一种基于动响应的螺栓连接件等效模型参数识别方法

摘要

本发明公开了一种基于动响应的螺栓连接件等效模型参数识别方法，具体如下：S1：对试验件建立有限元Iwan等效模型；S2：对试验件进行冲击响应测试试验，获取试验载荷和加速度响应；S3：获取等效模型在试验载荷作用下的模型加速度响应及Iwan参数组合值；S4：通过函数算法获取试验加速度响应和模型加速度响应的幅值包络数据点；S5：将模型加速度响应的幅值包络数据点作为输入值、Iwan参数组合值作为输出值构建神经网络；S6：将试验加速度响应的幅值包络数据点作为神经网络的输入数据，确定识别参数；S7：确认识别参数是否位于Iwan参数组合值的变化范围内，若不是，重复步骤S3～S6。本发明能够快速、准确地确定螺栓连接结构的非线性特性，操作简便、可行性强。

说明书

技术领域

本发明涉及螺栓连接的有限元模型技术领域，尤其涉及一种基于动响应的螺栓连接件等效模型参数识别方法。

背景技术

常见的螺栓连接等效模型往往为线性等效模型，这类模型的参数识别已有成熟高效的识别方法。对于考虑螺栓连接非线性的等效模型，采用常规的反复迭代求解等效参数的方法耗时极长，且每次迭代计算的数据难以复用、造成算力的浪费。

因此，一种可重复利用计算数据的参数识别方法可以明显地节省参数识别的时间成本和算力成本，具有实用价值。

发明内容

发明目的：针对现有螺栓连接非线性的等效模型的参数识别过程耗时久、迭代计算数据难以复用的问题，本发明提供了一种基于动响应的螺栓连接件等效模型参数识别方法。

技术方案：为实现本发明的目的，本发明所采用的技术方案是：

一种基于动响应的螺栓连接件等效模型参数识别方法，所述识别方法具体如下：

S1：对试验件建立三维实体有限元Iwan等效模型；

S2：对所述试验件进行冲击响应测试试验，获取试验载荷和试验加速度响应；

S3：获取所述有限元Iwan等效模型在试验载荷作用下的模型加速度响应及模型加速度响应对应的Iwan参数组合值；

S4：根据所述试验加速度响应和模型加速度响应，通过函数算法获取所述试验加速度响应的幅值包络的数据点和模型加速度响应的幅值包络的数据点；

S5：将所述模型加速度响应的幅值包络的数据点作为输入值、模型加速度响应对应的Iwan参数组合值作为输出值构建神经网络；

S6：将所述试验加速度响应的幅值包络的数据点作为神经网络的输入数据，确定识别参数；

S7：确认所述识别参数是否位于Iwan参数组合值的变化范围内，若不是，重复步骤S3～S6。

进一步地讲，所述步骤S2获取试验载荷和试验加速度响应，具体如下：

S2.1：根据自由边界式模态实验设置所述试验件；

S2.2：在所述试验件上设置加速度传感器和冲击激励力施加点；

S2.3：对所述试验件施加冲击激励力，获取所述试验载荷和试验加速度响应。

进一步地讲，所述冲击力激励力的激励方向与加速度传感器的可采集方向一致。

进一步地讲，所述步骤S3获取有限元Iwan等效模型在试验载荷作用下的模型加速度响应及模型加速度响应对应的Iwan参数组合值，具体如下：

S3.1：根据静力拉伸试验方法估计所述试验件的待识别Iwan参数组合值的变化范围；

S3.2：通过截取所述试验载荷的有效部分，获取激励力峰信号；

S3.3：通过所述激励力峰信号，从所述试验件的待识别Iwan参数组合值的变化范围选择数个待识别Iwan参数组合值作为计算仿真的输入工况，获取所述有限元Iwan等效模型在激励力峰信号作用下的模型加速度响应。

