本发明属于机械状态检测及维护领域,尤其是一种基于应力变化引起阻值变化的螺栓松动检测方法。
背景技术:
1、作为结构部件连接部件的重要组成部分,螺栓在中国建筑市场乃至全球都充当着不可或缺的重要角色。作为一种连接机械结构的连接体,螺栓连接具有制作成本低廉、结构简单、安装方便等优点而被广泛应用于工程建筑、车辆、桥梁、电力设备等相关领域。
2、由于在使用过程中受外界环境的腐蚀、循环负荷冲击及强迫震动的作用下会出现损伤和松动的现象,在长时间的工作状态下,甚至会出现螺栓脱落和断裂的情况出现,从而造成设备故障和工程事故,造成巨大的灾难性后果。对于那些处于恶劣环境的螺栓,其松动以及疲劳损伤往往无法直接判断和实时检测,频繁性的人工检测往往意味着会消耗大量的时间,且对处于恶劣环境的螺栓,人工检测往往存在极大的局限性,因此减少人工检测和实时检测螺栓状态就变得尤为重要。
3、近年来,在螺栓松动检测受到重视以来,对于螺栓松动的监测研究有了较快发展,早期的人工手动标注标记线,检修时通过观察螺栓上的标记线位置是否发生错动来判断螺栓是否发生松动,然而此方法效率比较底下且十分危险,在长时间的工作状态下,螺栓可能会发生旋转、变形甚至脱落,难以实时精确对其状态进行监测,同时当安装螺栓位置难以接近时,此种检测方式实施的便存在一定的困难。此外,在外界环境的影响下,标记线也会受到一定的影响和破损,当标记线出现磨损或不清晰时,难以对螺栓初始位置进行准备判断。
4、随着技术的发展,出现了包括角位移传感器检测和压电阻抗传感技术检测等相关检测方法,其检测技术提高了检测的精度和便捷性,但此类技术也存在一定的局限性。
5、首先,检测对象多为单个的螺栓状态,信号的采集和集中处理存在一定的难度,同时多个信号传输在特定的环境下可能会出现信号紊乱或影响检测环境中其他的电子器件的信号输出,其次,此类传感技术实现成本较为昂贵,当面对需要监测多个螺栓时,传感器的数量提高势必会提高整体方案实施的成本,降低整体方案实施的性价比。最后,由于螺栓工作环境因素的影响,在对螺栓状态进行监测的传感器或检测器件自身也要有一定的要求,要避免受外界因素影响,如大风、自身震动而产生对螺栓当前状态检测的误判造成检测故障。因此,螺栓检测的状态诊断问题一直是研究的热门问题,但从目前的研究成果来看,仍存在以下几个方面的缺点:
6、1、螺栓安装所处的环境复杂多变且故障类型较多,无法精确检测故障类型,检测的可靠性较不稳定。
7、2、对于多个螺栓故障检测方法所需的相关数据难以集中采集处理,或使用的测量仪器设备数目过多,成本较高,无法推广。
8、3、实时诊断信息的传递效率不高,且由于故障类型较多,影响整个系统的检测效率等。
9、针对相关技术中的问题,目前尚未提出有效的解决方案。
技术实现思路
1、发明目的:提供一种基于应力变化引起阻值变化的螺栓松动检测方法,以克服现有相关技术所存在的上述技术问题。
2、技术方案:一种基于应力变化引起阻值变化的螺栓松动检测方法,该螺栓松动检测方法包括以下步骤:
3、s1、基于应力变化引起阻值变化的原理,将待监测的螺栓利用导电银浆串联构建成电阻体,并实时采集电阻体的总阻值数据;
4、s2、对电阻体的总阻值数据进行加密处理,并将加密后的总阻值数据通过通信协议传输至主站数据处理单元;
5、s3、主站数据处理单元接收加密后的总阻值数据并进行解密,并利用局部离群因子算法对解密得到的总阻值数据进行异常值检测,识别潜在的螺栓松动数据;
6、s4、将潜在的螺栓松动数据输入残差神经网络模型,分析不同阻值数据与螺栓紧固状态的关系,通过与预设阈值进行比对,判断螺栓是否处于正常紧固状态;
7、s5、将判断结果整合成数据包,并通过网络接口连接到相应的交换机上,将所有交换机的数据包汇总至核心交换机,得到总数据包;
8、s6、将总数据包进行再次加密,通过核心交换机发送至主服务器及备份服务器中进行集中检测控制,并进行数据备份;
9、s7、将总数据包通过无线接入点输出,并通过通信模块发送至用户移动端,结合人工智能技术,对螺栓状态进行智能预警。
10、在进一步的实施例中,所述基于应力变化引起阻值变化的原理,将待监测的螺栓利用导电银浆串联构建成电阻体,并实时采集电阻体的总阻值数据包括以下步骤:
11、s11、选取合适的导电银浆、螺栓和涂覆设备,并在涂覆前将螺栓表面清洁干净,去除螺栓表面杂质;
12、s12、将导电银浆均匀涂布在待监测螺栓的表面,并对导电银浆进行固化处理;
13、s13、将多个经过导电银浆涂覆、固化处理的螺栓按照设定顺序串联起来,得到一个完整的电阻体;
14、s14、为每一个待监测的螺栓安装高精度传感器,并将传感器接入信号处理电路;
15、s15、当每一个待监测的螺栓受到应力变化时,利用各自的高精度传感器实时检测相应螺栓的阻值变化,并将模拟信号转换为数字信号,得到总阻值数据。
16、在进一步的实施例中,所述为每一个待监测的螺栓安装高精度传感器,并将传感器接入信号处理电路包括以下步骤:
17、s141、在每个待监测的螺栓上安装多个高精度传感器,分别检测不同部位的阻值变化情况;
18、s142、提升高精度传感器中数据采集频率,监测螺栓的应力变化和阻值变化情况;
19、s143、将监测螺栓的应力变化和阻值变化情况输入信号处理电路;
20、s144、对处理后的信号进行数字转换,并发送至从站数据处理单元,以实时监控和记录螺栓的状态。
21、在进一步的实施例中,所述主站数据处理单元接收加密后的总阻值数据并进行解密,并利用局部离群因子算法对解密得到的总阻值数据进行异常值检测,识别潜在的螺栓松动数据包括以下步骤:
22、s31、主站数据处理单元首先接收加密后的总阻值数据,对总阻值数据进行解密,获得每个螺栓数据点;
23、s32、计算每个螺栓数据点的k近邻距离和局部可达密度,通过比较螺栓数据点的局部可达密度与其k近邻的局部可达密度,计算局部离群因子值;
24、s33、设定局部离群因子值的阈值,若某螺栓数据点的局部离群因子值大于设定的阈值,将其视为异常值,得到潜在的螺栓松动数据。
25、在进一步的实施例中,所述计算每个螺栓数据点的k近邻距离和局部可达密度,通过比较螺栓数据点的局部可达密度与其k近邻的局部可达密度,计算局部离群因子值包括以下步骤:
26、s321、对于每个螺栓的解密得到的总阻值数据,构建特征矩阵,其中,每行代表一个螺栓,每列代表一个特征;
27、s322、使用欧氏距离计算每个螺栓数据点之间的距离,以量化螺栓数据点之间的相似性;
28、s323、选择最优的k值,对于每个螺栓数据点,找到其距离最近的k个邻居,并记录k个邻居在特征矩阵的位置;
29、s324、对于每个螺栓数据点和它的某个k近邻,分别计算可达距离、局部可达密度及局部离群因子值;
30、s325、根据可达距离、局部可达密度及局部离群因子值得出螺栓数据点周围邻居的密集程度,评估螺栓数据点的异常程度,并按照局部离群因子值对螺栓数据点进行排序。
31、在进一步的实施例中,所述对于每个螺栓数据点和它的某个k近邻,分别计算可达距离、局部可达密度及局部离群因子值包括以下步骤:
32、s3241、对于螺栓数据点和螺栓数据点一个k近邻,计算螺栓数据点与螺栓数据点一个k近邻之间的实际距离和螺栓数据点一个k近邻与其所有k近邻之间的最大距离之间的较大值,得出可达距离;
33、s3242、利用k值除以螺栓数据点,得到其k近邻的可达距离之和,得出局部可达密度;
34、s3243、为螺栓数据点的k近邻的局部可达密度之和除以螺栓数据点自身的局部可达密度再除以k值,得出局部离群因子值。
35、在进一步的实施例中,所述将潜在的螺栓松动数据输入残差神经网络模型,分析不同阻值数据与螺栓紧固状态的关系,通过与预设阈值进行比对,判断螺栓是否处于正常紧固状态包括以下步骤:
36、s41、收集螺栓在不同紧固状态下的阻值数据,包括正常紧固、过紧和松动等状态;
37、s42、构建残差神经网络模型,将数据集划分为训练集和测试集,并采用交叉验证方法对残差神经网络模型进行评估;
38、s43、使用测试集评估训练好的残差神经网络模型,并通过比较实际值和预测值之间的误差,利用adaboost算法对残差神经网络模型的误差进行调整;
39、s44、将实时收集的螺栓阻值数据输入经过调整好的残差神经网络模型,并实时预测紧固状态;
