[发明专利]一种基于EMD能量熵与支持向量机相结合的螺栓预紧力监测方法

摘要

本发明属于超声导波检测技术领域，提供了一种基于EMD能量熵与支持向量机相结合的螺栓预紧力监测方法。在高端装备装配过程中，螺栓预紧力的有效检测直接关系到装备的正常工作性能和指标。针对超声导波检测呈现明显的非线性特征，单一的信号分析方法难以实现信息的有效提取以及准确的状态监测，提出了一种将EMD能量熵与支持向量机相结合的螺栓预紧力监测方法。考虑到探头的可变动性，利用经验模态分解方法将信号分解成多个频带的本征模态分量，将主要IMF分量的能量熵作为SVM的特征向量，用于辨识探头位置状态。再利用接收波形能量作为SVR的特征，用于预测对应状态下的螺栓预紧力。

主权项

1.一种基于EMD能量熵与支持向量机相结合的螺栓预紧力监测方法，其特征在于，所述方法是按以下步骤实现的：步骤一：以单螺栓悬臂梁为研究对象，左端为固定端，右端为自由端，接收超声波斜探头(7)固定在下悬臂梁(6)上，发射超声波斜探头(2)放置在上悬臂梁(3)上；上悬臂梁(3)和下悬臂梁(6)通过螺栓(8)和螺母(5)配合连接，螺母(5)与下悬臂梁(6)之间设置压力传感器(4)；接收超声波斜探头(7)与超声发射接收器(9)连通，超声发射接收器(9)与发射超声波斜探头(2)连通；超声发射接收器(9)进一步与示波器(10)连接，示波器(10)与PC端(1)进行数据交互；调整接收超声波斜探头(7)和发射超声波斜探头(2)的入射角度为36°，使用一发一收的工作方式，选择激励频率为2.5MHz的脉冲信号进行激励；并将结果传输到PC端(1)，作为预紧力检测用信号，记为x(t)；超声发射接收器(9)根据接收超声波斜探头(7)和发射超声波斜探头(2)的阻抗值调整信噪比为+15dB，示波器(10)采集超声发射接收器(9)的信号，并将结果传输到PC端(1)，作为预紧力检测用信号，记为x(t)；其中压力传感器(4)位于下悬臂梁(6)的下方，实现预紧力的采集；步骤二：利用EMD方法对步骤一中得到的预紧力检测用信号x(t)进行分解，获得各次IMF分量以及残差分量RES；(2.1)找出步骤一中得到的预紧力检测用信号x(t)时间序列上的所有的局部极值点；用三次样条函数连接所有局部极大值点作为上包络线；用三次样条函数连接所有局部极小值点作为下包络线，上包络线与下包络线应包含所有数据；求出上包络线与下包络线的均值：m₁＝(U_n+L_n)/2，预紧力检测用信号x(t)与m的差h₁＝x(t)‑m₁，如果h₁是IMF，那么h₁是的第一个分量；其中，U_n、L_n分别为上包络线与下包络线；(2.2)如果h₁不是IMF，将h₁看成原始信号处理，返回去进行步骤(2.1)操作，得到h₂＝h₁‑m₂，m₁是h₁上下包络线的均值；经反复筛选k次，如果h_k满足IMF的条件，h_k就称为IMF，有h_k＝h_(k‑1)‑m_k，c₁＝h_k是原始信号的第一个IMF成分，代表x(t)最高频率的分量；(2.3)从x(t)中分离c₁，得到r₁＝x(t)‑c₁，将r₁视为原始信号重复上述过程，就得到信号x(t)的第二个IMF成分c₂，一直重复上述过程n次，就得到n个IMF，r₂＝r₁‑c₂；r_n＝r_(n‑1)‑c_n；当r_n是单调函数或是一个极小的常量时，就无法再提取IMF，停止分解过程，得到下面式子：残余函数r_n是x(t)的平均趋势，IMF分量c₁，…，c_n分别包含信号不同时间特征尺度大小的成分，尺度依次由小到大，因此，各分量也就相应地包含从高到低的不同频率段的成分；每个频段所包含的频率成分是不相同的，并且随着导波信号x(t)的变化而变化；通过对超声信号x(t)的EMD分解得到n个IMF，相应的计算出其各自的能量E₁，E₂…，E_n；假设残余分量忽略，由于EMD分解具有正交性，n个IMF的能量之和应该恒等于原始超声信号的总能量；由于各个IMF分量c₁，c₂，c₃，…，c_n包含不同的频率成分，且具有不同的能量，E＝{E₁，E₂，...，E_n}，从而形成超声信号在频率域的能量分布；由此得到EMD能量熵：H_i＝‑p_ilgp_i    (2)式中，p_i＝E_i/E表示第i个本征模函数IMF_i的能量在总能量中的比重；步骤三：选取步骤二中得到的一次IMF分量作为熵计算的特征量，由能量熵公式计算得到选取前6阶的能量熵H_i，i＝1，2，…，6，作为输入特征向量，采用径向基函数作为核函数对波形进行非线性变换；当发射超声波斜探头(2)位置改变时，超声信号中的能量分布也会发生相应的变化，利用能量熵反应不同位置状态的能量信息量的大小；(3.1)将步骤二中得到的各IMF分量对应着波形的能量熵H_i，取前6阶的能量熵H_i，i＝1，2，…，6，作为输入特征向量，采用径向基函数作为核函数对波形进行非线性变换；(3.2)由于发射超声波斜探头(2)的位置直接影响着信号的波形特征，对发射超声波斜探头(2)的位置状态进行识别；将发射超声波斜探头(2)的位置状态分为三类，分别标记为1，2，3作为输出标签，各位置之间相差10mm；(3.3)采集的66组波形的能量熵作为输入特征，发射超声波斜探头(2)位置状态作为输出标签，利用SVM建立分类网络；(3.4)在66组波形的能量熵中，选取56组波形的能量熵作为训练集，10组波形的能量熵作为测试集；步骤四：通过步骤三对发射超声波斜探头(2)位置进行识别以后，利用支持向量回归机SVR分别对不同发射超声波斜探头(2)位置进行数据的回归分析，将波形能量E＝∑|x(t)|²作为输入特征，压力传感器(4)采集的预紧力作为输出特征，进行SVR模型的建立，对螺栓预紧力进行预测分析；(4.1)分别将步骤三中在三种不同位置状态下的波形能量E＝∑|x(t)|²作为输入特征，压力传感器(4)采集到的预紧力作为输出特征，引入一个ε不敏感地区周围的函数，进行SVR模型的建立；(4.2)调整参数ε和C，得到全局唯一最优解。