CN110501108B - 基于独立分量分析和支持向量机的螺栓预紧力辨识方法 - Google Patents
基于独立分量分析和支持向量机的螺栓预紧力辨识方法 Download PDFInfo
- Publication number
- CN110501108B CN110501108B CN201910826171.2A CN201910826171A CN110501108B CN 110501108 B CN110501108 B CN 110501108B CN 201910826171 A CN201910826171 A CN 201910826171A CN 110501108 B CN110501108 B CN 110501108B
- Authority
- CN
- China
- Prior art keywords
- signals
- pretightening force
- vibration
- signal
- bolt
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012880 independent component analysis Methods 0.000 title claims abstract description 21
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 16
- 239000013598 vector Substances 0.000 claims abstract description 24
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 6
- 230000004044 response Effects 0.000 claims description 36
- 238000012545 processing Methods 0.000 claims description 18
- 230000001133 acceleration Effects 0.000 claims description 17
- 238000002474 experimental method Methods 0.000 claims description 9
- 230000005284 excitation Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000002156 mixing Methods 0.000 claims description 6
- 238000011160 research Methods 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000002087 whitening effect Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 12
- 230000008569 process Effects 0.000 abstract description 7
- 230000009467 reduction Effects 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 9
- 238000000605 extraction Methods 0.000 description 6
- 239000013307 optical fiber Substances 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 239000000919 ceramic Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
- G01L5/00—Apparatus for, or methods of, measuring force, work, mechanical power, or torque, specially adapted for specific purposes
- G01L5/24—Apparatus for, or methods of, measuring force, work, mechanical power, or torque, specially adapted for specific purposes for determining value of torque or twisting moment for tightening a nut or other member which is similarly stressed
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M7/00—Vibration-testing of structures; Shock-testing of structures
- G01M7/02—Vibration-testing by means of a shake table
