留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

Lamb波高斯混合模型螺栓松动损伤检测

王刚 肖黎 屈文忠

王刚, 肖黎, 屈文忠. Lamb波高斯混合模型螺栓松动损伤检测[J]. 机械科学与技术, 2020, 39(4): 493-500. doi: 10.13433/j.cnki.1003-8728.20190183
引用本文: 王刚, 肖黎, 屈文忠. Lamb波高斯混合模型螺栓松动损伤检测[J]. 机械科学与技术, 2020, 39(4): 493-500. doi: 10.13433/j.cnki.1003-8728.20190183
Wang Gang, Xiao Li, Qu Wenzhong. Bolt Looseness Damage Detection using Lamb Wave Gaussian Mixture Model[J]. Mechanical Science and Technology for Aerospace Engineering, 2020, 39(4): 493-500. doi: 10.13433/j.cnki.1003-8728.20190183
Citation: Wang Gang, Xiao Li, Qu Wenzhong. Bolt Looseness Damage Detection using Lamb Wave Gaussian Mixture Model[J]. Mechanical Science and Technology for Aerospace Engineering, 2020, 39(4): 493-500. doi: 10.13433/j.cnki.1003-8728.20190183

Lamb波高斯混合模型螺栓松动损伤检测

doi: 10.13433/j.cnki.1003-8728.20190183
基金项目: 

国家自然科学基金项目 51975581

国家自然科学基金项目 51378402

详细信息
    作者简介:

    王刚(1996-), 硕士研究生, 研究方向为结构健康监测, wang_gang@whu.edu.cn

    通讯作者:

    肖黎, 副教授, 硕士生导师, 博士, xiaolily@whu.edu.cn

  • 中图分类号: TN384

Bolt Looseness Damage Detection using Lamb Wave Gaussian Mixture Model

  • 摘要: 螺栓连接广泛应用于多种领域,及时发现螺栓松动的位置是结构健康监测的重要课题之一。利用粘贴在铝板上的压电阵列采集Lamb波信号,提取特征参数集建立高斯混合模型。通过采集监测区域内螺栓连接结构的各种松动工况的数据建立完备的基准数据库,更新实时数据建立动态高斯混合模型,基于高斯混合模型之间概率密度分布之间的相似度最大准则,判断监测区域的各个螺栓松动情况。实验结果表明,螺栓松紧状态一致的测试样本与训练样本之间的高斯混合模型概率分布相似度值达到0.99以上,明显高于工况不匹配的相似度,该方法可有效判断监测区域每个螺栓的松紧状态。
  • 图  1  螺栓松动定位原理示意图

    图  2  实验装置图

    图  3  螺栓及压电传感器布置图

    图  4  典型Lamb波接收信号

    图  5  不同路径不同工况的局部波信号图

    图  6  工况1下K-means聚类和GMM概率分布

    图  7  工况2下K-means聚类和GMM概率分布

    图  8  工况3下K-means聚类和GMM概率分布

    图  9  工况4下K-means聚类和GMM概率分布

    图  10  4种测试样本的GMM概率分布

    图  11  测试样本-训练样本相似度计算

    表  1  不同工况对应的螺栓松紧状态

    螺栓 工况1 工况2 工况3 工况4
    A 拧紧 松动 松动 拧紧
    B 拧紧 拧紧 松动 松动
    下载: 导出CSV
  • [1] 杜飞, 徐超.螺栓连接松动的导波监测技术综述[J].宇航总体技术, 2018, 2(4):13-23 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=0120181202011526

    Du F, Xu C. A review on bolt preload monitoring using guided waves[J]. Astronautical Systems Engineering Technology, 2018, 2(4):13-23(in Chinese) http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=0120181202011526
    [2] 茅正冲, 涂文辉.基于分层识别的快速说话人识别研究[J].计算机工程与技术, 2018, 40(7):1244-1249 http://d.old.wanfangdata.com.cn/Periodical/jsjgcykx201807015

    Mao Z C, Tu W H. Fast speaker recognition based on hierarchical recognition[J]. Computer Engineering and Science, 2018, 40(7):1244-1249(in Chinese) http://d.old.wanfangdata.com.cn/Periodical/jsjgcykx201807015
    [3] 朱文杰, 王广龙, 田杰, 等.空时自适应混合高斯模型复杂背景运动目标检测[J].北京理工大学学报, 2018, 38(2):165-172 http://d.old.wanfangdata.com.cn/Periodical/bjlgdxxb201802010

