一种钢结构螺栓松动识别方法与流程

1.本发明属于螺栓松动检测技术领域，具体涉及一种钢结构螺栓松动识别方法。


背景技术：

2.随着土木工程结构的超大化和复杂化，人们对其安全性、耐久性及正常使用功能日益关注，大型复杂结构的实时健康监测和损伤识别也越来越引起研究者的重视。
3.作为人类社会的重要生命线工程，钢结构一旦发生损坏或者倒塌都会带来非常严重的经济损失，甚至威胁到人身安全。钢结构一般是采用螺栓连接的钢结构，在风和空气的长期作用下有可能会导致螺栓松动甚至脱落，若不及时检测，后果不堪设想，因此钢结构的损伤识别非常重要。在螺栓损伤识别中，目前应用较多的“复拧法”等传统方法的发展具有相当大的局限性，这是因为传统方法技术含量较低、施工难度过大、操作成本过高。


技术实现要素：

4.本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种钢结构螺栓松动识别方法，其方法步骤简单，设计合理，实现方便，能够有效应用在钢结构螺栓松动识别中，识别效率和精度高，能够有效减少由螺栓松动引起故障导致经济损失，效果显著，便于推广。
5.为解决上述技术问题，本发明采用的技术方案是：一种钢结构螺栓松动识别方法，包括以下步骤：
6.步骤一、采用加速度传感器采集钢结构螺栓连接构件的振动信号；
7.步骤二、对所述振动信号进行时域和频域分析，提取特征参数；
8.步骤三、对所述特征参数进行参数优化；
9.步骤四、根据优化的参数建立加速度传感器的模糊软集样本；
10.步骤五、对所述模糊软集样本进行聚类分析，实现螺栓的松动识别。
11.上述的一种钢结构螺栓松动识别方法，步骤一中所述采用加速度传感器采集钢结构螺栓连接构件的振动信号的具体过程包括：在所述钢结构螺栓连接构件的每个螺栓连接处均安装加速度传感器，且对每个加速度传感器进行编号；所述加速度传感器对螺栓连接构件螺栓连接处的振动信号进行周期性采样。
12.上述的一种钢结构螺栓松动识别方法，步骤二中所述对振动信号进行时域和频域分析，提取特征参数的具体过程包括：对所述加速度传感器采集到的振动信号进行特征参数的初步提取，选择方差f1、均方值f2、均方根值f3、偏度f4、峭度f5、波形指标f6、裕度指标f7、脉冲指标f8、峰值指标f9、峭度指标f10、均方频率f11、频率中心f12、均方根频率f13和频率标准差f14作为钢结构螺栓连接构件的损伤特征参数，所述方差f1、均方值f2、均方根值f3、偏度f4、峭度f5、波形指标f6、裕度指标f7、脉冲指标f8、峰值指标f9和峭度指标f10为时域参数，所述均方频率f11、频率中心f12、均方根频率f13和频率标准差f14为频域参数。
13.上述的一种钢结构螺栓松动识别方法，步骤三中所述对特征参数进行参数优化包
括采用pca算法对初步提取的钢结构螺栓连接构件的损伤特征参数进行降维处理，其具体过程包括：
14.步骤301、建立所述加速度传感器采集到振动信号的损伤特征参数的数据矩阵x；
[0015][0016]
其中，i为加速度传感器的采样次数，j为加速度传感器每次采样获取的损伤特征参数的数量，j＝14；
[0017]
步骤302、将数据矩阵x进行中心标准化，得到数据矩阵y；所述数据矩阵y中各个元素标准化过程为：
[0018][0019]
其中，y
lm
为数据矩阵y中第l行第m列的元素，为数据矩阵x中第j个损伤特征参数的第i次采样数据，为第j个损伤特征参数多次采样的均值，为第j个损伤特征参数多次采样的标准差；
[0020]
步骤303、计算数据矩阵y的协方差矩阵r；
[0021][0022]
其中，n为数据矩阵y中的样本数；
[0023]
步骤304、对协方差矩阵r进行奇异值分解；
[0024]
r＝usu
t
[0025]
其中，u为正交矩阵，uu
t
＝i,i为单位矩阵，s为特征值矩阵；
[0026]
步骤305、采用方差贡献法选取贡献率大于85％以上的主成分，得到消减后的a个特征参数。
[0027]
上述的一种钢结构螺栓松动识别方法，步骤四中所述对优化的参数建立模糊软集样本的具体过程包括：
[0028]
