一种螺栓松动诊断方法、系统、存储介质及设备与流程

本发明涉及数据信号处理，尤其涉及一种螺栓松动诊断方法、系统、存储介质及设备。

背景技术：

1、螺栓作为输电杆塔等关键基础设施的核心连接部件，其松动缺陷的早期诊断对于保障结构安全至关重要。超声无损检测技术因其对内部应力变化敏感的特性，被广泛应用于螺栓松动诊断。然而，在实际工程应用中，现有检测方法仍面临诸多技术瓶颈。

2、传统的螺栓松动检测主要依赖人工敲击听音或常规超声探伤，这些方法主观性强，难以量化，且无法有效识别早期微弱松动。随着信号处理与人工智能技术的发展，一些研究尝试结合小波变换、经验模态分解等算法与神经网络进行自动诊断。然而，现有技术在复杂噪声背景下难以捕捉由螺栓早期松动引发的微弱时延特征，主要原因包括以下方面：

3、首先，现场检测环境复杂，超声信号中背景宽带热噪声频带与螺栓微弱缺陷特征频带相互重叠，传统滤波方法难以在抑制噪声的同时完整保留特征信息，导致信噪比低下。其次，超声信号在螺栓内部传播时存在严重的多径散射效应，不同路径的回波在时域和频域上相互混叠，产生模态混叠现象，使得传统的时频分析方法难以有效分离包含松动信息的有效回波成分。

4、此外，螺栓早期松动表现为微小的群时延变化，这类特征在长时间序列中累积但幅值微弱。传统卷积神经网络受限于局部感受野，难以有效捕捉此类长时序滞后特征；而循环神经网络虽能处理序列数据，但存在梯度消失问题且计算效率较低。同时，现有的深度学习诊断模型往往将信号预处理与模式识别割裂开来，缺乏端到端的联合优化机制，且多层感知机决策边界高度黑盒化，可解释性差，难以满足工业应用对可靠性的严苛要求。

5、因此，亟需一种能够在强噪声干扰下准确提取螺栓早期松动微弱时延特征、并具备高可解释性的智能诊断方法，以实现输电杆塔螺栓状态的精准评估与不停机检修。

技术实现思路

1、本发明的目的是为了解决上述现有技术中存在的缺点,而提供了一种基于assa-ewt联合去噪与mamba-kan融合网络的螺栓松动诊断方法，该方法融合assa自适应稀疏自注意力分析去噪、ewt经验小波变换的模态混叠规避机制，以及复杂度建模能力的mamba选择性状态空间模型，并引入kan网络以螺栓松动判断。

2、一方面，本发明提供了一种螺栓松动诊断方法，包括如下步骤：

3、s1：获取螺栓的原始超声信号；

4、s2：采用assa自适应稀疏自注意力对所述原始超声信号进行去噪处理，得到高信噪比的第一去噪信号；

5、s3：采用ewt经验小波变换对所述第一去噪信号进行进一步的去噪及模态分解，构建用于表征螺栓状态的多通道时序特征张量；

6、s4：将所述多通道时序特征张量输入至预先构建的mamba网络中，利用其选择性状态空间模型提取螺栓松动引起的长时序迟滞特征，得到全局动态特征向量；

7、s5：将所述全局动态特征向量输入至预先构建的kan网络中，利用部署在连接权重上的可学习单变量激活函数，拟合螺栓不同松动状态的非线性判断条件，最终输出螺栓的松动状态识别结果

8、进一步地，步骤s2中，所述采用assa自适应稀疏自注意力对所述原始超声信号进行去噪处理包括：

9、s21：获取长度为的一维离散超声原始时序信号。选取窗口长度 ，令矩阵列数 ，利用滑动窗口机制，将一维信号映射为hankel轨迹矩阵 ：

10、，

11、其中，代表离散超声信号在第个采样点的幅值，矩阵的每一列对应一个长度为的局部窗口序列；

12、s22：对所述hankel轨迹矩阵 进行奇异值分解，得到 个秩为1奇异值及其对应的初等矩阵，表示为：

13、，

14、其中，为奇异值对角矩阵，满足，为矩阵的秩，每个奇异值反映了对应分量在重构原始轨迹矩阵时的权重，为左奇异矩阵，为右奇异矩阵的转置，表示第个左奇异向量，表示第个右奇异向量的转置；

15、s23：根据各奇异值的能量贡献率计算累积信息熵，计算公式如下：

16、，

17、，

18、其中，表示第个奇异值的权重，表示前个奇异值的累积信息熵；根据奇异信息熵的差分变化自适应确定用于信号重构的最优降秩截断阶数，当趋近于零时，此时对应的值即为保留的奇异值个数；

19、s24:将保留的前个主导初等矩阵进行累加求和，得到滤除噪声成分后的重构矩阵，表示为：

20、；

21、s25：对所述重构矩阵进行对角平均操作，还原为一维时域信号，得到所述高信噪比的第一去噪信号，对于第个采样点：

22、，

23、其中，为所有满足对角线索引条件的元素集合，为该集合中元素的个数。

24、进一步地，在步骤s3中，采用ewt经验小波变换对所述第一去噪信号进行进一步的去噪及模态分解包括：

25、s31：对所述第一去噪信号进行快速傅里叶变换，获取其傅里叶频谱，表示角频率变量，为频域的自变量；

26、s32：在频谱中检测局部极大值点，并以相邻极大值之间的中点作为边界，将频谱自适应地分割为个无重叠的频带区间，表示为，其中，，每个频带对应信号中一个特定的振荡模式；

27、s33：基于meyer小波构造理论，为每个所述频带设计对应的经验小波滤波器组，所述滤波器组包括经验尺度函数和经验小波带通滤波器，选定合适的小波基函数构造滤波器；

