基于MFCC特征的输电铁塔螺栓群松动状态检测方法

张巍; 蔡泽江; 张强; 江文强

doi:10.12404/j.issn.1671-1815.2507118

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (24) :10404-10413 DOI: 10.12404/j.issn.1671-1815.2507118

机械、仪表工业

基于MFCC特征的输电铁塔螺栓群松动状态检测方法

张巍 ¹ ,
蔡泽江 ¹ ,
张强 ¹ ,
江文强 ¹^,²^,^*

作者信息 +

Bolt Groups Loosening Detection Method of Transmission Tower Based on MFCC Feature

ZHANG Wei ¹ ,
CAI Ze-jiang ¹ ,
ZHANG Qiang ¹ ,
JIANG Wen-qiang ¹^,²^,^*

Author information +

文章历史 +

摘要

基于声音信号的螺栓松动检测方法具有便捷高效的特点,针对螺栓群松动问题现有方法检测精细程度不够,缺乏松动状态细粒度的描述。针对输电铁塔中典型螺栓连接节点,通过敲击采集获得了48类松动的649个音频,利用音调平移、时间拉伸及噪声添加等数据增强方法获得了6 087个增强样本。基于梅尔频率倒谱系数(Mel frequency cepstral coefficients,MFCC)提取了螺栓群敲击声信号的时频特征,结合SE(squeeze-and-excitation)注意力模块增强特征通道的判别性,利用Inception模块融合多尺度时频信息,搭建了多任务卷积神经网络-循环神经网络(convolutional neural network-recurrent neural network,CNN-RNN)架构,提出了基于MFCC特征的螺栓群松动状态检测方法,实现了螺栓群的松动区域、松动数量及松动位置的多维度精准识别。实验结果表明:所提方法在区域识别、松动个数识别任务中分别达到98.13%、92.20%的平均准确率,在松动位置判定任务中Top-3覆盖率达到91.86%,研究成果为输电线路运维提供了高效的螺栓松动检测手段。

Abstract

The bolt loosening detection method based on acoustic signals is characterized by convenience and high efficiency. However, existing methods for bolt group loosening problems suffer from insufficient detection precision and lack fine-grained descriptions of loosening states. Focusing on typical bolted connection nodes in transmission towers, 649 audio samples corresponding to 48 types of loosening states were collected through tapping. A total of 6 087 augmented samples were obtained by adopting data augmentation techniques such as pitch shifting, time stretching, and noise addition. The time-frequency features of the tapping acoustic signals of bolt groups were extracted based on Mel frequency cepstral coefficients (MFCC). The discriminability of feature channels was enhanced by integrating the squeeze-and-excitation (SE) attention module, and multi-scale time-frequency information was fused using the Inception module. A multi-task convolutional neural network-recurrent neural network (CNN-RNN) architecture was established, and a bolt group loosening state detection method based on MFCC features was proposed. This method achieved accurate multi-dimensional identification of the loosening area, the number of loose bolts, and the loosening positions of bolt groups. Experimental results show that the proposed method achieves average accuracies of 98.13% and 92.20% in the tasks of area identification and loose bolt count recognition, respectively. Meanwhile, the Top-3 coverage rate reaches 91.86% in the loosening position determination task. The research results provide an efficient bolt loosening detection approach for the operation and maintenance of transmission lines.

Graphical abstract

关键词

输电铁塔 / 螺栓群松动检测 / 梅尔频率倒谱系数(MFCC)特征 / 深度学习 / 多任务学习

Key words

power transmission tower / bolt loosening detection / Mel frequency cepstral coefficients (MFCC) feature / deep learning / multi-task learning

引用本文

引用格式 ▾

张巍, 蔡泽江, 张强, 江文强. 基于MFCC特征的输电铁塔螺栓群松动状态检测方法[J]. 科学技术与工程, 2026, 26(24): 10404-10413 DOI:10.12404/j.issn.1671-1815.2507118

ZHANG Wei, CAI Ze-jiang, ZHANG Qiang, JIANG Wen-qiang. Bolt Groups Loosening Detection Method of Transmission Tower Based on MFCC Feature[J]. Science Technology and Engineering, 2026, 26(24): 10404-10413 DOI:10.12404/j.issn.1671-1815.2507118

登录浏览全文

4963

注册一个新账户忘记密码

输电铁塔中螺栓连接的可靠性直接影响其结构安全性。螺栓松动不仅可能导致局部构件失效,还可能引发整个输电线路的损坏,造成严重的经济损失和安全隐患。因此,针对螺栓松动的高效检测方法研究已成为结构健康监测领域的热点。然而,现有的螺栓松动检测方法仍存在诸多挑战,如人工巡检方式耗时费力且误判率较高,传统螺栓松动检测方法虽然检测精度高,但是针对螺栓连接数目较多的大型结构检测效率低、成本高。

