一种多螺栓松动监测方法、系统及存储介质

技术领域

本发明主要涉及到螺栓松动检测技术领域，特指一种多螺栓松动监测方法、系统及存储介质。

背景技术

螺栓连接是高速列车结构中最常见的连接类型，由于动态载荷、安装不当和严重的工作环境暴露，结构完整性会自然松动，造成严重的安全性事故。

现有的螺栓松动监测方法，通常没有考虑到类间平衡，如全紧状态与松动状态螺栓信号样本数据量的不平衡。由于多螺栓松动状态数据很少，可见，传统的螺栓松动方法不能照顾到所有螺栓松动状态，传统的螺栓松动方法不够全面。

发明内容

本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种原理简单、易实现、适用范围广、检测精度高的多螺栓松动监测方法、系统及存储介质。

为解决上述技术问题，本发明采用以下技术方案：

一种多螺栓松动监测方法，其包括：

步骤S1：建立仿真模型；提取仿真与实际的不同螺栓松动情况的Lamb波信号，提取若干个特征值并通过主成分分析进行特征约减和归一化；

步骤S2：分类；根据不同的松动情况，将实际信号划分为不同的类，并计算每个类需要生成样本的数量；

步骤S3：SMOTE过采样方法用于每个少数类；在生成一个新样本时，提取仿真信号与实际信号不同类的方差，峰度和偏度，用于判断新样本是否为最佳样本；

步骤S4：通过SMOTE连续生成新样本，直到满足新样本的数量后，建立随机森林模型后获得螺栓松动监测结果，绘制出混淆矩阵与ROC曲线，得到多螺栓松动分类精度。

作为本发明方法的进一步改进：所述步骤S1中，通过实时监控系统提取不同螺栓松动情况的Lamb波信号；通过仿真模型提取不同的螺栓松动情况的Lamb波信号；所述螺栓松动情况包括螺栓紧固状态、单螺栓松动状态、多螺栓松动状态信号中的一个或多个。

作为本发明方法的进一步改进：通过主成分分析法将二十个特征值约减为三个特征值；将约减所得到的三个特征归一化为-1到1。

作为本发明方法的进一步改进：所述步骤S2的过程包括：

将螺栓全紧固状态信号被分为多数类；

将单个螺栓松动状态信号和多个螺栓松动状态信号被分为少数类；

多数类与少数类的样本数量不同；

计算每个类需要生成样本的数量：

其中

作为本发明方法的进一步改进：所述步骤S3的过程包括：

原始SMOTE方法的样本生成方法被用于每个少数类中的每个簇来生成样本一个新样本，计算公式如下：

其中，

作为本发明方法的进一步改进：所述步骤S4的过程包括：

步骤S41：在生成一个新的实际信号样本时，首先计算仿真信号样本特征的方差

步骤S42：计算实际信号生成新样本前的特征的方差

步骤S43：在生成新样本后，计算实际信号样本的特征的方差

步骤S44：构建判据，观察是否同时成立，判断该新样本是否为最优样本，当三个公式同时满足时，该样本则为最优样本；如果为最优样本则该样本保留，否则丢弃该样本；计算公式如下：

其中

作为本发明方法的进一步改进：还包括步骤S5，具体为：

步骤S51：在保留或舍弃一个样本之后，重复进行SMOTE操作，直到生成的样本数量达到上述所计算的数量；所生成的数据集包括一个多数类和多个少数类，其中多数类分别和每个少数类的样本数量相同；每个少数类中不同簇的样本数量/密度相同；

