张 洪，刘彬彬，李云飞

(1.江南大学 机械工程学院，江苏 无锡 214122；2.江苏省食品先进制造装备技术重点实验室，江苏 无锡 214122；3.江苏省特种设备安全监督检验研究院，江苏 无锡 214174)

螺栓法兰连接是石化设备中至关重要的连接部件，螺栓可靠的预紧对连接结构的稳定性和密封性非常重要[1]。正常预紧的螺栓受到振动、冲击和温度变化影响时[2]，螺栓预紧力会改变，预紧力不足(松动状态)会导致螺栓连接结构的松动，预紧力过大(过紧状态)会导致连接面被破坏。螺栓连接结构出现松动、松脱和疲劳断裂等情况，将引发重大安全事故，对法兰螺栓的连接状态进行检测和评价非常必要。

扭力扳手法、应变片法和力传感器法都可以对螺栓预紧力进行测量，但是诊断准确率较低。压电主动传感技术可对螺栓的连接系统结构进行分析[3]，其通过专业的信号发生器激励螺栓连接系统，根据激励所得结果对螺栓连接状态进行评价。艾延廷等[4]通过阻尼检测技术很好地借助系统阻尼参数实现了螺栓预紧力的检测，此方法较前者相比精度有所提高，但非线性组合阻尼模型的构建较困难。

对于机械结构的健康评估，较理想的检测方法应该具备较简单的流程和较强的可操作性，例如常见的基于信号分析的声学诊断和振动诊断。声学诊断方法在螺栓连接状态检测上应用较多，并以超声居多[5]，杜飞等[6]借助超声测量方法并对导波信号的均方根偏差进行分析实现了螺栓松动检测，潘勤学等[7]借助螺栓形状因子概念，将影响检测系数的螺栓材料和螺栓形状独立开来，提高了超声检测螺栓预紧力的精度。超声信号易受外界影响，孙朝明等[8]具体研究了超声方法在测量螺栓预紧力的准确度问题，得出温度波动、探头位置、耦合层和摩擦都会对超声测量结果产生影响，若没有合理有效的测量工艺控制措施，将导致不可信的测量结果。

Kong等[9]指出，在用声学诊断方法诊断螺栓连接状态时，采样频率范围越广，越容易获取到反映螺栓预紧状态的特征信号。声发射传感器不仅可以采集到低频波也可以采集到高频波，因此在螺栓的检测方面具有较大优势[10]。相比于超声检测，声发射技术对于测量工艺要求较少，只需进行声发射信号的分析和处理就可实现测量。文献[11-12]借助声发射技术，通过能量和振铃计数等声发射参数，较准确地辨识了处在振动环境中的螺栓连接结构的连接状态。传统的声发射信号处理手段,手工进行特征提取较为复杂,而且特征是人为进行选择，不一定是区分信号的最优特征。深度学习方法可以从原始数据中自适应地提取特征,特征是计算机通过训练和学习得到的，因此在信号识别方面更有优势。

综上研究，本文提出采用振动装置对螺栓进行动态激励，采集螺栓的声发射信号。通过分段聚合近似和格拉姆角场理论将声发射信号编码为二维图像。将通道域注意力机制融合到残差神经网络结构的Basic Block中，搭建注意力网络框架，并以此框架作为底层结构设计分类模型(AMResNet18)，重点关注图像的细节特征，使模型具备更好的特征提取能力，并准确区分声发射信号的时序差异性，达到精准的螺栓连接状态识别。试验结果表明，二维化后的声发射信号更容易被识别和分类，融合了注意力机制的残差神经网络模型可以更好地实现法兰螺栓声发射信号的识别，优于传统方法，具有较高的识别精度。

1 声发射信号二维化

格拉姆角场(Gramian angular field,GAF)基于Gram原理[13]，它可将经典笛卡尔坐标系下的时间序列迁移到极坐标系上进行表示。GAF可很好地保留原始声发射时序信号的依赖性和相关性，具有和原始声发射信号相似的时序特质。GAF按照编码所用三角函数的不同可以得到格拉姆角和场(Gramian angular sum field，GASF)和格拉姆角差场(Gramian angular difference field,GADF)，GADF转换之后不可逆，因此本文选择可进行逆转换的GASF转换方式来进行声发射信号的编码。声发射信号到GASF图像的编码步骤如下所示：

