一种基于粘接退化网络的水电站智能螺栓传感器粘接状态判定方法与流程

本发明涉及水电站设备状态监测、压电超声信号处理和机器学习状态识别，具体涉及一种基于粘接退化网络的水电站智能螺栓传感器粘接状态判定方法。

背景技术：

1、水电站机组、顶盖、导叶机构、压力钢管、法兰以及其他水工金属结构中存在大量关键螺栓连接。为实现螺栓预紧力、应变或超声响应的长期在线监测，可将压电贴片粘贴在螺栓头部端面，由压电贴片完成超声激励和响应接收。压电贴片与螺栓之间的粘接层既是安装连接层，也是超声能量耦合通道，其粘接质量直接影响测量信号。

2、当粘接层发生边缘翘起、局部空鼓、胶层老化、局部脱粘或整体脱粘时，超声波进入螺栓本体的能量、回波幅值、波形形态和频谱分布均会发生变化。若不能先识别传感器自身的粘接异常，后续螺栓状态监测可能把耦合变化误认为螺栓预紧力变化或结构损伤。

3、常用的异常检测及退化判定方法主要包括以下几类：

4、第一类是基于固定阈值的判定方法，通过设定单一或少数几个统计量的报警门限进行状态判别。该类方法实现简单，但难以综合反映被测对象在多维度上的信息变化。

5、第二类是基于监督分类器的方法，通过采集正常与异常样本训练分类模型。该类方法的性能高度依赖于大量涵盖各类异常模式的标注样本，在实际工程中采集成本高、实施难度大。

6、第三类是基于重构误差或样本距离度量的通用异常检测模型，该类方法不依赖标注样本，但所输出的异常分数通常仅表征样本间的数值差异程度，与物理状态的实际退化进程之间缺乏稳定的映射关系，在需要对状态变化趋势进行量化评估的应用场景中，其可解释性和可靠性存在不足。

技术实现思路

1、本发明的目的在于提供一种基于粘接退化网络的水电站智能螺栓传感器粘接状态判定方法，通过构造有序耦合的虚拟退化超声响应波形序列并结合专门设计的粘接退化网络结构，实现无需大量异常样本、且输出与物理退化程度稳定对应的粘接状态量化评估。

2、本技术提供的技术方案为：

3、一种基于粘接退化网络的水电站智能螺栓传感器粘接状态判定方法，所述智能螺栓传感器包括粘贴于螺栓头部端面的压电贴片，所述压电贴片用于向螺栓轴向激励超声波并接收超声响应波形，所述方法包括如下步骤：

4、s1、采集多条正常超声响应波形；

5、应理解，该正常超声响应波形在所述压电贴片与螺栓头部端面安装验收完成并处于正常粘接状态的情况下进行采集。

6、s2、提取正常超声响应波形的多维特征向量，由正常波形特征向量构建正常样本特征矩阵；

7、设正常超声响应波形条数为m。该步骤中，根据m条正常超声响应波形，构建正常粘接波形参考模板和正常样本特征矩阵；其中，正常样本特征矩阵由m个正常特征向量构成，每个正常特征向量为提取自一组正常超声响应波形的多维特征向量。

8、s3、以正常超声响应波形为起点进行逐级退化，构造多级退化超声响应波形序列；

9、通过该步骤，由m条正常超声响应波形，可以构造得到m个多级退化超声响应波形序列。

10、s4、提取各级退化超声响应波形的多维特征向量，由各级退化波形特征向量分别构建各级退化样本特征矩阵；

11、该步骤中，根据每一级退化超声响应波形，可以分别构建每一级的退化样本特征矩阵；其中，每一级的退化样本特征矩阵由m个退化特征向量构成，每个退化特征向量为提取自一组相应级别的退化超声响应波形的多维特征向量。

12、s5、根据所述正常样本特征矩阵中各维特征的均值、标准差和正常容差，对所述正常样本特征矩阵和各级退化样本特征矩阵分别进行标准化及退化方向转换，得到正常退化坐标向量和各级退化坐标向量；

13、该步骤中，根据所述正常样本特征矩阵中各维特征的均值、标准差和正常容差，对所述正常样本特征矩阵中各维特征进行标准化及退化方向转换，可以得到表征正常状态下各维特征相对于正常区间沿预设退化方向偏离程度的正常退化坐标向量；对所述各级退化样本特征矩阵中各维特征进行标准化及退化方向转换，可以得到表征各级退化状态下各维特征相对于正常区间沿预设退化方向偏离程度的各级退化坐标向量。

14、s6、构建粘接退化网络，包括幅值锚点层、多层状态编码层和连续退化量输出层；

15、所述幅值锚点层，用于对输入的退化坐标向量中的与信号时域波形形态相关的若干选定维度的分量（幅值和能量特征对应分量，如正峰幅值、负峰幅值、峰峰值、标准差、均方根、能量和绝对面积）进行加权融合，得到幅值锚点；并将所述幅值锚点作为独立输入项注入各层状态编码层；

