CN113804767A - 一种螺栓失效检测方法 - Google Patents

Abstract

本发明涉及一种螺栓失效检测方法，包括：对需要检测的螺栓进行敲击，收集不同预紧力下产生的声音信号，对声音信号进行预处理、提取梅尔频率倒谱系数，将梅尔频率倒谱系数转换成图片数据，输入卷积神经网络进行分析处理，得出螺栓检测结果并在显示屏上输出。本发明建立了不同预紧力下声音信号与图片数据的对应关系，有效检测螺栓连接情况，克服了螺栓紧固件在使用过程中预紧力难以直接监测的困难，提升了螺栓失效检测的及时性、准确性和高效性。可广泛用于建筑施工现场，大量节省人力物力。

Description

一种螺栓失效检测方法

技术领域

本发明涉及螺栓失效检测技术领域，尤其是一种螺栓失效检测方法。

背景技术

螺栓连接是机械设备与其他工程装备中应用最广泛的连接方法之一。螺栓连接是否可靠对设备的安全操作和平稳运行有着至关重要的影响，关键部位的螺栓连接失效会导致设备损坏甚至可能危及操作人员的生命安全。

现有的检测螺栓松脱的方式，主要依靠人工巡检，定期维护，以及安装相应的监控系统，如利用光纤应变检测技术实时感知螺栓张力变化。最常用的方法仍然是人工锤击螺栓连接的部位，依靠人耳与经验分辨敲击声音的变化，来推断螺栓连接是否牢固。现有技术在应用过程中，本领域技术人员发现至少以下几项技术问题：

1)人工巡检需要耗费大量的人力成本，且需要耗费大量时间成本；

2)利用监测系统需要安装大量传感器进行实时监控，安装维护成本高昂；

3)现有敲击方法过度依赖检测人员的经验积累与生理状态，可靠度不高；

申请号201910566887.3、名称为“一种螺栓失效检测装置及其设计方法”的中国发明专利公开了一种方法，其通过利用螺栓脱时被及时吸附，并在吸附过程中与撞线碰撞，并通过传感器产生报警信号。但是该装置需要螺栓松动脱落之后才会发出报警信号，有很大的滞后性。申请号201910967846.5、名称为“一种基于BP神经网络的预测螺栓残余夹紧力的方法”的中国发明专利公开了一种方法，其通过开展螺栓连接结构的松动试验，利用BP神经网络进行剩余夹紧力预测。但该方法需要进行大量的螺栓松动试验，要求有较好的实验条件，且根据时间进行预测，存在比较大的不确定性。

发明内容

针对现有技术的不足，本发明提供一种螺栓失效检测方法，克服了螺栓紧固件在使用过程中预紧力难以直接监测的困难，以提升螺栓失效检测的及时性、准确性和高效性。

本发明采用的技术方案如下：

一种螺栓失效检测方法，包括以下步骤：

S1：敲击螺栓工作模型中的待测螺栓，采集待测螺栓在不同预紧力下所产生的声音信号；

S2：将各预紧力对应的声音信号分别分割成m段并储存，分割后形成声音信号集合X＝{x₁，x₂，x₃，...x_m}，其中每段声音信号只包含一次敲击的声音信号；

S3：对声音信号集合X＝{x₁，x₂，x₃，...x_m}中的每段声音信号x_i提取梅尔频率倒谱系数向量

1≤i≤m，将所述向量

转变为矩阵M_i；

S4：将矩阵M_i打印输出为图片，储存到相应路径中；

S5：将步骤S4输出的图片构成图片集合M＝{M₁，M₂，M₃，...M_m}，建立特定预紧力下声音信号集合X与图片集合M之间的一一对应关系，即M_i＝f(x_i)，1≤i≤m；

S6：将图片集合M＝{M₁，M₂，M₃，...M_m}处理成统一尺寸，作为输入量，输入到卷积神经网络中，按比例将M分割成训练集和测试集，利用训练集对所述神经网络进行训练，输出训练结果；当训练准确率达标后，完成训练，将训练结果较好的网络结构和参数进行保存，在所述测试集中随机挑选图片对所述神经网络进行测试验证；

S7：进行实际检测，将敲击待测螺栓的声音信号输入经所述S6训练好的卷积神经网络中，进行待测螺栓的预紧力识别，对预紧力数值进行判断，当预紧力低于设定的安全阈值时，则判断待测螺栓已一定程度失效，并将判断结果输出显示。