40、s45、将实时预测紧固状态与预设阈值进行比对,若检测到螺栓处于异常紧固状态,则触发报警机制,反馈给相关人员并进行相应措施。
41、在进一步的实施例中,所述构建残差神经网络模型,将数据集划分为训练集和测试集,并采用交叉验证方法对残差神经网络模型进行评估包括以下步骤:
42、s421、对收集到的不同紧固状态下的阻值数据进行预处理;
43、s422、将预处理后的数据集按照设定比例进行划分;
44、s423、设计残差神经网络结构,包括输入层、隐藏层和输出层;
45、s424、训练集划分为n个子集,每次将其中一个子集作为验证集,其余n-1个子集作为训练集,重复n次实验,每次使用不同的验证集,并计算k次实验的平均性能指标;
46、s425、利用交叉验证得到的平均性能指标评估残差神经网络模型的性能。
47、在进一步的实施例中,所述使用测试集评估训练好的残差神经网络模型,并通过比较实际值和预测值之间的误差,利用adaboost算法对残差神经网络模型的误差进行调整包括以下步骤:
48、s431、将训练好的残差神经网络模型应用到测试集上,输出预测结果;
49、s432、比较测试集中实际值和预测值之间的误差;
50、s433、选择残差神经网络模型,设定迭代次数t,生成t个基学习器;
51、s434、使用训练数据训练t个基学习器中的第t个基学习器,计算第t个基学习器在测试集上的误差,根据误差分配权重给第t个基学习器,更新训练数据的样本权重,增加被错误分类的样本权重,降低被正确分类的样本权重;
52、s435、根据每个基学习器的权重,组合所有基学习器,形成加权的集成模型;
53、s436、使用测试集评估经过调整的加权集成模型,并与原始模型进行性能对比。
54、在进一步的实施例中,所述将总数据包通过无线接入点输出,并通过通信模块发送至用户移动端,结合人工智能技术,对螺栓状态进行智能预警包括以下步骤:
55、s71、在核心交换机中,将加密后的总数据包发送到无线接入点,并通过无线网络进行传输;
56、s72、通过通信模块将从无线接入点接收到的数据包发送到用户的移动设备;
57、s73、开发一个具有友好用户界面的移动应用程序,用以方便用户查看和处理螺栓状态预警信息;
58、s74、在移动应用程序中,使用人工智能算法分析接收到的螺栓状态数据包,识别异常情况并生成相应的预警提示;
59、s75、当检测到螺栓紧固状态异常时,移动应用程序会向用户推送实时预警消息,并展示异常螺栓的详细信息,提示他们采取相应措施。
60、有益效果:
61、1、本发明所应力变化而引起阻值变化的螺栓松动检测技术,是基于应力变化而引起阻值变化的,实现检测阻值数据变化经预设值判断当前螺栓紧固状态的方法,本发明利用应力变化而引起阻值变化的思想,适用于有较为明显应力变化等装置的特点,克服了传统对螺栓松动检测需要大量的检测次数、检测时间长等问题,能够简单快速地完成检测任务。
62、2、本发明采用残差神经网络模型,通过导电银浆将多个螺栓按照一定的逻辑进行串连,由导电银浆和螺栓构建了一个电阻体,由检测装置对串连螺栓进行实时检测,并发送至主处理控制单元输出检测结果并通过网络交换机输出到主服务器或中央集控系统进行集中管控和数据备份,从而缩短系统检测螺栓时间,提高检测效率。
63、3、本发明利用利用局部离群因子算法进行异常值检测,具有较高的准确性和稳定性,局部离群因子算法通过分析数据点在其邻域内的密度分布,以识别异常值,能够有效地发现潜在的螺栓松动数据,局部离群因子算法对于不同形态、大小和密度的数据集具有较好的适应性,能够在多种场景下进行可靠的异常检测与其他异常检测方法相比,局部离群因子算法计算复杂度较低,能够实时处理大量数据,更适合工业应用场景。
64、4、本发明残差神经网络模型具有较强的学习能力和表达能力,能够捕捉阻值数据与螺栓紧固状态之间的复杂关系,残差神经网络模型通过引入残差连接,缓解了梯度消失问题,使得网络可以设计得更深,从而提高了预测精度,通过与预设阈值进行比对,判断螺栓是否处于正常紧固状态,实现了自动化和智能化的螺栓松动检测,有效提高了检测效率,该方法可以实时监控螺栓紧固状态,为用户提供及时的故障预警,降低安全风险,并有利于维护和管理。