近年来,针对螺栓连接松动问题学者们开展了大量研究。文献[1 -3]针对横向载荷作用下螺栓连接节点松动问题,提出一种考虑螺纹柔性的螺栓连接临界松动载荷的理论计算方法。高光一等^[4]利用等效静力法提出塔筒法兰螺栓监测原理,阐述螺栓松动与法兰附近动应变间的关联。赵卫平等^[5]建立角钢-螺栓群连接节点精细化有限元模型,利用此模型探究了螺栓群节点预紧力下降的变化规律。Zhou等^[6]提出了一种螺栓组仿真模型,研究了螺栓松动对紧固螺栓轴力的影响,并对螺栓松动与紧固之间的相关性进行了建模。康晶杰等^[7]为实现通过单帧图像对螺栓松动角度进行定量检测,设计了一种基于颜色分割和连通域特征处理的方法。张一凡等^[8]针对不同工况下受偏心载荷的螺栓连接梁进行有限元仿真分析,并对横梁进行强度校核。

在螺栓松动检测方面,刘杰等^[9]针对输电铁塔螺栓连接完全松动故障,提出了一种基于铁塔振动特性的螺栓完全松动快速检测方法。赵振兵等^[10]提出一种输电线路缺销螺栓弱监督检测方法,仅利用图像级标注实现缺销螺栓检测。张俊树等^[11]针对边界条件影响下的螺栓连接状态监测问题,提出了基于振动声调制(vibro-acoustic modulation,VAM)信号协整分析的螺栓预紧状态识别方法。Wang等^[12]采用叩诊法,引入相位特征来增强信号稳定性,从而提高了单枚螺栓松动检测的准确性。王书胤等^[13]基于叩诊声音信号,提出了一种利用螺栓松动工况与基准工况特征向量间的欧氏距离量化松动特征的多螺栓松动快速检测方法,进一步提升了叩诊检测方法在工程中的应用潜力。张洪等^[14]针对法兰的声发射信号提出了一种基于注意力网络的信号识别分类方法,对螺栓连接松动、正常、过紧3种状态进行了分类识别。Yuan等^[15]提出了一种基于掩模和区域的卷积神经网络的螺栓松动自动检测方法。Nguyen等^[16]设计了一种基于一维卷积神经网络的螺栓松动度估计模型,用于从原始阻抗信号中自动提取和学习最优特征。Pan等^[17]提出了一种新的基于三维视觉的螺栓松动自主评估方法。Luo等^[18]提出了一种基于深度卷积神经网络的超小螺栓缺陷检测模型。陈仁祥等^[19]提出了多尺度一维卷积神经网络的风机基础螺栓松动智能检测方法,实现了风机基础螺栓松动的智能检测。Jiang等^[20]采用随机森林模型,基于梅尔频率倒谱系数和小波包能量谱特征,解决了螺栓链接节点松动检测问题。Du等^[21]提出了一种结合注意力机制的神经网络结构,实现了对多螺栓结构松动状态的检测。

综上所述,基于声音信号的螺栓松动检测方法具有便捷高效的特点。然而针对螺栓群松动问题,现有方法检测精细程度不够,缺乏松动状态细粒度的描述。为此,针对输电铁塔中典型螺栓连接节点,通过敲击采集音频并进行添加噪声和数据增强,基于梅尔频率倒谱系数提取螺栓群敲击声信号的时频特征^[22-23],将SE(squeeze-and-excitation)与Inception模块结合,提升频带选择性与多尺度表征能力,搭建多任务卷积神经网络-循环神经网络(convolutional neural network-recurrent neural network,CNN-RNN)架构,实现螺栓群松动区域、松动数量及松动位置的多维度精准识别。通过识别螺栓群的松动状态,为输电铁塔的结构健康监测提供了更精确的技术手段。

1 螺栓松动状态识别框架

1.1 网络结构设计

图1所示为网络的整体结构框架,构建一种融合Inception模块与SE模块的多任务网络。该网络以归一化后的MFCC特征矩阵作为输入,通过多层卷积层提取局部特征,之后输入Inception模块提取不同感受野下的时频模式,并嵌入SE模块,实现对通道重要性的自适应重标定,从而放大松动信号的特征,增强对敲击声中短时冲击与跨频带耦合信息的表征能力。将卷积输出序列送入循环神经网络层,捕捉敲击序列中的时序依赖,最后通过3个全连接层分类器,分别对松动区域、松动个数以及松动位置的概率向量进行判定。

