process

(1)对信号进行预处理(分帧、加窗、加重)，加窗时使用hamming窗。

(2)对预处理之后的分帧信号进行离散傅里叶变换(Discrete Fourier transform，DFT)，预处理之后时域信号为s(n)，设定DFT 的点数为N，经DFT变换之后得到频域信号Sk：

(3)将Sk开平方，求得其能量谱，用J个Mel 滤波器进行滤波处理，那么第j次滤波的传递函数为

计算每一个滤波器的对数能量，第J个滤波器数组的对数能量为

再经离散余弦变换得到Mel倒谱系数：

J就是Mel 滤波器的数量，也就是MFCC 特征值的维数，在这里选择J=13。

1.3 所用诊断模型

CNN 的参数具有局部连接、参数共享的特点，能有效避免梯度问题[17]。常用的卷积神经网络有3 种，分别为一维、二维和三维卷积神经网络，它们都由卷积层、激活层、池化层和全连接层构成。一维卷积神经网络(1D-CNN)本质上和二维卷积神经网络(2D-CNN)相同，1D-CNN只适用于一维序列，虽然1D-CNN只有1个维度，但是也具备CNN特征识别平移不变性的优点[18]。在结构上，1D-CNN 与2D-CNN相似，主要包括卷积层和池化层，也是通过全连接层输出分类的结果，不同的地方体现在卷积层和池化层的计算结构方面。本文采取1D-CNN 作为诊断模型，采用3 个卷积池化层的结构，通过全连接层输出分类的结果，本文所设计模型结构如图3所示。

图3 计算原理图Fig.3 Schematic diagram of calculation

2 试验与分析

2.1 试验数据采集

法兰螺栓连接结构的声发射检测试验在振动试验台上进行，试验现场如图4所示。

图4 试验现场Fig.4 Test site

试验所用模拟法兰盘由上下两部分组成，试件下部通过螺栓紧固在振动台上，保证振动环境下和振动台绝对静止。试件上下部通过直径8 mm的两个螺栓连接，所有接触面放置橡胶垫，防止接触面产生干扰AE 信号，在试件顶端对称放置两个声发射传感器。传感器为SR150M 系列谐振式传感器，频率范围为60～400 kHz。设置采样频率为1000 kHz，采样点数为2048，波形和参数门限为38 dB。通过扭力扳手控制螺栓预紧力的大小，分别设置力矩为20 N·m、10 N·m、5 N·m、0 N·m，对应螺栓连接的4种状态，如图5所示。

图5 模拟法兰盘试件Fig.5 Simulated flange test piece

通过试验发现，当机构较长时间处于振动环境下，螺栓的预紧力会慢慢减小，振动频率越快，预紧力减小的速度越快，为了消除影响，本文在数据采集和诊断模型方面进行了优化处理。首先本文每种信号采样时间为10 s，采样结束后重新预紧螺栓进行采集，避免了数据采集时预紧力的变化。其次是在诊断模型中引入了正则化处理方式，在诊断模型的全连接层进行了Dropout 处理，随机丢弃了一些参数来提高模型的鲁棒性和泛化性能，减少了外界环境的改变对试验结果的影响。本文所用振动台的振动频率为50 Hz，加速度为10 m/s2。将法兰螺栓连接机构固定在振动台上，保持加速度和振动频率不变，通过扭矩扳手分别设置螺栓预紧力为L1(20 N·m)、L2(10 N·m)、L3(5 N·m)和L4(0 N·m)，对应螺栓的过紧、正常、过松、失效状态。采集到的部分声发射时域信号如图6所示。

图6 不同扭矩下AE 信号Fig.6 AE signal at different torques

2.2 试验数据分析

单纯依靠AE 时域信号难以判断信号中所包含的关键信息，也就无法对螺栓的4 种连接状态进行判别。为了实现准确判别，在数据处理时采用本文提出的最优IMF 分量选取方法，然后对各信号最优IMF 分量进行MFCC 系数提取，并借助核主成分分析(Kernel principal component analysis，KPCA)方法，选取了贡献率较大的36 个系数作为各信号的特征值，部分样本的特征值如图7所示。

