張 洪 劉彬彬

(江南大學(xué)機(jī)械工程學(xué)院 無錫 214122)

0 引言

螺栓是法蘭連接裝置常用的部件，螺栓松動具有很大的安全隱患[1]，會導(dǎo)致法蘭密封的失效，造成泄漏事故，因此對法蘭螺栓連接機(jī)構(gòu)進(jìn)行檢測具有重要的意義。聲發(fā)射(Acoustic emission，AE)是材料內(nèi)部因能量的快速釋放而產(chǎn)生瞬態(tài)彈性波的一種常見物理現(xiàn)象，聲發(fā)射技術(shù)是指利用儀器探測并接收材料聲發(fā)射信號而實(shí)現(xiàn)材料的動態(tài)非破壞性檢測的一種技術(shù)[2]?，F(xiàn)有研究表明，螺栓輕微的碰擦就能產(chǎn)生比較明顯的聲發(fā)射現(xiàn)象，借助聲發(fā)射技術(shù)可以有效地對螺栓連接狀態(tài)進(jìn)行識別[3]。傳統(tǒng)的聲發(fā)射信號解釋方法主要是時(shí)域、頻域和參數(shù)分析，提取聲發(fā)射信號的特征值如幅值、均方根(Root mean square，RMS)值、能量、振鈴計(jì)數(shù)和時(shí)頻域特征等[4-7]，將提取的特征值輸入到支持向量機(jī)或BP 神經(jīng)網(wǎng)絡(luò)等機(jī)器學(xué)習(xí)模型進(jìn)行訓(xùn)練[8]，然后將訓(xùn)練好的模型用于識別。這種識別方式易受環(huán)境影響，魯棒性能和抗噪性能較差，而采用深度學(xué)習(xí)的方法可以改善這些缺點(diǎn)。深度學(xué)習(xí)最典型的模型就是卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural networks，CNN)，CNN 在語聲和圖像分類任務(wù)中被廣泛的應(yīng)用，近些年來也常用于機(jī)械設(shè)備故障診斷[9]。CNN可以通過卷積的方式從數(shù)據(jù)中提取復(fù)雜并且具有魯棒性的多維度特征，使得模型有著更高的精度和魯棒性[10]。文獻(xiàn)[11-13]采用CNN模型實(shí)現(xiàn)了螺栓連接狀態(tài)的辨別，但是他們所用方法只適用于完全松動的螺栓，不能辨別螺栓的過緊或過松狀態(tài)。將深度學(xué)習(xí)與聲發(fā)射技術(shù)結(jié)合起來可以很好地解決上述問題，但是用原始時(shí)域信號作為輸入樣本，一是存在噪聲干擾問題，二是存在模型過擬合問題，需要將輸入樣本進(jìn)行適當(dāng)?shù)奶幚硪蕴岣咝盘柕谋孀R度。

因此，本文提出了一種基于自適應(yīng)噪聲的完整集成經(jīng)驗(yàn)?zāi)B(tài)分解理論(Complete ensemble empirical mode decomposition with adaptive noise，CEEMDAN)、梅爾頻率倒譜系數(shù)(Mel-frequency cepstral coefficients，MFCC)以及CNN 的螺栓連接狀態(tài)診斷模型(CEEMDAN-MFCC-CNN)。首先通過CEEMDAN 分解來獲取聲發(fā)射信號的固有模態(tài)函數(shù)分量(Intrinsic mode function，IMF)，其次借助峭度(K)和互相關(guān)系數(shù)(R)選取最優(yōu)的IMF分量，然后自動提取所選IMF 分量的MFCC 系數(shù)，實(shí)現(xiàn)對輸入樣本的處理，最后將樣本數(shù)據(jù)輸入到卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。試驗(yàn)結(jié)果表明，采用本文所用方法可以很好辨別螺栓預(yù)緊狀態(tài)，且具有較好的抗噪性和魯棒性。

