卡箍作为液压管道中的一种重要固定装置,通常工作在高压、高温以及强振动等复杂环境下,液压管路长时间运行会导致卡箍出现振动疲劳进而导致卡箍松动,这会严重的影响液压管路的健康运行,甚至会导致重大安全事故的发生。如何对卡箍进行及时的加固或更换是亟待解决的问题,因此对于卡箍的松动程度识别研究显得尤为重要。目前,对于卡箍松动程度的研究主要基于管路的振动特性进行空间检测,常用的方法有基于固有频率和模态振型等。虽然该方法具有明确物理意义,但是实际工程运行环境复杂,结构模态参数提取困难,因此在实际工程中应用较少。本文以液压管路卡箍为研究对象,采用信号处理的方法,研究液压管路卡箍松动程度识别及其在线监测系统,主要研究内容如下:(1)为有效识别卡箍松动程度,提出一种基于光纤光栅(Fiber Bragg Grating,FBG)传感技术的智能卡箍。将FBG嵌入到卡箍本体,实现对卡箍应变的测量。同时建立卡箍受力和FBG所测应变之间关系的解析模型,通过解析模型给出卡箍松动的测量原理。进一步,通过有限元仿真优化FBG的埋入位置并对解析模型进行了验证。标定实验揭示卡箍受力和FBG所测应变之的关系式线性的,从实验的角度验证了解析模型的正确性。最后将该卡箍应用到了具体的工业管路系统,对其松动进行了监测。(2)针对液压管道流体激励复杂,难以进行有效松动故障特征提取的问题,提出了基于二维卷积神经网络(Two-dimensional Convolutional Neural Network,2DCNN)的卡箍松动程度识别方法。对管道上分布式安装的FBG应变传感器数据进行融合后,构建卡箍的松动状态灰度图作为2DCNN的输入,根据特定的网络结构进行自适应的特征提取、融合和选择,完成卡箍松动程度的分类。液压直管卡箍松动程度实验结果表明,该方法较传统的特征提取与分类算法具有更好的灵活性与分类准确率。(3)为进一步验证基于2DCNN的卡箍松动程度识别方法的鲁棒性与稳定性,选取流体作用更加复杂的液压弯管开展松动程度实验。实验结果表明,该方法对液压弯管上的卡箍松动程度识别依然具有较高的识别准确率。(4)针对液压管路卡箍状态监测问题,设计并实现了液压管路在线监测系统。系统从采集设备实时获取FBG传感器数据,对数据预处理后进行实时分析处理数据、存储,并对当前卡箍状态进行实时诊断。