您當前的位置：檢測資訊 > 科研開發
嘉峪檢測網 2024-12-30 17:18
在工程結構領域，螺栓連接成為了鋼結構中一種主要的連接方式，它不但具有受力和抗振性能好、連接剛度高和耐疲勞等優點，而且拆換方便。
盡管如此，在現實工程應用場景下，由于振動、沖擊、變載荷和溫差等不穩定因素的影響，螺栓緊固件往往會發生松動或疲勞失效的問題。
鑒于螺栓松動不易被檢測到，并且一旦發生，可能會導致嚴重的安全事故和經濟損失，迫切需要對螺栓連接進行有效的監測。
在過去十年里，學者們已經開發出多種結構健康監測技術，專注于檢測螺栓松動這一關鍵問題。螺栓的松動行為可以分為兩個階段：第一階段為材料松動期，在此階段，由于材料的塑性變形導致螺栓的預緊力下降，螺栓與螺母之間并未發生相對轉動；第二階段為結構松動期，在此階段，螺栓與螺母之間的相對轉動導致預緊力明顯下降。
總而言之，當螺栓的預緊力未超過國家規定的擰緊扭矩標準時，螺栓處于緊固狀態；當螺栓處于材料松動期時，預緊力緩慢下降，表示螺栓處于早期松動狀態；在螺栓處于結構松動期時，預緊力快速下降，表示螺栓已進入中晚期松動狀態。
螺栓連接松動的監檢測技術
基于聲彈性效應、振動、導波和機電阻抗的各種方法，已逐漸應用于識別螺栓連接的松動狀態。
基于聲彈性效應的方法與基于振動、導波和機電阻抗的方法在評估螺栓松動時有所不同。基于聲彈性效應的方法可以準確測量螺栓預緊力，而基于振動、導波法以及機電阻抗的方法是通過獲取螺栓連接處的響應信號提取敏感的特征，分析敏感特征與預緊力的關系，進而評估螺栓的松動狀態。
進一步將基于振動、導波以及機電阻抗的方法與機器學習（ML）算法結合，可以更加精確地對螺栓松動進行監測。
圖1 監檢測方法與ML方法用于螺栓松動監檢測的結構框圖
基于聲彈性效應的方法
基于聲彈性效應的方法是利用超聲波傳感器進行螺栓預緊力的測量。當螺栓軸向應力發生變化時，會導致螺栓長度和超聲波傳播速度的變化，從而影響沿螺栓軸線的脈沖回波渡越時間。通過測量脈沖回波在無應力和有應力狀態下的渡越時間變化，可以準確計算出與預緊力成正比的螺栓軸向應力。
目前，利用超聲波測量預緊力的研究可分為單波法和雙波法兩類，取決于所使用的超聲波數量和類型。
1、單波法
單波法是一種僅使用一個橫波或縱波進行預緊力測量的方法，其中縱波因其對預緊力變化更為敏感而被廣泛采用。圖2展示了單波法的檢測原理，該方法能夠精確測量施加預緊力和無應力狀態下的渡越時間變化。
圖2 單波法檢測原理
當使用單波法對螺栓預緊力進行測量時，噪聲和耦合劑可能對渡越時間的測量造成影響，進而導致無法精確測量螺栓預緊力。
使用單波法對螺栓預緊力進行測量時，必須了解螺栓在無應力狀態下橫波和縱波的波速。
2、雙波法
雙波法是一種同時利用縱波和橫波對螺栓預緊力進行測量的方法，也被稱為L-S方法。雙波法又可分為速度比率法和模態轉換法。速度比率法是通過橫波和縱波的速度比值確定預緊力的變化情況。模態轉換法則利用模態轉換的原理測量預緊力變化。
速度比率法能夠消除單波法測量因素的影響。模態轉換法相比于速度比率法的優勢在于，能夠解決分別輸入橫波和縱波帶來的誤差影響。
聲彈性法具有高靈敏度的特點，但在評估螺栓松動時需要使用高精度的采樣和檢測設備來測量參數的變化。大多數情況下，該方法只能用于單個螺栓的檢測，無法同時檢測多個螺栓，對于工程結構中的多螺栓結構，則只能進行抽樣檢測。
基于振動的方法
