基于孪生神经网络的楔形环连接结构预紧状态分类方法技术

本发明专利技术公开了一种基于孪生神经网络的楔形环连接结构预紧状态分类方法，包括对楔形环连接结构开展模态测试，获取模态响应信号，对并预紧状态进行标注；对模态响应信号开展时频分析，获取其二维时频图，并进行二值化处理；建立孪生网络模型训练所需的时频图孪生对；建立孪生神经网络模型并指定训练参数；将时频图孪生对带入孪生神经网络模型进行训练，获取稳定的网络分类模型；将测试样本带入已经训练好的孪生网络分类模型，获取其预紧状态标签；本发明专利技术基于孪生神经网络，利用声传感器或振动加速度传感器测试手段可实现楔形环连接结构预紧状态无损表征。状态无损表征。状态无损表征。

【技术实现步骤摘要】
基于孪生神经网络的楔形环连接结构预紧状态分类方法


[0001]本专利技术涉及连接结构预紧状态分类方法
，尤其涉及一种基于孪生神经网络的楔形环连接结构预紧状态分类方法。

技术介绍

[0002]楔形环连接结构由于其具有结构紧凑、连接附加质量轻、装拆方便等优势，通常应用于鱼雷、航天飞行器、导弹等重大装备。相比于传统的螺栓结构，采用楔形环连接结构可保持产品表面连续光顺，有效减小阻力、降低噪声，具有优良的气动和液动性能。但是由于楔形环连接结构的特殊形式，其连接预紧状态无法定量识别。对于装配来说，存在过松不满足预紧要求、过紧后续分解困难的问题；对于使用过程中，在长时振动、冲击等环境剖面下存在松动的风险。鉴于此，亟需建立一种楔形环连接结构预紧状态识别方法。
[0003]针对连接结构预紧状态辨识方法，国内外学者已有大量研究成果，按照检测原理可大致划分为基于经验观察、基于结构振动响应、基于压电阻抗、应变和基于超声的方法，但是现有研究现状主要集中在螺栓连接结构，而对于楔形环连接结构少有关注。由于楔形环连接结构的特殊结构形式，受结构空间、使用功能限制，难以直接通过安装传感器来检测。
[0004]基于此，需要研发一种基于孪生神经网络的楔形环连接结构预紧状态分类方法来解决上述问题。

技术实现思路

[0005]本专利技术的目的就在于为了解决上述问题设计了一种基于孪生神经网络的楔形环连接结构预紧状态分类方法。
[0006]本专利技术通过以下技术方案来实现上述目的：
[0007]基于孪生神经网络的楔形环连接结构预紧状态分类方法，包括以下步骤：
[0008]S1：预设不同预紧状态的楔形环连接结构，对楔形环连接结构开展模态测试，测试楔形环连接结构的模态响应信号，并对楔形环连接结构预紧状态进行标注获得训练样本预紧状态标签；
[0009]S2：对步骤S1所获模态响应信号开展时频分析，获取二维时频图，并进行二值化处理，获得二值化时频图；
[0010]S3：基于所获取的二值化时频图和训练样本预紧状态标签，建立孪生网络模型训练所需的孪生对；
[0011]S4：建立孪生神经网络模型并指定训练参数，定义网络模型结构；
[0012]S5：将步骤S3中的孪生对带入步骤S4中的孪生神经网络模型进行训练，获取稳定的孪生网络分类模型；
[0013]S6：将测试样本带入已经训练好的孪生网络分类模型，获取测试样本预紧状态标签。
[0014]本专利技术的有益效果在于：基于声传感器或振动加速度传感器获取与楔形环预紧状态相关的敏感响应信息，避免对产品进行补加工，对空间约束性要求低；同时基于深度孪生神经网络的处理技术简化了传统神经网络的特征工程处理环节，克服了传统机器学习方法过于依赖人工经验提取特征的缺陷，直接基于原始数据便可实现特征深度挖掘和提取，输出特征敏感性更强，其诊断性能更优。
附图说明
[0015]图1为本专利技术实施步骤流程图；
[0016]图2为模态响应信号时域图；
[0017]图3为二值化时频图孪生对示意图；
[0018]图4为孪生神经网络模型训练过程损失值趋势示意图；
[0019]图5为训练数据分类结果示意图；其中，(a)为迭代次数为1时，(b)为迭代次数为500时，(c)为迭代次数为1000次时。
[0020]图6为测试样本分类结果示意图。
具体实施方式
[0021]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本专利技术实施例的组件可以以各种不同的配置来布置和设计。
[0022]因此，以下对在附图中提供的本专利技术的实施例的详细描述并非旨在限制要求保护的本专利技术的范围，而是仅仅表示本专利技术的选定实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0023]应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
[0024]在本专利技术的描述中，需要理解的是，术语“上”、“下”、“内”、“外”、“左”、“右”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，或者是该专利技术产品使用时惯常摆放的方位或位置关系，或者是本领域技术人员惯常理解的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的设备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专利技术的限制。
[0025]此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0026]在本专利技术的描述中，还需要说明的是，除非另有明确的规定和限定，“设置”、“连接”等术语应做广义理解，例如，“连接”可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接连接，也可以通过中间媒介间接连接，可以是两个元件内部的连通。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专利技术中的具体含义。
[0027]下面结合附图，对本专利技术的具体实施方式进行详细说明。
[0028]如图1所示，基于孪生神经网络的楔形环连接结构预紧状态分类方法，其特征在于，包括以下步骤：
[0029]S1：预设不同预紧状态的楔形环连接结构，对楔形环连接结构开展模态测试，通过声传感器或振动加速度传感器测试获取楔形环连接结构的模态响应信号，并对楔形环连接结构预紧状态进行标注获得训练样本预紧状态标签；
[0030]S2：基于短时傅里叶变换或小波变换，对步骤S1所获模态响应信号开展时频分析，获取二维时频图，并进行二值化处理，获得二值化时频图；
[0031]S3：基于所获取的二值化时频图和训练样本预紧状态标签，建立孪生网络模型训练所需的孪生对；
[0032]S4：建立孪生神经网络模型并指定训练参数，定义网络模型结构；网络模型结构包括输入输出变量、隐藏层结构、层数及节点数等；训练参数包括迭代次数、学习率、梯度衰减因子、训练环境等。
[0033]S5：将步骤S3中的孪生对带入步骤S4中的孪生神经网络模型进行训练，获取稳定的孪生网络分类模型；
[0034]S6：将测试样本带入已经训练好的孪生网络分类模型，获取测试样本预紧状态标签。
[0035]实施例
[0036]S1：预设3种预紧状态的楔形环连接结构，其中松动状态20个样本，弱预紧状态12个样本，强预紧状态9个样本。从松到紧其标签分别设置为0/1/2。通过模态测试获取其声音响应信号，其时域信号如图2所示。
[0037]S2：基于短时傅里叶变换，对图2中所获模态响应信号开展时频分析，获取其二维时频图，并进行二值化处理；
[0038]S3：基于S2所获取的二值本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于孪生神经网络的楔形环连接结构预紧状态分类方法，其特征在于，包括以下步骤：S1：预设不同预紧状态的楔形环连接结构，对楔形环连接结构开展模态测试，测试楔形环连接结构的模态响应信号，并对楔形环连接结构预紧状态进行标注获得训练样本预紧状态标签；S2：对步骤S1所获模态响应信号开展时频分析，获取二维时频图，并进行二值化处理，获得二值化时频图；S3：基于所获取的二值化时频图和训练样本预紧状态标签，建立孪生网络模型训练所需的孪生对；S4：建立孪生神经网络模型并指定训练参数，定义网络模型结构；S5：将步骤S3中的孪生对带入步骤S4中的孪生神经网络模型进行训练，获取稳定的孪生网络分类模型；S6：将...

【专利技术属性】
技术研发人员：王九龙，李树勇，盛俊杰，文勇，
申请(专利权)人：中国工程物理研究院总体工程研究所，
类型：发明
国别省市：