本文是一篇机械论文，本论文的研究工作总结如下：（1）当螺栓连接发生松动时，结构的动态特性发生变化，振动信号及其频谱也会发生变化。相比传统方法通过提取信号时域、频域或时频域统计信息作为特征量，本文利用深度学习自主挖掘故障特征信息的优势，有效地避免了人工特征提取和低效率的后处理，准确自动识别出不同螺栓松动故障。
1  绪论
1.1  研究背景及意义
螺栓连接作为一种很普遍的工件连接方式，被广泛应用于航空航天、土木和桥梁等工程领域中[1]。与传统铆接、焊接连接方式相比，螺栓具有价格低、可靠性高、安装、更换方便以及承载力强等优点。然而，由于螺栓连接结构通常在时变的负载下工作，导致服役螺栓常常发生松动，引起预紧力不够，从而造成螺栓结构失效，而关键部位的螺栓松动将直接导致整个结构崩溃。若不能够及时准确地诊断出机械系统的螺栓松动故障，会给设备的正常运行带来严重影响，例如降低设备精度、缩短设备寿命，甚至造成经济损失或人员伤亡[2]。据调查[3-5]，每年约有 20%的全球机械故障问题是由螺栓松动引起的；在美国由于车轮螺母松动，每周发生约 20 多起事故；英国交通网的接头松动导致了 1800 多起事故；在挪威的石油和天然气的基础设施中，每年大约 25%的螺栓结构需要重新紧固，以避免螺栓失效；通过大量样本调查发现，悬索桥缆索夹中的螺栓松动可以自行松开高达 40%的初始预载荷，从而导致夹具电缆之间滑动；在航空航天领域中，也有因螺栓连接松动而引发得重大事故案例。例如火箭级间采用多螺栓盘式连接，由于承受横向异常载荷而发生松动，造成火箭在发射过程中解体；在挪威柏纳的一架航班上，因为飞机的四颗螺栓松动导致航班失事，造成 55 人死亡；国内西南航空因控制系统中的螺母松动而造成无法挽回的损失；火车在行驶过程中也出现过由于连接松动而造成的灾难。在波特斯巴的一列火车因转辙器上的螺帽松动而脱轨，事故造成 7 人死亡，多人重伤；在英国西北地区的一辆高速列车上，因螺母脱落而造成脱轨事故，直接导致 1 人死亡，多人受伤。因此，有效检测和量化螺栓松动具有保证机械设备正常运行和避免事故等工程意义。
在对设备运行状态长期监测的过程中，通过对采集的信号进行处理和分析，提取时域、频域及时频域内的故障特征量[6]，然后通过主成分分析、独立成分分析和判别分析等进行特征降维，去除无用和不敏感的信息而保留有用的特征信息，最后将提取的特征信息输入支持向量机、K 近邻算法、决策树、高斯混合模型和多特征决策树集成等分类器进行故障分类[7]，从而实现对设备状态的分类和故障的识别。这种方法广泛用于机械设备的故障识别领域，一般需要人工过多干涉提取特征，从而需要花费大量的时间和精力。此外，还需要大量的先验知识，无法对特征设计、提取和网络学习进行协同优化，这可能会严重影响网络模型的诊断结果[8]。
.............................
1.2  国内外研究现状
机械故障诊断于 19 至 20 世纪初发展，由开始的相关专家根据经验知识来人为地判断机械设备的健康状态。简易的诊断方法对机械诊断的初期发展起到了很大的积极作用，但是其主观性过强，很难精确的诊断机械的健康状态。目前国内外很多学者对螺栓松动故障诊断进行了相关研究。对近些年的文献进行总结，如图 1-1 中所示，按照所用方法可分为基于物理模型的故障诊断方法、基于数据驱动的故障诊断方法和基于卷积神经网络的故障诊断方法。本节将按照这三类方法进行展开叙述。
机械论文怎么写
机械论文怎么写
.......................
2  基于卷积神经网络的螺栓松动故障诊断原理
2.1  卷积神经网络结构
2.1.1  输入层
输入层（Input Layer）作为卷积神经网络的起始位置，一般将一维原始信号或二维图像作为输入数据，并将数据传给后续卷积层和池化层以进行特征提取。传统 LeN et-5 网络输入层的尺寸为 32×32×1，其中 32×32 表示的是输入图像的宽度和高度，而 1 通常表示输入图像的深度（RGB 图像时为 3）。
2.1.2  卷积层
卷积层（Convolutional  Layer）用于检查输入信号的局部区域以进行卷积运算，并生成相应的特征。由于卷积层具有权值共享的优势，其可以极大的降低网络参数，有效避免网络发生过拟合。
卷积层运算过程如图 2-1 所示。最左侧是大小为 5×5 的原始特征图，A 和 B 分别是两个卷积窗口，卷积核 K 从原始特征图的左上角开始，每次向右移动 1 个步幅，卷积核 K中的每个参数分别乘以卷积窗口 A 和 B 中的参数，将相乘的值相加分别得到 8 和 3，作为下一层的输入，以此类推，最终经过卷积运算的输出特征图大小为 3×3。初始卷积核的参数是随机生成的，并在训练过程中不断更新。
2.1.3  激活函数
激活函数（Activation  Function）可以提高了网络的非线性能力。一般情况下，实际遇到的问题大多是线性不可分的，因此为了能有效地分开非线性数据区，需要给网络中加入非线性激活函数使分类效果更加理想。
..........................