步骤S52：将通过上述数据集生成一个随机森林模型，每种松动状态的螺栓定义为不同的工况，对螺栓松动状态进行诊断；

步骤S53：将分类后得到的结果利用混淆矩阵展示出来，得到实际多螺栓松动分类的精度，通过信号识别螺栓的松动状态；

步骤S54：计算得到ROC曲线，ROC曲线面积越大，说明分类的效果越好。

本发明进一步提供一种多螺栓松动监测系统，其包括：

仿真模块，用于提取仿真信号的不同螺栓松动情况的Lamb波信号，提取特征值并进行特征约减和归一化；

信号采集模块，用于提取实际信号的不同螺栓松动情况的Lamb波信号，提取特征值并进行特征约减和归一化；

分类模块，用于将每个少数类分为不同的高斯分量簇并计算每个簇需要产生的新样本的数量；

判断模块，用于将SMOTE过采样方法用于每个簇；在生成一个新样本后提出了基于KL距离的判据来判断新样本是否为最佳样本；

输出模块，用于通过SMOTE连续生成新样本，直到满足新样本的数量后，建立随机森林模型后获得螺栓松动监测结果，绘制出混淆矩阵与ROC曲线，得到多螺栓松动分类精度。

作为本发明系统的进一步改进：所述信号采集模块为设置螺栓被连接件目标结构处的M个锆钛酸铅压电陶瓷传感器，M为正整数；所述锆钛酸铅压电陶瓷传感器用来感知由于螺栓松动造成的结构应变变化，通过螺栓松动的Lamb波信号建立的螺栓松动情况分类模型，实现对螺栓松动情况的实时监测。

本发明进一步提供一种存储介质，所述存储介质能够被计算机或处理器读取，所述存储介质中存储有用来执行上述任意一种方法的计算机程序。

与现有技术相比，本发明的优点就在于：

1、本发明的多螺栓松动监测方法、系统及存储介质，原理简单、易实现、适用范围广、检测精度高，本发明使用多螺栓松动监测实验和仿真获得了不同松动情况下的信号，在提取特征值后进行特征约减，根据多数类样本的数量和少数类样本的数量差计算每一类需要生成新样本的数量，通过原始SMOTE方法生成了新的样本点，基于本发明所提出的判据判断新样本是否为最优样本，在新样本生成数目达标后利用随机森林的方法构建螺栓松动分类模型进行多螺栓松动状态判断。这样，得到的螺栓松动分类结果与实际的螺栓松动情况相接近，分类结果准确，并且克服了传统多螺栓松动监测中没有考虑所有螺栓松动状态的问题。

2、本发明的本发明的多螺栓松动监测方法、系统及存储介质，通过仿真与布设在结构关键位置的锆钛酸铅压电陶瓷传感器可以准确感知由于螺栓松动造成的结构应变变化，通过提取经过锆钛酸铅压电陶瓷传感器发射的Lamb波的特征值可以建立螺栓定性监测模型，实现对螺栓损伤的实时监测。

附图说明

图1是本发明方法的流程示意图。

图2是本发明在具体应用实例中的仿真模型示意图。

图3是本发明在具体应用实例中的仿真试件尺寸示意图。

图4是本发明在具体应用实例中的平衡数据集样本图。

图5是本发明在具体应用实例中混淆矩阵图。

图6是在具体应用实例中的ROC曲线图。

具体实施方式

以下将结合说明书附图和具体实施例对本发明做进一步详细说明。

在本申请的描述中，需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

在本申请中，除非另有明确的规定和限定，术语“装配”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。

需要指出的是，由于高铁的运行环境复杂，各螺栓常会出现松动的情况，并且单个螺栓松动事件出现的次数比较少，多螺栓松动事件出现的次数更加少，此类松动事件容易造成结构损伤，威胁行车安全，因此监测高铁各螺栓的松动事件十分必要。

需要指出的是，本发明所描述的多数类与少数类只有数量上的区别，即多数类的样本数量要比少数类的样本数量更多。只要数量上一类为一类的50%及以下，便可称数量多的为多数类，数量少的为少数类。本发明将合成少数类过采样技术（Synthetic MinorityOversampling Technique，简称为SMOTE）过采样方法用于实际信号。

如图1所示，本发明的一种多螺栓松动监测方法，是一种基于仿真和实验的过采样多螺栓松动监测方法，其流程包括：

步骤S1：建立仿真模型；

提取仿真与实际的不同螺栓松动情况的Lamb波信号，提取二十个特征值并通过主成分分析进行特征约减和归一化；

步骤S2：分类；

根据不同的松动情况，将实际信号划分为不同的类，并计算每个类需要生成样本的数量；

步骤S3：SMOTE过采样方法用于每个少数类；

在生成一个新样本时，提取仿真信号与实际信号不同类的方差，峰度和偏度，用于判断新样本是否为最佳样本；

步骤S4：通过SMOTE连续生成新样本，直到满足新样本的数量后，建立随机森林模型后获得螺栓松动监测结果，绘制出混淆矩阵与ROC曲线，得到多螺栓松动分类精度。

在具体应用实施例中，所述步骤S1中，通过结构健康监测系统提取不同螺栓松动情况的Lamb波信号。作为优选实施例，所述螺栓松动情况包括螺栓紧固状态、单螺栓松动状态、多螺栓松动状态信号中的一个或多个。