对于一个有C维度的时间序列Q={Q1,Q2,…,QC}，其中每个维度都包含n个采样点Qi={qi1,qi2,…,qin}，首先对每个维度的数据进行归一化操作

(1)

之后将数据中的所有值整合到[-1,1]内，整合之后就用三角函数cos值代替归一化后的数值，用极坐标来代替笛卡坐标系，从而保留序列的绝对时间关系，其中角余弦值φ编码如式(2)所示

(2)

半径值编码根据时间戳进行编码，如式(3)所示

(3)

(4)

AGSF=

(5)

声发射信号编码成GASF图像的流程如图1所示。图1(b)是具有500个采样点的声发射信号，图1(a)是经过坐标系转换之后得到的极坐标系图，最终编码得到的声发射信号GASF图像如图1(c)所示，通过热力图表示。

(a)极坐标系

2 基于注意力机制的分类模型

残差神经网络(ResNet)[14]中的Basic Block和Bottleneck Block结构如图2所示。该结构在平铺的卷积神经网络(convolutional neural networks，CNN)上引入了shortcut分支结构，使残差单元以跳层连接的形式实现，解决了反向传播过程中梯度无法更新的问题，有效地解决了CNN模型在设计时的层数限制，采用ResNet搭建的模型有更加优越的性能。

图2 残差网络结构

模型的训练效果与网络深度和样本数据都有关系，为解决输入样本中的干扰信息过多而造成的特征提取困难问题,文献[15]提出了注意力机制(attention mechanism,AM)思想。AM根据任务需求将模型的注意力集中到图像的特定部分，重点关注样本数据中的细节特征。采用AM机制的模型可以通过训练自动调整需要重点关注的图像区域，提取更有效的细节特征。

2.1 通道域注意力机制

AM的作用在于去除冗杂的信息，选择对模型训练影响最大的关键信息。常见的AM有空间域、通道域和混合域[16]。结合本文所用数据特点，本文在构建模型时运用了通道域注意力，通道域注意力对不同的通道关注程度不同，可实现通道的最优化选择，其原理如图3所示。

图3 通道域注意力机制原理

从图3可知，输入x为h×w×c1的图像，c1为输入通道数量，然后经过第一个Ftr卷积操作之后得到大小为c2的通道。之后对所有通道进行全局平均池化得到大小为1×1×c2的一维实数数列，得到实数数列之后乘上一个权重W进行全连接操作，得到1×1×c2大小的全连接层。最后全连接层经过激活函数Sigmoid处理之后再与原来的通道进行加权。因为每个通道所包含的特征不同，所以经过处理之后模型就可以对每个通道进行筛选，重点关注有助于提高分类效果的通道，而忽略那些干扰信息较多的通道。

2.2 基于通道域注意力的分类模型

本文所用数据为声发射信号编码得到的GASF图像，为了使模型在保留全部输入特征信息的同时又具备细节特征提取和抗噪声干扰的能力，本文以ResNet中的Basic Block作为框架，然后在框架中融合了通道域注意力，设计的框架如图4所示。融合框架能很好地对声发射信号编码得到的GASF图像进行分类识别，提取声发射信号中的细节特征信息，提高对螺栓声发射信号的识别能力。AMResNet框架采用分组卷积模式，在每一个分组卷积块中加入了DropBlock2D模块，该模块可以实现卷积层的正则化处理并提高模型的鲁棒性能和抗噪性能。

图4 AMResNet基本模块图

本文所用网络模型(AMResNet18)由本文所设计的融合框架搭建而成，AMResNet18包含1个卷积预处理层，卷积核大小为7×7，15个AMResNet层、1个全连接层和1个输出层，总共为18层，AMResNet18模型结构如图5所示。