- G01M7/022—Vibration control arrangements, e.g. for generating random vibrations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M7/00—Vibration-testing of structures; Shock-testing of structures
- G01M7/02—Vibration-testing by means of a shake table
- G01M7/025—Measuring arrangements
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供一种基于独立分量分析和支持向量机的螺栓预紧力辨识方法，属于振动信号故障检测技术领域。针对机械设备运转过程中产生冲击、振动等力学环境，导致螺栓预紧力下降，甚至出现分离、脱落等现象，提出了一种基于振动信号的螺栓预紧力测量方法。通过DASP模态分析软件采集自由状态下的单螺栓连接梁的冲击振动信号；将实验数据进行经验模式分解重构去除噪声和趋势项；再结合独立分量分析进行特征降维，提取振动信号特征向量；再以振动信号特征向量为输入特征，通过支持向量机进行分类器模型训练，最终使用训练的分类器实现螺栓连接结构的预紧力辨识。
Description
技术领域
本发明涉及一种基于振动信号独立分量分析和支持向量机的螺栓预紧力辨识方法，属于振动信号故障检测技术领域。
背景技术
螺栓连接结构广泛应用于各类工程结构中，其连接状态直接影响到到整个结构的安全性和可靠性。对于螺栓连接结构来说预紧力是最重要的参数之一，无论是在理论研究过程中还是工程实际应用里，如何准确控制螺栓连接结构的预紧力都是一个迫切需要解决的难题。精确控制预紧力总的来说可以分为两个步骤，首先需要对螺栓预紧力进行准确的辨识，之后便是对预紧力的准确控制。
现有的螺栓预紧力控制、辨识方法包括光栅光纤法、机电阻抗法、超声法测量等预紧力辨识方法。CN107421459A公布了《一种具有松动监测能力的光纤智能螺栓》。光栅光纤法测量螺栓预紧力是通过在螺栓中心埋设光纤，在拧紧过程中螺栓会产生一定的应变伸长量，而应变可以通过光纤中信号变化计算出来，再考虑预紧力与螺栓应变之间的关系，即可获得准确的螺栓预紧力。其缺点是易受环境温度影响、加工成本高、埋设光纤一定程度上降低了螺栓强度。CN110068454A公开了《一种振动激励下螺栓预紧力的机电阻抗监测方法》，该发明中以机电阻抗法测量振动响应，利用压电陶瓷PZT的机电耦合效应获得螺栓机械阻抗的变化信息，并提出了以敏感频段下的松动指标RMSD进行螺栓松动程度评估。但该发明中预紧力检测范围为0-10N·m，不能应用于大型机械的螺栓预紧力检测，且压电阻抗技术设备昂贵、压电材料难以应用于曲面结构，故该方法的应用范围受到了一定的限制。CN109781332A公开了《基于轴力和伸长量控制螺栓预紧力的方法》，基于超声波的声弹性理论以超声波飞行时间差法测量螺栓预紧力。所谓声弹性理论是指：由于材料本身的物理性质变化，超声波在弹性介质中传递时的速度会随材料应力的变化而变化。通过超声波传递的回波差确定超声波传播时间，通过标定与对比获取不同传播时间对应的螺栓预紧力。该方法需要加工压电陶瓷贴片螺栓，且易受环境温度影响，使用过程中需要反复标定，成本较高。
以上所述方法虽然可以准确辨识预紧力，但往往需要破坏螺栓结构或对螺栓进行专门的设计与加工，这无疑大大制约预紧力辨识的准确性与成本了，难以实现广泛的运用。结合上述企业生产实际所遇到的问题，寻找一种简单快捷，易于实现，同时能够针对整个结构的预紧力辨识方法成为相关制造业迫切需求的技术。
发明内容
针对上述问题，本发明的目的是提供一种针对连接结构振动信号，将独立分量分析(ICA)特征提取方法和支持向量机相结合的预紧力辨识方法，即基于振动信号独立分量分析和支持向量机的螺栓预紧力辨识方法，以解决现有螺栓预紧力辨识方法在实际工程应用中加工成本高、易受环境影响、测量工艺复杂、自适应性弱等问题。
为实现上述目的，本发明采取以下技术方案：
一种基于独立分量分析和支持向量机的螺栓预紧力辨识方法，包含实验测试和数据分析分析处理两部分：
步骤一：以单螺栓连接梁为研究对象进行实验，采集加速度振动响应信号；
步骤(1.1)：将左侧梁4与右侧梁8通过螺栓2与螺母3的设定预紧力Pi连接成单螺栓连接梁；
步骤(1.2)：单螺栓连接梁的左侧梁4与右侧梁8分别使用第一弹性绳1和第二弹性绳10将其悬挂起来模拟自由态；使用激振器5对左侧梁4固定激励位置施加j次冲击激励；
步骤(1.3)：在右侧梁8右端测点位置设置加速度传感器9以采集单螺栓连接梁的冲击振动响应信号；加速度传感器9与数据采集卡7相连，数据采集卡7与PC端6连接，使用PC端6上的DASP模态分析软件采集、处理、保存加速度振动响应信号数据Xi；
步骤(1.4)：重新设置步骤(1.1)中的螺栓预紧力Pi，重复步骤(1.2)到步骤(1.3)，得到n种不同预紧力连接状态下的振动响应信号X1，X2，……，Xn；
步骤二：对步骤一中采集的n种不同预紧力连接状态下的j次冲击振动响应信号分别进行EMD分解再重构，提高信号质量；
步骤(2.1)：将步骤一中采集的预紧力Pi连接状态下的加速度振动响应信号分别分割成步骤(1.2)中对应次数的j组独立的冲击振动响应信号；
步骤(2.2)：分别对每一组独立的冲击信号进行EMD分解，分解成m阶IMF分量和残差分量RES；
