在工程结构领域，螺栓连接成为了钢结构中一种主要的连接方式，它不但具有受力和抗振性能好、连接刚度高和耐疲劳等优点，而且拆换方便。

 

尽管如此，在现实工程应用场景下，由于振动、冲击、变载荷和温差等不稳定因素的影响，螺栓紧固件往往会发生松动或疲劳失效的问题。

 

鉴于螺栓松动不易被检测到，并且一旦发生，可能会导致严重的安全事故和经济损失，迫切需要对螺栓连接进行有效的监测。

 

在过去十年里，学者们已经开发出多种结构健康监测技术，专注于检测螺栓松动这一关键问题。螺栓的松动行为可以分为两个阶段：第一阶段为材料松动期，在此阶段，由于材料的塑性变形导致螺栓的预紧力下降，螺栓与螺母之间并未发生相对转动；第二阶段为结构松动期，在此阶段，螺栓与螺母之间的相对转动导致预紧力明显下降。

 

总而言之，当螺栓的预紧力未超过国家规定的拧紧扭矩标准时，螺栓处于紧固状态；当螺栓处于材料松动期时，预紧力缓慢下降，表示螺栓处于早期松动状态；在螺栓处于结构松动期时，预紧力快速下降，表示螺栓已进入中晚期松动状态。

 

螺栓连接松动的监检测技术

 

基于声弹性效应、振动、导波和机电阻抗的各种方法，已逐渐应用于识别螺栓连接的松动状态。

基于声弹性效应的方法与基于振动、导波和机电阻抗的方法在评估螺栓松动时有所不同。基于声弹性效应的方法可以准确测量螺栓预紧力，而基于振动、导波法以及机电阻抗的方法是通过获取螺栓连接处的响应信号提取敏感的特征，分析敏感特征与预紧力的关系，进而评估螺栓的松动状态。

进一步将基于振动、导波以及机电阻抗的方法与机器学习（ML）算法结合，可以更加精确地对螺栓松动进行监测。

图1 监检测方法与ML方法用于螺栓松动监检测的结构框图

 

基于声弹性效应的方法

 

基于声弹性效应的方法是利用超声波传感器进行螺栓预紧力的测量。当螺栓轴向应力发生变化时，会导致螺栓长度和超声波传播速度的变化，从而影响沿螺栓轴线的脉冲回波渡越时间。通过测量脉冲回波在无应力和有应力状态下的渡越时间变化，可以准确计算出与预紧力成正比的螺栓轴向应力。

目前，利用超声波测量预紧力的研究可分为单波法和双波法两类，取决于所使用的超声波数量和类型。

 

1、单波法

 

单波法是一种仅使用一个横波或纵波进行预紧力测量的方法，其中纵波因其对预紧力变化更为敏感而被广泛采用。图2展示了单波法的检测原理，该方法能够精确测量施加预紧力和无应力状态下的渡越时间变化。

 

图2 单波法检测原理

 

当使用单波法对螺栓预紧力进行测量时，噪声和耦合剂可能对渡越时间的测量造成影响，进而导致无法精确测量螺栓预紧力。

 

使用单波法对螺栓预紧力进行测量时，必须了解螺栓在无应力状态下横波和纵波的波速。 

 

2、双波法

 

双波法是一种同时利用纵波和横波对螺栓预紧力进行测量的方法，也被称为L-S方法。双波法又可分为速度比率法和模态转换法。速度比率法是通过横波和纵波的速度比值确定预紧力的变化情况。模态转换法则利用模态转换的原理测量预紧力变化。

速度比率法能够消除单波法测量因素的影响。模态转换法相比于速度比率法的优势在于，能够解决分别输入横波和纵波带来的误差影响。

声弹性法具有高灵敏度的特点，但在评估螺栓松动时需要使用高精度的采样和检测设备来测量参数的变化。大多数情况下，该方法只能用于单个螺栓的检测，无法同时检测多个螺栓，对于工程结构中的多螺栓结构，则只能进行抽样检测。 

 

基于振动的方法

 

