基于稀疏贝叶斯学习的非标机械结构连接松动源定位与紧度定量评估

2026/05/21企业新闻新闻中心行业新闻 100

非标机械结构因其设计特异性，连接松动成为主要故障模式之一。传统的振动分析方法在处理复杂、非线性的松动信号时，常面临特征稀疏、噪声干扰强等挑战。本文引入稀疏贝叶斯学习框架，将连接松动源的定位与紧度评估转化为高维特征空间中的稀疏重构问题。通过构建分层贝叶斯先验模型，在少量传感器数据下实现高精度的松动源位置推断，并量化连接紧度的概率分布，为非标设备的结构健康监测提供了一种数据驱动的新范式。

1. 引言：非标结构的“隐形杀手”——连接松动

在航空航天、精密制造与特种装备领域，大量使用为特定工艺量身定制的非标机械结构。这些结构往往几何形状复杂、材料各异、连接方式多样。与标准化部件不同，非标结构缺乏成熟的失效数据库与诊断先验知识。其中，螺栓、铆钉、卡扣等连接件的松动，因其发生初期难以察觉，却能逐渐演变为动态失稳、精度丧失甚至灾难性事故，被视为“隐形杀手”。

传统的松动检测方法，如扭矩扳手法，无法实现在线监测；基于压电主动传感的方法虽灵敏度高，但易受环境噪声影响。更重要的是，非标结构的复杂边界条件使得松动产生的振动信号呈现强非线性、非平稳特性，其有效特征在观测空间中往往是稀疏的——即只有少数几个位置的松动会主导整个结构的动态响应模式。

稀疏贝叶斯学习（Sparse Bayesian Learning, SBL）正是解决这一“稀疏特征与复杂响应”逆问题的利器。它通过概率建模，不仅能定位松动源，还能输出对结果的不确定性估计，这对于可靠性要求极高的非标设备至关重要。

2. 问题描述与数学模型

考虑一个由多个子部件通过连接件（如螺栓组）装配而成的非标机械结构。当第 ii 个连接件发生松动时，其局部刚度 kiki 会下降，并引入非线性接触阻尼。结构的整体动力学方程可写为：

Mx¨(t)+Cx˙(t)+K(x(t))x(t)=F(t)Mx¨(t)+Cx˙(t)+K(x(t))x(t)=F(t)

其中，刚度矩阵 KK 随连接状态变化。松动的影响可以建模为对名义刚度矩阵的扰动项 ΔK=∑i=1NθiΦiΔK=∑i=1NθiΦi，θiθi 表示第 ii 个连接件的松动程度（紧度系数），ΦiΦi 为该连接件影响的结构模态子空间。观测信号 y∈RMy∈RM（M个传感器）与松动参数 θ∈RNθ∈RN（N个潜在松动位置）之间构成线性或弱线性映射：

y=Ψθ+εy=Ψθ+ε

其中 ΨΨ 是敏感度矩阵（字典），εε 为高斯噪声。由于潜在松动位置远多于传感器数量 (N≫MN≫M)，且实际松动通常只发生在少数几个连接点（θθ 具有稀疏性），因此这是一典型的欠定稀疏重构问题。

3. 稀疏贝叶斯学习理论框架

SBL 不采用传统的 l1l1 范数凸松弛（如Lasso），而是从概率角度出发。其核心思想是：为每个待估计参数 θiθi 赋予一个独立的、参数化的先验分布，然后通过证据最大化（Type-II 最大似然）自动学习这些先验的超参数，最终使得大多数 θiθi 的后验分布收缩到零附近，仅“幸存”下真正起作用的几个参数。

分层先验设计：

第一层：给定超参数 αiαi，假设 θi∼N(0,αi−1)θi∼N(0,αi−1)。
第二层：为 αiαi 设定伽马先验：αi∼Gamma(a,b)αi∼Gamma(a,b)。当 a,ba,b 取极小值时，此先验在零处具有极高的概率密度，形成强稀疏诱导。

后验推断：
对于固定的超参数 αα 和噪声方差 ββ，参数 θθ 的后验分布为高斯分布：
p(θ∣y;α,β)=N(μ,Σ)p(θ∣y;α,β)=N(μ,Σ)
其中协方差 Σ=(βΨTΨ+A)−1Σ=(βΨTΨ+A)−1，均值 μ=βΣΨTyμ=βΣΨTy，A=diag(α1,…,αN)A=diag(α1,…,αN)。

超参数学习：
通过最大化边缘似然函数 p(y;α,β)=∫p(y∣θ;β)p(θ;α)dθp(y;α,β)=∫p(y∣θ;β)p(θ;α)dθ，得到迭代更新公式：
αinew=1−αiΣiiμi2,βnew=M−∑i(1−αiΣii)∥y−Ψμ∥22αinew=μi21−αiΣii,βnew=∥y−Ψμ∥22M−∑i(1−αiΣii)
该迭代过程会驱使绝大多数 αiαi 趋于无穷大，对应的 θiθi 后验均值 μiμi 变为零。最终，非零的 μiμi 即指示了松动源的精确位置，其绝对值大小与松动的紧度程度正相关。