    Zhu W J, Wang G L, Tian J, et al. Spatio-temporal adaptive mixture of Gaussians for moving objects detection in complex background scenes[J]. Transactions of Beijing Institute of Technology, 2018, 38(2):165-172(in Chinese) http://d.old.wanfangdata.com.cn/Periodical/bjlgdxxb201802010
    [4] 柴五一, 杨丰, 袁绍锋, 等.用于图像分割的多分类高斯混合模型和基于邻域信息的高斯混合模型[J].计算机科学, 2018, 45(11):272-277 http://d.old.wanfangdata.com.cn/Periodical/jsjkx201811044

    Chai W Y, Yang F, Yuan S F, et al. Multi-class Gaussian mixture model and neighborhood information based Gaussian mixture model for image segmentation[J]. Computer Science, 2018, 45(11):272-277(in Chinese) http://d.old.wanfangdata.com.cn/Periodical/jsjkx201811044
    [5] Qiu L, Yuan S F, Bao Q, et al. Crack propagation monitoring in a full-scale aircraft fatigue test based on guided wave-Gaussian mixture model[J]. Smart Materials and Structures, 2016, 25(5):055048 doi: 10.1088/0964-1726/25/5/055048
    [6] 邱雷, 房芳, 袁慎芳, 等.导波强化裂变聚合概率模型损伤监测方法[J].振动、测试与诊断, 2018, 38(3):438-445 http://d.old.wanfangdata.com.cn/Periodical/zdcsyzd201803002

    Qiu L, Fang F, Yuan S F, et al. Guided wave and enhanced split merge probability model based on damage evaluation method[J]. Journal of Vibration, Measurement & Diagnosis, 2018, 38(3):438-445(in Chinese) http://d.old.wanfangdata.com.cn/Periodical/zdcsyzd201803002
    [7] Banerjee S, Qing X P, Beard S, et al. Prediction of progressive damage state at the hot spots using statistical estimation[J]. Journal of Intelligent Material Systems and Structures 2010, 21(6):595-605 doi: 10.1177/1045389X10361632
    [8] Chakraborty D, Kovvali N, Papandreou-Suppappola A, et al. An adaptive learning damage estimation method for structural health monitoring[J]. Journal of Intelligent Material Systems and Structures, 2015, 26(2):125-143 doi: 10.1177/1045389X14522531
    [9] Tsch pe C, Wolff M. Statistical classifiers for structural health monitoring[J]. IEEE Sensors Journal, 2009, 9(11):1567-1576 doi: 10.1109/JSEN.2009.2019330
    [10] Wang Q, Ma S X, Yue D. Identification of damage in composite structures using Gaussian Mixture Model-processed Lamb waves[J]. Smart Materials and Structures, 2018, 27(4):045007 doi: 10.1088/1361-665X/aaaf96
    [11] 张雪峰, 马静, 关崴, 等.基于高斯混合模型的滚动轴承故障诊断[J].时代汽车, 2018(12):188-190 http://d.old.wanfangdata.com.cn/Periodical/sdqc201812080

    Zhang X F, Ma J, Guan W, et al. Rolling bearing fault diagnosis based on gaussian mixture model[J]. Auto Time, 2018(12):188-190(in Chinese) http://d.old.wanfangdata.com.cn/Periodical/sdqc201812080
    [12] 龙铭, 文章, 黄文艺, 等.滚动轴承故障程度评估的AR-GMM方法[J].机械科学与技术, 2016, 35(8):1183-1188 doi: 10.13433/j.cnki.1003-8728.2016.0806

    Long M, Wen Z, Huang W Y, et al. Assessment of rolling bearing fault degree using AR-GMM[J]. Mechanical Science and Technology for Aerospace Engineering, 2016, 35(8):1183-1188(in Chinese) doi: 10.13433/j.cnki.1003-8728.2016.0806
    [13] 肖涵.基于高斯混合模型与子空间技术的故障识别研究[D].武汉: 武汉科技大学, 2007

    Xiao H. The research on fault identification based on Gaussian mixture model and subspace methods[D]. Wuhan: Wuhan University of Science and Technology, 2007(in Chinese)
    [14] 袁慎芳.结构健康监控[M].北京:国防工业出版社, 2007

    Yuan S F. Structural health monitoring and damage control[M]. Beijing:National Defense Industry Press, 2007(in Chinese)
    [15] Banfield J D, Raftery A E. Model-based Gaussian and non-Gaussian clustering[J]. Biometrics, 1993, 49(3):803-821 doi: 10.2307/2532201
  • 加载中
图(11) / 表(1)
计量
  • 文章访问数:  205
  • HTML全文浏览量:  142
  • PDF下载量:  33
  • 被引次数: 0
出版历程
  • 收稿日期:  2019-04-28
  • 刊出日期:  2020-04-05

目录

    /

    返回文章
    返回