振动技术是一种经典的技术，广泛应用于设备状态监测和故障诊断领域。在螺栓松动监测方面，基于振动的方法主要依赖于从振动数据中提取结构在螺栓松动前后的特征频率变化、传递函数和功率谱等关键参数。通过分析这些参数的变化，可以对螺栓连接的状态进行准确的分析和判断。

 

大多数学者采用接触式振动的方法来检测螺栓的松动，也有学者采用非接触式激光激励的方式来检测多螺栓的松动。

接触式振动方法评估螺栓松动是基于结构的固有特性，但由于结构的固有频率较高，激振器等设备难以激发结构的固有模态信息，因此常规的接触式振动方法应用较少。

非接触式振动激励方法相较于接触式振动方法具有高灵敏度的特点，但对实验条件要求较高，目前主要用于实验室环境中评估螺栓松动。如果要在工程结构中采用此方法，则需要适当的设备来激励结构。

 

导波法

 

1、波能耗散方法

 

考虑到超声导波透过螺栓连接界面的能量与界面接触状态之间的密切联系，采用透射导波能量作为检测螺栓松动的指标的方法受到了广泛关注，这种方法通常被称作波能耗散（WED）方法。

 

该方法的基本原理如图3所示，方法的核心在于螺栓连接界面的接触状态直接影响导波的能量传递。因此，通过测量透过连接界面的导波能量的变化，可以有效评估螺栓的紧固状态。当螺栓连接界面上的波能量发生耗散时，这种能量损失可以作为螺栓连接状态的反映。表1总结了用于螺栓松动检测的波能耗散方法。

图3 波能耗散法检测松动的基本原理

 

  表1 基于波能耗散法的螺栓松动分类综述

 

 

 

2、时间反转方法

 

时间反转（TR）理论揭示了一种现象：当一个结构中某点的输出信号在时域中被反转并重新传输回原激励点时，可以实现输入信号在激励点的重建。

TR技术被应用于螺栓松动检测的过程和原理如图4所示。以单搭螺栓为例，首先在激励点产生输入脉冲信号，然后通过螺栓连接的机械系统传播。接着，在记录点处获取响应信号，并对其进行时域反转处理。最后，将这一反转信号重新传输回激励点，并在激励点处获取并重构原始信号。

图4 时间反转法检测松动的基本原理

 

研究表明，时间反转技术被运用于信号处理之中，通过反转信号的传播路径和时间延迟，可以实现对螺栓松动状态的有效监测。但是，时间反转法在每次检测时需要对信号在时域上进行反转，这一过程较为复杂。

为此，研究人员对时间反转法进行了修改，提出了虚拟时间反转（VTR）方法用于松动检测。在虚拟时间反转法中，仅在健康状态下对响应信号执行一次时间反转。虚拟时间反转法检测螺栓松动的过程如图5所示。

图5 虚拟时间法螺栓松动检测过程

 

在健康状态下，产生在激励点的输入脉冲信号被施加到螺栓连接结构上。接收点处的传感器收集响应信号，随后在时间域中反转响应信号。在健康状态下获得的反转信号被记录为参考重发射信号（RRS）。在激励点处的参考重发射信号将被输入到具有不同松动状态的相同结构中。最后，可以使用重建信号的幅值来表示松动状态。

除此之外，Xu等采用改进的时间反转（MTR）方法，也可被称为VTR方法，用于检测和定位多螺栓连接结构中松动的螺栓。该技术利用健康状态下的标准重发射信号（SRS）来检测螺栓连接中的松动情况，提取聚焦信号的相位偏移和峰值幅度，并定义基于相位移和峰值幅度的紧密度指标，以区分螺栓松动程度。

研究证明了MTR方法相对于WED和TR方法的有效性，且该方法具有更高的敏感性。然而上述研究都考虑了螺栓搭接结构，而在现实中L形螺栓连接更为普遍。为此， Du等使用虚拟时间反转方法来监测L型螺栓连接中单螺栓和多螺栓连接结构的螺栓松动。该方法涉及在完全紧固的状态下从螺栓结构中提取参考重发射信号，然后将其用作处于松动状态的结构的激发信号。

