基于孪生神经网络的楔形环连接结构预紧状态辨识

盛俊杰, 王九龙, 李树勇, 文 勇

(中国工程物理研究院 总体工程研究所,四川 绵阳 621900)

楔形环连接结构是一种特殊的过盈连接形式,由于其连接简单且可靠、同时兼具节省空间及减重的优势,主要应用于鱼雷、航天飞行器以及水下航行器的壳体连接。相比于传统的螺栓连接结构,采用楔形环连接结构可保持产品表面连续光顺,有效减小阻力、降低噪声,具有优良的气动和液动性能[1-2]。由于楔形环连接结构的特殊形式,不具备如传统螺栓螺钉连接结构通过拧紧力矩来定量实现预紧状态的表征能力。对于装配而言,存在过松不满足预紧要求、过紧分解困难的问题;对于使用而言,在长时振动、冲击等环境剖面下存在松动的风险。因此,发展楔形环连接结构预紧状态辨识技术具有重要的工程意义。

目前,按照检测原理区分,常见机械连接结构诊断方法主要包括振动、声音、压电阻抗、超声波等。由于振动噪声信号易于采集,同时其响应信号中信息丰富且与结构特征紧密关联,使得基于振动噪声的结构状态辨识技术得以广泛应用[3-6]。但是对于采用楔形环结构这类重大武器装备而言,受结构空间和装备使用要求,相比振动传感,噪声这类非接触式传感手段使用面更广。按照状态辨识方法划分,主流的结构状态诊断方法可分为基于模型驱动和基于数据驱动两类[7-8]。基于模型驱动的方法需掌握连接结构松动机理等先验知识,基于此建立针对性的信号处理方法以提取敏感特征,但是对于复杂非线性结构来说敏感特征提取难度大,同时模型泛化能力差[9]。鉴于模型驱动方法局限性,基于传统机器学习和深度学习的这类数据驱动的方法受到了广泛关注[10-11]。相较于传统的浅层机器学习方法,深度学习技术简化了神经网络前的特征工程处理环节,克服了传统机器学习方法过于依赖人工经验提取特征的缺陷,直接基于原始数据便可实现特征深度挖掘和提取,输出特征敏感性更强,其诊断性能更优[12-15]。

主流的基础深度学习模型包括卷积神经网络(convolutional neural networks, CNN)[16]、深度自编码(deep auto encoder,DAE)[17]、深度信念网络(deep belief network,DBN)[18]、递归神经网络(recursive neural network, RNN)[19]等。Deng[20]利用连续小波变换提取滚动轴承振动时频特征,并利用CNN网络实现故障分类;李松柏等[21]提出基于信息融合和堆栈降噪自编码(stacked denoising auto encoder,SDAE)的齿轮故障诊断方法;雷亚国等[22]将深度神经网络应用于大样本数据下的齿轮故障诊断及分类。主流的深度学习网络在大数据样本分类任务中表现突出,尤其对于机械装备工业大数据环境下的健康状态监测,大大提高了特征提取敏感性和自动化诊断效率。但是对于楔形环连接这类武器装备结构而言,其样本量较小,传统的深度学习算法难以在有限数据中提取到足够的深层敏感信息。为了解决此类问题,孪生神经网络受到了学者的广泛关注,孪生神经网络包括两个子网络,彼此之间共享权重,其优点主要在于处理小样本及类别不平衡问题,更易做集成学习[23-24]。孪生神经网络目前主要应用于人脸识别、目标追踪等,对于小样本连接结构故障诊断及模式识别还少有关注[25]。

针对楔形环连接结构状态辨识问题,本文基于孪生神经网络模型,实现了小样本预紧结构宏观分类,同时通过特征可视化技术,深入分析了孪生神经网络训练过程特征聚类效果,并基于二维特征建立了预紧状态定量表征模型,实现了楔形环连接结构定量预紧辨识,避免了预紧状态过紧拆卸困难的传统装配问题。