图5 本文所用模型

3 试验结果分析

3.1 试验设置

对于法兰螺栓连接结构，从微观角度来看，连接面之间是粗糙的和不均匀的，连接面之间真正的接触往往是物体微观表面的峰谷。连接结构的动态特性会受到真实接触面S和接触刚度K的影响[17]，这些参数都与螺栓的预紧力有直接关系。借助于波能衰减理论，声发射传感器可以通过收集螺栓连接结构中的弹性波以此来测量和评价螺栓连接状态。弹性波在螺栓连接结构中的传播过程，如图6所示。当有弹性波事件发生时，所产生的弹性波会通过接触面在螺栓结构中进行传播，一些携带能量的波会通过实际接触面泄露出去，剩下的波则会继续在结构中进行传播。能量衰减理论假定波能量的泄漏与真实接触面积成正比Ωleak∝S。根据赫兹弹性接触理论，接触面真实接触面积和接触压力有以下关系S∝P2/3，因此弹性波的衰减能量的大小和接触压力(螺栓预紧力)有直接关系[18]，借助高灵敏度的声发射传感器来采集弹性波可以很好地检测螺栓的连接状态。

图6 弹性波能量衰减图

本次试验所用对象为实际使用中的法兰螺栓连接结构，如图7所示。图7中扭矩扳手可以改变螺栓预紧力大小，振动装置可以对螺栓连接结构进行动态激励，产生弹性波。试验所用的传感器型号为SR150M谐振式传感器，该传感器的频率范围为60～400 kHz，3个传感器等距环向布置。传感器采集到的信号经PAI前置放大器放大处理之后，被SAEU2S型声发射主机接收，然后将数据传输给计算机。

图7 试验采集现场

本次试验所设置信号采样频率为2 500 kHz，采样点数为4 096，PDT(峰值定义时间)、HDT(撞击定义时间)和HLT(撞击锁闭时间)分别设定为300 μs、600 μs和1 000 μs。经现场空采和断铅试验后，设定采集时的波形和参数门限为38 dB，以减少外界环境干扰。试验参照图6中的声发射信号获取方式，将振动装置紧贴在待检测螺栓侧边，激励螺栓并得到声发射信号。此种方法类似于使用敲击锤敲击螺栓获取螺栓的声音信号，不同的是本试验用振动装置代替了敲击锤，而获取得到的信号为频率范围更广的声发射信号。

试验所用的螺栓强度等级为5.6级，尺寸为M8，根据GB 1231—2006《螺栓扭矩标准》，其标准扭矩约为10 N·m。试验采集了螺栓在正常预紧(10 N·m)、松动(5 N·m)、过预紧(15 N·m)3种状态下的声发射信号。在试验中，为了保证采样时螺栓预紧力的一致:①在每次信号采集前将螺栓完全拧松，然后再使用带数值的扭矩扳手拧紧螺栓；②采用较短的信号采样时间，试验中的每次采样时间均为15 s，防止长时间的振动造成螺栓的预紧力改变。此外，本文所搭建的模型中加入了正则化模块，此模块对各种各样的噪声有显著的抵抗能力，能提高模型的鲁棒性能。

试验采集的是单个螺栓的声发射信号，振动装置可以产生稳定的动态激励，试验中的干扰源主要是其他正常预紧的螺栓所产生的弹性波。弹性波在介质中传播时，会发生衰减，传播距离越远，衰减越严重。本试验布置了3个声发射探头，在进行信号分析时采用的是离待检测螺栓最近的探头采集到的信号，因此在一定程度上消除了所处环境的影响。除此之外，本文采用注意力网络来进行信号识别，目的就是为了关注信号中的有效特征，减小所处环境的干扰。试验所采集到的声发射信号如图8所示。

(a)松动状态AE信号

采集结束后共得到螺栓在3种预紧状态下的各150 s的声发射信号。之后根据需要将采集到的声发射信号分为了两部分：①一部分(130 s)作为训练数据，用于训练模型；②一部分(20 s)作为测试数据，用于验证模型。

3.2 模型设置

螺栓连接部位的声信号复杂，模型在设计时需要解决的问题就是从复杂的信号中提取到可以很好地区分螺栓连接状态的特征，提高螺栓连接状态识别的精度。为评估本文所用模型(AMResNet18)的优越性，本文选取了传统机器学习常用的SVM(support vector machines)和BP(back propagation)神经网络分类器，以及深度学习中主流的CNN模型作为对比。参与对比的试验算法有SVM+fea、BP+fea、1DCNN+ori、LeNet5+GASF、VGG16+GASF、ResNet50+GASF。