步骤(2.3)：通过观察去除信号中的残差分量和趋势项，取每组信号的前m-4阶IMF分量重构信号，提高信号质量，得到重构的j组时域振动信号；
步骤(2.4)：对步骤(1.4)中采集的n种不同预紧力连接状态下的振动响应信号X1，X2，……，Xn均进行步骤(2.1)到步骤(2.3)操作，分别得到预紧力P1、P2、……、Pn连接状态下重构的j组时域振动信号；
步骤三：将步骤二中重构的预紧力Pi连接状态下的j组振动响应信号全都分别进行独立分量分析，提取特征向量；
步骤(3.1)：对步骤二中重构的预紧力P1、P2、……、Pn连接状态下的j组振动响应信号全都分别进行中心化处理使信号满足零均值假设；再进行白化处理，通过线性变换使信号变为相互无关；
步骤(3.2)：对步骤(3.1)中完成预处理的n种不同预紧力连接状态下的振动信号进行ICA分解，获得相互独立的基向量S及混合矩阵A：
式中，aj＝[aj1，aj2，…，ajn]为混合矩阵A中的行元素；
步骤(3.3)：根据不同预紧力连接状态下的振动信号Xi与对应基信号Si之间的关系，选择采用振动信号Xi与对应基信号Si的相关系数ci作为该振动信号的特征参数；基于机械故障信号提取的独立分量与同类故障信号有较高的相关性，而与其它振动信号的相关性较低；相关系数可表示为：
式中，Cov(Xi，Si)为信号Xi与Si的协方差；D(Xi)为信号Xi的方差；D(Si)是Si的方差；
步骤(3.3)：将待测的单次冲击振动响应信号xj分别与所有基向量Si求取相关系数ci，将训练样本的相关系数c1、c2、…、cn作为该信号的特征向量；
步骤四：对步骤三中提取的各组特征向量进行归一化处理，然后分类标记，预紧力P1、P2、……、Pn连接状态对应的特征向量分别为C1j＝[c1、c2、…、cn，P1]；C2j＝[λ1，λ2，…，λ15，P2]，……，Cnj＝[λ1，λ2，…，λ15，Pn]，其中j＝1，2，……，j，并作为输入特征；以采集的预紧力作为输出特征，然后选用SVM监督学习算法进行预紧力分类器模型训练。
本发明的有益效果：
(1)本发明基于振动信号实现螺栓预紧力检测，受环境影响较小，检测范围为20-70N·m，符合实际工程应用，故可应用于航空发动机、机床、工程机械等大型机械设备的螺栓预紧力检测；
(2)本发明采用EMD方法对实验数据进行降噪处理、去除趋势项，再进行信号重构，最大程度保留了特征信号成分，提高了信号质量；
(3)本发明采用独立分量分析提取信号特征向量，其着眼于数据间的高阶统计特性，使得变换以后的各分量之间不仅互不相关，而且还尽可能的统计独立，能够全面的揭示数据间的本质结构，有效提取信号中的敏感成分作为特征向量；
(4)本发明采用SVM方法训练分类器模型，能够很好地解决非线性判别的问题，提高了分类器螺栓预紧力辨识的准确率；
(5)本发明将上述方法相结合，能够实现螺栓预紧力的有效检测。
附图说明
图1是本发明的实验系统器件连接图；
图2是本发明的检测流程图；
图3是本发明中基于信号分类样本的ICA特征提取方法流程图；
图4是本发明实验采集的部分振动加速度实验数据图；
图5是本发明的实验数据中单次冲击振动信号EMD分解图；
图6是本发明的EMD分解后前取6阶IMF重构的单次冲击振动信号图；
图7是本发明训练所得分类器对预紧力辨识的部分结果图。
图中：1第一弹性绳；2螺栓；3螺母；4左侧梁；5激振器；6 PC端；7数据采集卡；8右侧梁；9加速度传感器；10第二弹性绳。
具体实施方式
下面结合附图和技术方案，进一步说明本发明的具体实施方式。
本发明主要包含实验测试和数据分析处理两部分：
步骤一：如图1所示，以单螺栓连接梁为研究对象进行实验，采集加速度振动响应信号；
步骤(1.1)：如图1所示，将左侧梁4与右侧梁8通过12.9级的M10螺栓2与M10螺母3预紧力连接，本实验第一次设置的螺栓预紧力为20N·m。使用扭矩扳手每次拧紧螺栓后静置10分钟，使螺栓预紧力趋于稳定，避免预紧力的短期松弛影响实验结果。左侧梁4和右侧梁8均为180×40×5mm的45号钢板。
步骤(1.2)：单螺栓连接梁的左侧梁4与右侧梁8分别使用弹性绳1和弹性绳10将其悬挂起来模拟自由态；使用激振器5对左侧梁4固定激励位置施加6秒每次的冲击激励，共100次；
步骤(1.3)：在右侧梁8右端测点位置设置PCB 356A16型加速度传感器9以采集单螺栓连接梁系统的冲击振动响应信号。加速度传感器9与NI-9234型数据采集卡7连通，数据采集卡7与PC端6连接，使用PC端6上的DASP模态分析软件采集、处理、保存加速度振动响应数据X1；
步骤(1.4)：重新设置步骤(1.1)中的螺栓预紧力，重复步骤(1.2)到步骤(1.3)，最终得到20、30、40、50、60、70N·m多种不同预紧力连接状态下的振动响应信号X1，X2，……，X6；
步骤二：对步骤一中采集的6种不同预紧力连接状态下的j次冲击振动响应信号分别进行EMD分解再重构，提高信号质量；
步骤(2.1)：使用Matlab峰值函数“findpeaks”将步骤一中采集的预紧力20N·m连接状态下的加速度振动响应信号分别分割成步骤(1.2)中对应次数的100组独立的冲击振动响应信号；
步骤(2.2)：分别对每一组独立的冲击信号进行EMD分解，分解成10阶IMF分量和残差分量RES，如图4所示；
步骤(2.3)：通过观察去除信号中的残差分量和趋势项，取每组信号的前6阶IMF分量重构信号(如图5所示)，提高信号质量，得到重构的100组时域振动信号；