16、所述多级状态编码层，用于对输入特征和幅值锚点进行编码，得到相应的隐藏状态；其中，第一级状态编码层的输入特征为所述退化坐标向量，后级的状态编码层的输入特征为前一级状态编码层输出的隐藏状态；

17、所述连续退化量输出层，用于根据最后一级状态编码层输出的隐藏状态，满足归一化的连续退化量，用于表征粘接退化程度；

18、所述粘接退化网络的训练过程包括：将s3得到的所述正常退化坐标向量和各级退化坐标向量作为训练样本，以各级退化坐标向量对应的退化级别作为监督信息，利用预设损失函数进行训练，直至网络收敛；

19、s7、采集运行阶段的当前超声响应波形，提取其多维特征向量并转换得到当前退化坐标向量；将当前退化坐标向量输入训练后的粘接退化网络，获得相应的连续退化量；

20、该步骤中，提取其多维特征向量并转换得到当前退化坐标向量，即利用步骤s2建立的正常粘接波形参考模板和正常样本特征矩阵提取当前超声响应波形的多维特征，并按照步骤s5对当前超声响应波形的多维特征执行标准化及退化方向转换。

21、在一种可能的实现方式中，所述多维特征向量为16维，16维特征依次为正峰幅值、负峰幅值、峰峰值、平均值、标准差、均方根、能量、绝对面积、峭度、偏度、主峰位置、主频索引、频谱熵、模板相关系数、模板欧氏距离和模板余弦相似度；

22、其中，所述负峰幅值为波形谷值绝对值。

23、本技术步骤s2在特征提取前不对每条波形执行以其自身峰值、峰峰值、均方根或能量为分母的幅值归一化，可以保留粘接退化引起的幅值和能量衰减信息。

24、设第条正常超声响应波形为，其中表示中第个采样点，，为采样点数，，则正常粘接波形参考模板中第个采样点满足：

25、；

26、所述模板相关系数、模板欧氏距离和模板余弦相似度指待处理波形与正常粘接波形参考模板之间的相关系数、欧氏距离和余弦相似度。

27、设待处理波形为，正常粘接波形参考模板为，和分别为二者均值，为防止除零的正数，则待处理波形与正常粘接波形参考模板之间的相关系数、欧氏距离和余弦相似度分别满足：

28、；

29、；

30、；

31、在一种可能的实现方式中，步骤s3中，以正常超声响应波形为起点进行逐级退化，构造多级退化超声响应波形序列，包括：分别以每一组正常超声响应波形为起点，设置递增的次序标记，同一序列中各被选中的退化参数均随所述次序标记非减、未被选中的退化参数保持不变，构造有序耦合的退化超声响应波形序列。

32、第条正常超声响应波形对应的第级虚拟退化超声响应波形满足：

33、；

34、其中，表示第条正常超声响应波形对应的第级虚拟退化超声响应波形在第个采样点处的幅值，为第级虚拟退化超声响应波形的幅值衰减系数，为第级虚拟退化超声响应波形的主响应时移量，为第级虚拟退化超声响应波形延迟回波强度系数，为第级虚拟退化超声响应波形的延迟间隔，为的带限扰动能量；各级虚拟退化超声响应波形设有递增的归一化次序标记，满足，虚拟退化超声响应波形总级数；~用于表征正常超声响应波形及其对应的各级虚拟退化超声响应波形的相对退化次序和预设间隔，不直接等同于实际脱粘面积比例；在同一有序耦合虚拟退化超声响应波形序列中，被选中的退化参数，包括幅值衰减系数、延迟回波强度系数、主响应时移量绝对值和带限扰动能量均随非减，未被选中的退化参数保持不变。

35、在一种可能的实现方式中，设波形第维特征为，第维特征在正常超声响应波形中的均值和标准差分别为和，为防止除零的正数，则标准化特征满足：

36、；

37、其中，表示波形第j维标准化特征；

38、所述标准化在特征提取完成后按正常超声响应波形总体统计量执行，而不对单条波形进行幅值归一化；

39、波形第维特征对应的非负退化坐标按照下式确定：

40、；

41、其中，j↓包括随粘接退化而衰减的特征编号集合，随粘接退化而衰减的特征包括正峰幅值、负峰幅值、峰峰值、标准差、均方根、能量、绝对面积、模板相关系数和模板余弦相似度；j↑包括随粘接退化而增大的特征编号集合，随粘接退化而增大的特征包括模板欧氏距离；包括相对正常值可向任一方向偏移的特征编号集合，相对正常值可向任一方向偏移的特征包括平均值、峭度、偏度、主峰位置、主频索引和频谱熵；表示第维特征的正常容差，可取正常超声响应波形对应方向偏差的预设分位数。

