基于YOLOX的螺栓松动检测研究

螺栓对机械结构的稳定性有较大影响,针对螺栓松动检测作业的需求,提出了一种基于YOLOX的螺栓松动检测方法,实现对螺栓松动的快速检测。将YOLOX中检测效果最优的YOLOX-X算法应用于螺栓目标检测和螺栓标记线检测,YOLOX算法以YOLOv3-spp为基础框架,通过加深网络深度和引入大量残差结构的方法,增强了特征提取的能力,并提高了检测精度和检测效率。采集大量的螺栓图片验证该螺栓松动检测方法的有效性,实验结果表明:YOLOX-X目标检测的准确度较高,通过目标检测结果可以有效地判断出螺栓是否松动。

基于卷积神经网络的气体绝缘组合开关盆式绝缘子螺栓松动检测方法

盆式绝缘子是气体绝缘组合开关中的关键绝缘器件,通过螺栓与两侧气室法兰进行紧固连接,当螺栓预紧力分布不均时会导致盆式绝缘子应力分布不均,严重时会引起绝缘子破裂,从而影响电力设备运行的安全性和可靠性。文章搭建了盆式绝缘子螺栓松动超声波检测系统,以获取不同螺栓不同工况下的超声信号,基于卷积神经网络对超声信号进行特征提取。实验结果表明,卷积神经网络可以自动提取盆式绝缘子螺栓松动特征量,当迭代次数为320、学习率为0.001时,10种螺栓松动工况的识别准确率达到100%。该检测方法可实现对盆式绝缘子法兰螺栓松动的检测,判断螺栓松动状态,具有一定的工程实用价值。

螺栓松动检测的若干关键技术问题

螺栓连接结构在工程建筑领域有广泛的应用,但是螺栓在长期使用中容易产生松动,造成系统结构破坏,因此对螺栓松动情况进行检测具有重要的意义。螺栓松动检测是结构健康检测领域的重要问题,首先综述了螺栓预紧力测量和螺栓松动检测的基本理论和实现方法,提出了基于法兰位移的螺栓松动检测方法。将螺栓松动的检测方法分为离线检测和在线检测两大类,共介绍了6种螺栓松动检测方法,对每种方法分别介绍了它们的理论原理和目前的研究进展。最后对这6种方法的优缺点进行了总结,并讨论了它们应用于风力发电机螺栓松动检测的可行性。

基于视觉测振和卷积神经网络的螺栓松动检测方法

螺栓松动故障的准确检测对于确保机械产品可靠性具有重要意义。为了解决现有的基于卷积神经网络(CNN)的检测方法所需的大量高质量数据难以在实际工程中获取的问题,本文提出了一种基于视觉测振和CNN的螺栓松动检测方法。通过视觉测振技术,从视频中的每一个像素点提取出振动信号,有效解决了CNN模型训练数据难以获取的问题,通过少量实测视频样本即可对CNN模型进行训练,并实现对螺栓连接状态的准确预测。本文通过一个对悬臂梁结构的敲击实验验证了所提方法的有效性。

建筑起重机械螺栓松动检测结构设计

建筑起重机械螺栓松动自动检测结构,通过报警灯与喇叭的设置,能够使起重机在螺丝松动时,通过报警灯与喇叭来提醒工作人员,让工作人员尽快去进行紧固,从而去除了因为螺栓松动而造成的危险与事故。

基于深度学习的螺栓松动图像检测方法研究

针对螺栓松动检测作业需求,提出了一种将深度学习目标检测技术与数字图像处理技术相结合的螺栓松动图像检测方法。将Faster R-CNN应用于螺栓目标检测,设计了螺栓图像预处理、特征提取以及螺栓松动判别算法,采集一定数量的螺栓图片集,验证螺栓松动图像检测方法的可行性和有效性。实验表明:该螺栓松动图像检测方法能够比较精确地定位和识别一幅图像中的螺栓,且可以有效地检测出螺栓是否松动及其松动程度。该图像检测方法可为螺栓松动故障诊断提供了一种新的解决思路和技术方法。

基于卷积神经网络的钢结构螺栓松动缺陷识别

本文实现了一种基于YOLO v3目标检测算法的钢结构螺栓快速定位与松动检测方法。参考传统人工扭矩法的标记方法,利用在三维建模软件中构建的合成数据集训练YOLO v3网络模型,训练后的模型在测试集中的表现为:单张图片平均检测耗时0.024 s,平均精确率95.2%。进一步考虑算法在真实试件图片上的表现,检测松动角度的阈值以及各环境因素的影响,进行试验。结果表明算法识别螺栓松动角的阈值为2°,且在不同拍摄距离、透视角度、光照强度、室外背景、镜头模糊度、标记清晰度条件下,算法均取得了符合工程应用条件的检测结果,能够为螺栓松动实时检测提供理论和实践应用基础。