步骤(2.4)：对步骤(1.4)中采集的6种不同预紧力连接状态下的振动响应信号X1，X2，……，X6均进行步骤(2.1)到步骤(2.3)操作，分别得到预紧力20、30、40、50、60、70N·m连接状态下重构的各100组时域振动信号；
步骤三：将步骤二中重构的预紧力20N·m连接状态下的100组振动响应信号全都分别进行独立分量分析，提取特征向量；
步骤(3.1)：对步骤二中重构的预紧力20、30、40、50、60、70N·m连接状态下的各100组振动响应信号全都分别进行中心化处理使信号满足零均值假设；再进行白化处理，通过线性变换使信号变为相互无关；
步骤(3.2)：对步骤(3.1)中完成预处理的6种不同预紧力连接状态下的振动信号进行ICA分解，获得相互独立的基向量S及混合矩阵A：
式中，aj＝[aj1，aj2，…，ajn]为混合矩阵A中的行元素。
步骤(3.3)：根据不同预紧力连接状态下的振动信号Xi与对应基信号Si之间的关系，选择采用振动信号Xi与对应基信号Si的相关系数ci作为该振动信号的特征参数。相关研究表明：基于机械故障信号提取的独立分量与同类故障信号有较高的相关性，而与其它振动信号的相关性较低。相关系数可以表示为：
式中，Cov(Xi，Si)为信号Xi与Si的协方差；D(Xi)为信号Xi的方差；D(Si)是Si的方差。
步骤(3.3)：将待测的单次冲击振动响应信号xj分别与所有基向量Si求取相关系数ci，将训练样本的相关系数c1、c2、…、cn作为该信号的特征向量；
步骤四：对步骤三中提取的各组特征向量进行归一化处理，然后分类标记，预紧力20、30、40、50、60、70N·m连接状态对应的特征向量分别为C1j＝[c1、c2、…、cn，20]；C2j＝[λ1，λ2，…，λ15，30]，……，C6j＝[λ1，λ2，…，λ15，70]，(j＝1，2，……，100)，并作为输入特征；以实验设定的预紧力20、30、40、50、60、70N·m作为输出特征，然后选用SVM监督学习算法进行预紧力分类器模型训练。
对步骤一中通过实验采集到的另外三组振动响应信号数据进行步骤二、步骤三的数据处理、特征向量提取，然后使用步骤四中SVM训练的预紧力分类器模型分别对三组数据进行预紧力模式识别。通过观察三组数据模式识别分类准确率，即可判断训练的分类器能否运用到实际工程项目中。
机械设备运转过程中产生冲击、振动等力学环境，导致螺栓预紧力下降，甚至出现分离、脱落等现象，通过采集、分析振动信号的可以快速、准确的检测螺栓预紧力，从而提高设备的精度和稳定性。
EMD是一种能够实现信号自适应分解的时频信号处理方法，具有强大的非平稳、非线性信号处理能力以及很高的信噪比。采用EMD方法对信号进行平稳化处理，能够在去除噪声和趋势项的同时最大程度上保留检测信号中的特征信息。因此，本发明采用EMD算法对不同预紧力连接状态下的结构振动响应信号进行数据处理。
独立分量分析(ICA)是一种非常有效的盲信号处理技术，其基本原理是通过分析多维观测数据间的高阶统计相关性，找出相互独立的隐含信息成分，完成分量间高阶冗余的去除及独立信源的提取。研究表明，基于ICA特征提取方法的识别率更高。鉴于上述原因，本发明采用ICA进行信号特征提取。
支持向量机(SVM)在处理小样本、非线性、局部极小值及高维模式识别等问题时有独特的优势，能够很好地解决非线性判别的问题，同时能够以稀疏支持向量这样的组合克服数据的维数灾难，保证分类器的泛化能力。螺栓连接结合部刚度研究是一个典型的非线性动力学问题，且本发明中提取的特征维数较多，故选择SVM进行预紧力分类器模型训练。
表1螺栓预紧力分类器预测结果
| 预紧力(N·m) | 20 | 30 | 40 | 50 | 60 | 70 |
| 辨识准确率 | 95.71％ | 98 | 93.43％ | 92.57％ | 95.71％ | 90.57％ |
Claims (1)
1.一种基于独立分量分析和支持向量机的螺栓预紧力辨识方法，其特征在于，该螺栓预紧力辨识方法包含实验测试和数据分析分析处理两部分：
步骤一：以单螺栓连接梁为研究对象进行实验，采集加速度振动响应信号；
步骤(1.1)：将左侧梁(4)与右侧梁(8)通过螺栓(2)与螺母(3)的设定预紧力Pi连接成单螺栓连接梁；
步骤(1.2)：单螺栓连接梁的左侧梁(4)与右侧梁(8)分别使用第一弹性绳(1)和第二弹性绳(10)将其悬挂起来模拟自由态；使用激振器(5)对左侧梁(4)固定激励位置施加j次冲击激励；
步骤(1.3)：在右侧梁(8)右端测点位置设置加速度传感器(9)以采集单螺栓连接梁的冲击振动响应信号；加速度传感器(9)与数据采集卡(7)相连，数据采集卡(7)与PC端(6)连接，使用PC端(6)上的DASP模态分析软件采集、处理、保存加速度振动响应信号数据Xi；
步骤(1.4)：重新设置步骤(1.1)中的螺栓预紧力Pi，重复步骤(1.2)到步骤(1.3)，得到n种不同预紧力连接状态下的振动响应信号X1，X2，……，Xn；
步骤二：对步骤一中采集的n种不同预紧力连接状态下的j次冲击振动响应信号分别进行EMD分解再重构，提高信号质量；
步骤(2.1)：将步骤一中采集的预紧力Pi连接状态下的加速度振动响应信号分别分割成步骤(1.2)中对应次数的j组独立的冲击振动响应信号；
步骤(2.2)：分别对每一组独立的冲击信号进行EMD分解，分解成m阶IMF分量和残差分量RES；
