在工业生产中，管路应用十分广泛。管路是指液压系统中传输工作流体的管道。相对于管道而言，管路是一种合理安排的管道系统。因为管路的灵活性，管路常被用于液压系统等靠液体驱动的机械设备。卡箍作为液压管路的重要元件之一，主要用于各种管路的连接、固定与支撑。一旦液压管路的卡箍出现松动，将会导致液压管路的密封性等安全问题受到影响。因此卡箍稳定对于液压管道的正常运行十分重要，卡箍的松动的及时检测能够有效避免液压管道故障的发生，因此对卡箍松动的检测具有重要意义。

目前国内外检测卡箍松动有许多方法，例如李天成^[7]等人通过电磁振动台模拟宽频域液压管路基础激励环境，采用光纤光栅分布式监测系统，利用HHT(希尔伯特-黄变换)方法可以对航空发动机液压管路系统振动信号中的突变信号进行有效的侦测。任君兰^[8]采用BP神经网络与小波变换，对滚动轴承的故障信号进行检测与定位。虽然BP神经网络是目前应用最为广泛的网络，但是，BP神经网络难以避免过拟合问题严重制约了神经网络的应用。WANG^[9] 等将两压电片黏贴在螺栓连接的两构件上，分别作为超声波激发器与接收器，根据接收能量的大小来判断螺栓的松紧程度。但压电传感器对其与被测结构的连接有较高要求，且存在高频信号易受干等问题。

卷积神经网络作为神经网络的一个分支, 近年来在手写字体识别与语音识别及其它工程方面得到了广泛的应用。与传统的神经网络和机器学习算法不同，传统算法的权重不易于更改，所以会出现欠拟合和过拟合的现象。而卷积神经网络则是通过节点之间的空间关系来减少权重的数量, 从而提高传统神经网络的性能。

本文通过仿真模拟传感器信号得到液压管路卡箍松动的信号，然后将此信号作为卷积神经网络的输入信号，通过学习训练和测试，从而达到很高的正确率，以此来判断液压管路的卡箍是否出现了松动以及出现松动的位置，方便及时进行修复和处理。这种方法与其他方法相比，优点在于不需要建模，只需要通过仿真将信号输入到神经网络中即可，从而可以克服液压管路卡箍松动模型难以精确建立的缺点，并且方便可靠，易于修改与调试，有很强的应用价值。

2. 研究的基本内容与方案

本文通过仿真模拟输入信号，采用算法搭建卷积神经网络卷积层的前向传播，卷积神经网络池化层的前向传播，卷积神经网络的反向传播，从而得到通过训练与测试之后的输出值。

我们的主要目的是通过构建基于卷积神经网络的液压管路卡箍松动故障检测模型，通过大量样本的训练与学习，从而当有一个新的样本输入时，我们能准确无误地判断出液压管路的卡箍是否出现松动以及出现松动的位置。

典型的卷积神经网络 LeNet-5 的结构分为输入层Input、若干卷积层 C 和采样层 S、全连接层 F 以及输出层 Output，通过多层的卷积层和采样层，可以获得大量数据并对数据进行筛选分类。卷积层C的主要作用是来提取特征，其核心为卷积层中的卷积核，每一个卷积核可以提取一个特征，其输出为提取到的特征。因此如果有大量特征需要提取时，就可以使用多个卷积核。采样层 S为特征映射层，通过采样操作，可以有效降低网络连接的数量。

本设计由于数据样本不算复杂，计划采用一维的卷积神经网络，卷积层设计为一维以适应一维的输入数据，输出为一个准确度，即有多少的可能性认定卡箍出现松动。由于数据量不多，因此整体的卷积神经网络的结果为输入层Input，一个卷积层C1,一个采样层S2，全连接层F3以及最后的输出层Output。其结构图如下图1所示。