CN116136441A - 基于非线性Lamb波的螺栓早期松动预紧状态监测方法、系统及装置 - Google Patents
基于非线性Lamb波的螺栓早期松动预紧状态监测方法、系统及装置 Download PDFInfo
- Publication number
- CN116136441A CN116136441A CN202310158491.1A CN202310158491A CN116136441A CN 116136441 A CN116136441 A CN 116136441A CN 202310158491 A CN202310158491 A CN 202310158491A CN 116136441 A CN116136441 A CN 116136441A
- Authority
- CN
- China
- Prior art keywords
- bolt
- lamb wave
- nonlinear
- piezoelectric sensor
- loosening
- 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.)
- Granted
Links
- 235000019687 Lamb Nutrition 0.000 title claims abstract description 139
- 238000012544 monitoring process Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000001228 spectrum Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000011155 quantitative monitoring Methods 0.000 claims abstract description 15
- 238000005070 sampling Methods 0.000 claims description 41
- 238000004458 analytical method Methods 0.000 claims description 9
- 230000000737 periodic effect Effects 0.000 claims description 9
- 238000006731 degradation reaction Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012806 monitoring device Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000011158 quantitative evaluation Methods 0.000 claims 1
- 230000035945 sensitivity Effects 0.000 abstract description 4
- 230000007547 defect Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 8
- 239000006185 dispersion Substances 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003121 nonmonotonic effect Effects 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009924 canning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000009022 nonlinear effect Effects 0.000 description 1
- 238000000614 phase inversion technique Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012795 verification Methods 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
- G01L5/246—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 using acoustic waves
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Acoustics & Sound (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于非线性Lamb波的螺栓早期松动预紧状态监测方法、系统及装置，包括：采集螺栓全寿命预紧状态下的Lamb波信号，并对采集的Lamb波信号进行相位反转信号处理得到相位反转信号，增强非线性波对微损伤的敏感性；基于采集的Lamb波信号频谱的基波幅值和相位反转信号频谱的二次谐波幅值，获取相位反转相对非线性系数；通过相位反转相对非线性系数，获取螺栓早期松动临界点，克服了线性指标对早期松动不敏感的缺点，实现早期松动临界点的识别，在确定松动早期阶段后，基于典型相关森林算法建立了融合非线性损伤指标的定量监测模型对预紧状态进行定量评价；本发明通过获取完全螺栓松动时出现峰值，提高了对螺栓状态监测的准确性。
Description
技术领域
本发明属于螺栓结构健康监测技术领域，涉及一种基于非线性Lamb波的螺栓早期松动预紧状态监测方法、系统及装置。
背景技术