其进一步技术方案为：

步骤S3中，将所述向量

转变为矩阵M_i，具体包括：

求得所述向量

中元素个数q，令

并进行如下转化：

当n(n+1)＞q时，M_i为n×n矩阵，将

横向填充并舍去多余部分，得到：

当n(n+1)≤q时，M_i为(n+1)×n矩阵，将

横向填充并舍去多余部分，得到：

步骤S2中，每段声音信号只包含一次敲击的声音信号，且每段声音信号有效长度不少于其信号长度的90％。

步骤S6中，所适用的卷积神经网络为Alexnet卷积神经网络；训练集和测试集的比例为7∶3，训练准确率达90％后，完成训练。

步骤S1中，采用空气锤自动敲击所述待测螺栓，采用声音采集传感器收集声音信号；调整待测螺栓的预紧力后，重复收集声音信号，各预紧力所对应的声音信号包括不少于10次的敲击声。

本发明的有益效果如下：

本发明方法利用敲击声音信号的梅尔频率倒谱系数进行机器学习，将不同预紧力下的声音信号与图片建立对应关系，利用卷积神经网络对图片进行并测试，最终结合提前设定的安全阈值对预紧力进行判断，对螺栓失效进行准确检测和提前预判。克服了螺栓紧固件在使用过程中预紧力难以直接监测的困难，对于螺栓检测提供了重要的理论指导。

本发明方法将声音信号转化成图片数据，再通过卷积神经网络进行分析处理，最后可直接通过工业计算机的显示器输出判断结果，具有很强的及时性。和现有技术的检测方法相比，无需开展螺栓连接结构的松动试验，极大地减少了计算量，显著提高了螺栓失效检测的效率。

本发明方法且无需依赖于经验判断，可广泛用于建筑施工现场，极大地降低人力物力成本，可以根据环境进行有效判断，具有较高的准确性。

附图说明

图1为本发明检测方法的流程图。

图2为本发明实施例的测试装置的结构示意图。

图3为本发明实施例的基于测试装置的检测方法流程图。

图4为本发明实施例的检测方法处理所得的图片。

图中：1、静音海绵；2、卡箍；3、待测螺栓；4、空气锤；5、配重块；6、支架；7、进气口；8、出气口；9、声音采集传感器；10、钢管。

具体实施方式

以下结合附图说明本发明的具体实施方式。

本实施例的一种螺栓失效检测方法，如图1所示，包括以下步骤：

S1：敲击螺栓工作模型中的待测螺栓，采集待测螺栓在不同预紧力下所产生的声音信号；

具体地，可采用空气锤自动敲击待测螺栓，采用声音采集传感器收集声音信号；依次采集预紧力为10N、20N、30N、40N、50N时的声音信号；调整待测螺栓的预紧力后，重复收集声音信号，各预紧力所对应的声音信号包括不少于10次的敲击声。

S2：将各预紧力对应的声音信号分别分割成m段并储存，分割后形成声音信号集合X＝{x₁，x₂，x₃，...x_m}，其中每段声音信号只包含一次敲击的声音信号；

具体地，每段声音信号有效长度不少于其信号长度的90％；

S3：对声音信号集合X＝{x₁，x₂，x₃，...x_m}中的每段声音信号x_i提取梅尔频率倒谱系数向量

1≤i≤m，将所述向量

转变为矩阵M_i，具体包括：

求得所述向量

中元素个数q，令

为向下取整符号，并进行如下转化：

当n(n+1)＞q时，M_i为n×n矩阵，将

横向填充并舍去多余部分，得到：

当n(n+1)≤q时，M_i为(n+1)×n矩阵，将

横向填充并舍去多余部分，得到：

S4：将矩阵M_i打印输出为图片，储存到相应路径中；

S5：将步骤S4获得的所有图片构成图片集合M＝{M₁，M₂，M₃，...M_m}，建立特定预紧力下的声音信号集合X与图片集合M之间的一一对应关系，即M_i＝f(x_i)，1≤i≤m；

S6：将图片集合M＝{M₁，M₂，M₃，...M_m}处理成统一尺寸，并作为输入量，输入到卷积神经网络中，并按比例将M分割成训练集和测试集，利用训练集对所述神经网络进行训练，并输出训练结果；当训练准确率达标后，完成训练，并将训练结果较好的网络结构和参数进行保存，并所述测试集中随机挑选图片对所述神经网络进行测试验证；

具体地，图片处理的统一尺寸可设置成227*227*3；

具体地，上述卷积神经网络可采用Alexnet卷积神经网络；

具体地，上述训练集和测试集的比例可设置为7∶3；

具体地，可选择在训练准确率达90％后，完成训练；

S7：进行实际检测，将敲击待测螺栓的声音信号输入经所述S6训练好的卷积神经网络中，进行待测螺栓的预紧力识别，对预紧力数值进行判断，当预紧力低于设定的安全阈值时，则判断待测螺栓已一定程度失效，需要进行二次加固或者更换，并将判断结果输出显示。

