一种结合时间反转技术和BP神经网络的螺栓松动检测方法技术

本发明专利技术公开了一种结合时间反转技术和BP神经网络的螺栓松动检测方法。在被测螺栓群附近布置多个超声导波传感器，采用时间反转技术激发和接收超声导波，提取特定损伤状态下导波信号特征值。采用BP神经网络进行局部损伤定位与定量分析，单个训练样本的输入为所有激励与接收传感器对应的多传播路径下的导波信号特征值，输出为螺栓群的损伤位置和局部损伤程度。另外，建立多传播路径下信号的平均特征值与螺栓群整体松动程度的线性关系，实现螺栓群整体损伤状态的预测。所提出的检测方法在采用较少传感器的前提下实现了具有大量螺栓组成的螺栓群结构损伤定位与损伤程度预测，检测结果可靠，工程应用性强，为保证螺栓连接型钢结构的安全提供了保障。构的安全提供了保障。构的安全提供了保障。

A bolt looseness detection method combining time reversal technology and BP neural network

【技术实现步骤摘要】
一种结合时间反转技术和BP神经网络的螺栓松动检测方法


[0001]本专利技术属于建筑工程
，涉及时间反转技术、BP神经网络和结构健康监测技术。

技术介绍

[0002]螺栓连接是一种典型的钢构件连接方式，被广泛应用于包括土木工程、航空航天、机械工程、电力工程等多个行业中，螺栓的松紧程度关系到设备的运营安全和结构的安全性。螺栓的松紧程度受到环境荷载、交通荷载等多种作用的影响，在使用过程中不可避免的存在单个或多个螺栓松动的情况，螺栓松动到一定程度后会导致结构的突然破坏，造成巨大的经济损失和恶劣的社会影响，实现对螺栓连接结构的健康监测，对于提高设备安全性能有着重要的意义。
[0003]当前针对螺栓松动的检测方法包括应变片检测法、扭矩仪人工检测、超声导波检测法、阻抗法、机器视觉技术等。其中，人工检测成本太高，应变片检测法检测精度不高且需要安装的传感器数量较多，阻抗法的检测区域不大，超声导波技术和机器视觉技术近年来成为研究热点。
[0004]基于超声导波的螺栓松动检测方面，目前采用的检测方法包括能量法、时间反转法、频率法等。由于螺栓板的表面不平顺特征，螺栓的预紧力决定螺栓板之间的实际接触面积，从螺栓板的一端激发超声导波信号，信号通过接触区域传递到螺栓板的另外一端，信号传递的能量大小由螺栓板的实际接触面积决定。基于能量法的检测技术利用信号这一特征建立透射信号能量与螺栓扭矩的关系，然而螺栓板的实际接触面积在螺栓扭矩达到一定程度后将不再变化，导致此方法无法检测早期螺栓松动。同样的，基于频率法的检测方式信号频率的变化不够明显，易受环境噪声等影响。时间反转技术通过将导波信号在信号接收传感器处能量聚焦，实现螺栓松动程度的准确预测。
[0005]专利文献CN113433214A提出了一种板结构的损伤定位方法，然而对于螺栓结构来说，其结构形式更加复杂，导波的传播路径难以预测。进一步地，该方法所采用的传感器数量过多，无法在实际工程应用中推广。