在具体应用实施例中，所述步骤S1中，通过仿真模型提取不同的螺栓松动情况的Lamb波信号，作为优选实施例，所述螺栓松动情况包括螺栓紧固状态、单螺栓松动状态、多螺栓松动状态信号中的一个或多个。

在具体应用实施例中，所述步骤S1中，提取二十个特征值并通过主成分分析进行特征约减和归一化；所述二十个特征值包括：特征值为平均值、峰峰值、整流平均值、方差、标准差、峭度、偏度、均方根、波形因子、峰值因子、脉冲因子、裕度因子，功率谱熵、能量熵、近似熵、样本熵、模糊熵、排列熵、包络熵和相关系数。在具体应用中，其表达式如下：

其中，

进一步说明的是，上述二十个特征值及其至少三个特征值的子组合，均可以达到本发明所提出的多螺栓松动检测的效果，区别在于有的特征选择后精度较高，而有的较低。

作为优选实施例，本发明进一步通过主成分分析法将二十个特征值约减为三个特征值；之后，将约减所得到的三个特征归一化为-1到1。

在具体应用实施例中，所述步骤S2中，根据不同的松动情况，将实际信号划分为不同的类，并计算每个类需要生成样本的数量，具体过程包括：

将螺栓全紧固状态信号被分为多数类；

将单个螺栓松动状态信号和多个螺栓松动状态信号被分为少数类；

多数类与少数类的样本数量不同；

计算每个类需要生成样本的数量：

其中

在具体应用实施例中，所述步骤S3中，原始SMOTE方法的样本生成方法被用于每个少数类中的每个簇来生成样本一个新样本，计算公式如下：

其中，

SMOTE过采样方法用于每个少数类；SMOTE全称是Synthetic MinorityOversampling Technique即合成少数类过采样技术，SMOTE算法的基本流程如下：

1）、对于少数类中每一个样本

2）、根据样本不平衡比例设置一个采样比例以确定采样倍率

3）、对于每一个随机选出的近邻

。

在具体应用实施例中，所述步骤S4的过程包括：

步骤S41：在生成一个新的实际信号样本时，首先计算仿真信号样本特征的方差

其中，

步骤S42：计算实际信号生成新样本前的特征的方差

步骤S43：在生成新样本后，计算实际信号样本的特征的方差

步骤S44：构建判据，观察是否同时成立，判断该新样本是否为最优样本，当三个公式同时满足时，该样本则为最优样本。如果为最优样本则该样本保留，否则丢弃该样本。计算公式如下：

其中

在具体应用实施例中，还包括步骤S5，具体为：

步骤S51：在保留或舍弃一个样本之后，重复进行SMOTE操作，直到生成的样本数量达到上述所计算的数量。所生成的数据集包括一个多数类和多个少数类，其中多数类分别和每个少数类的样本数量相同。每个少数类中不同簇的样本数量/密度相同。

步骤S52：将通过上述数据集生成一个随机森林模型，每种松动状态的螺栓定义为不同的工况，可以对螺栓松动状态进行诊断。

步骤S53：将分类后得到的结果利用混淆矩阵展示出来，得到实际多螺栓松动分类的精度，可以通过信号识别螺栓的松动状态。

步骤S54：计算得到ROC曲线，ROC曲线面积越大，说明分类的效果越好。

将随机森林模型的参数设置为20，在模型建立好之后，给出多螺栓松动监测结果，绘制出混淆矩阵与ROC曲线，得到多螺栓松动分类精度。

通过采用本发明的上述方法，本发明通过提取仿真与实际的Lamb波信号的多个特征值建立多螺栓松动情况分类模型。具体地，在利用随机森林方法建立多螺栓松动情况分类模型时，从所有样本数据中选择部分样本作为训练样本，训练多螺栓松动情况分类模型，训练精度取决于决策树数量的选择，使用交叉验证法可逐次迭代选择N，得到最优的模型参数，最后用剩下的测试样本可对多螺栓松动情况分类。这样，可以提升诊断效率和诊断精度。

以下将结合某一具体试验示例进一步说明本申请的方法步骤。

本示例中，采用SHM结构健康监测系统，获取不同螺栓松动情况下的Lamb波信号；同时建立其仿真模型，获取与试验相同情况下的Lamb波信号。其中，螺栓被连接件材料力学性能参数如表1所示，传感器参数如表2所示，仿真模型图如图2所示。

