張 洪，劉彬彬，李云飛

(1.江南大學 機械工程學院，江蘇 無錫 214122；2.江蘇省食品先進制造裝備技術重點實驗室，江蘇 無錫 214122；3.江蘇省特種設備安全監(jiān)督檢驗研究院，江蘇 無錫 214174)

螺栓法蘭連接是石化設備中至關重要的連接部件，螺栓可靠的預緊對連接結構的穩(wěn)定性和密封性非常重要[1]。正常預緊的螺栓受到振動、沖擊和溫度變化影響時[2]，螺栓預緊力會改變，預緊力不足(松動狀態(tài))會導致螺栓連接結構的松動，預緊力過大(過緊狀態(tài))會導致連接面被破壞。螺栓連接結構出現松動、松脫和疲勞斷裂等情況，將引發(fā)重大安全事故，對法蘭螺栓的連接狀態(tài)進行檢測和評價非常必要。

扭力扳手法、應變片法和力傳感器法都可以對螺栓預緊力進行測量，但是診斷準確率較低。壓電主動傳感技術可對螺栓的連接系統(tǒng)結構進行分析[3]，其通過專業(yè)的信號發(fā)生器激勵螺栓連接系統(tǒng)，根據激勵所得結果對螺栓連接狀態(tài)進行評價。艾延廷等[4]通過阻尼檢測技術很好地借助系統(tǒng)阻尼參數實現了螺栓預緊力的檢測，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建較困難。

對于機械結構的健康評估，較理想的檢測方法應該具備較簡單的流程和較強的可操作性，例如常見的基于信號分析的聲學診斷和振動診斷。聲學診斷方法在螺栓連接狀態(tài)檢測上應用較多，并以超聲居多[5]，杜飛等[6]借助超聲測量方法并對導波信號的均方根偏差進行分析實現了螺栓松動檢測，潘勤學等[7]借助螺栓形狀因子概念，將影響檢測系數的螺栓材料和螺栓形狀獨立開來，提高了超聲檢測螺栓預緊力的精度。超聲信號易受外界影響，孫朝明等[8]具體研究了超聲方法在測量螺栓預緊力的準確度問題，得出溫度波動、探頭位置、耦合層和摩擦都會對超聲測量結果產生影響，若沒有合理有效的測量工藝控制措施，將導致不可信的測量結果。

Kong等[9]指出，在用聲學診斷方法診斷螺栓連接狀態(tài)時，采樣頻率范圍越廣，越容易獲取到反映螺栓預緊狀態(tài)的特征信號。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，因此在螺栓的檢測方面具有較大優(yōu)勢[10]。相比于超聲檢測，聲發(fā)射技術對于測量工藝要求較少，只需進行聲發(fā)射信號的分析和處理就可實現測量。文獻[11-12]借助聲發(fā)射技術，通過能量和振鈴計數等聲發(fā)射參數，較準確地辨識了處在振動環(huán)境中的螺栓連接結構的連接狀態(tài)。傳統(tǒng)的聲發(fā)射信號處理手段,手工進行特征提取較為復雜,而且特征是人為進行選擇，不一定是區(qū)分信號的最優(yōu)特征。深度學習方法可以從原始數據中自適應地提取特征,特征是計算機通過訓練和學習得到的，因此在信號識別方面更有優(yōu)勢。

綜上研究，本文提出采用振動裝置對螺栓進行動態(tài)激勵，采集螺栓的聲發(fā)射信號。通過分段聚合近似和格拉姆角場理論將聲發(fā)射信號編碼為二維圖像。將通道域注意力機制融合到殘差神經網絡結構的Basic Block中，搭建注意力網絡框架，并以此框架作為底層結構設計分類模型(AMResNet18)，重點關注圖像的細節(jié)特征，使模型具備更好的特征提取能力，并準確區(qū)分聲發(fā)射信號的時序差異性，達到精準的螺栓連接狀態(tài)識別。試驗結果表明，二維化后的聲發(fā)射信號更容易被識別和分類，融合了注意力機制的殘差神經網絡模型可以更好地實現法蘭螺栓聲發(fā)射信號的識別，優(yōu)于傳統(tǒng)方法，具有較高的識別精度。

