本发明涉及连接件检测领域，尤其是一种螺栓检测系统及其实现方法。
背景技术：
众所周知，在土建结构中节点起到举足轻重的作用，节点发生破坏可直接导致整个结构发生破坏，后果极为严重，螺栓作为钢结构节点的主要连接构件，其工作状态应受到土建工程师的关注。而近年来，核电厂发生数次钢结构高强度螺栓断裂掉落事件，例如龙门架、泵站屋架和防甩击支架等均发生高强度螺栓脆性断裂而掉落事件，这不仅对钢结构整体结构安全造成潜在不利影响，而且对其下方人员人身安全造成严重威胁。因此，需要对大型钢结构节点处高强度螺栓进行预防性检查。
目前，检修人员只能采用观察法和小锤敲击法对螺栓进行预防性检查，但是这种人工检测的方法存在以下问题：1、大型钢结构往往高度较高，体量巨大，施工作业需大量搭拆脚手架，耗费巨大的财力、人力和时间成本，且存在较高安全风险，同时，巨大的成本消耗导致此类检修难以进行，存在安全隐患。2、观察法仅能发现高强度螺栓表面是否出现锈蚀或者明显变形，内部缺陷较难发现，可靠性低。3、小锤敲击法通过敲击螺栓而发出的声音判断其是否松动，比较依赖施工作业人员的工程经验，缺乏量化指标。
技术实现要素：
为解决上述技术问题，本发明的第一个目的在于：提供一种成本低、可靠性高并能进行指标量化的螺栓检测系统。
本发明的第二个目的在于：提供一种成本低、可靠性高并能进行指标量化的，螺栓检测系统的实现方法。
本发明所采取的第一个技术方案是：
一种螺栓检测系统，包括：
训练学习模块，用于对螺栓敲击声音进行特征提取，并根据机器学习算法对提取的特征进行训练学习；
检测模块，用于根据训练学习的结果，对待检测螺栓进行缺陷检测。
进一步，所述训练学习模块包括：
声音采集单元，用于采集有缺陷和无缺陷的样本螺栓敲击声音；
特征提取模块，用于采用小波矩算法对采集的螺栓敲击声音图谱进行特征提取；
特征训练模块，用于采用BP神经网络对提取的特征进行训练识别。
进一步，所述特征提取模块包括：
归一化处理单元，用于对采集的螺栓敲击声音图谱进行归一化处理，得到同时满足平移不变性和缩放不变性的图谱；
映射单元，用于将归一化处理后的图谱映射到极坐标上，得到极坐标上的二值图像；
构造单元，用于采用小波函数集进行矩特征构造，得到小波矩不变量，所述小波函数集ψa,b(r)为：
其中，a表示扩张因子，a∈R+，b表示位移因子，b∈R，ψ(r)代表母小波，r代表二值图像的极径；
图像特征生成单元，用于根据得到的小波矩不变量，生成图谱的局部特征和全局特征。
进一步，所述母小波ψ(r)的描述函数为三次B样条函数。
进一步，所述特征训练模块包括：
正向传递单元，用于对BP神经网络中各个神经元的输入值进行计算，得到误差函数；
反向调节单元，用于判断得到的误差函数是否满足阈值要求，若是，则不做处理；反之，则修正各个神经元的输入值，并返回正向传递单元。
进一步，所述BP神经网络包括输入层、隐含层和输出层，所述误差函数E的表达式为：
其中，m是样本个数，p是输出层神经元的个数，tks为第k个样本的第s个神经元的期望输出值，yks为第k个样本的第s个神经元的实际输出值。
本发明所采取的第二个技术方案是：
一种螺栓检测系统的实现方法，包括以下步骤：
通过螺栓检测系统采集螺栓敲击声音，对采集的螺栓敲击声音进行特征提取，并根据机器学习算法对提取的特征进行训练学习；
通过螺栓检测系统采集待检测螺栓的敲击声音，根据训练学习的结果，对采集的待检测螺栓敲击声音进行缺陷检测。
进一步，所述对采集的螺栓敲击声音进行特征提取，并根据机器学习算法对提取的特征进行训练学习这一步骤，包括以下步骤：
通过螺栓检测系统采集有缺陷和无缺陷的样本螺栓敲击声音；
采用小波矩算法对采集的螺栓敲击声音图谱进行特征提取；
采用BP神经网络对提取的特征进行训练识别。
进一步，所述采用小波矩算法对采集的螺栓敲击声音图谱进行特征提取这一步骤，包括以下步骤：