1.2 MFCC特征提取

梅尔频率倒谱系数(Mel frequency cepstral coe-fficients,MFCC)最初用于语音识别,通过模拟人耳听觉特性,对短时频谱进行加权滤波和倒谱分析,提取音频信号的感知特征。近年来,其时频特征提取优势被引入损伤识别领域^[24],如轴承故障检测、声发射监测^[25]与部分放电缺陷识别^[26]等,显著提升了在线监测的准确性和鲁棒性。基于以上现状,选用MFCC作为特征进行提取。

首先对原始音频信号X(t)进行预加重处理,以提高高频部分的能量。通常使用一阶高通滤波器,其表达式为

(1)

$X\text{'}\left(t\right)=X\left(t\right)-\alpha X(t-1)$

式(1)中:t为时间步;α通常取值为0.95~0.97。

然后,将预加重后的信号分割成短时间帧。对每帧数据应用窗函数,以减少帧两端的信号不连续性,表达式为

(2)

${x}_{n}^{\mathrm{w}\mathrm{i}\mathrm{n}}=x\left(n\right)w\left(n\right)$

式(2)中:

${x}_{n}^{\mathrm{w}\mathrm{i}\mathrm{n}}$

为加窗后的信号;x(n)为原始音频信号在帧内第n个采样点的幅值;w(n)为窗函数值;n为每帧样本点数。

对每一帧加窗后的信号进行快速傅里叶变换(fast Fourier transform,FFT),获取信号的频谱,表达式为

(3)

$\mathrm{X}\left(\mathrm{k}\right)=\stackrel{N-1}{\sum _{n=0}}x\left(n\right){\mathrm{e}}^{-\mathrm{j}\frac{2\mathrm{\pi }kn}{N}}$

式(3)中:k为频率索引;N为FFT的点数。

将FFT得到的频谱通过一组梅尔滤波器处理,每个滤波器对应一个特定的频带。梅尔滤波器的频带按照梅尔尺度非线性排布。梅尔频率(f_mel)与实际频率(f)之间的关系为

(4)

${f}_{\mathrm{m}\mathrm{e}\mathrm{l}}=2595\mathrm{l}\mathrm{g}\left(1+\frac{f}{700}\right)$

计算每个梅尔滤波器输出的能量的对数,计算公式为

(5)

${S}_{m}=lg\left[\stackrel{}{\sum _{\mathrm{k}}}{\left|X\left(k\right)\right|}^{2}{H}_{m}\right(k\left)\right]$

式(5)中:H_m(k)为第m个梅尔滤波器在k频率处的增益。

对梅尔滤波后的对数能量系数进行离散余弦变换,得到梅尔频率倒谱系数,其表达式为

(6)

$\mathrm{C}\left(\mathrm{i}\right)=\stackrel{M-1}{\sum _{m=0}}{S}_{m}\mathrm{c}\mathrm{o}\mathrm{s}\left[i(m-0.5)\frac{\mathrm{\pi }}{M}\right]$

式(6)中:M为滤波器的数量;i为倒谱系数C的索引。

1.3 SE模块

为了进一步提升模型对螺栓松动音频特征的敏感性,在卷积神经网络中引入SE模块。MFCC特征的每个通道代表不同的梅尔频带信息,部分频带在区分松动/紧固或不同位置时更具判别性,该模块通过全局池化得到通道描述,再通过全连接网络生成通道权重,实现“通道注意力”,从而放大判别通道、抑制噪声通道。使用该模块对抑制噪声与提升少量频带差异的可识别性尤为重要。该模块基本过程可分为两个步骤:全局信息嵌入和自适应重新校正。

全局信息嵌入操作即对输入特征图的每个通道进行全局平均池化,将空间信息压缩为一个标量,表达式为

(7)

${z}_{c}=\frac{1}{HW}\stackrel{H}{\sum _{i=1}}\stackrel{W}{\sum _{j=1}}{x}_{c}(i,j)$

式(7)中:H为输入特征图的高度;W为输入特征图的宽度;C为通道数;z为各通道的全局描述向量;x_c(i,j)为输入特征图第c通道在空间位置(i,j)的值。

自适应重新校正操作即将压缩后的全局描述向量z送入由全连接层构成的瓶颈结构,用以捕捉通道间的非线性依赖关系,表达式为

(8)

$s=\sigma \left[{W}_{2}\delta \right({W}_{1}z\left)\right]$

式(8)中:s为通道权重向量;z为全局信息描述向量;W₁和W₂为两个全连接层的权重矩阵;δ、σ为激活函数。

得到的通道权重被用来对原始特征图进行逐通道的重标定,表达式为

(9)

$x\text{'}{}_{c}(i,j)={s}_{c}{x}_{c}(i,j)$

式(9)中:x'_c(i,j)为经过通道重标定后的输出特征值;c为通道索引;i和j分别为特征图在空间维度上的行、列位置;s_c为由该SE模块学习得到的第c个通道权重;x_c(i,j)为输入特征图中第c个通道在空间位置(i,j)处的特征值。

