CN109408998B - 基于样本持续增量快速获取应力谱进行疲劳寿命评估方法 - Google Patents
基于样本持续增量快速获取应力谱进行疲劳寿命评估方法 Download PDFInfo
- Publication number
- CN109408998B CN109408998B CN201811324437.5A CN201811324437A CN109408998B CN 109408998 B CN109408998 B CN 109408998B CN 201811324437 A CN201811324437 A CN 201811324437A CN 109408998 B CN109408998 B CN 109408998B
- Authority
- CN
- China
- Prior art keywords
- data
- stress
- radial basis
- neural network
- bridge crane
- 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
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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于样本持续增量快速获取应力谱进行疲劳寿命评估方法,包括以下步骤:从桥式起重机数据记录仪中实时提取起重机起升载荷量和小车位置作为输入的样本数据,采用训练好的径向基神经网络模型,即可获得样本数据持续增加下该桥式起重机任意位置点对应的等效应力值,从而绘制该点时间‑应力曲线;根据绘制的时间‑应力曲线,利用雨流计数法,获取包含均值和幅值的应力谱;提取得到的应力谱,利用基于损伤容限——断裂力学法计算出桥式起重机主梁的疲劳剩余寿命。本发明用于实时预测及评估桥式起重机主梁的寿命及可靠性。本发明解决了目前通用桥式起重机面对样本数据的持续增量无法快速获取时间‑应力曲线得到应力谱进行疲劳寿命分析问题。
Description
技术领域
本发明属于起重机疲劳寿命估算领域,具体涉及一种基于样本持续增量快速获取应力谱进行疲劳寿命评估方法,也适用于其他类型起重机的疲劳寿命估算。
背景技术
桥式起重机作为车间进行产品吊运的起重设备,其工作特点是做间歇性运动,即在一个工作循环中取料、运移、卸载等动作的相应机构是交替工作的,起重机在市场上的发展和使用越来越广泛。随着桥式起重机使用数量的增多,起重机使用引发的安全事故也不断上升,而且一旦发生事故,社会影响恶劣,给国家和人民带来巨大的损失。据统计,我国每年因起重机械造成的伤亡事故占当年事故发生的15%左右,而且随着经济的发展,人们对于桥式起重机的性能有了更高的要求,大起重量、高频作业等指标被提上日程,这些硬性指标使得桥式起重机在役期间更加“繁忙”,无疑加重了桥式起重机的事故频率。由此,桥式起重机的安全问题已经成为国家和行业内面临的重要课题。
现有技术中对金属结构疲劳剩余寿命可靠性分析时,需要通过起重机的特征参数记录获得时间-应力曲线,并计算得到应力谱。但目前无法对起重机实时样本数据持续增量进行分析,大部分计算都是后续通过对一段时间内的时间-应力曲线进行分析,从而得出结论。因此对于起重机进行实时动态预测和评估其剩余寿命的问题上,目前时间-应力曲线获取方法有一定的局限性。
发明内容
为了解决目前通用桥式起重机面对样本数据的持续增量无法快速获取时间-应力曲线得到应力谱进行疲劳寿命分析问题,而提供一种方便快速获取时间-应力曲线、有效计算疲劳寿命的基于样本持续增量快速获取应力谱进行疲劳寿命评估方法。
本发明为了实现上述目的所采用的技术方案是:
一种基于样本持续增量快速获取应力谱进行疲劳寿命评估方法,包括以下步骤:从桥式起重机数据记录仪中实时提取起重机起升载荷量和小车位置作为输入的样本数据,采用训练好的径向基神经网络模型,即可获得样本数据持续增加下该桥式起重机任意位置点对应的等效应力值,从而绘制该点时间-应力曲线;根据绘制的时间-应力曲线,利用雨流计数法,获取包含均值和幅值的应力谱;提取得到的应力谱,利用基于损伤容限——断裂力学法计算出桥式起重机主梁的疲劳剩余寿命。本发明通过实时提取桥式起重机的样本利用训练好的径向基神经网络,能够面对起重机样本持续增量进行起重机任意位置点实时时间-应力曲线绘制,获取应力谱,并估算桥式起重机主梁的疲劳剩余寿命,用于实时预测及评估桥式起重机主梁的寿命及可靠性。
进一步地,所述径向基神经网络模型的构建步骤如下: 通过ANSYS建立桥式起重机仿真模型,获取学习样本数据,并构建径向基神经网络模型;根据得到的径向基神经网络模型和学习样本数据,选取1-2组数据为测试数据,其余组数据为学习样本,利用径向基函数对径向基神经网络进行训练,并通过训练好的径向基神经网络模型输出学习样本的等效应力值与ANSYS分析得到该位置点等效应力值进行对比,确认训练好的径向基神经网络模型的准确性,得到最优模型参数的径向基神经网络模型。
更进一步地,所述学习样本的获取方法如下:根据桥式起重机起吊重物小车从左端运行到右端的不同起升载荷和小车位置为学习样本的输入量,计算出该类桥式起重机疲劳关键点对应的ANSYS计算的等效应力值为学习样本的输出量,获得学习样本数据。
优选的,所述径向基神经网络模型是由输入层、隐含层和输出层构成的三层前向型网络,隐含层采用径向基函数作为激励函数,该径向基函数一般为高斯函数。所述的径向基神经网络模型是以函数逼近理论为基础构造的一类前向型网络。径向基函数网络模型是一个只有层次的网络。在中间层,它以对布局响应的径向基函数代替传统的全局响应的激发函数。输入层节点数为2,输出层节点数为1。
进一步地,所述雨流计数法的步骤如下:
1)预处理
先对时间-应力曲线数据进行修正,使得到数据更加利于记录循环数;
2)数据调整
确定数据是否为偶数,如果不是偶数,则去掉最后一个数据,使数据处理后的时间-应力曲线数据的为偶数,形成全封闭计数模型;
3)数据对接
对步骤2中的数据进行调整,使起点为最高峰或最低谷,然后在首尾对接,这样在进行一次雨流计数即可完成全部数据;
4)循环计数
将对接后的数据进行循环计数,取出所有的循环,记录包含幅值和均值的应力谱。
更进一步地,所述修正数据包括:数据压缩、检测峰谷值、去除无效应力幅值。
优选的,数据压缩是对连续相同的数据进行压缩去掉相同数据,只保留一个。
优选的,所述去除无效应力幅值是去除一些对寿命影响微小的应力幅值。
进一步地,基于损伤容限——断裂力学法估算出起重机的疲劳剩余寿命。
本发明利用训练好的径向基神经网络,通过计算机可快速获取起重机任意位置点的实时时间-应力曲线获得应力谱及估算其主梁的疲劳剩余寿命,从而大大节省起重机现场实测,或根据起升过程用ANSYS分析的繁琐过程及投入,实现实时获取时间-应力曲线及准确估算起重机主梁疲劳剩余寿命的目的;基于已训练好的径向基神经网络,建立对该类型桥式起重机的实时时间-应力曲线的获取,而不必要在工作结束后根据起升载荷重新进行时间-应力曲线的绘制,具有实现简单、有效快捷且能够实时预测及评估桥式起重机主梁寿命及可靠性的特点。
附图说明
图1是本发明的流程示意图;
图2是本发明径向基神经网络结构示意图;
图3是起重机一个工作过程通过ANSYS分析得到的位置-应力曲线和通过径向基神经网络得到的位置-应力曲线图;
图4是ANSYS分析和神经网络误差曲线。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细描述。
