基于時(shí)序二維化和注意力機(jī)制的法蘭螺栓連接狀態(tài)識(shí)別

張 洪，劉彬彬，李云飛

(1.江南大學(xué) 機(jī)械工程學(xué)院，江蘇 無(wú)錫 214122；2.江蘇省食品先進(jìn)制造裝備技術(shù)重點(diǎn)實(shí)驗(yàn)室，江蘇 無(wú)錫 214122；3.江蘇省特種設(shè)備安全監(jiān)督檢驗(yàn)研究院，江蘇 無(wú)錫 214174)

螺栓法蘭連接是石化設(shè)備中至關(guān)重要的連接部件，螺栓可靠的預(yù)緊對(duì)連接結(jié)構(gòu)的穩(wěn)定性和密封性非常重要[1]。正常預(yù)緊的螺栓受到振動(dòng)、沖擊和溫度變化影響時(shí)[2]，螺栓預(yù)緊力會(huì)改變，預(yù)緊力不足(松動(dòng)狀態(tài))會(huì)導(dǎo)致螺栓連接結(jié)構(gòu)的松動(dòng)，預(yù)緊力過(guò)大(過(guò)緊狀態(tài))會(huì)導(dǎo)致連接面被破壞。螺栓連接結(jié)構(gòu)出現(xiàn)松動(dòng)、松脫和疲勞斷裂等情況，將引發(fā)重大安全事故，對(duì)法蘭螺栓的連接狀態(tài)進(jìn)行檢測(cè)和評(píng)價(jià)非常必要。

扭力扳手法、應(yīng)變片法和力傳感器法都可以對(duì)螺栓預(yù)緊力進(jìn)行測(cè)量，但是診斷準(zhǔn)確率較低。壓電主動(dòng)傳感技術(shù)可對(duì)螺栓的連接系統(tǒng)結(jié)構(gòu)進(jìn)行分析[3]，其通過(guò)專(zhuān)業(yè)的信號(hào)發(fā)生器激勵(lì)螺栓連接系統(tǒng)，根據(jù)激勵(lì)所得結(jié)果對(duì)螺栓連接狀態(tài)進(jìn)行評(píng)價(jià)。艾延廷等[4]通過(guò)阻尼檢測(cè)技術(shù)很好地借助系統(tǒng)阻尼參數(shù)實(shí)現(xiàn)了螺栓預(yù)緊力的檢測(cè)，此方法較前者相比精度有所提高，但非線性組合阻尼模型的構(gòu)建較困難。

對(duì)于機(jī)械結(jié)構(gòu)的健康評(píng)估，較理想的檢測(cè)方法應(yīng)該具備較簡(jiǎn)單的流程和較強(qiáng)的可操作性，例如常見(jiàn)的基于信號(hào)分析的聲學(xué)診斷和振動(dòng)診斷。聲學(xué)診斷方法在螺栓連接狀態(tài)檢測(cè)上應(yīng)用較多，并以超聲居多[5]，杜飛等[6]借助超聲測(cè)量方法并對(duì)導(dǎo)波信號(hào)的均方根偏差進(jìn)行分析實(shí)現(xiàn)了螺栓松動(dòng)檢測(cè)，潘勤學(xué)等[7]借助螺栓形狀因子概念，將影響檢測(cè)系數(shù)的螺栓材料和螺栓形狀獨(dú)立開(kāi)來(lái)，提高了超聲檢測(cè)螺栓預(yù)緊力的精度。超聲信號(hào)易受外界影響，孫朝明等[8]具體研究了超聲方法在測(cè)量螺栓預(yù)緊力的準(zhǔn)確度問(wèn)題，得出溫度波動(dòng)、探頭位置、耦合層和摩擦都會(huì)對(duì)超聲測(cè)量結(jié)果產(chǎn)生影響，若沒(méi)有合理有效的測(cè)量工藝控制措施，將導(dǎo)致不可信的測(cè)量結(jié)果。