步骤(2.3)：通过观察去除信号中的残差分量和趋势项，取每组信号的前m-4阶IMF分量重构信号，提高信号质量，得到重构的j组时域振动信号；
步骤(2.4)：对步骤(1.4)中采集的n种不同预紧力连接状态下的振动响应信号X1，X2，……，Xn均进行步骤(2.1)到步骤(2.3)操作，分别得到预紧力P1、P2、……、Pn连接状态下重构的j组时域振动信号；
步骤三：将步骤二中重构的预紧力Pi连接状态下的j组振动响应信号全都分别进行独立分量分析，提取特征向量；
步骤(3.1)：对步骤二中重构的预紧力P1、P2、……、Pn连接状态下的j组振动响应信号全都分别进行中心化处理使信号满足零均值假设；再进行白化处理，通过线性变换使信号变为相互无关；
步骤(3.2)：对步骤(3.1)中完成预处理的n种不同预紧力连接状态下的振动信号进行ICA分解，获得相互独立的基向量S及混合矩阵A：
式中，aj＝[aj1，aj2，…，ajn]为混合矩阵A中的行元素；
步骤(3.3)：根据不同预紧力连接状态下的振动信号Xi与对应基信号Si之间的关系，选择采用振动信号Xi与对应基信号Si的相关系数ci作为该振动信号的特征参数；基于机械故障信号提取的独立分量与同类故障信号的相关性高于独立分量与其它振动信号的相关性；相关系数可表示为：
式中，Cov(Xi,Si)为信号Xi与Si的协方差；D(Xi)为信号Xi的方差；D(Si)是Si的方差；
步骤(3.3)：将待测的单次冲击振动响应信号xj分别与所有基向量Si求取相关系数ci，将训练样本的相关系数c1、c2、…、cn作为该信号的特征向量；
步骤四：对步骤三中提取的各组特征向量进行归一化处理，然后分类标记，预紧力P1、P2、……、Pn连接状态对应的特征向量分别为C1j＝[c1、c2、…、cn，P1]；C2j＝[λ1，λ2，…，λ15，P2]，……，Cnj＝[λ1，λ2，…，λ15，Pn]，其中j＝1,2，……，j，并作为输入特征；以采集的预紧力作为输出特征，然后选用SVM监督学习算法进行预紧力分类器模型训练。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910826171.2A CN110501108B (zh) | 2019-09-03 | 2019-09-03 | 基于独立分量分析和支持向量机的螺栓预紧力辨识方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910826171.2A CN110501108B (zh) | 2019-09-03 | 2019-09-03 | 基于独立分量分析和支持向量机的螺栓预紧力辨识方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110501108A CN110501108A (zh) | 2019-11-26 |
| CN110501108B true CN110501108B (zh) | 2020-07-14 |
Family
ID=68591096
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910826171.2A Active CN110501108B (zh) | 2019-09-03 | 2019-09-03 | 基于独立分量分析和支持向量机的螺栓预紧力辨识方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110501108B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20230213401A1 (en) * | 2020-05-28 | 2023-07-06 | Fdh Infrastructure Services, Llc | Determining residual tension in threaded fasteners |
| CN111982380B (zh) * | 2020-07-16 | 2022-04-19 | 南京理工大学 | 基于特征频率的滚珠丝杠副预紧力检测方法及系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2001002830A1 (en) * | 1999-07-02 | 2001-01-11 | Simpson Strong-Tie Company, Inc. | Direct tension indicator for embedded anchor members |
| CN105181326A (zh) * | 2015-07-31 | 2015-12-23 | 常州工学院 | 一种滚珠丝杆副预紧力损失可实时监测的方法 |
| CN106124615A (zh) * | 2016-09-12 | 2016-11-16 | 大连理工大学 | 一种基于电涡流传感器组的航空发动机低压涡轮轴盘紧固力检测方法及装置 |
| CN108414075A (zh) * | 2018-03-09 | 2018-08-17 | 国网陕西省电力公司电力科学研究院 | 一种高压断路器紧固螺栓松动检测装置及检测方法 |
