CN110672312B - 一种基于bp神经网络的预测螺栓残余夹紧力的方法 - Google Patents
一种基于bp神经网络的预测螺栓残余夹紧力的方法 Download PDFInfo
- Publication number
- CN110672312B CN110672312B CN201910967846.5A CN201910967846A CN110672312B CN 110672312 B CN110672312 B CN 110672312B CN 201910967846 A CN201910967846 A CN 201910967846A CN 110672312 B CN110672312 B CN 110672312B
- Authority
- CN
- China
- Prior art keywords
- neural network
- clamping force
- bolt
- residual clamping
- network model
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
本发明公开了一种基于BP神经网络的预测螺栓残余夹紧力的方法,该方法包括:设计制造螺栓松动试验件,开展不同工况下螺栓连接结构的松动试验,并记录夹紧力的衰减数据。应用BP神经网络模型,以工况条件和循环周次(服役时间)作为输入,以残余夹紧力的百分比作为输出,将试验数据导入神经网络模型进行训练;训练完成后的神经网络模型可以预测特定工况下螺栓的残余夹紧力。本发明提出了螺栓连接结构服役期间残余夹紧力的预测方法,可准确预测特定工况下螺栓的残余夹紧力,并对螺栓的二次紧固周期进行判断。为栓接结构的检修和维护提供参考,提高螺栓连接结构的可靠性。
Description
技术领域
本发明涉及一种预测螺栓残余夹紧力的方法,尤其涉及一种基于BP神经网络的预测螺栓残余夹紧力的方法,属于螺栓设计领域。
背景技术
螺栓连接结构因其具有结构简单、方便拆卸、低成本等特点,被广泛应用于各类机械结构中,是工程中最常用的连接方式之一。螺栓的主要功能是紧固被连接件,避免被连接件出现相对滑移。只有螺栓连接结构具有足够的夹紧力,才能确保连接结构的可靠性和密封性。在实际应用中螺纹紧固件在冲击、振动、交变载荷等动载荷作用下,会发生夹紧力随服役时间增加而减小的情况即螺栓连接结构的松动。螺栓连接结构松动轻则造成振动加剧、泄漏、噪声等问题使产品性能下降,重则使所连接部件发生解体,造成重大的安全事故与经济损失。
螺栓连接结构的松动过程比较复杂,影响因素较多,且松动程度与各影响因素间通常具有复杂的非线性关系。目前已通过大量的试验定性地总结了部分影响因素的影响规律,但是至今仍没有一个形式简单、预测准确的模型可以用于预测螺栓连接结构在指定载荷条件下的残余夹紧力,为检修周期的确定提供指导,以提高栓接结构的可靠性和安全性。
人工神经网络具有很强的自学习能力、非线性映射能力以及高度的并行计算能力和容错能力,为解决这类复杂、影响因素多难以用确定的数学模型描述的非线性问题提供了一个有力的工具。因此,建立一种形式简单、预测准确可用于指导工程应用的残余夹紧力预测模型,是本领域亟需解决的问题之一。
发明内容
本发明的目的旨在提供一种预测螺纹紧固件在服役期内残余夹紧力的方法,建立形式简单、预测准确的螺栓连接结构夹紧力衰减模型,以解决螺纹紧固件在服役过程中夹紧力难以直接监测的问题,为工程中螺纹紧固件检修周期的确定提供指导。
为实现上述目的,本发明提供以下技术方案:
根据螺栓型号设计、制造相应载荷下螺栓松动试验装置。
对螺栓连接结构进行相应载荷下的松动试验,获取螺栓残余夹紧力变化值。
以工况条件以及服役时间为输入向量,以对应条件下的残余夹紧力与初始夹紧力的比值作为输出向量。
确定BP神经网络的结构参数,对数据进行预处理,并把试验数据的分为训练样本集和测试样本集。
用测试样本集中的数据对BP神经网络模型进行训练,并调整其网络参数,训练成功后,用测试数据集中的数据对其进行测试,以验证神经网络模型的正确性。
经测试合格后的神经网络模型可以利用其泛化能力对指定工况下螺纹紧固件的残余夹紧力进行预测,判断其是否还能达到设计要求标准,并决定是否对其进行再次紧固。
本发明与现有的螺栓连接结构松动过程的拟合方法相比,只需用足够的试验数据对BP神经网络进行训练,调整网络结构参数,训练完成后的神经网络模型可完全反映出各影响因素与夹紧力衰减之间复杂的非线性映射关系,且还可利用其泛化能力对指定工况下螺纹紧固件的残余夹紧力进行预测。
本发明所提出的预测螺纹紧固件残余夹紧力的方法,具有形式简单、预测准确的特点,克服了螺纹紧固件在服役过程中夹紧力难以直接监测的困难,可用于指导工程中螺栓连接结构的设计以及螺栓连接结构的检修周期的确定,避免出现因螺栓连接结构夹紧力达不到设计要求而导致的重大安全事故或经济损失。
附图说明
下面将对具体实施方式描述中所需要使用的附图作简要的介绍。
图1为本发明实施的总流程示意图。
图2为神经网络模型构建流程示意图。
图3为轴向交变载荷下松动试验试件示意图。
图4为试验系统示意图。
图中:1—拉伸试验机、2—轴向松动试验试件、3—压力传感器、4—螺纹紧固件、5—拉伸试验机控制系统、6—数据采集系统。
图5为BP网络训练过程误差下降曲线。
图6为BP神经网络预测值相对误差。
具体实施方式
下面将结合说明书附图以轴向交变载荷下单螺栓连接结构为例对本发明的技术方案进行清楚、完整地描述,显然所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的其他实施例,都属于本发明的保护范围。