步骤401、建立征兆与隶属度之间的关系，采用高斯隶属度函数对步骤305中得到数据进行模糊化处理，得到模糊软子集g(a,i)，其中，a为降维处理处理后的特征参数的个数，i为加速度传感器的采样次数；
[0029]
步骤402、建立多个传感器的模糊软集样本{g1,g2,...,gn}，其中，n为传感器的数量。
[0030]
上述的一种钢结构螺栓松动识别方法，步骤五中所述对模糊软集样本进行聚类分析，实现螺栓的松动识别的具体过程包括：
[0031]
步骤501、计算模糊软集样本中相邻样本间的夹角余弦cs(g
(n-1)
,gn)；
[0032][0033]
其中，e
p
为a个特征参数中的第p个参数，xq为第i次采样中，第q次采样对应的第p个参数；
[0034]
步骤502、计算模糊软集样本中所有相邻样本间的夹角余弦的平均值，作为余弦阈值；
[0035]
步骤503、计算夹角余弦小于余弦阈值的个数，作为样本间的聚集度；小于余弦阈值的所有点即为同一类簇；
[0036]
步骤504、计算类簇内的各点间的夹角和，并取平均值，该值越小，则簇内越紧密；
[0037]
步骤505、通过比较聚集度来确定类簇间相似度；
[0038]
步骤506、计算聚集角度参数，选取最大值作为第一个初始聚类中心，并将该聚类中心点移除；
[0039]
步骤507、计算剩余各点到该聚类中心的夹角余弦，当夹角余弦小于余弦阈值，则将该点移出模糊软集样本；
[0040]
步骤508、重复步骤504和步骤505，当模糊软集样本为空时，得到最优聚类数k和第一个初始聚类中心点；
[0041]
步骤509、对每一个样本,计算与第一个初始聚类中心点的距离，选择距离最远的点作为第二个初始聚类中心点；
[0042]
步骤5010、选择距离前两个点距离最大的点作为第三个初始类簇的中心点,直至选出k个初始聚类中心点；
[0043]
步骤5011、计算类内最小相似度s
min
和类平均距离
[0044]
步骤5012、计算准则函数j，
[0045][0046]
当准则函数j收敛，确定聚类模型；当准则函数j不收敛，更新聚类中心，直至准则函数j收敛；
[0047]
步骤5013、根据聚类模型，通过计算样本与模型中不同类别聚类中心点的距离确定样本所属类别，实现螺栓的松动识别。
[0048]
本发明与现有技术相比具有以下优点：
[0049]
1、本发明方法步骤简单，设计合理，实现方便。
[0050]
2、本发明采用加速度传感器采集钢结构螺栓连接构件的振动信号，能够对螺栓状态进行实时健康监测，提高安全性。
[0051]
3、本发明提取螺栓连接构件振动信号的时域、频域损伤特征参数，并采用pca算法对损伤特征参数进行优化和选择，实现参数降维，提取贡献度高的参数，提高数据处理效率。
[0052]
4、本发明采用聚类算法进行螺栓的松动识别，本发明的聚类算法对模糊软集样本中的每一个数据点进行聚集度及其所属类的角度分析，筛选出符合条件的数据点作为初始聚类中心，符合条件的数据点的个数即为k值，能够确定最优的初始聚类中心及聚类个数，
避免了聚类结果的不确定性。
[0053]
5、本发明能够有效应用在钢结构螺栓松动识别中，识别效率和精度高，能够有效减少由螺栓松动引起故障导致经济损失，效果显著，便于推广。
[0054]
综上所述，本发明方法步骤简单，设计合理，实现方便，能够有效应用在钢结构螺栓松动识别中，识别效率和精度高，能够有效减少由螺栓松动引起故障导致经济损失，效果显著，便于推广。
[0055]
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
[0056]
图1为本发明的方法流程图；
[0057]
图2为本发明试验中采集到的原始时域信号曲线图；
[0058]
图3为本发明试验中振动信号的小波包能量图。
具体实施方式
[0059]
如图1所示，本发明的钢结构螺栓松动识别方法，包括以下步骤：
[0060]
步骤一、采用加速度传感器采集钢结构螺栓连接构件的振动信号；
[0061]
步骤二、对所述振动信号进行时域和频域分析，提取特征参数；
[0062]
步骤三、对所述特征参数进行参数优化；
[0063]
步骤四、根据优化的参数建立加速度传感器的模糊软集样本；
[0064]
步骤五、对所述模糊软集样本进行聚类分析，实现螺栓的松动识别。
[0065]
本实施例中，步骤一中所述采用加速度传感器采集钢结构螺栓连接构件的振动信号的具体过程包括：在所述钢结构螺栓连接构件的每个螺栓连接处均安装加速度传感器，且对每个加速度传感器进行编号；所述加速度传感器对螺栓连接构件螺栓连接处的振动信号进行周期性采样。
[0066]
具体实施时，通过对每个加速度传感器进行编号，能够在对螺栓进行松动识别后进行快速定位。
[0067]
本实施例中，步骤二中所述对振动信号进行时域和频域分析，提取特征参数的具体过程包括：对所述加速度传感器采集到的振动信号进行特征参数的初步提取，选择方差f1、均方值f2、均方根值f3、偏度f4、峭度f5、波形指标f6、裕度指标f7、脉冲指标f8、峰值指标f9、峭度指标f10、均方频率f11、频率中心f12、均方根频率f13和频率标准差f14作为钢结构螺栓连接构件的损伤特征参数，所述方差f1、均方值f2、均方根值f3、偏度f4、峭度f5、波形指标f6、裕度指标f7、脉冲指标f8、峰值指标f9和峭度指标f10为时域参数，所述均方频率f11、频率中心f12、均方根频率f13和频率标准差f14为频域参数。
[0068]
本实施例中，步骤三中所述对特征参数进行参数优化包括采用pca算法对初步提取的钢结构螺栓连接构件的损伤特征参数进行降维处理，其具体过程包括：
[0069]
步骤301、建立所述加速度传感器采集到振动信号的损伤特征参数的数据矩阵x；
[0070][0071]
其中，i为加速度传感器的采样次数，j为加速度传感器每次采样获取的损伤特征参数的数量，j＝14；
[0072]
步骤302、将数据矩阵x进行中心标准化，得到数据矩阵y；所述数据矩阵y中各个元素标准化过程为：
[0073][0074]
其中，y
lm
为数据矩阵y中第l行第m列的元素，为数据矩阵x中第j个损伤特征参数的第i次采样数据，为第j个损伤特征参数多次采样的均值，为第j个损伤特征参数多次采样的标准差；
[0075]
步骤303、计算数据矩阵y的协方差矩阵r；
[0076][0077]
其中，n为数据矩阵y中的样本数；
[0078]
步骤304、对协方差矩阵r进行奇异值分解；
[0079]
r＝usu
t
[0080]
其中，u为正交矩阵，uu
t
＝i,i为单位矩阵，s为特征值矩阵；
[0081]
步骤305、采用方差贡献法选取贡献率大于85％以上的主成分，得到消减后的a个特征参数。
[0082]
本实施例中，步骤四中所述对优化的参数建立模糊软集样本的具体过程包括：
[0083]
步骤401、建立征兆与隶属度之间的关系，采用高斯隶属度函数对步骤305中得到数据进行模糊化处理，得到模糊软子集g(a,i)，其中，a为降维处理处理后的特征参数的个数，i为加速度传感器的采样次数；
[0084]
步骤402、建立多个传感器的模糊软集样本{g1,g2,...,gn}，其中，n为传感器的数量。
[0085]
本实施例中，步骤五中所述对模糊软集样本进行聚类分析，实现螺栓的松动识别的具体过程包括：
[0086]
步骤501、计算模糊软集样本中相邻样本间的夹角余弦cs(g
(n-1)
,gn)；
[0087][0088]
其中，e
p
为a个特征参数中的第p个参数，xq为第i次采样中，第q次采样对应的第p个参数；
[0089]
步骤502、计算模糊软集样本中所有相邻样本间的夹角余弦的平均值，作为余弦阈值；
[0090]
步骤503、计算夹角余弦小于余弦阈值的个数，作为样本间的聚集度；小于余弦阈值的所有点即为同一类簇；
[0091]
步骤504、计算类簇内的各点间的夹角和，并取平均值，该值越小，则簇内越紧密；
[0092]
步骤505、通过比较聚集度来确定类簇间相似度；
[0093]
步骤506、计算聚集角度参数，选取最大值作为第一个初始聚类中心，并将该聚类中心点移除；
[0094]
步骤507、计算剩余各点到该聚类中心的夹角余弦，当夹角余弦小于余弦阈值，则将该点移出模糊软集样本；
[0095]
步骤508、重复步骤504和步骤505，当模糊软集样本为空时，得到最优聚类数k和第一个初始聚类中心点；
[0096]
步骤509、对每一个样本,计算与第一个初始聚类中心点的距离，选择距离最远的点作为第二个初始聚类中心点；
[0097]
步骤5010、选择距离前两个点距离最大的点作为第三个初始类簇的中心点,直至选出k个初始聚类中心点；
[0098]
步骤5011、计算类内最小相似度s
min
和类平均距离
[0099]
步骤5012、计算准则函数j，
[0100][0101]
当准则函数j收敛，确定聚类模型；当准则函数j不收敛，更新聚类中心，直至准则函数j收敛；
[0102]
步骤5013、根据聚类模型，通过计算样本与模型中不同类别聚类中心点的距离确定样本所属类别，实现螺栓的松动识别。
[0103]
针对传统的k-means算法初始聚类中心和k值选择问题，本方法提出了一种基于聚集角度参数的改进k-means算法，对给定数据集中的每一个数据点进行聚集度及其所属类的角度分析，筛选出符合条件的数据点作为初始聚类中心，符合条件的数据点的个数即为k值，能够确定最优的初始聚类中心及聚类个数，从而避免了聚类结果的不确定性。针对传统的k-means算法准则函数的缺陷结合模糊软集的相似度检测，本方法提出了新的指标，该指标由类之间的距离和类内的相似度决定。
[0104]
为了验证本发明方法的有效性，进行了试验验证。
[0105]
本试验采用两根钢条，且两根钢条通过两个螺栓连接，作为钢结构螺栓连接构件，两个螺栓连接采用10.9级m6型号的圆柱头六角螺栓，分别用b1和b2表示，螺栓直径为6mm，其拧紧扭矩为15n*m，认为当扭矩达到此值时，构件连接处于无损伤状态，当扭矩低至6n*m时，认为到达螺栓松动状态，每个螺栓处均安装加速度传感器。
[0106]
本试验采用表1所示螺栓的四种扭矩组合(四种工况)进行冲击响应试验。
[0107]
表1各工况对应扭矩值组合
[0108][0109]
每次试验的测量时长为60s，采样频率设置为10khz，锤击15次，每次敲击之间留有一定时间使试件振动衰减，对加速度传感器采集的振动信号进行时域、频域特征提取，采集到的原始时域信号曲线图如图2所示，振动信号的小波包能量图如图3所示。
[0110]
从图2和图3中可以看出，每种工况对应的小波包能量值随着螺栓松动状态加深而增长，而这种增长不是单调的(例如，情况2和3的能量几乎相同)，因此信号能量不能作为损伤指标，特别是对于多螺栓松动检测。因此，在得到原始时域信号后，经过小波包去噪，提取时域指标和频域指标，每种工况采集30个样本，时域指标和频域指标如表2～表5所示(列举2个样本)。
[0111]
表2四种工况下传感器a时域指标
[0112][0113]
表3四种工况下传感器a频域指标
[0114]
样本均方频率频率中心均方根频率频率标准差10.07091000.7211298.129220.166010.07141001.0471298.505220.984020.09051000.3961270.385235.543420.09111000.7441270.471236.252330.1128999.9541257.863256.300530.11611000.4651256.720259.156240.1293993.15801216.760252.733340.1304992.15281216.138253.9219
[0115]
表4四种工况下传感器b时域指标
[0116][0117]
表5四种工况下传感器b频域指标
[0118]
样本均方频率频率中心均方根频率频率标准差10.0688996.73131267.886205.742210.0691996.18581267.759206.052820.0879999.72131248.859221.947820.0883999.81081249.690222.764730.10371001.77611242.303236.625130.10451001.54621242.678237.783740.1288998.53331225.726255.153540.1304997.901225.332256.7741
[0119]
得到每个传感器的时域和频域指标后，为了减少数据集的维度，然后选择具有数据代表性的特征参数，消除噪声数据的冗余。采用pca算法对初步提取的钢结构螺栓连接构件的损伤特征参数进行降维处理，降维过程的数据如表6～表9所示。
[0120]
表6四种工况下传感器a总方差解释
[0121][0122]
表7四种工况下传感器b总方差解释
[0123][0124]
总方差解释反映了各个主成分的贡献率及累计贡献率，第三列表示贡献率，第四列表示累计贡献率，可以看到，传感器a提取前5个主成分，累计贡献率就可以达到85％以上，即这5个主成分集中了14个原始变量的87％的信息；同理，传感器b提取前4个主成分即可。
[0125]
表8四种工况下传感器a成分矩阵
[0126][0127]
表9四种工况下传感器b成分矩阵
[0128][0129]
成分矩阵反映了提取的多个主成分与原始变量的相关性，从表8可以得出以下结论：主成分1跟原始变量f6的相关性较强；主成分2跟原始变量f1的相关性较强；主成分3跟原始变量f11的相关性较强；主成分4跟原始变量f10的相关性较强；主成分5跟原始变量f5的相关性较强。每列选择相关性最强的一个指标，得到pca算法降维后传感器a时域和频域，如表10所示；同理，得到pca算法降维后传感器b时域和频域指标，如表11所示。
[0130]
表10 pca降维后四种工况下传感器a时频域指标
[0131]
样本方差峭度波形指标峭度指标均方频率15.55779.798752.79.77950.070915.73889.210672.3579.19260.071426.391813.60335.06413.57620.090526.442813.42145.01313.39440.091139.069510.80526.08810.78360.112839.303110.45734.4910.43690.116148.66437.30215.15247.28780.129348.86816.97964.56926.9660.1304
[0132]
表11 pca降维后四种工况下传感器b时频域指标
[0133]
样本均方值波形峰值频率中心11.8885-10.30616.6621000.72111.8976-9.350616.1661001.04722.0858-20.77229.3751000.39622.1081-23.10827.0661000.74432.3737-252.4125.985999.95432.4126-110.7825.11000.465
42.850112.66811.602993.15842.882110.69311.061992.1528
[0134]
另外，试验选择初始聚类中心的传统k-means聚类算法、fss-k-means聚类算法和本发明聚类算法进行了对比测试，三种算法在螺栓松动数据集上的试验结果如表12～表14所示。
[0135]
表12传统k-means聚类算法识别结果
[0136][0137]
表13 fss-k-means聚类算法识别结果
[0138][0139]
表14本发明聚类算法识别结果
[0140][0141]
本发明的聚类算法能够在消除对初始聚类中心敏感性的同时，进一步提高聚类结果的准率。例如螺栓松动数据集一共有120个样本，分成4类，每条数据对象有14个属性，用随机选取初始中心算法试验10次，最高准确率达92.50％，最低仅为81.33％；fss-k-means聚类算法准确率为95.83％，而本发明方法在保证计算结果稳定的同时，削减了参数的个数，并得到了更高的准确率，为97.50％。
[0142]
以上所述，仅是本发明的较佳实施例，并非对本发明作任何限制，凡是根据本发明
技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化，均仍属于本发明技术方案的保护范围内。