一种基于声发射传感器系统的螺栓锈蚀分类方法

本发明涉及声发射传感，具体涉及一种基于声发射传感器系统的螺栓锈蚀分类方法。

背景技术：

1、高强度螺栓在桥梁、钢轨等超高压设备中具有至关重要的作用，这些设备往往承受着巨大的压力和应力，因此高强度螺栓连接件的状态直接关系到整个设备的使用寿命和安全，随着服役年限的增加及外部环境的影响，螺栓不可避免地会发生锈蚀，锈蚀是影响螺纹精度的主要因素，会导致拆卸困难、结构件之间预紧力不足，进而可能引发连接结构松动、松脱或疲劳断裂，这不仅给结构件的正常服役和日常的维护保养带来新的难题，甚至可能引发重大安全事故，因此，及时准确地检测螺栓的锈蚀程度对于保障设备安全至关重要。

2、如中国专利公开号：cn110334750a的输电线路铁塔螺栓锈蚀程度图像分类识别方法，通过图像处理方法检测图像的螺栓锈蚀故障，可应用于无人机巡检和在线监测系统，有利于避免人工巡检方式检测效率低、工作强度大、检测速度慢等不足，在减少人力物力投入的同时，能够排除人为因素的干扰，快速准确地评估螺栓锈蚀状况；能够在准确提取螺栓的基础上，结合锈蚀的颜色特征来进行锈蚀区域提取，通过锈蚀率来体现螺栓锈蚀的严重程度，用于指导运维人员的检修工作。

3、现有技术中，虽通过锈蚀的颜色特征进行锈蚀区域提取，利用锈蚀率可进行螺栓锈蚀严重程度的判断，但是螺栓的锈蚀程度受多种因素的耦合影响，因此在评估螺栓的健康状态时，易存在一定的局限性，进而难以有效对螺栓的锈蚀程度做出准确分类，为此，现提出一种基于声发射传感器系统的螺栓锈蚀分类方法。

技术实现思路

1、本发明目的在于提供一种基于声发射传感器系统的螺栓锈蚀分类方法，以解决上述背景技术中提出的问题。

2、为解决上述技术问题，本发明所采用的技术方案是：

3、一种基于声发射传感器系统的螺栓锈蚀分类方法，包括以下步骤：

4、步骤1，选取螺栓试件并通过电化学腐蚀方法控制通电时长制备不同锈蚀程度的螺栓样本，布设声发射传感器进行螺栓锈蚀检测；

5、步骤2，使用声发射传感器网络（wasn）对螺栓进行检测，采集螺栓在不同锈蚀程度下的声发射信号，并对采集到的声发射信号进行预处理，包括滤波、去噪以及信号的放大等，以提高信号的质量并为后续分析做准备，声发射信号即为ae信号；

6、步骤3，运用relieff数据选择算法从预处理后的声发射信号中筛选出最优的特征组合，反映螺栓锈蚀程度的关键信息，辅助进行锈蚀程度的分类；

7、步骤4，使用极限学习机（elm）模型，结合筛选出的声发射信号特征，对螺栓锈蚀程度进行分类，elm模型因其快速训练和良好泛化能力而被选用，并应用改进的鹅群算法（goose）对elm模型中的参数进行优化，构建goose-elm分类模型，找到最优的参数组合，确保模型使用最合适的参数组合，提高分类的准确度；

