CN104748960A - 一种行车横梁在线应力监测与故障诊断系统及方法 - Google Patents

Abstract

本发明提供一种行车横梁在线应力监测与故障诊断系统，包括设置在行车横梁上的多个应力传感器和无线发射节点、无线接收站，以及远程微型处理器；应力传感器将采集到的应力信号传送至对应的无线发射节点，再发送至无线接收站，无线接收站传送至远程微型处理器，将应力传感器采集的应力信号与对应的应力阈值相比较；应力传感器的位置分布通过雨流计数法疲劳寿命分析、负载敏感度分析和局部负载、整体负载下的基于独立疲劳损坏模式的非相关负载向量获得。本发明避免了行车横梁在复杂的生产现场宽幅变载情况下的安全隐含漏检和有线传输过程中的信号干扰与衰减，确保横梁在全生命周期、全负载情况下不出现疲劳损坏，为安全生产提供了保障。

Description

一种行车横梁在线应力监测与故障诊断系统及方法

技术领域

本发明属于行车安全监控领域，具体涉及一种行车横梁在线应力监测与故障诊断系统及方法。

背景技术

目前，为保证行车的安全运行，大多数都是采取了行车运行位置监测或距离监测的方式，虽然避免了行车运行过程中因运行位置超出极限而带来的碰撞，但是并没有解决行车在超载情况下可能带来的危险，少数监测应力应变状态的方法中，应变片的布局方式也未能确保监测到所有可能的负载情况下材料可能出现的疲劳损坏。目前，金属结构的动态应力信号采集大多还停留在有线的方式，针对在行车横梁等难以布置大量屏蔽导线的工作环境下，长导线会引入电磁干扰，同时还耗费了大量的人力和时间，不利于远程监测。

发明内容

本发明要解决的技术问题是：提供一种行车横梁在线应力监测与故障诊断系统及方法，确保材料在所有负载情况下不出现设计寿命内的疲劳损坏，本发明能够在足够的距离上将测得的应力应变数据通过无线传输给报警装置，实现远程监控，确保生产安全。

本发明为解决上述技术问题所采取的技术方案为：一种行车横梁在线应力监测与故障诊断系统，其特征在于：它包括设置在行车横梁上的多个应力传感器和无线发射节点、无线接收站，以及远程微型处理器；应力传感器将采集到的应力信号传送至对应的无线发射节点，所有的无线发射节点再将应力信号发送至无线接收站，无线接收站传送至远程微型处理器；远程微型处理器用于将应力传感器采集的应力信号与对应的应力阈值相比较；

所述的多个应力传感器的位置分布通过雨流计数法疲劳寿命分析、负载敏感度分析和局部负载、整体负载下的基于独立疲劳损坏模式的非相关负载向量获得。

按上述系统，所述的远程微型处理器与报警装置连接，用于在应力传感器采集的应力信号超过对应的应力阈值时进行报警。

按上述系统，所述的多个应力传感器的位置分布及应力阈值大小通过以下方法确定：

1)建立行车横梁结构计算模型，并对行车横梁施加准静态单位负载；

2)设定疲劳存活率和相关性阀值；

3)通过雨流计数法进行疲劳寿命分析，获得时间历程中的最劣周期；

4)基于疲劳损坏的应力敏感度分析：

所有负载在每个应力测量点均有一个对应的敏感度值，将敏感度矩阵与最劣周期向量矩阵进行矩阵向量乘积获得应力敏感度矩阵；

5)将整体负载划分为多个局部负载集，提取每个局部负载集中不相关负载向量；

6)将步骤5)中得到的局部负载集中不相关负载向量进行累计，提取整体负载中不相关负载向量；

7)最优应变片布局方案规划：

以能够监测整体负载中不相关负载向量为首要条件，并基于遗传算法同时兼顾应力传感器安装便利性和信号干扰因素，从而确定应力测量点的位置，即应力传感器的位置分布方案，并给出相应应力传感器的应力阀值。

按上述系统，所述的1)具体为：建立行车横梁三维模型，在模型上施加单位负载，并认为在一个短时间dt内是静态过程，同时忽略惯性力的影响，进行线性弹性有限元分析获得基于疲劳寿命的应力历程，针对材料可能出现疲劳损坏的负载处进行同样的分析处理，获得不同幅值载荷在时间历程下的应力历程。

按上述系统，所述的3)具体为：采用雨流计数法将应力历程对应的应变历程转化成幅值周期，并找到最劣周期，得到第K个最劣周期的负载向量FL_k，共K_P个这样的周期；在数量为P的应力测量点下，获得一个大小为P的向量矩阵FLP，包含有K_P×P个向量。

按上述系统，所述的5)具体为：计算局部负载集在应力测量点产生的任意两个不同最劣周期的疲劳负载矩阵向量wFLp的相关性NVC，与设定的相关性阀值比较，在NVC大于相关性阀值时认为两个负载向量将产生相同的疲劳损坏模式，弃去其中一个负载向量；而所有两两相乘后NVC小于或等于相关性阀值的向量都被认为是不相关向量，被保留下来，得到矩阵LFL；

所述的6)具体为：整体负载情况下，将所有局部负载集在不同应力测量点下获得的矩阵LFL组成整体疲劳负载矩阵LFLV，再乘敏感度矩阵，获得的矩阵向量依次两两相乘，得到结果矩阵，将结果矩阵与设定的相关性阀值比较，得到最终矩阵FFL_q；

一种行车横梁在线应力监测与故障诊断方法，其特征在于：它包含以下步骤：

S1、在行车横梁上布置多个应力传感器，每个应力传感器作为一个应力测量点；所述的多个应力传感器的位置分布通过雨流计数法疲劳寿命分析、负载敏感度分析和局部负载、整体负载下的基于独立疲劳损坏模式的非相关负载向量获得

S2、应力传感器将采集到的应力信号传送至对应的无线发射节点，所有的无线发射节点再将应力信号发送至无线接收站，无线接收站传送至远程微型处理器；

S3、远程微型处理器将应力传感器采集的应力信号与对应的应力阈值相比较，判断行车横梁的安全状态。

按上述方法，它还包括S4、当任意一个应力传感器采集的应力信号超过对应的应力阈值，则进行报警。

按上述方法，所述的多个应力传感器的位置分布及应力阈值大小通过以下方法确定：

1)建立行车横梁结构计算模型，并对行车横梁施加准静态单位负载；

2)设定疲劳存活率和相关性阀值；

3)通过雨流计数法进行疲劳寿命分析，获得时间历程中的最劣周期；

4)基于疲劳损坏的应力敏感度分析：

所有负载在每个应力测量点均有一个对应的敏感度值，将敏感度矩阵与最劣周期向量矩阵进行矩阵向量乘积获得应力敏感度矩阵；

5)将整体负载划分为多个局部负载集，提取每个局部负载集中不相关负载向量；

6)将步骤5)中得到的局部负载集中不相关负载向量进行累计，提取整体负载中不相关负载向量；

7)最优应变片布局方案规划：

以能够监测整体负载中不相关负载向量为首要条件，并基于遗传算法同时兼顾应力传感器安装便利性和信号干扰因素，从而确定应力测量点的位置，即应力传感器的位置分布方案，并给出相应应力传感器的应力阀值。

按上述方法，所述的1)具体为：建立行车横梁三维模型，在模型上施加单位负载，并认为在一个短时间dt内是静态过程，同时忽略惯性力的影响，进行线性弹性有限元分析获得基于疲劳寿命的应力历程，针对材料可能出现疲劳损坏的负载处进行同样的分析处理，获得不同幅值载荷在时间历程下的应力历程；

所述的3)具体为：采用雨流计数法将应力历程对应的应变历程转化成幅值周期，并找到最劣周期，得到第K个最劣周期的负载向量FL_k，共K_P个这样的周期；在数量为P的应力测量点下，获得一个大小为P的向量矩阵FLP，包含有K_P×P个向量；

所述的5)具体为：计算局部负载集在应力测量点产生的任意两个不同最劣周期的疲劳负载矩阵向量wFLp的相关性NVC，与设定的相关性阀值比较，在NVC大于相关性阀值时认为两个负载向量将产生相同的疲劳损坏模式，弃去其中一个负载向量；而所有两两相乘后NVC小于或等于相关性阀值的向量都被认为是不相关向量，被保留下来，得到矩阵LFL；

所述的6)具体为：整体负载情况下，将所有局部负载集在不同应力测量点下获得的矩阵LFL组成整体疲劳负载矩阵LFLV，再乘敏感度矩阵，获得的矩阵向量依次两两相乘，得到结果矩阵，将结果矩阵与设定的相关性阀值比较，得到最终矩阵FFL_q；

本发明的有益效果为：避免了行车横梁在复杂的生产现场宽幅变载情况下的安全隐患漏检和有线传输过程中的信号干扰与衰减，实现远程实时监测行车横梁的动态应力状态，确保横梁在全生命周期、全负载情况下不出现疲劳损坏，为安全生产提供了保障。

附图说明

图1为本发明的最优应力传感器位置分布方案确定流程图。

图2为本发明的整体布局示意图。

图3为本发明的动态应力采集原理示意图。

图4为本发明的嵌入式WiFi接收站结构原理图。

图5为本发明的整体布局框架图。

具体实施方式

下面结合具体实例和附图对本发明做进一步说明。

如图2和图5所示，一种行车横梁在线应力监测与故障诊断系统包括设置在行车横梁上的多个应力传感器和无线发射节点、无线接收站，以及远程微型处理器；应力传感器将采集到的应力信号传送至对应的无线发射节点，所有的无线发射节点再将应力信号发送至无线接收站，无线接收站传送至远程微型处理器；远程微型处理器用于将应力传感器采集的应力信号与对应的应力阈值相比较。本实施例中，选用wifi作为无线信号。优选的，远程微型处理器与报警装置连接，用于在应力传感器采集的应力信号超过对应的应力阈值时进行报警(声、光等形式)。

所述的多个应力传感器的位置分布通过雨流计数法疲劳寿命分析、负载敏感度分析和局部负载、整体负载下的基于独立疲劳损坏模式的非相关负载向量获得。

多个应力传感器的位置分布及应力阈值大小通过以下方法确定，如图1所示：

1)建立行车横梁结构计算模型，并对行车横梁施加准静态单位负载。

具体为：建立行车横梁三维模型，转化为通用.stl格式并导入有限元软件(或其它同类型软件)，在模型上施加单位负载，并认为在一个短时间dt内是静态过程，同时忽略惯性力的影响，进行线性弹性有限元分析获得基于疲劳寿命的应力历程，针对材料可能出现疲劳损坏的负载处进行同样的分析处理，获得不同幅值载荷在时间历程下的应力历程，计算公式如下：

σ²＝∑L_ijU_i i＝1,2,...,I j＝1,2,...,J

U_i＝{U_{xx_i}U_{yy_i}U_{xy_i}}^T

σ_j＝{σ_{xx_j}σ_{yy_j}σ_{xy_j}}^T

式中I是负载总数；J是负载时间节点数；L_ij表示第i个负载在j时间节点上的负载力；U_i是第i个负载的应力影响系数，相对于平面力共三个值U_{xx_i}U_{yy_i}U_{xy_i}，其中U_{xx_i}是第i个负载相对于X平面力的应力影响系数，U_{yy_i}是相对于Y平面力的应力影响系数，U_{xy_i}是相对于XY平面力的应力影响系数；σ_j是j时间点上的应力状态，σ_{xx_j}是相对于X平面的应力状态，σ_{yy_j}是相对于Y平面的应力状态，σ_{xy_j}是相对于XY平面的应力状态。

2)设定疲劳存活率和相关性阀值。

设定疲劳存活率a的值，而疲劳寿命N、疲劳强度S和存活率a存在以下关系：

$a=1-{\∫}_{N_{\min }}^{N}f(N/S)\mathrm{dN}$

f(N/S)为在疲劳强度S下疲劳寿命N的概率密度函数。

应力阀值各测量点不同，相关性阀值是评判向量相似度的标准，是统一的单一值。

3)通过雨流计数法进行疲劳寿命分析，获得时间历程中的最劣周期。

采用雨流计数法将应力历程对应的应变历程转化成幅值周期，并找到最劣周期。通过公式：

FL_k＝(G_1k-G_2k)

k＝1,...,K_p；1,2表示周期的起止时间点；G_1k表示第k个最劣周期开始时间点上的负载向量

得到FL_k：第k个最劣周期中疲劳负载向量，第p个测量点的包含Kp个最劣周期。在数量为P的应变片测量点下，便能获得一个大小为P的向量矩阵FLP，包含有Kp×P个向量。

4)基于疲劳损坏的应力敏感度分析：

所有负载在每个应力测量点均有一个对应的敏感度值，将敏感度矩阵与最劣周期向量矩阵进行矩阵向量乘积获得应力敏感度矩阵；

敏感度：

$\frac{\∂{\mathrm{\σ}}_{\mathrm{xl}\_j}}{\∂L_i}=\frac{U_{\mathrm{xx}\_i}(1+\cos 2{\mathrm{\θ}}_c)}{2}+\frac{U_{\mathrm{yy}\_i}(1-\cos 2{\mathrm{\θ}}_c)}{2}+U_{\mathrm{xy}\_i}\sin 2{\mathrm{\θ}}_c$

式中σ_{xl_j}为j时间节点上“x向与临界面法向”平面内应力，θ_c为临界面夹角，L_i为第i个负载；

敏感度矩阵DS^P：

$D{S}^p=\left\{\frac{\∂{\mathrm{\σ}}_{\mathrm{xl}}}{\∂L_i}\right|p;i=\mathrm{1,2},...,I\};p=\mathrm{1,2},...,P;$

5)将整体负载划分为多个局部负载集，提取每个局部负载集中不相关负载向量；

局部负载在应力测量点产生的任意两个不同最劣周期的疲劳负载矩阵向量wFLp的相关性(normal vector correlation)NVC：

$\begin{array}{ccc}{\mathrm{NVC}}_{\mathrm{mn}}=\frac{{\left|\mathrm{wF}{L}_m^T\mathrm{wF}{L}_n\right|}^2}{\mathrm{wF}{L}_m^T\mathrm{wF}{L}_m\mathrm{wF}{L}_n^T\mathrm{wF}{L}_n}& m=1,...,K_p& n=1,...,K_p\end{array}$

式中，NVC_mn为wFLp_m、wFLp_n向量相关性值，m和n为序列标示，表示第m和n个向量；

将NVC_mn与设定的相关性阀值比较，在NVC值大于相关性阀值时认为两个负载向量将产生相同的疲劳损坏模式，弃去其中一个负载向量，而所有两两相乘后NVC值小于或等于相关性阀值的向量都被认为是不相关向量，被保留下来，得到局部负载集中不相关负载向量矩阵LFL。

6)整体负载中不相关负载向量的提取：

整体负载情况下，将所有局部负载在不同测量点下获得的LFL矩阵组成整体疲劳负载矩阵LFLV：

LFLV＝{LFL¹；LFL²；...；LFL^P；}

再乘敏感度矩阵： $\mathrm{wLFL}{V}^p=D{S}^p\·\×\mathrm{LFL}{V}_c^p$

$\mathrm{gNV}{C}_{c_1{c}_2}^p=\frac{{|\mathrm{wLFL}{V}_{c_1}^p\·\mathrm{wLFL}{V}_{c_2}^p|}^2}{\mathrm{wLFL}{V}_{c_1}^{p^T}\·\mathrm{wLFL}{V}_{c_1}^p\·\mathrm{wLFL}{V}_{c_2}^{p^T}\·\mathrm{wLFL}{V}_{c_2}^p}$

c₁＝1,...,C；c₂＝1,...,C；p＝1,...,P，C为局部负载下不相关向量的总数。

获得的矩阵向量依次两两相乘，可以得到与相关性阀值比较，得到整体负载中不相关负载向量矩阵FFL_q；

式中，Z初值为LFLV的向量数，在计算过程中随被去除向量数增加等比减小。最终获得一个向量数远远小于初始矩阵的矩阵FFL_q，这说明最初施加的负载，在同一个测量点以及整体横梁测量点之间，在很大程度上具有相同的疲劳损坏模型，因此最终矩阵FFL_q中对应负载向量可以很好地表征横梁在各种负载条件下可能出现的疲劳损坏模式。

公式中，所有的下标c1、c2表示第c1、c2个向量，上标p表示第p个测量点。

7)最优应变片布局方案规划：

以能够监测整体负载中不相关负载向量(即FFL_q中的向量)为首要条件，并基于遗传算法同时兼顾应力传感器安装便利性和信号干扰因素，从而确定应力测量点的位置，即应力传感器的位置分布方案，并给出相应应力传感器的应力阀值。

一种行车横梁在线应力监测与故障诊断方法，包含以下步骤：

S1、在行车横梁上布置多个应力传感器，每个应力传感器作为一个应力测量点；所述的多个应力传感器的位置分布通过雨流计数法疲劳寿命分析、负载敏感度分析和局部负载、整体负载下的基于独立疲劳损坏模式的非相关负载向量获得。

S2、应力传感器将采集到的应力信号传送至对应的无线发射节点，所有的无线发射节点再将应力信号发送至无线接收站，无线接收站传送至远程微型处理器；

S3、远程微型处理器将应力传感器采集的应力信号与对应的应力阈值相比较，判断行车横梁的安全状态；

S4、当任意一个应力传感器采集的应力信号超过对应的应力阈值，则进行报警。

本发明的动态应力采集原理如图3所示，在优选的实施方式中，所述的传感器使用电阻应变片，焊接在行车横梁上，获得的动态电压信号接至信号处理模块，其中放大器放大信号，模拟/数字转化器将放大后的信号转换成数字信号，信号处理模块输出端通过UART接口与WiFi无线射频模块连接，WiFi无线射频模块将信号发送至嵌入式WiFi接收站。应力传感器和WiFi发射节点共用一个电源模块，在优选的实施方式中，电源采用锂电池供电。

如图4所示，嵌入式WiFi接收站在优选的实施方式中，嵌入式WiFi使用SPI接口与MCU连接，MCU负责处理分析WiFi无线射频模块接收到的数据信息，知晓信息来源并判断数据是否异常，指导蜂鸣器、LED显示器等报警装置作出响应，MCU、WiFi无线射频装置、LED显示器都使用同一电源模块供电，在优选的实施方式中采用锂电池供电。此外还包括电源按键、工作状态指示灯、测量启动开关、通讯接口、TF卡等。

本发明还具有以下优点：监测过程中将测量的动态应力值保存至TF卡，以时间段为标识记录文档，后期结合实际生产情况，分析数据，可以尽早地发现应力值异常，对可能存在的安全隐含进行排查。

以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。

Claims (10)

1.一种行车横梁在线应力监测与故障诊断系统，其特征在于：它包括设置在行车横梁上的多个应力传感器和无线发射节点、无线接收站，以及远程微型处理器；应力传感器将采集到的应力信号传送至对应的无线发射节点，所有的无线发射节点再将应力信号发送至无线接收站，无线接收站传送至远程微型处理器；远程微型处理器用于将应力传感器采集的应力信号与对应的应力阈值相比较；

所述的多个应力传感器的位置分布通过雨流计数法疲劳寿命分析、负载敏感度分析和局部负载、整体负载下的基于独立疲劳损坏模式的非相关负载向量获得。

2.根据权利要求1所述的行车横梁在线应力监测与故障诊断系统，其特征在于：所述的远程微型处理器与报警装置连接，用于在应力传感器采集的应力信号超过对应的应力阈值时进行报警。

3.根据权利要求1所述的行车横梁在线应力监测与故障诊断系统，其特征在于：所述的多个应力传感器的位置分布及应力阈值大小通过以下方法确定：

1)建立行车横梁结构计算模型，并对行车横梁施加准静态单位负载；

2)设定疲劳存活率和相关性阀值；

3)通过雨流计数法进行疲劳寿命分析，获得时间历程中的最劣周期；

4)基于疲劳损坏的应力敏感度分析：

所有负载在每个应力测量点均有一个对应的敏感度值，将敏感度矩阵与最劣周期向量矩阵进行矩阵向量乘积获得应力敏感度矩阵；

5)将整体负载划分为多个局部负载集，提取每个局部负载集中不相关负载向量；

6)将步骤5)中得到的局部负载集中不相关负载向量进行累计，提取整体负载中不相关负载向量；

7)最优应变片布局方案规划：

以能够监测整体负载中不相关负载向量为首要条件，并基于遗传算法同时兼顾应力传感器安装便利性和信号干扰因素，从而确定应力测量点的位置，即应力传感器的位置分布方案，并给出相应应力传感器的应力阀值。

4.根据权利要求3所述的行车横梁在线应力监测与故障诊断系统，其特征在于：所述的1)具体为：建立行车横梁三维模型，在模型上施加单位负载，并认为在一个短时间dt内是静态过程，同时忽略惯性力的影响，进行线性弹性有限元分析获得基于疲劳寿命的应力历程，针对材料可能出现疲劳损坏的负载处进行同样的分析处理，获得不同幅值载荷在时间历程下的应力历程。

5.根据权利要求4所述的行车横梁在线应力监测与故障诊断系统，其特征在于：所述的3)具体为：采用雨流计数法将应力历程对应的应变历程转化成幅值周期，并找到最劣周期，得到第K个最劣周期的负载向量FL_k，共K_P个这样的周期；在数量为P的应力测量点下，获得一个大小为P的向量矩阵FLP，包含有K_P×P个向量。