| DE102017002776A1 (de) * | 2017-03-23 | 2018-09-27 | OWT Offshore Wind Technologie GmbH | Verfahren zur Ermittlung der Vorspannkraft von vorgespannten Schraubverbindungen und bevorzugte Verwendung des Verfahrens |
| CN109238546A (zh) * | 2018-08-24 | 2019-01-18 | 大连理工大学 | 一种基于机器学习的螺栓预紧力预测方法 |
| CN109374189A (zh) * | 2018-09-13 | 2019-02-22 | 大连理工大学 | 多通道超声螺栓预紧力测试系统 |
| CN109766618A (zh) * | 2019-01-02 | 2019-05-17 | 大连理工大学 | 一种基于机器学习的应力应变预测方法 |
| CN109781332A (zh) * | 2019-01-08 | 2019-05-21 | 中国大唐集团新能源科学技术研究院有限公司 | 基于轴力和伸长量控制螺栓预紧力的方法 |
| CN110044533A (zh) * | 2019-04-11 | 2019-07-23 | 大连理工大学 | 一种基于emd能量熵与支持向量机相结合的螺栓预紧力监测方法 |
| CN110068454A (zh) * | 2019-04-23 | 2019-07-30 | 西北工业大学 | 一种振动激励下螺栓预紧力的机电阻抗监测方法 |
-
2019
- 2019-09-03 CN CN201910826171.2A patent/CN110501108B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2001002830A1 (en) * | 1999-07-02 | 2001-01-11 | Simpson Strong-Tie Company, Inc. | Direct tension indicator for embedded anchor members |
| CN105181326A (zh) * | 2015-07-31 | 2015-12-23 | 常州工学院 | 一种滚珠丝杆副预紧力损失可实时监测的方法 |
| CN106124615A (zh) * | 2016-09-12 | 2016-11-16 | 大连理工大学 | 一种基于电涡流传感器组的航空发动机低压涡轮轴盘紧固力检测方法及装置 |
| DE102017002776A1 (de) * | 2017-03-23 | 2018-09-27 | OWT Offshore Wind Technologie GmbH | Verfahren zur Ermittlung der Vorspannkraft von vorgespannten Schraubverbindungen und bevorzugte Verwendung des Verfahrens |
| CN108414075A (zh) * | 2018-03-09 | 2018-08-17 | 国网陕西省电力公司电力科学研究院 | 一种高压断路器紧固螺栓松动检测装置及检测方法 |
| CN109238546A (zh) * | 2018-08-24 | 2019-01-18 | 大连理工大学 | 一种基于机器学习的螺栓预紧力预测方法 |
| CN109374189A (zh) * | 2018-09-13 | 2019-02-22 | 大连理工大学 | 多通道超声螺栓预紧力测试系统 |
| CN109766618A (zh) * | 2019-01-02 | 2019-05-17 | 大连理工大学 | 一种基于机器学习的应力应变预测方法 |
| CN109781332A (zh) * | 2019-01-08 | 2019-05-21 | 中国大唐集团新能源科学技术研究院有限公司 | 基于轴力和伸长量控制螺栓预紧力的方法 |
| CN110044533A (zh) * | 2019-04-11 | 2019-07-23 | 大连理工大学 | 一种基于emd能量熵与支持向量机相结合的螺栓预紧力监测方法 |
| CN110068454A (zh) * | 2019-04-23 | 2019-07-30 | 西北工业大学 | 一种振动激励下螺栓预紧力的机电阻抗监测方法 |
Non-Patent Citations (5)
| Title |
|---|
| Effects of pretension in bolts on hysteretic responses of moment-carrying timber joints;Ali Awaludin 等;《Journal of Wood Science》;20071107;第114-120页 * |
| Field studies of bolt pretension;Geoffrey L.Kulak 等;《Journal of Constructional Steel Research》;19931231;第25卷(第1-2期);第95-106页 * |
| Strength analysis of disc rotor heavy-duty gas turbine considering bolt pretension load;Baisong Yang 等;《Proceedings of the 2010 IEEE International Conference on Mechatronics and Automation》;20101007;第723-728页 * |