该模块使模型能够自适应地强化重要通道的特征响应,同时抑制无关或噪声信息。

1.4 Inception模块

在敲击螺栓时,产生的声学响应在时频上表现为既有短时尖峰(局部特征)也有宽带、低频耦合(全局特征)。为了解决音频MFCC特征中多尺度时频信息分布不均的问题,在主干网络中嵌入Inception模块。该模块并行执行1×1、3×3、5×5卷积及池化降维操作,有效捕获局部细节、中尺度模式与大范围特征。Inception模块的结构可以分为4个分支,具体如下。

分支1为1×1卷积,即直接使用1×1卷积进行特征提取,其表达式为

(10)

${y}_{1}=\mathrm{R}\mathrm{e}\mathrm{L}\mathrm{U}\left[\mathrm{C}\mathrm{o}\mathrm{n}{\mathrm{v}}_{1\times 1}\right(X\left)\right]$

分支2为先使用1×1卷积降维,再使用3×3卷积捕获中尺度特征,表达式为

(11)

${y}_{2}=\mathrm{R}\mathrm{e}\mathrm{L}\mathrm{U}\left(\mathrm{C}\mathrm{o}\mathrm{n}{\mathrm{v}}_{3\times 3}\right\{\mathrm{R}\mathrm{e}\mathrm{L}\mathrm{U}\left[\mathrm{C}\mathrm{o}\mathrm{n}{\mathrm{v}}_{1\times 1}\right(X\left)\right]\left\}\right)$

分支3类似于分支2,但5×5卷积具有更大的感受野,能够提取全局或较大范围内的特征,其表达式为

(12)

${y}_{3}=\mathrm{R}\mathrm{e}\mathrm{L}\mathrm{U}\left(\mathrm{C}\mathrm{o}\mathrm{n}{\mathrm{v}}_{5\times 5}\right\{\mathrm{R}\mathrm{e}\mathrm{L}\mathrm{U}\left[\mathrm{C}\mathrm{o}\mathrm{n}{\mathrm{v}}_{1\times 1}\right(X\left)\right]\left\}\right)$

分支4采用3×3最大池化操作提取空间不变特征和1×1卷积进行降维和非线性映射,其表达式为

(13)

${y}_{4}=\mathrm{R}\mathrm{e}\mathrm{L}\mathrm{U}\left\{\mathrm{C}\mathrm{o}\mathrm{n}{\mathrm{v}}_{1\times 1}\right[\mathrm{M}\mathrm{a}\mathrm{x}\mathrm{P}\mathrm{o}\mathrm{o}{\mathrm{l}}_{3\times 3}\left(X\right)\left]\right\}$

在获得以上4个分支的输出后,通过在通道维度上进行拼接来实现特征融合,可表示为

(14)

$Y=\mathrm{C}\mathrm{o}\mathrm{n}\mathrm{c}\mathrm{a}\mathrm{t}({y}_{1},{y}_{2},{y}_{3},{y}_{4})$

这种设计使得模型能够同时利用不同尺度的信息,捕捉到音频信号中因螺栓松动而产生的多层次时频变化特征。

2 螺栓松动状态识别实验

2.1 实验模型

为识别输电铁塔中螺栓群的松动状态,选取如图2(a)所示的500 kV酒杯塔主材螺栓连接节点作为研究对象,并对所选待测螺栓和测点螺栓分列排放方式进行标注并划分检测区域,如图2(b)所示。

2.2 数据采集

如图2(b)所示,对螺栓群进行划分,将其分为4个区域。区域1和区域3包含4枚螺栓,区域2和区域4包含3枚螺栓。在每一种松动情况中,按照自上而下的顺序依次对各枚螺栓进行敲击,生成一个完整的音频序列。为提高数据的可靠性,每种情况重复采集30次,为保证敲击声间隔一致,本研究采用节拍器进行控制。如图3所示,为螺栓连接节点敲击示意图。

使用扭矩扳手施加扭矩,正常预紧螺栓施加60 N·m的扭矩,松动螺栓不施加扭矩,从而模拟实际工况下个别螺栓松动的情况。

敲击声信号按4个检测区域分类存储,区域1和区域3含有4枚螺栓,因此包括5种松动个数的情况,即松动0、1、2、3、4个螺栓;区域2和区域4含有3枚螺栓,因此包括4种松动个数的情况,即松动0、1、2、3个螺栓。最后建立48个预定义的松动工况,代表4个区域所有的螺栓松动位置,如表1所示。

