一种基于深度学习的多螺栓松动故障诊断方法及设备

摘要: 本发明属于机械故障诊断及结构健康监测,具体涉及一种基于深度学习的多螺栓松动故障诊断方法及设备。背景技术:1、高强度螺栓连接作为一种关键的紧固与装配方式,在风电塔...
一种基于深度学习的多螺栓松动故障诊断方法及设备

本发明属于机械故障诊断及结构健康监测,具体涉及一种基于深度学习的多螺栓松动故障诊断方法及设备。

背景技术:

1、高强度螺栓连接作为一种关键的紧固与装配方式,在风电塔筒、大型机械法兰、航空航天机体以及桥梁钢结构等现代工业大型钢结构中得到了极其广泛的应用。由于这些大型装备往往长期运行于强交变载荷、强烈机械振动、多轴复杂冲击以及多物理场耦合的恶劣工业环境中,螺栓连接副极易发生预紧力衰减与早期松动故障。多螺栓连接结构一旦发生局部松动而未能及时发现,将导致刚度非对称性退化与应力重分布,进而引发局部断裂甚至造成结构整体坍塌的灾难性事故,这不仅对公共安全和设备安全构成严重威胁,也会带来不可估量的经济损失。因此,对多螺栓结构的紧固状态进行实时、精准的健康监测与早期故障识别,是保障大型工业装备安全运行与降低全生命周期运维成本的核心诉求。

2、目前,主流的螺栓健康监测手段主要依赖物理量传感器采集的振动信号进行数据分析。当多螺栓结构发生微小松动时,结合面由于接触非线性的存在,会导致结构动力学响应信号中混入极其微弱的物理畸变或局部冲击调制特征。为了挖掘这些故障特征,现有技术普遍采用传统信号处理方法(如快速傅里叶变换fft、小波变换或经验模态分解emd)提取时频域的手工统计指标,并结合支持向量机(svm)、随机森林或传统浅层机器学习分类器进行故障状态识别。

3、然而,在面对实际多螺栓群连接结构时,上述现有技术在工程落地应用中存在以下显著的缺陷与局限性:

4、1、早期微小故障特征提取困难、表征不全:传统信号处理方法往往高度依赖专家人工经验来选择特定的频段或特征指标。由于多螺栓结构中螺栓数量多、空间排布紧密,单个螺栓早期松动引发的接触非线性响应极其微弱,且极易被强烈的工业环境背景噪声所淹没。传统方法仅从单一的时间维度或单一的频域维度进行浅层特征挖掘,无法完整表征多螺栓故障信号中交织的空间拓扑畸变特征与长周期时间演化依赖关系。

5、2、跨场景泛化能力不足,模型鲁棒性差:实际大型机械装备的运行工况极其复杂且多变(如风电塔筒在不同风速下的转速波动)。现有的传统机器学习模型由于其浅层架构限制,学习高维非线性特征的能力较弱。当工作转速、载荷工况发生改变,或者面对未曾训练过的微小松动边界时,诊断模型的识别准确率和泛化能力会出现断崖式下跌,难以满足实际工业现场多工况自适应诊断的要求。

6、3、超参数极其敏感,人工盲目调参效率低下:近年来虽然有研究尝试引入深度神经网络来自动提取特征,但在搭建针对多螺栓时空特征提取的复杂深度网络时,网络模型的内部超参数极其繁复且高度敏感。现有技术多采用传统的试错法或网格搜索法进行人工调参,不仅耗费海量的计算资源与时间成本,且极易使模型训练陷入局部最优解,导致诊断模型在实际多螺栓故障定位和程度量化上的自适应精度与训练稳定性难以得到根本保障。

7、综上所述,现有技术无法在强噪、多变工况以及无人工调参干预的条件下,纯粹从算法方法层面实现对多螺栓群早期微小松动故障的深度时空特征自适应挖掘、精准定位与程度量化。

技术实现思路

1、针对现有多螺栓松动故障诊断方法在早期微小故障特征提取不充分、跨工况泛化能力差、超参数人工调参困难的问题,提供一种基于深度学习的多螺栓松动故障诊断方法及设备。

2、为实现上述技术目的,本发明采取的技术方案为:

3、一种基于深度学习的多螺栓松动故障诊断方法,包括:

4、步骤一、获取待测多螺栓结构的原始振动响应信号,并对原始振动响应信号进行预处理,得到待测特征样本;