振動技術是一種經典的技術，廣泛應用于設備狀態監測和故障診斷領域。在螺栓松動監測方面，基于振動的方法主要依賴于從振動數據中提取結構在螺栓松動前后的特征頻率變化、傳遞函數和功率譜等關鍵參數。通過分析這些參數的變化，可以對螺栓連接的狀態進行準確的分析和判斷。
大多數學者采用接觸式振動的方法來檢測螺栓的松動，也有學者采用非接觸式激光激勵的方式來檢測多螺栓的松動。
接觸式振動方法評估螺栓松動是基于結構的固有特性，但由于結構的固有頻率較高，激振器等設備難以激發結構的固有模態信息，因此常規的接觸式振動方法應用較少。
非接觸式振動激勵方法相較于接觸式振動方法具有高靈敏度的特點，但對實驗條件要求較高，目前主要用于實驗室環境中評估螺栓松動。如果要在工程結構中采用此方法，則需要適當的設備來激勵結構。
導波法
1、波能耗散方法
考慮到超聲導波透過螺栓連接界面的能量與界面接觸狀態之間的密切聯系，采用透射導波能量作為檢測螺栓松動的指標的方法受到了廣泛關注，這種方法通常被稱作波能耗散（WED）方法。
該方法的基本原理如圖3所示，方法的核心在于螺栓連接界面的接觸狀態直接影響導波的能量傳遞。因此，通過測量透過連接界面的導波能量的變化，可以有效評估螺栓的緊固狀態。當螺栓連接界面上的波能量發生耗散時，這種能量損失可以作為螺栓連接狀態的反映。表1總結了用于螺栓松動檢測的波能耗散方法。
圖3 波能耗散法檢測松動的基本原理
表1 基于波能耗散法的螺栓松動分類綜述
2、時間反轉方法
時間反轉（TR）理論揭示了一種現象：當一個結構中某點的輸出信號在時域中被反轉并重新傳輸回原激勵點時，可以實現輸入信號在激勵點的重建。
TR技術被應用于螺栓松動檢測的過程和原理如圖4所示。以單搭螺栓為例，首先在激勵點產生輸入脈沖信號，然后通過螺栓連接的機械系統傳播。接著，在記錄點處獲取響應信號，并對其進行時域反轉處理。最后，將這一反轉信號重新傳輸回激勵點，并在激勵點處獲取并重構原始信號。
圖4 時間反轉法檢測松動的基本原理
研究表明，時間反轉技術被運用于信號處理之中，通過反轉信號的傳播路徑和時間延遲，可以實現對螺栓松動狀態的有效監測。但是，時間反轉法在每次檢測時需要對信號在時域上進行反轉，這一過程較為復雜。
為此，研究人員對時間反轉法進行了修改，提出了虛擬時間反轉（VTR）方法用于松動檢測。在虛擬時間反轉法中，僅在健康狀態下對響應信號執行一次時間反轉。虛擬時間反轉法檢測螺栓松動的過程如圖5所示。
圖5 虛擬時間法螺栓松動檢測過程
在健康狀態下，產生在激勵點的輸入脈沖信號被施加到螺栓連接結構上。接收點處的傳感器收集響應信號，隨后在時間域中反轉響應信號。在健康狀態下獲得的反轉信號被記錄為參考重發射信號（RRS）。在激勵點處的參考重發射信號將被輸入到具有不同松動狀態的相同結構中。最后，可以使用重建信號的幅值來表示松動狀態。
除此之外，Xu等采用改進的時間反轉（MTR）方法，也可被稱為VTR方法，用于檢測和定位多螺栓連接結構中松動的螺栓。該技術利用健康狀態下的標準重發射信號（SRS）來檢測螺栓連接中的松動情況，提取聚焦信號的相位偏移和峰值幅度，并定義基于相位移和峰值幅度的緊密度指標，以區分螺栓松動程度。
研究證明了MTR方法相對于WED和TR方法的有效性，且該方法具有更高的敏感性。然而上述研究都考慮了螺栓搭接結構，而在現實中L形螺栓連接更為普遍。為此， Du等使用虛擬時間反轉方法來監測L型螺栓連接中單螺栓和多螺栓連接結構的螺栓松動。該方法涉及在完全緊固的狀態下從螺栓結構中提取參考重發射信號，然后將其用作處于松動狀態的結構的激發信號。