1 聲發(fā)射信號二維化

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

對于一個有C維度的時間序列Q={Q1,Q2,…,QC}，其中每個維度都包含n個采樣點Qi={qi1,qi2,…,qin}，首先對每個維度的數據進行歸一化操作

(1)

之后將數據中的所有值整合到[-1,1]內，整合之后就用三角函數cos值代替歸一化后的數值，用極坐標來代替笛卡坐標系，從而保留序列的絕對時間關系，其中角余弦值φ編碼如式(2)所示

(2)

半徑值編碼根據時間戳進行編碼，如式(3)所示

(3)

(4)

AGSF=

(5)

聲發(fā)射信號編碼成GASF圖像的流程如圖1所示。圖1(b)是具有500個采樣點的聲發(fā)射信號，圖1(a)是經過坐標系轉換之后得到的極坐標系圖，最終編碼得到的聲發(fā)射信號GASF圖像如圖1(c)所示，通過熱力圖表示。

(a)極坐標系

2 基于注意力機制的分類模型

殘差神經網絡(ResNet)[14]中的Basic Block和Bottleneck Block結構如圖2所示。該結構在平鋪的卷積神經網絡(convolutional neural networks，CNN)上引入了shortcut分支結構，使殘差單元以跳層連接的形式實現，解決了反向傳播過程中梯度無法更新的問題，有效地解決了CNN模型在設計時的層數限制，采用ResNet搭建的模型有更加優(yōu)越的性能。

圖2 殘差網絡結構

模型的訓練效果與網絡深度和樣本數據都有關系，為解決輸入樣本中的干擾信息過多而造成的特征提取困難問題,文獻[15]提出了注意力機制(attention mechanism,AM)思想。AM根據任務需求將模型的注意力集中到圖像的特定部分，重點關注樣本數據中的細節(jié)特征。采用AM機制的模型可以通過訓練自動調整需要重點關注的圖像區(qū)域，提取更有效的細節(jié)特征。

2.1 通道域注意力機制

AM的作用在于去除冗雜的信息，選擇對模型訓練影響最大的關鍵信息。常見的AM有空間域、通道域和混合域[16]。結合本文所用數據特點，本文在構建模型時運用了通道域注意力，通道域注意力對不同的通道關注程度不同，可實現通道的最優(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為輸入通道數量，然后經過第一個Ftr卷積操作之后得到大小為c2的通道。之后對所有通道進行全局平均池化得到大小為1×1×c2的一維實數數列，得到實數數列之后乘上一個權重W進行全連接操作，得到1×1×c2大小的全連接層。最后全連接層經過激活函數Sigmoid處理之后再與原來的通道進行加權。因為每個通道所包含的特征不同，所以經過處理之后模型就可以對每個通道進行篩選，重點關注有助于提高分類效果的通道，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模型

本文所用數據為聲發(fā)射信號編碼得到的GASF圖像，為了使模型在保留全部輸入特征信息的同時又具備細節(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，設計的框架如圖4所示。融合框架能很好地對聲發(fā)射信號編碼得到的GASF圖像進行分類識別，提取聲發(fā)射信號中的細節(jié)特征信息，提高對螺栓聲發(fā)射信號的識別能力。AMResNet框架采用分組卷積模式，在每一個分組卷積塊中加入了DropBlock2D模塊，該模塊可以實現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

本文所用網絡模型(AMResNet18)由本文所設計的融合框架搭建而成，AMResNet18包含1個卷積預處理層，卷積核大小為7×7，15個AMResNet層、1個全連接層和1個輸出層，總共為18層，AMResNet18模型結構如圖5所示。

圖5 本文所用模型

3 試驗結果分析

3.1 試驗設置

對于法蘭螺栓連接結構，從微觀角度來看，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。連接結構的動態(tài)特性會受到真實接觸面S和接觸剛度K的影響[17]，這些參數都與螺栓的預緊力有直接關系。借助于波能衰減理論，聲發(fā)射傳感器可以通過收集螺栓連接結構中的彈性波以此來測量和評價螺栓連接狀態(tài)。彈性波在螺栓連接結構中的傳播過程，如圖6所示。當有彈性波事件發(fā)生時，所產生的彈性波會通過接觸面在螺栓結構中進行傳播，一些攜帶能量的波會通過實際接觸面泄露出去，剩下的波則會繼續(xù)在結構中進行傳播。能量衰減理論假定波能量的泄漏與真實接觸面積成正比Ωleak∝S。根據赫茲彈性接觸理論，接觸面真實接觸面積和接觸壓力有以下關系S∝P2/3，因此彈性波的衰減能量的大小和接觸壓力(螺栓預緊力)有直接關系[18]，借助高靈敏度的聲發(fā)射傳感器來采集彈性波可以很好地檢測螺栓的連接狀態(tài)。