对采集的螺栓敲击声音图谱进行归一化处理，得到同时满足平移不变性和缩放不变性的图谱；
将归一化处理后的图谱映射到极坐标上，得到极坐标上的二值图像；
采用小波函数集进行矩特征构造，得到小波矩不变量，所述小波函数集ψa,b(r)为：
其中，a表示扩张因子，a∈R+，b表示位移因子，b∈R，ψ(r)代表母小波，r代表二值图像的极径；
根据得到的小波矩不变量，生成图谱的局部特征和全局特征。
进一步，所述采用BP神经网络对提取的特征进行训练识别这一步骤，包括以下步骤：
对BP神经网络中各个神经元的输入值进行计算，得到误差函数；
判断得到的误差函数是否满足阈值要求，若是，则不做处理；反之，则修正各个神经元的输入值，并返回对BP神经网络中各个神经元的输入值进行计算，得到误差函数这一步骤，直至得到的误差函数满足阈值要求。
本发明的系统的有益效果是：本发明的系统集成了训练学习模块和检测模块对螺栓的工作状态进行检测，整个工作过程无需人为干预，大大降低了人工成本且提高了检测的可靠性；另外，本系统能够对大量的螺栓敲击声音进行特征提取以及训练学习，相较于现有小锤敲击法，本系统实现了螺栓缺陷指标的量化，能够全面识别螺栓的各种缺陷，进一步提高了检测的可靠性。
本发明的方法的有益效果是：本发明的方法首先对螺栓敲击声音进行特征提取，并根据机器学习算法对提取的特征进行训练学习，然后根据训练学习的结果，对待检测螺栓进行缺陷检测，整个工作过程无需人为干预，大大降低了人工成本且提高了检测的可靠性；另外，本方法能够对大量的螺栓敲击声音进行特征提取以及训练学习，相较于现有小锤敲击法，本方法实现了螺栓缺陷指标的量化，能够全面识别螺栓的各种缺陷，进一步提高了检测的可靠性。
附图说明
图1为本发明一种螺栓检测系统的整体结构框图；
图2为实施例一一种螺栓检测系统的实现方法的整体步骤流程图；
图3为实施例一BP神经网络的神经元结构示意图。
具体实施方式
参照图1，一种螺栓检测系统，包括：
训练学习模块，用于对螺栓敲击声音进行特征提取，并根据机器学习算法对提取的特征进行训练学习；
检测模块，用于根据训练学习的结果，对待检测螺栓进行缺陷检测。
参照图1，进一步作为优选的实施方式，所述训练学习模块包括：
声音采集单元，用于采集有缺陷和无缺陷的样本螺栓敲击声音；
特征提取模块，用于采用小波矩算法对采集的螺栓敲击声音图谱进行特征提取；
特征训练模块，用于采用BP神经网络对提取的特征进行训练识别。
其中，小波矩是一种新型不变矩，它结合了不变矩和小波变换的特点，小波矩不但可以提取图像全局特征，也能提取图像的局部特征，其性能比Hu矩、Li矩及Zernike矩等其他的矩特征提取算法好。
参照图1，进一步作为优选的实施方式，所述特征提取模块包括：
归一化处理单元，用于对采集的螺栓敲击声音图谱进行归一化处理，得到同时满足平移不变性和缩放不变性的图谱；
映射单元，用于将归一化处理后的图谱映射到极坐标上，得到极坐标上的二值图像；
构造单元，用于采用小波函数集进行矩特征构造，得到小波矩不变量，所述小波函数集ψa,b(r)为：
其中，a表示扩张因子，a∈R+，b表示位移因子，b∈R，ψ(r)代表母小波，r代表二值图像的极径；
图像特征生成单元，用于根据得到的小波矩不变量，生成图谱的局部特征和全局特征。
进一步作为优选的实施方式，所述母小波ψ(r)的描述函数为三次B样条函数。
其中，B样条曲线曲面具有几何不变性、凸包性、保凸性、变差减小性和局部支撑性等许多优良性质。
参照图1，进一步作为优选的实施方式，所述特征训练模块包括：
正向传递单元，用于对BP神经网络中各个神经元的输入值进行计算，得到误差函数；
反向调节单元，用于判断得到的误差函数是否满足阈值要求，若是，则不做处理；反之，则修正各个神经元的输入值，并返回正向传递单元。