8、步骤5，将优化后的goose-elm分类模型应用于螺栓锈蚀程度的实际分类中，并对分类结果进行评估，对比评价goose-elm分类模型的分类性能。

9、本发明技术方案的进一步改进在于：所述步骤1中，螺栓锈蚀检测的过程为：

10、步骤101，选用在材质、尺寸和结构上保持一致的螺栓试件，螺栓试件为10.9级的5个孔径54mm的高强度螺栓；

11、步骤102，对螺栓进行通电加速锈蚀实验，设置电化学腐蚀环境，构建包含电解质溶液的电化学腐蚀系统，将螺栓试件作为阳极，另一金属作为阴极，置于电解质溶液中；

12、步骤103，根据法拉第定律，分析螺栓的理论质量损失与通电时间的关系，腐蚀电流密度与通电时长共同决定螺栓的锈蚀程度，通过控制通电电流和通电时长模拟螺栓在不同时间下的锈蚀过程，设定0小时、6小时、12小时、18小时、24小时的不同通电时长，分别对应螺栓0%、25%、50%、75%、100%的锈蚀程度，螺栓的锈蚀程度根据通电时长的不同进行划分与制备，通电时长30小时下螺栓的锈蚀程度为100%，通电时长0、6、12、18、24小时分别对应锈蚀程度0%、25%、50%、75%的螺栓样品，据此得到的分类结果与国标中对锈蚀等级的定义一致，即用目视法观测氧化皮在试件表面的覆盖面积与附着状态，锈蚀面积与螺栓总表面积的比值也符合锈蚀程度定义的百分比，在通电过程中，定期监测并记录螺栓的锈蚀情况，确保锈蚀程度符合预期；

13、步骤104，依次将制备好的螺栓试件旋进内孔径为5.2cm、外径24cm、厚度4cm的法兰盘内进行实验，由于正常工作的螺栓声发射信号频率在0khz至125khz之间，发生锈蚀造成形变的信号频率在125khz至150khz的范围内，选用ut1000 型宽频带声发射传感器，并将其安装在螺栓试件上紧密接触，以确保有效捕捉到声发射信号；

14、步骤105，在宽频带声发射传感器和螺栓试件表面结合部位添加耦合剂，采用磁吸夹套吸附的方式将宽频带声发射传感器安装到螺栓的上下螺帽上，两个探头以法兰盘为分界，在同一直线上，距离法兰盘面呈明显的远、近端分布，增加连接的紧密度，基于木材应力波测定仪的声源模拟发生方法，手持胶锤敲击上螺帽，将胶锤与上螺帽的相互作用作为声源，利用敲击动作模拟声源使因振动产生的应力波在试件结构中传播，经反射和折射传播到螺栓试件表面被宽频带声发射传感器所收集。

15、本发明技术方案的进一步改进在于：所述分析螺栓的理论质量损失与通电时间的关系，其表达式为：

16、；

17、其中，为螺栓的理论质量损失（g)，为通电时间（s)，为法拉第常数（96485c/mol)，为腐蚀电流强度（a)，为的相对原子质量（55.847)，腐蚀电流密度一般为0.045～3ma/cm2，实验电流密度取2ma/cm2，经计算对应的通电电流应维持在0.22a左右。

18、本发明技术方案的进一步改进在于：所述步骤2中，采集螺栓在不同锈蚀程度下声发射信号的过程为：

19、步骤201，启动声发射传感器网络，采集螺栓在不同锈蚀程度下的声发射信号，确保数据采集系统能够实时、准确地记录声发射信号的波形、频率、幅度等参数，并在信号预处理之前，进行初步的信号检查，确认信号的完整性和采集的质量；

20、步骤202，对采集到的声发射信号进行预处理，包括滤波、去噪以及信号的放大等步骤，应用滤波器去除信号中的高频噪声和低频干扰，保留与螺栓锈蚀相关的频率成分，使用去噪技术减少信号中的随机噪声，提高信号的信噪比；

21、步骤203，对预处理后的声发射信号进行进一步分析，提取声发射特征参数，分别为幅度、上升时间、持续时间、振铃数和功率，幅度为最大电压阈值，以分贝（db）为单位，用于波源类型识别；上升时间为声发射信号首次超过阈值电压和达到最大电压幅度之间的时间间隔，用于噪声识别；持续时间为声发射信号首次超过阈值电压和最后一次超过阈值电压之间的时间差；振铃数为声发射信号超过阈值电压的次数；功率为能量包络谱线下的面积或采样值平方的总和，用于波源类型的鉴别；

22、步骤204，将各特征参数汇总生成表格，构建螺栓状态测定的数据样本集，对比分析可发现，锈蚀程度高的螺栓样本，数据更密集，能够呈现出更多的声发射特征点。

23、本发明技术方案的进一步改进在于：所述步骤3中，筛选出最优特征组合的过程为：

24、步骤301，将螺栓状态测定的数据样本集作为输入，包含不同锈蚀程度的螺栓声发射信号，并对螺栓声发射信号进行归一化处理转换为relieff算法的处理格式，针对ae信号包含：近端能量/幅度/持续时间/振铃计数、远端能量/幅度/持续时间/振铃计数、近/远端能量/幅度/持续时间/振铃计数差，共12个特征进行后续分析，其中，对螺栓声发射信号进行归一化处理的表达式为：