1 基本理論

1.1 最優(yōu)IMF分量組選取

對于需要選取的多個(gè)IMF 分量，選擇的分量不僅要盡可能包含原始信號的關(guān)鍵信息，也要包含較少的噪聲。在最優(yōu)IMF 分量組的選取上，本文采用CEEMDAN 對原始AE 信號分解[14]，并采用峭度(K)、互相關(guān)系數(shù)(R)兩者結(jié)合作為最優(yōu)分量組選取標(biāo)準(zhǔn)。峭度K是反映隨機(jī)變量分布特性的數(shù)值統(tǒng)計(jì)量，在信號中它反映的是信號中的沖擊成分，峭度值越大則信號中的沖擊成分越多，也就是包含著更多的故障特征。互相關(guān)系數(shù)代表了被分解信號的IMF 分量與其本身之間的相關(guān)程度，系數(shù)值越大則表示IMF 分量和被分解信號之間越相似。本文將峭度系數(shù)進(jìn)行歸一化處理后，設(shè)定擇優(yōu)系數(shù)η=K+R作為選取指標(biāo)，根據(jù)重構(gòu)信號的均方誤差(Mean square error，MSE)值作為評價(jià)的指標(biāo)，MSE值反映了噪聲能量大小，其值越小越好[15]。通過擇優(yōu)系數(shù)對IMF 分量進(jìn)行篩選，不僅可以得到含有故障信息較多的IMF 分量，還可以剔除干擾成分較多的虛假IMF 分量，選取過程如下所示：

(1)首先將標(biāo)準(zhǔn)正態(tài)分布的白噪聲λi(t)添加到原始信號s(t)中，第i次的信號可以表示為si(t)=s(t)+λi(t)，其中添加次數(shù)i=1，2，3，···，k，對si(t)進(jìn)行第一次經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical mode decomposition，EMD)分解得到IMFi1，那么添加k次所得到的IMF1和殘差δ1(t)為

(2)然后求IMF 二階分量IMF2，將求得的殘差δ1(t)添加白噪聲λi(t)，進(jìn)行EMD 分解得到二階分量IMF2和殘差δ2(t)，則

(3)重復(fù)以上過程，直到分解之后殘差滿足單調(diào)而且無法進(jìn)行分解計(jì)算結(jié)束，信號可以表示為

(4)取上述得到的IMF 分量，計(jì)算各個(gè)IMF 分量的峭度值K和互相關(guān)系數(shù)R，設(shè)置K和R的初始值為0.05，選取系數(shù)大于初始值的分量重構(gòu)成新信號，并計(jì)算新信號的MSE值。通過對K和R值的不斷更新以及信號的重構(gòu)，最終挑選出MSE值最小時(shí)的IMF分量組，該算法選取流程如圖1所示。

圖1 IMF 分量選取流程Fig.1 IMF component selection process

1.2 Mel頻率倒譜系數(shù)提取

人耳對不同頻率的語聲具有不同的感知能力，Mel 頻率正是為了描述這種感知特性而提出的，它與頻率呈非線性關(guān)系。Mel 倒譜系數(shù)(MFCC)是根據(jù)Mel頻率和系統(tǒng)固有頻率對應(yīng)關(guān)系，提取的一種倒譜系數(shù)，MFCC經(jīng)常應(yīng)用于語聲特征提取。所處理信號的物理頻率和Mel 頻率之間滿足以下關(guān)系[16]：

聲發(fā)射信號也可以采用此類方法來提取相應(yīng)的特征，得到最優(yōu)IMF 分量組后，采用以下步驟提取方法提取IMF 分量的MFCC 系數(shù)，提取流程如圖2所示。

圖2 MFCC 提取流程Fig.2 MFCC extraction process

(1)對信號進(jìn)行預(yù)處理(分幀、加窗、加重)，加窗時(shí)使用hamming窗。

(2)對預(yù)處理之后的分幀信號進(jìn)行離散傅里葉變換(Discrete Fourier transform，DFT)，預(yù)處理之后時(shí)域信號為s(n)，設(shè)定DFT 的點(diǎn)數(shù)為N，經(jīng)DFT變換之后得到頻域信號Sk：