图1为本发明实施的流程示意图,主要包括五个步骤。下面以轴向交变载荷下单螺栓连接结构为例对每个步骤的实施进行详细的说明。
步骤1:根据实际连接结构及工况条件设计实验加载试件,以实际中承受轴向交变载荷的栓接结构为例,根据螺栓尺寸及实际工况设计如图3所示的试验装置,包括上下两部分。
步骤2:进行不同工况下螺栓连接结构松动实验,获取夹紧力时变曲线。轴向交变下螺栓连接结构的松动试验在拉伸试验机上进行,试验系统如图4所示。试验参数的控制以及数据的采集分别由拉伸试验机控制系统5和压力传感器3及其数据采集系统6完成。
轴向松动试验试件2的两端分别被拉伸试验机1的上下夹头夹持,螺栓依次穿过压力传感器3、上下夹具的通孔以及垫圈,并通过螺母将其连接起来。压力传感器3通过采集卡与计算机相连,并通过数据采集软件实时监测螺栓夹紧力的变化。
通过拉伸试验机控制系统设置试验参数,进行不同工况条件下栓接结构松动试验并通过压力传感器3和数据采集系统6实施记录夹紧力的大小。
步骤3:构建神将网络模型,其实施过程如图2所示,具体实施步骤如下:以载荷幅值、频率以及初始预紧力、循环次数为输入向量,以其对应的夹紧力与初始夹紧力的比值为输出向量。把数据分为训练样本集与测试样本集,并对其进行归一化处理。
本实施例中选用的神经网络类型为双隐层BP神经网络,用训练样本集中的数据对其进行训练,为了得到良好的学习效果,每次训练都对本集中的数据重新排序,达到误差容限或训练次数上限就停止训练。本实施例中训练误差下降曲线如图5所示,当训练次数到达252时就达到了误差容限,停止了训练。
步骤4:使用训练完成的BP神经网络模型对测试数据集中的数据进行预测。神经网络预测值相对误差如图6所示。从图6中预测值的相对误差可以看出,BP网络得到的预测值与试验值基本一致,其相对误差在0.3%以内。
步骤5:用测试成功后的神经网络对指定工况下栓接结构的残余夹紧力进行预测,并与设计要求对比,判断其是否符合设计要求并确定是对其进行二次紧固或更换。
从上述的实施例中可以看出,只要提前测得螺栓连接结构承受的载荷形式,设计对应的试验试件,进行不同条件下的松动试验,实时获得夹紧力的数值,然后选择合适的神经网络类型用试验数据对其进行训练,神经网络能很好地学习其内部蕴含规律,对未经测试的指定工况下的螺栓夹紧力做出正确的预测,并可以根据其预测结果评估该螺栓连接结构的安全性。
此外,根据本发明提出的方法,以其残余夹紧力达到其初始预紧力的80%为二次紧固标准,并把它和其他条件作为输入变量,以其对应的循环周次即进行二次紧固的时间作为输出变量还可以对该载荷的指定工况下的检修周期做出预测。
显然本发明所提出采用神经网络预测残余夹紧力的方法不以本实施例的应用领域为限,本发明提出的方法可以延伸到其它载荷形式下的栓接结构夹紧力的预测。
本发明中所描述的实施例只是为了阐述该发明的原理与实施方式所进行的一个最基本、最简单的应用。同时,对于本领域的技术人员基于对本发明的理解,可在其应用方法与实施方式上做出改变,所有基于本发明方法做出的改变均应在本专利的保护范围内。终上所述,本说明书的内容不应理解为对本发明的限制。
Claims (4)
1.一种基于BP神经网络的预测螺栓残余夹紧力的方法,其特征在于:根据螺栓型号设计、制造相应载荷下螺栓松动试验装置;
对螺栓连接结构进行相应载荷下的松动试验,获取螺栓残余夹紧力变化值;
以工况条件以及服役时间为输入向量,以对应条件下的残余夹紧力与初始夹紧力的比值作为输出向量;
确定BP神经网络的结构参数,对数据进行预处理,并把试验数据的分为训练样本集和测试样本集;
用训练样本集中的数据对BP神经网络模型进行训练,并调整其网络参数,训练成功后,用测试数据集中的数据对其进行测试,以验证神经网络模型的正确性;
经测试合格后的神经网络模型可以利用其泛化能力对指定工况下螺纹紧固件的残余夹紧力进行预测,判断其是否还能达到设计要求标准,并决定是否对其进行再次紧固;根据螺栓连接结构实际服役情况的要求,通过改变进行二次紧固的阈值得到满足不同服役要求下的二次紧固时间;以残余夹紧力达到其初始预紧力的80%为二次紧固标准,并作为输入变量,以对应的循环周次即进行二次紧固的时间作为输出变量还对该载荷的指定工况下的检修周期做出预测。
2.根据权利要求1所述的一种基于BP神经网络的预测螺栓残余夹紧力的方法,其特征在于:该方法所需的试验装置如下,螺纹紧固件(4)穿过压力传感器(3)用于紧固轴向松动试验试件(2),拉伸试验机(1)的上、下夹头分别夹持轴向松动试验件的上下两部分,拉伸试验机(1)由控制系统(5)控制,残余夹紧力由压力传感器(3)监测,并由数据采集系统(6)采集和记录。
3.根据权利要求1所述的一种基于BP神经网络的预测螺栓残余夹紧力的方法,其特征在于:通过调整拉伸试验机施加载荷的参数以及对螺栓施加预紧力的大小进行多因素多水平的松动试验。
4.根据权利要求1所述的一种基于BP神经网络的预测螺栓残余夹紧力的方法,其特征在于:选用的神经网络类型为双隐层BP神经网络,用训练样本集中的数据对其进行训练,为了得到良好的学习效果,每次训练都对本集中的数据重新排序,达到误差容限或训练次数上限就停止训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910967846.5A CN110672312B (zh) | 2019-10-12 | 2019-10-12 | 一种基于bp神经网络的预测螺栓残余夹紧力的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910967846.5A CN110672312B (zh) | 2019-10-12 | 2019-10-12 | 一种基于bp神经网络的预测螺栓残余夹紧力的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110672312A CN110672312A (zh) | 2020-01-10 |