25、；

26、为原始数据，与分别为输入的特征数据中的最大值与最小值，根据对螺栓声发射信号进行归一化处理的表达式计算出的为归一化结果；

27、步骤302，为所有特征初始化为零的权重，从螺栓状态测定的数据样本集中随机选择一个样本点，作为查询点，对于查询点，寻找其k个最近邻样本，包括正例和负例的最近邻，根据查询点与最近邻样本在每个特征上的差值计算权重更新值，对于正例近邻，差值越大，该特征的权重增加；对于负例近邻，差值越大，该特征的权重减少；

28、步骤303，更新每个特征的权重，根据与查询点的正例和负例近邻的差异进行调整；

29、步骤304，反复从螺栓状态测定的数据样本集中随机选取样本点，进行权重更新，多次迭代，每次迭代随机选择新的查询点，直至达到预定的迭代次数或所有样本都被选为查询点；

30、步骤305，完成迭代后，每个特征获取一个累积权重，该权重反映了特征对分类任务的贡献程度，进而得到最终的特征权重；

31、步骤306，根据特征权重对特征进行排序，选择权重最高的前7个特征作为最优特征组合，ae特征量权重排序结果为：近/远端能量差、近/远端幅度差、近端幅度、近端能量、近端振铃计数、近/远端持续时间差、近端持续时间、近/远端振铃计数差、远端振铃计数、远端幅度、远端持续时间、远端能量。

32、本发明技术方案的进一步改进在于：所述步骤4中，构建goose-elm分类模型的过程为：

33、步骤401，提取通过relieff算法筛选出最有分类能力的声发射信号特征，并将数据集中的每个特征值进行归一化处理；

34、步骤402，初始化elm模型，随机分配输入层到隐藏层的权重和偏置值，并设定隐藏层的激活函数，将筛选出的特征输入到elm模型中；

35、步骤403，根据输入特征和随机权重，计算隐藏层的输出，并使用最小二乘法计算隐藏层到输出层的权重，使用训练数据集对elm模型进行训练，得到初步的模型参数；

36、步骤404，使用goose算法对elm模型的权重和偏置项进行优化，以提高分类性能，并初始化goose算法的参数，包括鹅群数量、迭代次数、搜索空间；

37、步骤405，每次迭代中，根据鹅群的行为（如休息、警戒、勘探等）更新elm的权重和偏置项，通过不断迭代，找到最优的权重和偏置项组合，锁定最优参数进行输出，建立基于goose算法的elm模型。

38、本发明技术方案的进一步改进在于：所述步骤5中，对比评价goose-elm分类模型的分类性能的过程为：

39、步骤501，使用训练好的goose-elm模型对测试集进行锈蚀程度的分类预测，并记录goose-elm模型对每个测试样本的分类结果；

40、步骤502，使用混淆矩阵、准确率、召回率、f1分数指标对分类结果进行综合量化评估，并对分类结果进行统计分析，包括正确分类和错误分类的样本数量；

41、步骤503，将goose-elm模型的性能与传统elm分类算法、hpo-elm猎食者优化分类算法、ssa-elm麻雀优化分类算法进行对比，分别计算各分类模型的准确度、精确度、召回率和f1系数的评价指标；

42、步骤504，验证relieff特征选择算法的有效性和goose-elm分类模型的优越性，通过pearson相关系数法和relieff特征选择法分别从相关性和权重两个层面对特征重要性进行排序，逐一增加代入的特征维数到原始elm分类模型中，准确率最高的即为各自的最佳特征维数，通过比较最佳特征维数下的最大准确率与kappa系数证明两种方法的优劣；

43、步骤505，根据对分类结果的综合量化评估和对比结果分析goose-elm模型的性能，将评估后的goose-elm模型部署到实际的螺栓锈蚀检测系统中，进行实时监测和分类。

44、本发明技术方案的进一步改进在于：所述pearson相关系数的表达式为：

45、；

46、其中，为pearson相关系数，是衡量两个变量之间相关程序强度的重要工具，其值由变量间协方差与标准差积相除得到，越接近1或-1，表示两变量之间的线性关系越强；反之，其值越接近0，表示两变量之间的线性关系越弱，和是两个单独的特征参数，为标准差，为对应的协方差。

