一种基于ARPSO-LSSVM算法的螺栓缺陷超声检测方法及系统与流程

本发明涉及缺陷检测与故障诊断，尤其涉及一种基于arpso-lssvm算法的螺栓缺陷超声检测方法及系统。

背景技术：

1、螺栓的质量和可靠性对各个领域的设备运行和人员安全都具有重要意义。然而，不可避免地，由于制造工艺不当、在役时受到的持续应力以及腐蚀氧化、错误的安装与维护等多种影响因素的存在，螺栓内部会出现各种类型的缺陷，使整体结构不安全。常见的螺栓缺陷为裂纹、气孔、夹杂等，这些缺陷引起的连接失效会对机械连接的安全性和可靠性产生劣性影响，甚至导致设备故障、事故和人员伤亡。

2、常见的螺栓缺陷检测方法包括人工目视法、磁粉探伤法、红外热成像法、x射线检测法、机器视觉检测法以及超声波检测法。其中人工目视法、磁粉探伤法、红外热成像法以及机器视觉法只能检测螺栓的表面及近表面缺陷，x射线检测法及超声波检测法均能够在无损工件状态下对工件内部缺陷进行检测，但x射线法会对操作人员造成辐射危害。因此，超声无损检测技术具有非破坏性、检测全面性以及高灵敏度，适用性广泛。然而现有的超声检测技术在应用于螺栓缺陷检测时存在检测时间长，检测灵敏度受限，不同缺陷的分类识别准确率低，依赖操作人员经验，信号解读不准确等难题，无法实现螺栓缺陷的智能自动化检测。

技术实现思路

1、鉴于此，本发明提供一种基于arpso-lssvm算法的螺栓缺陷超声检测方法及系统，一方面解决现有螺栓缺陷检测方法存在检测效率低以及缺陷分类识别准确性不高的问题；另一方面将arpso-lssvm算法融入超声无损检测系统，实现针对多种螺栓缺陷的智能监测，提高缺陷检测的全面性、可靠性和实用性。

2、本发明公开了一种基于arpso-lssvm算法的螺栓缺陷超声检测方法，其包括：

3、通过超声卡配备的软件设置超声波参数并传输给换能器，激励换能器产生相应的超声波；超声卡将换能器检测到的螺栓的超声回波发送至数据采集卡，数据采集卡对接收到的超声回波信号进行预处理，并将预处理后的超声波信号发送至pc端，pc端从预处理后的超声信号中提取数学特征和信号信息特征，以构建缺陷特征库，将缺陷特征库划分为训练集和测试集；将训练集输入缺陷识别模型进行训练，以得到螺栓的缺陷类型；将测试集输入缺陷识别模型，以识别螺栓的缺陷类型。

4、进一步地，在被测螺栓上移动换能器，对回波信号进行采集，于缺陷回波最大处对同一类缺陷重复采集，同时对无缺陷的回波重复采集，最终得到多个样本，样本类型包括无缺陷、裂纹、气孔和夹杂。

5、进一步地，数据采集卡对螺栓的超声回波信号进行采集，采集到的超声回波信号中包含各种噪声，对其进行滤波，并对滤波后的信号归一化，以完成信号的预处理，使得不同样本之间具有可比性；可比性指经过预处理后的数据能够使得不同样本之间具有相似的特征和信号质量。

6、进一步地，按照mcts-emd法，提取每个样本的数学特征和信号信息特征，构建缺陷特征库，将缺陷特征库划分为训练库和测试库；计算出所有特征的距离评价因子后，将所有的特征按照评价因子数值高低进行排列，距离评价因子越大，特征应用于分类的价值越高；

7、根据类别可分性准则从距离评价因子中选取出应用于分类的最佳特征；最佳特征通过计算出距离评价因子后，通过将所有的特征按照评价因子数值高低进行排列得到；采用多时序相关经验模式分解法mcts-emd提取到特征的可分性测度，以提高特征的可分性；利用arpso-lssvm算法对缺陷特征库中的训练集进行模型训练，并进行缺陷识别，实现对螺栓缺陷的分类决策与识别。

8、进一步地，数学特征指通过对信号进行数学运算得到的特征，数学特征包括平均值、标准差和峰值；数学特征可直接从信号的时间序列中计算得到；而信号信息特征需要通过信号处理或者特征提取算法来获取，信号信息特征包括频域特征、时频域特征、时序特征；频域特征包括谱分布、频谱能量；时频域特征包括小波换系数和瞬时频率；时序特征包括时序统量和周期性指标。

9、进一步地，针对螺栓上不同缺陷的分类要求，arpso-lssvm分类识别方法利用arpso算法对lssvm参数及核函数参数进行寻优，进而获得最优的缺陷分类准确率；lssvm实现过程中需要确定核函数参数σ和惩罚因子γ；在核函数参数σ和惩罚因子γ和的取值空间上优化lssvm分类精度；利用arpso-lssvm对核函数的参数进行计算，根据所确定的核函数参数σ和惩罚因子γ，将所获得的信号的特征代入arpso-lssvm中进行分类判断。

10、进一步地，首先选取测试样本个数为训练样本个数的两倍来判断是否存在缺陷；在判断被测螺栓存在缺陷后，识别缺陷的种类，采用arpso-lssvm算法进行分类，对采样信号进行预处理后，首先进行初始化设置并进行预处理；评价各微粒的初始适应值和种群多样性函数，根据当前微粒的位置参数，将初始种群的每个微粒分别代入lssvm，利用lssvm模型进行样本数据的训练，并计算每个微粒的适应值；更新微粒位置和速度，更新个体最优位置，对于每个微粒，比较其当前适应值与其历史上取得的最佳适应值，如果当前适应值较小，则将当前适应值作为微粒的最佳适应值；更新全局最优位置，对于每个微粒，比较其历史上取得的最佳适应值与全局最佳适应值，如果历史最佳适应值较小，则更新全局最佳适应值和对应的位置。

11、进一步地，所述更新微粒位置和速度包括：根据当前微粒的位置、速度和适应值，使用更新公式调整微粒的速度和位置；更新公式为vi(t+1)＝vi(t)+dir[c1r1(pi-xi(t))+c2r2(pg-xi(t))]，如果满足s＜dlow，dir＝-1，否则dir＝1。

12、进一步地，所述更新全局最佳适应值和对应的位置之后，还包括：

13、判断arpso-lssvm算法是否收敛到目标函数的阈值或达到最大迭代次数，如未满足条件则根据当前群体情况自适应调整参数搜索范围，重新计算每个微粒的适应值；当arpso-lssvm算法停止后，输出全局最优适应值及其对应的位置，即最优参数；将最优参数赋给lssvm模型，并使用测试数据集对训练好的lssvm模型进行验证和评估。

14、本发明还公开了一种基于arpso-lssvm算法的螺栓缺陷超声检测系统，实现上述任一项所述的基于arpso-lssvm算法的螺栓缺陷超声检测方法，其包括通信功能模块、数据处理模块和界面显示模块；

15、通信功能模块用于执行命令封装，解析以及数据交换，adc的位数为m+4bit，而下位机往上位机传输数据时，按照mbit的数据传输，下位机总将采集到的每个m+4bit的数据先填充成2mbit，然后拆分成两个mbit的数据传输到上位机，上位机将每两个相邻的mbit的数据合成一个2mbit的数据；

16、数据处理模块用于数据的合成、保存与分析；界面显示模块用于提供用户友好界面，将处理后的数据在界面上显示，以便直观地观察在役螺栓缺陷监测结果；其中，下位机包括换能器、超声卡和采集卡，上位机为pc端。

17、由于采用了上述技术方案，本发明具有如下的优点：本发明采用相控阵超声波技术，能够提供高分辨率和高灵敏度的螺栓缺陷检测结果，实现对螺栓缺陷的高精度分类识别，提高检测效率；通过超声卡和信号采集卡的连接，实现超声信号的采集以及快速预处理，对原始数据进行增强；通过提取数学特征和信号信息特征并构建缺陷特征库，为后续的缺陷识别提供训练数据集和测试数据集，提高缺陷分类与识别的准确率；采用mcts-emd方法对特征进行进一步提取和降维，计算特征的可分性测度，提高特征的代表性和分类器的效率；arpso-lssvm算法兼具具有自适应权重粒子群优化和最小二乘支持向量机的优点，能够实现高准确率的缺陷分类与识别，提高了缺陷识别的准确性；基于缺陷识别模型的螺栓缺陷在役检测系统能够直观地查看多种螺栓缺陷检测结果，为用户提供全面的缺陷信息，并支持后续的维护和管理决策。