1 孪生神经网络理论

孪生神经网络是基于两个神经网络建立的耦合架构,两个网络结构相同,权重共享。两个神经网络可由任意的神经网络模块拼接而成,例如卷积神经网络、递归神经网络等。对于每个类别中样本数量较少,且不同类别中样本数量不平衡的分类问题,传统的深度学习方法很难得到较好的训练结果,这类小样本分类问题的关键在于有限样本中充分挖掘不同类别中的敏感特征,而孪生神经网络的优势就在于小样本学习,且不容易被错误样本干扰,对于容错要求严格的分类问题,具有优良的分类效果。

孪生神经网络是基于两个神经网络建立的耦合架构,两个网络结构相同,权重共享,如图1所示。两个神经网络可由任意的神经网络模块拼接而成,例如卷积神经网络、递归神经网络等。对于每个类别中样本数量较少,且不同类别中样本数量不平衡的分类问题,传统的深度学习方法很难得到较好的训练结果,这类小样本分类问题的关键在于有限样本中充分挖掘不同类别中的敏感特征,而孪生神经网络的优势就在于小样本学习,且不容易被错误样本干扰,对于容错要求严格的分类问题,具有优良的分类效果。

图1 孪生神经网络结构Fig.1 Siamese neural network structure

孪生神经网络在同一特征结构下利用相似性度量进行样本分类,其训练过程需最大化不同标签的表征,同时最小化相同标签的表征。基于此,孪生神经网络采用对比损失函数,具体如式(1)所示

(1)

式中:y为样本对标签,当样本类别相同,y=1,当样本类别不同,y=0;d为样本对输入特征向量之间的距离;m为不相似样本之间设定特征距离阈值。

从式(1)可以看出,当样本对标签为1时,即样本为同类时,损失函数只保留式(1)前部分,如式(2)所示

(2)

对于同类样本而言,若输出特征向量损失函数较大,则表示当前网络结构欠佳,需进一步迭代更新,直至损失函数降低至可接受范围。

当样本对标签为0时,即样本非同类时,损失函数式(1)变形为式(3)

(3)

对于非同类样本,两者输出特征向量距离越大,损失函数越小。同时损失函数只考虑0～m之间的不相似特征距离,当距离超过m,我们认为两者之间距离已足够大,满足不同类的分类要求,视为此时损失函数为0。m通常取值在(0～1)之间,可根据计算效率和分类效果进行择优选择。

孪生神经网络利用样本对的方式进行训练,通过随机匹配的方式变相地增加了训练样本数量,同一个样本在多个样本对中被多次使用,弥补了小样本深度学习中的过拟合缺陷。同时,相比于其他深度学习算法,孪生神经网络将多分类问题转变为多个二分类问题,利用对比损失函数促使同类样本彼此接近,非同类样本远离,无需直接在样本中学习类别特征,在学习目标上由挖掘样本本质特征转变为挖掘不同样本的相似性特征,这种学习模式淡化了深度学习对大样本数量的要求。

2 孪生神经网络设计

经预处理的楔形环连接结构模态敲击信号时域波形如图2所示,累计记录了10组敲击响应时域波形,其结构预紧状态从松到紧逐渐提高。由图2可知,受敲击激励大小影响,其不同预紧状态响应信号在幅值上存在差异,难以直接通过响应信号直接提取到敏感信息。

图2 楔形环连接结构响应信号时域波形Fig.2 Time domain waveform of wedge-ring connection structure

根据楔形环连接结构响应信号特征,为降低孪生神经网络训练负担,提高训练效率和特征挖掘深度,通过时频分析方法对孪生神经网络输入信号进行二次特征增强,将一维输入特征转变到二维时频空间。孪生神经网络整体结构见图3所示。

图3 孪生神经网络结构Fig.3 Siamese neural network structure

2.1 特征增强

(1)预设不同预紧状态楔形环连接结构,根据其预紧状态划分为松动、弱预紧和强预紧3种状态。图4为不同预紧状态楔形环连续敲击声音响应时域波形,对其时域波形进行预处理,均分提取瞬态冲击响应信号,其起点取响应极值点,终点根据衰减波形确定,需满足有效覆盖波形衰减段。

