学术报告

本文是一项原始研究的报告，题目为“A method for automated bolt-loosening monitoring and assessment using impedance technique and deep learning”，发表在2023年1月24日上线的《Developments in the Built Environment》期刊第14期，DOI为10.1016/j.dibe.2023.100122。这项研究的主要作者包括Thanh-Truong Nguyen、Quoc-Bao Ta、Duc-Duy Ho、Jeong-Tae Kim、Thanh-Canh Huynh，分别来自越南胡志明市工业维护培训中心（Industrial Maintenance Training Center, Ho Chi Minh City University of Technology, HCMUT, VNU-HCM）、韩国釜庆国立大学海洋工程系（Pukyong National University, South Korea）、以及越南岘港的Duy Tan University。

学术背景

螺栓连接广泛应用于建筑和机械工程领域，其具有高强度、安装方便和现场施工节省时间等优点。然而，由于振动和腐蚀等因素的影响，螺栓容易出现自松动（self-loosening），从而导致连接结构的性能下降，甚至会引发疲劳裂纹和灾难性失效。为保证螺栓连接结构的安全性和服役性能，早期阶段的螺栓松动检测显得尤为重要。

近年来，智能材料和传感器技术的进步推动了结构健康监测（Structural Health Monitoring, SHM）的快速发展。其中，基于压电材料（PZT, lead-zirconate-titanate）的阻抗技术因其高灵敏度、实时能力和成本效益获得广泛关注。然而，传统的基于人为特征提取的阻抗监测技术在定量评价松动程度方面存在挑战。因此，本研究结合了阻抗技术和深度学习算法，提出了一种通过自动提取阻抗特征进行螺栓松动检测与评估的新方法。

研究目标

该研究旨在： 1. 开发一种结合阻抗技术和一维卷积神经网络（1D CNN）的全自动螺栓松动评估方法； 2. 验证该方法在定位松动螺栓和估计松动程度上的能力； 3. 比较不同深度的一维卷积神经网络模型的性能，找出最优模型。

实验方法与流程

1. 实验设计概述

文章提出了一种新的自动化螺栓松动监测方法，其总体流程分为两个阶段： - 阶段I：电机阻抗监测：通过在目标结构上安装压电传感器（PZT），激励并记录连接结构的阻抗响应。 - 阶段II：螺栓松动识别：利用训练好的1D CNN模型自动处理阻抗数据，并预测螺栓松动的位置和松动程度。

2. 模型开发

研究者设计了四个不同深度的1D CNN模型（模型1至模型4），用于自动化的扭矩损失估计。这些模型从原始阻抗信号中提取特征，进而完成损伤检测任务。以下是CNN架构的亮点： - 使用Batch Normalization和ReLU函数加速训练； - 通过不同数量的卷积层、池化层和全连接层调整模型深度； - 使用均方误差（MSE）作为损失函数，并通过最小化损失优化模型。

3. 实验设置与测试场景

实验在实验室中的钢梁连接结构上进行： - 结构设计：测试结构为一个缩小比例的钢梁连接，顶部法兰构件用螺栓（M20型）连接，初始扭矩为160 Nm。 - 传感装置：在测试结构上安装一个PZT传感器，激励其振动，并利用Hioki 3532阻抗分析仪记录10–100kHz频段的阻抗响应。 - 松动模拟：设置了16种不同的状态（包括4种无松动和12种单螺栓不同松动程度的状态），分别模拟螺栓在31.25%、62.5%和100%扭矩损失下的松动过程。

4. 数据增广与模型训练

为增强数据集，研究者通过向阻抗响应信号中添加不同标准差的高斯噪声，生成额外的训练和测试数据。最终数据集包括64组原始信号及其噪声扩展版本，按照75%训练集和25%测试集的比例用于模型训练与验证。

实验结果与分析

1. 传统方法的局限性

研究者利用传统的统计指标（如RMSD和CCD指标）计算不同螺栓状态的阻抗变化，发现： - 此类方法在近距离螺栓松动监测中能获得明显变化，但在监测远距离螺栓松动时表现出灵敏度差、误报率高的缺点； - 由于螺栓重新紧固过程可能引入非线性阻抗效应，这些传统指标易受到阻抗非线性变化的影响，从而导致错误的松动检测结果。

2. 基于1D CNN的方法

在1D CNN模型的性能上： - 模型1的预测误差最低（训练集RMSE为0.063，测试集RMSE为0.081），且表现优于其它深度模型； - 通过预测误差分布计算出的上控限值（UCL）进一步有效区分了健康状态和松动状态； - 与传统指标相比，该方法能有效消除因螺栓重新紧固引起的非线性噪声，对扭矩损失情况具有更高的分辨率。

在测试预测中，不论螺栓松动程度是否微小（最小扭矩损失为31.25%），模型1均成功检测并定位了松动螺栓，且预测的松动程度与真实值高度一致。

研究结论

1. 本研究开发的螺栓松动自动化监测方法结合了阻抗测量和一维卷积神经网络，显著提高了螺栓松动的检测精度和实时性能；
2. 该方法通过自动化的特征提取克服了传统方法在频段选择和非线性噪声处理上的局限性；
3. 实验证明，使用单个PZT传感器即可监测多个螺栓，从而降低了监测成本和复杂度。

研究的亮点与意义

1. 创新性方法：本研究首次将阻抗技术与1D CNN方法结合，用于螺栓松动检测，展示出自动提取特征的能力。
2. 低成本实现：与传统多传感器结构健康监测方法相比，本方法仅需一个PZT传感器即可完成多个螺栓的测试。
3. 高精度检测：模型1成功地实现了扭矩损失的精确预测，并在微小松动状态下表现出良好鲁棒性。
4. 实时应用潜力：无需信号预处理和频段选择，使该方法在结构健康监测的实际应用中具有显著优势。

研究团队未来将把这一方法应用于实际结构中的在位监测，并评估其适应性和普适性，为广泛螺栓连接健康状态的监控提供科学依据。