CN103091122A - 一种空间网格结构节点螺栓松动损伤的诊断方法 - Google Patents

Abstract

一种空间网格结构节点螺栓松动损伤的诊断方法，包括对螺栓球节点进行了精细化建模，建立结构的组合单元模型，即得到结构的精细化模型；根据空间网格结构的构成特点按照几何位置连续性的方式将其划分为多个子结构，并对其进行编号，对结构测点进行传感器优化布置，并进行频率对杆件的灵敏度分析；螺栓松动损伤的数值模拟；确定神经网络的训练样本、输入参数及输出参数，将损伤样本输入到训练完毕的GRNN网络B，输出为节点的损伤指数，即将损伤位置定位到其所在的节点；可以大大减少损伤精确定位时训练样本的数量，增强了使用神经网络技术对空间网格结构螺栓松动损伤诊断的实用性。尤其对于节点众多的大型空间网格结构具有突出的优势。

Description

一种空间网格结构节点螺栓松动损伤的诊断方法

技术领域

本发明涉及一种结构的螺栓松动损伤诊断方法，特别涉及一种空间网格结构节点的螺栓松动损伤诊断方法。

背景技术

空间网格结构体系迅速发展于20世纪80年代，截至目前其结构形式已经向多样化、新颖化和超大跨度化方向发展。这些大空间、超大空间建筑投资巨大，往往是人群集合或配置重要设施的场所，其安全不仅维系着成千上万人的生命安全，而且还具有重大的国内、国际影响。而在结构中节点是受力最集中的部位，对于整体结构的安全性极为重要，节点一旦失效，相连杆件将丧失部分或全部承载功能，可能造成结构的传力路径改变、结构体系局部破坏，甚至可能引发整个体系连续性破坏。螺栓球节点作为一种典型的半刚性节点，由于其加工制作工艺简单，现场安装方便，技术要求较低，可以避免高空焊接作业，在国内外广泛应用于网格比较规则的中、小跨度的网架、双层网壳结构。而且近年来自由曲面造型的建筑设计日益流行，螺栓球节点由于其空间定位方便准确特别适用于这种复杂曲面的网格结构。空间网格结构中高强螺栓节点的失效形式属于脆性破坏，没有发生杆件变形等预兆。试验研究结果表明，螺栓的紧固程度对结构的刚度影响显著，特别是工程中螺栓球节点还存在着致命的“假拧紧”现象，在设计和施工上都不容易控制。德国Mero体系将钢管开孔以检查螺栓是否到位，但开孔断面削弱太多。此外日本在大连电视塔工程中曾由螺帽孔插入内窥镜，检查螺栓是否到位，由于会大大提高施工成本，并不适合推广。因此对大跨网格结构螺栓球节点进行损伤识别及安全评估方法的研究具有重要的现实意义。

从目前的研究来看，对于空间网格结构损伤识别的研究大都集中为杆件的损伤定位，即采用降低杆件的弹性模量来模拟杆件的损伤，尚未见到研究节点连接的损伤识别，而事实上工程应用时螺栓松动损伤发生的概率要比杆件损伤大的多， 因此寻求一种螺栓松动损伤识别的方法迫在眉睫。目前，人工神经网络(简称ANN)方法以其处理信息的并行性、自组织、自学习性、联想记忆功能以及很强的鲁棒性和容错性等优点，被广泛应用于损伤识别。然而由于空间网格结构的自由度太多，且能够获得的实测数据非常有限，而基于不完备测试信息的情况下直接利用神经网络对整体结构的损伤判定几乎是不可能完成的，会出现模拟损伤样本组合爆炸的问题，因此降低神经网络的计算量成为了能否使用该方法的关键。在结构损伤识别中，损伤位置的诊断比损伤程度的诊断更困难，但也更重要。一方面，它可以确定出结构有无损伤或损伤的大致位置；另一方面，在确定出损伤的大致位置后，采用较精密的无损检测设备对该区域进行局部检测。

发明内容

本发明的目的在于，通过提供一种基于人工神经网络技术的空间网格结构螺栓松动损伤诊断的分步定位新方法，使计算工作量大大减少，从而增强神经网络技术对空间网格结构进行损伤诊断的实用性。精简神经网络的结构并提高其非线性映射能力及损伤识别的效率。