图7 MFCC 特征值图Fig.7 MFCC characteristic value

当螺栓预紧力变小时，由于没有预紧力的作用，导致螺栓与螺母之间的运动变得更加自由，会产生更多摩擦，导致AE 信号增多，而当预紧力为0时，螺栓连接结构失效，这时产生的AE 信号是最多的。分析图7可以看出，当螺栓处于过松(5 N·m)和正常连接状态(10 N·m)时，MFCC系数最大值分布在100 左右，正常连接状态时的特征曲线较为平坦，过松时变得陡峭。当预紧力继续变小而失效时(0 N·m)，MFCC 系数增大到200 左右，特征曲线更加陡峭。而当螺栓处于过紧(20 N·m)状态时，特征曲线的后半部分较为陡峭。无论是过紧、过松以及失效，都和正常信号有着较大区别，采用MFCC 系数很好地评价了螺栓的连接状态。得到上述数据样本后，将数据样本输入到诊断模型进行训练，数据样本划分如表1所示。

表1 数据集样本Table 1 Sample data set

2.3 试验结果分析

诊断模型运行的软件环境为PyCharm，硬件环境为Intel Core i5-8400 处理器和GTX 1060 显卡，取20 次训练的平均值作为最终结果。经过训练，训练集和验证集的准确率均在97%左右，没有出现过拟合的现象，损失值和准确率结果如图8所示，测试集分类结果如图9所示。

图8 训练的损失值和准确率Fig.8 Training loss and accuracy

图9 测试集分类结果Fig.9 Test set classification results

通过图9看出，误判的部分主要出现在L3(过松)和L4(失效)样本上，结合图7的MFCC 特征值图分析来看，大概率是由于L3和L4部分样本的特征结构相似，造成了一定概率的误判，对于L1(过紧)和L2(正常)样本，则实现了准确的判别。为了验证该方法的有效性，选取了不同的数据样本和训练模型等作为对比，试验结果如表2所示。

表2 对比结果Table 2 Compare results

通过对比分析，本文所用诊断模型很好地实现了对螺栓AE 信号的识别，准确率最高，达到了97%左右，优于其他诊断模型。为了进一步的验证诊断模型的泛化性能，本文通过改变螺栓预紧力和振动台频率、加速度的大小，获得新的AE 信号，然后对新的AE 信号进行识别，来探究振动台的频率和加速度改变是否会对试验结果造成影响。验证试验取10次测试的平均值作为最终结果，结果如表3所示。

表3 验证信号识别结果Table 3 Verify signal recognition results

改变振动台的频率和加速度之后，诊断模型依旧有着很高的准确率，说明在训练过程中，本文所用诊断模型消除了振动频率和振动加速度改变所带来的影响，很好地评价了螺栓连接状态，具有较高的泛化性能和鲁棒性。

2.4 抗噪性能分析

AE 信号容易受机电噪声干扰，所以诊断模型应具备抵抗噪声的能力，本文所用诊断模型不是对原始AE 信号进行识别，而是应用CEEMDAN分解将原始AE 信号分解为多个IMF 分量，并通过设计的寻优算法自动选择需要处理的IMF 分量，用所选分量的MFCC系数作为样本输入，这在一定程度上增加了输入数据的随机性和降低了噪声的干扰。为了验证诊断模型的抗噪效果，进行了抗噪试验，通过在原有的AE 信号上加入高斯白噪声，获得了不同信噪比(Signal-to-noise ratio，SNR)的噪声信号，然后将经过不同处理的噪声信号作为输入样本，探究不同的处理方式对于试验结果的影响，结果如表4所示。

表4 含噪信号识别结果Table 4 Noisy signal recognition result

在加入噪声之后，采用本文所用方法可以很好地消除噪声的干扰，在识别准确率方面优于其他方法，说明本文所用方法可以提取到更为有效的故障信息，具有良好的抗噪性能。