进一步地讲，所述模型加速度响应在采集过程中的时间间隔与试验加速度响应在采集过程中的时间间隔相同。

进一步地讲，所述步骤S5将模型加速度响应的幅值包络的数据点作为输入值、模型加速度响应对应的Iwan参数组合值作为输出值构建神经网络，具体如下：

S5.1：建立基于反向传播算法的神经网络模型；

S5.2：将所述模型加速度响应的幅值包络作为神经网络模型的输入值，将所述模型加速度响应对应的Iwan参数组合值作为神经网络模型的输出值，进行神经网络模型训练；

S5.3：根据神经网络模型的训练结果，确定所述神经网络。

进一步地讲，所述步骤S7确认识别参数是否位于Iwan参数组合值的变化范围内，若不是，重复步骤S3～S6，具体如下：

S7.1：确认所述识别参数的大小是否位于Iwan参数组合值的变化范围内；

S7.2：若所述识别参数的大小不位于Iwan参数组合值的变化范围内，则根据所述识别参数的大小将Iwan参数组合值的变化范围进行扩大，之后执行步骤S7.3，反之直接结束步骤；

S7.3：将所述扩大的Iwan参数组合值的变化范围代入步骤S3中，重复步骤S3至S6，重新确认所述识别参数的大小。

有益效果：与现有技术相比，本发明的技术方案具有以下有益技术效果：

(1)本发明根据试验件特征建立三维实体有限元等效模型，并通过该试验件受冲击载荷的响应识别有限元等效模型参数，为识别该参数，需要测试试验件受单次冲击激励下的加速度自由衰减响应信号、以及对应的冲击激励力信号，对加速度响应信号取幅值自由衰减包络，通过神经网络方法识别该试验件在有限元等效模型中对应的等效参数，从而能够快速、准确地识别螺栓连接件中的参数；

(2)本发明的螺栓连接件等效模型参数识别方法的计算是分布式的，从而可以大幅节约计算时间，提高识别过程的稳定性，同时该螺栓连接件等效模型参数识别方法识别过程中的计算数据是具有复用性的，从而可以节约计算成本。

附图说明

图1是本发明的试验件的冲击试验布置图；

图2是本发明的螺栓连接件等效模型参数识别方法的流程示意图；

图3是本发明的神经网络模型图；

图中标号对应部件名称：

1、螺栓。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。其中，所描述的实施例是本发明一部分实施例，而不是全部的实施例。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。

需要说明的是，在本发明的描述中，术语“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，并不是指示或暗示所指的装置或元件所必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

此外，应当理解，为了便于描述，附图中所示出的各个部件的尺寸并不按照实际的比例关系绘制，例如某些层的厚度或宽度可以相对于其他层有所夸大。

应注意的是，相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义或说明，则在随后的附图的说明中将不需要再对其进行进一步的具体讨论和描述。

实施例1

参考图2，本发明提供了一种基于动响应的螺栓连接件等效模型参数识别方法，结合ABAQUS及其用户自定义子程序User Subroutine inABAQUS，对该螺栓连接件等效模型参数识别方法进行详细说明，具体过程如下：

步骤S1：对试验件建立三维实体有限元Iwan等效模型。该模型的建立是依据试验件的几何尺寸和力学性质建立，同时对处于螺栓连接影响区域的有限元网格，赋予基于有限元Iwan等效模型本构关系的非线性材料属性，即定义基于有限元Iwan等效模型的弹塑性随动强化材料。在本实施例中，具体地讲，试验件的几何尺寸包括试验件的长、宽、高，试验件的力学性质包括弹性模量、摩擦系数。

步骤S2：对试验件进行冲击响应测试试验，获取试验载荷和试验加速度响应，具体如下：

步骤S2.1：根据自由边界式模态实验设置试验件，即参考图1，将试验件的两端通过软绳进行悬挂，且试验件两端悬挂点的高度需要保持一致。也就是说，悬挂的试验件应保持在同一水平面上。

步骤S2.2：在试验件上设置加速度传感器，在本实施例中，具体地讲，试验件上的加速度传感器可以直接粘接在试验件上。

同时在试验件上标记冲击激励力的施加点，为了使得冲击激励力的冲击能量能够完全应用于加速度传感器可测试的平动方向上，冲击激励力的施加点需要设置在试验件的质心处，且冲击激励力的施加点的设置需要使得试验件受到冲击激励力后不发生转动为准。

