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

激励点优化和加速度信号的结构损伤识别

刘满东 彭珍瑞

刘满东,彭珍瑞. 激励点优化和加速度信号的结构损伤识别[J]. 机械科学与技术,2021,40(11):1649-1656 doi: 10.13433/j.cnki.1003-8728.20200256
引用本文: 刘满东,彭珍瑞. 激励点优化和加速度信号的结构损伤识别[J]. 机械科学与技术,2021,40(11):1649-1656 doi: 10.13433/j.cnki.1003-8728.20200256
LIU Mandong, PENG Zhenrui. Structural Damage Detection based on Acceleration Signals under Incentive Points Optimization[J]. Mechanical Science and Technology for Aerospace Engineering, 2021, 40(11): 1649-1656. doi: 10.13433/j.cnki.1003-8728.20200256
Citation: LIU Mandong, PENG Zhenrui. Structural Damage Detection based on Acceleration Signals under Incentive Points Optimization[J]. Mechanical Science and Technology for Aerospace Engineering, 2021, 40(11): 1649-1656. doi: 10.13433/j.cnki.1003-8728.20200256

激励点优化和加速度信号的结构损伤识别

doi: 10.13433/j.cnki.1003-8728.20200256
基金项目: 国家自然科学基金项目(51768035)、甘肃省高校协同创新团队资助项目(2018C-12)及兰州市人才创新创业项目(2017-RC-66)
详细信息
    作者简介:

    刘满东(1993−),硕士研究生,研究方向为传感器优化布置、损伤识别,228691626@qq.com

    通讯作者:

    彭珍瑞,教授,博士生导师,pzrui@163.com

  • 中图分类号: TG156

Structural Damage Detection based on Acceleration Signals under Incentive Points Optimization

  • 摘要: 通过对激励点优化布置获取结构的响应信息,提出了一种以加速度信号差曲率函数作为损伤指标,直接利用输出信号快速判断结构损伤位置的方法。首先计算模态振型,以模态保证准则(MAC)矩阵非对角元素最小值作为适应度函数,采用改进粒子群算法(MPSO)优化激励点数量和位置,再运用平均加速度幅值和均方根评价准则选择较优的激励点布置方案;然后试验激励对应的位置,获取加速度信号后计算测点处损伤前后加速度差的平方的积分值,运用曲率指标函数确定损伤位置,并对加速度信号通过巴特沃斯滤波后作为改进多尺度样本熵(MMSE)的输入样本;最后根据MMSE均值的变化,判定各工况相对损伤程度变化。结果表明:利用结构响应的加速度信号差曲率函数适合作为损伤识别的判别指标,通过三维桁架振动台中螺栓连接的状态模拟损伤,可以对不同损伤工况进行损伤诊断。
  • 图  1  损伤识别流程图

    图  2  桁架试验实物图

    图  3  MPSO算法的适应度函数收敛曲线

    图  4  12个激励点位置

    图  5  各工况下的曲率变化曲线

    图  6  各工况下不同损伤位置的MMSE值

    表  1  桁架结构的基本物理参数

    杆名称材料截面
    面积/cm2
    密度/
    (kg·m−3
    泊松比
    上弦杆 3号热轧等边角钢 85.5 7800 0.3
    下弦杆 3号热轧等边角钢 85.5 7800 0.3
    直腹杆 2.5号热轧双等边角钢 141 7800 0.3
    斜腹杆 矩形截面钢 45 7800 0.3
    下载: 导出CSV

    表  2  不同激励方案及评价

    传感器个数优化的激励点位置MAC非对角元
    最大值
    f1f2
    6 3(3−Y) 7(5−Y) 12(7−Z) 20(13−Z)
    32(20−Z) 33(21−Y)
    0.5661 552.4862 1.0627
    8 5(4−Y) 10(6−Z) 11(7−Y) 19(13−Y)
    24(15−Z) 25(17−Y) 26(17−Z) 27(18−Y)
    0.3974 523.5602 0.7250
    10 3(3−Y) 11(7−Y) 20(13−Z)
    25(17−Y)26(17−Z) 27(18−Y) 32(20−Z)
    37(23−Y)38(23−Z) 41(25−Y)
    0.2839 568.1818 0.2811
    12 3(3−Y) 7(5−Y) 11(7−Y) 20(13−Z)
    22(14−Z) 23(15−Y) 26(17−Z) 29(19−Y)
    30(19−Z) 34(21−Z) 39(24−Y) 40(24−Z)
    0.1918 512.8205 0.0626
    下载: 导出CSV