螺栓连接受到循环载荷、机械冲击等恶劣环境的影响，在服役过程中容易出现松动失效。由于螺栓连接表面在微观上是粗糙的，在螺栓松动时，接触部分发生变化会引起一些非线性效应导致螺栓退化过程的非线性，难以将单一监测模型同时应用于早期松动和显著松动阶段。因此，如何准确确定螺栓早期松动临界点，监测螺栓早期松动阶段的预紧状态，是螺栓早期松动监测中必须解决的难题。
随着人工智能的快速发展，一些研究人员通过机器视觉识别螺栓头的转动角度和螺栓长度判断螺栓松动，但可见的螺栓松动表明螺栓早已失去部分预紧力，这种监测方法是没有意义的。结构健康监测技术表现出对螺栓松动监测的有效性，基于EMI技术的螺栓松动监测容易受到环境的影响无法适应螺栓服役过程中恶劣的工作环境。基于超声波的螺栓松动监测方法更广泛的适用于不同工程领域的应用，尤其是基于线性Lamb波的监测技术已经发展较为成熟。传统的线性Lamb波技术存在饱和效应，对早期螺栓松动并不敏感，无法定量监测螺栓早期松动。非线性Lamb波技术随螺栓退化过程呈非单调关系，在接近完全螺栓松动时出现峰值，难以将单一监测模型同时应用于早期松动和显著松动阶段。
发明内容
本发明的目的在于解决现有技术中非线性Lamb波技术随螺栓退化过程呈非单调关系，在接近完全螺栓松动时出现峰值，难以将单一监测模型同时应用于早期松动和显著松动阶段的问题，提供一种基于非线性Lamb波的螺栓早期松动预紧状态监测方法、系统及装置。
为达到上述目的，本发明采用以下技术方案予以实现：
基于非线性Lamb波的螺栓早期松动预紧状态监测方法，包括：
采集螺栓全寿命预紧状态下的Lamb波信号；
对采集的Lamb波信号进行相位反转信号处理得到相位反转信号，基于采集的Lamb波信号的S0波包和相位反转信号的S0波包进行快速傅里叶变换得到频谱；
基于采集的Lamb波信号频谱的基波幅值和相位反转信号频谱的二次谐波幅值，获取相位反转相对非线性系数；
基于相位反转相对非线性系数，判断螺栓早期松动阶段，获取螺栓早期松动临界点；
在获取螺栓早期松动临界点后，对螺栓早期松动预紧状态下的相位反转信号分别进行快速傅里叶变换、双谱分析和信息熵处理，提取非线性损伤特征值；
基于典型森林模型融合非线性损伤特征值，建立螺栓早期松动预紧状态定量监测模型，对螺栓预紧状态进行定量评价。
本发明的进一步改进在于：
进一步的，采集的Lamb波信号，具体为：两个周期频率幅值相同、相位差为π的正弦Lamb波信号；
所述得到相位反转信号，具体为：将采集到的两个正弦Lamb波信号在时域上进行叠加，消除线性成分得到相位反转信号。
进一步的，将采集到的两个正弦Lamb波信号在时域上进行叠加，消除线性成分得到相位反转信号，具体为：
当激励一个相位为θ的正弦Lamb波信号时，表达式如公式(1)所示：
u1(x,t)＝A1sin(kx-ωt+θ)+A2cos(2(kx-ωt)+θ)+…(1)
当激励一个相位为(π+θ)的正弦Lamb波信号时，表达式如公式(2)所示：
u2(x,t)＝A1sin(kx-ωt+θ+π)+A2cos(2(kx-ωt)+θ+π)+…(2)
当同时激励两个周期频率幅值相同、相位差为π正弦Lamb波信号时，其表达式如公式(3)所示：
u(x,t)＝u1(x,t)+u2(x,t)＝2A2cos(2(kx-ωt)+θ)+…(3)
其中，u(x,t)代表相位反转信号，u1(x,t)和u2(x,t)为两个相位差为π的Lamb波信号，k为Lamb波周期数，x为传播距离，ω为Lamb波频率，t为时间，A1和A2分别为基波幅值和二次谐波幅值。
进一步的，获取相位反转相对非线性系数，具体为：以相位反转信号的二次谐波幅值与两个相位差为π传感信号的基波幅值的均值之比，评价Lamb波的非线性表征螺栓松动的预紧状态，相位反转相对非线性系数指标如公式(4)所示：
其中，PRC为相位反转相对非线性系数，A2为相位反转信号的二次谐波幅值，Aave为两个相位差为π传感信号的基波幅值的均值。
进一步的，基于相位反转相对非线性系数，判断螺栓早期松动阶段，获取螺栓早期松动临界点，具体为：
所述螺栓松动包括早期松动阶段和完全松动阶段，螺栓退化过程呈非线性关系，在早期松动阶段相位反转非线性系数随螺栓预紧状态的降低而增大，在接近完全松动时，出现峰值，以螺栓全寿命周期的相位反转相对非线性系数峰值作为判断螺栓早期松动临界点。
进一步的，在获取螺栓早期松动临界点后，对螺栓早期松动预紧状态下的相位反转信号分别进行快速傅里叶变换、双谱分析和信息熵处理，提取非线性损伤特征值，具体为：在判断螺栓早期松动阶段后对螺栓早期松动预紧状态进行监测，截取相位反转信号的S0波包提取七种非线性损伤特征值，分别为：相位反转相对非线性系数PRC、相位反转双谱切片最大值PBmax、求和值PBsum、均方差PBmse、相位反转能量熵PEe、功率谱熵PEsvd和奇异谱熵PEpsd。
进一步的，基于典型森林模型融合非线性损伤特征值，建立螺栓早期松动预紧状态定量监测模型，对螺栓预紧状态进行定量评价，具体为：
基于典型森林算法融合七种非线性损伤特征值建立预紧状态定量监测模型，将计算得到的七种非线性损伤特征值建立数据集，输入到典型森林算法，基于典型相关分析与bootstrapping抽样的样本建立输出信息与输入特征最大相关的投影映射空间，计算最大增益分割，通过典型相关森林对超平面进行分割，根据典型相关树的投票结果对螺栓松动预紧状态进行预测。
基于非线性Lamb波的螺栓早期松动预紧状态监测系统，包括：
采集模块，所述采集模块用于采集螺栓全寿命预紧状态下的Lamb波信号；
傅里叶变换模块，所述傅里叶变换模块对采集的Lamb波信号进行相位反转信号处理得到相位反转信号，基于采集的Lamb波信号的S0波包和相位反转信号的S0波包进行快速傅里叶变换得到频谱；
第一获取模块，所述第一获取模块基于采集的Lamb波信号频谱的基波幅值和相位反转信号频谱的二次谐波幅值，获取相位反转相对非线性系数；