2.3 信号预处理

为了增强数据集的多样性,提高模型的泛化能力,采用一系列数据增强方法,包括音调平移、时间拉伸、噪声添加以及多种变换的组合增强。音调平移通过改变音频信号的音调来模拟不同音高的敲击声,以增强模型对音高变化的鲁棒性。时间拉伸用于改变音频的播放速率,从而模拟不同敲击速度的变化。采用librosa音频处理库中的方法,并在变换后使用随机裁剪技术,以保证处理后的音频长度一致。噪声添加旨在增强模型对环境噪声的鲁棒性。在原始音频中注入高斯噪声和非平稳的环境噪声,以模拟真实环境中的背景噪声,提高模型的抗干扰能力。为了进一步增加数据的多样性,采用组合增强。在50%的概率下,随机组合音调平移、时间拉伸和噪声添加3种增强方法,相关参数设置如表2所示。

将音频数据增强之后作为数据集,数据集按70%、15%、15%的比例随机划分为训练集、验证集和测试集。

图4(a)所示为信号预处理流程,第一步在软件当中自动完成预加重(系数0.97)以增强高频成分;第二步以25 ms帧长、10 ms帧移对波形进行短时分帧并施加汉明窗以抑制频谱泄漏;第三步调用librosa提取13维MFCC特征,并将所有样本的时序帧数统一至220帧(对不足部分末端零填充,超出部分截断保留前220帧,图4(b)所示为样本帧长分布图),以保证后续网络输入维度一致。提取完成的MFCC矩阵按其最大绝对值归一化,消除录音设备与环境差异带来的幅度波动。预处理后,所有样本输出为张量,直接供多任务CNN-RNN网络训练与推理使用。

2.4 实验参数与评价指标

采用的软硬件环境包括:音频采集设备使用智能手机iPhone14、手机版本iOS18.4、操作系统Windows11、英伟达显卡NVIDIA GeForce RTX 3050、深度学习框架PyTorch2.4.1、并行计算平台CUDA12.3。在模型训练中,采用Adam优化器(初始学习率0.001,权重衰减1×10^-4),配合学习率调度器StepLR(每15个训练轮次衰减至1/10)。网络使用交叉熵损失函数联合优化3个任务,设置批量大小15,启用早停机制(验证损失连续15次未改善终止训练),并施加Dropout,防止过拟合。为了全面评估所提算法的性能,选用混淆矩阵、损失曲线和准确率曲线、准确率(P)、召回率(R)和F₁分数(F₁)作为评价指标,其计算公式分别为

(15)

$P=\frac{\mathrm{T}\mathrm{P}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{P}}\times 100\mathrm{\%}$

(16)

$R=\frac{\mathrm{T}\mathrm{P}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{N}}\times 100\mathrm{\%}$

(17)

${F}_{1}=2\frac{PR}{PR}\times 100\mathrm{\%}$

式中:真阳性(true positive,TP)和真阴性(true negative,TN)分别为正确分类的正样本数和负样本数;假阳性(false positive,FP)和假阴性(false negative,FN)分别为错误分类的正样本数和负样本数。

2.5 实验结果

为了全面评估模型性能,分别从区域识别准确率、各区域松动个数识别准确率以及具体位置候选集合识别覆盖率3个层面进行性能测试。

图5所示为训练集、验证集和测试集的损失曲线。可以看出,训练损失、验证损失与测试损失在前20个训练轮次内迅速下降,随后在第30个训练轮次后趋于平稳并收敛至接近1.1的水平,且三者之间的差距始终较小,表明模型在训练过程中既能有效拟合数据,又未出现明显的过拟合现象。其次,训练平均准确率、验证平均准确率和测试平均准确率同步上升,在第25个训练轮次后均超过80%,并最终稳定在约85%,表明所提网络结构和训练策略在不同数据集上的一致性与良好泛化能力。

图6所示为根据检测结果生成的混淆矩阵,其中图6(a)为判定松动区域的混淆矩阵。表3所示为松动区域识别结果。从表3中可以看出,模型对4个区域的分类平均准确率为98.13%,区域2和区域4的识别效果最佳,准确率和召回率最高。而区域3的准确率相对较低,为 95.41%,这是由于对称区域的螺栓结构或敲击角度相似导致声学特征相近。

图6(b)为判定各区域螺栓松动个数的混淆矩阵,标签1、2、3、4、5代表松动个数为0、1、2、3、4(只发生在区域1和3),模型在5个类别上的分类整体表现优秀,混淆矩阵呈现出明显的对角线集中趋势。如表4所示,松动个数的识别平均准确率为92.20%,其中对松动4个螺栓(仅发生在区域1和区域3)的情况识别效果最好,准确率达到100%。对于松动1个螺栓的情况,识别效果较差,准确率为88.41%。松动0个螺栓的情况召回率最低为79.75%,主要原因是样本数量相较于其他类别较少导致漏检。