| 基于HHT的法兰螺栓连接松动实验研究;张永娟 等;《机床与液压》;20140115;第42卷(第1期);第4-6、70页 * |
| 基于虚拟材料方法的螺栓预紧力模拟的研究;黄开放 等;《机械设计与制造》;20120808(第8期);第148-150页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110501108A (zh) | 2019-11-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110487499B (zh) | 一种基于奇异值分解和支持向量机的螺栓预紧力辨识方法 | |
| Lakshmi et al. | Singular spectrum analysis combined with ARMAX model for structural damage detection | |
| CN110501108B (zh) | 基于独立分量分析和支持向量机的螺栓预紧力辨识方法 | |
| CN107066736B (zh) | 一种基于压缩采样的模态分析及结构冲击监测方法 | |
| CN110044533B (zh) | 一种基于emd能量熵与支持向量机相结合的螺栓预紧力监测方法 | |
| CN101706355A (zh) | 基于NExT/ARMA的结构响应分析方法 | |
| CN112098088B (zh) | 一种基于kica-分形理论的滚动轴承故障诊断方法 | |
| CN111024527B (zh) | 一种基于多传感器数据融合的裂纹扩展监测方法 | |
| CN111678699A (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
| Chakraborty et al. | Damage classification structural health monitoring in bolted structures using time-frequency techniques | |
| CN113092112A (zh) | 一种基于eemd多特征融合的轴承复合故障诊断方法 | |
| Saxena et al. | Bearing fault monitoring using CWT based vibration signature | |
| CN111275003A (zh) | 基于类最优高斯核多分类支持向量机的微震信号识别方法 | |
| CN111220312A (zh) | 一种螺栓状态的诊断方法及系统 | |
| Liang et al. | Vibration feature extraction using audio spectrum analyzer based machine learning | |
| Chen et al. | Bearing fault detection based on SVD and EMD | |
| CN113466330A (zh) | 一种用于涡流探伤过程的缺陷类型识别方法 | |
| Facciotto et al. | Source identification and classification of acoustic emission signals by a SHAZAM-inspired Pattern Recognition Algorithm | |
| CN117629550A (zh) | 信号激励和识别方法、系统及计算机设备 | |
| Tibaduiza Burgos et al. | Combined and I indices based on principal component analysis for damage detection and localization | |
| Anaya et al. | An acousto-ultrasonics pattern recognition approach for damage detection in wind turbine structures | |
| Nazarko et al. | Anomaly detection in composite elements using Lamb waves and soft computing methods | |
| LU et al. | Micro-Cracks detection of eggshells based on a magnetostrictive transducer | |
| Qiao et al. | Sparse representation for the inverse problem of force identification | |
| Abdullah et al. | Extracting fatigue damage features using STFT and CWT |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |