Page 35 - 《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 353

1.3 所用诊断模型 全连接层输出分类的结果，不同的地方体现在卷积
CNN 的参数具有局部连接、参数共享的特点， 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
能有效避免梯度问题 [17] 。常用的卷积神经网络有
接层输出分类的结果，本文所设计模型结构如图 3
3 种，分别为一维、二维和三维卷积神经网络，它们
所示。
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
2 试验与分析
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 2.1 试验数据采集
识别平移不变性的优点 [18] 。在结构上，1D-CNN 与 法兰螺栓连接结构的声发射检测试验在振动
2D-CNN相似，主要包括卷积层和池化层，也是通过 试验台上进行，试验现场如图4所示。

MFCCྲढ़ϙ

ᛃಟᤌଌ࿄গ

2ࡏԄሥ (a) ૝үតᰎԼ
+
2ࡏ෉ӑ

ኄ3ࡏ
෉ӑࡏᣥѣ

Ԅሥࡏ1 ෉ӑࡏ1 ᩔࣱ࡙न Лᤌଌࡏ SoftmaxѬዝ (b) ஝૶᧔ᬷ́٨
图 3 计算原理图 图 4 试验现场
Fig. 3 Schematic diagram of calculation Fig. 4 Test site

试验所用模拟法兰盘由上下两部分组成，试 1000 kHz，采样点数为 2048，波形和参数门限为
件下部通过螺栓紧固在振动台上，保证振动环境 38 dB。通过扭力扳手控制螺栓预紧力的大小，分别
下和振动台绝对静止。试件上下部通过直径 8 mm 设置力矩为20 N·m、10 N·m、5 N·m、0 N·m，对应螺
的两个螺栓连接，所有接触面放置橡胶垫，防止接 栓连接的4种状态，如图5所示。
触面产生干扰 AE 信号，在试件顶端对称放置两个 通过试验发现，当机构较长时间处于振动环境
声发射传感器。传感器为 SR150M 系列谐振式传 下，螺栓的预紧力会慢慢减小，振动频率越快，预
感器，频率范围为 60 ∼ 400 kHz。设置采样频率为 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
ܦԧ࠱͜ਖ٨ 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
ขРᄨ
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
ᮕጋҧ 了一些参数来提高模型的鲁棒性和泛化性能，减少
20 N·m (᣿ጋ)
ᤌଌ 10 N·m (൤࣢) 了外界环境的改变对试验结果的影响。本文所用
ᛃಟ
5 N·m (᣿౛)
2
0 N·m (ܿ஍) 振动台的振动频率为 50 Hz，加速度为 10 m/s 。将
图 5 模拟法兰盘试件 法兰螺栓连接机构固定在振动台上，保持加速度
Fig. 5 Simulated flange test piece 和振动频率不变，通过扭矩扳手分别设置螺栓预