第二获取模块，所述第二获取模块基于相位反转相对非线性系数，判断螺栓早期松动阶段，获取螺栓早期松动临界点；
提取模块，所述提取模块在获取螺栓早期松动临界点后，对螺栓早期松动预紧状态下的相位反转信号分别进行快速傅里叶变换、双谱分析和信息熵处理，提取非线性损伤特征值；
监测模型建立模块，所述监测模型建立模块基于典型森林模型融合非线性损伤特征值，建立螺栓早期松动预紧状态定量监测模型，对螺栓预紧状态进行定量评价。
基于非线性Lamb波的螺栓早期松动预紧状态监测装置，其特征在于，包括：压电传感器、控制板、螺栓、SHM采样装置和电源；
所述压电传感器连接螺栓，用于监测螺栓的松紧程度；所述控制板同时连接SHM采样装置和压电传感器；所述电源连接SHM采样装置，向SHM采样装置供电；
所述压电传感器为四个，分别为第一压电传感器、第二压电传感器、第三压电传感器和第四压电传感器；所述第一压电传感器和第二压电传感器相连接，第三压电传感器和第四压电传感器相连接；所述第一压电传感器、第二压电传感器、第三压电传感器和第四压电传感器均连接控制板；
所述螺栓固定在第一压电传感器和第二压电传感器之间，所述螺栓固定在第三压电传感器和第四压电传感器之间；
所述SHM采样装置向控制板发送两次正弦Lamb波信号；所述控制板将第一正弦Lamb波信号发送给第一压电传感器；所述第一压电传感器将接收的第一正弦Lamb波信号发送至第二压电传感器；所述第二压电传感器将接收的第一正弦Lamb波信号依次传递至控制板和SHM采样装置；
所述第三压电传感器将接收的第二正弦Lamb波信号发送至第四压电传感器；所述第四压电传感器将接收的第二正弦Lamb波信号依次传递至控制板和SHM采样装置。
进一步的，SHM采样装置向控制板发送正弦Lamb波信号，具体为：SHM采样装置每次向控制板发送的信号均为两个周期频率幅值相同、相位差为π的正弦Lamb波信号。
与现有技术相比，本发明具有以下有益效果：
本发明对采集的Lamb波信号进行相位反转信号处理得到相位反转信号，增强非线性波对微损伤的敏感性；基于采集的Lamb波信号频谱的基波幅值和相位反转信号频谱的二次谐波幅值，获取相位反转相对非线性系数；通过相位反转相对非线性系数，获取螺栓早期松动临界点，克服了线性指标对早期松动不敏感的缺点，实现了早期松动临界点的识别，为构建阶段性松动监测模型提供了前提条件，在确定松动早期阶段后，基于森林算法建立了融合7个非线性损伤指标的定量监测模型对预紧状态进行定量评价；本发明通过获取完全螺栓松动时出现峰值，提高了对螺栓状态监测的准确性。
附图说明
为了更清楚的说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明的基于非线性Lamb波的螺栓早期松动预紧状态监测方法流程图；
图2为本发明的基于非线性Lamb波的螺栓早期松动预紧状态监测方法框架图；
图3为本发明的基于非线性Lamb波的螺栓早期松动预紧状态监测系统结构图；
图4为本发明的基于非线性Lamb波的螺栓早期松动预紧状态监测装置结构图；
图5a为本发明实例的群速度频散曲线图；
图5b为本发明实例的相速度频散曲线图；
图6为本发明实例的激励信号示意图；
图7为本发明实例中所述相位反转技术框架图；
图8为本发明实例中所述螺栓松动全寿命预紧状态的PRC趋势图；
图9a为本发明实例的50N·m扭矩下采集的Lamb波时域信号及相位反转信号示意图；
图9b为本发明实例的50N·m扭矩下采集的Lamb波S0波包的时域信号及相位反转信号的放大图。
图9c为本发明实例的75N·m扭矩下采集的Lamb波时域信号及相位反转信号示意图；
图9d为本发明实例的100N·m扭矩下采集的Lamb波时域信号及相位反转信号示意图；
图10为本发明实例中所述原始信号频域图；
图11为本发明实例中所述相位反转信号频域图；
图12为本发明实例中所述验证监测模型的混淆矩阵示意图。
其中，2-控制板；3-螺栓；4-SHM采样装置；5-电源；6-第一压电传感器；7-第二压电传感器；8-第三压电传感器；9-第四压电传感器。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中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一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本发明实施例的描述中，需要说明的是，若出现术语“上”、“下”、“水平”、“内”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
此外，若出现术语“水平”，并不表示要求部件绝对水平，而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而是可以稍微倾斜。
在本发明实施例的描述中，还需要说明的是，除非另有明确的规定和限定，若出现术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
下面结合附图对本发明做进一步详细描述：
基于非线性Lamb波的螺栓早期松动预紧状态监测方法首先采用相位反转技术构造相位反转相对非线性系数。该指标克服了线性指标对早期松动不敏感的缺点，实现了螺栓早期松动临界点的判断，为构建阶段性松动监测模型(早期松动监测模型)提供了前提条件。然后基于典型相关森林建立了融合7个非线性损伤指标的定量监测模型对预紧状态进行定量评价。
参见图1和图2，本发明公布了一种基于非线性Lamb波的螺栓早期松动预紧状态监测方法，包括：
S101，采集螺栓全寿命预紧状态下的Lamb波信号。
采集的Lamb波信号，具体为：两个周期频率幅值相同、相位差为π的正弦Lamb波信号，用以相位反转处理