圖6 彈性波能量衰減圖

本次試驗所用對象為實際使用中的法蘭螺栓連接結構，如圖7所示。圖7中扭矩扳手可以改變螺栓預緊力大小，振動裝置可以對螺栓連接結構進行動態(tài)激勵，產生彈性波。試驗所用的傳感器型號為SR150M諧振式傳感器，該傳感器的頻率范圍為60～400 kHz，3個傳感器等距環(huán)向布置。傳感器采集到的信號經PAI前置放大器放大處理之后，被SAEU2S型聲發(fā)射主機接收，然后將數據傳輸給計算機。

圖7 試驗采集現場

本次試驗所設置信號采樣頻率為2 500 kHz，采樣點數為4 096，PDT(峰值定義時間)、HDT(撞擊定義時間)和HLT(撞擊鎖閉時間)分別設定為300 μs、600 μs和1 000 μs。經現場空采和斷鉛試驗后，設定采集時的波形和參數門限為38 dB，以減少外界環(huán)境干擾。試驗參照圖6中的聲發(fā)射信號獲取方式，將振動裝置緊貼在待檢測螺栓側邊，激勵螺栓并得到聲發(fā)射信號。此種方法類似于使用敲擊錘敲擊螺栓獲取螺栓的聲音信號，不同的是本試驗用振動裝置代替了敲擊錘，而獲取得到的信號為頻率范圍更廣的聲發(fā)射信號。

試驗所用的螺栓強度等級為5.6級，尺寸為M8，根據GB 1231—2006《螺栓扭矩標準》，其標準扭矩約為10 N·m。試驗采集了螺栓在正常預緊(10 N·m)、松動(5 N·m)、過預緊(15 N·m)3種狀態(tài)下的聲發(fā)射信號。在試驗中，為了保證采樣時螺栓預緊力的一致:①在每次信號采集前將螺栓完全擰松，然后再使用帶數值的扭矩扳手擰緊螺栓；②采用較短的信號采樣時間，試驗中的每次采樣時間均為15 s，防止長時間的振動造成螺栓的預緊力改變。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。

試驗采集的是單個螺栓的聲發(fā)射信號，振動裝置可以產生穩(wěn)定的動態(tài)激勵，試驗中的干擾源主要是其他正常預緊的螺栓所產生的彈性波。彈性波在介質中傳播時，會發(fā)生衰減，傳播距離越遠，衰減越嚴重。本試驗布置了3個聲發(fā)射探頭，在進行信號分析時采用的是離待檢測螺栓最近的探頭采集到的信號，因此在一定程度上消除了所處環(huán)境的影響。除此之外，本文采用注意力網絡來進行信號識別，目的就是為了關注信號中的有效特征，減小所處環(huán)境的干擾。試驗所采集到的聲發(fā)射信號如圖8所示。

(a)松動狀態(tài)AE信號

采集結束后共得到螺栓在3種預緊狀態(tài)下的各150 s的聲發(fā)射信號。之后根據需要將采集到的聲發(fā)射信號分為了兩部分：①一部分(130 s)作為訓練數據，用于訓練模型；②一部分(20 s)作為測試數據，用于驗證模型。

3.2 模型設置

螺栓連接部位的聲信號復雜，模型在設計時需要解決的問題就是從復雜的信號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)識別的精度。為評估本文所用模型(AMResNet18)的優(yōu)越性，本文選取了傳統(tǒng)機器學習常用的SVM(support vector machines)和BP(back propagation)神經網絡分類器，以及深度學習中主流的CNN模型作為對比。參與對比的試驗算法有SVM+fea、BP+fea、1DCNN+ori、LeNet5+GASF、VGG16+GASF、ResNet50+GASF。