(3)將Sk開平方，求得其能量譜，用J個(gè)Mel 濾波器進(jìn)行濾波處理，那么第j次濾波的傳遞函數(shù)為

計(jì)算每一個(gè)濾波器的對數(shù)能量，第J個(gè)濾波器數(shù)組的對數(shù)能量為

再經(jīng)離散余弦變換得到Mel倒譜系數(shù)：

J就是Mel 濾波器的數(shù)量，也就是MFCC 特征值的維數(shù)，在這里選擇J=13。

1.3 所用診斷模型

CNN 的參數(shù)具有局部連接、參數(shù)共享的特點(diǎn)，能有效避免梯度問題[17]。常用的卷積神經(jīng)網(wǎng)絡(luò)有3 種，分別為一維、二維和三維卷積神經(jīng)網(wǎng)絡(luò)，它們都由卷積層、激活層、池化層和全連接層構(gòu)成。一維卷積神經(jīng)網(wǎng)絡(luò)(1D-CNN)本質(zhì)上和二維卷積神經(jīng)網(wǎng)絡(luò)(2D-CNN)相同，1D-CNN只適用于一維序列，雖然1D-CNN只有1個(gè)維度，但是也具備CNN特征識別平移不變性的優(yōu)點(diǎn)[18]。在結(jié)構(gòu)上，1D-CNN 與2D-CNN相似，主要包括卷積層和池化層，也是通過全連接層輸出分類的結(jié)果，不同的地方體現(xiàn)在卷積層和池化層的計(jì)算結(jié)構(gòu)方面。本文采取1D-CNN 作為診斷模型，采用3 個(gè)卷積池化層的結(jié)構(gòu)，通過全連接層輸出分類的結(jié)果，本文所設(shè)計(jì)模型結(jié)構(gòu)如圖3所示。

圖3 計(jì)算原理圖Fig.3 Schematic diagram of calculation

2 試驗(yàn)與分析

2.1 試驗(yàn)數(shù)據(jù)采集

法蘭螺栓連接結(jié)構(gòu)的聲發(fā)射檢測試驗(yàn)在振動試驗(yàn)臺上進(jìn)行，試驗(yàn)現(xiàn)場如圖4所示。

圖4 試驗(yàn)現(xiàn)場Fig.4 Test site

試驗(yàn)所用模擬法蘭盤由上下兩部分組成，試件下部通過螺栓緊固在振動臺上，保證振動環(huán)境下和振動臺絕對靜止。試件上下部通過直徑8 mm的兩個(gè)螺栓連接，所有接觸面放置橡膠墊，防止接觸面產(chǎn)生干擾AE 信號，在試件頂端對稱放置兩個(gè)聲發(fā)射傳感器。傳感器為SR150M 系列諧振式傳感器，頻率范圍為60～400 kHz。設(shè)置采樣頻率為1000 kHz，采樣點(diǎn)數(shù)為2048，波形和參數(shù)門限為38 dB。通過扭力扳手控制螺栓預(yù)緊力的大小，分別設(shè)置力矩為20 N·m、10 N·m、5 N·m、0 N·m，對應(yīng)螺栓連接的4種狀態(tài)，如圖5所示。