采用Xu等定義的基于峰值振幅的松緊度指數TIA來觀察連接處的健康狀況。TIA和螺栓預緊力之間的關系是線性的，與時間反轉法相比，檢測靈敏度得到了顯著的提高，尤其是在螺栓松動的早期階段。
在上述研究的基礎上，Du等提出了一種基于虛擬時間反轉和密封指數的導波方法。通過定義兩個緊密度指標來提高檢測靈敏度：1) 基于重聚焦波包和整個最終接收波信號的能量，表示為TIE；2) 基于輸入信號和聚焦信號之間的形狀變化，表示為TIL2。對于單螺栓和多螺栓裝配體，TIE的檢測能力都優于TIL2。表2總結了用于螺栓松動檢測的時間反轉技術。
表2 螺栓連接松動檢測的時間反轉技術綜述
3、振動聲調制方法
振動聲調制（VAM）方法利用接觸聲學的非線性效應，解決了檢測螺栓松動時飽和效應的挑戰。圖6詳細介紹了基于振動聲調制方法的松動檢測過程和原理。以單螺栓連接為例，產生兩個激勵信號并輸入到結構中：一個是低頻正弦振動（泵浦振動），另一個是高頻超聲波（探測波）。
圖6 基于振動聲調制方法的松動檢測流程及原理
在連接界面的微觀尺度上，許多凹凸體形成了粗糙的結構。隨著接觸壓力的增加，界面的實際接觸面積也增加。低頻正弦振動和高頻探測波穿過連接界面時，低頻泵送振動會引起界面的”呼吸“效應，即”不完整“的連接界面會產生”閉合“和”打開“的運動，從而調制高頻探測波的傳播特性。
同時，傳感器（通常為壓電陶瓷傳感器）捕獲非線性響應信號。通過快速傅里葉變換處理響應信號，可以獲得響應譜，從而揭示兩個非線性特征，即LS和RS。預緊力降低導致實際接觸面積減小，接觸非線性增加，因此LS和RS的振幅相應增加。因此，LS和RS的振幅可用于指示螺栓松動的程度。LS和RS的變化趨勢可以有效地用于評估螺栓松動程度，為實時監測和預防性維護提供了可靠的方法。
利用VAM的方法對螺栓松動進行預測可以分為3個步驟：
1) 將產生的高頻探測波和低頻泵激振動輸入到螺栓連接的結構中；
2) 從采集的調制響應信號中提取敏感的松動特征；
3) 建立松動特征與預加載/擰緊扭矩之間的關系，以實現螺栓連接結構的松動檢測。
第1步中，由于實驗環境不同，實驗人員所采用的正弦信號頻率也有所不同。
第2步中，調制響應信號通常由壓電陶瓷、加速度計和聲發射傳感器收集，第2步的難點在于從信號中提取敏感的松動特征。
第3步中，建立松動指標和扭矩之間的關系是一個難點。大多數學者直接繪制了松動指標與擰緊力矩之間的關系曲線或直方圖，以實現松動檢測，如圖7所示。還有一些學者則將松動特征輸入到分類器中，例如隨機森林分類器和人工神經網絡，通過對分類器進行訓練來實現松動檢測。
圖7 松動特征與扭矩的關系
綜上所述，導波法在評估螺栓松動時具有較高的靈敏度，但對螺栓早期松動的評估不夠敏感。時間反轉法和振動聲調制方法都需要使用健康結構的信號作為參考信號，將螺栓松動時的信號與參考信號進行對比，以檢測螺栓預緊力的變化。表3總結了用于螺栓松動監測的VAM技術。
表3 基于VAM的螺栓松動分類綜述
機電阻抗法
機電阻抗（EMI）法的基本概念是利用高頻振動監測結構的局部區域，以了解結構阻抗的變化，從而指示松動甚至早期松動。這可以通過使用與結構的機械阻抗直接相關的壓電傳感器/致動器來實現。阻抗測量能夠提供有關變化參數的信息。當螺栓連接結構發生松動時, 機械阻抗會發生變化。
基于EMI的螺栓松動檢測方法是將壓電陶瓷貼片結合在螺栓連接結構上，并利用壓電材料的機電耦合特性。壓電陶瓷的電阻抗與螺栓連接結構的機械阻抗直接相關。通過使用阻抗分析儀測量電阻抗并將其與參考值進行比較，可以確定螺栓松動。圖8展示了基于EMI的松動檢測過程。