本发明是通过以下技术方案实现的：

一种空间网格结构节点螺栓松动损伤的诊断方法，首先以整个结构为控制对象进行面向子结构的损伤定位，即根据空间网格结构的组成规律，将其细分成子结构，采用概率神经网络诊断螺栓松动损伤可能发生的子结构。然后以整个子结构为控制对象，在缩小的范围内采用面向节点的损伤定位法，确定子结构中螺栓松动损伤的节点位置。

上述方法具体包括以下几个步骤：

1.1. 对螺栓球节点进行了精细化建模，通过分析螺栓球转动刚度随弯矩的变化情况，获得螺栓球连接的弯矩―转角(M―θ)曲线，利用简化原则将连接等效为一段直杆；

1.2. 建立结构的半刚性模型，即得到结构的精细化模型；

1.3. 根据空间网格结构的构成特点将空间网格结构按照几何位置连续性的方式划分为多个子结构，任意两个子结构中杆件、节点的布置相同，并对其进行编号；

1.4. 对结构测点进行加速度传感器的优化布置，并进行频率对杆件的灵敏度分析；

1.5. 螺栓松动损伤的数值模拟；

1.6. 以整个结构为研究对象，确定神经网络的训练样本、输入参数及输出参数，选择概率神经网络 (简称PNN)进行训练。将螺栓松动的损伤样本输入到训练完毕的PNN网络A，输出为损伤位置所在的子结构，即将损伤位置定位到其所在的子结构；

1.7. 以整个子结构作为研究对象，以NDSIi(k)作为输入参数，螺栓松动损伤对应的节点损伤指数作为神经网络的输出，采用广义回归神经网络 (简称GRNN)进行训练。将损伤样本输入到训练完毕的GRNN网络B，输出为节点的损伤指数，即将损伤位置定位到其所在的节点；

所述步骤1.1中节点连接的简化原则为：根据所得到的M―θ曲线折减节点单元的弹性模量，来保证弹性阶段节点单元的抗弯刚度等效。将螺栓连接简化为一段直杆，惯性矩I和杆件单元相同，L为球中心至切削面与套筒长度之和。

所述步骤1.2中半刚性模型建立的方法为：建立具有杆端节点连接刚度可调的杆件单元，即螺栓球节点的半刚性用具有刚度可调的节点单元来描述。 a为节点单元与杆件单元的刚度比值，aEI为节点单元刚度，EI为杆件单元刚度)。

所述步骤1.3中空间网格结构的特点为：空间网格结构的杆件和节点布置相同，子结构的受力特点相同或相近。

所述步骤1.4中加速度传感器优化布置的方法为：测点布置优先级综合排序法。

所述步骤1.5中螺栓松动模拟的方法为：利用节点单元的截面面积减小来模拟节点螺栓松动的损伤，但保证杆件的壁厚不变。

所述步骤1.6中训练样本的确定原则为：选取子结构中杆件灵敏度排序的前10%且靠近子结构中心的位置杆件。

所述步骤1.6输入参数、输出参数的确定原则为：选择仅与损伤位置有关的参数—标准化的损伤信号指标NDSIi(k)作为输入参数，这样可以避开损伤程度的干扰，提高神经网络识别的效率。输出参数为对应的“子结构编号”。

${\mathrm{DSI}}_i=\frac{\mathrm{\Δ}\left\{{\mathrm{\φ}}_i\right\}}{\mathrm{\Δ}{\mathrm{\ω}}_i^2}=\frac{\left\{{\mathrm{\φ}}_{\mathrm{ui}}\right\}-\left\{{\mathrm{\φ}}_{\mathrm{di}}\right\}}{{\mathrm{\ω}}_{\mathrm{ui}}^2-{\mathrm{\ω}}_{\mathrm{di}}^2}---\left(1\right)$

${\mathrm{NDSI}}_i\left(k\right)=\frac{{\mathrm{DSI}}_i\left(k\right)}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\left|{\mathrm{DSI}}_i\left(k\right)\right|}i=(\mathrm{1,2},...,n)---\left(2\right)$

式中，ω_ui和ω_di分别为结构损伤前后的第i 阶频率， φ_ui和φ_di分别为结构前后的第i阶振型， NDSIi (k)为第i阶模态的损伤信号指标，n为实测模态阶数，k为实测模态矢量的位置。