Kong等[9]指出，在用聲學(xué)診斷方法診斷螺栓連接狀態(tài)時(shí)，采樣頻率范圍越廣，越容易獲取到反映螺栓預(yù)緊狀態(tài)的特征信號(hào)。聲發(fā)射傳感器不僅可以采集到低頻波也可以采集到高頻波，因此在螺栓的檢測(cè)方面具有較大優(yōu)勢(shì)[10]。相比于超聲檢測(cè)，聲發(fā)射技術(shù)對(duì)于測(cè)量工藝要求較少，只需進(jìn)行聲發(fā)射信號(hào)的分析和處理就可實(shí)現(xiàn)測(cè)量。文獻(xiàn)[11-12]借助聲發(fā)射技術(shù)，通過(guò)能量和振鈴計(jì)數(shù)等聲發(fā)射參數(shù)，較準(zhǔn)確地辨識(shí)了處在振動(dòng)環(huán)境中的螺栓連接結(jié)構(gòu)的連接狀態(tài)。傳統(tǒng)的聲發(fā)射信號(hào)處理手段,手工進(jìn)行特征提取較為復(fù)雜,而且特征是人為進(jìn)行選擇，不一定是區(qū)分信號(hào)的最優(yōu)特征。深度學(xué)習(xí)方法可以從原始數(shù)據(jù)中自適應(yīng)地提取特征,特征是計(jì)算機(jī)通過(guò)訓(xùn)練和學(xué)習(xí)得到的，因此在信號(hào)識(shí)別方面更有優(yōu)勢(shì)。

綜上研究，本文提出采用振動(dòng)裝置對(duì)螺栓進(jìn)行動(dòng)態(tài)激勵(lì)，采集螺栓的聲發(fā)射信號(hào)。通過(guò)分段聚合近似和格拉姆角場(chǎng)理論將聲發(fā)射信號(hào)編碼為二維圖像。將通道域注意力機(jī)制融合到殘差神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的Basic Block中，搭建注意力網(wǎng)絡(luò)框架，并以此框架作為底層結(jié)構(gòu)設(shè)計(jì)分類(lèi)模型(AMResNet18)，重點(diǎn)關(guān)注圖像的細(xì)節(jié)特征，使模型具備更好的特征提取能力，并準(zhǔn)確區(qū)分聲發(fā)射信號(hào)的時(shí)序差異性，達(dá)到精準(zhǔn)的螺栓連接狀態(tài)識(shí)別。試驗(yàn)結(jié)果表明，二維化后的聲發(fā)射信號(hào)更容易被識(shí)別和分類(lèi)，融合了注意力機(jī)制的殘差神經(jīng)網(wǎng)絡(luò)模型可以更好地實(shí)現(xiàn)法蘭螺栓聲發(fā)射信號(hào)的識(shí)別，優(yōu)于傳統(tǒng)方法，具有較高的識(shí)別精度。

1 聲發(fā)射信號(hào)二維化

格拉姆角場(chǎng)(Gramian angular field,GAF)基于Gram原理[13]，它可將經(jīng)典笛卡爾坐標(biāo)系下的時(shí)間序列遷移到極坐標(biāo)系上進(jìn)行表示。GAF可很好地保留原始聲發(fā)射時(shí)序信號(hào)的依賴(lài)性和相關(guān)性，具有和原始聲發(fā)射信號(hào)相似的時(shí)序特質(zhì)。GAF按照編碼所用三角函數(shù)的不同可以得到格拉姆角和場(chǎng)(Gramian angular sum field，GASF)和格拉姆角差場(chǎng)(Gramian angular difference field,GADF)，GADF轉(zhuǎn)換之后不可逆，因此本文選擇可進(jìn)行逆轉(zhuǎn)換的GASF轉(zhuǎn)換方式來(lái)進(jìn)行聲發(fā)射信號(hào)的編碼。聲發(fā)射信號(hào)到GASF圖像的編碼步驟如下所示：

對(duì)于一個(gè)有C維度的時(shí)間序列Q={Q1,Q2,…,QC}，其中每個(gè)維度都包含n個(gè)采樣點(diǎn)Qi={qi1,qi2,…,qin}，首先對(duì)每個(gè)維度的數(shù)據(jù)進(jìn)行歸一化操作

(1)

之后將數(shù)據(jù)中的所有值整合到[-1,1]內(nèi)，整合之后就用三角函數(shù)cos值代替歸一化后的數(shù)值，用極坐標(biāo)來(lái)代替笛卡坐標(biāo)系，從而保留序列的絕對(duì)時(shí)間關(guān)系，其中角余弦值φ編碼如式(2)所示

(2)

半徑值編碼根據(jù)時(shí)間戳進(jìn)行編碼，如式(3)所示

(3)

(4)

AGSF=

(5)

聲發(fā)射信號(hào)編碼成GASF圖像的流程如圖1所示。圖1(b)是具有500個(gè)采樣點(diǎn)的聲發(fā)射信號(hào)，圖1(a)是經(jīng)過(guò)坐標(biāo)系轉(zhuǎn)換之后得到的極坐標(biāo)系圖，最終編碼得到的聲發(fā)射信號(hào)GASF圖像如圖1(c)所示，通過(guò)熱力圖表示。

