一种基于阻抗-扭矩拟合算法的钢结构法兰螺栓健康检测识别方法
文献发布时间:2024-05-31 01:29:11
技术领域
本发明涉及阻抗测量技术领域,具体是一种基于阻抗-扭矩拟合算法的钢结构法兰螺栓健康检测识别方法。
背景技术
阻抗测量技术:阻抗是指电学、力学或其他系统对外部激励信号的响应,通过测量法兰螺栓的阻抗特性,可以获取有关其结构健康状况的信息,这种方法基于对法兰螺栓结构动态响应的分析,在不破坏结构完整性的前提下,以非侵入式方式进行健康状态评估,但是,现有的基于阻抗-扭矩拟合算法的钢结构法兰螺栓健康检测识别方法存在检测精准度和灵敏度有限的问题,导致错误的识别结果,即误报,意味着算法可能将正常的螺栓检测为有损伤或劣化,从而引发不必要的维修或更换,同时无法准确检测到实际存在的螺栓健康问题,易导致未及时采取维修措施,如果螺栓存在严重损伤或劣化,可能会给结构的安全性带来潜在风险。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述或现有技术中存在检测精准度和灵敏度有限的问题,导致错误的识别结果,即误报,意味着算法可能将正常的螺栓检测为有损伤或劣化,从而引发不必要的维修或更换,同时无法准确检测到实际存在的螺栓健康问题,易导致未及时采取维修措施,如果螺栓存在严重损伤或劣化,可能会给结构的安全性带来潜在风险。
为实现上述目的,本发明提供如下技术方案:
一种基于阻抗-扭矩拟合算法的钢结构法兰螺栓健康检测识别方法,其操作步骤如下:
S1、数据采集:使用传感器采集钢结构法兰螺栓的阻抗和扭矩数据,并确保数据质量良好;
S2、数据预处理:对采集到的数据进行预处理,如去噪、滤波和数据校正,消除环境干扰和提高数据质量,以减少误差;
S3、多参数综合分析:将阻抗和扭矩数据与其他相关参数(振动、温度)进行联合分析,通过综合分析不同参数的特征,建立更全面的螺栓健康模型;
S4、模型优化和算法应用:通过优化现有的算法模型或引入新的算法技术,提高识别方法的精准度和灵敏度;
S5、标定和建模:根据真实螺栓损伤和劣化情况,进行数据标定和建模,将采集到的数据用于训练模型,以得出更准确的检测结果;
S6、实时监测与识别:利用优化后的算法,处理实时采集的阻抗和扭矩数据,进行螺栓健康状态的实时监测与识别,将当前数据与已经训练好的模型进行匹配,得出螺栓的健康评估结果;
S7、阈值设定与决策:根据实际需求,设定适当的阈值或决策规则来判断螺栓的健康状态,并据此做出相应的维修或更换决策。
作为本发明再进一步的方案:所述在步骤S1中,采用的传感器为HBM T12力扭转传感器。
作为本发明再进一步的方案:所述在步骤S2中,数据预处理阶段,具体的处理过程如下:
数据去噪:
基于传感器特性和噪声来源,使用滤波技术来去除高频或低频噪声;
可以使用数字滤波器,有限冲激响应(F IR)滤波器;
调整滤波器参数,以平衡信号去噪和保留所需信号特征之间的权衡;
数据滤波:
根据数据特点选择适当的滤波方法(带通滤波),以滤除不需要的频率成分;
对于强噪声环境,采用自适应滤波技术(卡尔曼滤波器);
数据校正:
对传感器可能存在的非线性、漂移或其他误差进行校正;
根据传感器的技术文档和厂商提供的校准方法,进行数据校准和修正;
环境干扰消除:
分析可能对数据产生环境干扰的因素,包括温度变化、振动和电磁干扰;
在数据采集过程中对这些环境因素进行监测和记录,并在数据处理中进行相应的补偿或滤除。
