Page 37 - 《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 355

当螺栓预紧力变小时，由于没有预紧力的作 通过图 9 看出，误判的部分主要出现在 L 3 (过
用，导致螺栓与螺母之间的运动变得更加自由，会 松) 和 L 4 (失效) 样本上，结合图 7 的 MFCC 特征值
产生更多摩擦，导致 AE 信号增多，而当预紧力为 0 图分析来看，大概率是由于 L 3 和 L 4 部分样本的特
时，螺栓连接结构失效，这时产生的 AE 信号是最 征结构相似，造成了一定概率的误判，对于 L 1 (过
多的。分析图 7 可以看出，当螺栓处于过松(5 N·m) 紧)和L 2 (正常)样本，则实现了准确的判别。为了验
和正常连接状态(10 N·m)时，MFCC系数最大值分 证该方法的有效性，选取了不同的数据样本和训练
布在 100 左右，正常连接状态时的特征曲线较为平 模型等作为对比，试验结果如表2所示。
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 0.7
ᝫጷᬷ૯ܿϙ
加陡峭。而当螺栓处于过紧 (20 N·m) 状态时，特征 0.6 ᰎ᝽ᬷ૯ܿϙ
曲线的后半部分较为陡峭。无论是过紧、过松以及 0.5
失效，都和正常信号有着较大区别，采用 MFCC 系 ૯ܿϙ 0.4
数很好地评价了螺栓的连接状态。得到上述数据样 0.3
本后，将数据样本输入到诊断模型进行训练，数据样 0.2
本划分如表1所示。 0.1
0
0 20 40 60 80 100
表 1 数据集样本
ᤖ̽൓஝ N
Table 1 Sample data set (a) ૯ܿϙ
100
样本集 (力矩) 样本数量 训练集 测试集 One hot 编码 95
90
L 1 (20 N·m) 900 850 50 1000
юᆸဋ/% 80
L 2 (10 N·m) 900 850 50 0100 85
L 3 (5 N·m) 900 850 50 0010 75

L 4 (0 N·m) 900 850 50 0001 70 ᝫጷᬷюᆸဋ
65 ᰎ᝽ᬷюᆸဋ
2.3 试验结果分析 60
0 20 40 60 80 100
诊断模型运行的软件环境为PyCharm，硬件环 ᤖ̽൓஝ N
(b) юᆸဋ
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 图 8 训练的损失值和准确率
练集和验证集的准确率均在 97% 左右，没有出现过 Fig. 8 Training loss and accuracy

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。
L     
表 2 对比结果
L     
ᮕ฾ዝѿ
Table 2 Compare results
数据样本 训练模型 准确率/% L     
原始时域信号 CNN 77.50
   
L 
原始信号 MFCC CNN 84.24
声发射相对当量能量 CNN 90.62 L  L  L  L 
ࠄᬅዝѿ
CNN 97.64
CEEMDAN+MFCC SVM 91.13 图 9 测试集分类结果
BP 神经网络 92.36 Fig. 9 Test set classification results