5、步骤二、将待测特征样本输入至训练好的双分支深度学习网络模型,双分支深度学习网络模型包括并行设置的卷积神经网络分支和门控循环单元分支;

6、通过卷积神经网络分支提取待测特征样本的空间拓扑特征,获得第一特征向量;

7、通过门控循环单元分支提取待测特征样本的动态时间序列依赖特征,获得第二特征向量;

8、将第一特征向量和第二特征向量进行拼接融合,获得时空融合特征向量,并将时空融合特征向量输入至分类器,获得各故障类别的预测概率;

9、步骤三、根据预测概率输出待测多螺栓结构的故障诊断类型;

10、其中,双分支深度学习网络模型在离线训练阶段,采用黑翅鸢优化算法对双分支深度学习网络模型的超参数进行全局自适应寻优,以获得训练好的双分支深度学习网络模型。

11、为优化上述技术方案,采取的具体措施还包括:

12、上述的步骤一中,对原始振动响应信号进行预处理,得到待测特征样本,包括:采用滑动窗口机制对原始振动响应信号进行交叠切片处理,设定窗口长度为l,滑动步长为s,截取得到若干长度相等的一维特征样本向量;其中,滑动窗口机制同样用于离线训练阶段中训练集和验证集的样本构建,并根据各样本对应的实际螺栓松动位置及松动程度标注多类别故障标签。

13、上述的双分支深度学习网络模型的离线训练过程,具体包括:

14、t1、采集多螺栓结构在不同紧固状态下的原始时域振动响应信号,紧固状态包括全健康状态以及至少一种螺栓松动故障状态;对原始时域振动响应信号进行预处理并标注对应的故障状态标签,构建训练集和验证集;

15、t2、构建初始的双分支深度学习网络模型,双分支深度学习网络模型包括卷积神经网络分支和门控循环单元分支;

16、t3、将训练集中的特征样本并行输入至卷积神经网络分支和门控循环单元分支,分别提取空间拓扑特征向量和动态时间序列特征向量,

17、在卷积神经网络分支中提取空间特征向量,其一维卷积前向传播计算公式为:

18、

19、式中,为双曲正切激活函数;为输入特征向量;表示卷积操作;为卷积核权重矩阵;为偏置向量;同时,在门控循环单元分支中提取深层时间特征向量,其隐状态动态更新公式为:

20、

21、

22、

23、

24、式中,和分别为更新门和重置门状态向量;为sigmoid激活函数;、、分别为对应的权重矩阵;为前一时刻隐藏状态向量;为候选隐藏状态向量;为当前时刻输出的隐藏状态向量;

25、t4、将提取的空间特征向量与最后一个时间步的时间特征向量进行拼接融合后经全连接层映射输入至分类器,并基于预测结果与故障状态标签的偏差构建损失函数;

26、t5、采用黑翅鸢优化算法对双分支深度学习网络模型的超参数进行寻优,以最小化损失函数为目标,输出最优超参数组合,基于最优超参数组合训练得到训练好的双分支深度学习网络模型。

27、上述的通过卷积神经网络分支提取待测特征样本的空间拓扑特征,获得第一特征向量,包括:将待测特征样本输入包含多层一维卷积层和池化层的卷积神经网络分支,通过卷积核的滑动操作在局部感受野内提取因螺栓松动引发的接触非线性空间畸变特征,利用激活函数进行非线性映射,并通过池化层进行降维处理,经展平层处理后获得第一特征向量;

28、上述的通过门控循环单元分支提取待测特征样本的动态时间序列依赖特征,获得第二特征向量,包括:将待测特征样本输入门控循环单元分支,通过更新门控制前一时刻状态信息保留至当前状态的程度,通过重置门控制历史状态信息与当前输入信息的融合程度,以捕捉振动信号在连续时间轴上的长程周期性演化趋势,获得第二特征向量。

29、上述的采用黑翅鸢优化算法对双分支深度学习网络模型的超参数进行寻优,包括:

30、t51、设定黑翅鸢优化算法的初始参数,并在预设的超参数搜索空间内初始化黑翅鸢种群,其中每个黑翅鸢个体的位置向量对应一组双分支深度学习网络模型的超参数候选解,超参数包括卷积核尺寸、网络通道数、学习率及批处理大小中的至少一种;

31、t52、将各超参数候选解分别代入双分支深度学习网络模型,利用训练集进行训练,并根据验证集上的模型性能指标计算每个黑翅鸢个体的适应度值,并筛选出当前适应度值最优的个体位置向量;