作为本发明再进一步的方案:所述在步骤S4中,引入随机森林和卷积神经网络进行结合使用,第一部分是基于随机森林的特征选择和预测,用于处理传感器数据和其他非图像参数的特征,可以保留传统机器学习的优点,如解释性和计算效率,并提供较高的精确度,第二部分是基于卷积神经网络的图像数据处理,专门针对螺栓图像进行特征学习和分类,这可以通过深度学习的特点提高对螺栓健康状态的敏感度和鲁棒性。
作为本发明再进一步的方案:所述引入随机森林和卷积神经网络的具体实施方法如下:
引入随机森林的实施方法:
数据准备:收集螺栓相关的传感器数据和其他非图像参数的特征数据,并进行数据清洗和处理;
特征选择:使用随机森林算法对特征进行选择,可以通过评估特征的重要性来确定最优的特征子集;
构建随机森林分类器:使用选择的特征数据基于随机森林算法构建分类器模型,需要设置随机森林中的树木数量和其他参数,以及考虑针对不平衡类别的调整策略;
模型训练与评估:将数据集划分为训练集和测试集,对随机森林模型进行训练和验证,使用常见的评估指标,如准确率、精确度、召回率和F1得分,评估模型的性能;
引入卷积神经网络的实施方法:
数据准备:采集螺栓图像数据,并进行预处理,如灰度化、尺寸调整和归一化等操作,以符合卷积神经网络的输入要求;
构建卷积神经网络模型:设计卷积神经网络的结构,包括卷积层、池化层和全连接层等,可以根据螺栓图像的复杂程度和规模进行调整;
模型训练与优化:使用螺栓图像数据集对卷积神经网络模型进行训练,并通过优化算法,随机梯度下降,调整模型的权重和偏置,以提高模型在螺栓图像分类任务中的性能;
模型测试与预测:使用训练好的卷积神经网络模型,对新的螺栓图像进行分类和预测,输出其健康状态的标签;
合并实施方法:
随机森林和卷积神经网络可以串行或并行进行数据处理;
串行:首先使用随机森林算法对非图像参数的特征进行处理和预测,然后将预测结果作为输入,再使用卷积神经网络对螺栓图像进行分类和预测;
并行:将传感器数据和图像数据分别输入到随机森林和卷积神经网络中,分别得到各自的预测结果,然后通过加权融合或投票机制将两个模型的结果进行综合,得到最终的螺栓健康状态识别结果。
作为本发明再进一步的方案:所述在合并实施阶段所涉及的具体算法公式如下:
随机森林部分:同上述串行实施方法中的描述;
卷积神经网络部分:
输入特征图:I(m,n);
卷积核权重:K(i-m,j-n);
输出特征图:S(i,);
公式:
作为本发明再进一步的方案:所述在步骤S7中:
设定阈值或决策规则:根据实际需求和容许偏差,设置阈值来判断螺栓的健康状态;
阻抗数据:
数据特征:阻抗值;
范围:100-200欧姆;
单位:欧姆(Ω);
扭矩数据:
数据特征:扭矩值;
范围:10-50牛米;
单位:牛米(N·m);
频谱特征数据:
数据特征:频率峰值值;
范围:100-500Hz;
单位:赫兹(Hz)。
健康状态判断:根据实时监测得到的结果,与设定的阈值或决策规则进行比较判断螺栓的健康状态,可以分为正常/健康、异常/潜在故障和故障等状态。
维修或更换决策:根据螺栓的健康状态,结合预先设置的维修策略或更换准则,决定是否需要进行维修、保养或更换螺栓。
与现有技术相比,本发明的有益效果是:
1、本发明通过引入随机森林和卷积神经网络,其具有较高的准确性和鲁棒性,能够有效地从螺栓的阻抗、扭矩或图像数据中提取特征,并做出精确的分类和预测,通过结合随机森林和卷积神经网络,可以同时利用非图像参数和图像参数来进行螺栓健康状态的监测和识别,非图像参数可以包括阻抗和扭矩等物理量,而图像参数可以是螺栓的视觉特征,通过融合多种信息,可以更全面地分析螺栓的状态,同时随机森林和卷积神经网络都具备较高的计算效率,在实时或在线监测场景下能够快速地进行数据处理和预测,有助于实时捕捉螺栓健康状态的变化,并及时做出相应的决策和反馈。