42、在一种可能的实现方式中，步骤s6中，设ja为幅值和能量特征对应分量的索引集合，幅值锚点满足：

43、；

44、；

45、其中，为波形对应的幅值锚点，表示第个特征对应的归一化非负可学习权重；表示与第个特征对应的可学习权重参数；表示幅值及能量特征索引。

46、在一种可能的实现方式中，步骤s6中，设粘接退化网络包括两层状态编码层，两层状态编码层输出的隐藏状态满足：

47、；

48、；

49、其中，为第一状态编码层输出的波形对应的隐藏状态，为第二状态编码层输出的波形对应的隐藏状态，表示退化坐标向量至第一状态编码层的非负连接权重矩阵，表示第一状态编码层至第二状态编码层的非负连接权重矩阵；和分别表示幅值锚点注入第一、第二状态编码层的非负权重矩阵（非负幅值注入权重向量）；和分别表示第一、第二状态编码层的非负阈值向量；为波形对应的退化坐标向量，其第列元素为；

50、波形对应的退化强度中间量和连续退化量满足：

51、；

52、其中，表示第二状态编码层至连续退化量输出层的非负连接权重矩阵；表示幅值锚点的非负权重矩阵。

53、由此使连续退化量不随任一退化坐标或幅值锚点的增大而减小。

54、在一种可能的实现方式中，所述粘接退化网络还包括单调退化轨迹层；所述单调退化轨迹层，根据连续退化量的一次项、二次项及相应的非负方向向量，生成n维预测退化坐标向量，公式为：

55、；

56、其中，为单调退化轨迹层输出波形对应的预测退化坐标向量，为波形对应的正常超声响应波形的退化坐标向量，表示各特征在早期退化阶段的一阶响应方向，表示各特征在退化加速阶段的二阶响应方向，二者均为训练得到的n维非负方向向量。

57、在一种可能的实现方式中，步骤s6中，预设损失函数，包括：状态拟合损失、次序损失、轨迹拟合损失和编码—轨迹一致性损失；

58、其中，所述状态拟合损失用于约束粘接退化网络输出的连续退化量接近对应的次序标记；

59、所述次序损失用于约束相邻级别输出满足递增间隔；

60、所述轨迹拟合损失用于约束实际退化坐标向量接近所述单调退化轨迹层的预测退化坐标向量；

61、所述编码—轨迹一致性损失用于约束将给定次序标记作为连续退化量生成的预测退化坐标向量重新输入同一幅值锚点层和状态编码层后，恢复生成对应次序标记；

62、状态拟合损失、次序损失、轨迹拟合损失和编码—轨迹一致性损失联合训练所述粘接退化网络，训练总损失满足：

63、；

64、其中，、和分别表示次序损失、轨迹拟合损失和编码—轨迹一致性损失相对于状态拟合损失的非负权重系数，用于平衡各损失项对模型训练的影响。

65、在一种可能的实现方式中，所述方法还包括：根据所述连续退化量与预设的多个递增的状态分级阈值，输出不同类型的粘接状态。

66、在一种可能的实现方式中，所述方法还包括：根据计算波形对应的粘接健康指数；

67、对连续k次检测所得的连续退化量或粘接健康指数执行滑动平均或中位数滤波，并根据滤波结果输出最终粘接状态，其中k为大于或等于3的整数。

68、有益效果：

69、（1）减少真实脱粘样本依赖。本技术通过以正常超声响应波形为起点构造多级有序耦合虚拟退化超声响应波形序列，能够在实际异常样本稀缺的工程场景下完成模型训练，并可进一步利用少量实测异常样本对模型进行校准，有效克服了传统监督方法依赖大量真实异常样本的局限性。

70、（2）保留关键时域特征的独立作用。 本技术在特征提取前不对每条波形执行以其自身峰值、峰峰值、均方根或能量为分母的幅值归一化，以保留粘接退化引起的幅值和能量衰减信息。标准化在特征提取完成后按正常超声响应波形总体统计量执行，与超声响应波形时域形态相关的多维度特征分量（如正峰幅值、负峰幅值、峰峰值、标准差、均方根、能量和绝对面积等）不被单波形归一化消除。通过设置幅值锚点层，将与超声响应波形时域形态相关的多维度特征分量进行显式融合并直接注入各层状态编码层，避免了特征在逐级编码过程中被削弱或消除，使得多类信息均能在判定过程中发挥独立的量化作用。

71、（3）模型核心具有统一机理。本技术中，退化方向转换、幅值锚点提取、非负权重编码和单调轨迹色生成共同围绕同一个连续退化量运作，无需将多个独立分类器或异常检测器的输出结果进行后期拼接，降低了模型结构的冗余性和不确定性。

72、（4）输出结果物理含义明确。 本技术输出的连续退化量直接表征超声响应波形特征沿粘接退化轨迹所处的位置，粘接健康指数与连续退化量一一对应，使得评估结果具有明确的物理含义，避免了通用异常检测模型输出异常评分与实际粘接退化程度之间缺乏稳定映射关系的问题。

73、（5）适合在线部署。本技术所构建的粘接退化网络可由幅值锚点层、两层非负权重状态编码层和连续退化量输出层依次级联构成，整体参数量小，在线推理阶段无需建立模型集成架构，也无需反复迭代优化，计算效率高，适合在水电站现场低算力边缘设备上实时部署。