CN109506907B - 一种基于振动响应信息的螺栓连接结构松动状态识别方法 - Google Patents

Abstract

本发明公开了一种基于振动响应信息的螺栓连接结构松动状态识别方法，首先，通过振动试验台对螺栓连接结构施加随机激励，采集螺栓连接结构的振动响应信息；其次，基于双树复小波包变换方法对振动响应信息进行分解和单支重构，得到各尺度下的单支重构分量；再次，分别提取各单支重构分量的排列熵特征，构造排列熵特征向量；最后，构造最优间隔分布机，随机选取排列熵特征向量作为训练样本，并采用粒子群算法优选分布机的超参数，完成训练即建立基于最优间隔分布机的识别模型，将未知状态的排列熵特征向量输入最优间隔分布机，实现螺栓连接结构松动状态的智能识别。

Description

一种基于振动响应信息的螺栓连接结构松动状态识别方法

技术领域

本发明涉及机械结构健康状态检测方法，具体涉及一种基于振动响应信息的螺栓连接结构松动状态识别方法。

背景技术

螺栓连接结构是一种常用的预紧连接结构，可以实现组件连接与载荷传递，具有刚性好、重量轻、结构简单、装拆方便、连接可靠等优点，被广泛应用于航空航天、武器装备、机械设备、土木工程等领域。在实际服役过程中，受环境温度、交变载荷、化学腐蚀等因素影响，螺栓连接会出现预紧力下降现象而发生松动。螺栓松动会改变结构的动力学特性，直接影响到整体系统的安全性和可靠性，甚至引发灾难性事故。因此，识别螺栓连接结构的松动状态，对于保障整体装备安全性和可靠性具有重要的工程意义。

目前识别螺栓松动状态的主要方法有压电阻抗法、声发射法、计算机视觉法、超声导波法、非线性动力学方法等，这些方法通常需要复杂昂贵的专用仪器，在实际工程现场中难以应用。

发明内容

本发明的目的在于提供一种基于振动响应信息的螺栓连接结构松动状态识别方法，以克服现有技术的缺点，本发明所提方法简单可靠、精度高、实时性强，便于在实际工程现场中应用。

为达到上述目的，本发明提出一种基于振动响应信息的螺栓连接结构松动状态识别方法，具体包含以下步骤：

(1)振动响应信息的获取

通过振动试验台对螺栓连接结构施加随机激励，待振动达到预设的功率谱密度后，采集螺栓连接结构的振动响应信息；

(2)基于双树复小波包变换的信号多分辨分析

基于双树复小波包变换方法对振动响应信息进行分解和单支重构，得到各尺度下的单支重构分量，具体步骤为：

首先，选择双树复小波包滤波器组，第一层采用(13,19)阶近似对称的双正交滤波器组，其余各层滤波器组均采用N.Kingsbury提出的Q-shift14滤波器组；

然后，基于公知的双树复小波包变换方法，采用所述滤波器组对振动响应信息x(t)进行J层双树复小波包分解；

最后，对2^J个子频带信号进行单支重构：假设振动响应信息采样频率为f_s，则得到的2^J个单支重构分量为{s_j,j＝1,2,…,2^J}，各分量对应的频率范围为[(j-1)f_s/2^J+1,jf_s/2^{J +1}]，由此实现了耦合多分量信号的分离。

(3)排列熵特征向量的构造

分别提取各单支重构分量的排列熵特征，构造排列熵特征向量，具体步骤为：首先，基于公知的排列熵提取方法，依次提取各单支重构分量{s_j}的排列熵特征：

式中，PE表示排列熵提取函数，d是嵌入维数，τ是延迟时间；

然后，将所有子频带排列熵构成特征向量

每个排列熵特征向量视为一个样本点{x_i,i＝1,2,…,M}，M为样本点总数，每个样本点{x_i}都实现了振动响应信息的微小变化在全频带上的表征。

(4)基于最优间隔分布机的状态识别

构造最优间隔分布机，随机选取排列熵特征向量作为训练样本，并采用粒子群算法优选分布机的超参数，完成训练即建立基于最优间隔分布机的识别模型，将未知状态的排列熵特征向量输入最优间隔分布机，实现螺栓连接结构松动状态的智能识别。具体步骤为：

