[发明专利]基于振动速度传感器波形采集的杆塔螺栓松动判别方法

权利要求书

1.基于振动速度传感器波形采集的杆塔螺栓松动判别方法，其特征在于，包括如下步骤：

步骤1：通过振动速度传感器预先采集多组螺栓松动振动信号和螺栓紧固振动信号作为训练集；

步骤1.1：将振动速度传感器通过磁座吸附到杆塔上，并依次连接振动速度传感器、AD7606模块、FPGA模块、GPRS模块，远程配置好上位机；

步骤1.2：通过电磁敲击锤敲击杆塔一侧，并采集多组螺栓松动振动信号和螺栓紧固振动信号传输给上位机，以构成训练集；

步骤2：将训练集中的振动信号去除奇异值并进行滤波处理；

步骤2.1：通过循环剔除电压范围不在1-5V之间的数字电压信号；

步骤2.2：通过RLS算法对干扰信号滤波，选取滤波器输出作为期望响应，滤波器的代价函数如下：

J(n)＝∑λ^n-1|d(i)-w^H(n)u(i)|²

其中，λ为遗忘因子，λ值越小时历史数据的权重越小；d(i)为期望信号序列；u(i)为输入信号序列；w^H(n)是抽头增益向量，初始化为0，通过迭代调节w^H(n)使迭代函数达到最小；

步骤2.3，为使误差达到最小，对权向量求偏导：

步骤2.4，选取P(n)＝R^-1(n)，基于步骤2.3推导出RLS滤波解集为：

其中，是求解过程的中间变量；

步骤2.5，通过上述滤波器权向量解，带入得到估计误差，通过更新权向量得到新的估计误差，直至迭代误差收敛不变时，得到RLS的最小二乘解，RLS滤波器生成，对干扰信号滤波；

步骤3：建立一维卷积神经网络模型，通过训练集对一维卷积神经网络模型进行训练；

步骤4：通过训练好的一维卷积神经网络模型判断螺栓松动情况。

2.如权利要求1所述的基于振动速度传感器波形采集的杆塔螺栓松动判别方法，其特征在于，所述步骤3具体为；

步骤3.1，将采样到的1000个螺栓松动振动信号与1000个螺栓紧固振动信号作为训练集；

步骤3.2，将训练集中的振动信号归一化：

其中，u为振动电压数据中的一个电压值，u_max、u_min分别为单次采样振动电压数据的最小值与最大值；

步骤3.3，将各权值、阈值，置成小的接近于0的随机值，并初始化精度控制参数和学习率；

步骤3.4从训练集中选取输入振动信号加到网络，并给出它的目标输出向量；

输入振动信号首先被分为n段，对于其中的一段信号S_i，经过第一层卷积核，得到第一层卷积核的输出：

X_i＝b_i+conv1D(S_i,W_i)

其中，conv1D(S_i,W_i)为传递函数，b是特征偏置；

步骤3.5对第一层卷积核的输出X_i进行激活函数处理：

V_i＝sigmoid(X_i)

其中，sigmoid()是S型函数，用来增加模型非线性特性，同时将变量X_i映射至0到1之间，通过该函数将环境干扰造成的一些微弱特征影响滤去，对特征降维；

步骤3.6第二层卷积核结构与第一层卷积核结构相同，通过该次训练计算中间层输出向量，计算网络的实际输出向量；

步骤3.7将实际输出向量中的元素与目标输出向量的元素进行比较，计算输出误差，对中间层的隐单元计算输出误差；

步骤3.8通过反向传播过程，依次计算各权值的调整量和阈值的调整量；

步骤3.9调整权值和调整阈值；

步骤3.10一组训练数据迭代完成后，判断指标是否满足故障判断的精度要求，如果不满足，则返回步骤3.4继续迭代，如果满足就进入下一步；

步骤3.11训练结束，将权值和阈值保存在文件中，这时认为各个权值已经达到稳定，分类器已经形成，再一次进行训练，直接从文件中导出权值和阈值进行训练。

3.如权利要求2所述的基于振动速度传感器波形采集的杆塔螺栓松动判别方法，其特征在于，所述步骤3.10中根据下式判断指标是否满足故障判断的精度要求：

其中，∑q是测试集中判断准确的样本个数，∑q+∑p是测试集总数。