一种钢结构螺栓松动识别方法技术

本发明专利技术公开了一种钢结构螺栓松动识别方法，包括步骤一、采用加速度传感器采集钢结构螺栓连接构件的振动信号；二、对振动信号进行时域和频域分析，提取特征参数；三、对特征参数进行参数优化；四、根据优化的参数建立加速度传感器的模糊软集样本；五、对模糊软集样本进行聚类分析，实现螺栓的松动识别。本发明专利技术方法步骤简单，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。便于推广。便于推广。

【技术实现步骤摘要】
一种钢结构螺栓松动识别方法


[0001]本专利技术属于螺栓松动检测
，具体涉及一种钢结构螺栓松动识别方法。

技术介绍

[0002]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。
[0003]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。

技术实现思路

[0004]本专利技术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。
[0005]为解决上述技术问题，本专利技术采用的技术方案是：一种钢结构螺栓松动识别方法，包括以下步骤：
[0006]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；
[0007]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；
[0008]步骤三、对所述特征参数进行参数优化；
[0009]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；
[0010]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。
[0011]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。
[0012]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。
[0013]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：
[0014]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,...,G
n
}，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)
,G
n
)；
[0032][0033]其中，e
p
为a个特征参数中的第p个参数，x
q
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]本专利技术与现有技术相比具有以下优点：
[0049]1本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种钢结构螺栓松动识别方法，其特征在于，包括以下步骤：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；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；步骤三、对所述特征参数进行参数优化；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；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。2.按照权利要求1所述的一种钢结构螺栓松动识别方法，其特征在于，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。3.按照权利要求2所述的一种钢结构螺栓松动识别方法，其特征在于，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。4.按照权利要求3所述的一种钢结构螺栓松动识别方法，其特征在于，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：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；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；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：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；步骤303、计算数据矩阵Y的协方差矩阵R；
其中，N为数据矩阵Y中的样本数；步骤304、对协方差矩阵R进行奇异值分解；R＝USU
T
其中，U为正交矩阵，UU
T<...

【专利技术属性】
技术研发人员：汪友明，高翔，
申请(专利权)人：西安邮电大学，
类型：发明
国别省市：