(a)極坐標(biāo)系

2 基于注意力機(jī)制的分類(lèi)模型

殘差神經(jīng)網(wǎng)絡(luò)(ResNet)[14]中的Basic Block和Bottleneck Block結(jié)構(gòu)如圖2所示。該結(jié)構(gòu)在平鋪的卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks，CNN)上引入了shortcut分支結(jié)構(gòu)，使殘差單元以跳層連接的形式實(shí)現(xiàn)，解決了反向傳播過(guò)程中梯度無(wú)法更新的問(wèn)題，有效地解決了CNN模型在設(shè)計(jì)時(shí)的層數(shù)限制，采用ResNet搭建的模型有更加優(yōu)越的性能。

圖2 殘差網(wǎng)絡(luò)結(jié)構(gòu)

模型的訓(xùn)練效果與網(wǎng)絡(luò)深度和樣本數(shù)據(jù)都有關(guān)系，為解決輸入樣本中的干擾信息過(guò)多而造成的特征提取困難問(wèn)題,文獻(xiàn)[15]提出了注意力機(jī)制(attention mechanism,AM)思想。AM根據(jù)任務(wù)需求將模型的注意力集中到圖像的特定部分，重點(diǎn)關(guān)注樣本數(shù)據(jù)中的細(xì)節(jié)特征。采用AM機(jī)制的模型可以通過(guò)訓(xùn)練自動(dòng)調(diào)整需要重點(diǎn)關(guān)注的圖像區(qū)域，提取更有效的細(xì)節(jié)特征。

2.1 通道域注意力機(jī)制

AM的作用在于去除冗雜的信息，選擇對(duì)模型訓(xùn)練影響最大的關(guān)鍵信息。常見(jiàn)的AM有空間域、通道域和混合域[16]。結(jié)合本文所用數(shù)據(jù)特點(diǎn)，本文在構(gòu)建模型時(shí)運(yùn)用了通道域注意力，通道域注意力對(duì)不同的通道關(guān)注程度不同，可實(shí)現(xiàn)通道的最優(yōu)化選擇，其原理如圖3所示。

圖3 通道域注意力機(jī)制原理

從圖3可知，輸入x為h×w×c1的圖像，c1為輸入通道數(shù)量，然后經(jīng)過(guò)第一個(gè)Ftr卷積操作之后得到大小為c2的通道。之后對(duì)所有通道進(jìn)行全局平均池化得到大小為1×1×c2的一維實(shí)數(shù)數(shù)列，得到實(shí)數(shù)數(shù)列之后乘上一個(gè)權(quán)重W進(jìn)行全連接操作，得到1×1×c2大小的全連接層。最后全連接層經(jīng)過(guò)激活函數(shù)Sigmoid處理之后再與原來(lái)的通道進(jìn)行加權(quán)。因?yàn)槊總€(gè)通道所包含的特征不同，所以經(jīng)過(guò)處理之后模型就可以對(duì)每個(gè)通道進(jìn)行篩選，重點(diǎn)關(guān)注有助于提高分類(lèi)效果的通道，而忽略那些干擾信息較多的通道。

2.2 基于通道域注意力的分類(lèi)模型

本文所用數(shù)據(jù)為聲發(fā)射信號(hào)編碼得到的GASF圖像，為了使模型在保留全部輸入特征信息的同時(shí)又具備細(xì)節(jié)特征提取和抗噪聲干擾的能力，本文以ResNet中的Basic Block作為框架，然后在框架中融合了通道域注意力，設(shè)計(jì)的框架如圖4所示。融合框架能很好地對(duì)聲發(fā)射信號(hào)編碼得到的GASF圖像進(jìn)行分類(lèi)識(shí)別，提取聲發(fā)射信號(hào)中的細(xì)節(jié)特征信息，提高對(duì)螺栓聲發(fā)射信號(hào)的識(shí)別能力。AMResNet框架采用分組卷積模式，在每一個(gè)分組卷積塊中加入了DropBlock2D模塊，該模塊可以實(shí)現(xiàn)卷積層的正則化處理并提高模型的魯棒性能和抗噪性能。

圖4 AMResNet基本模塊圖

本文所用網(wǎng)絡(luò)模型(AMResNet18)由本文所設(shè)計(jì)的融合框架搭建而成，AMResNet18包含1個(gè)卷積預(yù)處理層，卷積核大小為7×7，15個(gè)AMResNet層、1個(gè)全連接層和1個(gè)輸出層，總共為18層，AMResNet18模型結(jié)構(gòu)如圖5所示。