所述步骤1.7中节点的损伤指数的含义为：若与节点相连接的螺栓出现松动损伤，则输出值为“1”，若完好，输出值为“0”，当输出值≥0.5时即认为节点出现损伤；

本发明与现有技术相比，具有以下明显的优势和有益：

1. 该发明可以大大减少损伤精确定位时训练样本的数量，从而解决了神经网络技术中的样本组合爆炸问题，增强使用神经网络技术对空间网格结构螺栓松动损伤诊断的实用性。

2. 该发明不仅使得神经网络结构精简并有助于提高其诊断效率，同时，使得对大型结构的螺栓松动损伤诊断更为可行，尤其对于节点众多的大型空间网格结构具有突出的优势。

3. 该发明适合于不完备的模态数据，且只利用低阶模态数据即可准确诊断出螺栓松动损伤所在的节点位置，具有较高的工程应用价值。

4.该发明选取了仅与损伤位置有关的参数NDSIi(k)作为输入，因此训练样本理论上可以是任意的损伤程度，这一特性使网络具有良好的泛化能力。

附图说明

图1为本发明诊断方法的流程框图， “Ⅰ”代表“子结构初步定位(以整个结构为研究对象)”，“Ⅱ”代表“节点定位(以整个子结构为研究对象)”。；

图2为结构的半刚性模型，其中a为节点单元与杆件单元的刚度比值，aEI为节点单元刚度，EI为杆件单元刚度；

图3为螺栓松动损伤的数值模拟；

图4为单层柱面网壳试验模型图，图中“1，2，…，7”为所划分的子结构编号、“黑色实心圆”为加速度传感器位置(1，25，…，11为加速度传感器所在节点的节点编号)、7根杆件(单元号36、72、108、144、180、216、256)为训练样本)；

图5为螺栓球节点的弯矩―转角(M―θ)曲线示意图；

图6为试验模型螺栓松动损伤所在的“子结构7”；

图7为试验模型螺栓松动损伤所在的节点示意图；(节点编号为4，节点损伤单元编号为991、992)；

图8为试验模型螺栓松动损伤诊断的子结构定位示意图；

图9为试验模型螺栓松动损伤诊断的节点定位示意图。

具体实施方式

本发明的具体实施方式如下：

请参阅图1所示，为本发明诊断方法的流程框图，其中，图中的“Ⅰ”代表“子结构初步定位(以整个结构为研究对象)”“Ⅱ”代表“节点定位(以整个子结构为研究对象)”。

该诊断方法主要包括：对螺栓球节点进行了精细化建模，通过分析螺栓球转动刚度随弯矩的变化情况，获得螺栓球连接的弯矩―转角(M―θ)曲线，利用简化原则将连接等效为一段直杆；

建立结构的半刚性模型，即得到结构的精细化模型；

根据空间网格结构的构成特点按照几何位置连续性的方式将其划分为多个子结构，并对其进行编号；

对结构测点进行传感器优化布置，并进行频率对杆件的灵敏度分析；

螺栓松动损伤的数值模拟；

以整个结构为研究对象，确定神经网络的训练样本、输入参数及输出参数，选择具有强大分类能力的概率神经网络 (简称PNN)进行训练。将螺栓松动的损伤样本输入到训练完毕的PNN网络A，输出为损伤位置所在的子结构，即将损伤位置定位到其所在的子结构；

以整个子结构作为研究对象，以NDSIi(k)作为输入参数，螺栓松动损伤对应的节点损伤指数作为神经网络的输出，采用广义回归神经网络(简称GRNN)进行训练。将损伤样本输入到训练完毕的GRNN网络B，输出为节点的损伤指数，即将损伤位置定位到其所在的节点；

实施例1

某单层柱面网壳试验模型，由157个节点及414根杆件组成，数值模型如图4所示。结构中节点的螺栓松动损伤节点单元的截面面积减小来模拟(内外半径同时减小)，但保证杆件的壁厚不变进行模拟，且假定其弹性模量不变，模型建模及模态计算均采用有限元软件ANSYS完成。以下为杆件损伤识别步骤：

(1) 对螺栓球节点进行了精细化建模，通过分析螺栓球转动刚度随弯矩的变化情况，获得螺栓球节点的弯矩―转角(M―θ)曲线，如图5所示；

(2) 建立结构的半刚性模型，即得到结构的精细化模型；

(3) 子结构的划分。注意到该模型纵向共有7个柱距，且每柱距间结构的杆件个数及类型相似，因此可将该试验模型视为由7个子结构组成，编号如图4所示。以第2个子结构为例，损伤工况如表1所示。

