基于壓電阻抗和卷積神經網絡的螺栓球節點健康監測

姜世宇,徐 菁,任師訓,張 端

(青島理工大學 土木工程學院,青島 266525)

螺栓球節點是空間結構最常見的節點連接形式,具有構造簡單、安裝速度快、施工周期短等優點,被廣泛應用于體育館、會展中心、航站樓等重要的標志性建筑。然而,設計過程中的計算模型假定,安裝過程中螺栓假擰和擰入深度不足、螺釘丟失,以及風荷載、材料老化等綜合因素的影響,不可避免地導致螺栓球節點在長期的使用過程中出現連接松動。一旦節點發生松動,相連桿件就會部分喪失承載能力,如果不能及時發現并彌補,將會導致結構損壞,甚至倒塌[1]。因此對螺栓球節點健康進行監測,實時準確發現節點的松動,對于避免空間結構發生安全事故具有重要意義。

基于壓電阻抗的健康監測技術是利用壓電陶瓷傳感器(PZT)的自感知能力,將PZT粘貼于結構外表面,根據PZT的阻抗變化,確定結構的健康狀態[2]。相比于傳統檢測技術,它尤其適合于對微小損傷進行無損、實時、在線監測。目前壓電阻抗傳感技術已被成功應用于管道結構[3-4]、橋梁工程[5-7]、鋼筋混凝土結構[8-10]等領域。張政等將壓電陶瓷傳感器粘貼在焊縫結構表面,用阻抗儀測量阻抗信息,實現了對焊縫結構損傷的監測和定位[11];梁亞斌使用阻抗分析法成功監測了斜拉橋銷鉸結構銷釘的負載狀態以及型鋼混凝土組合梁的滑移[12];孫威等針對混凝土結構裂縫損傷,將壓電陶瓷傳感器以智能骨料的形式埋置在混凝土構件內部,實現了對混凝土結構服役期間的裂縫損傷監測[13]。

由于空間結構螺栓球節點連接螺栓位于節點內部,因此螺栓松動具有一定的隱蔽性且微小難以察覺的問題,本文提出基于壓電阻抗和卷積神經網絡(CNN)的螺栓球節點健康監測方法。在桿件近球節點一側的外表面粘貼PZT,通過監測PZT的電導信號(阻抗的倒數)變化,識別節點內部螺栓松動的發生;利用CNN具有魯棒性、容錯性和準確性的特點,對電導信號進行處理,進一步確定螺栓球節點的松動程度。該方法具有較高的敏感性和較強的魯棒性,以期為空間結構的安全運營提供一定的保障。

1 基于壓電阻抗和卷積神經網絡的監測方法基本原理

1.1 螺栓球節點連接構造

圖1(a)為螺栓球節點的組成示意。螺栓球節點的安裝是通過不斷旋擰套筒,實現高強螺栓與螺栓球之間的連接。隨著高強螺栓逐漸被擰入螺栓球,在桿件與套筒的接觸面和套筒與螺栓球的接觸面之間建立了一定的法向擠壓力,節點連接剛度逐漸增大,最終實現螺栓球和桿件之間的連接。由圖1(b)可知,節點組裝完成后高強螺栓完全隱藏在內部,因此,螺栓連接的松緊程度較難被監測。

圖1 螺栓球節點示意

1.2 壓電阻抗基本原理

利用壓電阻抗對結構進行健康監測時原理如圖2所示。

圖2 壓電阻抗健康監測原理

在激振狀態下,結構的固有動態特性和激振性質決定了結構的機械阻抗Zs[14]:

(1)

式中:c為阻尼;m為質量;k為靜剛度;ω為激振頻率;i為虛數單位。

由式(1)可知,若結構發生損傷,結構的阻尼、靜剛度會相應地發生變化,結構的機械阻抗也會改變。因此,識別結構的損傷可以通過測量結構機械阻抗的改變來實現。但是現有研究無法精確測得結構的機械阻抗。

結構耦合PZT的導納方程[15]:

(2)

當螺栓球節點連接發生松動時,節點位置的結構局部剛度減弱,由式(2)可知,當PZT參數和狀態不變時,PZT電信號(電阻抗或電導納)的變化可以直接反應結構機械阻抗的變化。因此,可以通過比較節點連接松動前后PZT的電信號差異,來監測螺栓的健康狀態。