SVM本质上是一种二分类器，目的是从输入特征中学习出一个0/1的分类模型，BP神经网络是一种采用反向传播算法训练的多层反馈网络，训练后会得到输入-输出模式映射关系。SVM需要具有较少特征的样本进行训练，而BP神经网络权值太多，也需要使用较少特征的样本训练以减小计算量。SVM所需的存储空间小，但是调参困难，较难解决多分类问题。1D-CNN是由一维卷积搭建的卷积神经网络，1D-CNN可实现信号的端到端识别，省去信号处理步骤，缺点是其特征提取能力欠缺，模型层数受限，对于复杂的信号难以实现识别。

LeNet5、VGG16、ResNet50和AMResNet18都是基于二维卷积神经网络搭建的，结构和层数都不同，特征提取能力优于采用一维卷积神经网络搭建的模型，但需要输入为二维图像。

各方法参数如下：①SVM，以声发射信号时频域特征(fea)输入，核函数选择RBF高斯径向基，惩罚因子为50，核函数半径为0.25；②BP神经网络，以声发射信号时频域特征(fea)输入，5个隐含层，1个输出层。③1D-CNN，以原始声发射信号(ori)输入，2个卷积、池化层，2个全连接层，1个输出层；④LeNet5，以GASF图输入，2个卷积、池化层，2个全连接层，1个输出层；⑤VGG16，以GASF图输入，13个卷积层，5个池化层，3个全连接层；⑥ResNet50，以GASF图输入，16组Bottleneck Block，单个Bottleneck Block包含2个1×1卷积和1个3×3卷积，1个全连接层，1个输出层；⑦AMResNet18，以GASF图输入，15组AMResNet Block，1个7x7大小的卷积层，1个全连接层，1个输出层。

以上各个模型的学习率均设为0.000 1，迭代轮次为200。深度学习模型的损失(loss)函数均选择交叉熵(Cross Entropy)函数，优化器选择Adam优化器，Batch size的大小为8。采用图像输入的模型，训练样本在进行训练前均被整合为大小为224×224的图像，加载训练样本时不进行图像翻转和其他预处理方法。试验中各模型运行的环境为个人计算机，所用处理器为I5-8400，GPU为GTX1060，运行平台为Pytorch1.6.0。采用本文方法实现法兰螺栓连接状态识别的完整流程，如图9所示。

图9 AMResNet18识别流程

3.3 声发射信号预处理

对于采样点为n的一维声发射信号，直接用GASF编码方法对信号进行编码时，直接编码得到的GASF图像大小为n×n。试验采集得到的每个声发射信号都有4 096个采样点，直接采用原始信号进行编码将会得到4 096×4 096大小的图像。为了控制GASF图像的大小，节省训练时间和计算机内存，本文在对声发射信号编码前，使用了分段聚合近似(piecewise aggregate approximation,PAA)平滑时间序列。该方法可以通过较少的采样点来表示和原始信号相同的时序变化趋势，经过PAA平滑之后的信号和原始信号具有一样的时序差异性。

具有4 096个采样点的原始声发射信号经PAA平滑处理之后得到的具有256个采样点的声发射信号，如图10所示。信号进行平滑处理之后，再进行GASF编码，就可以得到256×256大小的GASF图像。

(a)原始AE信号

按照此种方法对试验采集的声发射信号进行编码，最终得到3 000(每种状态各为1 000)个训练样本，252(每种状态各为84)个测试样本，训练样本用于模型训练，测试样本用于模型分类能力测试,样本数据集划分如表1所示。

表1 样本数据集划分

3.4 分类效果对比

在参与对比的模型里，SVM分类器的输入为声发射信号的时频域特征，较少样本即可完成模型的训练，因此不进行200次的迭代，其余每种算法都进行了200轮次的迭代，经过迭代之后各个模型的识别结果如表2所示。

表2 螺栓连接各状态准确率

从表2可知，对于法兰螺栓的3种连接状态来说，过紧状态是最难识别的，在各个分类器中识别精度都处于比较低的水平。从平均准确率来看，传统的SVM和BP神经网络分类器识别精度较低，采用原始信号作为输入，其平均准确率约为77%。而将一维信号编码为GASF图像后，准确率得到了明显的提升，各个模型的识别率都在84%以上，比原始信号作为输入高了7%。由此可见将声发射信号编码为二维图像，可以很好地提高分类模型对信号的识别能力。其中本文所用的模型平均准确率最高，每种状态的准确率都比深层网络ResNet50模型高3%左右。本文模型虽然参数量小于ResNet50，但是在分类效果上却提升了约3%，很好地提取和保留了输入数据的细节特征信息，更适用于声发射信号编码得到的二维图像的识别。