圖5 本文所用模型

3 試驗(yàn)結(jié)果分析

3.1 試驗(yàn)設(shè)置

對(duì)于法蘭螺栓連接結(jié)構(gòu)，從微觀角度來(lái)看，連接面之間是粗糙的和不均勻的，連接面之間真正的接觸往往是物體微觀表面的峰谷。連接結(jié)構(gòu)的動(dòng)態(tài)特性會(huì)受到真實(shí)接觸面S和接觸剛度K的影響[17]，這些參數(shù)都與螺栓的預(yù)緊力有直接關(guān)系。借助于波能衰減理論，聲發(fā)射傳感器可以通過(guò)收集螺栓連接結(jié)構(gòu)中的彈性波以此來(lái)測(cè)量和評(píng)價(jià)螺栓連接狀態(tài)。彈性波在螺栓連接結(jié)構(gòu)中的傳播過(guò)程，如圖6所示。當(dāng)有彈性波事件發(fā)生時(shí)，所產(chǎn)生的彈性波會(huì)通過(guò)接觸面在螺栓結(jié)構(gòu)中進(jìn)行傳播，一些攜帶能量的波會(huì)通過(guò)實(shí)際接觸面泄露出去，剩下的波則會(huì)繼續(xù)在結(jié)構(gòu)中進(jìn)行傳播。能量衰減理論假定波能量的泄漏與真實(shí)接觸面積成正比Ωleak∝S。根據(jù)赫茲彈性接觸理論，接觸面真實(shí)接觸面積和接觸壓力有以下關(guān)系S∝P2/3，因此彈性波的衰減能量的大小和接觸壓力(螺栓預(yù)緊力)有直接關(guān)系[18]，借助高靈敏度的聲發(fā)射傳感器來(lái)采集彈性波可以很好地檢測(cè)螺栓的連接狀態(tài)。

圖6 彈性波能量衰減圖

本次試驗(yàn)所用對(duì)象為實(shí)際使用中的法蘭螺栓連接結(jié)構(gòu)，如圖7所示。圖7中扭矩扳手可以改變螺栓預(yù)緊力大小，振動(dòng)裝置可以對(duì)螺栓連接結(jié)構(gòu)進(jìn)行動(dòng)態(tài)激勵(lì)，產(chǎn)生彈性波。試驗(yàn)所用的傳感器型號(hào)為SR150M諧振式傳感器，該傳感器的頻率范圍為60～400 kHz，3個(gè)傳感器等距環(huán)向布置。傳感器采集到的信號(hào)經(jīng)PAI前置放大器放大處理之后，被SAEU2S型聲發(fā)射主機(jī)接收，然后將數(shù)據(jù)傳輸給計(jì)算機(jī)。

圖7 試驗(yàn)采集現(xiàn)場(chǎng)

本次試驗(yàn)所設(shè)置信號(hào)采樣頻率為2 500 kHz，采樣點(diǎn)數(shù)為4 096，PDT(峰值定義時(shí)間)、HDT(撞擊定義時(shí)間)和HLT(撞擊鎖閉時(shí)間)分別設(shè)定為300 μs、600 μs和1 000 μs。經(jīng)現(xiàn)場(chǎng)空采和斷鉛試驗(yàn)后，設(shè)定采集時(shí)的波形和參數(shù)門(mén)限為38 dB，以減少外界環(huán)境干擾。試驗(yàn)參照?qǐng)D6中的聲發(fā)射信號(hào)獲取方式，將振動(dòng)裝置緊貼在待檢測(cè)螺栓側(cè)邊，激勵(lì)螺栓并得到聲發(fā)射信號(hào)。此種方法類(lèi)似于使用敲擊錘敲擊螺栓獲取螺栓的聲音信號(hào)，不同的是本試驗(yàn)用振動(dòng)裝置代替了敲擊錘，而獲取得到的信號(hào)為頻率范圍更廣的聲發(fā)射信號(hào)。

試驗(yàn)所用的螺栓強(qiáng)度等級(jí)為5.6級(jí)，尺寸為M8，根據(jù)GB 1231—2006《螺栓扭矩標(biāo)準(zhǔn)》，其標(biāo)準(zhǔn)扭矩約為10 N·m。試驗(yàn)采集了螺栓在正常預(yù)緊(10 N·m)、松動(dòng)(5 N·m)、過(guò)預(yù)緊(15 N·m)3種狀態(tài)下的聲發(fā)射信號(hào)。在試驗(yàn)中，為了保證采樣時(shí)螺栓預(yù)緊力的一致:①在每次信號(hào)采集前將螺栓完全擰松，然后再使用帶數(shù)值的扭矩扳手?jǐn)Q緊螺栓；②采用較短的信號(hào)采樣時(shí)間，試驗(yàn)中的每次采樣時(shí)間均為15 s，防止長(zhǎng)時(shí)間的振動(dòng)造成螺栓的預(yù)緊力改變。此外，本文所搭建的模型中加入了正則化模塊，此模塊對(duì)各種各樣的噪聲有顯著的抵抗能力，能提高模型的魯棒性能。

試驗(yàn)采集的是單個(gè)螺栓的聲發(fā)射信號(hào)，振動(dòng)裝置可以產(chǎn)生穩(wěn)定的動(dòng)態(tài)激勵(lì)，試驗(yàn)中的干擾源主要是其他正常預(yù)緊的螺栓所產(chǎn)生的彈性波。彈性波在介質(zhì)中傳播時(shí)，會(huì)發(fā)生衰減，傳播距離越遠(yuǎn)，衰減越嚴(yán)重。本試驗(yàn)布置了3個(gè)聲發(fā)射探頭，在進(jìn)行信號(hào)分析時(shí)采用的是離待檢測(cè)螺栓最近的探頭采集到的信號(hào)，因此在一定程度上消除了所處環(huán)境的影響。除此之外，本文采用注意力網(wǎng)絡(luò)來(lái)進(jìn)行信號(hào)識(shí)別，目的就是為了關(guān)注信號(hào)中的有效特征，減小所處環(huán)境的干擾。試驗(yàn)所采集到的聲發(fā)射信號(hào)如圖8所示。

(a)松動(dòng)狀態(tài)AE信號(hào)

采集結(jié)束后共得到螺栓在3種預(yù)緊狀態(tài)下的各150 s的聲發(fā)射信號(hào)。之后根據(jù)需要將采集到的聲發(fā)射信號(hào)分為了兩部分：①一部分(130 s)作為訓(xùn)練數(shù)據(jù)，用于訓(xùn)練模型；②一部分(20 s)作為測(cè)試數(shù)據(jù)，用于驗(yàn)證模型。

3.2 模型設(shè)置

螺栓連接部位的聲信號(hào)復(fù)雜，模型在設(shè)計(jì)時(shí)需要解決的問(wèn)題就是從復(fù)雜的信號(hào)中提取到可以很好地區(qū)分螺栓連接狀態(tài)的特征，提高螺栓連接狀態(tài)識(shí)別的精度。為評(píng)估本文所用模型(AMResNet18)的優(yōu)越性，本文選取了傳統(tǒng)機(jī)器學(xué)習(xí)常用的SVM(support vector machines)和BP(back propagation)神經(jīng)網(wǎng)絡(luò)分類(lèi)器，以及深度學(xué)習(xí)中主流的CNN模型作為對(duì)比。參與對(duì)比的試驗(yàn)算法有SVM+fea、BP+fea、1DCNN+ori、LeNet5+GASF、VGG16+GASF、ResNet50+GASF。

SVM本質(zhì)上是一種二分類(lèi)器，目的是從輸入特征中學(xué)習(xí)出一個(gè)0/1的分類(lèi)模型，BP神經(jīng)網(wǎng)絡(luò)是一種采用反向傳播算法訓(xùn)練的多層反饋網(wǎng)絡(luò)，訓(xùn)練后會(huì)得到輸入-輸出模式映射關(guān)系。SVM需要具有較少特征的樣本進(jìn)行訓(xùn)練，而B(niǎo)P神經(jīng)網(wǎng)絡(luò)權(quán)值太多，也需要使用較少特征的樣本訓(xùn)練以減小計(jì)算量。SVM所需的存儲(chǔ)空間小，但是調(diào)參困難，較難解決多分類(lèi)問(wèn)題。1D-CNN是由一維卷積搭建的卷積神經(jīng)網(wǎng)絡(luò)，1D-CNN可實(shí)現(xiàn)信號(hào)的端到端識(shí)別，省去信號(hào)處理步驟，缺點(diǎn)是其特征提取能力欠缺，模型層數(shù)受限，對(duì)于復(fù)雜的信號(hào)難以實(shí)現(xiàn)識(shí)別。

