Page 33 - 《应用声学》2021年第3期

第 40 卷 第 3 期 张洪等： 应用深度学习识别法兰螺栓连接状态 351

实现对输入样本的处理，最后将样本数据输入到卷
0 引言
积神经网络进行训练。试验结果表明，采用本文所
螺栓是法兰连接装置常用的部件，螺栓松动具 用方法可以很好辨别螺栓预紧状态，且具有较好的
有很大的安全隐患 [1] ，会导致法兰密封的失效，造 抗噪性和鲁棒性。
成泄漏事故，因此对法兰螺栓连接机构进行检测具
1 基本理论
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 1.1 最优IMF分量组选取
一种常见物理现象，声发射技术是指利用仪器探测
对于需要选取的多个 IMF 分量，选择的分量不
并接收材料声发射信号而实现材料的动态非破坏
仅要尽可能包含原始信号的关键信息，也要包含较
性检测的一种技术 [2] 。现有研究表明，螺栓轻微的
少的噪声。在最优 IMF 分量组的选取上，本文采用
碰擦就能产生比较明显的声发射现象，借助声发射
CEEMDAN 对原始 AE 信号分解 [14] ，并采用峭度
技术可以有效地对螺栓连接状态进行识别 [3] 。传统
(K)、互相关系数 (R) 两者结合作为最优分量组选
的声发射信号解释方法主要是时域、频域和参数分
取标准。峭度 K 是反映随机变量分布特性的数值
析，提取声发射信号的特征值如幅值、均方根 (Root
统计量，在信号中它反映的是信号中的冲击成分，
mean square, RMS) 值、能量、振铃计数和时频域
峭度值越大则信号中的冲击成分越多，也就是包含
特征等 [4−7] ，将提取的特征值输入到支持向量机或
着更多的故障特征。互相关系数代表了被分解信
BP 神经网络等机器学习模型进行训练 [8] ，然后将
号的 IMF 分量与其本身之间的相关程度，系数值越
训练好的模型用于识别。这种识别方式易受环境影
大则表示 IMF 分量和被分解信号之间越相似。本
响，鲁棒性能和抗噪性能较差，而采用深度学习的
文将峭度系数进行归一化处理后，设定择优系数
方法可以改善这些缺点。深度学习最典型的模型就
η = K + R 作为选取指标，根据重构信号的均方误
是卷积神经网络 (Convolutional neural networks,
差 (Mean square error, MSE) 值作为评价的指标，
CNN)，CNN 在语声和图像分类任务中被广泛的应
MSE值反映了噪声能量大小，其值越小越好 [15] 。通
用，近些年来也常用于机械设备故障诊断 [9] 。CNN
过择优系数对 IMF 分量进行筛选，不仅可以得到含
可以通过卷积的方式从数据中提取复杂并且具有
有故障信息较多的 IMF 分量，还可以剔除干扰成分
鲁棒性的多维度特征，使得模型有着更高的精度和
较多的虚假IMF 分量，选取过程如下所示：
鲁棒性 [10] 。文献[11–13]采用CNN模型实现了螺栓
(1) 首先将标准正态分布的白噪声 λ (t) 添加
i
连接状态的辨别，但是他们所用方法只适用于完全
到 原 始 信 号 s(t) 中， 第 i 次 的 信 号 可 以 表 示 为
松动的螺栓，不能辨别螺栓的过紧或过松状态。将
s (t) = s(t) + λ (t)，其中添加次数i = 1, 2, 3, · · · , k，
i
i
深度学习与声发射技术结合起来可以很好地解决
i
对 s (t) 进行第一次经验模态分解 (Empirical mode
上述问题，但是用原始时域信号作为输入样本，一是
i
decomposition, EMD) 分解得到 IMF ，那么添加 k
存在噪声干扰问题，二是存在模型过拟合问题，需要 1
次所得到的IMF 1 和残差δ 1 (t)为
将输入样本进行适当的处理以提高信号的辨识度。
k
因此，本文提出了一种基于自适应噪声的完 1 ∑ i
IMF 1 = IMF , (1)
1
整集成经验模态分解理论(Complete ensemble em- k i=1
pirical mode decomposition with adaptive noise, δ 1 (t) = s(t) − IMF 1 . (2)
CEEMDAN)、梅尔频率倒谱系数 (Mel-frequency
(2) 然后求 IMF 二阶分量 IMF 2 ，将求得的残差
cepstral coefficients, MFCC) 以及 CNN 的螺栓连
i
δ 1 (t) 添加白噪声 λ (t)，进行 EMD 分解得到二阶分
接状态诊断模型 (CEEMDAN-MFCC-CNN)。首先
量IMF 2 和残差δ 2 (t)，则
通过 CEEMDAN 分解来获取声发射信号的固有模
k
态函数分量 (Intrinsic mode function, IMF)，其次 1 ∑ i
IMF 2 = IMF , (3)
2
借助峭度 (K) 和互相关系数 (R) 选取最优的 IMF k i=1
分量，然后自动提取所选 IMF 分量的 MFCC 系数， δ 2 (t) = s(t) − IMF 2 . (4)