具体地，上述安全阈值为预紧力的下限值，其根据螺栓结构、形式、紧要程度以及所处环境综合评估后设置。

为了实现上述实施例的检测方法，本实施例提供一种螺栓失效检测装置，其结构如图2所示，包括螺栓工作模型，其结构包括待测螺栓3、以及由待测螺栓3紧固连接的被连接件，且螺栓工作模型固定在静音海绵1上；还包括空气锤4和声音采集传感器9，空气锤4的敲击端用于自动敲击待测螺栓3，声音采集传感器9用于收集敲击产生的声音信号。

具体地，由待测螺栓3紧固连接的被连接件为两根通过卡箍2垂直相接的钢管10，待测螺栓3将卡箍2锁紧后将两根钢管10锁紧，形成模拟脚手架结构的“螺栓工作模型”。可利用力矩扳手对待测螺栓3施加预计力。

具体地，静音海绵1固定在固定面上，静音海绵1固定连接有支架6，将声音采集传感器9、空气锤4固定安装在支架6上，空气锤4上设置有进气口7和出气口8，并在空气锤4进气口7连接通气管，保持空气锤4通气时刚好可接触待测螺栓3。

具体地，为保持平衡，在支架6上方设置有配重块5。

测量时，将空气锤4与空压机连接好，连接管路上的电磁阀状态设置好，通气听不到明显漏气声即为连接成功。将时间继电器与电磁阀相连接，通过时间继电器设定电磁阀接通/闭合时间为2s。接通电源，打开空压机阀门。测试空气锤4敲击声音，当每隔2s可以听到清晰的金属敲击声时，装置连接成功。安装及测试流程可参考图3，将声音采集传感器9采集的声音信号储存至工业级计算机中，采集预紧力为10N、20N、30N、40N、50N时的声音信号。每个声音信号应包含不少于10次敲击，即声音信号有效敲击时间不少于20s。由工业级计算机完成上述检测方法中数据处理和计算，并将检测结果直接输出到显示屏上。如图4所示为在10N预紧力下用空气锤4敲击待测螺栓3产生的声音信号所对应的图片(实际为彩色)。

本实施例的检测方法，以预紧力为标准判断螺栓是否失效以及是否需要进行二次加固或者更换。判断结果可直接输出，具有很强的及时性、准确性和高效性。

Claims (5)

1.一种螺栓失效检测方法，其特征在于，包括以下步骤：

S1：敲击螺栓工作模型中的待测螺栓，采集待测螺栓在不同预紧力下所产生的声音信号；

S2：将各预紧力对应的声音信号分别分割成m段并储存，分割后形成声音信号集合X＝{x₁，x₂，x₃，...x_m}，其中每段声音信号只包含一次敲击的声音信号；

S3：对声音信号集合X＝{x₁，x₂，x₃，...x_m}中的每段声音信号x_i提取梅尔频率倒谱系数向量

1≤i≤m，将所述向量

转变为矩阵M_i；

S4：将矩阵M_i打印输出为图片，储存到相应路径中；

S5：将步骤S4输出的图片构建图片集合M＝{M₁，M₂，M₃，...M_m}，建立特定预紧力下声音信号集合X与图片集合M之间的一一对应关系，即M_i＝f(x_i)，1≤i≤m；

S6：将图片集合M＝{M₁，M₂，M₃，...M_m}处理成统一尺寸，作为输入量，输入到卷积神经网络中，按比例将M分割成训练集和测试集，利用训练集对所述神经网络进行训练，输出训练结果；当训练准确率达标后，完成训练，将训练结果较好的网络结构和参数进行保存，在所述测试集中随机挑选图片对所述神经网络进行测试验证；

S7：进行实际检测，将敲击待测螺栓的声音信号输入经所述S6训练好的卷积神经网络中，进行待测螺栓的预紧力识别，对预紧力数值进行判断，当预紧力低于设定的安全阈值时，则判断待测螺栓已一定程度失效，并将判断结果输出显示。

2.根据权利要求1所述的螺栓失效检测方法，其特征在于，步骤S3中，将所述向量

转变为矩阵M_i，具体包括：

求得所述向量

中元素个数q，令

并进行如下转化：

当n(n+1)＞q时，M_i为n×n矩阵，将

横向填充并舍去多余部分，得到：

当n(n+1)≤q时，M_i为(n+1)×n矩阵，将

横向填充并舍去多余部分，得到：

3.根据权利要求1所述的螺栓失效检测方法，其特征在于，步骤S2中，每段声音信号只包含一次敲击的声音信号，且每段声音信号有效长度不少于其信号长度的90％。

4.根据权利要求1所述的螺栓失效检测方法，其特征在于，步骤S6中，所述卷积神经网络为Alexnet卷积神经网络；训练集和测试集的比例为7：3，训练准确率达90％后，完成训练。

5.根据权利要求1所述的螺栓失效检测方法，其特征在于，步骤S1中，采用空气锤自动敲击所述待测螺栓，采用声音采集传感器收集声音信号；调整待测螺栓的预紧力后，重复收集声音信号，各预紧力所对应的声音信号包括不少于10次的敲击声。

Images