[发明专利]一种基于BP神经网络的预测螺栓残余夹紧力的方法

说明书

本发明公开了一种基于BP神经网络的预测螺栓残余夹紧力的方法，该方法包括：设计制造螺栓松动试验件，开展不同工况下螺栓连接结构的松动试验，并记录夹紧力的衰减数据。应用BP神经网络模型，以工况条件和循环周次(服役时间)作为输入，以残余夹紧力的百分比作为输出，将试验数据导入神经网络模型进行训练；训练完成后的神经网络模型可以预测特定工况下螺栓的残余夹紧力。本发明提出了螺栓连接结构服役期间残余夹紧力的预测方法，可准确预测特定工况下螺栓的残余夹紧力，并对螺栓的二次紧固周期进行判断。为栓接结构的检修和维护提供参考，提高螺栓连接结构的可靠性。

技术领域

本发明涉及一种预测螺栓残余夹紧力的方法，尤其涉及一种基于BP神经网络的预测螺栓残余夹紧力的方法，属于螺栓设计领域。

背景技术

螺栓连接结构因其具有结构简单、方便拆卸、低成本等特点，被广泛应用于各类机械结构中，是工程中最常用的连接方式之一。螺栓的主要功能是紧固被连接件，避免被连接件出现相对滑移。只有螺栓连接结构具有足够的夹紧力，才能确保连接结构的可靠性和密封性。在实际应用中螺纹紧固件在冲击、振动、交变载荷等动载荷作用下，会发生夹紧力随服役时间增加而减小的情况即螺栓连接结构的松动。螺栓连接结构松动轻则造成振动加剧、泄漏、噪声等问题使产品性能下降，重则使所连接部件发生解体，造成重大的安全事故与经济损失。

螺栓连接结构的松动过程比较复杂，影响因素较多，且松动程度与各影响因素间通常具有复杂的非线性关系。目前已通过大量的试验定性地总结了部分影响因素的影响规律，但是至今仍没有一个形式简单、预测准确的模型可以用于预测螺栓连接结构在指定载荷条件下的残余夹紧力，为检修周期的确定提供指导，以提高栓接结构的可靠性和安全性。

人工神经网络具有很强的自学习能力、非线性映射能力以及高度的并行计算能力和容错能力，为解决这类复杂、影响因素多难以用确定的数学模型描述的非线性问题提供了一个有力的工具。因此，建立一种形式简单、预测准确可用于指导工程应用的残余夹紧力预测模型，是本领域亟需解决的问题之一。

发明内容

本发明的目的旨在提供一种预测螺纹紧固件在服役期内残余夹紧力的方法，建立形式简单、预测准确的螺栓连接结构夹紧力衰减模型，以解决螺纹紧固件在服役过程中夹紧力难以直接监测的问题，为工程中螺纹紧固件检修周期的确定提供指导。

为实现上述目的，本发明提供以下技术方案：

根据螺栓型号设计、制造相应载荷下螺栓松动试验装置。

对螺栓连接结构进行相应载荷下的松动试验，获取螺栓残余夹紧力变化值。

以工况条件以及服役时间为输入向量，以对应条件下的残余夹紧力与初始夹紧力的比值作为输出向量。

确定BP神经网络的结构参数，对数据进行预处理，并把试验数据的分为训练样本集和测试样本集。

用测试样本集中的数据对BP神经网络模型进行训练，并调整其网络参数，训练成功后，用测试数据集中的数据对其进行测试，以验证神经网络模型的正确性。

经测试合格后的神经网络模型可以利用其泛化能力对指定工况下螺纹紧固件的残余夹紧力进行预测，判断其是否还能达到设计要求标准，并决定是否对其进行再次紧固。

本发明与现有的螺栓连接结构松动过程的拟合方法相比，只需用足够的试验数据对BP神经网络进行训练，调整网络结构参数，训练完成后的神经网络模型可完全反映出各影响因素与夹紧力衰减之间复杂的非线性映射关系，且还可利用其泛化能力对指定工况下螺纹紧固件的残余夹紧力进行预测。

本发明所提出的预测螺纹紧固件残余夹紧力的方法，具有形式简单、预测准确的特点，克服了螺纹紧固件在服役过程中夹紧力难以直接监测的困难，可用于指导工程中螺栓连接结构的设计以及螺栓连接结构的检修周期的确定，避免出现因螺栓连接结构夹紧力达不到设计要求而导致的重大安全事故或经济损失。

附图说明