采用Xu等定义的基于峰值振幅的松紧度指数TIA来观察连接处的健康状况。TIA和螺栓预紧力之间的关系是线性的，与时间反转法相比，检测灵敏度得到了显著的提高，尤其是在螺栓松动的早期阶段。

在上述研究的基础上，Du等提出了一种基于虚拟时间反转和密封指数的导波方法。通过定义两个紧密度指标来提高检测灵敏度：1) 基于重聚焦波包和整个最终接收波信号的能量，表示为TIE；2) 基于输入信号和聚焦信号之间的形状变化，表示为TIL2。对于单螺栓和多螺栓装配体，TIE的检测能力都优于TIL2。表2总结了用于螺栓松动检测的时间反转技术。

 

表2 螺栓连接松动检测的时间反转技术综述

 

 

 

3、振动声调制方法

 

振动声调制（VAM）方法利用接触声学的非线性效应，解决了检测螺栓松动时饱和效应的挑战。图6详细介绍了基于振动声调制方法的松动检测过程和原理。以单螺栓连接为例，产生两个激励信号并输入到结构中：一个是低频正弦振动（泵浦振动），另一个是高频超声波（探测波）。

图6 基于振动声调制方法的松动检测流程及原理

 

在连接界面的微观尺度上，许多凹凸体形成了粗糙的结构。随着接触压力的增加，界面的实际接触面积也增加。低频正弦振动和高频探测波穿过连接界面时，低频泵送振动会引起界面的”呼吸“效应，即”不完整“的连接界面会产生”闭合“和”打开“的运动，从而调制高频探测波的传播特性。

 

同时，传感器（通常为压电陶瓷传感器）捕获非线性响应信号。通过快速傅里叶变换处理响应信号，可以获得响应谱，从而揭示两个非线性特征，即LS和RS。预紧力降低导致实际接触面积减小，接触非线性增加，因此LS和RS的振幅相应增加。因此，LS和RS的振幅可用于指示螺栓松动的程度。LS和RS的变化趋势可以有效地用于评估螺栓松动程度，为实时监测和预防性维护提供了可靠的方法。

 

利用VAM的方法对螺栓松动进行预测可以分为3个步骤：

 

1) 将产生的高频探测波和低频泵激振动输入到螺栓连接的结构中；

 

2) 从采集的调制响应信号中提取敏感的松动特征；

 

3) 建立松动特征与预加载/拧紧扭矩之间的关系，以实现螺栓连接结构的松动检测。

 

第1步中，由于实验环境不同，实验人员所采用的正弦信号频率也有所不同。

 

第2步中，调制响应信号通常由压电陶瓷、加速度计和声发射传感器收集，第2步的难点在于从信号中提取敏感的松动特征。

 

第3步中，建立松动指标和扭矩之间的关系是一个难点。大多数学者直接绘制了松动指标与拧紧力矩之间的关系曲线或直方图，以实现松动检测，如图7所示。还有一些学者则将松动特征输入到分类器中，例如随机森林分类器和人工神经网络，通过对分类器进行训练来实现松动检测。

图7 松动特征与扭矩的关系

 

综上所述，导波法在评估螺栓松动时具有较高的灵敏度，但对螺栓早期松动的评估不够敏感。时间反转法和振动声调制方法都需要使用健康结构的信号作为参考信号，将螺栓松动时的信号与参考信号进行对比，以检测螺栓预紧力的变化。表3总结了用于螺栓松动监测的VAM技术。

表3 基于VAM的螺栓松动分类综述

 

 

机电阻抗法

 

机电阻抗（EMI）法的基本概念是利用高频振动监测结构的局部区域，以了解结构阻抗的变化，从而指示松动甚至早期松动。这可以通过使用与结构的机械阻抗直接相关的压电传感器/致动器来实现。阻抗测量能够提供有关变化参数的信息。当螺栓连接结构发生松动时, 机械阻抗会发生变化。

 

基于EMI的螺栓松动检测方法是将压电陶瓷贴片结合在螺栓连接结构上，并利用压电材料的机电耦合特性。压电陶瓷的电阻抗与螺栓连接结构的机械阻抗直接相关。通过使用阻抗分析仪测量电阻抗并将其与参考值进行比较，可以确定螺栓松动。图8展示了基于EMI的松动检测过程。

