od体育官网编委特刊 李宏男教授团队：钢结构螺栓连接松动智能检

　　螺栓连接是钢结构中最常见的连接形式，其松动和脱落会使得结构的承载能力降低，导致结构产生安全隐患。为避免工程事故的发生，近年来研究人员提出了许多螺栓松动的检测方法。文章综述了一些常见的螺栓松动检测技术的工作原理及其研究进展，包括压电传感技术、光纤传感技术、数字图像处理技术、敲击声法，并对未来螺栓失效检测技术的发展方向进行了探讨。

　　钢结构具备安全可靠、施工方便和节省工期等优点，成为了基础设施建设中非常重要的结构形式[1]。钢结构中的构件，一般是通过螺栓连接、铆钉连接或焊接形成结构体系。螺栓连接由于其安装便捷、强度高、成本低等优点[2-3]，被广泛应用于一些桥梁和工业厂房等钢结构基础设施中。一些大型基础设施中螺栓连接组件的使用数量甚至达到了上百万套(如九江长江大桥、郭家沱长江大桥等)。因此，螺栓连接是钢结构中重要的组成部分之一[4]。随着服役年限的增加及外部环境的影响，螺栓连接不可避免地会出现松动失效甚至断裂缺失现象，使得连接部位的螺栓预紧力大幅度降低，甚至出现螺栓错位、滑移和分离脱落等情况，严重影响结构整体的可靠性和安全性[5]。近年来，国内外发生了许多因螺栓连接失效而引发的工程事故[6-7]，如 2018 年台儿庄风电场叶片变桨轴承螺栓发生松动，导致了叶片掉落；2020 年河北某风电场的风力发电塔发生倒塌，事故产生的直接原因是风机的第一节与第二节塔筒连接处的螺栓发生松动[8-9]；2019 年滁州市跨襄河大桥在施工过程中支架的螺栓松动，导致桥梁突然倒塌[10-11]。

　　因此，为了避免钢结构发生严重的安全事故，发展螺栓松动检测技术具有重要的意义。随着无损检测和健康监测技术的发展，研究人员提出了许多螺栓松动和缺失的检测方法。根据近年来的研究进展和技术突破，本文重点介绍了压电传感技术、光纤传感技术、数字图像处理技术、敲击声法在螺栓松动检测中的应用。

　　基于压电传感技术的检测方法主要是利用压电陶瓷的压电效应实现对螺栓松动的识别。其原理是利用压电陶瓷材料发送或接收信号，通过对信号的分析提出相应的损伤指标，根据损伤指标的变化来实现对螺栓预紧力的识别。基于压电传感技术的螺栓松动检测方法主要可以分为压电波动法和压电阻抗法。为便于压电传感技术在螺栓松动检测中的应用，学者们首先研发了压电智能垫片。

　　基于压电传感技术的检测方法需要将压电陶瓷传感器与结构表面进行耦合，通常是粘贴在螺栓表面。然而这种粘贴耦合的形式限制了传感器在使用中的灵活性，因此研究人员提出了压电智能垫片[12]，将一个压电陶瓷嵌入到两个预先加工好的标准垫圈中，然后利用环氧树脂涂覆压电陶瓷表面形成保护层。压电智能垫片传感器的设计原理和实物如图 1 所示。

　　随后，研究人员对研发的压电智能垫片传感器的有效性进行了验证。Huo 等通过时间反转法对两个垫片之间传播的应力波能量进行了量化，从而建立起螺栓连接预紧力退化程度与应力波响应信号之间的关系[12]。Huo 等进一步利用扫频信号激励智能垫片，通过观察阻抗特征的变化来评估螺栓的松动程度[13]。Wang 等将压电智能垫片应用到了岩石领域的地脚螺栓预紧力识别中，基于机电阻抗频率指标的偏移来有效反映地脚螺栓的预紧力变化[14]。

　　压电波动法是利用两个压电传感器，其中一个传感器用于发射信号，另一个用于接收信号，通过分析接收信号的特征来评估螺栓的松动状态。为进一步提高压电波动法的检测精度，学者们将时间反转法引入到压电波动法中，其过程和原理如图 2 所示。首先利用一个压电传感器发送激励信号(通常是脉冲信号)，信号在螺栓连接的机械结构中传播后，被另外一个压电传感器接收，将接收到的信号在时域内进行反转，并将反转信号重新传回激励点得到重构的信号。

