基于非线性波调制和分数低阶同步挤压提取变换的螺栓松动检测方法研究及其在非高斯噪声环境中的应用

为解决非高斯噪声环境下螺栓松动检测难题，研究人员提出新型分数低阶同步挤压提取变换（FLOFSSET）方法，结合非线性波调制（NWM）技术和Dezert-Smarandache理论（DSmT）数据融合策略，显著提升机器学习模型准确率至99.5%。该研究为复杂噪声环境下的结构健康监测（SHM）提供了高精度解决方案。

　　

在桥梁、建筑和机械装备中，螺栓连接是保障结构安全的核心部件。然而，振动、疲劳等因素导致的螺栓松动可能引发灾难性事故。传统线性结构健康监测（SHM）方法如声发射、压电阻抗技术，虽能检测明显损伤，但对早期微松动灵敏度不足，且依赖基线数据对比。更棘手的是，实际工程环境中的非高斯噪声（如冲击干扰）会掩盖微弱的非线性损伤特征，使得基于常规时频分析（TFA）的方法（如短时傅里叶变换STFT）难以准确提取信号特征。

针对这一挑战，来自国内的研究团队在《Journal of Industrial Information Integration》发表了一项突破性研究。他们创新性地将分数低阶统计量（FLO）与同步挤压提取变换（SSET）结合，开发出分数低阶同步挤压提取变换（FLOFSSET），显著提升了非高斯噪声下线性调频信号（chirp）的时频分辨率。同时，团队设计了基于chirp激励的非线性波调制（chirp-NWM）技术，通过自动扫频激发结构非线性响应，解决了传统NWM需手动调频的难题。实验表明，该方法在五螺栓结构中实现了99.5%的松动检测准确率，比传统方法提升14.5个百分点。

研究采用三项关键技术：1）FLOFSSET算法，通过分数阶傅里叶变换（FrFT）和同步能量重分配增强时频脊线提取；2）chirp-NWM激励，结合低频泵浦和高频载波扫频自动激发非线性边带；3）基于DSmT理论的PCR6_?
融合规则，整合稀疏支持向量机（NSSVM）、稀疏人工神经网络（SANN）和自适应神经模糊推理系统（ANFIS）的决策结果。

主要研究结果

1. 分数低阶矩理论验证
   通过α稳定分布建模非高斯噪声，证明FLOFSSET在脉冲噪声下仍能保持时频能量集中度，其Rényi熵值较FLOSST降低23%。

2. 仿真信号分析
   对含紧密瞬时频率（IF）分量的多组分chirp信号，FLOFSSET成功分离间距0.5Hz的IF成分，而FLOSTFT和FLOSST出现能量模糊。

3. 实验验证
   在四压电传感器/五螺栓结构中，FLOFSSET提取的边带能量比特征（SER）与松动程度呈强相关性（R²
   =0.98），而STFT特征仅达R²
   =0.72。DSmT融合模型将ANFIS、NSSVM的个体准确率从85-89%提升至99.1%。

4. 抗噪性能对比
   在信噪比-10dB的α稳定噪声中，FLOFSSET特征使融合模型保持95%准确率，传统方法则降至67%。

结论与意义
该研究首次将分数低阶统计与同步提取变换结合，解决了非高斯噪声下微松动检测的时频分析瓶颈。FLOFSSET在紧密IF分离和边带提取上的优势，使其成为早期损伤诊断的有效工具。DSmT框架下的PCR6_?
融合策略，通过动态权重分配有效化解了多分类器冲突问题。实验证明，该方法无需基线数据即可实现亚毫米级松动识别，为风电、桥梁等复杂环境下的螺栓监测提供了新范式。未来可进一步探索其在复合材料连接件监测中的适用性。