图4 瞬态冲击响应时域波形预处理Fig.4 Time domain waveform preprocessing of transient impulse response

(2)为充分挖掘不同预紧状态响应信号的敏感特征,基于短时傅里叶变换将瞬态冲击响应信号转换为时频图,其表达式为

(4)

式中:t和f为时间和频率;x(τ)为待分析的信号;h*(τ-1)为滑移窗函数的共轭函数。

(3)为减小数据运算量,凸显敏感特征,同时消除由于输入激励引起的额外差异,利用大津法计算不同时频图的最佳二值化分割阈值,并对不同预紧状态时频图进行二值化处理,获得二值化图像[26]。

2.2 孪生神经网络

(1)基于不同预紧状态的二值化图像及其标签,建议系列孪生对,预紧状态相同的样本对标记其为1,预紧状态不同时,标记其为0,其标记规则如图5所示。

图5 孪生对标记规则Fig.5 Marking rule of twin pair

(2)建立如图2所示的3层全连接层Dense网络,两个样本共享网络参数,通过全连接网络结构深度挖掘样本对的敏感特征,并利用欧式距离判别函数和损失函数反馈训练网络。

(3)基于孪生神经网络训练结果输出三种预紧状态二维特征,完成楔形环连接预紧状态孪生网络分类模型构建,将待测样本输入网络,获得其二维特征。

(4)计算孪生神经网络分类模型中强预紧状态二维特征聚类中心C,以此为基准,计算待测样本二维特征与中心C的欧式距离。

(5)划定强预紧状态二维特征相似性可接受阈值,根据式(5),将欧式距离转化为相似性特征指标,当相似性特征指标大于,即认为预紧状态已满足要求

m=e-|d|/ε2

(5)

式中,ε为相似性指标置信因子,取值为0～1。

3 试验验证

3.1 试验介绍

为验证所提孪生神经网络辨识楔形环连接结构预紧状态有效性,建立了如图6所示的试验台。试验系统主体结构由两个带楔形环槽的圆筒结构和一对环状楔形环带组成。通过敲击楔形环带大端实现楔形环带的预紧功能,并记录不同预紧状态下楔形环带大端间距。此外,通过噪声传感器记录不同预紧状态下的声音响应信号,噪声信号采样频率为2 000 Hz。

图6 楔形环连接结构Fig.6 wedge-ring connection structure

试验共包括50组数据,根据每种状态下楔形环结构大端间距可将预紧状态划分为3类,分类规则如表1所示。

表1 楔形环连接结构预紧状态分类规则

3.2 预紧状态分类

基于表1预紧状态分类规则,对所有声音响应信号预紧状态进行标记,在预处理、时频变化等过程中保持响应信号同标签一一对应。首先将声音信号进行分段预处理,并利用短时傅里叶变换将其转化为时频图,不同预紧状态下的声响应信号典型时频图如图7所示。由图7可知,随预紧状态升高,高频信号表现得更为丰富,但是弱预紧与强预紧状态时频图差异较小,难以直接通过时频分析技术辨识其类别。

图7 不同预紧状态的声信号时频图Fig.7 Time-frequency graphs of acoustic signals with different pretension states

为减小数据运算量,凸显敏感特征,将时频图进行二值化处理,不同预紧状态声响应信号二值化时频图如图8所示。由图8可知,弱预紧状态与强预紧状态二值化时频图表现出与图7时频图类似的特点,两者时频特征分布较类似,表明当楔形环连接结构达到弱预紧后,其整体结构已初步达到一个相对稳定状态。针对此种类间距较小的分类问题,需充分发挥孪生神经网络核心思想,弱化样本的本质特征挖掘,重点围绕样本间的相似/非相似特征。

图8 不同预紧状态的声信号二值化时频图Fig.8 Binarized time-frequency graphs of acoustic signals with different pretension states