　　由于时间反转法得到的信号只与信号传播的路径相关，因此重构信号在时域和频域上都能更好地聚焦，从而更准确地评估结构的损伤状态。重构信号的特征与螺栓预紧力密切相关，可以根据重构信号的幅值大小来评估松动的严重程度。Parvasi 等[15]和 Huo 等[16]分别通过有限元建模和分形接触理论提取了不同预紧力下的螺栓连接界面的微观接触面积，结果表明：重构信号强度的增大主要是由于连接处的微观接触面积的增大所致。此外，Ruan 等人验证了时间反转法在螺栓松动检测中具有较强的抗干扰能力[17]。

　　时间反转法需要在每次检测时对信号在时域上进行反转，过程较为复杂，不便于工程应用。Cai 等对传统的时间反转方法进行了改进，提出了利用虚拟时间反转方法进行螺栓松动检测[18]。在虚拟时间反转法中，只对处于健康状态的响应信号进行一次时间反转。虚拟时间反转法检测螺栓松动过程如图 3 所示。首先针对健康状态的螺栓连接结构，在激励点处输入脉冲信号，接收点上的传感器采集响应信号，随后将响应信号在时域内反转。在健康状态下获得的反转信号被记录为参考重发射信号(ReferenceReemittingSignal,RRS)。在后续的螺栓松动监测中，激励点处只发送 RRS 信号。最后，通过分析重建信号的幅值特征可以表征螺栓连接的松动状态。在现有的虚拟时间反转法研究中，重构信号的大小通常用归一化的峰值[19]、聚焦波包能量比[20]来表示。

　　针对时间反转法无法识别螺栓微小松动的问题，学者们提出了基于振动声调制法的螺栓松动的监测方法。振动声调制法是声非线性超声法的一种，应用于螺栓松动检测的流程及原理如图 4 所示。在信号发送端产生两种激励信号，一种是低频正弦振动信号，另一种是高频信号。在微观尺度下，钢板界面较为粗糙，存在着许多的凸起和凹陷。当低频正弦振动和高频混合并穿过钢板界面时，低频正弦振动使接触界面产生“呼吸”效应，从而在传播高频信号时出现调制特征。预紧力减小时，钢板实际接触面积减小，接触非线性增大，使得频谱上高频处左右旁频的振幅增加。因此，旁频振幅可以用来表示螺栓松动的严重程度。

　　研究结果表明，高频和低频振动信号的幅值和频率对调制响应信号和松动检测都有显著影响。Zhang 等人首先采用扫频法确定螺栓连接的固有频率，然后将二阶响应信号中强度最大的固有频率作为低频振动信号的频率[21]。为了增强调制效果，Zhang 等[21]和 Wang 等[22]选择一定范围内的扫描信号作为高频振动信号。此外，Zhao 等分析了低频振动信号的幅值对调制结果的影响[23]。由于螺栓不同松动状态的固有频率会发生变化，Zhao 等提出对低频和高频信号均采用扫频激励，具有更好的识别鲁棒性[24]。

　　压电波动法通常需要两个压电传感器才能实现螺栓松动的检测，为节约成本，学者们提出了基于压电阻抗法的螺栓检测方法，只用一个传感器就可以实现螺栓松动的检测。压电阻抗法检测螺栓松动的原理是:当螺栓松动时，连接部位的机械阻抗会发生改变，从而压电传感器的电阻抗也会随之发生变化。因此，通过分析压电传感器中的阻抗信号，可以评估螺栓的连接状态。图 5 显示了基于机电阻抗法的螺栓松动检测过程和原理[13]。压电陶瓷的电阻抗与螺栓连接结构的机电阻抗直接相关，因此，通过阻抗分析仪测量压电陶瓷的电阻抗，并将其与参考值进行比较，可以识别螺栓的松动程度[14]。

　　丁杰城等分析了阻抗法识别螺栓松动的原理，研发了基于压电阻抗法的螺栓松动实验台，并编写了压电驱动软件[25]。姜世宇等结合阻抗法和卷积神经网络对空间结构螺栓球的预紧力进行了检测，研究结果表明该方法可以识别螺栓节点的早期松动[26]。王琳涛等通过多频段的阻抗峰值移动，实现了法兰结构中的螺栓松动程度分析[27]。Pavelko 等提出了约束 PZT 二维模型，结合有限元模态分析，实现了对直升机螺栓松动的监测[28]。Wang 等采用概率神经网络和压电阻抗技术对 90 个螺栓结构试件的螺栓预紧力进行了识别，结果表明该识别方法的松动识别准确率超过 90%[29]。Zhou 等基于压电阻抗法，结合内置图卷积网络模型，实现了多个螺栓预紧力损失的定量分析[30]。Du 等考虑到环境温度对机电阻抗的影响，提出了一种用于识别螺栓松动的多任务深度卷积神经网络，该网络由一个温度补偿子网和一个用于识别螺栓松动状态的轻量级损伤识别子网组成，结果表明有限样本训练的多任务网络能够在温度变化环境下实现准确的损伤识别[31]。