首先，根据样本点与分类超平面最小间距的均值最大化与方差最小化原则，构造最优间隔分布机，构造目标如下：

其中，Q表示代价函数，ω为待求权重向量，λ₁,λ₂,C为惩罚系数，ξ_i为松弛变量，y_i为样本标签，φ(x_i)表示RBF核映射函数，f(x_i)表示超平面因变量，b是待求超平面参数，δ_i表示间隔，

是间隔均值，

是间隔方差；

然后，随机选取M/2个样本点作为训练样本输入分布机，并采用公知的粒子群算法优选惩罚系数λ₁,λ₂,C和核函数参数，求解ω,b，完成训练即建立基于最优间隔分布机的状态识别模型；

最后，将未知样本的排列熵特征向量{x_z}输入最优间隔分布机，即输入如下的分类决策函数，通过f(x_z)的取值判断未知样本所属的松动状态：

f(x_z)＝sign[ω^Tφ(x_z)+b]

根据输入的未知样本的排列熵特征向量，该分类决策函数即自动识别出未知样本所对应的螺栓连接结构的松动状态。

与现有技术相比，本发明具有以下有益的技术效果：

本发明采用的双树复小波包变换具有良好的平移不变性和精确的线性相位特性，适合进行耦合多分量信号的分离；排列熵可以反映系统动力学参数的微小变化，表征不同松动状态下结构的动力学特性；最优间隔分布机可以实现高精度的智能分类，同时具有良好的泛化能力。本发明结合双树复小波包变换、排列熵和最优间隔分布机等算法的优点，可以实现螺栓连接结构松动状态的准确识别。其优越性在于，利用振动响应信息结合上述方法，来识别螺栓连接结构松动状态，具有简单可靠、成本较低、实时性强等特点，有利于提高结构安全性和可靠性，同时为螺栓松动状态的小样本识别提供了新思路和新方法，具有重要的工程应用价值。

附图说明

图1为本发明螺栓连接结构松动状态识别流程图。

图2为Q-Shift14滤波器组对应的尺度函数和小波函数。其中，

表示两个尺度函数的图形，ψ(t)表示两个小波函数的图形。

图3为双树复小波两层分解与重构示意图。

图4为双树复小波包分解示意图。

图5为设计制作的典型梁螺栓连接结构的结构示意图。

图6为振动试验台对螺栓连接结构施加随机激励的功率谱密度，图中横坐标表示频率，单位为赫兹(Hz)，纵坐标表示功率谱密度，单位为g²/Hz。

图7为螺栓连接结构4种不同松动状态在随机激励下振动响应信息的时域波形图，加速度信息采集自悬臂端末端。图中横坐标表示时间，单位为s；纵坐标表示加速度幅值，单位为g。

图8为采用本发明实现的螺栓松动状态识别结果。图中横坐标表示4种松动状态的测试样本，纵坐标表示每个测试样本的类别标签。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明：

参考图1所示，通过随机激励试验获得螺栓连接结构的振动响应信息；基于双树复小波包变换方法，对振动响应信息进行分解和单支重构；提取各单支重构分量的排列熵特征，构造排列熵特征向量；构造最优间隔分布机，随机选取排列熵特征向量作为训练样本，并采用粒子群算法优选分布机的超参数，完成训练即建立基于最优间隔分布机的识别模型，将未知状态的排列熵特征向量输入最优间隔分布机，实现螺栓连接结构松动状态的智能识别。

本发明提出的基于振动响应信息识别螺栓连接结构松动状态的方法，按以下具体步骤实施：

(1)振动响应信息的获取

将典型梁螺栓连接结构安装在振动试验台上，利用工业级扭矩扳手调整两个螺栓的预紧力矩，获得不同松动状态，通过振动台及其控制系统对结构施加随机激励，待振动达到预设的功率谱密度后采集结构的振动响应信息。

