(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111644859.2 (22)申请日 2021.12.2 9 (71)申请人 西安交通大 学 地址 710049 陕西省西安市咸宁西路28号 (72)发明人 张周锁　田彪　李想　彭英超　 (74)专利代理 机构 西安通大专利代理有限责任 公司 6120 0 代理人 贺小停 (51)Int.Cl. G06K 9/00(2022.01) G06K 9/62(2022.01) G06V 10/80(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于改进卷积神经网络的螺栓松动状 态识别方法 (57)摘要 本发明公开了一种基于改进卷积神经网络 的螺栓松动状态识别方法， 首先通过振动试验台 对螺栓连接结构施加随机激励， 利用多个传感器 采集螺栓连接结构不同位置的振动响应信息； 然 后对所采集的信号进行预处理， 进行标准归一化 和添加标签， 且分为训练集和测试集； 最后构建 改进卷积神经网络模型， 对模型参数初始化， 将 训练样本输入到网络模型， 重复训练直到训练样 本全部训练完毕并且达到最大训练轮数， 得到用 于螺栓连接结构松动状态智能识别的模型， 输入 测试样本， 实现螺 栓连接结构松动状态的识别。 权利要求书2页 说明书7页 附图4页 CN 114266280 A 2022.04.01 CN 114266280 A 1.一种基于改进卷积神经网络的螺 栓松动状态 识别方法， 其特 征在于， 包括以下步骤： (1)螺栓松动状态信号的获取 通过振动试验台对螺栓连接结构施加随机激励， 在螺栓连接结构的不同位置上放置多 个传感器用于采集振动信号， 待信号波形显示平稳后， 将信号数据进行记录储 存； (2)螺栓松动状态信号的预处 理 将各传感器采集到的信号进行融合， 同一螺栓松动状态的数据构成一组二维向量， 分 为训练集和 测试集， 并对不同螺 栓松动状态下的信号数据特 征贴标签； (3)基于改进卷积神经网络的螺 栓松动状态 识别 构建改进卷积神经网络模型， 对改进卷积神经网络模型参数初始化， 将步骤(2)中预处 理完后的训练集作为输入样本， 重复训练直到训练集中的样本全部训练完 毕并且达到最大 的迭代轮数， 得到用于螺栓松动状态识别的模型， 输入测试集中的样本， 实现螺栓松动状态 的识别。 2.根据权利要求1所述的一种基于改进卷积神经网络的螺栓松动状态识别方法， 其特 征在于， 所述 步骤(2)具体为： 首先， 将各个传感器采集到的振动信号分别作为数据的一个特征， 并将采集到的数据 按行排列组成二维数据； 其次， 将各个螺栓松动状态下的数据按松动力矩从小到大依次排序， 组成一个总数据 集， 并将总 数据集中每一个特征数据进行总体标准归一化， 得到不同螺栓松动状态下 的信 号数据特 征， 总体标准归一 化的公式如下： 其中， x’为归一化后的信号， X为原 始信号， μ为均值， σ 为标准差； 然后， 将不同螺栓松动状态下的信号数据特征贴上标签， 使每一个数据特征对应确定 的螺栓松动状态； 最后， 将每种螺栓松动状态下的信号数据的80％设置为训练集， 剩余20％设置为测试 集。 3.根据权利要求1所述的一种基于改进卷积神经网络的螺栓松动状态识别方法， 其特 征在于， 所述 步骤(3)具体为： 首先， 构建改进卷积神经网络模型， 所述改进卷积神经网络模型由特征提取和状态识 别两部分组成， 并将改进卷积神经网络模型参数初始化； 其次， 以批量方式向所构建的改进卷积神经网络模型输入训练样本， 逐层 向前传播进 行特征的提取， 在输出层获得螺栓松动状态的类别， 计算期 望与实际输出的误差， 将误差反 向传播， 逐层调整网络参数， 重复以上过程， 直到将训练样本全部训练完 毕并且达到最大迭 代轮数， 得到用于 螺栓松动状态智能识别的神经网络模型； 最后， 将测试集的数据输入到训练完毕的神经网络模型， 获得螺栓松动状态的识别结 果， 确定螺栓的松动状态。 4.根据权利要求3所述的一种基于改进卷积神经网络的螺栓松动状态识别方法， 其特 征在于， 所述特征提取部分由多个交替的多通道卷积块和池化层构成， 其中第一层是多通 道卷积块， 多通道卷积块并行使用不同尺度的卷积核， 然后再将各卷积核处理后的特征矩权　利　要　求　书 1/2 页 2 CN 114266280 A 2阵拼接起 来作为多通道卷积块的输出； 多通道卷积块的定义如下： yK＝f(ConvK(X,WK)+b) 其中， yK表示以卷积核尺度K 的输出特征， ConvK表示以卷积核尺度K进行 的卷积运算， X 表示输入信号， WK表示以核尺度K的卷积核权重， b 表示输出特征时所加的偏置， 卷积核尺度 K＝[k1,k2,…,kn]， k1,k2,…,kn分别表示1～n个卷积核尺度， f表示激活函数； 在多通道卷积块之后串联一个最大池化层， 最大池化层是对上一层输出的降维， 通过 最大池化核对输入数据进行降采样， 减少 输入数据的空间维度， 利用最大池化方法选取输 入数据的局部区域的最大值作为输入值传递到下一层， 最大池化层的定义如下； y＝max_po ol(X′,h,t) 其中， y表示最大池化层的输出特征， max_pool表示最大池化操作， X ′表示该池化层的 输入特征， h、 t分别表示池化核的两个维度上的尺度。 5.根据权利要求4所述的一种基于改进卷积神经网络的螺栓松动状态识别方法， 其特 征在于， 所述特 征提取部分由三层多通道卷积块和三层最大池化层交替构成。 6.根据权利要求5所述的一种基于改进卷积神经网络的螺栓松动状态识别方法， 其特 征在于， 所述状态识别部分由特殊卷积层和全局平均池化层组成， 所述特征提取部分的第 六层后面连接一层特殊卷积层， 所述特殊卷积层用于使最后一组特征图的数量等于执行全 局平均池化的类别标签数； 特殊卷积层的后面连接全局平均池化层， 全局平均池化层的输 出为与输入信号对应的标签结果， 输出个数与螺 栓松动状态的类别个数相同。 7.根据权利要求6所述的一种基于改进卷积神经网络的螺栓松动状态识别方法， 其特 征在于， 所述全局平均池化层的函数如下式所示： y＝avg_po ol(X″,c,d,m) 其中， y表示全局平均池化层的输出， X ″表示全局平均池化层的输入， c,d分别表示全局 平均池化层所对应的池化核的两个维度上的尺度， m表示全局平均池化层最后输出的深度。 8.根据权利要求4所述的一种基于改进卷积神经网络的螺栓松动状态识别方法， 其特 征在于， 所述激活函数f采用ReLU激活函数， 所述ReLU激活函数如下 所示： 其中， f(x)为 函数的输出， x为 函数的输入。权　利　要　求　书 2/2 页 3 CN 114266280 A 3