CN107016186B - 一种面向危害性冲撞击事件的智能辨识与评估方法 - Google Patents
一种面向危害性冲撞击事件的智能辨识与评估方法 Download PDFInfo
- Publication number
- CN107016186B CN107016186B CN201710211334.7A CN201710211334A CN107016186B CN 107016186 B CN107016186 B CN 107016186B CN 201710211334 A CN201710211334 A CN 201710211334A CN 107016186 B CN107016186 B CN 107016186B
- Authority
- CN
- China
- Prior art keywords
- response
- model
- impact
- function
- evaluation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 58
- 231100001261 hazardous Toxicity 0.000 title claims abstract description 6
- 230000004044 response Effects 0.000 claims abstract description 151
- 238000012546 transfer Methods 0.000 claims abstract description 44
- 238000004364 calculation method Methods 0.000 claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 48
- 238000006243 chemical reaction Methods 0.000 claims description 24
- 238000011158 quantitative evaluation Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 19
- 238000000354 decomposition reaction Methods 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 230000002068 genetic effect Effects 0.000 claims description 11
- 238000004088 simulation Methods 0.000 claims description 11
- 239000002131 composite material Substances 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 230000035772 mutation Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000005316 response function Methods 0.000 claims description 4
- 238000012854 evaluation process Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000001364 causal effect Effects 0.000 claims description 2
- 230000007423 decrease Effects 0.000 claims description 2
- 230000003362 replicative effect Effects 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 108010094028 Prothrombin Proteins 0.000 claims 1
- AGVAZMGAQJOSFJ-WZHZPDAFSA-M cobalt(2+);[(2r,3s,4r,5s)-5-(5,6-dimethylbenzimidazol-1-yl)-4-hydroxy-2-(hydroxymethyl)oxolan-3-yl] [(2r)-1-[3-[(1r,2r,3r,4z,7s,9z,12s,13s,14z,17s,18s,19r)-2,13,18-tris(2-amino-2-oxoethyl)-7,12,17-tris(3-amino-3-oxopropyl)-3,5,8,8,13,15,18,19-octamethyl-2 Chemical compound [Co+2].N#[C-].[N-]([C@@H]1[C@H](CC(N)=O)[C@@]2(C)CCC(=O)NC[C@@H](C)OP(O)(=O)O[C@H]3[C@H]([C@H](O[C@@H]3CO)N3C4=CC(C)=C(C)C=C4N=C3)O)\C2=C(C)/C([C@H](C\2(C)C)CCC(N)=O)=N/C/2=C\C([C@H]([C@@]/2(CC(N)=O)C)CCC(N)=O)=N\C\2=C(C)/C2=N[C@]1(C)[C@@](C)(CC(N)=O)[C@@H]2CCC(N)=O AGVAZMGAQJOSFJ-WZHZPDAFSA-M 0.000 claims 1