圖8 基于機電阻抗的松動檢測過程
利用EMI實現螺栓松動檢測的步驟與其他檢測方法的步驟相似，具體可以總結為以下3點：
1) 將壓電陶瓷貼片粘貼到螺栓連接結構，并將高頻掃描信號輸入到壓電陶瓷貼片中；
2) 利用阻抗分析儀得到阻抗信號并進行分析，確定損傷敏感地帶和松動特征；
3) 建立松動特征和預緊力的關系，實現松動檢測。
在第1步中，研究人員開發了不同的壓電陶瓷貼片與螺栓連接結構粘貼的方式。
在第2步中，關鍵技術問題是確定損傷敏感地帶和松動特征。目前，用于表征螺栓松動的各種損傷指標包括互相關系數（CC）、平均絕對百分比偏差（MAPD）、均方根偏差（RMSD）、互相關偏差（CCD）和峰值頻移。實驗結果表明，RMSD和CCD能夠有效地反映螺栓松動程度。RMSD對阻抗信號的振幅變化（即垂直位移）和頻率變化（即水平位移）敏感。而CCD則只對阻抗信號的頻率變化（即水平位移）敏感。
然而，用于檢測松動的EMI容易受到溫度等環境因素的影響。近年來，隨著神經網絡的興起，學者將神經網絡引入到EMI，對傳統EMI進行了改進。
總之，機電阻抗法用于檢測螺栓松動時，需要設置傳感器陣列，這導致成本較高。為了降低成本，已有研究人員針對不同的螺栓結構設計了便攜式檢測設備，但這方面的研究較少。表4對用于螺栓松動檢測的EMI技術進行了總結。
表4 機電阻抗技術在螺栓松動檢測中的應用概述
信號分析方法
要對螺栓松動進行檢測，關鍵在于將螺栓連接結構的信號與螺栓預緊力相關聯，因此合適的信號分析方法必不可少。近年來，機器學習（ML）在損傷檢測中的應用顯著增加，包括神經網絡和支持向量機等算法，這些算法逐步應用到了螺栓松動檢測領域。結合基于振動的方法、導波法和壓電阻抗法，提取能夠反映螺栓松動的參數，利用機器學習方法對螺栓松動進行識別和量化。
1、人工神經網絡
神經網絡，也稱為人工神經網絡（ANN），是目前比較流行的ML算法之一，包括反向傳播神經網絡和前饋神經網絡等變體。典型的ANN至少包括3層：輸入層、隱藏層和輸出層，具體如圖9(a)所示。
圖9 ANN的圖形表示
ANN根據訓練時傳播途徑的不同，可分為反向傳播和前向傳播。在反向傳播過程中，ANN模型調整其所有節點的權重以最小化誤差，直到滿足收斂條件，這種ANN被稱為反向傳播神經網絡（BPNN）。此外，在前向傳播過程中，隱藏層節點考慮來自前面節點的加權和。隱藏層節點的輸出，即下一層節點的輸入，是使用激活函數計算的，輸出層節點將最終的加權總和進行模型預測，然后使用損失函數比較預測值和實際值。在ANN訓練完成后，測試數據再通過ANN進行預測。這些類型的ANN被稱為前饋神經網絡。
大多數ANN的預測具有未知的置信度，即無法確保預測的可信度，從而導致潛在的風險。貝葉斯統計可以通過將概率視為事件發生程度的度量來考慮ANN的不確定性。概率神經網絡（PNN）是一種基于貝葉斯分類規則的前饋神經網絡，其使用Parzen窗概率密度進行預測。PNN的結構包括4個層次：輸入層、模式層、求和層和輸出層，如圖10所示。
圖10 PNN的層次模型
表5總結了利用BPNN和PNN對螺栓連接松動程度進行檢測的分類綜述。
表5 基于BPNN和PNN的螺栓松動分類綜述
卷積神經網絡（CNN）是一種前饋神經網絡，其架構分為3層：卷積層、池化層和全連接層，如圖11所示。
圖11 卷積神經網絡示意圖