CN110672312B true CN110672312B (zh) | 2021-05-07 |
Family
ID=69081937
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910967846.5A Active CN110672312B (zh) | 2019-10-12 | 2019-10-12 | 一种基于bp神经网络的预测螺栓残余夹紧力的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110672312B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111207875B (zh) * | 2020-02-25 | 2021-06-25 | 青岛理工大学 | 基于多粒度并联cnn模型的肌电信号-扭矩匹配方法 |
CN111323158B (zh) * | 2020-02-26 | 2022-05-06 | 东方电气集团东方电机有限公司 | 一种联轴螺栓的实时应力监测系统及安全系数检测方法 |
CN113252218B (zh) * | 2021-05-12 | 2023-11-17 | 国网山西省电力公司电力科学研究院 | 一种绝缘子表面应力预测方法及预测装置 |
CN113639917B (zh) * | 2021-07-19 | 2023-04-07 | 江苏徐工工程机械研究院有限公司 | 一种螺栓拧紧力矩的确定装置及方法 |
CN113804767B (zh) * | 2021-08-16 | 2022-11-04 | 东南大学 | 一种螺栓失效检测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1994027126A1 (en) * | 1991-07-16 | 1994-11-24 | Goodwin Jerry J | Bolt clamping force sensor and clamping force validation method |
CN102176329A (zh) * | 2011-01-28 | 2011-09-07 | 清华大学 | 一种核主泵用螺栓松动监测装置及其监测方法 |
CN103217278A (zh) * | 2013-01-05 | 2013-07-24 | 北京工业大学 | 一种测试高强螺栓结合面法向静态特性装置及方法 |
CN106870298A (zh) * | 2017-03-28 | 2017-06-20 | 南京天数信息科技有限公司 | 基于机器学习的叶根螺栓断裂故障检测方法 |
CN107271097A (zh) * | 2017-06-09 | 2017-10-20 | 北京工业大学 | 一种实时测量螺栓夹紧力衰减的装置及方法 |
CN107576435A (zh) * | 2017-09-11 | 2018-01-12 | 山东大学 | 基于过程数据分析的拧紧工艺在线故障检测仪及其方法 |
CN107607398A (zh) * | 2017-08-11 | 2018-01-19 | 北京工业大学 | 一种残余应力对螺栓连接结构夹紧力衰减影响的测量方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184453A (zh) * | 2011-05-16 | 2011-09-14 | 上海电气集团股份有限公司 | 基于模糊神经网络和支持向量机的风电功率组合预测方法 |
CN110044534A (zh) * | 2019-04-19 | 2019-07-23 | 济南大学 | 一种螺栓预紧力检测方法 |
-
2019
- 2019-10-12 CN CN201910967846.5A patent/CN110672312B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1994027126A1 (en) * | 1991-07-16 | 1994-11-24 | Goodwin Jerry J | Bolt clamping force sensor and clamping force validation method |
CN102176329A (zh) * | 2011-01-28 | 2011-09-07 | 清华大学 | 一种核主泵用螺栓松动监测装置及其监测方法 |
CN103217278A (zh) * | 2013-01-05 | 2013-07-24 | 北京工业大学 | 一种测试高强螺栓结合面法向静态特性装置及方法 |
CN106870298A (zh) * | 2017-03-28 | 2017-06-20 | 南京天数信息科技有限公司 | 基于机器学习的叶根螺栓断裂故障检测方法 |
CN107271097A (zh) * | 2017-06-09 | 2017-10-20 | 北京工业大学 | 一种实时测量螺栓夹紧力衰减的装置及方法 |
CN107607398A (zh) * | 2017-08-11 | 2018-01-19 | 北京工业大学 | 一种残余应力对螺栓连接结构夹紧力衰减影响的测量方法 |
CN107576435A (zh) * | 2017-09-11 | 2018-01-12 | 山东大学 | 基于过程数据分析的拧紧工艺在线故障检测仪及其方法 |