6.根据权利要求5所述的行车横梁在线应力监测与故障诊断系统，其特征在于：所述的5)具体为：计算局部负载集在应力测量点产生的任意两个不同最劣周期的疲劳负载矩阵向量wFLp的相关性NVC，与设定的相关性阀值比较，在NVC大于相关性阀值时认为两个负载向量将产生相同的疲劳损坏模式，弃去其中一个负载向量；而所有两两相乘后NVC小于或等于相关性阀值的向量都被认为是不相关向量，被保留下来，得到矩阵LFL；

所述的6)具体为：整体负载情况下，将所有局部负载集在不同应力测量点下获得的矩阵LFL组成整体疲劳负载矩阵LFLV，再乘敏感度矩阵，获得的矩阵向量依次两两相乘，得到结果矩阵，将结果矩阵与设定的相关性阀值比较，得到最终矩阵FFL_q；

7.一种行车横梁在线应力监测与故障诊断方法，其特征在于：它包含以下步骤：

S1、在行车横梁上布置多个应力传感器，每个应力传感器作为一个应力测量点；所述的多个应力传感器的位置分布通过雨流计数法疲劳寿命分析、负载敏感度分析和局部负载、整体负载下的基于独立疲劳损坏模式的非相关负载向量获得

S2、应力传感器将采集到的应力信号传送至对应的无线发射节点，所有的无线发射节点再将应力信号发送至无线接收站，无线接收站传送至远程微型处理器；

S3、远程微型处理器将应力传感器采集的应力信号与对应的应力阈值相比较，判断行车横梁的安全状态。

8.根据权利要求7所述的行车横梁在线应力监测与故障诊断方法，其特征在于：它还包括S4、当任意一个应力传感器采集的应力信号超过对应的应力阈值，则进行报警。

9.根据权利要求7所述的行车横梁在线应力监测与故障诊断方法，其特征在于：所述的多个应力传感器的位置分布及应力阈值大小通过以下方法确定：

1)建立行车横梁结构计算模型，并对行车横梁施加准静态单位负载；

2)设定疲劳存活率和相关性阀值；

3)通过雨流计数法进行疲劳寿命分析，获得时间历程中的最劣周期；

4)基于疲劳损坏的应力敏感度分析：

所有负载在每个应力测量点均有一个对应的敏感度值，将敏感度矩阵与最劣周期向量矩阵进行矩阵向量乘积获得应力敏感度矩阵；

5)将整体负载划分为多个局部负载集，提取每个局部负载集中不相关负载向量；

6)将步骤5)中得到的局部负载集中不相关负载向量进行累计，提取整体负载中不相关负载向量；

7)最优应变片布局方案规划：

以能够监测整体负载中不相关负载向量为首要条件，并基于遗传算法同时兼顾应力传感器安装便利性和信号干扰因素，从而确定应力测量点的位置，即应力传感器的位置分布方案，并给出相应应力传感器的应力阀值。

10.根据权利要求9所述的行车横梁在线应力监测与故障诊断方法，其特征在于：所述的1)具体为：建立行车横梁三维模型，在模型上施加单位负载，并认为在一个短时间dt内是静态过程，同时忽略惯性力的影响，进行线性弹性有限元分析获得基于疲劳寿命的应力历程，针对材料可能出现疲劳损坏的负载处进行同样的分析处理，获得不同幅值载荷在时间历程下的应力历程；

所述的3)具体为：采用雨流计数法将应力历程对应的应变历程转化成幅值周期，并找到最劣周期，得到第K个最劣周期的负载向量FL_k，共K_P个这样的周期；在数量为P的应力测量点下，获得一个大小为P的向量矩阵FLP，包含有K_P×P个向量；

所述的5)具体为：计算局部负载集在应力测量点产生的任意两个不同最劣周期的疲劳负载矩阵向量wFLp的相关性NVC，与设定的相关性阀值比较，在NVC大于相关性阀值时认为两个负载向量将产生相同的疲劳损坏模式，弃去其中一个负载向量；而所有两两相乘后NVC小于或等于相关性阀值的向量都被认为是不相关向量，被保留下来，得到矩阵LFL；

所述的6)具体为：整体负载情况下，将所有局部负载集在不同应力测量点下获得的矩阵LFL组成整体矩阵LFLV，再乘敏感度矩阵，获得的矩阵向量依次两两相乘，得到结果矩阵，将结果矩阵与设定的相关性阀值比较，得到最终矩阵FFL_q；