应用深度学习识别法兰螺栓连接状态

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。……