- 239000000284 extract Substances 0.000 claims 1
- 238000007620 mathematical function Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 10
- 238000001514 detection method Methods 0.000 abstract description 3
- 230000010354 integration Effects 0.000 abstract 2
- 238000012549 training Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 230000007547 defect Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 229910000838 Al alloy Inorganic materials 0.000 description 2
- 230000008649 adaptation response Effects 0.000 description 2
- UQZIWOQVLUASCR-UHFFFAOYSA-N alumane;titanium Chemical compound [AlH3].[Ti] UQZIWOQVLUASCR-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 230000001066 destructive effect Effects 0.000 description 2
- 239000011208 reinforced composite material Substances 0.000 description 2
- 230000003014 reinforcing effect Effects 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 230000035939 shock Effects 0.000 description 2
- 239000003351 stiffener Substances 0.000 description 2
- 230000035882 stress Effects 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 229920000049 Carbon (fiber) Polymers 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 239000004917 carbon fiber Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000000254 damaging effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000003365 glass fiber Substances 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种面向危害性冲撞击事件的全局辨识与评估方法，属于机械电子一体化及自动化检测与控制技术领域。该技术首先通过响应输出信号数据预处理去除干扰噪声；然结合可变模型参量的输入输出动态响应关系与系统的状态空间函数表达式建立正向模型；基于输入输出的时序因果关系的反向模型执行识别计算；最后，通过响应转换函数网格实现未知冲撞击辨识与评估。本发明实现了全跨结构的实时在线冲撞击辨识与评估，克服了依赖于复杂结构力学模型对于冲撞击评估的各种限制及其局限性，实现了对各种不同复杂结构及恶劣机械振动干扰环境下的有效冲撞击评估计算，在机械电子一体化及自动化检测与控制技术领域具有广泛的工程实际应用前景。
Description
技术领域
本发明涉及一种面向危害性冲撞击事件的全局辨识与评估(GIIE)方法，属于机械电子一体化及自动化检测与控制技术领域。
背景技术
对于现代化制造业，如：航空航天制造、汽车制造、舰船舶制造等行业都越来越多地采用轻型、高比强度、高比刚度的钛铝合金、复合材料(如：碳纤维增强复材、玻璃纤维增强复材等)等以及由其构建的各种机械关键结构体(件)，以减小制造其结构体(件)自重的同时，保证或增加其结构的强度及刚度，从而，确保传统的机械体(如：飞机各结构布局、汽车关键结构件、舰船大跨结构等)的可靠性与安全性，及其较长的服役寿命等。
由于机械结构所处的外部环境的复杂性，导致在其服役期间可能会遭受到无法预测的，对结构的整体性与可靠性可能会造成危害的各种冲撞击事件，如：对于服役的飞机在复杂多变的外部环境中，经常会遭受到砂石、冰雹、鸟撞、碰擦等引起的突发性非安全事件，造成机体结构内部发生损伤，影响结构的力学性能，损害其可靠性与完整性，削弱结构(件)的强度，严重威胁后续飞行的安全；对于汽车而言，道路的砂石飞溅可能导致对车身的损伤影响；对于舰船而言，航行中可能遇到未知不明物体的冲撞，而导致舰船体吃水部位结构的损伤及不完整性，从而会产生舰船沉没的可能性。
