Page 132 - 《应用声学》2023年第3期

570 2023 年 5 月

150
௄ᛃಟ౛ү 2˔ᛃಟ౛ү/70 NSm
1˔ᛃಟ౛ү/70 NSm
3˔ᛃಟ౛ү/70 NSm
ԍႃྟ2ႃԍηՂ/mV 50 0
100

-50

-100
0 100 200 300 400 500
ག஝/˔
(c) ԍႃྟ2ႃԍηՂ(70 NSm)
140 ௄ᛃಟ౛ү 2˔ᛃಟ౛ү/50 NSm
120
ԍႃྟ2ႃԍηՂ/mV -20 0
3˔ᛃಟ౛ү/50 NSm
1˔ᛃಟ౛ү/50 NSm
100
80
60
40
20
-40
-60
-80
-100
0 100 200 300 400 500
ག஝/˔
(d) ԍႃྟ2ႃԍηՂ(50 NSm)
图 4 接收信号
Fig. 4 Response signals

所包含的螺栓松动程度信息。并且上述方法对实验 的标签均为 0，以此类推工况 9 所对应 3 个压电片的
人员的操作水平要求较高，采集到数据以后需要人 标签均为9。最后进行数据集的切分，选择全部数据
工进行特征提取，检测结果很容易受到实验人员的 量的 90% 作为训练集，剩余数据作为测试集用来验
误判。因此提出使用 CNN 对不同螺栓松动工况进 证模型的有效性。
行分类。
40
3 基 于 CNN 的 盆 式 绝 缘 子 螺 栓 松 动 检
20
测模型
ႃԍ/V 0
3.1 数据预处理
-20
实验过程中上位机数据加载等因素导致接收
-40
到的数据会出现异常值，而异常值具有随机分布特
征，对神经网络的训练结果会造成严重的影响，因此 0 100 200 300 400
ག஝
在模型训练之前首先需要对超声数据的奇异值进 (a) ໚ฉҒ
行过滤。本研究采用分位数异常检测法对异常值进
30
行过滤，对于超出中位数 3 倍标准差的数据判定为
20
异常数据；另一方面，由于周围环境噪声影响以及超 10
声检测过程中压电片与实验装置之间耦合效果的 ႃԍ/V 0
影响，导致超声信号存在噪声，因此采用数字滤波器 -10
-20
进行去噪处理。处理结果如图 5 所示，可以看出基 -30
本消除了异常值和噪声信号的影响。 -40
0 100 200 300 400
接下来进行标签设置，每一种螺栓松动状态由
ག஝
3 个接收压电片的超声信号共同反映，将每一种螺 (b) ໚ฉՑ
栓松动工况下 3 个压电片的信号设置为同一个标 图 5 数据去噪处理
签，代表同一种工况，例如工况 0 所对应 3 个压电片 Fig. 5 Data denoising processing