为了加速度传感器能够完全测试到冲击激励力的冲击能量，故而冲击激励力的激励方向的设置需要与加速度传感器的可采集方向完全一致。其中，加速度传感器的可采集方向可以根据加速度传感器使用说明书中的记载进行确认。在本实施例中，加速度传感器仅采集试验件中螺栓1的轴向加速度，所以冲击激励力的施加点选择在试验件的对称轴上，且方向为螺栓1的轴向方向，此时当试验件受到冲击激励力作用后，该试验件将会只发生弯曲振动，而不会发生转动振动。

步骤S2.3：在试验件上冲击激励力的施加点处通过使用力锤敲击试验件，从而对试验件施加冲击激励力。其中若是人为通过力锤敲击试验件施加冲击激励力的话，则需要进行多次重复试验，从中选择最优值以保证试验件上施加的冲击激励力大小的准确性。若是使用机器敲击试验件施加冲击激励力的话，则可不必进行多次重复试验，可以节约工作时间，提高工作效率，譬如使用微型振动台施加冲击激励力。

同时施加的冲击激励力的大小应该能够使试验件的加速度峰值达到500m/s²以上，这是由于如果未达到500m/s²以上的话，将难以激发试验件上螺栓连接结构处的非线性特性。且施加的冲击激励力的信号应当只有一个冲击峰，这是因为如果出现了多个冲击峰的话，则需要对试验件重新施加冲击激励力，将会增大试验的工作量。

在本实施例中，具体地讲，施加的冲击激励力的冲击力信号可以通过力锤上自配的力传感器进行测量，而试验件在受到冲击激励力后具有的加速度信号则是通过加速度传感器进行测量的。也就是说，该试验载荷为冲击激励力的载荷，该试验加速度响应为试验件在受到冲击激励力后具有的加速度响应。

步骤S3：获取有限元Iwan等效模型在试验载荷作用下的模型加速度响应及模型加速度响应对应的Iwan参数组合值，具体如下：

步骤S3.1：待识别的Iwan参数的变化范围可以根据静力拉伸试验方法进行估计，待识别的Iwan参数是由实际的物理量作为参照的。在本实施例中，具体地讲，两个待识别参数选择为两个相互有摩擦的物体，从没有相对位移到开始有相对位移的过程中的临界的侧向推力Fq、未出现相对位移下的刚度和出现相对位移之后的刚度之比α，其中刚度变化之比α的变化范围预先设定为0～0.2，临界的侧向推力Fq的变化范围预先设定为20～80。

步骤S3.2：通过截取步骤S2.3中对试验件进行试验过程中施加的冲击激励力信号的有效部分，即单个完整的激励力峰信号。

步骤S3.3：将有限元Iwan等效模型如同步骤S2.1中的试验件进行试验时的设置一样进行设置，也就是说，将有限元Iwan等效模型根据自由边界式模态实验进行设置，即根据自由边界式模态实验设置有限元Iwan等效模型，参考图1，将有限元Iwan等效模型的两端通过软绳进行悬挂，且有限元Iwan等效模型两端悬挂点的高度需要保持一致。

步骤S3.4：在有限元Iwan等效模型上设置激励力峰信号的施加点，该施加点与步骤S2中试验件进行试验时在试验件上设置的施加点位置完全相同，在本实施例中，不再重复进行阐述。

更进一步地讲，在有限元Iwan等效模型的施加点上施加激励力峰信号进行计算仿真，从试验件的待识别Iwan参数组合值的变化范围中选择数个待识别Iwan参数组合值作为计算仿真的输入工况，通常计算仿真的输入工况选择3～5个数据。在本实施例中，计算仿真的输入工况为：刚度变化之比α的选择为：0.04、0.08、0.12、0.16、0.2；临界的侧向推力Fq的选择为：32、44、56、68、80。同时记录该有限元Iwan等效模型在仿真过程中，激励力峰信号施加点处的加速度响应信号，将其作为该计算仿真工况的输出信号。其中，模型加速度响应对应的Iwan参数组合值为该计算仿真输入工况的待识别Iwan参数组合值。