本节还对比分析了各分类模型的训练性能，各模型在训练200次之后得到的测试准确率和损失函数收敛曲线，如图11所示。从图11可知，BP神经网络分类器的最终损失函数值最大，最终分类准确率也最低。采用1DCNN+原始信号的训练方式，训练损失值较大，其最终准确率也比较低。LeNet5和VGG16模型初始损失值和准确率相近，LetNet5经过30轮次迭代之后逐渐收敛，VGG16则是经过在60轮次迭代之后趋于稳定，VGG16的最终准确率高于LeNet5。ResNet50和AMResNet18的初始准确率最高，损失值收敛最快，训练损失值小于其他模型，最终分类准确率也高于其他模型，但是ResNet50的准确率波动较大，呈现出不稳定的状态，而AMResNet18的测试准确率更加稳定，曲线也更平滑，因此性能也更好。

(a)测试准确率

为更加直观的评价所有模型的分类稳定性，绘制了各个分类模型的预测准确率箱型图。其中箱体越小代表测试准确率波动越小，越大就代表测试准确率波动较大。经过200次迭代之后，所有模型的测试准确率箱型图，如图12所示。从图12可知，本文所设计模型的箱体最小，性能最好，其最终预测准确率也最高，LeNet5模型的性能最差。

图12 测试准确率稳定性对比

为了比较所选用方法的时效性，统计了各个分类模型完成训练所需要的时间，各分类器的训练时间如图13所示。从图13可知，SVM和BP神经网络，因为结构简单，输入数据为处理好的特征，所以训练需要的时间最短。VGG16所需要的训练时间最长，这是因为VGG16卷积层的通道数过大，导致VGG16模型在内存和时间上的计算要求很高，VGG16模型的分类准确率不是最高。AMResNet18虽然训练时间略长于ResNet50模型，但是AMResNet18在分类效果上有着更出色的表现，无论是稳定性还是最终识别精度上，本文所用模型均优于ResNet50。

图13 各模型训练时间

3.5 验证信号分析

通过以上试验可知，加入注意力机制的模型可以很好地对螺栓的连接状态进行识别。为了探究所用模型的泛化性能如何，进行了验证信号的识别分析。进行验证分析时，首先是检测对象改变，检测对象改为该法兰连接结构的另外两个螺栓，第二是预紧力大小有所改变，增加了多种预紧状态。采集声发射信号并将声发射信号编码为GASF图像之后，将新的图像输入到之前训练好的模型中进行识别，经本模型识别之后的结果如表3所示。

由表3可知，在检测对象改变后，无论是螺栓A和螺栓B，本文模型依然可以对所检测螺栓的连接状态实现比较准确的识别，其中正常预紧和松动状态识别准确率最高，过紧状态识别准确率相对较低。根据表3中的识别准确率，可以说明本文模型也可以实现对新的声发射信号的识别，具有比较好的泛化性能和鲁棒性。

表3 验证信号识别结果

4 结 论

本文采用动态激励获得了螺栓各连接状态的声发射信号，根据声发射信号的时序特质，提出了基于注意力网络的法兰螺栓声发射信号识别方法，用于实现法兰螺栓连接状态的识别。试验采集了法兰螺栓在三种连接状态下的声发射信号，并采用多种模型对声发射信号进行识别，试验结果表明：

(1)在有外部动态激励时，可以借助声发射技术用于螺栓松动的检测，螺栓正常预紧状态最容易识别，过紧状态相对较难识别。

(2)经过分段聚合近似处理过后的信号和原始信号一样具有明显时序差异性，通过GAF原理将声发射信号编码为GASF图像，可以显著提高分类模型对信号的识别能力。

(3)融合了注意力机制的CNN模型，可对声发射信号编码得到的二维图像进行更好地识别和分类，训练得到的模型可以有效提取和保存输入数据的特征，提高信号的识别精度，具有良好的泛化性能。