    表  3  工况2激励时的曲率值

    传感器通
    道编号
    激励的位置
    节点−方向
    传感器的
    位置节点
    曲率G
    1 3−Y 2 0.0000E+00
    2 3−Y 14 7.7960E-06
    3 3−Y 4 8.9472E-06
    4 5−Y 4 7.5583E-07
    5 5−Y 12 5.0993E-05
    6 5−Y 6 9.2517E-05
    7 7−Y 6 3.4346E-05
    8 7−Y 10 1.4092E-06
    9 13−Z 14 8.2036E-06
    10 13−Z 4 4.0883E-06
    11 13−Z 12 2.3785E-05
    12 14−Z 14 2.6596E-05
    13 15−Y 2 1.7354E-06
    14 15−Y 14 3.3250E-06
    15 17−Z 28 2.1581E-05
    16 17−Z 18 2.0975E-04
    17 19−Y 18 4.3077E-04
    18 9−Y 26 2.0791E-04
    19 19−Y 20 9.5153E-06
    20 19−Z 18 1.4502E-05
    21 19−Z 26 2.5883E-05
    22 19−Z 20 6.2839E-06
    23 21−Z 20 4.7464E-06
    24 21−Z 24 1.7996E-05
    25 21−Z 22 1.5585E-05
    26 24−Y 24 2.4332E-05
    27 24−Z 24 0.0000E+00
    下载: 导出CSV

    表  4  不同工况下损伤时MMSE的均值

    工况损伤位置、程度MMSE的均值
    滤波前滤波后
    1 单元5:节点5、6螺栓完好 0.9985 0.8773
    单元56:节点18、19螺栓完好 0.6595 0.5935
    2 单元5:节点5螺栓松动、节点6螺栓缺失 0.1968 0.1829
    单元56:节点18、19螺栓松动 0.2764 0.5516
    3 单元5:节点5螺栓松动、节点6螺栓缺失 0.2980 0.4340
    单元56:节点18螺栓缺失、节点19螺栓松动 0.2113 0.3949
    4 单元5:节点5螺栓松动、节点6螺栓缺失 0.3579 0.4112
    单元56:节点18螺栓脱落、节点19螺栓松动 0.2057 0.2138
    下载: 导出CSV
  • [1] 孙利民, 尚志强, 夏烨. 大数据背景下的桥梁结构健康监测研究现状与展望[J]. 中国公路学报, 2019, 32(11): 1-20

    SUN L M, SHANG Z Q, XIA Y. Development and prospect of bridge structural health monitoring in the context of big data[J]. China Journal of Highway and Transport, 2019, 32(11): 1-20 (in Chinese)
    [2] YI T H, HUANG H B, LI H N. Development of sensor validation methodologies for structural health monitoring: a comprehensive review[J]. Measurement, 2017, 109: 200-214 doi: 10.1016/j.measurement.2017.05.064
    [3] 屈文忠, 张梦阳, 周俊宇, 等. 螺栓松动损伤的亚谐波共振识别方法[J]. 振动测试与诊断, 2017, 37(2): 279-283

    QU W Z, ZHANG M Y, ZHOU J Y, et al. Identification of bolt looseness damage by subharmonic resonance[J]. Journal of Vibration, Measurement & Diagnosis, 2017, 37(2): 279-283 (in Chinese)
    [4] ZHU W D, HE K. Detection of damage in space frame structures with L-shaped beams and bolted joints using changes in natural frequencies[J]. Journal of Vibration and Acoustics, 2013, 135(5): 051001 doi: 10.1115/1.4024393
    [5] 白鲁帅, 李钢, 靳永强, 等. 一种隔离损伤的桁架结构性态识别方法[J]. 工程力学, 2019, 36(1): 53-60 doi: 10.6052/j.issn.1000-4750.2017.09.0691

    BAI L S, LI G, JIN Y Q, et al. A structural state identification method for truss structures with separated damage[J]. Engineering Mechanics, 2019, 36(1): 53-60 (in Chinese) doi: 10.6052/j.issn.1000-4750.2017.09.0691
    [6] JIANG S C, LIN P, CHEN Y M, et al. Mixed-signal extraction and recognition of wind turbine blade multiple-area damage based on improved Fast-ICA[J]. Optik, 2019, 179: 1152-1159 doi: 10.1016/j.ijleo.2018.10.137
    [7] XIE B T, LI J K, ZHAO X F. Research on damage detection of a 3D steel frame model using smartphones[J]. Sensors, 2019, 19(3): 745 doi: 10.3390/s19030745
    [8] 阳洋, 李建雷, 梁晋秋, 等. 基于统计矩理论的无模型结构损伤识别方法研究[J]. 建筑结构学报, 2019, 40(9): 196-204

    YANG Y, LI J L, LIANG J Q, et al. Model-free structural damage identification method based on statistical moment theory[J]. Journal of Building Structures, 2019, 40(9): 196-204 (in Chinese)
    [9] 李世龙, 马立元, 李永军, 等. 一种多目标传感器优化布置方法及其应用[J]. 振动测试与诊断, 2016, 36(6): 1196-1203, 1243