Zhang等使用相位運動估計方法結合CNN技術來檢測螺栓松動。通過預處理（包括圖像縮放和標準化）將時頻圖像輸入CNN進行訓練，以識別螺栓連接結構中的螺栓松動位置和松動狀態。這種方法解決了CNN在訓練數據不足方面的問題，對于CNN在結構損傷識別中的應用具有重要意義。
近年來，研究人員開始改進CNN的結構以提高其準確性。表6介紹了文獻中用于檢測螺栓連接結構松動的各種CNN模型。
表6 用于監測螺栓連接的CNN及其變體概述
目前，一些研究人員將基于視覺的方法與神經網絡相結合，實現對螺栓松動狀態的識別。因為大多數建筑結構采用螺栓進行固定，其中一些位于人跡罕至的環境中。由于定期檢查這些螺栓連接結構既困難又昂貴，因此，研究人員基于視覺的方法結合神經網絡等技術對其進行遠程松動監測。 表7總結了螺栓連接自主監測的ML算法。
表7 自動監測螺栓連接的ML算法綜述
2、支持向量機
支持向量機（SVM）是一種應用統計學習解決分類問題的ML算法。非線性映射函數可被應用于線性SVM以解決非線性問題。用于線性和非線性分類的SVM在圖12中進行了示意。
圖12 支持向量機的類型
將神經網絡與檢測方法結合，通過神經網絡可以選擇復雜信號中與預緊力相關的特征參數，以此提高螺栓松動檢測的準確率。目前大多數研究都集中在單個螺栓結構上，對于多螺栓結構的研究相對較少。表8總結了用于螺栓松動檢測的各種SVM方法。
表8 螺栓松動檢測的SVM方法綜述
結論和展望
基于聲彈性效應的方法具有靈敏度高的優點，但評估螺栓松動時需用高精度設備測量參數變化。而且此方法多用于單個螺栓檢測，無法同時檢測多個螺栓，對多螺栓結構只能抽樣檢測；基于振動的方法主要通過分析振動數據中的特征頻率、傳遞函數和功率譜等變化來評估螺栓連接狀態，但對局部松動敏感度低，常規的激振設備（如激振器或振動篩）很難有效地激發結構的某些固有模態信息；基于導波的方法能有效提高螺栓預緊力的檢測靈敏度，但在螺栓松動的早期階段，這些方法的靈敏度仍有待提高；基于機電阻抗的監測和辨識方法通過利用PZT激勵結構和感知阻抗信息，能夠有效區分結構連接狀態改變所引起的高頻段阻抗譜的變化。
然而，在實際應用中，需要布置傳感器信號采集陣列，由于成本較高，難以推廣使用；將機器學習的信號處理方法和現有螺栓松動監檢測方法相結合，進一步提高了螺栓松動的檢測精度，但是多數是對單螺栓結構進行監測，而對多螺栓松動的監測研究較少。
通過對現有技術的總結，螺栓松動監檢測技術在未來的發展中應注意以下幾點：
1、基于聲彈性效應的方法在未來的研究中應致力于開發能夠同時檢測多個螺栓的高精度設備，以提高多螺栓結構檢測的效率和可靠性；
2、基于振動的方法面臨缺乏合適設備來激勵結構固有模態信息的問題。因此，改進激振設備和方法，使其能夠有效激發結構的固有模態信息，將是提升檢測精度的關鍵；
3、基于導波的方法對螺栓早期松動不敏感，未來的研究應集中于增強導波技術在早期松動檢測中的應用效果，確保其在實際工程中的可行性和可靠性；
4、針對機電阻抗技術，未來研究應著重于降低設備成本，同時保持高檢測精度，使該技術更具實用性和經濟性；
5、機器學習算法結合傳統方法能夠更加精準地識別螺栓松動，但是大多數方法是對單螺栓結構進行監測，未來的研究應擴大至多螺栓結構的監測，以滿足復雜工程結構的需求。
作者：龔搖裕1,2，唐國良2，王孝然3，劉增華3
工作單位：北京工業大學 1.材料科學與工程學院；2.機械與能源工程學院；3.信息科學技術學院
來源：北京工業大學學報
轉自：智能緊固件及緊固工具
來源：Internet