　　布拉格光纤光栅(BraggFiberGrating,FBG)传感器因具有体积小、精度高、抗干扰能力强等优点而受到结构健康监测领域研究人员的广泛关注[32-33]。当外界物理量如温度或应变等发生变化时，会导致光纤光栅的栅距发生改变，进而会影响在光纤光栅处经过环行器反射回来的反射光波长，根据波长的变化，可以推导出外界物理量的变化[34]。基于光纤传感技术的螺栓检测主要是根据嵌入到螺栓中的光纤光栅传感器测量到温度或应变等物理量的变化，来检测螺栓故障[35-36]。

　　为了检测螺栓是否发生松动，Khomenko 等于 2016 年提出了利用嵌入螺栓杆中的单个光纤布拉格光栅传感器来监测螺栓的轴向预紧力[37]。为了测量螺栓所承受的剪切力，Ren 等提出一种基于多个光纤光栅嵌入式传感器的智能剪切型螺栓[38]，如图 6 所示。根据等效弯矩与剪切力之间的线性关系，该智能螺栓利用波长变化计算剪切力，可以实现同时测量螺栓轴向拉力与剪切力。为了避免温度对螺栓预紧力的影响，师琪等提出了一种新型智能螺栓，可以实现螺栓轴力和温度的同步监测[39]。

　　为了减少嵌入光纤光栅传感器对与螺栓结构的破坏，Chen 等研发了一种基于光纤光栅传感技术的智能螺栓垫圈传感器[40]，如图 7 所示，它利用螺栓预紧力与垫圈周向应变之间的线性关系来测量螺栓的预紧力。

　　近年来，随着图像处理技术的发展和图像采集设备的普及，基于数字图像处理技术的螺栓检测方法由于成本低、效率高等优势受到极大的关注[41-42]，它的基本原理是利用计算机对摄像机采集到的螺栓图像进行处理和分析，提取和识别螺栓松动或缺失发生时的图像特征，以实现螺栓故障的检测[43]。

　　螺栓松动会导致螺杆螺纹暴露，Cha 等利用传统的图像处理技术提取螺栓松动敏感特征并结合支持向量机技术来检测螺栓松动[44]。为了提高方法的鲁棒性，王宝丽等提出一种基于卷积神经网络的螺杆裸露螺纹数量测量方法来检测螺栓是否发生松动[45]。由于螺栓早期松动不会造成螺杆螺纹暴露，只会造成螺栓发生一定角度的旋转，Park 等开发了一种基于图像处理技术的螺栓角度估计和松动检测方法[46]。为了提高螺栓松动旋转角度测量精度，周靖等提出了一种基于机器视觉技术的螺栓松动旋转角度测量方法[47]，该方法能够有效地检测螺栓早期松动后产生的角度旋转，流程如图 8 所示。螺栓松动旋转角度测量结果受到拍摄角度、光照条件和背景噪声等因素的影响，为了提高螺栓角度测量的鲁棒性，Zhao 等提出一种基于深度学习的螺栓松动旋转角度测量方法，利用目标检测算法检测螺栓表面的特征并计算旋转角度来检测螺栓松动[48]。Pan 等提出一种基于视觉的集成方法，用于交互式检测和实时跟踪螺栓的松动旋转[49]。Lao 等综合考虑了摄像头焦距、拍摄角度和照明条件对螺栓检测和角度测量的影响，提出了一种可用于不同成像条件下的螺栓松动旋转角度测量方法[50]。在此研究基础上，Zhang 等引入具有方向感知能力的目标检测算法，克服了水平目标检测框对于非垂直螺栓松动检测不准的问题[51]。此外，Wang 等为了克服单目视觉检测方法中存在的相机视角引起测量误差的问题，提出一种基于双目视觉的螺栓松动旋转角度测量方法[52]。Pan等提出一种基于无人机的三维视觉螺栓松动自动检测方法，提高了螺栓松动识别的效率[53]。

　　除了螺栓松动，针对螺栓缺失问题[54。