S102，对采集的Lamb波信号进行相位反转信号处理得到相位反转信号，基于采集的Lamb波信号的S0波包和相位反转信号的S0波包进行快速傅里叶变换得到频谱。
得到相位反转信号，具体为：将采集到的两个正弦Lamb波信号在时域上进行叠加，消除线性成分得到相位反转信号。
当激励一个相位为θ的正弦Lamb波信号时，表达式如公式(1)所示：
u1(x,t)＝A1sin(kx-ωt+θ)+A2cos(2(kx-ωt)+θ)+…(1)
当激励一个相位为(π+θ)的正弦Lamb波信号时，表达式如公式(2)所示：
u2(x,t)＝A1sin(kx-ωt+θ+π)+A2cos(2(kx-ωt)+θ+π)+…(2)
当同时激励两个周期频率幅值相同、相位差为π正弦Lamb波信号时，其表达式如公式(3)所示：
u(x,t)＝u1(x,t)+u2(x,t)＝2A2cos(2(kx-ωt)+θ)+…(3)
其中，u(x,t)代表相位反转信号，u1(x,t)和u2(x,t)为两个相位差为π的Lamb波信号，k为Lmab波周期数，x为传播距离，ω为Lamb波频率，t为时间，A1和A2分别为基波幅值和二次谐波幅值。
S103，基于采集的Lamb波信号频谱的基波幅值和相位反转信号频谱的二次谐波幅值，获取相位反转相对非线性系数。
以相位反转信号的二次谐波幅值与两个相位差为π传感信号的基波幅值的均值之比，评价Lamb波的非线性表征螺栓松动的预紧状态，相位反转相对非线性系数指标如公式(4)所示：
其中，PRC为相位反转相对非线性系数，A2为相位反转信号的二次谐波幅值，Aave为两个相位差为π传感信号的基波幅值的均值。
S104，基于相位反转相对非线性系数，判断螺栓早期松动阶段，获取螺栓早期松动临界点。
螺栓松动包括早期松动阶段和完全松动阶段，螺栓退化过程呈非线性关系，在早期松动阶段相位反转非线性系数随螺栓预紧状态的降低而增大，在接近完全松动时，出现峰值，以螺栓全寿命周期的相位反转相对非线性系数峰值作为判断螺栓早期松动临界点。
S105，在获取螺栓早期松动临界点后，对螺栓早期松动预紧状态下的相位反转信号分别进行快速傅里叶变换、双谱分析和信息熵处理，提取非线性损伤特征值。
在判断螺栓早期松动阶段后对螺栓早期松动预紧状态进行监测，截取相位反转信号的S0波包提取七种非线性损伤特征值，分别为：相位反转相对非线性系数PRC、相位反转双谱切片最大值PBmax、求和值PBsum、均方差PBmse、相位反转能量熵PEe、功率谱熵PEsvd和奇异谱熵PEpsd。
S106，基于典型森林模型融合非线性损伤特征值，建立螺栓早期松动预紧状态定量监测模型，对螺栓预紧状态进行定量评价。
基于典型森林算法融合七种非线性损伤特征值建立预紧状态定量监测模型，将计算得到的七种非线性损伤特征值建立数据集，输入到典型森林算法，基于典型相关分析与bootstrapping抽样的样本建立输出信息与输入特征最大相关的投影映射空间，计算最大增益分割，通过典型相关森林对超平面进行分割，根据典型相关树的投票结果对螺栓松动预紧状态进行预测。
参见图3，本发明公布了一种基于非线性Lamb波的螺栓早期松动预紧状态监测系统，包括：
采集模块，所述采集模块用于采集螺栓全寿命预紧状态下的Lamb波信号；
傅里叶变换模块，所述傅里叶变换模块对采集的Lamb波信号进行相位反转信号处理得到相位反转信号，基于采集的Lamb波信号的S0波包和相位反转信号的S0波包进行快速傅里叶变换得到频谱；
第一获取模块，所述第一获取模块基于采集的Lamb波信号频谱的基波幅值和相位反转信号频谱的二次谐波幅值，获取相位反转相对非线性系数；
第二获取模块，所述第二获取模块基于相位反转相对非线性系数，判断螺栓早期松动阶段，获取螺栓早期松动临界点；
提取模块，所述提取模块在获取螺栓早期松动临界点后，对螺栓早期松动预紧状态下的相位反转信号分别进行快速傅里叶变换、双谱分析和信息熵处理，提取非线性损伤特征值；
监测模型建立模块，所述监测模型建立模块基于典型森林模型融合非线性损伤特征值，建立螺栓早期松动预紧状态定量监测模型，对螺栓预紧状态进行定量评价。
参见图4，本发明公布了一种基于非线性Lamb波的螺栓早期松动预紧状态监测装置，包括：压电传感器、控制板2、螺栓3、SHM采样装置4和电源5；
压电传感器连接螺栓3，用于监测螺栓3的松紧程度；控制板2同时连接SHM采样装置4和压电传感器；电源5连接SHM采样装置4，向SHM采样装置4供电；
压电传感器为四个，分别为第一压电传感器6、第二压电传感器7、第三压电传感器8和第四压电传感器9；第一压电传感器6和第二压电传感器7相连接，第三压电传感器8和第四压电传感器9相连接；第一压电传感器6、第二压电传感器7、第三压电传感器8和第四压电传感器9均连接控制板2；
螺栓3固定在第一压电传感器6和第二压电传感器7之间，螺栓3固定在第三压电传感器8和第四压电传感器9之间；
SHM采样装置4向控制板2发送两次正弦Lamb波信号；控制板2将第一正弦Lamb波信号发送给第一压电传感器1；第一压电传感器1将接收的第一正弦Lamb波信号发送至第二压电传感器2；第二压电传感器2将接收的第一正弦Lamb波信号依次传递至控制板2和SHM采样装置4；
第三压电传感器8将接收的第二正弦Lamb波信号发送至第四压电传感器9；第四压电传感器9将接收的第二正弦Lamb波信号依次传递至控制板2和SHM采样装置4。
第二正弦Lamb波信号的作用为与第一正弦Lamb波信号进行对比，验证螺栓早期松动预紧状态定量监测模型的准确性。
SHM采样装置4向控制板2发送正弦Lamb波信号，具体为：SHM采样装置4每次向控制板2发送的信号均为两个周期频率幅值相同、相位差为π的正弦Lamb波信号。
压电传感器连接螺栓3，用于监测螺栓3的松紧程度；控制板2同时连接SHM采样装置4和压电传感器；