技术实现思路

[0006]本专利技术的目的是针对上述技术问题，提出一种结合时间反转技术和BP神经网络的螺栓松动检测方法，通过少量传感器检测复杂螺栓群的整体、局部损伤程度，定位损伤区域，保证螺栓连接结构运营期间的安全，防止灾难发生。
[0007]为解决上述技术问题，本专利技术采用以下技术方案：
[0008]一种结合时间反转技术和BP神经网络的螺栓松动检测方法，包括如下步骤：
[0009]S1：在被测螺栓群附近布置相同数量的多个超声导波激励和接收传感器，采用单发单收的方式激励并接收超声导波；
[0010]S2：无损状态下，将所有激励与接收传感器一一组合，每种组合代表不同的导波传
播路径，采用时间反转技术获取特定激励与接收传感器之间的超声导波重构信号，提取重构信号在时域上的最大值；
[0011]S3：损伤状态下，采用时间反转技术获取所有激励与接收传感器组合下的超声导波重构信号，计算损伤状态下重构信号最大值与对应传播路径上无损状态重构信号最大值的比值，作为该传播路径上导波信号的特征值；
[0012]S4：将螺栓群划分成多个独立的区域，每个区域包含多个独立的螺栓；
[0013]S5：搭建BP神经网络，单个样本的输入为损伤状态下所有传播路径上导波信号的特征值，输出节点数量为螺栓群划分区域的个数，输出节点的位置代表螺栓松动的区域，输出节点值的大小代表螺栓松动区域的损伤程度；
[0014]S6：通过大量的数据训练并测试BP神经网络，从而准确识别螺栓松动的位置和局部螺栓松动程度；
[0015]S7：对单个损伤情况下所有传播路径上导波信号的特征值取平均，通过大量损伤样本，建立与螺栓群整体松动程度的线性关系，实现螺栓群整体损伤程度的预测。
[0016]进一步地，螺栓群可以按照结构特征划分成多个独立的区域。
[0017]进一步地，所述的超声导波激励和接收传感器，其特征在于，包括并不限于压电式和磁致伸缩式超声导波传感器，根据实际被测构件灵活选取；
[0018]进一步地，所述的超声导波，其特征在于，包括Lamb波，SH波等多种形式，其激励频率根据被测结构的频散特性合理选取；
[0019]进一步地，所述的多个超声导波传感器，其特征在于，用于激励和接收信号的传感器数量大于等于两个，但远小于螺栓总数，激励与接收传感器数量根据被测构件测尺寸和螺栓总数灵活选择；
[0020]进一步地，所述的时间反转技术，其特征在于，包括如下步骤：
[0021]S2
‑
1：激励传感器激发高斯脉冲信号δ(t)，导波信号从螺栓板一侧透过螺栓板连接区域传递到另外一侧的信号接收传感器。假设结构脉冲响应为h(t)，则接收到的信号为y(t)＝h(t)；
[0022]S2
‑
2：将接收到的信号y(t)在时域上0
‑
t0段做时间反转，反转后的信号y(t0‑
t)＝h(t0‑
t)作为输入信号重新发送到激励传感器；
[0023]S2
‑
3：从接收传感器获取重构信号提取t0时刻的重构信号值
[0024]进一步地，所述的BP神经网络输入，其特征在于，对于BP神经网络的输入，单个导波传播路径上的导波信号特征值在0到1(无损)之间。
[0025]进一步地，所述的BP神经网络输出，其特征在于，对于BP神经网络的输出，单个神经元节点的输出值在0(无损)到1之间，代表局部区域损伤程度。
[0026]进一步地，所述BP神经网络的训练数据集可通过有限元模型或通过实际采集到的信号获取，神经网络的超参数通过反复测试确定。
[0027]本专利技术所提出的方法所需传感器数量少，能够适用于复杂的螺栓连接结构，损伤程度检测可具体至独立的区域且检测准确度较高。本专利技术创造性的结合BP神经网络与时间反转技术，以不同导波传播路径上的损伤特征值作为判断依据，准确识别损伤位置，实现高
效率检测。
附图说明
[0028]通过结合以下附图所作的详细描述，本专利技术的上述优点将变得更清楚和更容易理解，这些附图只是示意性的，并不限制本专利技术，其中：
[0029]图1是本专利技术实施例中例举的一种螺栓连接结构的示意图；
[0030]图2是激励传感器A1激发的高斯脉冲信号图谱；
[0031]图3是接收传感器R1接收到的信号图谱；
[0032]图4是时间反转的R1接收到的信号图谱；
[0033]图5是接收传感器R1得到的重构信号图谱；
[0034]图6是BP神经网络结构图；
[0035]图7是本专利技术实施例的BP神经网络预测结果图；
[0036]图8是本专利技术实施例对螺栓群整体损伤程度的预测结果图。
具体实施方式
[0037]下面结合附图，对本专利技术一种结合时间反转技术和BP神经网络的螺栓松动检测方法进行详细说明。
[0038]在此记载的实施例为本专利技术的特定的具体实施方式，用于说明本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种结合时间反转技术和BP神经网络的螺栓松动检测方法，其特征在于，包括如下步骤：S1：在被测螺栓群附近布置相同数量的多个超声导波激励和接收传感器，采用单发单收的方式激励并接收超声导波；S2：无损状态下，将所有激励与接收传感器一一组合，每种组合代表不同的导波传播路径，采用时间反转技术获取特定激励与接收传感器之间的超声导波重构信号，提取重构信号在时域上的最大值；S3：损伤状态下，采用时间反转技术获取所有激励与接收传感器组合下的超声导波重构信号，计算损伤状态下重构信号最大值与对应传播路径上无损状态重构信号最大值的比值，作为该传播路径上导波信号的特征值；S4：将螺栓群划分成多个独立的区域，每个区域包含多个独立的螺栓；S5：搭建BP神经网络，单个样本的输入为损伤状态下所有传播路径上导波信号的特征值，输出节点数量为螺栓群划分区域的个数，输出节点的位置代表螺栓松动的区域，输出节点值的大小代表螺栓松动区域的损伤程度；S6：通过大量的数据训练并测试BP神经网络，从而准确识别螺栓松动的位置和局部螺栓松动程度；S7：对单个损伤情况下所有传播路径上导波信号的特征值取平均，通过大量损伤样本，建立与螺栓群整体松动程度的线性关系，实现螺栓群整体损伤程度的预测。2.根据权利要求1所述的一种结合时间反转技术和BP神经网络的螺栓松动检测方法，其特征在于，所述超声导波激励和接收传感器包括压电式和磁致伸缩式超声导波传感器。3.根据权利要求1所述的一种结合时间...

【专利技术属性】
技术研发人员：段元锋，隋晓东，唐志峰，
申请(专利权)人：浙江大学，
类型：发明
国别省市：