图6(c)所示为判定各区域螺栓松动位置的混淆矩阵,模型在48个类别上的分类整体表现优秀,混淆矩阵呈现出明显的对角线集中趋势。但仍有个别松动情况发生混淆,且主要集中在“相邻位置”与“对称位置”之间,这与声波在薄壁/桁架类结构中传播导致的空间分辨率下降密切相关(相邻/对称位置的局部频谱特征在单通道检测下具有高度相似性)。针对易混淆位置,可以通过高精度区域预测作为先验对位置概率重排、对低置信度输出使用Top-3候选复核,以及在实际工程部署时采用多通道或传感器融合等措施。

为直观展示所提方法在实际检测情形下的效果,从模型的验证集中遴选出10个具有代表性的检测样例。如表5所示,每个样例的输出以三元组形式给出,分别对应螺栓松动的区域、松动个数、松动工况。结果显示,样例1、2与7在螺栓松动状态上相似,导致模型在这些样例的识别上发生混淆。相较之下,其余样例中模型对不同松动类型的判别能力较强,能够以较高置信度给出正确识别。所选样例有助于直观把握模型在不同工况下的响应特征,也为引入Top-K候选机制提供了支持。

2.6 消融实验

如图7所示,对完整网络模型(A模型)、仅去除Inception模块(B模型)、去除SE模块以及Inception模块(C模型)以及只保留CNN网络(D模型)的多种配置进行了系统的消融实验,以量化各模块的贡献。结果表明,仅使用MFCC特征输入的基线模型松动区域识别准确率为96.73%、松动个数识别准确率为71.40%,但是松动位置识别准确率仅为44.75%;加入SE模块后,松动区域识别准确率为96.81%,松动个数识别准确率为82.43%,松动位置识别准确率为53.78%。得益于通道重要性的自适应校正,模型在区域和松动个数任务上的准确率均有不同程度的提升;进一步引入Inception模块,松动区域识别准确率提高到97.53%、松动个数识别准确率增加为84.42%,但松动位置识别准确率为56.52%,变化不大。可见多尺度卷积并行结构有效捕获了复杂时频信息,使得相邻松动状态及对称位置的判别能力明显增强;当SE与Inception模块协同作用时,模型松动区域识别准确率达到97.53%、松动个数识别准确率达到90.82%,松动位置识别准确率提高为61.55%,模型在区域识别、松动数量判定及具体位置定位三个任务中均达到最优性能,从而充分验证了各模块设计的互补性与整体框架的有效性。

2.7 Top-K覆盖率

为更贴近工程应用,在模型输出层保留完整的类别概率分布,并引入Top-K候选集合作为对螺栓具体松动位置的表达。Top-K候选集合定义为按预测概率降序取前K个位置的集合。Top-K覆盖率定义为真实位置存在于该集合的比例,其计算公式为

(18)

$Top-\mathrm{K}-overall\left(\mathrm{K}\right)=\frac{1}{M}\stackrel{M}{\sum _{m=1}}1\{{y}^{\left(m\right)}\in \mathrm{T}\mathrm{o}\mathrm{p}-K[{p}^{\left(m\right)},K\left]\right\}$

式(18)中:M为测试集样本总数;m为测试样本;p⁽^m⁾为模型对第m个样本输出的类别概率向量。

表6所示为K=1~5的Top-K覆盖率。由表6可知,虽然单次单通道输入的Top-1精确定位存在一定不确定性,但将模型输出作为候选集合使用时,候选集合规模较小(如K=3)即可达到较高的覆盖率,在工程意义上,这意味着若把每次检测的候选复核数量限制为K=3,则91.86%的真实螺栓松动位置会包含在推荐的3个候选中,从而将复核类别从48类减少至3类。

如图8所示,在螺栓松动位置的识别中,按Top-K候选集合的定义统计了位置识别的覆盖率。结果显示:在K=1时总体覆盖率为61.55%;当将候选集合扩展到K=2时覆盖率提高到82.30%;继续扩展到K=3时覆盖率达到91.86%。这说明随着K的增大,被判为真实标签被包含在候选集合内的概率明显上升。选取Top-1时,针对所有螺栓均松动或均紧固状态的情况,1、16、20和24工况(图8)识别准确率较高,表明此时音频信号的时频特征差异最为显著,模型能够稳定捕捉到松紧态之间的声学差异。然而,针对如图8中的松动螺栓相邻或对称分布的情况,7、10、21、29和32工况模型(图8)识别性能下降。若采用Top-K候选策略,Top-3覆盖率达到91.86%,Top-5覆盖率达到98.66%。进一步的,将引入塔架不同部位的现场音频样本用于模型的训练和微调^[27-28],并根据工程实际情况选取合理的K值,提高在实际应用当中的适用性和鲁棒性。