基于图5孪生对标记规则,根据不同样本的预紧状态标签对样本进行二次标记,建立二值化时频图孪生对,典型的样本孪生对结构如图9所示。

图9 二值化时频图孪生对Fig.9 twin pair of binarized time-frequency graph

选取40组试验数据作为训练样本,将其两两组合成样本对,剩余10组样本作为测试样本。训练参数中,不相似样本特征距离阈值为0.3,迭代次数1 000次,学习率0.000 1,梯度衰减因子0.9,最小数据组batch_size为10。训练过程中的损失函数趋势变化如图10所示。

图10 损失函数变化趋势Fig.10 Variation trend of loss function

孪生神经网络深度学习训练过程是一个黑盒,通常通过损失函数趋势值评价训练模型的成熟度,但是单一的损失函数值难以直接表征模型的聚类程度,此外,其原始输出为0/1/2三种分类结果(分别表示松动、弱预紧、强预紧),分析过程固然简化但同时也带来类内样本差异性无法体现,分类结果缺乏直观证据表征。基于此,为在一定程度破解“黑盒”问题,增强训练模型使用信心,对训练及分析过程进行可视化运算,将简单0/1/2分类结果转化为二维特征,通过评价二维特征聚类效果间接反映训练效果。其中,第1次、第500次和第1 000次的二维特征输出效果如图11所示,由图11可知,当迭代次数达到500次时,虽然其损失函数已趋于较低水平,但其不同样本之间分类效果并不明显,当训练次数达到1 000次时,三类不同样本表征出明显的二维区域特征,达到预期训练效果。

图11 二维特征输出可视化Fig.11 Two-dimensional feature visualization

基于训练样本建立了二维特征提取模型,为检验该模型对于不同预紧状态样本辨识精度,利用10组样本进行预紧状态分类测试验证,同样将其测试结果输出至二维特征平面,结果如图12所示。由图12可知,测试样本与对应训练模型达到了较好聚类效果,据此可有效实现不同预紧状态样本的宏观分类表征。

图12 测试样本聚类结果Fig.12 Clustering results of test samples

在楔形环实体装配过程中,为保持长时动态环境条件下的结构稳定性,不仅要求能实现其预紧状态宏观辨识,还需满足预紧性能精细化定量表征,以指导精密装配。基于此,在孪生神经网络分类模型基础上,进一步开展预紧性能二维特征指标量化表征。以图11中迭代1 000次后的分类模型为基准,计算其强预紧状态二维特征聚类中心C(-6.095,-1.763)。以图2中连续敲击的一组样本(累计10次)作为待测样本,计算待测样本同聚类中心C的欧氏距离,并据式(5)将其转化为相似性特征指标,其趋势如图13(a)所示,由图可知,从松动到预紧其相似性指标呈现出明显上升趋势,第7次敲击时,m达到强预紧阈值,满足预紧要求。同时可发现,从第8次装配敲击后,其相似性指标再次呈现下降趋势,并在第10次低于强预紧阈值。针对该现象,结合强预紧聚类模型进行分析,根据其0.95阈值,划定强预紧二维特征接收域(接收半径R=0.462),如图13(b)可知,第7/8/9次预紧状态二维特征均处于可接收域,当达到10次敲击后,其二维输出特征P10远离聚类中心C,并超出可接收域范围。上述特征分析结果表明,一旦楔形环预紧状态达到阈值,继续敲击可能存在环带过紧从而超出设计范围,从装备实际使用过程中的装拆可行性考虑,应避免此类情况。

图13 测试样本定量评估结果Fig.13 Quantitative evaluation results of test samples

4 结 论

针对武器装备中的楔形环连接结构预紧状态辨识问题,本文建立了面向小样本的孪生网络分类模型,并基于特征可视化技术实现了预紧状态精密表征。该方法首先利用时频处理技术实现了孪生网络模型输入特征增强,在此基础上建立了3层孪生神经网络分类模型,实现了三类预紧状态的训练样本二维特征聚类和待测样本宏观分类。基于二维特征建立了相似性指标定量表征模型,引入目标状态聚类中心与接收域参量,有效实现了楔形环预紧状态定量评估。对于武器装备楔形环连接结构这类预紧机理复杂、样本小且不平衡的辨识问题,本文所提方法提供了一种新的技术途径,具有一定工程应用价值。