32、t53、基于黑翅鸢的攻击行为数学模型进行局部精细化搜索更新,以及基于黑翅鸢的迁徙行为数学模型结合柯西变异机制进行全局探索更新,迭代更新各黑翅鸢个体的位置向量;

33、t54、判断是否达到最大寻优迭代次数t,若未达到,则返回步骤t52继续迭代;若达到,则停止迭代,则输出全局最优个体作为目标超参数配置,固化得到训练好的双分支深度学习网络模型。

34、步骤t51中,在预设的超参数搜索空间内初始化黑翅鸢种群,其采用的数学模型为:

35、

36、

37、式中,为黑翅鸢群体矩阵;表示超参数寻优问题的维度;为1至之间的整数,表示黑翅鸢种群的规模数量,表示寻优搜索空间中的第个候选解;和分别表示第个黑翅鸢在第维空间中的位置下界和位置上界; 为[0,1]之间的随机数。

38、上述的步骤t53中,基于黑翅鸢的攻击行为数学模型进行局部精细化搜索更新,其更新的数学模型为:

39、若r<0.9,则执行公式:

40、

41、若r≥0.9,则执行公式:

42、

43、式中,为当前迭代次数;和分别表示当前代和下一代时第个黑翅鸢个体的位置向量;为第代种群中适应度值最优的个体位置向量;为[0,1]之间的随机数;为控制寻优步长的动态非线性指数衰减参数,其计算公式为:

44、

45、式中,t为预设的最大寻优迭代轮数;

46、基于黑翅鸢的迁徙行为数学模型结合柯西变异机制进行全局探索更新,其更新的数学模型为:

47、若fi>fri,则执行公式:

48、

49、若fi≤ fri,则执行公式:

50、

51、式中,fi为第i个黑翅鸢个体的适应度值,fri为随机选取的另一黑翅鸢个体的适应度值;c(0,1)为符合标准柯西分布的随机变异算子,用于通过引入突变扰动赋予模型跳出局部最优的能力;m为方向及大幅度放大控制因子,其定义公式为:

52、。

53、将时空融合特征向量输入至分类器,获得各故障类别的预测概率,包括:将拼接融合后的时空融合特征向量输入至softmax分类层,通过以下公式计算各故障类别的分类概率:

54、

55、式中,为输出的故障类别概率向量,向量中的各维度数值代表输入样本属于该对应多螺栓状态的概率;为输出层的权重矩阵;为输出层的偏置向量;为门控循环单元分支在最后一个时间步t输出的时间特征向量;

56、输出待测多螺栓结构的故障诊断类型,包括:将分类概率向量中概率最大值所对应的类别,作为最终的故障诊断类型输出,故障诊断类型包括全健康状态以及具体螺栓编号的松动位置标签。

57、一种基于深度学习的多螺栓松动故障诊断设备,包括:信号采集模块,用于获取待测多螺栓结构的原始振动响应信号;数据预处理模块,用于对原始振动响应信号进行滑窗切片预处理,得到待测特征样本;存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述的一种基于深度学习的多螺栓松动故障诊断方法的步骤,输出待测多螺栓结构的故障诊断类型。

58、一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现上述的一种基于深度学习的多螺栓松动故障诊断方法的步骤。

59、与现有技术相比,本发明具有以下有益效果:

60、1、构建双分支时空特征融合架构,实现了微小松动特征的深度表征:本发明摒弃了单一维度的特征提取,利用卷积神经网络(cnn)分支捕捉空间拓扑非线性畸变,利用门控循环单元(gru)分支挖掘长序列时间演化依赖。通过高维拼接融合,锁死了松动故障特征边界,大幅提高了早期微小松动定位的识别灵敏度与准确率。

61、2、引入黑翅鸢优化算法实现模型自适应寻优,避免陷入局部最优:本发明通过黑翅鸢优化算法(bka)的局部攻击行为与基于柯西变异的全局迁徙行为交织迭代,实现了网络超参数的多维联动寻优,彻底消除了人工经验调参的盲目性,保障了模型在不同多螺栓结构应用场景下的快速收敛与训练稳定性。

62、3、具备优异的工程泛化诊断能力,满足工业装备自适应监测需求:端到端的智能诊断机制使本方法能够自适应处理复杂工况下的非线性振动响应数据。通过输出直观的故障类别及位置标签,大幅降低了多螺栓群的误报率与漏报率,为大型高强螺栓结构的寿命评估与运维提供了可靠的技术支撑。