图8 基于机电阻抗的松动检测过程

 

利用EMI实现螺栓松动检测的步骤与其他检测方法的步骤相似，具体可以总结为以下3点：

 

1) 将压电陶瓷贴片粘贴到螺栓连接结构，并将高频扫描信号输入到压电陶瓷贴片中；

 

2) 利用阻抗分析仪得到阻抗信号并进行分析，确定损伤敏感地带和松动特征；

 

3) 建立松动特征和预紧力的关系，实现松动检测。

 

在第1步中，研究人员开发了不同的压电陶瓷贴片与螺栓连接结构粘贴的方式。

 

在第2步中，关键技术问题是确定损伤敏感地带和松动特征。目前，用于表征螺栓松动的各种损伤指标包括互相关系数（CC）、平均绝对百分比偏差（MAPD）、均方根偏差（RMSD）、互相关偏差（CCD）和峰值频移。实验结果表明，RMSD和CCD能够有效地反映螺栓松动程度。RMSD对阻抗信号的振幅变化（即垂直位移）和频率变化（即水平位移）敏感。而CCD则只对阻抗信号的频率变化（即水平位移）敏感。

 

然而，用于检测松动的EMI容易受到温度等环境因素的影响。近年来，随着神经网络的兴起，学者将神经网络引入到EMI，对传统EMI进行了改进。

 

总之，机电阻抗法用于检测螺栓松动时，需要设置传感器阵列，这导致成本较高。为了降低成本，已有研究人员针对不同的螺栓结构设计了便携式检测设备，但这方面的研究较少。表4对用于螺栓松动检测的EMI技术进行了总结。

 

表4 机电阻抗技术在螺栓松动检测中的应用概述

 

信号分析方法

 

要对螺栓松动进行检测，关键在于将螺栓连接结构的信号与螺栓预紧力相关联，因此合适的信号分析方法必不可少。近年来，机器学习（ML）在损伤检测中的应用显著增加，包括神经网络和支持向量机等算法，这些算法逐步应用到了螺栓松动检测领域。结合基于振动的方法、导波法和压电阻抗法，提取能够反映螺栓松动的参数，利用机器学习方法对螺栓松动进行识别和量化。

 

1、人工神经网络

 

神经网络，也称为人工神经网络（ANN），是目前比较流行的ML算法之一，包括反向传播神经网络和前馈神经网络等变体。典型的ANN至少包括3层：输入层、隐藏层和输出层，具体如图9(a)所示。

图9 ANN的图形表示

 

ANN根据训练时传播途径的不同，可分为反向传播和前向传播。在反向传播过程中，ANN模型调整其所有节点的权重以最小化误差，直到满足收敛条件，这种ANN被称为反向传播神经网络（BPNN）。此外，在前向传播过程中，隐藏层节点考虑来自前面节点的加权和。隐藏层节点的输出，即下一层节点的输入，是使用激活函数计算的，输出层节点将最终的加权总和进行模型预测，然后使用损失函数比较预测值和实际值。在ANN训练完成后，测试数据再通过ANN进行预测。这些类型的ANN被称为前馈神经网络。

 

大多数ANN的预测具有未知的置信度，即无法确保预测的可信度，从而导致潜在的风险。贝叶斯统计可以通过将概率视为事件发生程度的度量来考虑ANN的不确定性。概率神经网络（PNN）是一种基于贝叶斯分类规则的前馈神经网络，其使用Parzen窗概率密度进行预测。PNN的结构包括4个层次：输入层、模式层、求和层和输出层，如图10所示。

 

图10 PNN的层次模型

 

表5总结了利用BPNN和PNN对螺栓连接松动程度进行检测的分类综述。

表5 基于BPNN和PNN的螺栓松动分类综述

 

卷积神经网络（CNN）是一种前馈神经网络，其架构分为3层：卷积层、池化层和全连接层，如图11所示。

 

图11 卷积神经网络示意图

 