SVM本質上是一種二分類器，目的是從輸入特征中學習出一個0/1的分類模型，BP神經網絡是一種采用反向傳播算法訓練的多層反饋網絡，訓練后會得到輸入-輸出模式映射關系。SVM需要具有較少特征的樣本進行訓練，而BP神經網絡權值太多，也需要使用較少特征的樣本訓練以減小計算量。SVM所需的存儲空間小，但是調參困難，較難解決多分類問題。1D-CNN是由一維卷積搭建的卷積神經網絡，1D-CNN可實現信號的端到端識別，省去信號處理步驟，缺點是其特征提取能力欠缺，模型層數受限，對于復雜的信號難以實現識別。

LeNet5、VGG16、ResNet50和AMResNet18都是基于二維卷積神經網絡搭建的，結構和層數都不同，特征提取能力優(yōu)于采用一維卷積神經網絡搭建的模型，但需要輸入為二維圖像。

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

以上各個模型的學習率均設為0.000 1，迭代輪次為200。深度學習模型的損失(loss)函數均選擇交叉熵(Cross Entropy)函數，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，訓練樣本在進行訓練前均被整合為大小為224×224的圖像，加載訓練樣本時不進行圖像翻轉和其他預處理方法。試驗中各模型運行的環(huán)境為個人計算機，所用處理器為I5-8400，GPU為GTX1060，運行平臺為Pytorch1.6.0。采用本文方法實現法蘭螺栓連接狀態(tài)識別的完整流程，如圖9所示。

圖9 AMResNet18識別流程

3.3 聲發(fā)射信號預處理

對于采樣點為n的一維聲發(fā)射信號，直接用GASF編碼方法對信號進行編碼時，直接編碼得到的GASF圖像大小為n×n。試驗采集得到的每個聲發(fā)射信號都有4 096個采樣點，直接采用原始信號進行編碼將會得到4 096×4 096大小的圖像。為了控制GASF圖像的大小，節(jié)省訓練時間和計算機內存，本文在對聲發(fā)射信號編碼前，使用了分段聚合近似(piecewise aggregate approximation,PAA)平滑時間序列。該方法可以通過較少的采樣點來表示和原始信號相同的時序變化趨勢，經過PAA平滑之后的信號和原始信號具有一樣的時序差異性。

具有4 096個采樣點的原始聲發(fā)射信號經PAA平滑處理之后得到的具有256個采樣點的聲發(fā)射信號，如圖10所示。信號進行平滑處理之后，再進行GASF編碼，就可以得到256×256大小的GASF圖像。

(a)原始AE信號

按照此種方法對試驗采集的聲發(fā)射信號進行編碼，最終得到3 000(每種狀態(tài)各為1 000)個訓練樣本，252(每種狀態(tài)各為84)個測試樣本，訓練樣本用于模型訓練，測試樣本用于模型分類能力測試,樣本數據集劃分如表1所示。

表1 樣本數據集劃分

3.4 分類效果對比

在參與對比的模型里，SVM分類器的輸入為聲發(fā)射信號的時頻域特征，較少樣本即可完成模型的訓練，因此不進行200次的迭代，其余每種算法都進行了200輪次的迭代，經過迭代之后各個模型的識別結果如表2所示。

表2 螺栓連接各狀態(tài)準確率

從表2可知，對于法蘭螺栓的3種連接狀態(tài)來說，過緊狀態(tài)是最難識別的，在各個分類器中識別精度都處于比較低的水平。從平均準確率來看，傳統(tǒng)的SVM和BP神經網絡分類器識別精度較低，采用原始信號作為輸入，其平均準確率約為77%。而將一維信號編碼為GASF圖像后，準確率得到了明顯的提升，各個模型的識別率都在84%以上，比原始信號作為輸入高了7%。由此可見將聲發(fā)射信號編碼為二維圖像，可以很好地提高分類模型對信號的識別能力。其中本文所用的模型平均準確率最高，每種狀態(tài)的準確率都比深層網絡ResNet50模型高3%左右。本文模型雖然參數量小于ResNet50，但是在分類效果上卻提升了約3%，很好地提取和保留了輸入數據的細節(jié)特征信息，更適用于聲發(fā)射信號編碼得到的二維圖像的識別。