在本实施例中的有限元软件ABAQUS的输出选项中，需要将模型加速度响应信号输出序列对应的时间间隔与步骤S2.3中的加速度传感器的采样时间间隔保持一致，从而以保证采样频率为定值。

步骤S4：将步骤S2.3确定的试验加速度响应信号和步骤S3.4确定的模型加速度响应信号，通过函数算法获取两者的信号幅值包络，在本实施例中，具体地讲，试验加速度响应信号和模型加速度响应信号通过MATLAB中的envelope函数获取了各自的信号幅值包络。

同时还需要提取试验加速度响应信号幅值包络的包络数据点和模型加速度响应信号幅值包络的包络数据点。两者的包络数据点的选择，应该选择完全一致的时间长度、距离和数量。其中包络数据点的数量并不是限制的，并不是说两者的包络数据点数量的选择可以不一致，而是两者的包络数据点数量的在不同情况下是不固定的，其数量是跟进神经网络方法的计算效率及对包络线特征的还原程度而决定的，但是一般来说，包络数据点的数目都大于20，在本实施例中，包络数据点选择的时间长度为0.5秒，数量为25个。

步骤S5：将步骤S4中的模型加速度响应的幅值包络的数据点作为神经网络模型的输入值，将步骤S3.4中的模型加速度响应对应的Iwan参数组合值作为神经网络模型的输出值，构建神经网络，具体如下：

步骤S5.1：参考图3，建立基于反向传播算法的神经网络模型，在本实施例中，选择通过软件MATLAB提供的神经网络工具进行搭建、训练。

步骤S5.2：将步骤S4中的模型加速度响应的幅值包络数据点作为神经网络模型的输入值，将步骤S3.4中的模型加速度响应对应的Iwan参数组合值作为神经网络模型的输出值，对神经网络模型进行训练。

步骤S5.3：判断步骤S5.2中的神经网络模型的训练结果，其训练结果可以直接通过神经网络模型的工具箱中获取。若神经网络模型的测试数据的相对误差大于20％，则该神经网络模型需要进行调整，其中需要进行调整的地方包括神经网络节点个数、训练算法。相反的，则可以直接确定神经网络。其中神经网络模型的测试数据的相对误差大小也可以通过神经网络模型的工具箱直接获取。

步骤S6：将步骤S4中的试验加速度响应的幅值包络的数据点作为神经网络的输入数据，之后直接计算获取该神经网络的输出数据，该输出数据即为所需的识别参数。

步骤S7：确认步骤S6中的识别参数是否位于步骤S3.1中的待识别的Iwan参数的变化范围之中，若不是，重复步骤S3～S6，具体如下：

步骤S7.1：确认步骤S6中的识别参数的大小是否位于待识别的Iwan参数的变化范围之中。

步骤S7.2：若步骤S6中的识别参数的大小不位于待识别的Iwan参数的变化范围之内，则根据步骤S6中的识别参数的大小，将步骤S3中的待识别的Iwan参数的变化范围进行扩大，保证步骤S6中的识别参数的大小位于扩大后的待识别的Iwan参数的变化范围之内，之后执行步骤S7.3。

若步骤S6中的识别参数的大小位于待识别的Iwan参数的变化范围之内，则该识别参数为所需参数。

步骤S7.3：将扩大后的待识别的Iwan参数的变化范围代入步骤S3中，之后再重复1步骤S3至步骤S6，重新确认识别参数的大小。

为了更进一步地确定识别参数的准确性，可以将计算识别后的有限元Iwan等效模型在试验载荷作用下的加速度响应信号，将其与神经网络中的加速度响应信号和试验加速度响应信号进行对比验证。

以上示意性的对本发明及其实施方式进行了描述，该描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。所以，如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。