综上所述，危害性冲撞击事件的有效实时辨识、评估与控制技术是未来科学技术与智能制造工业着重发展的一个工程技术方向和领域。
到目前为止，国内外专家学者研究的冲撞击辨识与评估技术主要有：基于力学模型参量的冲击评估方法，基于时间反转聚焦的冲击评估方法，基于多重信号分类的冲击定位方法，基于准牛顿梯度平整过滤的冲击评估方法等冲撞击评估方法。
这些冲撞击辨识与评估方法都具有它们各自的缺陷，如：对于基于力学模型参量的冲击评估方法，它很难对未知冲撞击事件实现实时在线识别与评估，缺少时效特性，适合后处理与分析评估；对于基于时间反转聚焦的冲击评估方法，它主要实现了未知冲击的定位评估目标，并未能实现冲撞击力重构与冲撞击能定量评估；对于准牛顿梯度平整过滤的冲击评估方法，它的评估计算需要依赖于结构(或材料)本身的力学属性与参数，也就是说，当面对复杂结构配置(如：含加强筋或者不完整构件)时，由于其力学特性的不一致性、不均匀性，导致其材料的各向异性，以至于在复杂结构条件下，通过近似模型将无法精确评估冲撞击的各项指标，从而，导致评估误差很大的弊端。
鉴于已有的冲撞击辨识与评估方法的诸多不足，本发明提出了智能冲撞击辨识与评估 (GIIE)技术，它弥补了现有冲撞击识别与评估方法的短板，从结构全跨布局执行实时在线冲撞击识别与快速评估。与此同时，GIIE技术提出并采用了简单的数学模型方法，有效地克服了依赖于复杂结构力学模型对于冲撞击评估的各种限制及其局限性，并运用输入输出动态响应模型伴随着不同模型参量去实现对各种不同复杂结构及恶劣机械振动干扰环境下的有效冲撞击定量评估计算。
发明内容
本发明提出的GIIE技术是一种基于智能配置分布式传感网络的冲撞击辨识与评估方法，它可以实现传感器全布局测量的冲撞击辨识与评估，可适用于不同的复杂工程结构，各种冲撞击条件与冲撞击形式，及恶劣的机械振动干扰环境，如图1与2所示。
GIIE技术能有效克服外部干扰环境，如：不利的外部振动环境，并在类似恶劣环境条件下有效执行任意未知冲撞击事件的辨识与定量评估，正如图3与4所示。与此同时，GIIE技术还能够克服依赖传统的有限元模型及必需的力学参量定义，采用了基于小量的模型参量训练途径的简化的数学模型，这种摆脱了必须已知结构力学参量才能建立求解模型困境的优化模型是易于建立的，并仅仅依赖于模型参量变化而变化，排除了不必要的物理参量的限制。
GIIE技术融合了多种计算与分析方法，如：有限元模型计算方法，数字信号处理方法以及数据分析方法等。然而，支持该技术对任意冲撞击事件执行准确的辨识与评估，主要包含四大功能模块：1)响应输出信号数据预处理；2)正向模型生成器；3)反向模型识别计算模块；4)响应转换函数网格网络生成器。为了能够对未知破坏性冲撞击事件有效执行辨识与评估，正向模型的三性(准确性、稳定性及鲁棒性)直接影响着冲撞击辨识的精确性。与此同时，为了简化正向模型的复杂性，以便于实际工程应用的实现，一种基于响应转换函数(IRF) 矩阵的正向模型被提出并运用在冲击辨识计算中。
对于任意结构，为了能有效辨识未知冲撞击事件及对结构影响的评估，一个一般性的结构动态响应正向模型的建立是非常必要的。此正向模型是一种全局性的结构响应模型针对于整个结构体，并由新提出的自适应响应转换函数网络网格来实现与执行。图5展现了一个承载结构是如何通过建立全局响应转换函数网络实现不可预测冲撞击事件的辨识与评估的。
如图5所示：对应于一个传感器，相应的一个响应转换函数(即相应的一个网格节点上的响应转换函数)可以通过极小量的动态输入与响应输出数据训练方法来获取。也就是说，为了顺利获得响应转换函数网络网格，本发明提出了两种数据训练方法：1)有限元仿真模拟训练法与2)实验训练法，去建立准确、稳定及鲁棒性高的响应转换函数网络网格。当一结构受到外部物体任意冲撞击时，通过全跨覆盖的响应转换函数网格网络并结合状态空间函数的系统模型方法，动态响应正向模型便可建立。一个三性完备的结构动态响应正向模型是保障快速冲撞击辨识与评估反向计算能够成功实现的良好基础。
建立一个三性完备的结构动态响应正向模型，需要由三个主要的计算功能函数模块完成模型建立。这三个计算功能模块：1.正向响应预测模型结构的选定；2.基于快速遗传算法参量评估方法的最优正向响应预测模型的建立；3.正向响应预测模型阶的优化。然后，顺序执行并建立起一个一般性的结构动态响应正向模型，从而通过简化模型结构，为未知冲撞击力的重构等冲撞击评估反问题快速求解提供了一个通用的解决方案。
当建立起完善的结构动态响应正向模型后，就可通过动态输入与响应输出关系、系统的状态空间函数表达式以及输入输出的时序因果关系，反演推导并确立出冲击动态反向模型。通过建立的响应转换函数网格网络，一个由四个响应转换函数点组成的冲击响应函数网格能够被易于提取，并结合牛顿插值法，反向模型能够有效地对任意未知冲撞击进行辨识与其力信息的定量评估。图6展示了非连续性复杂结构，如：具有孔洞板结构的两次任意未知冲撞击事件的辨识与对应的力信息定量评估。图7展示了使用两种不同数据训练法所得的响应转换函数矩阵(1.有限元仿真模拟训练所得的与2.实际实验训练所得的响应转换函数矩阵) 执行冲撞击辨识与定量评估的误差对比，两次未知冲击事件FR1与FR2作用在同一悬臂结构上。
附图说明
图1恶劣的机械振动干扰条件下的任意未知冲撞击事件示意图。
图2受振动干扰污染的原始多传感器响应输出信号。
图3受信噪比(SNR＝20)污染下的重构力、去噪后的重构力与真实力的重构误差对比图。