本節(jié)還對比分析了各分類模型的訓練性能，各模型在訓練200次之后得到的測試準確率和損失函數收斂曲線，如圖11所示。從圖11可知，BP神經網絡分類器的最終損失函數值最大，最終分類準確率也最低。采用1DCNN+原始信號的訓練方式，訓練損失值較大，其最終準確率也比較低。LeNet5和VGG16模型初始損失值和準確率相近，LetNet5經過30輪次迭代之后逐漸收斂，VGG16則是經過在60輪次迭代之后趨于穩(wěn)定，VGG16的最終準確率高于LeNet5。ResNet50和AMResNet18的初始準確率最高，損失值收斂最快，訓練損失值小于其他模型，最終分類準確率也高于其他模型，但是ResNet50的準確率波動較大，呈現出不穩(wěn)定的狀態(tài)，而AMResNet18的測試準確率更加穩(wěn)定，曲線也更平滑，因此性能也更好。

(a)測試準確率

為更加直觀的評價所有模型的分類穩(wěn)定性，繪制了各個分類模型的預測準確率箱型圖。其中箱體越小代表測試準確率波動越小，越大就代表測試準確率波動較大。經過200次迭代之后，所有模型的測試準確率箱型圖，如圖12所示。從圖12可知，本文所設計模型的箱體最小，性能最好，其最終預測準確率也最高，LeNet5模型的性能最差。

圖12 測試準確率穩(wěn)定性對比

為了比較所選用方法的時效性，統(tǒng)計了各個分類模型完成訓練所需要的時間，各分類器的訓練時間如圖13所示。從圖13可知，SVM和BP神經網絡，因為結構簡單，輸入數據為處理好的特征，所以訓練需要的時間最短。VGG16所需要的訓練時間最長，這是因為VGG16卷積層的通道數過大，導致VGG16模型在內存和時間上的計算要求很高，VGG16模型的分類準確率不是最高。AMResNet18雖然訓練時間略長于ResNet50模型，但是AMResNet18在分類效果上有著更出色的表現，無論是穩(wěn)定性還是最終識別精度上，本文所用模型均優(yōu)于ResNet50。

圖13 各模型訓練時間

3.5 驗證信號分析

通過以上試驗可知，加入注意力機制的模型可以很好地對螺栓的連接狀態(tài)進行識別。為了探究所用模型的泛化性能如何，進行了驗證信號的識別分析。進行驗證分析時，首先是檢測對象改變，檢測對象改為該法蘭連接結構的另外兩個螺栓，第二是預緊力大小有所改變，增加了多種預緊狀態(tài)。采集聲發(fā)射信號并將聲發(fā)射信號編碼為GASF圖像之后，將新的圖像輸入到之前訓練好的模型中進行識別，經本模型識別之后的結果如表3所示。

由表3可知，在檢測對象改變后，無論是螺栓A和螺栓B，本文模型依然可以對所檢測螺栓的連接狀態(tài)實現比較準確的識別，其中正常預緊和松動狀態(tài)識別準確率最高，過緊狀態(tài)識別準確率相對較低。根據表3中的識別準確率，可以說明本文模型也可以實現對新的聲發(fā)射信號的識別，具有比較好的泛化性能和魯棒性。

表3 驗證信號識別結果

4 結 論

本文采用動態(tài)激勵獲得了螺栓各連接狀態(tài)的聲發(fā)射信號，根據聲發(fā)射信號的時序特質，提出了基于注意力網絡的法蘭螺栓聲發(fā)射信號識別方法，用于實現法蘭螺栓連接狀態(tài)的識別。試驗采集了法蘭螺栓在三種連接狀態(tài)下的聲發(fā)射信號，并采用多種模型對聲發(fā)射信號進行識別，試驗結果表明：

(1)在有外部動態(tài)激勵時，可以借助聲發(fā)射技術用于螺栓松動的檢測，螺栓正常預緊狀態(tài)最容易識別，過緊狀態(tài)相對較難識別。

(2)經過分段聚合近似處理過后的信號和原始信號一樣具有明顯時序差異性，通過GAF原理將聲發(fā)射信號編碼為GASF圖像，可以顯著提高分類模型對信號的識別能力。

(3)融合了注意力機制的CNN模型，可對聲發(fā)射信號編碼得到的二維圖像進行更好地識別和分類，訓練得到的模型可以有效提取和保存輸入數據的特征，提高信號的識別精度，具有良好的泛化性能。