圖5 模擬法蘭盤試件Fig.5 Simulated flange test piece

通過試驗(yàn)發(fā)現(xiàn)，當(dāng)機(jī)構(gòu)較長時(shí)間處于振動環(huán)境下，螺栓的預(yù)緊力會慢慢減小，振動頻率越快，預(yù)緊力減小的速度越快，為了消除影響，本文在數(shù)據(jù)采集和診斷模型方面進(jìn)行了優(yōu)化處理。首先本文每種信號采樣時(shí)間為10 s，采樣結(jié)束后重新預(yù)緊螺栓進(jìn)行采集，避免了數(shù)據(jù)采集時(shí)預(yù)緊力的變化。其次是在診斷模型中引入了正則化處理方式，在診斷模型的全連接層進(jìn)行了Dropout 處理，隨機(jī)丟棄了一些參數(shù)來提高模型的魯棒性和泛化性能，減少了外界環(huán)境的改變對試驗(yàn)結(jié)果的影響。本文所用振動臺的振動頻率為50 Hz，加速度為10 m/s2。將法蘭螺栓連接機(jī)構(gòu)固定在振動臺上，保持加速度和振動頻率不變，通過扭矩扳手分別設(shè)置螺栓預(yù)緊力為L1(20 N·m)、L2(10 N·m)、L3(5 N·m)和L4(0 N·m)，對應(yīng)螺栓的過緊、正常、過松、失效狀態(tài)。采集到的部分聲發(fā)射時(shí)域信號如圖6所示。

圖6 不同扭矩下AE 信號Fig.6 AE signal at different torques

2.2 試驗(yàn)數(shù)據(jù)分析

單純依靠AE 時(shí)域信號難以判斷信號中所包含的關(guān)鍵信息，也就無法對螺栓的4 種連接狀態(tài)進(jìn)行判別。為了實(shí)現(xiàn)準(zhǔn)確判別，在數(shù)據(jù)處理時(shí)采用本文提出的最優(yōu)IMF 分量選取方法，然后對各信號最優(yōu)IMF 分量進(jìn)行MFCC 系數(shù)提取，并借助核主成分分析(Kernel principal component analysis，KPCA)方法，選取了貢獻(xiàn)率較大的36 個(gè)系數(shù)作為各信號的特征值，部分樣本的特征值如圖7所示。

圖7 MFCC 特征值圖Fig.7 MFCC characteristic value

當(dāng)螺栓預(yù)緊力變小時(shí)，由于沒有預(yù)緊力的作用，導(dǎo)致螺栓與螺母之間的運(yùn)動變得更加自由，會產(chǎn)生更多摩擦，導(dǎo)致AE 信號增多，而當(dāng)預(yù)緊力為0時(shí)，螺栓連接結(jié)構(gòu)失效，這時(shí)產(chǎn)生的AE 信號是最多的。分析圖7可以看出，當(dāng)螺栓處于過松(5 N·m)和正常連接狀態(tài)(10 N·m)時(shí)，MFCC系數(shù)最大值分布在100 左右，正常連接狀態(tài)時(shí)的特征曲線較為平坦，過松時(shí)變得陡峭。當(dāng)預(yù)緊力繼續(xù)變小而失效時(shí)(0 N·m)，MFCC 系數(shù)增大到200 左右，特征曲線更加陡峭。而當(dāng)螺栓處于過緊(20 N·m)狀態(tài)時(shí)，特征曲線的后半部分較為陡峭。無論是過緊、過松以及失效，都和正常信號有著較大區(qū)別，采用MFCC 系數(shù)很好地評價(jià)了螺栓的連接狀態(tài)。得到上述數(shù)據(jù)樣本后，將數(shù)據(jù)樣本輸入到診斷模型進(jìn)行訓(xùn)練，數(shù)據(jù)樣本劃分如表1所示。

表1 數(shù)據(jù)集樣本Table 1 Sample data set

2.3 試驗(yàn)結(jié)果分析

診斷模型運(yùn)行的軟件環(huán)境為PyCharm，硬件環(huán)境為Intel Core i5-8400 處理器和GTX 1060 顯卡，取20 次訓(xùn)練的平均值作為最終結(jié)果。經(jīng)過訓(xùn)練，訓(xùn)練集和驗(yàn)證集的準(zhǔn)確率均在97%左右，沒有出現(xiàn)過擬合的現(xiàn)象，損失值和準(zhǔn)確率結(jié)果如圖8所示，測試集分類結(jié)果如圖9所示。