图4受信噪比(SNR＝10)污染下的重构力、去噪后的重构力与真实力的重构误差对比图。
图5多加强筋的复杂复材结构被全跨覆盖响应转换函数网络网格的示意图，其中，(a)一个被监测的多加强筋复材结构；(b)一个可配置自适应响应转换函数计算网络覆盖全跨结构；(c) 被识别出的响应转换函数网格用来辨识与评估未知冲撞击事件。
图6孔洞板结构的两次任意未知冲撞击事件的辨识与其力定量评估。
图7使用FEM模拟训练、实验训练所得的响应转换函数矩阵评估出的重构力与真实力的误差对比图，其中，(a)未知冲撞击在FR1处的重构力与真实力的误差对比图；(b)未知冲撞击在FR2处的重构力与真实力的误差对比图。
图8冲撞击智能辨识与定量评估流程图。
图9基于快速模态分解的混合阈值信号滤波器FEMD-HTF流程图。
图10快速模态分解FEMD流程图。
图11一含随机噪声的原始响应信号的快速模态分解FEMD处理结果图。
图12含随机噪声的原始响应信号通过FEMD-HTF滤波去噪后的结果图，其中：(a)信噪比 (SNR＝10)的原始响应信号的去噪结果图；(b)信噪比(SNR＝15)的原始响应信号的去噪结果图。
图13基于FGAPE模拟出的正向响应输出模型、基于LSE评估模拟出的正向响应输出模型与真实响应输出的对比图，其中：(a)来自硬塑料冲击物；(b)来自钢球冲击物。
图14作用在一加筋结构的两次未知冲撞击的辨识与定量评估，其中：(a)加强筋A处的冲击定量评估对比图；(b)无筋右湾区B处的冲击定量评估对比图。
图15不同结构的传感器布设密度示意图。
图16响应转换函数网络网格自适应变化对仿真精确度影响的评估结果图。
图17任意冲撞击的一般化辨识与定量评估示意图。
图18重构力与真实力之间的最大幅值误差对比图。
具体实施方式
当一个不可预测的冲撞击事件作用在被监测的主结构上时，已布设在主结构内表面或嵌入在主结构内层的传感器网络将记录到一系列结构的冲撞击响应数据并将其输出给冲撞击辨识与评估计算模块，如图8所示。在整个冲撞击识别与评估过程，包括以下步骤：
第一步：传感响应输出信号数据预处理功能区。
一种基于快速模态分解的混合阈值信号滤波器(FEMD-HTF)被提出并应用于原始的响应信号数据滤波，滤除原始信号数据中的无用噪声干扰成分，如图9所示。
通过执行信号数据预处理(SDP)过程，可以有效地去除由于机械振动干扰等环境下而导致原始输出的结构响应信号中所携带的随机噪声干扰，同时无损失地准确提取真实的结构冲撞击响应信号输出，其具体计算方法实现过程划分为两个阶段执行，如下：
1.首先，原始的响应信号数据需要经过快速模态分解处理，把原始信号数据进行本构模态分解并特征提取，正如图10所示；
2.基于快速模态分解所获得的本构模态函数，混合阀值滤波方法在每一级尺度阶段选取适度的阀值信息进行模态函数信号特征提取，然对每级尺度阶段的模态函数信号进行重新组合。在混合阀值滤波阶段中，其具体的信号数据滤波过程如下：
(1)含随机噪声的原始传感器输出信号首先通过快速模态分解(FEMD)处理，把原始的响应信号进行合理有效的分解并计算出各级本构模态函数信号的能级，如图11所示。
(2)从不同级模态函数信号特征提取有用信息的角度出发，前五级模态函数信号分量通常占有其原始信号绝大比例的能量，因此，前五级模态函数信号分量被选定用来特征提取。在每一级过滤尺度中，适度的阈值信息需要被设定用来执行去除噪声干扰。因此，混合阈值函数定义如下：
上式中，IMF′(Di)是通过滤波过程得到的响应信号有效成分；C2是通过每一个尺度峰值得到的阈值，计算方法为C2＝max(|Z|)/(Kurt(Z)/3)，其中，Z是本征模态函数(IMF)的一个尺度系数，Kurt(Z)是分解成分的峰值。
通过每一个尺度的C2可已得到C1、C3、λ1和λ2，计算方法如下：
上式中，由于更高的峰值表明存在有更有效的成分，因此定义一个特殊参数 Ps＝1+max(Kurt(Z)-3，0)。
为了在阈值处做切向的连接曲线，通过计算半径λ1和λ2可得到两条弧，这样可以保证一个连续平滑的过渡。
被每级的适度阈值滤波后的前五级模态函数信号分量，它们被重新组合并构建新的去噪后的动态响应信号数据，如图12所示。
第二步：建立精确的正向模型，具体实施过程如下：
(1)确定系统模型结构，以下离散公式可以表示任意多自由度(MOF)的复杂模型：
s(k)＝Cx(k)+Du(k) (3b)
上式中，u(k)是输入信号，x(k)是状态向量，s(k)是输出响应信号，
定义为
A是结构系统矩阵，B是输入矩阵，C是输出矩阵，D是前馈矩阵。
由公式(3a)和(3b)描述的多自由度结构系统可推导出传感响应输出，如下公所示式。
其中，响应转换函数为：
g(0)＝D g(i)＝CAi-1B 矩阵成分数i＝1，2，... (5)
这里，响应转换函数找g(i)就是探寻冲撞击力输入u(k)与传感器响应输出s(k)之间重要关系的关键桥梁。
正向模型的响应输出s(k)是通过预测响应输出、输入以及相应的噪声函数e(k)来描述的。
通过一个结构动态正向模型去最佳描述一个真实结构系统，也就是，一个结构动态正向预测模型可由下列计算模型建立：
s(k)＝[1-A(q)]s(k)+B(q)u(k)+e(k) (6)
其中，q是通过s(k-n)＝q-ns(k)定义的时移算子。
e(k)是一个不相关的随机噪声序列。
由于e(k)已经在SDP去噪过程中被剔除，相关于输入与响应输出的冲撞击响应信号数学模型可以通过下面公式进行建模：
其中，模型参数矢量θ＝[a1...an b1...bm]T.