LeNet5、VGG16、ResNet50和AMResNet18都是基于二維卷積神經(jīng)網(wǎng)絡(luò)搭建的，結(jié)構(gòu)和層數(shù)都不同，特征提取能力優(yōu)于采用一維卷積神經(jīng)網(wǎng)絡(luò)搭建的模型，但需要輸入為二維圖像。

各方法參數(shù)如下：①SVM，以聲發(fā)射信號(hào)時(shí)頻域特征(fea)輸入，核函數(shù)選擇RBF高斯徑向基，懲罰因子為50，核函數(shù)半徑為0.25；②BP神經(jīng)網(wǎng)絡(luò)，以聲發(fā)射信號(hào)時(shí)頻域特征(fea)輸入，5個(gè)隱含層，1個(gè)輸出層。③1D-CNN，以原始聲發(fā)射信號(hào)(ori)輸入，2個(gè)卷積、池化層，2個(gè)全連接層，1個(gè)輸出層；④LeNet5，以GASF圖輸入，2個(gè)卷積、池化層，2個(gè)全連接層，1個(gè)輸出層；⑤VGG16，以GASF圖輸入，13個(gè)卷積層，5個(gè)池化層，3個(gè)全連接層；⑥ResNet50，以GASF圖輸入，16組Bottleneck Block，單個(gè)Bottleneck Block包含2個(gè)1×1卷積和1個(gè)3×3卷積，1個(gè)全連接層，1個(gè)輸出層；⑦AMResNet18，以GASF圖輸入，15組AMResNet Block，1個(gè)7x7大小的卷積層，1個(gè)全連接層，1個(gè)輸出層。

以上各個(gè)模型的學(xué)習(xí)率均設(shè)為0.000 1，迭代輪次為200。深度學(xué)習(xí)模型的損失(loss)函數(shù)均選擇交叉熵(Cross Entropy)函數(shù)，優(yōu)化器選擇Adam優(yōu)化器，Batch size的大小為8。采用圖像輸入的模型，訓(xùn)練樣本在進(jìn)行訓(xùn)練前均被整合為大小為224×224的圖像，加載訓(xùn)練樣本時(shí)不進(jìn)行圖像翻轉(zhuǎn)和其他預(yù)處理方法。試驗(yàn)中各模型運(yùn)行的環(huán)境為個(gè)人計(jì)算機(jī)，所用處理器為I5-8400，GPU為GTX1060，運(yùn)行平臺(tái)為Pytorch1.6.0。采用本文方法實(shí)現(xiàn)法蘭螺栓連接狀態(tài)識(shí)別的完整流程，如圖9所示。

圖9 AMResNet18識(shí)別流程

3.3 聲發(fā)射信號(hào)預(yù)處理

對(duì)于采樣點(diǎn)為n的一維聲發(fā)射信號(hào)，直接用GASF編碼方法對(duì)信號(hào)進(jìn)行編碼時(shí)，直接編碼得到的GASF圖像大小為n×n。試驗(yàn)采集得到的每個(gè)聲發(fā)射信號(hào)都有4 096個(gè)采樣點(diǎn)，直接采用原始信號(hào)進(jìn)行編碼將會(huì)得到4 096×4 096大小的圖像。為了控制GASF圖像的大小，節(jié)省訓(xùn)練時(shí)間和計(jì)算機(jī)內(nèi)存，本文在對(duì)聲發(fā)射信號(hào)編碼前，使用了分段聚合近似(piecewise aggregate approximation,PAA)平滑時(shí)間序列。該方法可以通過(guò)較少的采樣點(diǎn)來(lái)表示和原始信號(hào)相同的時(shí)序變化趨勢(shì)，經(jīng)過(guò)PAA平滑之后的信號(hào)和原始信號(hào)具有一樣的時(shí)序差異性。

具有4 096個(gè)采樣點(diǎn)的原始聲發(fā)射信號(hào)經(jīng)PAA平滑處理之后得到的具有256個(gè)采樣點(diǎn)的聲發(fā)射信號(hào)，如圖10所示。信號(hào)進(jìn)行平滑處理之后，再進(jìn)行GASF編碼，就可以得到256×256大小的GASF圖像。

(a)原始AE信號(hào)

按照此種方法對(duì)試驗(yàn)采集的聲發(fā)射信號(hào)進(jìn)行編碼，最終得到3 000(每種狀態(tài)各為1 000)個(gè)訓(xùn)練樣本，252(每種狀態(tài)各為84)個(gè)測(cè)試樣本，訓(xùn)練樣本用于模型訓(xùn)練，測(cè)試樣本用于模型分類(lèi)能力測(cè)試,樣本數(shù)據(jù)集劃分如表1所示。