面向高强度螺栓检测的YOLOv5-Ganomaly联合算法研究

针对桥梁高强度螺栓松动检测工作量大、目标小、异常多且难以获取等问题,该文提出一种半监督深度学习模型,即使少量负样本情况下也可得到螺栓松动检测模型,解决了模型训练样本不平衡的问题。YOLOv5-CT模型对螺栓目标检测的精度达98.33%。通过对螺栓数据进行预处理,提高Ganomaly模型对螺栓图像的重构能力。当隐空间向量值为100时,模型的SAUC最高,具有最佳判别性能。在模型测试阶段,将异常分数阈值设置为0.295,计算模型对高强度螺栓异常松动检测的精度可达到85%以上,实现螺栓的自动识别和检测。

评估法兰结构螺栓松动的改进损伤指标研究

基于压电阻抗法的采用统计学参数作为损伤指标评估螺栓松动的方法有着广泛的应用,然而采用该方法的试验对象多数为实验室条件下的板等结构,并非真实结构。因此,针对真实的法兰结构,这些损伤指标是否适用、是否需要改进仍需进一步研究。通过实验,得出不同损伤指标与法兰结构螺栓松动之间的规律:螺栓松动的程度越大位置越近,均方根偏差(RMSD)、平均绝对百分比偏差(MAPD)、相关系数差(CCD)的值越大,而指标Ry/Rx因无显著规律不适合作为评估法兰结构螺栓松动的损伤指标。通过对比结果发现:结构差异对前3个损伤指标均有不同程度的影响,改进后的损伤指标均方根变化率(RMSCR)只与法兰结构螺栓松动的位置和程度有关,受结构差异影响小。因此,RMSCR具有重要实践意义:当任一压电片损坏时只需更换为同型号的压电片即可,无需更新损伤指标库。通过实验验证了上述结果的正确性与基于RMSCR的法兰结构螺栓松动检测方法的适用性。

钢结构工程高强度螺栓微小松动视觉检测方法研究

基于计算机视觉的螺栓松动检测方法中,一类是通过对连接节点图像进行透视矫正并分析螺栓轮廓边缘直线角度的变化以及时发现微小的松动缺陷。然而,目前这类方法在图像矫正和螺栓轮廓边缘检测的可靠性方面还有较大的改进空间。为此,针对钢结构螺栓连接节点,提出了基于深度学习的螺栓松动视觉检测方法。首先,基于YOLOv5检测螺栓目标。针对螺栓感兴趣区域(RoI),基于鲁棒性较高的Attention U-Net提取螺栓轮廓边缘直线。为了提高螺栓目标检测精度,目标检测模型应设定较低置信度阈值以保证目标无漏检,再通过螺栓RoI提取的边缘直线数量筛除伪螺栓。使用透视变换法对节点图像进行矫正,变换所需的参考点是根据螺栓检测框之间空间移动后的相交关系自动定位的。最后,根据矫正图像中的螺栓轮廓边缘直线计算螺栓角度,通过检测螺栓和基准螺栓之间的角度差异判断松动情况。研究结果表明:螺栓目标检测的AP值为0.97;螺栓轮廓边缘检测的准确率、召回率和F1的均值分别为0.846、0.807与0.825,且在多种复杂背景干扰下具有较高的鲁棒性;伪螺栓筛除法可过滤掉99.82%的伪螺栓目标;提出的图像矫正法适用于常见的多种螺栓排列形式的连接节点;当松动判别阈值仅为2.8°时,螺栓松动检测的准确率可达99.7%。该方法在大型钢结构螺栓连接节点自动化运维方面具有较好的应用前景。

新型城市轨道交通施工养护智能检测技术研究

新型城市轨道交通跟传统铁路制式相比,车轨关系复杂,轨道结构形式多样,建设要求高,针对线路建设和运营阶段的智能检测需求,尚无成熟的技术和设备可以满足。针对新型轨道交通中的轨道梁位置高精度实时动态检测、线路平顺性和固定螺栓检测等重点检测内容,利用高精度绝对坐标测量、位移实时测量、动态激光扫描、计算机视觉等传感器技术,对各项检测内容进行研究,并利用试验线或者实际建设和运营轨道进行测量验证,结果表明,所采用的方法能够满足线路施工检测和线路巡检需要,并在长沙、柳州、重庆等地进行了实际应用。

机车螺栓载荷监测技术方案的研究与应用

针对机车某些部位螺栓运行及维护过程中状态无法获知的问题,采用光纤光栅技术和机械式垫圈技术对在役螺栓进行状态监测,实现螺栓载荷变化在线监测及螺栓松动检测功能。以HXN5型内燃机车柴油机缸盖紧固螺栓和底座支撑螺栓为对象,分析机车运行过程中缸盖螺栓动响应载荷和底座螺栓状态,得出基于监测数据的初步分析结论。