Non-Patent Citations (3)
Title |
---|
A Review on Significant Technologies Related to the Robot-Guided Intelligent Bolt Assembly Under Complex or Uncertain Working Conditions;Jingjing Xu;《IEEE》;20190917;全文 * |
基于小波包神经网络方法的支撑座连接螺栓松动损伤诊断的试验研究;董广明等;《机械科学与技术》;20060131;第102-106页 * |
横向载荷下不锈钢螺栓松动过程及防松措施研究;唐明明;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20181015;正文第45-47页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110672312A (zh) | 2020-01-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110672312B (zh) | 一种基于bp神经网络的预测螺栓残余夹紧力的方法 | |
CN107103140A (zh) | 一种基于双线性累积损伤的时变疲劳可靠性分析方法 | |
CN109115383B (zh) | 冷挤压强化孔的疲劳寿命预测方法 | |
RU2541857C1 (ru) | Способ поиска неисправностей в непрерывной динамической системе на основе введения пробных отклонений | |
CN110333007B (zh) | 一种非接触式桥梁内部钢筋应力监测方法及监测装置 | |
CN110554682B (zh) | 基于故障关联分析的故障检测推理方法 | |
CN110793853B (zh) | 基于基本力学参量的拉扭稳态循环应力应变建模方法 | |
CN107977679B (zh) | 基于频响函数和运行响应特征诊断复杂装置早期故障的方法 | |
RU2473105C1 (ru) | Способ поиска неисправностей блоков в непрерывной динамической системе | |
CN113607580B (zh) | 一种金属构件疲劳试验方法及剩余寿命预测方法 | |
CN117408100A (zh) | 一种基于bp神经网络的群组螺栓预紧力分布预测方法 | |
CN103218277A (zh) | 服务器环境的自动检测方法与装置 | |
RU2676365C1 (ru) | Способ поиска неисправного блока в непрерывной динамической системе на основе введения пробных отклонений | |
CN110239742B (zh) | 一种用于两型号飞机结合静力试验的方法 | |
CN101846588A (zh) | 基于模式搜索的阀门粘滞跳跃特性检测方法 | |
RU2616512C1 (ru) | Способ поиска топологического дефекта в непрерывной динамической системе на основе введения пробных отклонений | |
CN111307350B (zh) | 一种紧固件应力状态评估方法及检测装置 | |
RU2711000C1 (ru) | Способ поиска неисправного блока в непрерывной динамической системе на основе введения пробных отклонений и анализа знаков передач | |
CN103513648A (zh) | 控制系统的性能测试方法和系统 | |
RU2740540C1 (ru) | Способ поиска неисправного блока в непрерывной динамической системе на основе функции чувствительности и анализа знаков передач | |
RU2562428C1 (ru) | Способ поиска неисправного блока в непрерывной динамической системе на основе смены позиции входного сигнала | |
CN114383860B (zh) | 车用排气管焊缝双向疲劳验证方法、系统及电子设备 | |
RU2744823C1 (ru) | Способ поиска неисправных блоков в непрерывной динамической системе на основе введения пробных отклонений | |
CN106777793A (zh) | 两级副簧式非等偏频型渐变刚度板簧刚度特性的计算方法 | |
RU2742848C1 (ru) | Система испытаний авиационного газотурбинного двигателя в наземных условиях |
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 |