异构采集条件下大型螺栓连接机械结构的重建辅助半监督Conformer螺栓松动诊断

《Sensors》:Reconstruction Assisted Semi-Supervised Conformer for Bolt Looseness Diagnosis in Large-Scale Bolted Mechanical Structures Under Heterogeneous Acquisition Conditions

【字体: 大 中 小 】 时间:2026年09月23日 来源:Sensors 4.0

编辑推荐:

  输电塔螺栓松动诊断因昂贵的状态标签和变化的采集条件而复杂化。本研究评估了一种使用三轴振动衍生的梅尔频率倒谱系数(MFCC)的重建辅助半监督Conformer。标记样本监督二分类,而标记和未标记样本支持去噪和掩码重建,无需状态伪标签。一项回顾性审计保留了70,4

  
输电塔螺栓松动诊断因昂贵的状态标签和变化的采集条件而复杂化。本研究评估了一种使用三轴振动衍生的梅尔频率倒谱系数(MFCC)的重建辅助半监督Conformer。标记样本监督二分类,而标记和未标记样本支持去噪和掩码重建,无需状态伪标签。一项回顾性审计保留了70,409个标记片段和154,394个去重未标记片段,并按可识别的源记录、推断采集组和精确特征组将42,421个训练、13,934个验证和14,054个测试片段分离。在五个随机种子上,完整模型获得测试宏F1(macro-F1)0.9124 ± 0.0033和受试者工作特征曲线下面积(ROC–AUC)0.9692 ± 0.0025,而标记重建为0.9032 ± 0.0135和0.9644 ± 0.0074。配对宏F1差值为0.00915,95%种子区间为?0.00503至0.02333;减少标签实验未显示一致益处。在保留的塔型和较晚的队列上性能明显较弱,波形级扰动导致显著退化。在干净推断时,一次编码器调用精确保持了原始重复特征预测。结果支持有效的分组归档内分类,但未建立物理塔无关的泛化、标注节省或经过验证的现场噪声容忍度。
输电塔是电力网络的安全关键承载部件,螺栓连接广泛用于连接塔材。螺栓预紧力丧失会改变接触刚度、阻尼和振动传递特性,若不及时检测可能导致塔体失稳甚至倒塌。已有维护方法如目视检查和扭矩工具需要物理接近,难以识别早期预紧力丧失。基于振动、声学、阻抗等方法依赖专用仪器和特定结构配置,且已有研究多在实验室或单一塔型上验证,在异构采集条件下泛化能力未得到充分证明。监督学习依赖大量准确标注,而获取标注存在严重不对称:实验可产生大量松动态组合,但完全紧固配置数量有限;在役塔上收集未标注数据容易,但获得可靠状态标签需要干预,成本高且存在安全隐患。因此,研究人员提出利用大规模未标记振动数据,通过重建辅助半监督学习改善诊断表示。

研究人员开发了一种重建辅助半监督Conformer网络,使用三轴振动数据提取MFCC,标记样本监督二分类,标记和未标记样本共同用于去噪和掩码重建,不给未标记样本指派伪标签。经过可重复性审计,保留70,409个标记片段和154,394个去重未标记片段,并按源记录、推断采集组和精确特征组划分为训练、验证和测试集。通过五种子配对比较、受控消融、减少标签实验、留一塔型测试、后续队列、波形级扰动等分析,系统评估了模型性能。完整模型在分组测试上获得宏F1 0.9124 ± 0.0033,但未标记重建的增益在统计上不显著;在保留塔型和后续队列上性能大幅下降;波形级噪声导致明显退化。该研究表明,重建辅助策略在归档内分类中有效,但尚未建立塔型无关泛化、标注节省或现场噪声容忍度,为在标注稀缺和采集条件异构情况下负责任地使用半监督学习提供了系统评估框架。

关键方法:研究数据来自在役钢制格构式输电塔,结合受控实验与常规现场测量,使用锤击激励和STMicroelectronics IIS3DWB三轴MEMS加速度传感器(±16 g,26.667 kHz采样率)采集振动信号。每个信号片段提取为42×39的MFCC矩阵(包含13维静态、13维一阶差分和13维二阶差分系数,按X、Y、Z轴顺序拼接)。模型采用Conformer编码器,由多头自注意力、卷积模块、Token级残差去噪和掩码重建头及状态分类器组成。训练联合分类损失与重建损失,标记数据用于分类,标记与未标记数据共同用于重建。评估采用分组训练/验证/测试协议,验证集仅用于模型选择、温度缩放和阈值选择,测试集仅使用一次。

研究结果保留以下小标题:

3.2 与代表性基准方法的比较:在相同分组协议下,完整模型测试宏F1为0.9124 ± 0.0033,标记重建控制为0.9032 ± 0.0135。未标记掩码重建单独变体的宏F1均值最高(0.9144 ± 0.0064),因此合并两种未标记目标并非最优。匹配Transformer为0.8602 ± 0.0137,单表示分类器为0.9098 ± 0.0087。后续队列中所有配置表现均低,不支持跨集合优越性。

3.3 总体诊断性能与阈值敏感性:在14,054段分组测试上,经验证集校准后松动态召回率为0.9871 ± 0.0048,紧动态特异度为0.7924 ± 0.0169,假阳性率为0.2076 ± 0.0169,宏F1为0.9124 ± 0.0033,ROC–AUC为0.9692 ± 0.0025。校准Brier分数为0.0577 ± 0.0037,负对数似然为0.1920 ± 0.0102,期望校准误差为0.0414 ± 0.0047。操作阈值在验证集上选择,控制松动态检测与紧动态误报之间的权衡。

3.4 未标记重建效应与标签预算分析:配对宏F1差值为+0.00915,95%种子区间为[?0.00503, +0.02333],包含零;五对中三对支持完整模型,配对t检验p = 0.1477,符号翻转检验p = 0.25,dz = 0.801。减少标签实验(每类20、50、100、200、500、1594样本)所有配对区间均包含零,平均差值符号在不同预算下变化,不显示一致标注节省益处。

3.5 保留塔型和时间迁移:因无法认证物理塔身份,进行留一记录塔型测试。四个双类塔型的宏F1范围为0.3309–0.4964。后续2800段队列的宏F1为0.4674 ± 0.0171。两者均不建立未见物理塔的性能。

3.6 条件子组和波形压力测试:传播距离类别(A–F)和松脱螺栓数分组仅对松动态样本分析召回率,召回率保持高,但这些类别与塔型、激励几何和采集设计混杂,不能推断因果效应。在波形级加入高斯噪声和记录背景代理,20 dB时宏F1降至0.4958和0.5355,更低信噪比时进一步退化。这些测试不定义现场噪声接受限,显示特征重建不能单独建立波形级鲁棒性。

3.7 表示演化与定性重建行为:原始MFCC的轮廓系数和Fisher比均为0.0057,第三Conformer块后分别增至0.1825和0.4226。该描述性诊断未与无未标记重建的匹配模型比较,不能归因于未标记池。定性去噪和掩码重建示例显示规划的恢复行为,但不量化保真度,也不证明诊断增益。

3.8 图示警报负担:在假定的1%松动态患病率下,测量的类条件行为意味着每1000段约产生9.9个真实警报和205.5个假警报。这是图示计算,不是患病率估计或部署阈值建议。

3.9 计算成本:在t = 1时,单编码器快捷方式在13,934个验证样本上产生与双编码器完全相同的FP32 logits和决策,批量处理时间从24.959 ms降至12.163 ms。该测量不包含端到端现场延迟。

讨论部分指出,未标记重建的增益小且统计不确定,全部减少标签预算区间含零,掩码重建
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号