28、s34：利用所述滤波器组对所述第一去噪信号的频谱进行频域滤波，再通过傅里叶逆变换，提取出各频带对应的、无频带重叠的本征模态函数imf，第个imf分量由下式计算：

29、，

30、其中，表示离散傅里叶逆变换，对于，用经验尺度函数替代；

31、s35：筛选特征本征模态函数imf分量与噪声本征模态函数imf分量，保留了螺栓松动状态的关键信息，沿通道维度进行对齐与拼接，构建所述多通道时序特征张量。

32、进一步地，在步骤s4中，利用其选择性状态空间模型提取螺栓松动引起的长时序迟滞特征包括：

33、s41：将所述多通道时序特征张量作为mamba网络的输入，通过离散化的状态空间模型进行长时序建模，所述离散化的状态空间模型用于跨时间步传递并累积螺栓松动引发的时域相位延迟特征，即，通过高维隐状态映射到输出响应，其映射公式如下：

34、，

35、，

36、其中，表示当前时刻输入的超声模态特征，表示时刻的系统隐含状态记忆向量，表示时刻提取后的动态特征输出，、和分别表示离散化后的状态转移矩阵、输入矩阵与观测矩阵；

37、s42：利用零阶保持器将状态空间模型离散化为递推形式；

38、s43：引入数据依赖的选择性机制，通过将输入矩阵与时间步长参数化为输入信号的非线性函数，实现对不同时间步超声波形重要性的自适应评估；

39、s44：基于所述选择性状态空间模型，以线性时间复杂度提取螺栓松动导致的全局时空动态特征，得到所述全局动态特征向量。

40、进一步地，步骤s5具体包括：

41、s51：构建kan网络拓扑结构，所述kan网络依据柯尔莫哥洛夫-阿诺德表示定理，将高维决策函数分解为单变量函数的嵌套组合；

42、s52：在kan网络的连接权重上部署可学习的单变量激活函数；

43、s53：将所述可学习的单变量激活函数参数化为残差激活函数与三次b样条曲线的线性组合，如下式所示：

44、，

45、其中，表示提供基础的非线性残差激活支持，为核心的三次b样条基函数，为样条曲线的控制点坐标，和分别为网络自适应调节的权重系数；

46、s54：将所述全局动态特征向量输入所述kan网络，通过端到端的联合反向传播动态调整b样条曲线的控制点，以拟合超声特征在高维空间中的判别边界；

47、s55：在kan网络的分类层，基于拟合的判别边界输出螺栓健康状态的概率分布，完成分类诊断。

48、优选地，所述方法还包括结果可视化与存储，具体包括：

49、将模型输出的包括螺栓状态识别结果、对应的信号特征向量、模型置信概率及时间戳在内的信息自动存入结构化的数据库或指定格式的数据文件，同时，记录每次诊断所使用的模型版本与参数，确保数据可追溯性；

50、基于存储的诊断结果，在可视化界面中绘制螺栓组的二维或三维布局图，通过不同颜色和数字标签在布局图中直观标注每个螺栓的实时状态或历史状态；

51、通过选择特定螺栓，绘制其原始超声信号、经优化后的关键imf分量波形、以及特征提取过程中的时域、频域特征图，实现在可视化界面中提供单个螺栓的详细分析视图。

52、更优地，所述方法还包括趋势分析与报警：

53、自动生成并展示关键螺栓的状态历史趋势图，用于预测性维护，当系统检测到松动状态或未知故障时，自动触发声光报警，并在界面的专用报警日志列表中记录事件时间、位置、具体描述及建议措施；

54、提供一键生成诊断报告的功能，支持用户将当前可视化界面、原始数据、特征数据及诊断报告以常用格式导出至本地指定路径，便于后续存档或汇报。

55、另一方面，本发明提供了一种螺栓松动诊断系统，包括：

56、信号获取模块，用于获取螺栓的原始超声信号；

57、assa去噪模块，用于采用assa自适应稀疏自注意力对所述原始超声信号进行去噪处理，得到高信噪比的第一去噪信号；

58、ewt分解模块，用于采用ewt经验小波变换对所述第一去噪信号进行进一步的去噪及模态分解，构建用于表征螺栓状态的多通道时序特征张量；

59、mamba特征提取模块，用于将所述多通道时序特征张量输入至预先构建的mamba网络中，利用其选择性状态空间模型提取螺栓松动引起的长时序迟滞特征，得到全局动态特征向量；

60、kan识别模块，用于将所述全局动态特征向量输入至预先构建的kan网络中，利用部署在连接权重上的可学习单变量激活函数，拟合螺栓不同松动状态的非线性判断条件，最终输出螺栓的松动状态识别结果。

61、此外，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述任一项所述的螺栓松动诊断方法。

62、同时，提供了一种电子设备，包括： 一个或多个处理器； 存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述任一项所述的螺栓松动诊断方法。

63、与现有技术相比，本发明的有益效果是：

64、在信号预处理层面，本发明通过assa与ewt联合去噪，实现了强噪声背景下微弱松动特征的有效提纯；assa引入奇异信息熵自适应确定降秩阶数，在保留主回波的同时抑制宽带噪声；ewt依据频谱极值点自适应划分频带，消除多径散射导致的模态混叠，为后续特征提取提供高信噪比的输入数据；

65、在时序特征提取层面，本发明引入mamba选择性状态空间模型，实现对螺栓早期松动微弱时延特征的高效捕捉；

66、在状态识别层面，本发明构建kan网络替代传统多层感知机，在保持高精度的同时提升模型可解释性，便于工程人员理解判断依据

67、从整体架构而言，本发明构建了从原始信号到诊断结果的端到端一体化流程，避免了预处理与识别割裂导致的信息损失。