47、本发明技术方案的进一步改进在于：所述对分类结果的综合量化评估的表达式为：

48、；

49、；

50、；

51、其中，为类别总数，为第类锈蚀的真正例数量，表示模型正确预测为第类锈蚀的样本数，为第类锈蚀的假正例数量，表示模型错误预测为第类锈蚀的样本数，为第类锈蚀的召回率，也称为真正例率或灵敏度，表示模型正确识别第类锈蚀的比例，为第类锈蚀的准确率，表示模型在第类锈蚀上预测正确的比例，为第类锈蚀的假负例数量，表示模型未能正确识别的第类锈蚀样本数，为总样本数，即所有类别样本的总和。

52、由于采用了上述技术方案，本发明相对现有技术来说，取得的技术进步是：

53、1、本发明提供一种基于声发射传感器系统的螺栓锈蚀分类方法，通过利用声发射传感器网络采集螺栓的声发射信号，结合relieff算法进行特征选择，再应用改进的鹅群算法优化的极限学习机模型进行分类，实现了对螺栓锈蚀程度的高精度分类，能够更准确地反映螺栓的实际锈蚀状态，为后续的维修和更换提供有力依据，从而避免因螺栓锈蚀导致的设备故障和安全事故。

54、2、本发明提供一种基于声发射传感器系统的螺栓锈蚀分类方法，改进的goose算法可提高elm模型的分类性能，组合使用使得螺栓锈蚀分类方法具有较强的泛化能力，能够适应不同种类、不同规格的螺栓锈蚀检测需求，goose-elm模型通过改进的鹅群算法优化参数，提高了模型对不同工作条件和环境变化的适应性。

技术特征：

1.一种基于声发射传感器系统的螺栓锈蚀分类方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种基于声发射传感器系统的螺栓锈蚀分类方法，其特征在于：所述步骤1中，螺栓锈蚀检测的过程为：

3.根据权利要求2所述的一种基于声发射传感器系统的螺栓锈蚀分类方法，其特征在于：所述分析螺栓的理论质量损失与通电时间的关系，其表达式为：

4.根据权利要求3所述的一种基于声发射传感器系统的螺栓锈蚀分类方法，其特征在于：所述步骤2中，采集螺栓在不同锈蚀程度下声发射信号的过程为：

5.根据权利要求4所述的一种基于声发射传感器系统的螺栓锈蚀分类方法，其特征在于：所述步骤3中，筛选出最优特征组合的过程为：

6.根据权利要求5所述的一种基于声发射传感器系统的螺栓锈蚀分类方法，其特征在于：所述步骤4中，构建goose-elm分类模型的过程为：

7.根据权利要求6所述的一种基于声发射传感器系统的螺栓锈蚀分类方法，其特征在于：所述步骤5中，对比评价goose-elm分类模型的分类性能的过程为：

8.根据权利要求7所述的一种基于声发射传感器系统的螺栓锈蚀分类方法，其特征在于：所述pearson相关系数的表达式为：

9.根据权利要求8所述的一种基于声发射传感器系统的螺栓锈蚀分类方法，其特征在于：所述对分类结果的综合量化评估的表达式为：

技术总结
本发明公开了一种基于声发射传感器系统的螺栓锈蚀分类方法，涉及声发射传感技术领域，包括以下步骤：选取螺栓试件并通过电化学腐蚀方法控制通电时长制备不同锈蚀程度的螺栓样本，布设声发射传感器进行螺栓锈蚀检测；使用声发射传感器网络对螺栓进行检测，采集螺栓在不同锈蚀程度下的声发射信号。本发明通过利用声发射传感器网络采集螺栓的声发射信号，结合ReliefF算法进行特征选择，再应用改进的鹅群算法优化的极限学习机模型进行分类，实现了对螺栓锈蚀程度的高精度分类，能够更准确地反映螺栓的实际锈蚀状态，为后续的维修和更换提供有利依据，从而避免因螺栓锈蚀导致的设备故障和安全事故。

技术研发人员：狄舒艺,马丛明,罗琦,房志峰
受保护的技术使用者：南京工业大学
技术研发日：
技术公布日：2024/12/5