2.2  网络训练过程
前向传播和反向传播是卷积神经网络的两个训练过程。前者指当是我们将实验数据样本输入到神经网络中，经过一系列初始化参数特征提取，进而得到网络输出。反向传播是通过获得网络预测值与输出值之间的误差，然后利用误差反向更新网络结构的参数，从而达到降低损失的目的。
前向传播（Forward Propagation）是指沿着神经网络输⼊层到输出层的先后顺序，依次计算并存储网络模型的中间变量以及输出。首先，我们需要定义卷积神经网络模型参数，其中主要包括权重和偏置，通常选用接近 0 且互不相同的随机数。假如网络各层参数相同，那么卷积神经网络将停止训练，但是参数权重不能过大，否则网络容易提前进入饱和，同样不利于网络正常训练。当参数定义后，输入样本经过每层计算，得到实际输出，输出表现的则是输入样本对每个种类的概率分布。
反向传播（Back  Propagation）在神经网络训练中扮演重要角色。主要思想遵循链式求导法则，主要含义是神经元的误差项是所有与该神经元相连的下一层的神经元的误差项的权重之和，然后乘以激活函数的相应梯度值然后，将最小化误差代价函数沿反向对网络各层神经元进行参数更新[69]。
........................
3  基于时频分析和深度迁移学习的螺栓松动故障诊断方法 .............................. 17
3.1  深度迁移学习 ................................. 17
3.1.1  迁移学习 ......................................... 17
3.1.2  预训练网络模型 .......................................... 17
4  基于 1D 和 2D 双流卷积神经网络的螺栓松动故障诊断方法 .............................. 27
4.1 1DCNN 与 2DCNN 的滤波器滑动方式 ................................. 28
4.2 1DCNN 对诊断结果的影响 .................................... 28
5  螺栓松动故障实验和诊断结果 .............................. 41
5.1  实验内容 ................................... 41
5.1.1  实验设备 .............................. 41
5.1.2  实验平台搭建 .................................. 41
5  螺栓松动故障实验和诊断结果
5.1  实验内容
5.1.1  实验设备
本次实验主要采集设备上的螺栓在不同松动条件下的加速度响应数据。实验方案采用型号为 SATA  96525 的电子扭力扳手设置螺栓不同扭矩来模拟松动故障；PCB 接触式加速度传感器通过石蜡粘连在钢板和导轨上；传感器通过连接线与数据采集仪 LMS SCADAS  Mobile 相连，通过网线将 LMS 与 PC 电脑连接，收集螺栓在不同松动条件下的加速度响应曲线；利用 LMS Test.Lab 对振动数据跟踪显示和保存；对实验台和数据采集仪都进行接地处理，以防电磁干扰对实验信号的影响。实验采样频率为 12800Hz，采样时间为 20s。详细设备参数见表 5-1。
机械论文参考
机械论文参考
..........................
6  结论
6.1  论文总结
由于螺栓松动故障振动信号具有较强非线性和非平稳特点，传统的机械故障诊断方法均是人工手动提取特征，研究人员需要具有一定的先验知识、诊断效率低以及在提取特征时费时费力。针对以上问题，本文提出了一种基于时频分析和深度迁移学习的螺栓松动故障诊断方法。首先采用十种不同时频分析分别对螺栓故障信号进行时频变换；其次利用迁移学习的思想，采用已训练的预训练 Alex Net 网络，然后微调参数用于训练螺栓松动故障数据，分析比较每种时频方法的特征表达能力；最后验证了该模型在小样本 2000 下就具有较高的准确率；针对目前螺栓松动方法在不同噪声环境下诊断性能较差的问题，提出了一种基于 1D 和 2D 双流卷积神经网络的螺栓松动故障诊断方法（TSCNN）。TSCNN 网络可以同时从振动信号和时频图像中提取故障特征，将 1DCNN 和 2DCNN 同时提取到的故障特征进行双流融合，以检测螺栓连接状态。本论文的研究工作总结如下：
（1）当螺栓连接发生松动时，结构的动态特性发生变化，振动信号及其频谱也会发生变化。相比传统方法通过提取信号时域、频域或时频域统计信息作为特征量，本文利用深度学习自主挖掘故障特征信息的优势，有效地避免了人工特征提取和低效率的后处理，准确自动识别出不同螺栓松动故障。
（2）建立了基于时频分析和深度迁移学习的螺栓松动故障诊断模型。分析了不同优化算法、超参数组合、Dropout 和批量归一化对网络训练和诊断性能的影响，测试了不同样本数量对网络精度的影响，当样本数量大于 2000 就能保证有较好的识别准确率。为了理解和观察模型逐层特征提取能力，可视化网络神经元激活程度以及卷积层 1-5 所提特征，采用 t-SNE 对测试样本、第一个卷积层、第二个卷积层和 Softmax 层提取到的特征进行可视化。
（3）建立了基于 TSCNN 的螺栓松动故障诊断模型，通过多螺栓机床导轨实验数据，讨论了 1DCNN 中的第一层宽卷积核、2DCNN 中的时频图像尺寸和网络深度、学习率和训练批量对网络训练和诊断性能的影响。通过采用 ReL U 激活函数和 Dropout 可以显著提高模型的收敛速度和泛化能力，通过应用 64×1 的宽卷积核有效抑制高频噪声，连续的3×1、3×3 小卷积核使得网络更深，提高模型的非线性映射能力，最终确定 1DCNN 和2DCNN 的网络具体结构见表 4-3 和表 4-6。