压电传感器为四个，分别为第一压电传感器6、第二压电传感器7、第三压电传感器8和第四压电传感器9；第一压电传感器6和第二压电传感器7相连接，第三压电传感器8和第四压电传感器9相连接；第一压电传感器6、第二压电传感器7、第三压电传感器8和第四压电传感器9均连接控制板2；
螺栓3固定在第一压电传感器6和第二压电传感器7之间，螺栓3固定在第三压电传感器8和第四压电传感器9之间；
SHM采样装置4向控制板2发送两次正弦Lamb波信号；控制板2将第一正弦Lamb波信号发送给第一压电传感器1；第一压电传感器1将接收的第一正弦Lamb波信号发送至第二压电传感器2；第二压电传感器2将接收的第一正弦Lamb波信号依次传递至控制板2和SHM采样装置4；
第三压电传感器8将接收的第二正弦Lamb波信号发送至第四压电传感器9；第四压电传感器9将接收的第二正弦Lamb波信号依次传递至控制板2和SHM采样装置4。
SHM采样装置4向控制板2发送正弦Lamb波信号，具体为：SHM采样装置4每次向控制板2发送的信号均为两个周期频率幅值相同、相位差为π的正弦Lamb波信号。
实施例：
本优选实例中，以M16螺栓为对象，验证基于非线性Lamb波的螺栓早期松动预紧状态监测方法的有效性。
以下结合实施例对本发明的特征和性能进一步详细说明。
以M16为试验对象，其拧紧扭矩为100N·m，对10N·m到100N·m全寿命扭矩范围内的螺栓预紧状态进行了监测，设置扭矩梯度为10N·m，使用定扭矩扳手对螺栓连接进行加载。通过SHM采样装置连接螺栓两侧的PZT压电传感器用以采集Lamb波信号。
由于Lamb波的频散和多模态特性，频率越高模态越复杂，非线性特征难以提取。如果以低频率激励S0模态Lamb波，由微小损伤引起的非线性高次谐波仍是S0模态，应用S0-S0模态对可以很好地解决上述问题。根据频散曲线合理选择Lamb波的模态和频率，频散曲线如图5a和图5b所示。本文在低频率S0模态激励Lamb波，频率范围为50Hz-250Hz，最终选定在试件中激励中心频率为190kHz、5周期、振幅为7V、加hanning窗口、相位差为π的两个正弦信号，因为其波包及模态更加清晰清晰。设置SHM采样装置采样频率为20M，放大等级为2，采样长度为5000。如图6所示，激励并传感频率周期振幅完全相同相位差为π的两个正弦信号，运用相位反转理论对归一化的信号进行叠加，基波振幅被抵消，而二次谐波振幅被叠加，截取S0波包以进行后续的特征值提取，相位反转理论的框架图如图7所示。
然后，进行螺栓早期松动阶段判断，10N·m到100N·m全寿命预紧状态下的相位反转相对非线性系数如图8所示，在同一组试验中，随着螺栓连接扭矩的减小和螺栓松动程度的增加，PRC逐渐增大，在30N·m处达到峰值。PRC在20N·m和10N·m时下降，接近完全松弛状态，PRC不是线性相关。根据螺栓全寿命周期PRC确定螺栓早期松动的临界值，合理选择螺栓早期松动阶段的监测力矩。PRC判断早期松动阶段的临界点为30Nm，有效监测力矩范围为30N·m～100N·m。为了留有一定的阈值，将螺栓早期松动监测扭矩范围设置为50N·m～100N·m，扭矩梯度为5N·m，共有11种螺栓连接状态，使用定扭矩扳手重复加载。
得到重复拧紧螺栓十一种扭矩状态下的正反两种时域信号，部分扭矩下的时域信号如图9a、图9b、图9c和图9d所示，将时域信号归一化后，将两个信号叠加得到相位反转信号。从时域图放大图可以看出，两个信号叠加后，基波振幅基本抵消。叠加后的相位反转信号类似于正弦波形，其周期大约是基波信号的一半。
截取基波信号和相位反转信号的S0波包进行FFT，对应的频谱如图10和图11所示。在频域图中，基频在190khz左右。由于基波振幅过大，二次谐波振幅被掩盖，难以提取二次谐波来表征螺栓松动。基波幅值和二次谐波幅值的频域线性特征与螺栓扭矩的大小无线性关系。经过相位反转信号处理后，振幅在190kHz左右基本抵消。二次谐波的幅值明显高于基频，频率是基频的两倍。通过对基波信号和相位反转信号的时频域分析，相位反转理论增强非线性Lamb波对微小损伤的敏感性，对提取非线性兰姆波特征值有显著作用。
对采集到的基波信号进行相位反转处理。截取基波信号和相位反转信号的S0波包。取两个基波振幅和二次谐波振幅的平均值，计算PRC。截取相位反转信号S0波包，计算PBmax、PBsum、PBmse、PEsvd、PEpsdand PEe。构建数据集，共660组数据，495组数据输入到典型相关森林算法训练螺栓早期松动预紧状态监测模型，165组数据用于测试。监测模型的混淆矩阵如图12所示，测试精度为95.15％，召回率为95.34％，F1值为95.17％。因此，本发明所公开的基于非线性Lamb波的螺栓早期松动预紧状态监测方法以脉冲反相技术增强非线性Lamb波对微小损伤的敏感程度，以相位反转相对非线性系数识别螺栓早期松动临界点，以融合多维非线性特征值建立螺栓早期松动预紧状态定量监测模型，具有良好的监测效果和高的准确率。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.基于非线性Lamb波的螺栓早期松动预紧状态监测方法，其特征在于，包括：
采集螺栓全寿命预紧状态下的Lamb波信号；
对采集的Lamb波信号进行相位反转信号处理得到相位反转信号，基于采集的Lamb波信号的S0波包和相位反转信号的S0波包进行快速傅里叶变换得到频谱；
基于采集的Lamb波信号频谱的基波幅值和相位反转信号频谱的二次谐波幅值，获取相位反转相对非线性系数；
基于相位反转相对非线性系数，判断螺栓早期松动阶段，获取螺栓早期松动临界点；
在获取螺栓早期松动临界点后，对螺栓早期松动预紧状态下的相位反转信号分别进行快速傅里叶变换、双谱分析和信息熵处理，提取非线性损伤特征值；