    LI S L, MA L Y, LI Y J, et al. Multi-objective optimal sensor placement method and its application[J]. Journal of Vibration, Measurement & Diagnosis, 2016, 36(6): 1196-1203, 1243 (in Chinese)
    [10] CARNE T G, DOHRMANN C R. A modal test design strategy for model correlation[C]//Proceedings of the 13th International Modal Analysis Conference. Schenectady: New York Union College, 1995, 927-933.
    [11] SHRESTHA P, KIM J H, PARK Y, et al. Impact localization on composite wing using 1D array FBG sensor and RMS/correlation based reference database algorithm[J]. Composite Structures, 2015, 125: 159-169 doi: 10.1016/j.compstruct.2015.01.029
    [12] 张建伟, 刘轩然, 赵瑜, 等. 基于有效独立-总位移法的水工结构振测传感器优化布置[J]. 振动与冲击, 2016, 35(8): 148-153

    ZHANG J W, LIU X R, ZHAO Y, et al. Optimal sensor placement for hydraulic structures based on effective independence-total displacement method[J]. Journal of Vibration and Shock, 2016, 35(8): 148-153 (in Chinese)
    [13] 李播博, 袁惠群, 王光定, 等. 基于振动环境预测的结构动力学特性分析[J]. 东北大学学报, 2018, 39(2): 216-220 doi: 10.12068/j.issn.1005-3026.2018.02.014

    LI B B, YUAN H Q, WANG G D, et al. Analysis of structural dynamic characteristics based on vibration environment prediction[J]. Journal of Northeastern University, 2018, 39(2): 216-220 (in Chinese) doi: 10.12068/j.issn.1005-3026.2018.02.014
    [14] KENNEDY J, EBERHART R C. Particle swarm optimization[C]// Proceedings of IEEE International Conference on Neural Networks. Piscataway: IEEE Service Center, 1995: 1942-1948.
    [15] 宋召运, 刘波, 程昊, 等. 基于改进粒子群算法的串列叶型优化设计[J]. 推进技术, 2016, 37(8): 1469-1476

    SONG Z Y, LIU B, CHENG H, et al. Optimization of tandem blade based on modified particle swarm algorithm[J]. Journal of Propulsion Technology, 2016, 37(8): 1469-1476 (in Chinese)
    [16] 杜成斌, 金立成, 吴志勤. 基于动力响应识别结构内部缺陷的损伤指标法[J]. 力学学报, 2019, 51(6): 1841-1855 doi: 10.6052/0459-1879-19-221

    DU C B, JIN L C, WU Z Q. Damage index method for detection of flaws based on dynamic response[J]. Chinese Journal of Theoretical and Applied Mechanics, 2019, 51(6): 1841-1855 (in Chinese) doi: 10.6052/0459-1879-19-221
    [17] 易贤龙, 唐辉明, 吴益平, 等. PPP-BOTDA分布式光纤技术在白水河滑坡监测中的应用[J]. 岩石力学与工程学报, 2016, 35(S1): 3084-3091

    YI X L, TANG H M, WU Y P, et al. Application of the PPP-BOTDA distributed optical fiber sensor technology in the monitoring of the Baishuihe landslide[J]. Chinese Journal of Rock Mechanics and Engineering, 2016, 35(S1): 3084-3091 (in Chinese)
    [18] PINCUS S M. Approximate entropy as a measure of system complexity[J]. Proceedings of the National Academy of Sciences of the United States of America, 1991, 88(6): 2297-2301 (in Chinese)
    [19] 张龙, 黄文艺, 熊国良. 基于多尺度熵的滚动轴承故障程度评估[J]. 振动与冲击, 2014, 33(9): 185-189

    ZHANG L, HUANG W Y, XIONG G L. Assessment of rolling element bearing fault severity using multi-scale entropy[J]. Journal of Vibration and Shock, 2014, 33(9): 185-189 (in Chinese)
    [20] 刘建昌, 权贺, 于霞, 等. 基于参数优化VMD和样本熵的滚动轴承故障诊断[J/OL]. 自动化学报, 1-12. https://doi.org/10.16383/j.aas.190345.

    LIU J C, QUAN H, YU X, et al. Rolling bearing fault diagnosis based on parameter optimization VMD and sample entropy[J/OL]. Acta Automatica Sinica, 1-12. https://doi.org/10.16383/j.aas.190345 (in Chinese)
    [21] 李永健, 刘吉华, 张卫华, 等. 改进样本熵及其在列车轴承损伤检测中的应用[J]. 仪器仪表学报, 2018, 39(9): 179-186

    LI Y J, LIU J H, ZHANG W H, et al. Improved multiscale sample entropy and its application in train axle bearing fault detection[J]. Chinese Journal of Scientific Instrument, 2018, 39(9): 179-186 (in Chinese)
  • 加载中
图(6) / 表(4)
计量
  • 文章访问数:  24
  • HTML全文浏览量:  7
  • PDF下载量:  1
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-02-23
  • 网络出版日期:  2021-11-19
  • 刊出日期:  2021-11-05

目录

    /

    返回文章
    返回