圖8 訓(xùn)練的損失值和準(zhǔn)確率Fig.8 Training loss and accuracy

圖9 測試集分類結(jié)果Fig.9 Test set classification results

通過圖9看出，誤判的部分主要出現(xiàn)在L3(過松)和L4(失效)樣本上，結(jié)合圖7的MFCC 特征值圖分析來看，大概率是由于L3和L4部分樣本的特征結(jié)構(gòu)相似，造成了一定概率的誤判，對于L1(過緊)和L2(正常)樣本，則實(shí)現(xiàn)了準(zhǔn)確的判別。為了驗(yàn)證該方法的有效性，選取了不同的數(shù)據(jù)樣本和訓(xùn)練模型等作為對比，試驗(yàn)結(jié)果如表2所示。

表2 對比結(jié)果Table 2 Compare results

通過對比分析，本文所用診斷模型很好地實(shí)現(xiàn)了對螺栓AE 信號的識別，準(zhǔn)確率最高，達(dá)到了97%左右，優(yōu)于其他診斷模型。為了進(jìn)一步的驗(yàn)證診斷模型的泛化性能，本文通過改變螺栓預(yù)緊力和振動臺頻率、加速度的大小，獲得新的AE 信號，然后對新的AE 信號進(jìn)行識別，來探究振動臺的頻率和加速度改變是否會對試驗(yàn)結(jié)果造成影響。驗(yàn)證試驗(yàn)取10次測試的平均值作為最終結(jié)果，結(jié)果如表3所示。

表3 驗(yàn)證信號識別結(jié)果Table 3 Verify signal recognition results

改變振動臺的頻率和加速度之后，診斷模型依舊有著很高的準(zhǔn)確率，說明在訓(xùn)練過程中，本文所用診斷模型消除了振動頻率和振動加速度改變所帶來的影響，很好地評價(jià)了螺栓連接狀態(tài)，具有較高的泛化性能和魯棒性。

2.4 抗噪性能分析

AE 信號容易受機(jī)電噪聲干擾，所以診斷模型應(yīng)具備抵抗噪聲的能力，本文所用診斷模型不是對原始AE 信號進(jìn)行識別，而是應(yīng)用CEEMDAN分解將原始AE 信號分解為多個(gè)IMF 分量，并通過設(shè)計(jì)的尋優(yōu)算法自動選擇需要處理的IMF 分量，用所選分量的MFCC系數(shù)作為樣本輸入，這在一定程度上增加了輸入數(shù)據(jù)的隨機(jī)性和降低了噪聲的干擾。為了驗(yàn)證診斷模型的抗噪效果，進(jìn)行了抗噪試驗(yàn)，通過在原有的AE 信號上加入高斯白噪聲，獲得了不同信噪比(Signal-to-noise ratio，SNR)的噪聲信號，然后將經(jīng)過不同處理的噪聲信號作為輸入樣本，探究不同的處理方式對于試驗(yàn)結(jié)果的影響，結(jié)果如表4所示。

表4 含噪信號識別結(jié)果Table 4 Noisy signal recognition result

在加入噪聲之后，采用本文所用方法可以很好地消除噪聲的干擾，在識別準(zhǔn)確率方面優(yōu)于其他方法，說明本文所用方法可以提取到更為有效的故障信息，具有良好的抗噪性能。

3 結(jié)論

本文利用深度學(xué)習(xí)理論實(shí)現(xiàn)了法蘭螺栓在4 種連接狀態(tài)下的聲發(fā)射信號的識別，構(gòu)建的CEEMDAN-MFCC-CNN 診斷模型實(shí)現(xiàn)了聲發(fā)射信號的自適應(yīng)消噪和特征自提取，具有較高的診斷精度，有效地解決了抗噪性、魯棒性差的問題。通過與傳統(tǒng)的方法進(jìn)行對比，說明了基于深度學(xué)習(xí)理論的信號識別方法的優(yōu)越性。