基于典型森林模型融合非线性损伤特征值，建立螺栓早期松动预紧状态定量监测模型，对螺栓预紧状态进行定量评价。
2.根据权利要求1所述的基于非线性Lamb波的螺栓早期松动预紧状态监测方法，其特征在于，所述采集的Lamb波信号，具体为：两个周期频率幅值相同、相位差为π的正弦Lamb波信号；
所述得到相位反转信号，具体为：将采集到的两个正弦Lamb波信号在时域上进行叠加，消除线性成分得到相位反转信号。
3.根据权利要求2所述的基于非线性Lamb波的螺栓早期松动预紧状态监测方法，其特征在于，所述将采集到的两个正弦Lamb波信号在时域上进行叠加，消除线性成分得到相位反转信号，具体为：
当激励一个相位为θ的正弦Lamb波信号时，表达式如公式(1)所示：
u1(x,t)＝A1sin(kx-ωt+θ)+A2cos(2(kx-ωt)+θ)+… (1)
当激励一个相位为(π+θ)的正弦Lamb波信号时，表达式如公式(2)所示：
u2(x,t)＝A1sin(kx-ωt+θ+π)+A2cos(2(kx-ωt)+θ+π)+… (2)
当同时激励两个周期频率幅值相同、相位差为π正弦Lamb波信号时，其表达式如公式(3)所示：
u(x,t)＝u1(x,t)+u2(x,t)＝2A2cos(2(kx-ωt)+θ)+… (3)
其中，u(x,t)代表相位反转信号，u1(x,t)和u2(x,t)为两个相位差为π的Lamb波信号，k为Lamb波周期数，x为传播距离，ω为Lamb波频率，t为时间，A1和A2分别为基波幅值和二次谐波幅值。
4.根据权利要求3所述的基于非线性Lamb波的螺栓早期松动预紧状态监测方法，其特征在于，所述获取相位反转相对非线性系数，具体为：以相位反转信号的二次谐波幅值与两个相位差为π传感信号的基波幅值的均值之比，评价Lamb波的非线性表征螺栓松动的预紧状态，相位反转相对非线性系数指标如公式(4)所示：
其中，PRC为相位反转相对非线性系数，A2为相位反转信号的二次谐波幅值，Aave为两个相位差为π传感信号的基波幅值的均值。
5.根据权利要求4所述的基于非线性Lamb波的螺栓早期松动预紧状态监测方法，其特征在于，所述基于相位反转相对非线性系数，判断螺栓早期松动阶段，获取螺栓早期松动临界点，具体为：
所述螺栓松动包括早期松动阶段和完全松动阶段，螺栓退化过程呈非线性关系，在早期松动阶段相位反转非线性系数随螺栓预紧状态的降低而增大，在接近完全松动时，出现峰值，以螺栓全寿命周期的相位反转相对非线性系数峰值作为判断螺栓早期松动临界点。
6.根据权利要求5所述的基于非线性Lamb波的螺栓早期松动预紧状态监测方法，其特征在于，所述在获取螺栓早期松动临界点后，对螺栓早期松动预紧状态下的相位反转信号分别进行快速傅里叶变换、双谱分析和信息熵处理，提取非线性损伤特征值，具体为：在判断螺栓早期松动阶段后对螺栓早期松动预紧状态进行监测，截取相位反转信号的S0波包提取七种非线性损伤特征值，分别为：相位反转相对非线性系数PRC、相位反转双谱切片最大值PBmax、求和值PBsum、均方差PBmse、相位反转能量熵PEe、功率谱熵PEsvd和奇异谱熵PEpsd。
7.根据权利要求6所述的基于非线性Lamb波的螺栓早期松动预紧状态监测方法，其特征在于，所述基于典型森林模型融合非线性损伤特征值，建立螺栓早期松动预紧状态定量监测模型，对螺栓预紧状态进行定量评价，具体为：
基于典型森林算法融合七种非线性损伤特征值建立预紧状态定量监测模型，将计算得到的七种非线性损伤特征值建立数据集，输入到典型森林算法，基于典型相关分析与bootstrapping抽样的样本建立输出信息与输入特征最大相关的投影映射空间，计算最大增益分割，通过典型相关森林对超平面进行分割，根据典型相关树的投票结果对螺栓松动预紧状态进行预测。
8.基于非线性Lamb波的螺栓早期松动预紧状态监测系统，其特征在于，包括：
采集模块，所述采集模块用于采集螺栓全寿命预紧状态下的Lamb波信号；
傅里叶变换模块，所述傅里叶变换模块对采集的Lamb波信号进行相位反转信号处理得到相位反转信号，基于采集的Lamb波信号的S0波包和相位反转信号的S0波包进行快速傅里叶变换得到频谱；
第一获取模块，所述第一获取模块基于采集的Lamb波信号频谱的基波幅值和相位反转信号频谱的二次谐波幅值，获取相位反转相对非线性系数；
第二获取模块，所述第二获取模块基于相位反转相对非线性系数，判断螺栓早期松动阶段，获取螺栓早期松动临界点；
提取模块，所述提取模块在获取螺栓早期松动临界点后，对螺栓早期松动预紧状态下的相位反转信号分别进行快速傅里叶变换、双谱分析和信息熵处理，提取非线性损伤特征值；
监测模型建立模块，所述监测模型建立模块基于典型森林模型融合非线性损伤特征值，建立螺栓早期松动预紧状态定量监测模型，对螺栓预紧状态进行定量评价。
9.基于非线性Lamb波的螺栓早期松动预紧状态监测装置，其特征在于，包括：压电传感器、控制板(2)、螺栓(3)、SHM采样装置(4)和电源(5)；
所述压电传感器连接螺栓(3)，用于监测螺栓(3)的松紧程度；所述控制板(2)同时连接SHM采样装置(4)和压电传感器；所述电源(5)连接SHM采样装置(4)，向SHM采样装置(4)供电；
所述压电传感器为四个，分别为第一压电传感器(6)、第二压电传感器(7)、第三压电传感器(8)和第四压电传感器(9)；所述第一压电传感器(6)和第二压电传感器(7)相连接，第三压电传感器(8)和第四压电传感器(9)相连接；所述第一压电传感器(6)、第二压电传感器(7)、第三压电传感器(8)和第四压电传感器(9)均连接控制板(2)；
所述螺栓(3)固定在第一压电传感器(6)和第二压电传感器(7)之间，所述螺栓(3)固定在第三压电传感器(8)和第四压电传感器(9)之间；