上式称为正向系统预测模型，即输出序列s(k)的响应预测模型。
(2)基于快速遗传算法参量评估(Fast Genetic Algorithm ParameterEstimation，FGAPE) 辅助的冲撞击响应函数发生器。
为了减小真实输出和模型输出的预测误差，并且通过模型参量(ai，bj)的计算可以获取所需的响应转换函数矩阵，提出了快速遗传算法参量评估(FGAPE)方法。
在基于误差估计的快速遗传算法过程中，有5个基本运算评估过程需要执行：1)复制优化因子；2)交叉因子成分；3)设定因子突变率，并根据突变率进行因子重新组合；4)生成新的迭代子群；5)最优化因子有效筛选。快速遗传算法参量评估FGAPE方法通过多熵函数H(an，bm)，可获得最小预测误差的最优模型参量(ai，bj)。其多熵函数表达式定义如下：
其中，通过一系列的快速遗传算法优化过程，
被定义为一组最优的响应输出正向模型参数矢量。而上述最优模型参数矢量
又可通过H(an，bm)被分解为对应模型参量(ai，bj)的熵H(an)和H(bm)：
最后可得到响应转换函数IRF矩阵
然而，一个结构系统的冲撞击响应输出s(k)可以由下式的矩阵卷积公式计算得出：
其中，冲撞击动态输入
U(x，y)＝[u(0) u(1) u(2)…u(n-1)]T) (13a)
对应的结构响应输出
S(x′y′)＝[s(0) s(1) s(2)…s(n-1)]T (13b)
图13展示了由两类不同材质物体冲击产生的不同响应输出，其中，基于FGAPE仿真模拟出的正向响应输出模型、最小二乘误差(LSE)评估模拟出的正向响应输出模型两个仿真响应输出与真实响应输出的对比，通过仿真结果对比，基于FGAPE仿真模拟出的响应输出正向模型与真实的响应输出之间的误差是最小，模拟响应输出模型是最优的。
(3)通过选择最佳模型阶数，缩小预测误差。为了缩小模型输出和真实输出之间的预测误差，定义一个模型阶数选择标准。相应的，根据最佳模型阶数可建立一个优化的输出模型。
因此，下述的选择标准可用于选择合适的模型阶数：
①从一个最小模型开始(通常情况下，模型阶数2≤n≤8)
②增加模型阶数，直至递归系数Ω2足够高且接近1。
其中，
是预测误差；回归矢量
③当Ω2足够高，并且增加模型阶数不会提高Ω2的值时，选择这个最小阶数的模型。
第三步：反向模型建立
通过结构响应的输出数据和反向模型可以实现对未知冲撞击力的辨识与定量评估。
利用结构系统的离散时间形式的状态空间模型和冲撞击动态响应表达式，可建立反向冲撞击响应模型并定量评估出未知的冲撞击输入力信号。
在辨识与定量评估未知冲撞击力时，假设k时刻发生冲撞击事件u，随后在时间序列 [k+1...k+r]内也会产生相应的响应输出函数s。于是，在时间序列[0 1…r-1]内，响应转换函数矩阵应为零。
因此，假设初始条件为零的前提基础上，反向冲撞击响应模型可由下式得到：
其中，反向响应转换函数矩阵定义为：
最后，将公式(16)的矩阵进行卷积处理，如公式(18)，可获得未知冲撞力信息。通过上述一系列的评估求解，作用在某一结构，其位置为(x，y)的未知冲撞击力可以通过反向模型执行辨识与定量评估。图14展示了分别作用在同一结构不同位置的两次未知冲撞击事件通过定量计算被重建。
第四步：建立响应转换函数网格网络，它为实现任意未知冲撞击力辨识与定量评估必不可少的步骤。
未知冲撞击力辨识与定量评估的精确度取决于响应转换函数网络网格的选取，也就是说，随着响应转换函数网络网格选取的二维空间尺寸增大，重构的冲撞击力的准确度就会降低。
基于FGAPE的冲撞击辨识与评估方法去重构未知冲撞击力，其未知冲撞击力定量评估结果的精确度和稳定性主要依赖于以下两大因素：
(1)传感器布设的二维网络空间尺寸
未知冲撞击力辨识与定量评估的精确度，也同时取决于传感器布设的二维网络空间尺寸。此外，考虑到结构的全垮监测问题，传感器布设也应执行覆盖整个大型全垮结构。因此，传感器网络二维网格的空间尺寸(或称为传感器布设密度，如图15所示)就需要被设计与优化。
正如之前的执行步骤所述，对于未知冲撞击的辨识与评估，冲撞击响应转换函数矩阵的建立是至关重要的，因此，一个正确的冲撞击响应函数矩阵是要通过冲击动态输入与结构(传感器)响应输出之间的动态响应关系来获取。
在本发明中，一个遭受低速破坏性冲撞击的结构的瞬间响应作为研发对象之一，也就是说，采用的结构(传感器)的响应输出应该为结构响应的瞬时模态信号，而非结构的振动模态信号。
在工程应用当中，对于不同的工程结构，未知冲撞击的辨识与评估需要考虑并优化设计传感器二维网络的布设空间大小，这样，1)便于获取冲撞击的位置信息，2)更重要的是，通过优化的矩形(或三角形)传感器网络网格，易于响应转换函数矩阵的灵活建立。
由于冲撞击引起在结构中传播的应力波，这些弹性波在传播过程中会产生时间延迟与能量空间衰减。因此，对于最优的传感器二维网络网格空间，所产生的应力波在冲撞击与传感器间传播的能量损耗的最大传播距离能够有助于其网格空间尺寸的确定。
为了优化并选定适当的传感器二维网络网格空间尺寸，本发明提出了一种线性优化似然经验方法，其实施步骤如下：
根据大量的实验数据和理论基础支持，复合材料板形结构布设传感器数量的最小值可通过下列经验公式(19)进行优化评估：
其中，相关系数n为整数设置，通常n的取值不大于4。
通过公式(19)，布设的传感器二维网络网格空间尺寸可以通过冲撞击力最大荷载值的二次方根的倍数来最优化选取。例如，一个冲撞击事件的最大荷载峰值为100N，为了满足一个一般情况下的冲撞击识别误差率ε＜20％，其最大传感器二维网络网格空间布设尺寸通过计算优化应为40cm。当冲撞击事件的最大荷载峰值增至300N时，其最大传感器二维网络网格空间布设尺寸将会提高至70cm。
假设一个1000N的冲撞击力被作为一个真实飞行器结构的最小承载阈值，一旦冲撞击力荷载值以近似4倍的量增加时，传感器二维网络网格空间的尺寸应该近似以原先空间尺寸2 倍的量级扩增。关于冲撞击辨识与定量评估的精确度要求，可取决于用户的需求。在通常情况下，一个适度小的传感器二维网络网格空间可以获得更精确的冲撞击辨识与评估结果。
(2)响应转换函数源点网格的二维空间尺寸
首先，响应转换源点网格的二维空间尺寸的选取与其重构力的精确度成反比。
于是，选定适当的响应转换函数源点网格的空间尺寸的具体流程如下：
步骤一：初步设定响应转换函数源点网格的空间尺寸，设定此响应转换源点网格通常是由四个响应转换源点组成的二维矩形区域，得到一个初始响应转换函数二维网格空间；
步骤二：在初始设置的响应转换函数源点间的二维网格内，布设附加的响应转换源点用来作进一步的仿真精确度评估，如图16所示；
步骤三：在每个响应转换评估源点，冲撞击力都被进行重构。输入的冲撞击力都是由在四个响应转换函数源点的反向响应转换函数与响应输出点积所计算求得的四个力分量而积求和获得，其重构公式为：
其中，ψi被定义为一真实结构的物理坐标系映射到参量坐标系(μ，υ)下，某一响应转换函数源点坐标的映射关系表达式，如下所示：
ψ1(μ,υ)＝(1-μ)(1-υ) (21a)
ψ2(μ,υ)＝μ(1-υ) (21b)
ψ3(μ,υ)＝(1-μ)υ (21c)
ψ4(μ,υ)＝μυ (21d)
这四个响应转换函数源点的反向响应转换函数
在真实结构中都拥有各自的物理坐标 (x，y)。为了使冲撞击力重构更通用化、更实用化，这四个反向响应转换函数
组成的单元被考虑成一个具有物理意义的计算单元，这个原始的物理单元可以被规范化为一个具有相同拓扑结构的参量化单元，正如图17所示。在真实物理坐标系映射到参量坐标系下，这个参量化单元的边界坐标是无量纲的。同时，两个坐标系之间的对应关系可通过重调和插值函数关系式来实现，如公式群(21a,b,c,d)。
另外，
被定义为映射参量坐标系(μ，υ)下的重构力的力分量(i＝1，2，3，4)，其计算公式为：
其中，Sp为某一指定传感器响应输出信号。
步骤四：真实力幅值与重构力幅值之间的误差比被定义为重构误差比(RER)，如图18 所示，其定义公式为：
其中，Arecord是真实冲撞击力的幅值，Arecons是相应重构力的评估幅值。
通过上述步骤的评估结果，利用重构误差比公式计算，可以获取相应响应转换源点构成的网格的误差情况，并可得到候选的响应转换源点网格的最大误差信息；
步骤五：如果对应的响应转换源点网格的最大误差不符合所要求的精度，则优化选取流程就要返回初始步骤一，并再次把选定的新的适宜的网络尺寸进行新的优化评估选择。
Claims (4)
1.一种面向危害性冲撞击事件的全局辨识与评估方法，其特征在于，包括如下步骤：
(1)传感响应输出信号数据预处理SDP
SDP功能模块处理并执行滤波去噪，并提取原始的响应信号或原始噪声信号数据关联动态输入的特征信号成分，为结构动态响应正向模型建立提供可靠的数据依据；
(2)建立精确的正向模型
结构动态响应正向模型就是建立一个简单的、正确的动态输入与响应输出关系的数学函数表达式；结合动态输入与响应输出关系与系统的状态空间函数表达式，推导出系统预测模型并通过模型参量(ai,bj)来建立精确的输入输出关系——响应转换函数矩阵，从而确立准确性、稳定性及鲁棒性的三性完备的结构动态响应正向模型；
(3)建立反向模型
通过系统的状态空间函数、冲撞击响应函数表达式以及输入输出的时序因果关系，反演推导并确立动态反向模型；
(4)建立响应转换函数网格网络，为了实现任意未知冲撞击力辨识与定量评估
对于任意结构，为了实现不可预测冲撞击事件的辨识与评估，响应转换函数网格网络需要建立并全跨覆盖整个结构体，通过基于状态空间函数的系统模型方法，评估结构动态响应的全局性通用正向模型就能够被准确建立；
所述步骤(4)响应转换函数网格网络的建立，其具体实现过程包括以下两方面因素：
①优化并选定传感器二维网络网格空间尺寸，又称传感器布设密度优化
复合材料板形结构布设传感器数量的最小值通过下列经验公式进行优化评估：
其中，Fp被定义为冲撞击荷载的峰值；相关系数n为整数设置，n的取值不大于4；传感器二维网络网格空间尺寸通过冲撞击力最大荷载值的二次方根的倍数来最优化选取；
②响应转换函数源点网格的二维空间尺寸的优化确定
任意未知冲撞击力的辨识与定量评估的精确度也取决于响应转换函数网络网格的选取；随着响应转换函数网络网格选取的二维空间尺寸增大，重构的冲撞击力的准确度就会降低；
因素②的具体实现过程如下：
步骤一：初步设定响应转换函数源点网格的空间尺寸，得到一个初始响应转换函数二维矩形网格空间，其空间由四个响应转换源点组成；
步骤二：在初始设置的响应转换函数源点间的二维网格内，布设附加的响应转换源点用来作进一步的仿真精确度评估；
步骤三：在每个响应转换评估源点，冲撞击力都应被进行重构；输入的冲撞击力都是由在四个响应转换函数源点的反向响应转换函数，与响应输出点积所计算求得的四个力分量的积求和获得；其重构公式为：
其中，ψi被定义为一真实结构的物理坐标系映射到参量坐标系(μ，υ)下，某一响应转换函数源点坐标的映射关系表达式，如下所示：
ψ1(μ,υ)＝(1-μ)(1-υ) (21a)
ψ2(μ,υ)＝μ(1-υ) (21b)
ψ3(μ,υ)＝(1-μ)υ (21c)
ψ4(μ,υ)＝μυ (21d)
其中，Sp为某一指定传感器响应输出信号；
步骤四：利用真实力幅值与重构力幅值之间的误差比或称重构误差比，计算获取相应响应转换源点构成的网格的误差情况，从而得到候选的响应转换源点网格的最大误差信息，其定义公式为：
其中，Arecord是真实冲撞击力的幅值，Arecons是相应重构力的评估幅值；
步骤五：如果对应的响应转换源点网格的最大误差不符合所要求的精度，则优化选取流程就要返回初始步骤一，并再次把选定的新的网格尺寸进行优化评估选择。
2.根据权利要求1所述的方法，其特征在于，所述步骤(1)中基于快速模态分解的，混合阈值滤波对数据预处理，其特征在于，其具体计算方法实现过程划分为两个环节如下：
①首先，原始的响应信号数据需要经过快速模态分解处理，把原始信号数据进行本构模态分解并特征提取；
②基于快速模态分解所获得的本构模态函数，混合阈值滤波方法在每一级尺度阶段选取阈值信息进行模态函数信号特征提取，然后对每级尺度阶段的模态函数信号进行重新组合。
3.根据权利要求2所述的方法，其特征在于，基于快速模态分解的混合阈值滤波器在执行两阶段数据处理算法中，基于本构模态函数的混合阈值滤波方法的第②阶段具体实现步骤如下：
第一步：含随机噪声的原始传感器输出信号首先通过快速模态分解处理，把原始的响应信号进行合理有效的分解，并计算出各级本构模态函数信号的能级；
第二步：从不同级模态函数信号特征提取有用信息的角度出发，前五级模态函数信号分量被选定用来特征提取；在每一级过滤尺度中，阈值信息需通过如下混合阈值函数表达式来设定，并用来执行去除噪声干扰；
上式中，IMF′(Di)是通过滤波过程得到的响应信号有效成分；C2是通过每一个尺度峰值得到的阈值，计算方法为C2＝max(|Z|)/(Kurt(Z)/3)，其中，Z是本征模态函数的一个尺度系数，Kurt(Z)是分解成分的峰值；
通过每一个尺度的C2得到C1、C3、λ1和λ2，计算方法如下：
其中，Ps＝1+max(Kurt(Z)-3，0)；
第三步：被每级的阈值滤波后的前五级模态函数信号分量，它们被重新组合并构建去噪后的动态响应信号数据。
4.根据权利要求1所述的方法，其特征在于，所述步骤(2)正向模型建立，其需由三个主要计算功能函数模块来完成三性完备的正向模型建立，在计算生成过程中，其具体包括如下步骤：
①正向响应预测模型结构的选定
此过程是为了确定动态输入与响应输出之间的关系，并由线性差分函数表达式构建正确的正向响应预测模型，从而，为动态响应正向模型提供有效与稳定的模型参量(ai,bj)；
②基于快速遗传参量评估算法的最优正向响应预测模型的建立
为了获得与真实响应输出误差最小及最优的模拟响应输出，使用基于快速遗传参量评估算法去计算求得；
③正向响应预测模型阶的优化
简化模型结构，并减小模拟响应输出与真实响应输出之间的误差；
其中，基于快速遗传参量评估算法的最优正向响应预测模型的实现过程如下：
快速遗传参量评估算法过程包括执行5个基本运算评估过程：1)复制优化因子；2)交叉因子成分；3)设定因子突变率，并根据突变率进行因子重新组合；4)生成迭代子群；5)最优化因子有效筛选；
其中，快速遗传参量评估算法通过多熵函数H(an，bm)，获得最小预测误差的最优模型参量(ai，bj)，所述多熵函数表达式定义如下：
并且，
通过H(an，bm)被分解为对应模型参量(ai，bj)的熵H(an)和H(bm)：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710211334.7A CN107016186B (zh) | 2017-04-01 | 2017-04-01 | 一种面向危害性冲撞击事件的智能辨识与评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710211334.7A CN107016186B (zh) | 2017-04-01 | 2017-04-01 | 一种面向危害性冲撞击事件的智能辨识与评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107016186A CN107016186A (zh) | 2017-08-04 |
| CN107016186B true CN107016186B (zh) | 2021-03-23 |
Family
ID=59445830
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710211334.7A Active CN107016186B (zh) | 2017-04-01 | 2017-04-01 | 一种面向危害性冲撞击事件的智能辨识与评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107016186B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR3083215A1 (fr) * | 2018-07-02 | 2020-01-03 | Airbus (S.A.S.) | Aeronef equipe d'un systeme d'estimation des parametres d'un impact |
| CN109543252B (zh) * | 2018-11-05 | 2022-11-22 | 中国航空工业集团公司西安飞机设计研究所 | 一种基于鸟撞的系统安全性评估方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105953996A (zh) * | 2016-06-30 | 2016-09-21 | 东南大学 | 一种基于冲击振动的桥梁检测评估方法与设备 |
-
2017
- 2017-04-01 CN CN201710211334.7A patent/CN107016186B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105953996A (zh) * | 2016-06-30 | 2016-09-21 | 东南大学 | 一种基于冲击振动的桥梁检测评估方法与设备 |
Non-Patent Citations (4)
| Title |
|---|
| An in situ ensemble impact monitoring and identification technique for fiber composite structures under multiple disturbances;Liang Si等;《Structural Health Monitoring》;20161231;第15卷(第3期);第247-265页 * |
| Liang Si等.An in situ ensemble impact monitoring and identification technique for fiber composite structures under multiple disturbances.《Structural Health Monitoring》.2016,第15卷(第3期),第247-265页. * |
| Real-time health monitoring on impact identification of composite structures with distributed built-in sensor network;Liang Si等;《PROCEEDINGS OF SPIE》;20130419;第869243（1-12）页 * |
| 复合材料结构实时撞击监测系统;范忠等;《压电与声光》;20140831;第36卷(第4期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107016186A (zh) | 2017-08-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lynch et al. | Structural health monitoring: technological advances to practical implementations [scanning the issue] | |
| Guratzsch et al. | Structural health monitoring sensor placement optimization under uncertainty | |
| Agarwal et al. | Lamb wave based automatic damage detection using matching pursuit and machine learning | |
| Nanda et al. | Vibration based structural damage detection technique using particle swarm optimization with incremental swarm size | |
| Wang et al. | Determination of Paris' law constants and crack length evolution via Extended and Unscented Kalman filter: An application to aircraft fuselage panels | |
| Kourehli | Damage assessment in structures using incomplete modal data and artificial neural network | |
| Sen et al. | Sparsity-based approaches for damage detection in plates | |
| CN111339488A (zh) | 基于克里金Kriging的边坡系统失效概率计算方法 | |
| Zio et al. | Failure and reliability predictions by infinite impulse response locally recurrent neural networks | |
| CN107016186B (zh) | 一种面向危害性冲撞击事件的智能辨识与评估方法 | |
| CN104614985A (zh) | 一种基于非线性规划的高阶系统最优降阶方法 | |
| CN103884593A (zh) | 基于少量静态测量数据的结构损伤定位与程度识别方法 | |
| CN111444649A (zh) | 基于强度折减法的边坡系统可靠度分析方法 | |
| Luo et al. | Regularization strategies for contiguous and noncontiguous damage detection of structures | |
| Ganguli | Structural Health Monitoring | |
| CN111539157B (zh) | 一种基于多层感知机的动载荷时域识别方法 | |
| Oh et al. | A bayesian learning method for structural damage assessment of Phase I IASC-ASCE benchmark problem | |
| Malik et al. | Comparison of optimization by response surface methodology with neurofuzzy methods | |
| Mohammadzaheri et al. | Fuzzy analysis of resonance frequencies for structural inspection of an engine cylinder block | |
| Kohar et al. | Using artificial intelligence to aid vehicle lightweighting in crashworthiness with aluminum | |
| Tangrand et al. | Analysis of civil engineering infrastructure in Norway with solutions based on structural health monitoring and artificial intelligence | |
| Kaminsky et al. | Adaptive sampling techniques for surrogate modeling to create high-dimension aerodynamic loading response surfaces | |
| Li et al. | Prediction error method‐based second‐order structural identification algorithm in stochastic state space formulation | |
| Gorinevsky et al. | Optimal estimation of deterioration from diagnostic image sequence | |
| Wang et al. | Vibration-based structural health monitoring via deep learning techniques: A review |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170804 |
|
| WD01 | Invention patent application deemed withdrawn after publication | ||
| RA01 | Restoration of patent right |
Former decision: The withdrawal of the patent application shall be deemed to be withdrawn Former decision publication date: 20200811 |
|
| RA01 | Restoration of patent right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |