一种基于AR模型向量及响应面的螺栓预紧力识别方法技术

本发明专利技术涉及系统参数识别领域，特别是一种基于AR模型向量及响应面的螺栓预紧力识别方法，具体为：建立带有螺栓和夹具紧固连接的悬臂梁试验模型；对螺栓预紧力进行试验设计，并进行试验测试；根据试验结果，基于AR模型建立响应面模型；建立的响应面模型，对螺栓松动工况进行识别。本发明专利技术针对结构动响应时间序列AR模型系数向量对螺栓预紧力变化敏感，基于响应面的损伤识别方法可以定量估计螺栓松动程度的特点，提出以结构动响应时间序列AR模型系数向量为因变量，以螺栓预紧力为自变量，建立响应面模型，并进行预紧力识别的方法，以此对螺栓松动情况进行定位识别和定量评估。栓松动情况进行定位识别和定量评估。栓松动情况进行定位识别和定量评估。

【技术实现步骤摘要】
一种基于AR模型向量及响应面的螺栓预紧力识别方法


[0001]本专利技术涉及系统参数识别领域，特别是一种基于AR模型向量及响应面的螺栓预紧力识别方法。

技术介绍

[0002]螺栓联接是机电系统中用途最广的联接结构,为整个系统中较薄弱的部位,其状态往往会发生改变,出现滑动、分离甚至松脱等现象,直接影响整个系统的安全可靠性。对振动环境中螺栓联接结构的联接状态进行及时准确地识别对保证系统的安全可靠具有重要意义。
[0003]从所利用的信息角度螺栓松动识别可以分为三类：基于振动测试数据、基于声发射、基于压电阻抗。基于测试振动信号时间序列的损伤识别能够用较少的参数表示大量结构响应中所蕴含的信息。美国Los Alamos国家实验室对此方法进行了深入的研究，提出了以AR模型和主成分分析(Principal Component Analysis,PCA)为时间序列特征提取方法，马氏距离等为损伤判据的完整损伤识别流程，并开发出了完整的软件工具箱。国内外的学者在此基础上，又提出改进的损伤判据，如椭圆控制图、Fisher判据(Fisher information criterion)等。但是这类判据均无法对损伤参数进行具有物理意义的定量估计。另一方面，基于反问题的损伤识别也开展了广泛的研究：基于模态参数的有限元模型修正方法对起重机结构的损伤识别、基于响应面模型的模型修正技术对高拱坝的损伤识别、基于修正模型频响函数矩阵的损伤识别方法等。随着工程应用中对设备的在线健康监测越来越重视，利用结构本身工作状态时的振动信号进行力学分析，进行简单易行、可靠、并可以在线监测的螺栓松动识别至关重要，同时也是本领域亟待解决的技术难题。

技术实现思路

[0004]本专利技术针对现有技术的不足，提供一种基于AR模型向量及响应面的螺栓预紧力识别方法，进行螺栓预紧力识别。
[0005]为解决以上技术问题，本专利技术的技术方案为：一种基于AR模型向量及响应面的螺栓预紧力识别方法，步骤如下：
[0006]步骤1：建立带有螺栓和夹具紧固连接的悬臂梁试验模型；
[0007]步骤2：对步骤1中的螺栓预紧力进行试验设计，并进行试验测试；
[0008]步骤3：根据步骤2的试验结果，基于AR模型建立响应面模型；
[0009]步骤4：根据步骤3建立的响应面模型，对螺栓松动工况进行识别。
[0010]进一步的，所述步骤1中建立的悬臂梁试验模型包括板梁，板梁一端通过螺栓和夹具连接固支。
[0011]进一步的，所述步骤2具体为：
[0012]步骤2.1：将连接悬臂梁的螺栓按照距离固支端的距离进行分组，以每组螺栓的预紧力矩为设计参数，采用全因子试验设计方法进行试验设计；
[0013]步骤2.2：在悬臂梁自由端施加带限白噪声激励力，采集不同预紧力下悬臂梁中间点的加速度动响应。
[0014]进一步的，所述步骤3具体为：
[0015]步骤3.1：将采集的加速度动响应即各个通道加速度时间序列采用AR模型进行自回归拟合，具体为：加速度时间序列{x(t)}(t＝1,2,...,n)可表示为：
[0016]x
t
＝φ1x
t
‑1+φ2x
t
‑2+...+φ
p
x
t
‑
p
+ε
t
[0017]其中，φ
i
(i＝1,2,...,p)为自回归模型参数，p为自回归模型阶次，ε
t
为高斯白噪声；
[0018]AR模型的阶次p通过AIC准则来确定：
[0019][0020]其中，N为时间序列长度，为AR模型拟合残差的方差；
[0021]步骤3.2：基于步骤3.1的试验数据，以每组螺栓预紧力矩为设计参数，设计参数为自变量，AR模型自回归参数为响应参数，响应参数为因变量，采用多项式拟合方法建立自变量和因变量之间的响应面模型，其形式描述如下：
[0022][0023]y(x)是结构系统的响应，m是设计参数数量，x＝(x1,x2,
…
,x
m
)为一个m维的根据试验设计方法确定的空间样本点，β为所需求解的多项式常数项。
[0024]进一步的，所述步骤4具体为：
[0025]步骤4.1：调整每组螺栓的力矩至任意松动状态；
[0026]步骤4.2：在悬臂梁自由端施加带限白噪声激励力，采集不同预紧力下悬臂梁中间点的加速度动响应；
[0027]步骤4.3：将采集的各个通道加速度时间序列采用AR模型进行自回归拟合，获得自回归模型参数；加速度时间序列{x(t)}(t＝1,2,...,n)可表示为：
[0028]x
t
＝φ1x
t
‑1+φ2x
t
‑2+...+φ
p
x
t
‑
p
+ε
t
[0029]其中，φ
i
(i＝1,2,...,p)为自回归模型参数，p为自回归模型阶次，ε
t
为高斯白噪声；
[0030]步骤4.4：将自回归模型参数φ
i
(i＝1,2,...,p)输入步骤3建立的响应面模型，预测螺栓预紧力。
[0031]进一步的，所述步骤3.1中，AR模型阶次根据AIC准则确定为12阶。
[0032]进一步的，所述步骤3.2中，响应面精度检验方法为误差平方R2、相对均方根误差RMSE作为响应面模型的检验指标；R2越接近于1、RMSE越接近于0，模型精度越高。
[0033]进一步的，所述步骤4中从响应面模型中预测螺栓预紧力的方法为遗传算法。
[0034]本专利技术具有如下有益效果：
[0035]针对结构动响应时间序列AR(Auto
‑
regressive)模型系数向量对螺栓预紧力变化敏感，基于响应面的损伤识别方法可以定量估计螺栓松动程度的特点，提出以结构动响应时间序列AR模型系数向量为因变量，以螺栓预紧力为自变量，建立响应面模型，并进行预紧力识别的方法，以此对螺栓松动情况进行定位识别和定量评估。
附图说明
[0036]图1为本专利技术实施例整体结构示意框图；
[0037]图2为本专利技术实施例中悬臂梁的试验模型示意图；
[0038]图3为本专利技术实施例中螺栓分组示意图；
[0039]图4为前4阶自回归模型系数的响应面模型示意图；
[0040]图5为本实施例螺栓预紧力识别结果统计图。
[0041]附图标记：1、板梁；2、夹具；3、螺栓。
具体实施方式
[0042]为了使本专利技术的目的、技术方案及优点更加清楚明白，下面结合附图和具体实施例对本专利技术作进一步详细说明。
[0043]请参考图1至图5，本专利技术为一种基于AR模型向量及响应面的螺栓3预紧力识别方法，其步骤如下：
[0044]步骤1：建立带有本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于AR模型向量及响应面的螺栓预紧力识别方法，其特征在于，步骤如下：步骤1：建立带有螺栓和夹具紧固连接的悬臂梁试验模型；步骤2：对步骤1中的螺栓预紧力进行试验设计，并进行试验测试；步骤3：根据步骤2的试验结果，基于AR模型建立响应面模型；步骤4：根据步骤3建立的响应面模型，对螺栓松动工况进行识别。2.根据权利要求1所述的基于AR模型向量及响应面的螺栓预紧力识别方法，其特征在于：所述步骤1中建立的悬臂梁试验模型包括板梁，板梁一端通过螺栓和夹具连接固支。3.根据权利要求2所述的基于AR模型向量及响应面的螺栓预紧力识别方法，其特征在于：所述步骤2具体为：步骤2.1：将连接悬臂梁的螺栓按照距离固支端的距离进行分组，以每组螺栓的预紧力矩为设计参数，采用全因子试验设计方法进行试验设计；步骤2.2：在悬臂梁自由端施加带限白噪声激励力，采集不同预紧力下悬臂梁中间点的加速度动响应。4.根据权利要求3所述的基于AR模型向量及响应面的螺栓预紧力识别方法，其特征在于：所述步骤3具体为：步骤3.1：将采集的加速度动响应即各个通道加速度时间序列采用AR模型进行自回归拟合，具体为：加速度时间序列{x(t)}(t＝1,2,...,n)可表示为：x
t
＝φ1x
t
‑1+φ2x
t
‑2+...+φ
p
x
t
‑
p
+ε
t
其中，φ
i
(i＝1,2,...,p)为自回归模型参数，p为自回归模型阶次，ε
t
为高斯白噪声；AR模型的阶次p通过AIC准则来确定：其中，N为时间序列长度，为AR模型拟合残差的方差；步骤3.2：基于步骤3.1的试验数据，以每组螺栓预紧力矩为设计参数，设计参数为自变量，AR模型自回归参数为响应参数，响应参数为因变量，采用多项式拟合方法建立自变量和因变量...

【专利技术属性】
技术研发人员：庆光蔚，冯月贵，胡静波，丁树庆，王会方，周前飞，吴祥生，蒋铭，王爽，
申请(专利权)人：南京市特种设备安全监督检验研究院，
类型：发明
国别省市：