(2)基于双树复小波包变换的信号多分辨分析

首先，选择双树复小波包滤波器组，第一层采用(13,19)阶近似对称的双正交滤波器组，其余各层滤波器组均采用N.Kingsbury提出的Q-shift14滤波器组，其波形如图2所示；

然后，参考图3和图4，基于公知的双树复小波包变换方法(Qu JX,Zhang ZS,GongT.A novel intelligent method for mechanical fault diagnosis based on dual-tree complex wavelet packet transform and multiple classifier fusion[J].Neurocomputing,2016,171(C):837-853.)，对振动响应信息x(t)进行J层双树复小波包分解；如图3所示，双树复小波变换由两个独立的实部分支和虚部分支构成，每个分支都等同于经典临界采样小波变换，由此可以实现平移不变性和精确的线性相位特性；如图4所示，双树复小波包变换对双树复小波变换进行了扩展，继续对高频带信号进行分解，实现了振动响应信息的多分辨分析。

最后，对2^J个子频带信号进行单支重构：假设振动响应信息采样频率为f_s，则得到的2^J个单支重构分量为{s_j,j＝1,2,…,2^J}，各分量对应的频率范围为[(j-1)f_s/2^J+1,jf_s/2^{J +1}]，由此实现了耦合多分量信号的分离。

(3)排列熵特征向量的构造

基于公知的排列熵提取方法(Pompe B.,Bandt C.Permutation Entropy:ANatural Complexity Measure for Time Series[J].Physical Review Letters,2002,88(17):174102.)，提取各单支重构分量{s_j}的排列熵特征：

式中，PE表示排列熵提取函数，d是嵌入维数，τ是延迟时间；本发明取d＝5,τ＝3；

然后，将所有子频带排列熵构成特征向量

每个排列熵特征向量视为一个样本点{x_i,i＝1,2,…,M}，M为样本点总数，每个样本点{x_i}都实现了振动响应信息的微小变化在全频带上的表征。

(4)基于最优间隔分布机的状态识别

首先，根据样本点与分类超平面最小间距的均值最大化与方差最小化原则，构造最优间隔分布机，构造目标如下：

其中，Q表示代价函数，ω为待求权重向量，λ₁,λ₂,C为惩罚系数，ξ_i为松弛变量，y_i为样本标签，φ(x_i)表示RBF核映射函数，f(x_i)表示超平面因变量，b是待求超平面参数，δ_i表示间隔，

是间隔均值，

是间隔方差；

然后，随机选取M/2个样本点作为训练样本输入分布机，并采用公知的粒子群算法优选惩罚系数λ₁,λ₂,C和核函数参数，求解ω,b，完成训练即建立基于最优间隔分布机的状态识别模型；

最后，将未知样本的排列熵特征向量{x_z}输入最优间隔分布机，即输入如下的分类决策函数，通过f(x_z)的取值判断未知样本所属的松动状态：

f(x_z)＝sign[ω^Tφ(x_z)+b]

根据输入的未知样本的排列熵特征向量，该分类决策函数即自动识别出未知样本所对应的螺栓连接结构的松动状态。

以下给出一个具体应用实例，同时验证本发明在工程中的有效性：

设计制作一种典型的梁螺栓连接结构，如图5所示，该螺栓连接结构主要由夹具和梁螺栓连接结构组成，夹具主要包括底盘、肋板和基座，主要用于结构固定和平衡结构重心，实现结构与振动台的连接；梁螺栓连接结构包括固定端、螺栓组和悬臂端，是主要监测部分，螺栓组由两个普通M8螺栓组成，还包括同一规格的垫片、弹簧垫圈等附件。试验时，利用工业级扭矩扳手同时调整两个螺栓的扭矩大小，即保证两螺栓扭矩相同，来获得不同的松动状态。共模拟了4种松动状态，每种松动状态对应的预紧力矩依次为2、6、10、16N·m。可以看出，从松动状态1到松动状态4，螺栓连接结构的紧固程度逐渐增加。