1.3 基于壓電阻抗和卷積神經網絡的螺栓球節點健康監測流程

基于壓電阻抗和CNN的分步健康監測方法研究的基本流程,如圖3所示。①根據獲取的信號曲線特征,確定電導(阻抗的倒數)作為損傷特征參數;②根據節點松動前后電導信號的變化,確定節點松動是否發生;③以歸一化的電導信號矩陣為輸入,以損傷程度對應的二進制標簽為輸出,以tanh為激活函數,以分類交叉熵(Categorical_Crossentropy)為損失函數,訓練CNN直至學習誤差達到可接受的誤差范圍為止;④對CNN進行測試,將測試樣本輸入到訓練好的CNN模型中,確定節點松動程度。

圖3 基于壓電阻抗和卷積神經網絡的健康監測流程

2 模型試驗

2.1 試驗簡介

2.1.1 試驗模型

使用Q345鋼材制作一個以螺栓球節點作為連接方式的縮尺網架,網架的高度為200 mm,螺栓球節點尺寸為φ40 mm×10 mm,連接桿尺寸為φ400 mm×10 mm,如圖4所示。

圖4 縮尺網架模型

2.1.2 試驗裝置

圖5為基于壓電阻抗的螺栓球節點健康監測試驗裝置示意。其中PZT的尺寸為15 mm×10 mm×0.5 mm,使用環氧樹脂與桿件表面黏接。為了提高黏接效果,首先在桿件表面打磨黏接區域,然后使用環氧樹脂將PZT黏接在與螺栓球非常接近的桿件表面。最后,從外部使用環氧樹脂對整個黏接區域進行加固。PZT位置及詳細尺寸如圖6所示。整體試驗裝置如圖7所示。

圖6 PZT位置及詳細尺寸(單位:mm)

圖7 試驗裝置

2.1.3 工況設計

螺栓球節點的安裝包括初擰和終擰兩個階段:初擰階段,用手擰緊套筒直至無法轉動;終擰階段,利用顯示扭矩的扳手繼續旋擰套筒,直到施加了額定的扭矩,即認為節點安裝完畢,此時被認為是節點連接的健康狀態。考慮到壓電阻抗對微小損傷具有較高的敏感性,因此本研究主要針對終擰階段的螺栓松動進行監測,以期能夠及時發現連接早期的小松動,便于人工及時補救。

安裝過程中,高強螺栓應受的預緊扭矩和預拉力之間應滿足:

Tc=KPcd

(3)

式中:Tc為高強螺栓的預緊扭矩;K為扭矩系數;Pc為設計規定的預拉力;d為螺栓直徑。

本試驗縮尺模型使用的M8高強螺栓,直徑8 mm,強度等級10.9,預拉力Pc=24 300 N,螺栓為有潤滑的一般加工表面,故取預緊力系數K=0.14,根據式(3),本試驗所采用的高強螺栓預緊扭矩為27.216 N·m。因此,在設置試驗工況時,以扭矩扳手施加扭矩20 lbf·ft(1)1 lbf·ft=1.356 N·m(27.12 N·m)作為健康狀態。

為了模擬不同的節點連接松緊狀態,設計了9種不同的損傷程度工況,如表1所示。首先進行初擰,然后利用扭矩扳手正向施加20 lbf·ft(27.12 N·m)的扭矩,使連接達到健康狀態,為了構建9個不同的螺栓松動狀態,利用扭矩扳手反向旋擰套筒,依次施加2.5 lbf·ft(3.39 N·m)的扭矩,定義為工況1—工況9,即:GK1—GK9。

表1 確定損傷程度的工況設計

2.1.4 試驗過程

基于壓電阻抗的健康監測方法,監測結果的準確性與敏感頻段和特征參數的選擇密切相關。為了選擇合適的頻率范圍,在100～300 kHz的寬頻范圍內對試件上的PZT進行掃描。在GK1和GK2下PZT的電導和電納特征如圖8和圖9所示,在特征頻譜中共計有801個采樣點。在200～220 kHz的頻率范圍內,電導信號比電納信號的峰值特征更明顯,因此選擇電導作為測量的特征參數。如圖8所示,選擇200～220 kHz的頻率范圍作為敏感頻段。