表1 樣本數(shù)據(jù)集劃分

3.4 分類(lèi)效果對(duì)比

在參與對(duì)比的模型里，SVM分類(lèi)器的輸入為聲發(fā)射信號(hào)的時(shí)頻域特征，較少樣本即可完成模型的訓(xùn)練，因此不進(jìn)行200次的迭代，其余每種算法都進(jìn)行了200輪次的迭代，經(jīng)過(guò)迭代之后各個(gè)模型的識(shí)別結(jié)果如表2所示。

表2 螺栓連接各狀態(tài)準(zhǔn)確率

從表2可知，對(duì)于法蘭螺栓的3種連接狀態(tài)來(lái)說(shuō)，過(guò)緊狀態(tài)是最難識(shí)別的，在各個(gè)分類(lèi)器中識(shí)別精度都處于比較低的水平。從平均準(zhǔn)確率來(lái)看，傳統(tǒng)的SVM和BP神經(jīng)網(wǎng)絡(luò)分類(lèi)器識(shí)別精度較低，采用原始信號(hào)作為輸入，其平均準(zhǔn)確率約為77%。而將一維信號(hào)編碼為GASF圖像后，準(zhǔn)確率得到了明顯的提升，各個(gè)模型的識(shí)別率都在84%以上，比原始信號(hào)作為輸入高了7%。由此可見(jiàn)將聲發(fā)射信號(hào)編碼為二維圖像，可以很好地提高分類(lèi)模型對(duì)信號(hào)的識(shí)別能力。其中本文所用的模型平均準(zhǔn)確率最高，每種狀態(tài)的準(zhǔn)確率都比深層網(wǎng)絡(luò)ResNet50模型高3%左右。本文模型雖然參數(shù)量小于ResNet50，但是在分類(lèi)效果上卻提升了約3%，很好地提取和保留了輸入數(shù)據(jù)的細(xì)節(jié)特征信息，更適用于聲發(fā)射信號(hào)編碼得到的二維圖像的識(shí)別。

本節(jié)還對(duì)比分析了各分類(lèi)模型的訓(xùn)練性能，各模型在訓(xùn)練200次之后得到的測(cè)試準(zhǔn)確率和損失函數(shù)收斂曲線，如圖11所示。從圖11可知，BP神經(jīng)網(wǎng)絡(luò)分類(lèi)器的最終損失函數(shù)值最大，最終分類(lèi)準(zhǔn)確率也最低。采用1DCNN+原始信號(hào)的訓(xùn)練方式，訓(xùn)練損失值較大，其最終準(zhǔn)確率也比較低。LeNet5和VGG16模型初始損失值和準(zhǔn)確率相近，LetNet5經(jīng)過(guò)30輪次迭代之后逐漸收斂，VGG16則是經(jīng)過(guò)在60輪次迭代之后趨于穩(wěn)定，VGG16的最終準(zhǔn)確率高于LeNet5。ResNet50和AMResNet18的初始準(zhǔn)確率最高，損失值收斂最快，訓(xùn)練損失值小于其他模型，最終分類(lèi)準(zhǔn)確率也高于其他模型，但是ResNet50的準(zhǔn)確率波動(dòng)較大，呈現(xiàn)出不穩(wěn)定的狀態(tài)，而AMResNet18的測(cè)試準(zhǔn)確率更加穩(wěn)定，曲線也更平滑，因此性能也更好。

(a)測(cè)試準(zhǔn)確率

為更加直觀的評(píng)價(jià)所有模型的分類(lèi)穩(wěn)定性，繪制了各個(gè)分類(lèi)模型的預(yù)測(cè)準(zhǔn)確率箱型圖。其中箱體越小代表測(cè)試準(zhǔn)確率波動(dòng)越小，越大就代表測(cè)試準(zhǔn)確率波動(dòng)較大。經(jīng)過(guò)200次迭代之后，所有模型的測(cè)試準(zhǔn)確率箱型圖，如圖12所示。從圖12可知，本文所設(shè)計(jì)模型的箱體最小，性能最好，其最終預(yù)測(cè)準(zhǔn)確率也最高，LeNet5模型的性能最差。