3 结论

针对输电铁塔主材螺栓连接节点中螺栓群松动的声音识别问题开展了研究,提出并验证了一种基于MFCC特征的多任务CNN-RNN检测框架,得出以下结论。

(1)SE模块与Inception多尺度并行卷积有机结合,与时间序列建模相融合,增强了对于敲击声中短时冲击与跨频带耦合信息的表征能力。消融实验表明,两个模块协同作用显著提升了对螺栓群松动的判别能力,证明了所提网络结构在松动状态细粒度描述上的有效性。

(2)基于数据增强、音频信号预处理与早停的训练策略,使得本文模型在松动区域识别任务上实现平均准确率98.13%;在松动个数识别任务上实现平均准确率92.20%。

(3)松动螺栓呈相邻或对称分布时,时频特征在MFCC空间内易发生重叠,导致定位松动螺栓位置的不确定性增大,采用Top-K候选策略可有效缓解此不确定性,当K=3时位置识别的Top-3覆盖率达91.86%。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	江文强, 墨泽, 安利强, 等. 考虑螺纹柔性的螺栓连接临界松动载荷计算方法[J]. 机械工程学报, 2020, 56(15): 238-248.

[2]	Jiang Wenqiang, Mo Ze, An Liqiang. Computing method of bolted joint critical loosening load with flexible thread[J]. Journal of Mechanical Engineering, 2020, 56(15): 238-248.

[3]	Jiang W Q, Liu Y P, Chan S L, et al. Direct analysis of an ultrahigh-voltage lattice transmission tower considering joint effects[J]. Journal of Structural Engineering, 2017, 143: 04017009.

[4]	Jiang W Q, Mo Z, Yang L Q, et al. Theoretical study on early stage self-loosening of bolted joint in lattice transmission tower under transverse load[J]. Advanced Steel Construction, 2022, 18: 574-584.

[5]	高光一, 张学森, 李欢, 等. 基于应变监测理论的风电机组塔筒法兰螺栓松动诊断研究[J]. 工业建筑, 2024, 54(11): 15-23.

[6]	Gao Guangyi, Zhang Xuesen, Li Huan, et al. Research on loosening diagnosis of flange bolts of wind turbine tower barrel based on strain monitoring theory[J]. Industrial Construction, 2024, 54(11): 15-23.

[7]	赵卫平, 常昊坛, 籍春雷. 横向振动作用下螺栓连接节点松动规律数值模拟[J]. 振动与冲击, 2024, 43(8): 61-69, 88.

[8]	Zhao Weiping, Chang Haotan, Ji Chunlei. Numerical simulation of loosening law of bolted joints under lateral vibration[J]. Journal of Vibration and Shock, 2024, 43(8): 61-69, 88.

[9]	Zhou Y, Yi H Z, Yue X Y, et al. Method for loose bolt positioning and prediction of bolt axial force in bolt group[J]. Measurement, 2024, 227: 114316.

[10]	康晶杰, 张立君, 孙远东, 等. 基于颜色分割的螺栓松动角度检测方法[J]. 机械强度, 2025, 47(5): 102-109.

[11]	Kang Jingjie, Zhang Lijun, Sun Yuandong, et al. A bolt loosening angle detection method based on color segmentation[J]. Journal of Mechanical Strength, 2025, 47(5): 102-109.

[12]	张一凡, 王康, 孙天翔, 等. 不同工况下螺栓连接梁有限元仿真分析与强度校核研究[J]. 科学技术与工程, 2023, 23(36): 15473-15482.

[13]	Zhang Yifan, Wang Kang, Sun Tianxiang, et al. Finite element simulation analysis and strength check of bolted beams under diffe-rent working conditions[J]. Science Technology and Engineering, 2023, 23(36): 15473-15482.

[14]	刘杰, 王向东, 贾伯岩, 等. 基于振动特性的铁塔螺栓完全松动检测方法[J]. 科学技术与工程, 2022, 22(32): 14213-14220.

[15]	Liu Jie, Wang Xiangdong, Jia Boyan, et al. Detection method for complete loosening of iron towers bolts based on vibration characteristics[J]. Science Technology and Engineering, 2022, 22(32): 14213-14220.

[16]	赵振兵, 丁洁涛. 基于改进PCL模型的输电线路缺销螺栓弱监督检测方法[J]. 科学技术与工程, 2022, 22(23): 10169-10178.

[17]	Zhao Zhenbing, Ding Jietao. Weakly supervised detection method for pin-missing bolt of transmission line based on improved PCL model[J]. Science Technology and Engineering, 2022, 22(23): 10169-10178.

[18]	张俊树, 李丹, 任伟新. 基于振动声调制信号协整分析的螺栓预紧状态识别[J]. 振动与冲击, 2022, 41(21): 1-6, 18.