對敏感頻段進行掃頻分析,設置電導數據采樣點仍為801個。根據表1設計的工況條件分別提取9個工況下PZT的電導數據。

2.2 基于電導信號判斷損傷發生

在試驗過程中,隨著反向扭矩從0 lbf·ft(0 N·m)增加到20 lbf·ft(27.12 N·m),PZT在200～220 kHz敏感頻率范圍內不同松動程度下的電導特征曲線如圖10所示。通過曲線可以看出,9種工況下PZT電導信號發生了明顯的變化,電導信號的變化表明結構發生了不同程度的損傷。

2.3 基于CNN確定損傷程度

與傳統的神經網絡相比,CNN能進行卷積計算,具有較強的大數據處理能力[16],因此,為了保留更多的結構特征信息,本研究將利用體量較大的原始數據,即PZT的電導信號矩陣,構建CNN網絡。

根據表1設計的工況條件分別提取9個工況下PZT的電導數據,并且針對每一種工況重復試驗20次,分別記錄電導數據。共計獲得9×20=180組數據,隨機選取該數據集的70%作為訓練集,其余30%作為測試集。設置阻抗儀中的電導數據采樣點為801個,構成一個180×801的電導信號矩陣,其中,CNN網絡的訓練數據維度為126×801,完整的測試數據維度為54×801。

表2 卷積神經網絡模型參數

為了使不同量綱的數據映射到同一固定范圍中,減少無效噪聲數據的特征影響,使模型更準確的同時加快算法的收斂速度,對該電導數據進行歸一化處理。以歸一化后的電導信號矩陣作為CNN網絡的輸入。采用one-hot編碼將表1所示的9種損傷程度轉換為易于機器學習算法利用的二進制變量,以每種損傷程度對應的二進制標簽變量作為CNN網絡的輸出。使用6層一維卷積層(Conv1D layer)進行卷積計算,同時使用3層一維池化層(MaxPooling1D layer)來優化冗余信息,簡化網絡復雜度。使用激活函數tanh(hyperbolic tangent function)來增加網絡計算的非線性,并在最后添加一個扁平層和一個全連接層與輸出層(Dense layer)連接,網絡模型參數見表2。為了避免精度不足和過擬合,反復測算選擇迭代次數epoch=30,單次訓練選取樣本容量batch_size=1,進行CNN網絡的訓練。

使用Keras架構下的Tensorflow后端進行網絡的構建,并將測試數據集輸入訓練好的CNN進行網絡測試,獲得網絡測試精度為0.999 025 82,訓練過程的收斂曲線如圖11所示,訓練在第17次迭代時均方誤差值達到了預設的0.002。在深度學習中,混淆矩陣(Confusion Matrix)通常被用作呈現算法性能的可視化工具,混淆矩陣的行代表了數據的真實類別,列代表了預測類別,每一列中的數值表示真實數據被預測為該類的概率值,本文采用混淆矩陣的形式來展現上述測試集識別結果,如圖12示。

圖11 基于CNN的訓練過程

圖12 測試集的混淆矩陣

由圖12可知,CNN準確識別了所有測試工況的損傷程度,分類準確率極高。

綜上,基于CNN的空間結構螺栓球節點連接健康監測方法能夠準確識別螺栓球節點連接的松動程度,該方法精度高,時間短,迭代次數少,具有很高的準確性。

3 結論

針對空間結構螺栓球節點內部螺栓松動較難被察覺的問題,提出了一種基于壓電阻抗和卷積神經網絡的空間結構螺栓球節點健康監測方法,通過理論分析和模型試驗,得出以下結論:

1) 由理論分析可知,當螺栓球節點連接松動時,與結構耦合的PZT阻抗信號會發生變化,因此可以通過對比節點松動前后PZT的阻抗或導納信號變化來實現對節點內部螺栓松動的監測。

2) 試驗過程中在桿件上粘貼PZT,以接收到的電導信號作為損傷指標,對比螺栓球節點在健康和松動狀態下的電導曲線,可以確定螺栓是否發生松動;將PZT電導數據矩陣輸入到訓練好的CNN中,可以量化螺栓松動的程度。

綜上,所提出的基于壓電阻抗和卷積神經網絡的螺栓球節點健康監測方法是有效、可行的,該方法具有敏感性高和魯棒性強的優點,對螺栓球節點內部螺栓松動的監測具有一定的參考價值,為空間結構健康監測提供了一種全新的思路。