圖12 測(cè)試準(zhǔn)確率穩(wěn)定性對(duì)比

為了比較所選用方法的時(shí)效性，統(tǒng)計(jì)了各個(gè)分類(lèi)模型完成訓(xùn)練所需要的時(shí)間，各分類(lèi)器的訓(xùn)練時(shí)間如圖13所示。從圖13可知，SVM和BP神經(jīng)網(wǎng)絡(luò)，因?yàn)榻Y(jié)構(gòu)簡(jiǎn)單，輸入數(shù)據(jù)為處理好的特征，所以訓(xùn)練需要的時(shí)間最短。VGG16所需要的訓(xùn)練時(shí)間最長(zhǎng)，這是因?yàn)閂GG16卷積層的通道數(shù)過(guò)大，導(dǎo)致VGG16模型在內(nèi)存和時(shí)間上的計(jì)算要求很高，VGG16模型的分類(lèi)準(zhǔn)確率不是最高。AMResNet18雖然訓(xùn)練時(shí)間略長(zhǎng)于ResNet50模型，但是AMResNet18在分類(lèi)效果上有著更出色的表現(xiàn)，無(wú)論是穩(wěn)定性還是最終識(shí)別精度上，本文所用模型均優(yōu)于ResNet50。

圖13 各模型訓(xùn)練時(shí)間

3.5 驗(yàn)證信號(hào)分析

通過(guò)以上試驗(yàn)可知，加入注意力機(jī)制的模型可以很好地對(duì)螺栓的連接狀態(tài)進(jìn)行識(shí)別。為了探究所用模型的泛化性能如何，進(jìn)行了驗(yàn)證信號(hào)的識(shí)別分析。進(jìn)行驗(yàn)證分析時(shí)，首先是檢測(cè)對(duì)象改變，檢測(cè)對(duì)象改為該法蘭連接結(jié)構(gòu)的另外兩個(gè)螺栓，第二是預(yù)緊力大小有所改變，增加了多種預(yù)緊狀態(tài)。采集聲發(fā)射信號(hào)并將聲發(fā)射信號(hào)編碼為GASF圖像之后，將新的圖像輸入到之前訓(xùn)練好的模型中進(jìn)行識(shí)別，經(jīng)本模型識(shí)別之后的結(jié)果如表3所示。

由表3可知，在檢測(cè)對(duì)象改變后，無(wú)論是螺栓A和螺栓B，本文模型依然可以對(duì)所檢測(cè)螺栓的連接狀態(tài)實(shí)現(xiàn)比較準(zhǔn)確的識(shí)別，其中正常預(yù)緊和松動(dòng)狀態(tài)識(shí)別準(zhǔn)確率最高，過(guò)緊狀態(tài)識(shí)別準(zhǔn)確率相對(duì)較低。根據(jù)表3中的識(shí)別準(zhǔn)確率，可以說(shuō)明本文模型也可以實(shí)現(xiàn)對(duì)新的聲發(fā)射信號(hào)的識(shí)別，具有比較好的泛化性能和魯棒性。

表3 驗(yàn)證信號(hào)識(shí)別結(jié)果

4 結(jié) 論

本文采用動(dòng)態(tài)激勵(lì)獲得了螺栓各連接狀態(tài)的聲發(fā)射信號(hào)，根據(jù)聲發(fā)射信號(hào)的時(shí)序特質(zhì)，提出了基于注意力網(wǎng)絡(luò)的法蘭螺栓聲發(fā)射信號(hào)識(shí)別方法，用于實(shí)現(xiàn)法蘭螺栓連接狀態(tài)的識(shí)別。試驗(yàn)采集了法蘭螺栓在三種連接狀態(tài)下的聲發(fā)射信號(hào)，并采用多種模型對(duì)聲發(fā)射信號(hào)進(jìn)行識(shí)別，試驗(yàn)結(jié)果表明：

(1)在有外部動(dòng)態(tài)激勵(lì)時(shí)，可以借助聲發(fā)射技術(shù)用于螺栓松動(dòng)的檢測(cè)，螺栓正常預(yù)緊狀態(tài)最容易識(shí)別，過(guò)緊狀態(tài)相對(duì)較難識(shí)別。

(2)經(jīng)過(guò)分段聚合近似處理過(guò)后的信號(hào)和原始信號(hào)一樣具有明顯時(shí)序差異性，通過(guò)GAF原理將聲發(fā)射信號(hào)編碼為GASF圖像，可以顯著提高分類(lèi)模型對(duì)信號(hào)的識(shí)別能力。

(3)融合了注意力機(jī)制的CNN模型，可對(duì)聲發(fā)射信號(hào)編碼得到的二維圖像進(jìn)行更好地識(shí)別和分類(lèi)，訓(xùn)練得到的模型可以有效提取和保存輸入數(shù)據(jù)的特征，提高信號(hào)的識(shí)別精度，具有良好的泛化性能。