[19]	Zhang Junshu, Li Dan, Ren Weixin. Identification of bolt pre-tightening state based on cointegration analysis of vibro-acoustic modulation signals[J]. Journal of Vibration and Shock, 2022, 41(21): 1-6, 18.

[20]	Wang S Y, Zhou Y, Kong Q Z. A force-adaptive percussion method for bolt looseness assessment[J]. Journal of Civil Structural Health Monitoring, 2024, 14: 831-841.

[21]	王书胤, 孔庆钊, 周颖. 基于叩诊法的单排多螺栓钢梁柱节点松动检测方法[J]. 地震工程与工程振动, 2024, 44(1): 95-103.

[22]	Wang Shuyin, Kong Qingzhao, Zhou Ying. Percussion-based bolt loosening detection method in a single-row multi-bolted steel beam-column joint[J]. Earthquake Engineering and Engineering Dynamics, 2024, 44(1): 95-103.

[23]	张洪, 刘彬彬, 李云飞. 基于时序二维化和注意力机制的法兰螺栓连接状态识别[J]. 振动与冲击, 2022, 41(9): 181-188.

[24]	Zhang Hong, Liu Binbin, Li Yunfei. Flange bolted connection state recognition based on time series two dimensionalization and attention mechanism[J]. Journal of Vibration and Shock, 2022, 41(9): 181-188.

[25]	Yuan C, Chen W S, Hao H, et al. Near real-time bolt-loosening detection using mask and region-based convolutional neural network[J]. Structural Control and Health Monitoring, 2021, 28: e2741.

[26]	Nguyen T, Ta Q, Ho D, et al. A method for automated bolt-loosening monitoring and assessment using impedance technique and deep learning[J]. Developments in the Built Environment, 2023, 14: 100122.

[27]	Pan X, Yang T. 3D vision-based bolt loosening assessment using photogrammetry, deep neural networks, and 3D point-cloud processing[J]. Journal of Building Engineering, 2023, 70: 106326.

[28]	Luo P, Wang B, Wang H X, et al. An ultrasmall bolt defect detection method for transmission line inspection[J]. IEEE Transactions on Instrumentation and Measurement, 2023, 72: 1-12.

[29]	陈仁祥, 徐培文, 韩坤林. 多尺度一维卷积神经网络的风机基础螺栓松动智能检测[J]. 振动与冲击, 2022, 41(22): 301-307.

[30]	Chen Renxiang, Xu Peiwen, Han Kunlin. Intelligent looseness detection for bolts of a fan foundation based on a multi-scale one-dimensional convolutional neural network[J]. Journal of Vibration and Shock, 2022, 41(22): 301-307.

[31]	Jiang Z P, Zhu Z W, Zhuo D B. Identification of bolt loosening damage of steel truss structure based on MFCC-WPES and optimized random forest[J]. Applied Sciences, 2024, 14: 6626.

[32]	Du C F, Liu J H, Gong H, et al. Percussion-based loosening detection method for multi-bolt structure using convolutional neural network DenseNet-CBAM[J]. Structural Health Monitoring, 2024, 23(4): 2183-2199.

[33]	Yuan C, Wang S Y, Qi Y Z, et al. Automated structural bolt looseness detection using deep learning-based prediction model[J]. Structural Control and Health Monitoring, 2022, 29(3): e2899.

[34]	Kong Q Z, Zhu J X, Ho Siu C, et al. Tapping and listening: a new approach to bolt looseness monitoring[J]. Smart Materials and Structures, 2018, 27(7): 07LT02.

[35]	Zhou Y, Wang S Y, Zhou M, et al. Percussion-based bolt looseness identification using vibration-guided sound reconstruction[J]. Structural Control and Health Monitoring, 2022, 29: e2876.

[36]	Li D, Nie J H, Wang H, et al. Loading condition monitoring of high-strength bolt connections based on physics-guided deep learning of acoustic emission data[J]. Mechanical Systems and Signal Processing, 2024, 206: 110908.

[37]	Moharana S, Vishnu S. Piezo impedance-based monitoring of loosening of bolts: experimental and numerical study[J]. Journal of Intelligent Material Systems and Structures, 2022, 33: 1056-1071.

[38]	卓德兵, 曹晖. 基于小波时频图与轻量级卷积神经网络的螺栓连接损伤识别[J]. 工程力学, 2021, 38(9): 228-238.

[39]	Zhuo Debing, Cao Hui. Damage identification of bolt connections based on wavelet time-frequency diagrams and lightweight convolutional neural networks[J]. Engineering Mechanics, 2021, 38(9): 228-238.

[40]	Yong Q, Liang Y. Intelligent bolt loosening detection in transmi-ssion towers using acoustic signature analysis and machine learning[J]. Processes, 2025, 13: 1111.