基于压电阻抗和卷积神经网络的螺栓球节点健康监测

时间：2024-07-29

姜世宇,徐菁,任师训,张端

(青岛理工大学土木工程学院,青岛 266525)

螺栓球节点是空间结构最常见的节点连接形式,具有构造简单、安装速度快、施工周期短等优点,被广泛应用于体育馆、会展中心、航站楼等重要的标志性建筑。然而,设计过程中的计算模型假定,安装过程中螺栓假拧和拧入深度不足、螺钉丢失,以及风荷载、材料老化等综合因素的影响,不可避免地导致螺栓球节点在长期的使用过程中出现连接松动。一旦节点发生松动,相连杆件就会部分丧失承载能力,如果不能及时发现并弥补,将会导致结构损坏,甚至倒塌[1]。因此对螺栓球节点健康进行监测,实时准确发现节点的松动,对于避免空间结构发生安全事故具有重要意义。

基于压电阻抗的健康监测技术是利用压电陶瓷传感器(PZT)的自感知能力,将PZT粘贴于结构外表面,根据PZT的阻抗变化,确定结构的健康状态[2]。相比于传统检测技术,它尤其适合于对微小损伤进行无损、实时、在线监测。目前压电阻抗传感技术已被成功应用于管道结构[3-4]、桥梁工程[5-7]、钢筋混凝土结构[8-10]等领域。张政等将压电陶瓷传感器粘贴在焊缝结构表面,用阻抗仪测量阻抗信息,实现了对焊缝结构损伤的监测和定位[11];梁亚斌使用阻抗分析法成功监测了斜拉桥销铰结构销钉的负载状态以及型钢混凝土组合梁的滑移[12];孙威等针对混凝土结构裂缝损伤,将压电陶瓷传感器以智能骨料的形式埋置在混凝土构件内部,实现了对混凝土结构服役期间的裂缝损伤监测[13]。

由于空间结构螺栓球节点连接螺栓位于节点内部,因此螺栓松动具有一定的隐蔽性且微小难以察觉的问题,本文提出基于压电阻抗和卷积神经网络(CNN)的螺栓球节点健康监测方法。在杆件近球节点一侧的外表面粘贴PZT,通过监测PZT的电导信号(阻抗的倒数)变化,识别节点内部螺栓松动的发生;利用CNN具有鲁棒性、容错性和准确性的特点,对电导信号进行处理,进一步确定螺栓球节点的松动程度。该方法具有较高的敏感性和较强的鲁棒性,以期为空间结构的安全运营提供一定的保障。

1 基于压电阻抗和卷积神经网络的监测方法基本原理

1.1 螺栓球节点连接构造

图1(a)为螺栓球节点的组成示意。螺栓球节点的安装是通过不断旋拧套筒,实现高强螺栓与螺栓球之间的连接。随着高强螺栓逐渐被拧入螺栓球,在杆件与套筒的接触面和套筒与螺栓球的接触面之间建立了一定的法向挤压力,节点连接刚度逐渐增大,最终实现螺栓球和杆件之间的连接。由图1(b)可知,节点组装完成后高强螺栓完全隐藏在内部,因此,螺栓连接的松紧程度较难被监测。

图1 螺栓球节点示意

1.2 压电阻抗基本原理

利用压电阻抗对结构进行健康监测时原理如图2所示。

图2 压电阻抗健康监测原理

在激振状态下,结构的固有动态特性和激振性质决定了结构的机械阻抗Zs[14]:

(1)

式中:c为阻尼;m为质量;k为静刚度;ω为激振频率;i为虚数单位。

由式(1)可知,若结构发生损伤,结构的阻尼、静刚度会相应地发生变化,结构的机械阻抗也会改变。因此,识别结构的损伤可以通过测量结构机械阻抗的改变来实现。但是现有研究无法精确测得结构的机械阻抗。

结构耦合PZT的导纳方程[15]:

(2)

当螺栓球节点连接发生松动时,节点位置的结构局部刚度减弱,由式(2)可知,当PZT参数和状态不变时,PZT电信号(电阻抗或电导纳)的变化可以直接反应结构机械阻抗的变化。因此,可以通过比较节点连接松动前后PZT的电信号差异,来监测螺栓的健康状态。

1.3 基于压电阻抗和卷积神经网络的螺栓球节点健康监测流程

基于压电阻抗和CNN的分步健康监测方法研究的基本流程,如图3所示。①根据获取的信号曲线特征,确定电导(阻抗的倒数)作为损伤特征参数;②根据节点松动前后电导信号的变化,确定节点松动是否发生;③以归一化的电导信号矩阵为输入,以损伤程度对应的二进制标签为输出,以tanh为激活函数,以分类交叉熵(Categorical_Crossentropy)为损失函数,训练CNN直至学习误差达到可接受的误差范围为止;④对CNN进行测试,将测试样本输入到训练好的CNN模型中,确定节点松动程度。

图3 基于压电阻抗和卷积神经网络的健康监测流程

2 模型试验

2.1 试验简介

2.1.1 试验模型

使用Q345钢材制作一个以螺栓球节点作为连接方式的缩尺网架,网架的高度为200 mm,螺栓球节点尺寸为φ40 mm×10 mm,连接杆尺寸为φ400 mm×10 mm,如图4所示。

图4 缩尺网架模型

2.1.2 试验装置

图5为基于压电阻抗的螺栓球节点健康监测试验装置示意。其中PZT的尺寸为15 mm×10 mm×0.5 mm,使用环氧树脂与杆件表面黏接。为了提高黏接效果,首先在杆件表面打磨黏接区域,然后使用环氧树脂将PZT黏接在与螺栓球非常接近的杆件表面。最后,从外部使用环氧树脂对整个黏接区域进行加固。PZT位置及详细尺寸如图6所示。整体试验装置如图7所示。

图6 PZT位置及详细尺寸(单位:mm)

图7 试验装置

2.1.3 工况设计

螺栓球节点的安装包括初拧和终拧两个阶段:初拧阶段,用手拧紧套筒直至无法转动;终拧阶段,利用显示扭矩的扳手继续旋拧套筒,直到施加了额定的扭矩,即认为节点安装完毕,此时被认为是节点连接的健康状态。考虑到压电阻抗对微小损伤具有较高的敏感性,因此本研究主要针对终拧阶段的螺栓松动进行监测,以期能够及时发现连接早期的小松动,便于人工及时补救。

安装过程中,高强螺栓应受的预紧扭矩和预拉力之间应满足:

Tc=KPcd

(3)

式中:Tc为高强螺栓的预紧扭矩;K为扭矩系数;Pc为设计规定的预拉力;d为螺栓直径。

本试验缩尺模型使用的M8高强螺栓,直径8 mm,强度等级10.9,预拉力Pc=24 300 N,螺栓为有润滑的一般加工表面,故取预紧力系数K=0.14,根据式(3),本试验所采用的高强螺栓预紧扭矩为27.216 N·m。因此,在设置试验工况时,以扭矩扳手施加扭矩20 lbf·ft(1)1 lbf·ft=1.356 N·m(27.12 N·m)作为健康状态。

为了模拟不同的节点连接松紧状态,设计了9种不同的损伤程度工况,如表1所示。首先进行初拧,然后利用扭矩扳手正向施加20 lbf·ft(27.12 N·m)的扭矩,使连接达到健康状态,为了构建9个不同的螺栓松动状态,利用扭矩扳手反向旋拧套筒,依次施加2.5 lbf·ft(3.39 N·m)的扭矩,定义为工况1—工况9,即:GK1—GK9。

表1 确定损伤程度的工况设计

2.1.4 试验过程

基于压电阻抗的健康监测方法,监测结果的准确性与敏感频段和特征参数的选择密切相关。为了选择合适的频率范围,在100～300 kHz的宽频范围内对试件上的PZT进行扫描。在GK1和GK2下PZT的电导和电纳特征如图8和图9所示,在特征频谱中共计有801个采样点。在200～220 kHz的频率范围内,电导信号比电纳信号的峰值特征更明显,因此选择电导作为测量的特征参数。如图8所示,选择200～220 kHz的频率范围作为敏感频段。

对敏感频段进行扫频分析,设置电导数据采样点仍为801个。根据表1设计的工况条件分别提取9个工况下PZT的电导数据。

2.2 基于电导信号判断损伤发生

在试验过程中,随着反向扭矩从0 lbf·ft(0 N·m)增加到20 lbf·ft(27.12 N·m),PZT在200～220 kHz敏感频率范围内不同松动程度下的电导特征曲线如图10所示。通过曲线可以看出,9种工况下PZT电导信号发生了明显的变化,电导信号的变化表明结构发生了不同程度的损伤。

2.3 基于CNN确定损伤程度

与传统的神经网络相比,CNN能进行卷积计算,具有较强的大数据处理能力[16],因此,为了保留更多的结构特征信息,本研究将利用体量较大的原始数据,即PZT的电导信号矩阵,构建CNN网络。

根据表1设计的工况条件分别提取9个工况下PZT的电导数据,并且针对每一种工况重复试验20次,分别记录电导数据。共计获得9×20=180组数据,随机选取该数据集的70%作为训练集,其余30%作为测试集。设置阻抗仪中的电导数据采样点为801个,构成一个180×801的电导信号矩阵,其中,CNN网络的训练数据维度为126×801,完整的测试数据维度为54×801。

表2 卷积神经网络模型参数

为了使不同量纲的数据映射到同一固定范围中,减少无效噪声数据的特征影响,使模型更准确的同时加快算法的收敛速度,对该电导数据进行归一化处理。以归一化后的电导信号矩阵作为CNN网络的输入。采用one-hot编码将表1所示的9种损伤程度转换为易于机器学习算法利用的二进制变量,以每种损伤程度对应的二进制标签变量作为CNN网络的输出。使用6层一维卷积层(Conv1D layer)进行卷积计算,同时使用3层一维池化层(MaxPooling1D layer)来优化冗余信息,简化网络复杂度。使用激活函数tanh(hyperbolic tangent function)来增加网络计算的非线性,并在最后添加一个扁平层和一个全连接层与输出层(Dense layer)连接,网络模型参数见表2。为了避免精度不足和过拟合,反复测算选择迭代次数epoch=30,单次训练选取样本容量batch_size=1,进行CNN网络的训练。

使用Keras架构下的Tensorflow后端进行网络的构建,并将测试数据集输入训练好的CNN进行网络测试,获得网络测试精度为0.999 025 82,训练过程的收敛曲线如图11所示,训练在第17次迭代时均方误差值达到了预设的0.002。在深度学习中,混淆矩阵(Confusion Matrix)通常被用作呈现算法性能的可视化工具,混淆矩阵的行代表了数据的真实类别,列代表了预测类别,每一列中的数值表示真实数据被预测为该类的概率值,本文采用混淆矩阵的形式来展现上述测试集识别结果,如图12示。

图11 基于CNN的训练过程

图12 测试集的混淆矩阵

由图12可知,CNN准确识别了所有测试工况的损伤程度,分类准确率极高。

综上,基于CNN的空间结构螺栓球节点连接健康监测方法能够准确识别螺栓球节点连接的松动程度,该方法精度高,时间短,迭代次数少,具有很高的准确性。