所述SHM采样装置(4)向控制板(2)发送两次正弦Lamb波信号；所述控制板(2)将第一正弦Lamb波信号发送给第一压电传感器(1)；所述第一压电传感器(1)将接收的第一正弦Lamb波信号发送至第二压电传感器(2)；所述第二压电传感器(2)将接收的第一正弦Lamb波信号依次传递至控制板(2)和SHM采样装置(4)；
所述第三压电传感器(8)将接收的第二正弦Lamb波信号发送至第四压电传感器(9)；所述第四压电传感器(9)将接收的第二正弦Lamb波信号依次传递至控制板(2)和SHM采样装置(4)。
10.根据权利要求9所述的基于非线性Lamb波的螺栓早期松动预紧状态监测装置，其特征在于，所述SHM采样装置(4)向控制板(2)发送正弦Lamb波信号，具体为：SHM采样装置(4)每次向控制板(2)发送的信号均为两个周期频率幅值相同、相位差为π的正弦Lamb波信号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310158491.1A CN116136441B (zh) | 2023-02-23 | 2023-02-23 | 基于非线性Lamb波的螺栓早期松动预紧状态监测方法、系统及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310158491.1A CN116136441B (zh) | 2023-02-23 | 2023-02-23 | 基于非线性Lamb波的螺栓早期松动预紧状态监测方法、系统及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116136441A true CN116136441A (zh) | 2023-05-19 |
| CN116136441B CN116136441B (zh) | 2024-06-25 |
Family
ID=86332770
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310158491.1A Active CN116136441B (zh) | 2023-02-23 | 2023-02-23 | 基于非线性Lamb波的螺栓早期松动预紧状态监测方法、系统及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116136441B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116592814A (zh) * | 2023-07-17 | 2023-08-15 | 塔盾信息技术(上海)有限公司 | 一种基于人工智能自适应多维度计算的物体移位监测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4014208A (en) * | 1976-04-01 | 1977-03-29 | Rockwell International Corporation | Ultrasonic system for measuring dimensional or stress change in structural member |
| WO2020232687A1 (zh) * | 2019-05-22 | 2020-11-26 | 华南理工大学 | 一种载波调制非线性超声导波损伤检测方法 |
| CN112945449A (zh) * | 2021-01-28 | 2021-06-11 | 山东大学 | 一种复合材料螺栓连接结构早期松动评估方法及系统 |
| US20220049996A1 (en) * | 2019-05-20 | 2022-02-17 | Beijing University Of Technology | Non-linear Lamb wave mixing method for measuring stress distribution in thin metal plates |
-
2023
- 2023-02-23 CN CN202310158491.1A patent/CN116136441B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4014208A (en) * | 1976-04-01 | 1977-03-29 | Rockwell International Corporation | Ultrasonic system for measuring dimensional or stress change in structural member |
| US20220049996A1 (en) * | 2019-05-20 | 2022-02-17 | Beijing University Of Technology | Non-linear Lamb wave mixing method for measuring stress distribution in thin metal plates |
| WO2020232687A1 (zh) * | 2019-05-22 | 2020-11-26 | 华南理工大学 | 一种载波调制非线性超声导波损伤检测方法 |
| CN112945449A (zh) * | 2021-01-28 | 2021-06-11 | 山东大学 | 一种复合材料螺栓连接结构早期松动评估方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 吴斌;颜丙生;何存富;李佳锐;: "脉冲反转技术在金属疲劳损伤非线性超声检测中的应用", 声学技术, no. 05, 15 October 2010 (2010-10-15) * |