表1 损伤工况

工况	所在杆件	所在节点	损伤程度(mm)
				1	80	48	12
2	65	44	8
				3	74	49	9
4	58	41	10
				5	77	51	10
6	75	43	12

(4) 选用结构损伤前后的前3阶模态构造仅与损伤位置有关的NDSIi(k)作

为网络的输入参数，图5所示的黑色实心圆为传感器的具体位置，即在1、25、46等9个节点上布置横向和竖向的加速的传感器，共18个。

 (5) 训练样本的确定及螺栓松动损伤的模拟。以整个结构为研究对象，根据训练样本的确定原则，每个子结构中选择1根杆件的一端损伤来构造训练样本，如表2及图4中所示的7根杆件，让其端部内外径减小15mm后提取传感器(1、25、46等共9个位置)的前3阶频率及Y、Z向的振型构造标准化的损伤信号指标NDSIi(k)，训练样本为54×7的矩阵，训练样本如表2所示，位置如图4所示。输出为子结构编号(1、2、…、7)，识别损伤发生在哪一个子结构的范围内，神经网络的输出样本为一个7阶的单位矩阵，如第1个子结构输出为(1,0,0,0,0,0,0)^T。选择PNN网络进行训练。

表2 训练样本

所在“子结构”	所在杆件	所在节点	损伤程度(mm)
				1	36	28	15
2	72	49	15
				3	108	70	15
4	144	91	15
				5	180	112	15
6	216	133	15

(6) 螺栓松动诊断的子结构初步定位。将表1中的各损伤工况构造损伤样本NDSIi(k)输入到训练完毕的PNN网络A，输出为损伤位置所在的子结构，即将损伤位置定位到其所在的子结构。子结构定位结果如表3所示。

表3 螺栓松动单损伤测试样本子结构定位结果

工况	所在杆件	所在节点	损伤程度(mm)	子结构定位结果
					1	80	48	12	2(√)
2	65	44	8	2(√)
					3	74	49	9	2(√)
4	58	41	10	2(√)
					5	77	51	10	2(√)
6	75	43	12	2(√)

 (7) 螺栓松动诊断的节点定位。以诊断出的子结构作为研究对象，以NDSIi(k)作为输入参数，螺栓松动对应节点的损伤指数作为神经网络的输出，采用GRNN网络进行训练。将损伤样本输入到训练完毕的GRNN网络B，输出为节点的损伤指数，即将损伤位置定位到其所在的节点，节点定位结果如表4所示；

表4螺栓松动单损伤测试样本节点定位结果

工况	所在杆件	所在节点	损伤程度(mm)	节点损伤指数	节点定位结果
						1	80	48	12	0.91	48(√)
2	65	44	8	0.92	44(√)
						3	74	49	9	0.94	49(√)
4	58	41	10	0.93	41(√)
						5	77	51	10	0.89	51(√)
6	75	43	12	0.94	43(√)

从表4中可以看出，各工况下的螺栓松动损伤均正确定位到相应的节点，证明了该发明的实用性及可靠性。

实施例2

由实施例1的单层柱面网壳试验模型，采用正弦激振法对其螺栓松动损伤前后前3阶模态进行了动力特性测试。试验模型损伤位置位于“子结构7”，如图6所示，所在节点位置如图7所示，人为的将其位置的螺栓松动来模拟损伤。训练样本、输入参数、输出参数及神经网络的建立均同实施例1。

试验模型螺栓松动损伤诊断的子结构定位结果如图8所示；试验模型螺栓松动损伤诊断的节点定位结果如图9所示。

单层柱面网壳模型螺栓松动损伤试验的诊断结果表明，子结构定位到“7”上，节点定位到“4”上，节点螺栓松动损伤所在的子结构与节点均能正确的诊断定位，再次验证了本发明的实用性及可靠性，而且仅采用较少量的传感器与训练样本，大大降低了成本，这对空间网格结构的健康监测工程应用具有积极的意义。

Claims (9)

1.一种空间网格结构节点螺栓松动损伤的诊断方法，采用概率神经网络诊断螺栓松动损伤可能发生的子结构；然后以整个子结构为控制对象，在缩小的范围内采用面向节点的损伤定位法，确定子结构中螺栓松动损伤的节点位置；其特征在于：包括以下步骤：

