基于深度学习的高强螺栓振动声学信号缺陷智能识别系统的制作方法

本发明属于风力发电构件高强螺栓振动声学信号缺陷智能识别，具体涉及一种基于高强螺栓振动声学信号缺陷智能识别算法的智能识别系统。

背景技术：

1、高强螺栓是风力发电机组的重要发电构件，随着发电机组的工作时间增加，高强螺栓不可避免的会产生松动和老化的情况，甚至出现裂纹，这会带来很大程度的安全隐患。

2、目前，对高强螺栓的缺陷检测主要有两种检测方式：基于图像特征检测和基于声学特征检测。基于图像特征检测主要利用高清照相机对高强螺栓表面拍照，通过图像特征检测高强表面的裂纹深度。而风力发电机组的高强螺栓安装在风机塔筒后，螺栓裂纹在机器内部，拆卸会花费巨大的金钱和人力成本，所以无法通过图像的方式进行检测。所以工业上对风力发电机组的高强螺栓的检测主要基于声学特征检测。

3、高强螺栓振动产生的声学信号与螺栓安装在机器的预紧力和表面的裂纹缺陷都具有一定的关系，松动或裂纹高强螺栓的声振信号频谱与完好的高强螺栓的频谱不同，且随着缺陷深度的增加，频谱中的两个特征频率差值增大。由此可知，利用机器学习算法对螺栓的声振信号进行识别分类就可以判断高强螺栓的状态。

4、在风力发电机组的高强螺栓的状态识别中，为了有效地检测螺栓的紧度和缺陷状态，本发明通过高强螺栓振动声学信号缺陷智能识别算法结合工业级防尘防水防摔windows平板和定向麦克风硬件设备发明了一套高强螺栓振动声学信号智能识别系统，用户可使用该系统无需拆卸螺栓实时识别高强螺栓的状态，并且该系统支持录音保存功能，敲击高强螺栓发出的音频可以保存在本地资源文件夹，以供基于深度学习的智能识别算法的后续研究。

技术实现思路

1、(一)要解决的技术问题

2、本发明所要解决的技术问题是根据高强螺栓振动声学信号缺陷智能识别算法结合硬件平台建立高强螺栓振动声学信号缺陷智能识别系统，用户登录该系统后可以通过敲击待检测的高强螺栓生成声振信号并输入到卷积神经网络智能识别模型中，实时检测高强螺栓的预紧力和缺陷情况。

3、(二)技术方案

4、本发明建立了一种基于高强螺栓振动声学信号缺陷智能识别算法的智能识别系统，其包括：

5、s1、对所研究的高强螺栓振动声学信号缺陷智能识别系统进行硬件系统构建，包括工业级防尘防水防摔windows平板和定向麦克风录音设备；

6、s2、实现高强螺栓振动声学信号缺陷智能识别软件系统的用户注册功能；

7、s3、实现高强螺栓振动声学信号缺陷智能识别软件系统的用户登录功能；

8、s4、实现12种高强螺栓振动产生的音频录制、定向保存、时间戳命名功能；

9、s5、实现高强螺栓振动产生的声学信号输入到深度神经网络高强螺栓缺陷智能识别模型中进行缺陷和预紧力识别；

10、通过计算声学信号的梅尔频率倒谱系数结合卷积神经网络判断高强螺栓的缺陷状态；系统的识别结果显示在软件界面，若系统识别到检测的高强螺栓为无缺陷状态，同时给出螺栓的松动情况；若螺栓表面存在缺陷，则给出“存在超标缺陷”的提醒，并以黄橙红三种颜色表示螺栓开裂的严重程度。

11、优选地，所述s1中，利用工业级防尘防水防摔windows平板作为软件系统的载体；定向麦克风用于录制高强螺栓振动产生的声学信号。

12、优选地，所述s2中，用户注册时，需要输入用户、密码和授权码；用户名和密码字段保存在mysql数据库的user表内；授权码和注册人数上限功能保障用户数据的安全。

13、优选地，所述s3中，用户登录时输入用户名和密码，软件根据输入的用户名-密码字段与user表内的用户名-密码字段做匹配。

14、优选地，所述s4中，收音设备为单通道定向麦克风，采样率设置为64000hz，缓存区大小为1024bit；螺栓振动产生的音频信号转换成电信号以流的形式写入到wav格式文件中。

15、优选地，所述s5中，对高强螺栓的状态检测基于卷积神经网络分类模型，通过声学信号的梅尔频率倒谱系数的大小做缺陷和预紧力检测；

16、优选地，卷积神经网络中，最外层和最内层的卷积层的卷积核设置为11，内层卷积层的卷积核大小设置为3；将卷积层捕捉到的256维度的特征图经过自适应池化层后得到256维度的特征信息送入到全连接层得到分类结果，每层卷积层的输出特征维度分别是64，64，128，128，256，256。

17、优选地，所述梅尔倒谱系数(mel-scale frequency cepstral coefficients，mfcc)是在mel标度频率域提取出来的倒谱参数，不依赖于信号的性质，对输入信号不做任何的假设和限制，又利用了听觉模型的研究成果，具有更好的鲁棒性，符合人耳的听觉特性，当信噪比降低时仍具有较好的识别性能；mfcc描述了人耳频率的非线性特性，它与频率的关系可用下式近似表示：

18、mel(f)＝2595×log(1+f/700)。

19、有益效果

20、本发明基于高强螺栓振动声学信号缺陷智能识别算法结合硬件平台构建高强螺栓缺陷智能识别系统，用户可以通过敲击高强螺栓使其振动产生声学信号，然后利用软件集成的录音功能采集保存并命名。最新保存后的音频信号输入到卷积神经网络分类模型中进行识别，最后将识别结果输出在软件界面中。

技术特征：

1.基于深度学习的高强螺栓振动声学信号缺陷智能识别系统，其包括：

2.如权利要求1所述的基于深度学习的高强螺栓振动声学信号缺陷智能识别系统，其特征在于，所述步骤s1中，利用工业级防尘防水防摔windows平板作为软件系统的载体；定向麦克风用于录制高强螺栓振动产生的声学信号。

3.如权利要求1所述的基于深度学习的高强螺栓振动声学信号缺陷智能识别系统，其特征在于，所述s2中，用户注册时，需要输入用户、密码和授权码；用户名和密码字段保存在mysql数据库的user表内；授权码和注册人数上限功能保障用户数据的安全。

4.如权利要求1所述的基于深度学习的高强螺栓振动声学信号缺陷智能识别系统，其特征在于，所述s3中，用户登录时输入用户名和密码，软件根据输入的用户名-密码字段与user表内的用户名-密码字段做匹配。

5.如权利要求1所述的基于深度学习的高强螺栓振动声学信号缺陷智能识别系统，其特征在于，所述s4中，收音设备为单通道定向麦克风，采样率设置为64000hz，缓存区大小为1024bit；螺栓振动产生的音频信号转换成电信号以流的形式写入到wav格式文件中。

6.如权利要求1所述的基于深度学习的高强螺栓振动声学信号缺陷智能识别系统，其特征在于，所述s5中，对高强螺栓的状态检测基于卷积神经网络分类模型，通过声学信号的梅尔频率倒谱系数的大小做缺陷和预紧力检测；

7.如权利要求1所述的基于深度学习的高强螺栓振动声学信号缺陷智能识别系统，其特征在于，所述梅尔倒谱系数(mel-scale frequency cepstral coefficients，mfcc)是在mel标度频率域提取出来的倒谱参数，不依赖于信号的性质，对输入信号不做任何的假设和限制，又利用了听觉模型的研究成果，具有更好的鲁棒性，符合人耳的听觉特性，当信噪比降低时仍具有较好的识别性能；mfcc描述了人耳频率的非线性特性，它与频率的关系可用下式近似表示：

技术总结本发明公开了基于深度学习的高强螺栓振动声学信号缺陷智能识别系统，其包括：高强螺栓振动声学信号缺陷智能识别系统硬件系统搭建，高强螺栓振动声学信号缺陷智能识别软件系统设计。高强螺栓振动声学信号缺陷智能识别系统硬件系统包含：工业级防尘防水防摔windows平板和定向麦克风收音设备。高强螺栓振动声学信号缺陷智能识别系统软件系统设计：用户注册登录功能、高强螺栓振动声音信号录制功能、定向保存和时间戳命名功能以及高强螺栓缺陷智能识别功能。本发明实现了实时检测高强螺栓的预紧力和缺陷情况。技术研发人员：董树青,杨帆,张华锋,魏庆来,宋睿卓,刘永超受保护的技术使用者：中国大唐集团科学技术研究总院有限公司华北电力试验研究院技术研发日：技术公布日：2024/5/12