| 高立;陈振华;李承庚;卢超;: "铝合金板材疲劳损伤的非线性导波检测", 无损检测, no. 07, 10 July 2020 (2020-07-10) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116592814A (zh) * | 2023-07-17 | 2023-08-15 | 塔盾信息技术(上海)有限公司 | 一种基于人工智能自适应多维度计算的物体移位监测方法 |
| CN116592814B (zh) * | 2023-07-17 | 2023-10-13 | 塔盾信息技术(上海)有限公司 | 一种基于人工智能自适应多维度计算的物体移位监测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116136441B (zh) | 2024-06-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110389170B (zh) | 基于Lamb波成像的列车部件裂纹损伤检测方法和系统 | |
| Yuan et al. | Percussion-based bolt looseness monitoring using intrinsic multiscale entropy analysis and BP neural network | |
| Su et al. | Improved damage localization and quantification of CFRP using Lamb waves and convolution neural network | |
| Douglass et al. | Dynamic time warping temperature compensation for guided wave structural health monitoring | |
| CN116136441B (zh) | 基于非线性Lamb波的螺栓早期松动预紧状态监测方法、系统及装置 | |
| CN105424258B (zh) | 紧固件预紧力在线检测方法及系统 | |
| WO2009101978A1 (ja) | 構造物の損傷の診断方法および装置 | |
| CN104457956B (zh) | 一种拉索索力检测中基频识别方法 | |
| WO2021068983A1 (zh) | 一种基于智能声信息识别的焊后焊缝冲击质量判别方法及系统 | |
| CN101706355A (zh) | 基于NExT/ARMA的结构响应分析方法 | |
| CN109085244A (zh) | 一种基于压电阵列的非线性Lamb波结构疲劳损伤层析成像方法 | |
| CN102520070A (zh) | 基于非线性输出频率响应函数的结构损伤检测方法 | |
| CN106909733A (zh) | 一种钢桁架桥梁关键构件高强螺栓健康状态监测方法 | |
| CN107192492A (zh) | 一种基于改进时间反转法的螺栓预紧力矩超声导波监测方法 | |
| Taylor et al. | Full-scale fatigue tests of CX-100 wind turbine blades. Part II: analysis | |
| Zumpano et al. | Damage detection in an aircraft foam sandwich panel using nonlinear elastic wave spectroscopy | |
| Haq et al. | Piezo-impedance based fatigue damage monitoring of restrengthened concrete frames | |
| Vazirizade et al. | Online nonlinear structural damage detection using Hilbert Huang transform and artificial neural networks | |
| Ramasso et al. | Clustering acoustic emission data streams with sequentially appearing clusters using mixture models | |
| Wang et al. | Identification of engine faults based on acoustic emission signals using a 1DCNN-ViT ensemble model | |
| Liu et al. | Research on online monitoring technology for transmission tower bolt looseness | |
| Li et al. | A novel frequency domain feature-based approach for diagnosis of failure faults in complex structures with interconnected joints | |
| CN103837597A (zh) | 钢管混凝土脱粘检测方法 | |
| CN107633127A (zh) | 一种基于多尺度动力学分离的连接结构松动诊断方法 | |
| CN114994185A (zh) | 一种激励数据驱动下能量分布转异的疲劳损伤检测方法 |
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 |