1.1. 对螺栓球节点进行了精细化建模，通过分析螺栓球转动刚度随弯矩的变化情况，获得螺栓球连接的弯矩―转角曲线，利用简化原则将连接等效为一段直杆；

1.2. 建立结构的半刚性模型，即得到结构的精细化模型；

1.3. 根据空间网格结构的构成特点将空间网格结构按照几何位置连续性的方式划分为多个子结构，任意两个子结构中杆件、节点的布置相同，并对其进行编号；

1.4. 对结构测点进行加速度传感器的优化布置，并进行频率对杆件的灵敏度分析；

1.5. 螺栓松动损伤的数值模拟；

1.6. 以整个结构为研究对象，确定神经网络的训练样本、输入参数及输出参数，选择概率神经网络进行训练；将螺栓松动的损伤样本输入到训练完毕的PNN网络A，输出为损伤位置所在的子结构，即将损伤位置定位到其所在的子结构；

1.7. 以整个子结构作为研究对象，以NDSIi(k)作为输入参数，螺栓松动损伤对应的节点损伤指数作为神经网络的输出，采用广义回归神经网络进行训练；将损伤样本输入到训练完毕的GRNN网络B，输出为节点的损伤指数，即将损伤位置定位到其所在的节点。

2.根据权利要求1所述的一种空间网格结构节点螺栓松动损伤的诊断方法，其特征在于：所述步骤1.1中节点的连接，根据所得到的M―θ曲线折减节点单元的弹性模量，保证弹性阶段节点单元的抗弯刚度等效；将螺栓连接简化为一段直杆，惯性矩I和杆件单元相同，L为球中心至切削面与套筒长度之和。

3.根据权利要求1所述的一种空间网格结构节点螺栓松动损伤的诊断方法，其特征在于：所述步骤1.2中半刚性模型，建立具有杆端节点连接刚度可调的杆件单元，即螺栓球节点的半刚性用具有刚度可调的节点单元来描述。

4.根据权利要求1所述的一种空间网格结构节点螺栓松动损伤的诊断方法，其特征在于：所述步骤1.3中空间网格结构的杆件和节点布置相同，子结构的受力特点相同或相近。

5.根据权利要求1所述的一种空间网格结构节点螺栓松动损伤的诊断方法，其特征在于：所述步骤1.4中加速度传感器优化布置，根据测点布置优先级综合排序。

6.根据权利要求1所述的一种空间网格结构节点螺栓松动损伤的诊断方法，其特征在于：所述步骤1.5中螺栓松动的模拟，利用节点单元的截面面积减小来模拟节点螺栓松动的损伤，但杆件的壁厚不变。

7.根据权利要求1所述的一种空间网格结构节点螺栓松动损伤的诊断方法，其特征在于：所述步骤1.6中训练样本的确定，选取子结构中杆件灵敏度排序的前10%且靠近子结构中心的位置杆件。

8.根据权利要求1所述的一种空间网格结构节点螺栓松动损伤的诊断方法，其特征在于：所述步骤1.6输入参数、输出参数，选择仅与损伤位置有关的参数—标准化的损伤信号指标NDSIi(k)作为输入参数；输出参数为对应的子结构编号；

${\mathrm{DSI}}_i=\frac{\mathrm{\Δ}\left\{{\mathrm{\φ}}_i\right\}}{\mathrm{\Δ}{\mathrm{\ω}}_i^2}=\frac{\left\{{\mathrm{\φ}}_{\mathrm{ui}}\right\}-\left\{{\mathrm{\φ}}_{\mathrm{di}}\right\}}{{\mathrm{\ω}}_{\mathrm{ui}}^2-{\mathrm{\ω}}_{\mathrm{di}}^2}---\left(1\right)$

${\mathrm{NDSI}}_i\left(k\right)=\frac{{\mathrm{DSI}}_i\left(k\right)}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\left|{\mathrm{DSI}}_i\left(k\right)\right|}i=(\mathrm{1,2},...,n)---\left(2\right)$

式中，ω_ui和ω_di分别为结构损伤前后的第i 阶频率， φ_ui和φ_di分别为结构前后的第i阶振型， NDSIi (k)为第i阶模态的损伤信号指标，n为实测模态阶数，k为实测模态矢量的位置。

9.根据权利要求1所述的一种空间网格结构节点螺栓松动损伤的诊断方法，其特征在于：所述步骤1.7中节点的损伤指数，若与节点相连接的螺栓出现松动损伤，则输出值为“1”，若完好，输出值为“0”，当输出值≥0.5时即认为节点出现损伤。

Images