然后，将梁螺栓连接结构安装在振动试验台上进行随机激励试验，随机激励的功率谱密度如图6所示，激励频率范围为10-2340Hz，在50-1500Hz范围内，激励的功率谱密度维持在0.003g²/Hz。通过加速度传感器和数据采集设备采集并储存4种松动状态下结构的振动响应信息。螺栓连接结构4种松动状态下的振动响应信息的时域波形如图7所示。可以看出，不同松动状态下结构的振动响应信息波形没有规律性的区别，无法直接判断结构的松动状态。

利用本发明所提方法，首先对振动响应信息采用双树复小波包变换进行3层分解，在单支重构后提取排列熵构成特征向量，然后将特征向量作为最优间隔分布机的训练样本，并采用粒子群优化算法搜索惩罚系数和核函数参数的最优值，最后输入测试样本即实现螺栓连接结构松动状态的智能识别。识别结果如图8所示，4种松动状态的识别准确率依次为100％、90％、85％、85％。可以看出，在4种状态的80个测试样本中仅出现了8个错分样本，总体识别准确率达到了90％，从而验证了本发明在螺栓连接结构松动状态识别方面的有效性。

Claims (2)

1.一种基于振动响应信息的螺栓连接结构松动状态识别方法，其特征在于，包括以下步骤：

(1)振动响应信息的获取

通过振动试验台对螺栓连接结构施加随机激励，待振动达到预设的功率谱密度后，采集螺栓连接结构的振动响应信息；

(2)基于双树复小波包变换的信号多分辨分析

基于双树复小波包变换方法对振动响应信息进行分解和单支重构，得到各尺度下的单支重构分量；具体为：

首先，选择双树复小波包滤波器组，第一层采用(13,19)阶近似对称的双正交滤波器组，其余各层滤波器组均采用Q-shift14滤波器组；

然后，基于双树复小波包变换方法对振动响应信息进行J层双树复小波包分解；

最后，对2^J个子频带信号进行单支重构：假设振动响应信息采样频率为f_s，则得到的2^J个单支重构分量为{s_j,j＝1,2,…,2^J}，各分量对应的频率范围为[(j-1)f_s/2^J+1,jf_s/2^J+1]，即实现耦合多分量信号的分离；

(3)排列熵特征向量的构造

分别提取各单支重构分量的排列熵特征，构造排列熵特征向量；具体为：

首先，基于排列熵提取方法提取各单支重构分量{s_j}的排列熵特征：

式中，PE表示排列熵提取函数，d是嵌入维数，τ是延迟时间；

然后，将所有子频带排列熵构成特征向量

每个排列熵特征向量视为一个样本点{x_i,i＝1,2,…,M}，M为样本点总数，每个样本点{x_i}实现振动响应信息的微小变化在全频带上的表征；

(4)基于最优间隔分布机的状态识别

构造最优间隔分布机，随机选取排列熵特征向量作为训练样本，并采用粒子群算法优选分布机的超参数，完成训练即建立基于最优间隔分布机的识别模型，将未知状态的排列熵特征向量输入最优间隔分布机，实现螺栓连接结构松动状态的智能识别。

2.根据权利要求1所述的一种基于振动响应信息的螺栓连接结构松动状态识别方法，其特征在于，步骤(4)具体为：

首先，根据样本点与分类超平面最小间距的均值最大化与方差最小化原则，构造最优间隔分布机，构造目标如下：

其中，Q表示代价函数，ω为待求权重向量，λ₁,λ₂,C为惩罚系数，ξ_i为松弛变量，y_i为样本标签，φ(x_i)表示RBF核映射函数，f(x_i)表示超平面因变量，b是待求超平面参数，δ_i表示间隔，

是间隔均值，

是间隔方差；

然后，随机选取M/2个样本点作为训练样本输入分布机，并采用粒子群算法优选惩罚系数λ₁,λ₂,C和核函数参数，求解ω,b，完成训练即建立基于最优间隔分布机的状态识别模型；

最后，将未知样本的排列熵特征向量{x_z}输入最优间隔分布机，即输入如下的分类决策函数，通过f(x_z)的取值判断未知样本所属的松动状态：

f(x_z)＝sign[ω^Tφ(x_z)+b]

根据输入的未知样本的排列熵特征向量，该分类决策函数即自动识别出未知样本所对应的螺栓连接结构的松动状态。

Images