2、本发明通过采用HBM T12力扭转传感器,其具有高精度和稳定性,能够准确测量螺栓的力和扭矩信息,可以提供可靠的输入数据,用于后续的分析和识别,同时HBM T12传感器能够实时采集力和扭矩数据,并通过连接到数据采集系统或设备网络,实现对螺栓健康状态的实时监测,有助于及时捕捉螺栓的异常情况并做出相应的反应,HBM T12传感器能够同时获取螺栓的力和扭矩信息,因此可以提供更全面的数据,有助于综合判断螺栓的健康状态,通过分析和比较不同参数之间的关系,可以更准确地评估螺栓的工作状况。
附图说明
图1为一种基于阻抗-扭矩拟合算法的钢结构法兰螺栓健康检测识别方法的方法步骤示意图。
具体实施方式
使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
实施例1
请参阅图1,为本发明第一个实施例,该实施例提供了一种基于阻抗-扭矩拟合算法的钢结构法兰螺栓健康检测识别方法,其操作步骤如下:
S1、数据采集:使用传感器采集钢结构法兰螺栓的阻抗和扭矩数据,并确保数据质量良好;
S2、数据预处理:对采集到的数据进行预处理,如去噪、滤波和数据校正,消除环境干扰和提高数据质量,以减少误差;
S3、多参数综合分析:将阻抗和扭矩数据与其他相关参数(振动、温度)进行联合分析,通过综合分析不同参数的特征,建立更全面的螺栓健康模型;
S4、模型优化和算法应用:通过优化现有的算法模型或引入新的算法技术,提高识别方法的精准度和灵敏度;
S5、标定和建模:根据真实螺栓损伤和劣化情况,进行数据标定和建模,将采集到的数据用于训练模型,以得出更准确的检测结果;
S6、实时监测与识别:利用优化后的算法,处理实时采集的阻抗和扭矩数据,进行螺栓健康状态的实时监测与识别,将当前数据与已经训练好的模型进行匹配,得出螺栓的健康评估结果;
S7、阈值设定与决策:根据实际需求,设定适当的阈值或决策规则来判断螺栓的健康状态,并据此做出相应的维修或更换决策。
具体的,在步骤S1中,采用的传感器为HBM T12力扭转传感器。
进一步的,通过采用HBM T12力扭转传感器,其具有高精度和稳定性,能够准确测量螺栓的力和扭矩信息,可以提供可靠的输入数据,用于后续的分析和识别,同时HBM T12传感器能够实时采集力和扭矩数据,并通过连接到数据采集系统或设备网络,实现对螺栓健康状态的实时监测,有助于及时捕捉螺栓的异常情况并做出相应的反应。
具体的,在步骤S2中,数据预处理阶段,具体的处理过程如下:
数据去噪:
基于传感器特性和噪声来源,使用滤波技术来去除高频或低频噪声;
可以使用数字滤波器,有限冲激响应(F IR)滤波器;
调整滤波器参数,以平衡信号去噪和保留所需信号特征之间的权衡;
数据滤波:
根据数据特点选择适当的滤波方法(带通滤波),以滤除不需要的频率成分;
对于强噪声环境,采用自适应滤波技术(卡尔曼滤波器);
数据校正:
对传感器可能存在的非线性、漂移或其他误差进行校正;
根据传感器的技术文档和厂商提供的校准方法,进行数据校准和修正;
环境干扰消除:
分析可能对数据产生环境干扰的因素,包括温度变化、振动和电磁干扰;
在数据采集过程中对这些环境因素进行监测和记录,并在数据处理中进行相应的补偿或滤除。
进一步的,通过去除噪声和干扰,数据预处理可以大幅提高传感器数据的质量和准确性,可以减少误判和错误的识别,提高判断螺栓健康状态的准确度;通过滤波技术,数据预处理可以去除不需要的频率成分,保留螺栓健康状态特征所需的信号成分,有助于后续的特征提取和模式识别算法更好地捕捉故障或异常状态;通过数据校正,可以修正传感器可能存在的非线性、漂移或其他误差,使得测量结果更加精确和可靠,有助于减少测量误差对螺栓健康状态判断的影响,并提高系统的稳定性和一致性,通过消除环境干扰的影响,数据预处理可以使系统更加鲁棒,在不同环境条件下进行准确的监测和识别,有助于系统能够适应各种复杂的工业环境,并提高在实际应用中的可靠性。
具体的,在步骤S4中,引入随机森林和卷积神经网络进行结合使用,第一部分是基于随机森林的特征选择和预测,用于处理传感器数据和其他非图像参数的特征,可以保留传统机器学习的优点,如解释性和计算效率,并提供较高的精确度,第二部分是基于卷积神经网络的图像数据处理,专门针对螺栓图像进行特征学习和分类,这可以通过深度学习的特点提高对螺栓健康状态的敏感度和鲁棒性。
进一步的,通过使用随机森林进行特征选择和预测,能够利用传感器数据和其他非图像参数的特征进行综合分析,随机森林具有较好的解释性和计算效率,能够从多个特征中选择出最关键的特征,并提供精确的预测结果,基于卷积神经网络的图像数据处理部分,专门针对螺栓图像进行特征学习和分类,卷积神经网络通过深度学习的特点,可以自动提取螺栓图像中的关键特征,并学习复杂的非线性模式,从而提高对螺栓健康状态变化的敏感度和鲁棒性,结合随机森林和卷积神经网络的优势,可获得更强大的预测能力,随机森林在处理非图像参数时具有良好的预测准确性和稳定性,而卷积神经网络对图像数据的处理能力使得预测结果更加准确和可靠,两者的结合可以提供更全面和准确的螺栓健康状态识别。
具体的,引入随机森林和卷积神经网络的具体实施方法如下:
引入随机森林的实施方法:
数据准备:收集螺栓相关的传感器数据和其他非图像参数的特征数据,并进行数据清洗和处理;
特征选择:使用随机森林算法对特征进行选择,可以通过评估特征的重要性来确定最优的特征子集;
构建随机森林分类器:使用选择的特征数据基于随机森林算法构建分类器模型,需要设置随机森林中的树木数量和其他参数,以及考虑针对不平衡类别的调整策略;
模型训练与评估:将数据集划分为训练集和测试集,对随机森林模型进行训练和验证,使用常见的评估指标,如准确率、精确度、召回率和F1得分,评估模型的性能;
引入卷积神经网络的实施方法:
数据准备:采集螺栓图像数据,并进行预处理,如灰度化、尺寸调整和归一化等操作,以符合卷积神经网络的输入要求;
构建卷积神经网络模型:设计卷积神经网络的结构,包括卷积层、池化层和全连接层等,可以根据螺栓图像的复杂程度和规模进行调整;
模型训练与优化:使用螺栓图像数据集对卷积神经网络模型进行训练,并通过优化算法,随机梯度下降,调整模型的权重和偏置,以提高模型在螺栓图像分类任务中的性能;
模型测试与预测:使用训练好的卷积神经网络模型,对新的螺栓图像进行分类和预测,输出其健康状态的标签;
合并实施方法:
随机森林和卷积神经网络可以串行或并行进行数据处理;
串行:首先使用随机森林算法对非图像参数的特征进行处理和预测,然后将预测结果作为输入,再使用卷积神经网络对螺栓图像进行分类和预测;
并行:将传感器数据和图像数据分别输入到随机森林和卷积神经网络中,分别得到各自的预测结果,然后通过加权融合或投票机制将两个模型的结果进行综合,得到最终的螺栓健康状态识别结果。
具体的,在合并实施阶段所涉及的具体算法公式如下:
随机森林部分:同上述串行实施方法中的描述;
卷积神经网络部分:
输入特征图:I(n,n);
卷积核权重:K(i-m,j-n);
输出特征图:S(i,j);
公式:
具体的,在步骤S7中:
设定阈值或决策规则:根据实际需求和容许偏差,设置阈值来判断螺栓的健康状态;
阻抗数据:
数据特征:阻抗值;
范围:100-200欧姆;
单位:欧姆(Ω);
扭矩数据:
数据特征:扭矩值;
范围:10-50牛米;
单位:牛米(N·m);
频谱特征数据:
数据特征:频率峰值值;
范围:100-500Hz;
单位:赫兹(Hz)。
健康状态判断:根据实时监测得到的结果,与设定的阈值或决策规则进行比较判断螺栓的健康状态,可以分为正常/健康、异常/潜在故障和故障等状态。
维修或更换决策:根据螺栓的健康状态,结合预先设置的维修策略或更换准则,决定是否需要进行维修、保养或更换螺栓。
使用时,使用HBM T12力扭转传感器进行阻抗和扭矩数据的实时采集,对采集到的数据进行去噪、滤波和校正等预处理步骤,以提高数据质量和准确性,同时,利用相机或其他图像采集设备获取法兰螺栓的图像数据,基于阻抗和扭矩数据,提取与螺栓健康状态相关的特征,如频谱特征、峰值特征等,通过随机森林算法选择最具影响力的特征,并进行重要性排序,将螺栓图像进行预处理,如灰度化、噪声去除等,利用卷积神经网络提取图像特征,使用卷积层和池化层进行特征学习和提取,将阻抗和扭矩数据的特征向量以及图像特征输入到训练好的分类器中,结合随机森林和卷积神经网络的结果进行综合判断和识别,根据预定的判定阈值,对螺栓健康状态进行评估,可分为正常、故障和预警等状态,输出螺栓健康状态的识别结果,如分类标签或概率值,根据识别结果,进行相应的决策支持,如报警、维修调整或保养等。
综上,通过引入随机森林和卷积神经网络,其具有较高的准确性和鲁棒性,能够有效地从螺栓的阻抗、扭矩或图像数据中提取特征,并做出精确的分类和预测,通过结合随机森林和卷积神经网络,可以同时利用非图像参数和图像参数来进行螺栓健康状态的监测和识别,非图像参数可以包括阻抗和扭矩等物理量,而图像参数可以是螺栓的视觉特征,通过融合多种信息,可以更全面地分析螺栓的状态,同时随机森林和卷积神经网络都具备较高的计算效率,在实时或在线监测场景下能够快速地进行数据处理和预测,有助于实时捕捉螺栓健康状态的变化,并及时做出相应的决策和反馈。
重要的是,应注意,在多个不同示例性实施方案中示出的本申请的构造和布置仅是例示性的。尽管在此公开内容中仅详细描述了几个实施方案,但参阅此公开内容的人员应容易理解,在实质上不偏离该申请中所描述的主题的新颖教导和优点的前提下,许多改型是可能的(例如,各种元件的尺寸、尺度、结构、形状和比例、以及参数值(例如,温度、压力等)、安装布置、材料的使用、颜色、定向的变化等)。例如,示出为整体成形的元件可以由多个部分或元件构成,元件的位置可被倒置或以其它方式改变,并且分立元件的性质或数目或位置可被更改或改变。因此,所有这样的改型旨在被包含在本发明的范围内。可以根据替代的实施方案改变或重新排序任何过程或方法步骤的次序或顺序。在权利要求中,任何“装置加功能”的条款都旨在覆盖在本文中所描述的执行所述功能的结构,且不仅是结构等同而且还是等同结构。在不背离本发明的范围的前提下,可以在示例性实施方案的设计、运行状况和布置中做出其他替换、改型、改变和省略。因此,本发明不限制于特定的实施方案,而是扩展至仍落在所附的权利要求书的范围内的多种改型。
此外,为了提供示例性实施方案的简练描述,可以不描述实际实施方案的所有特征(即,与当前考虑的执行本发明的最佳模式不相关的那些特征,或与实现本发明不相关的那些特征)。
应理解的是,在任何实际实施方式的开发过程中,如在任何工程或设计项目中,可做出大量的具体实施方式决定。这样的开发努力可能是复杂的且耗时的,但对于那些得益于此公开内容的普通技术人员来说,不需要过多实验,所述开发努力将是一个设计、制造和生产的常规工作。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
- 一种基于机电阻抗的法兰螺栓松动检测方法
- 一种基于机电阻抗的法兰螺栓松动检测方法