Zhang等使用相位运动估计方法结合CNN技术来检测螺栓松动。通过预处理（包括图像缩放和标准化）将时频图像输入CNN进行训练，以识别螺栓连接结构中的螺栓松动位置和松动状态。这种方法解决了CNN在训练数据不足方面的问题，对于CNN在结构损伤识别中的应用具有重要意义。

 

近年来，研究人员开始改进CNN的结构以提高其准确性。表6介绍了文献中用于检测螺栓连接结构松动的各种CNN模型。

 

表6 用于监测螺栓连接的CNN及其变体概述

 

目前，一些研究人员将基于视觉的方法与神经网络相结合，实现对螺栓松动状态的识别。因为大多数建筑结构采用螺栓进行固定，其中一些位于人迹罕至的环境中。由于定期检查这些螺栓连接结构既困难又昂贵，因此，研究人员基于视觉的方法结合神经网络等技术对其进行远程松动监测。 表7总结了螺栓连接自主监测的ML算法。

表7 自动监测螺栓连接的ML算法综述

 

2、支持向量机

 

支持向量机（SVM）是一种应用统计学习解决分类问题的ML算法。非线性映射函数可被应用于线性SVM以解决非线性问题。用于线性和非线性分类的SVM在图12中进行了示意。

 

图12 支持向量机的类型

 

将神经网络与检测方法结合，通过神经网络可以选择复杂信号中与预紧力相关的特征参数，以此提高螺栓松动检测的准确率。目前大多数研究都集中在单个螺栓结构上，对于多螺栓结构的研究相对较少。表8总结了用于螺栓松动检测的各种SVM方法。

 

表8 螺栓松动检测的SVM方法综述

 

结论和展望

 

基于声弹性效应的方法具有灵敏度高的优点，但评估螺栓松动时需用高精度设备测量参数变化。而且此方法多用于单个螺栓检测，无法同时检测多个螺栓，对多螺栓结构只能抽样检测；基于振动的方法主要通过分析振动数据中的特征频率、传递函数和功率谱等变化来评估螺栓连接状态，但对局部松动敏感度低，常规的激振设备（如激振器或振动筛）很难有效地激发结构的某些固有模态信息；基于导波的方法能有效提高螺栓预紧力的检测灵敏度，但在螺栓松动的早期阶段，这些方法的灵敏度仍有待提高；基于机电阻抗的监测和辨识方法通过利用PZT激励结构和感知阻抗信息，能够有效区分结构连接状态改变所引起的高频段阻抗谱的变化。

 

然而，在实际应用中，需要布置传感器信号采集阵列，由于成本较高，难以推广使用；将机器学习的信号处理方法和现有螺栓松动监检测方法相结合，进一步提高了螺栓松动的检测精度，但是多数是对单螺栓结构进行监测，而对多螺栓松动的监测研究较少。

 

通过对现有技术的总结，螺栓松动监检测技术在未来的发展中应注意以下几点：

 

1、基于声弹性效应的方法在未来的研究中应致力于开发能够同时检测多个螺栓的高精度设备，以提高多螺栓结构检测的效率和可靠性； 

 

2、基于振动的方法面临缺乏合适设备来激励结构固有模态信息的问题。因此，改进激振设备和方法，使其能够有效激发结构的固有模态信息，将是提升检测精度的关键； 

 

3、基于导波的方法对螺栓早期松动不敏感，未来的研究应集中于增强导波技术在早期松动检测中的应用效果，确保其在实际工程中的可行性和可靠性； 

 

4、针对机电阻抗技术，未来研究应着重于降低设备成本，同时保持高检测精度，使该技术更具实用性和经济性；

 

5、机器学习算法结合传统方法能够更加精准地识别螺栓松动，但是大多数方法是对单螺栓结构进行监测，未来的研究应扩大至多螺栓结构的监测，以满足复杂工程结构的需求。

 

作者：龚摇裕1,2，唐国良2，王孝然3，刘增华3

 

工作单位：北京工业大学 1.材料科学与工程学院；2.机械与能源工程学院；3.信息科学技术学院

 

来源：北京工业大学学报

 

转自：智能紧固件及紧固工具