其中，BP(back propagation)神经网络是1986年由Rumelhart和McClelland为首的科学家提出的概念，是一种按照误差逆向传播算法训练的多层前馈神经网络，是目前应用最广泛的神经网络，具有任意复杂的模式分类能力和优良的多维函数映射能力。
进一步作为优选的实施方式，所述BP神经网络包括输入层、隐含层和输出层，所述误差函数E的表达式为：
其中，m是样本个数，p是输出层神经元的个数，tks为第k个样本的第s个神经元的期望输出值，yks为第k个样本的第s个神经元的实际输出值。
基于图1的系统，本发明一种螺栓检测系统的实现方法，包括以下步骤：
通过螺栓检测系统采集螺栓敲击声音，对采集的螺栓敲击声音进行特征提取，并根据机器学习算法对提取的特征进行训练学习；
通过螺栓检测系统采集待检测螺栓的敲击声音，根据训练学习的结果，对采集的待检测螺栓敲击声音进行缺陷检测。
进一步作为优选的实施方式，所述对采集的螺栓敲击声音进行特征提取，并根据机器学习算法对提取的特征进行训练学习这一步骤，包括以下步骤：
通过螺栓检测系统采集有缺陷和无缺陷的样本螺栓敲击声音；
采用小波矩算法对采集的螺栓敲击声音图谱进行特征提取；
采用BP神经网络对提取的特征进行训练识别。
进一步作为优选的实施方式，所述采用小波矩算法对采集的螺栓敲击声音图谱进行特征提取这一步骤，包括以下步骤：
对采集的螺栓敲击声音图谱进行归一化处理，得到同时满足平移不变性和缩放不变性的图谱；
将归一化处理后的图谱映射到极坐标上，得到极坐标上的二值图像；
采用小波函数集进行矩特征构造，得到小波矩不变量，所述小波函数集ψa,b(r)为：
其中，a表示扩张因子，a∈R+，b表示位移因子，b∈R，ψ(r)代表母小波，r代表二值图像的极径；
根据得到的小波矩不变量，生成图谱的局部特征和全局特征。
进一步作为优选的实施方式，所述采用BP神经网络对提取的特征进行训练识别这一步骤，包括以下步骤：
对BP神经网络中各个神经元的输入值进行计算，得到误差函数；
判断得到的误差函数是否满足阈值要求，若是，则不做处理；反之，则修正各个神经元的输入值，并返回对BP神经网络中各个神经元的输入值进行计算，得到误差函数这一步骤，直至得到的误差函数满足阈值要求。
下面结合说明书附图和具体实施例对本发明作进一步解释和说明。对于本发明实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
实施例一
由于目前对大型钢结构节点处高强度螺栓进行预防性检查的方法只有观察法和小锤敲击法，而这种方法存在成本高、可靠性低以及缺乏量化指标等缺点，因此，本发明提出一种螺栓检测系统及其实现方法。本发明首先通过训练学习模块对螺栓敲击声音进行特征提取，并根据机器学习算法对提取的特征进行训练学习，然后通过检测模块对待检测螺栓进行缺陷检测，整个工作过程无需人为干预，大大降低了人工成本且提高了检测的可靠性；另外，本发明能够对大量的螺栓敲击声音进行特征提取以及训练学习，相较于现有小锤敲击法，本发明实现了螺栓缺陷指标的量化，能够全面识别螺栓的各种缺陷，进一步提高了检测的可靠性。
参照图1，本发明一种螺栓检测系统包括训练学习模块和检测模块。训练学习模块包括声音采集单元、特征提取模块和特征训练模块，特征提取模块包括归一化处理单元、映射单元、构造单元和图像特征生成单元，特征训练模块包括正向传递单元和反向调节单元。
其中，声音采集单元依次连接归一化处理单元、映射单元、构造单元、图像特征生成单元、正向传递单元、反向调节单元和检测模块。
参照图2，本发明一种螺栓检测系统的实现方法的具体步骤流程如下：
S1、通过螺栓检测系统采集大量有缺陷和无缺陷的螺栓敲击声音作为训练样本；
其中，敲击检测的工作原理为：
一个物体振动状态的不同，表现为发出的声音不同，在物理上这是由于它们振动的幅度、频率、持续时间以及单一振动或复合振动等的不同。这些物理量与振动物体的材料、结构等密切相关。作为一个振动系统，在单一频率情况下，机械振动的基本方程为:F＝Zu，式中：F为机械振动的驱动力；u为质点的振动速度；Z为等效机械阻抗，表示为:
式中：M为等效质量；C为等效柔顺性；R为等效摩擦阻尼；i为电流；ω为角频率。
通过间接或直接测量u，从而确定被检工件的缺陷特性，敲击探伤听声测量实际上就是间接测量u。敲击的过程就是在被检测对象中激励产生机械振动的过程，而声音以及敲击手感的获取则是检测过程中的信息采集，检测人员凭借自己的经验对获得的信息进行分析判断，得到的最终结论就属于检测过程中的特征提取及结果判断。为了提高这一方法的准确性、易用性，许多学者对构件的振动模态展开分析。对于任何结构而言，总会存在一个或多个自然频率，这些自然频率的变化基本遵循如下表达式所表示的规律：
影响构件自然频率的主要因素包括：构件的弯曲刚度EI(E为杨氏模量，EI为截面的二次矩)，构件的单位长度质量m，剪切刚度Ks以及旋转惯量ρI(为材料密度)。这些参量的细微变化所引起的频率变化是近似线性的。当构件局部存在缺陷，以及尺寸或材料的差异时，相应的参数EI，m，Ks以及ρI会产生变化，从而引起频率的变化；
S2、采用小波矩算法对采集的螺栓敲击声音图谱进行特征提取，小波矩算法的矩特征的一般表达式可以定义为：Fpq＝∫∫f(r,θ)gp(r)ejqθrdrdθ，其中，f(r,θ)表示极坐标上的二维的二值图像，gp(r)表示极坐标上的径向分量，ejpθ表示极坐标上的角度变量；
其中，步骤S2具体包括以下步骤：
S21、对采集的螺栓敲击声音图谱进行归一化处理，得到同时满足平移不变性和缩放不变性的图谱。首先，求出图像f(r,θ)的质心(x′,y′)，然后坐标原点移到质心，使得f′(x,y)＝f(x+x′,y+y′)得到平移不变性；然后，将原图放大或缩小α倍，定义其中，m00表示零阶矩，β表示期望图像的大小，得到图像的缩放不变性；所以通过平移和缩放处理后的图像为f′′(x,y)＝f(αx+x′,αy+y′)；
S22、将归一化处理后的图谱映射到极坐标上，得到极坐标上的二值图像；
S23、采用小波函数集进行矩特征构造，得到小波矩不变量，所述小波函数集为其中，a(a∈R+)表示扩张因子，b(b∈R)表示位移因子，ψ(r)代表母小波；
S24、根据得到的小波矩不变量，生成图谱的局部特征和全局特征。
S3、采用BP神经网络对提取的特征进行训练识别。BP神经网络是有神经元组成的，神经元的具体结构如图3所示，其中，xj表示第j个神经元，在图中它们表示输入，wij表示第j个神经元与第i个神经元之间的连接权值，ui表示第i个神经元的状态，θi表示第i个神经元的阈值，yi表示第i个神经元的输出，yi＝f(ui)，也是下一个神经元的输入，f(·)表示Sigmoid函数
S4、通过螺栓检测系统对待检测螺栓进行声音采集，根据训练学习的结果，对采集的螺栓声音进行缺陷分析，所述螺栓的缺陷包括螺栓的松动程度以及螺栓的结构硬度。
综上所述，本发明一种螺栓检测系统及其实现方法具有以下优点：
1)、本发明的螺栓检测系统有效地将所有模块集成在一起，配合完成整个作业过程，作业过程期间不需要人为干预，由系统本身自动控制各系统的有序作业，大大降低了人工成本且提高了检测的可靠性。
2)、本发明能够对大量的螺栓敲击声音进行特征提取以及训练学习，相较于现有小锤敲击法，本发明实现了螺栓缺陷指标的量化，能够全面识别螺栓的各种缺陷，进一步提高了检测的可靠性。
3)、本发明采用小波矩算法对采集的螺栓敲击声音图谱进行特征提取，能够同时提取声音图谱的局部特征和全局特征。
4)、本发明采用BP神经网络对提取的特征进行训练识别，具有任意复杂的模式分类能力和优良的多维函数映射能力，能够覆盖螺栓的所有缺陷分类，提高检测的可靠性。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。