表1 被连接件材料力学性能参数

表2 传感器参数

请参见图3，图3为被连接件板尺板、传感器位置和螺栓位置等示意图，图3中，B1表示1号螺栓；B2表示2号螺栓；B3表示3号螺栓；PZT1表示1号传感器；PZT2表示2号传感器，1表示PZT1-PZT2构成的路径；2表示PZT2-PZT1构成的路径。通过在平板中心开3个直径11mm的孔，安装3个M10的螺栓与螺母。3个螺栓共8种松动状态，如表3所示。在每一个情况试验过程中，先将螺栓松动到指定的扭力矩，再将其拧紧后再次松动。这种试验设计不仅可以模拟螺栓松动，还涵盖了反复拧紧对螺栓监测的影响，更贴切工程实际。本实施例选取经Hanning窗调制的5周期150kHz的正弦波作为实验激励信号。在每次松动后，用Lamb波进行激励和采集。每种情况重复松动拧紧25次，共200 (25 × 8) Lamb波信号，共1600条信号。

仿真模型与实际情况完全一致，传感器位置，激励波形都与实验一致，螺栓松动情况见表3。最终获得每种工况下的Lamb波信号200条，8种工况共1600条信号。

表3 螺栓松动情况

(T: 60Nm; L: 50-55Nm)

对1600条仿真和1600条实际Lmab波信号提取20个特征值，分别得到两个1600×20的特征矩阵，对特征矩阵进行特征约减，得到2×1600个特征样本，每个样本有三个特征。之后将仿真信号与实际信号的三个特征分别归一化到-1到1。随机删除部分实际信号的单螺栓松动样本和多螺栓松动样本，得到一个不平衡数据集。之后使用上述所提出的过采样方法，提取仿真信号的方差、偏度和峰度，利用这三个参数形成判据，进行实际样本信号的过采样，最终形成如表4所示的平衡数据集。

表4 螺栓样本数量

请参见图4，图4展示了过采样后样本的变化情况。可以看出样本数量已经达到了相同。圆圈代表了原始样本，三角形代表使用上述方法所形成的新样本。

以所构建平衡数据集构建一个随机森林分类模型，建立螺栓松动分类模型，实现对螺栓松动的分类。每种情况使用160组数据作为训练集，即共1280组训练集，训练效果请参见图5，图5展示了样本生成后的平衡数据集的分类准确率。图6展示了该平衡数据集的ROC曲线，AUC被定义为ROC曲线与x轴所围成的面积。AUC越大，训练效果越好。

根据图5和图6可以确定，预测螺栓松动分类与实际螺栓松动情况结果非常相近，可见，本申请的分类结果较为准确。

本申请进一步提供一种多螺栓松动监测系统，其包括：

仿真模块，用于提取仿真信号的不同螺栓松动情况的Lamb波信号，提取特征值并进行特征约减和归一化；

信号采集模块，用于提取实际信号的不同螺栓松动情况的Lamb波信号，提取特征值并进行特征约减和归一化；

分类模块，用于将每个少数类分为不同的高斯分量簇并计算每个簇需要产生的新样本的数量；

判断模块，用于将SMOTE过采样方法用于每个簇；在生成一个新样本后提出了基于KL距离的判据来判断新样本是否为最佳样本；

输出模块，用于通过SMOTE连续生成新样本，直到满足新样本的数量后，建立随机森林模型后获得螺栓松动监测结果，绘制出混淆矩阵与ROC曲线，得到多螺栓松动分类精度。

在具体应用实例中，所述信号采集模块为设置螺栓被连接件目标结构处的M个锆钛酸铅压电陶瓷传感器，M为正整数。通过布设在结构关键位置的锆钛酸铅压电陶瓷传感器可以准确感知由于螺栓松动造成的结构应变变化，通过螺栓松动的Lamb波信号建立的螺栓松动情况分类模型，实现对螺栓松动情况的实时监测。

可以理解的是，本发明的上述实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，另外，在本发明各个实施例中的各功能模块可以集成在一个处理器中，也可以是单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。

进一步，本发明还提供了一种存储介质，具体为计算机可读存储介质（Memory），所述计算机可读存储介质是计算机设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质，当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序（包括程序代码）。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关多螺栓松动监测方法的相应步骤。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。

以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。