实施例1
如图1及图2所示,本实施例中的基于样本持续增量快速获取应力谱进行疲劳寿命评估方法,包括以下步骤:从桥式起重机数据记录仪中实时提取起重机起升载荷量和小车位置作为输入的样本数据,采用训练好的径向基神经网络模型,即可获得样本数据持续增加下该桥式起重机任意位置点对应的等效应力值,从而绘制时间-应力曲线;根据绘制的时间-应力曲线,利用雨流计数法,获取包含均值和幅值的应力谱;提取得到的应力谱,利用基于损伤容限——断裂力学法计算出桥式起重机主梁的疲劳剩余寿命。本发明通过实时提取桥式起重机的样本利用训练好的径向基神经网络,能够面对起重机样本持续增量进行任意位置点实时时间-应力曲线绘制,获取应力谱,并估算桥式起重机主梁的疲劳剩余寿命,用于实时预测及评估桥式起重机主梁的寿命及可靠性。
进一步地,所述径向基神经网络模型的构建步骤如下: 通过ANSYS建立桥式起重机仿真模型,获取学习样本数据,并构建径向基神经网络模型;根据得到的径向基神经网络模型和学习样本数据,选取1组数据为测试数据,其余组数据为学习样本,利用径向基函数对径向基神经网络进行训练,并通过训练好的径向基神经网络模型输出学习样本的等效应力值与ANSYS分析得到该位置点等效应力值进行对比,确认训练好的径向基神经网络模型的准确性,得到最优模型参数的径向基神经网络模型。
更进一步地,所述学习样本的获取方法如下:根据桥式起重机起吊重物小车从左端运行到右端的不同起升载荷和小车位置为学习样本的输入量,计算出该类桥式起重机任意位置点对应的ANSYS计算的等效应力值为学习样本的输出量,获得学习样本数据。所述学习样本数据是桥式起重机处于正常工作状态下一些典型的起升载荷和小车位置及其所对应的等效应力值(起升载荷(起重量)分别为0、5t、15t、25t、35t、45t、55t、65t、75t;小车位置从3m移动到25m),从而建立一个数据库模型,使学习样本符合起重机的实际使用工况。
优选的,所述径向基神经网络模型是由输入层、隐含层和输出层构成的三层前向型网络,隐含层采用径向基函数作为激励函数,该径向基函数一般为高斯函数。所述的径向基神经网络模型是以函数逼近理论为基础构造的一类前向型网络。径向基函数网络模型是一个只有层次的网络。在中间层,它以对布局响应的径向基函数代替传统的全局响应的激发函数。输入层节点数为2,输出层节点数为1。
隐含层每个神经元与输入层相连的权值向量w1i和输入向量向量Xq(表示第q个输入向量)之间的距离乘上阀值b1i作为本身的输入,由此可得隐含层的第i个神经元的输入为,输出为。径向基函数的阀值b1可以调节函数的灵敏度,但实际工作中更常用另一参数C(称为扩展函数)。在MATLAB神经网络工具箱中,b1和C的关系为,此时隐含层神经元的输出变为输出层的输入为各隐含层神经元输出的加权求和。因此输出为。
径向基神经网络模型的训练过程分为两步:第一步为无导师式学习,确定训练输入层与隐含层间的权值w1;第二步为有导师式学习,确定训练隐含层与输出层的权值w2。在训练以前,需要提供输入向量X、对应的输出向量T与径向基函数的扩展常数C。训练的目标是求取两层的最终权值w1、w2和阀值b1、b2(当隐含层单元数等于输入向量时,取b2=0)。
现在用Newrbe函数来设计一个径向基网络。其调用格式为net=newrbe(P,T,goal,spread,MN,DF);其中参数P为Q组输入量组成的P×Q维矩阵;参数T为Q组输出量组成的S×Q维矩阵;参数goal为径向基函数的扩展速度;参数spread为径向基函数的分布;参数MN为神经元的最大数目,默认为Q;参数DF为两次显示之间所添加的神经元数目。输出参数net为返回值,一个径向基神经网络模型。
进一步地,所述雨流计数法的步骤如下:
1)预处理
先对时间-应力曲线数据进行修正,使得到数据更加利于记录循环数;
2)数据调整
确定数据是否为偶数,如果不是偶数,则去掉最后一个数据,使数据处理后的时间-应力曲线数据的为偶数,形成全封闭计数模型;
3)数据对接
对步骤2中的数据进行调整,使起点为最高峰或最低谷,然后在首尾对接,这样在进行一次雨流计数即可完成全部数据;
4)循环计数
将对接后的数据进行循环计数,取出所有的循环,记录包含幅值和均值的应力谱。
更进一步地,所述修正数据包括:数据压缩、检测峰谷值、去除无效应力幅值。
优选的,数据压缩是对连续相同的数据进行压缩去掉相同数据,只保留一个。
优选的,所述去除无效应力幅值示去除一些对寿命影响微小的应力幅值。
进一步地,基于损伤容限——断裂力学法估算出起重机的疲劳剩余寿命。
实施例2
如图1及图2所示,本实施例中的基于样本持续增量快速获取应力谱进行疲劳寿命评估方法,包括以下步骤:从桥式起重机数据记录仪中实时提取起重机起升载荷量和小车位置作为输入的样本数据,采用训练好的径向基神经网络模型,即可获得样本数据持续增加下该桥式起重机任意位置点对应的等效应力值,从而绘制时间-应力曲线;根据绘制的时间-应力曲线,利用雨流计数法,获取包含均值和幅值的应力谱;提取得到的应力谱,利用基于损伤容限——断裂力学法计算出桥式起重机主梁的疲劳剩余寿命。本发明通过实时提取桥式起重机的样本利用训练好的径向基神经网络,能够面对起重机样本持续增量进行任意位置点实时时间-应力曲线绘制,获取应力谱,并估算桥式起重机主梁的疲劳剩余寿命,用于实时预测及评估桥式起重机主梁的寿命及可靠性。
进一步地,所述径向基神经网络模型的构建步骤如下: 通过ANSYS建立桥式起重机仿真模型,获取学习样本数据,并构建径向基神经网络模型;根据得到的径向基神经网络模型和学习样本数据,选取2组数据为测试数据,其余组数据为学习样本,利用径向基函数对径向基神经网络进行训练,并通过训练好的径向基神经网络模型输出学习样本的等效应力值与ANSYS分析得到该位置点等效应力值进行对比,确认训练好的径向基神经网络模型的准确性,得到最优模型参数的径向基神经网络模型。
更进一步地,所述学习样本的获取方法如下:根据桥式起重机起吊重物小车从左端运行到右端的不同起升载荷和小车位置为学习样本的输入量,计算出该类桥式起重机任意位置点对应的ANSYS计算的等效应力值为学习样本的输出量,获得学习样本数据。所述学习样本数据是桥式起重机处于正常工作状态下一些典型的起升载荷和小车位置及其所对应的等效应力值(起升载荷(起重量)分别为0、5t、15t、25t、35t、45t、55t、65t、75t;小车位置从3m移动到25m),从而建立一个数据库模型,使学习样本符合起重机的实际使用工况。
优选的,所述径向基神经网络模型是由输入层、隐含层和输出层构成的三层前向型网络,隐含层采用径向基函数作为激励函数,该径向基函数一般为高斯函数。所述的径向基神经网络模型是以函数逼近理论为基础构造的一类前向型网络。径向基函数网络模型是一个只有层次的网络。在中间层,它以对布局响应的径向基函数代替传统的全局响应的激发函数。输入层节点数为2,输出层节点数为1。
隐含层每个神经元与输入层相连的权值向量w1i和输入向量向量Xq(表示第q个输入向量)之间的距离乘上阀值b1i作为本身的输入,由此可得隐含层的第i个神经元的输入为,输出为。径向基函数的阀值b1可以调节函数的灵敏度,但实际工作中更常用另一参数C(称为扩展函数)。在MATLAB神经网络工具箱中,b1和C的关系为,此时隐含层神经元的输出变为输出层的输入为各隐含层神经元输出的加权求和。因此输出为。
径向基神经网络模型的训练过程分为两步:第一步为无导师式学习,确定训练输入层与隐含层间的权值w1;第二步为有导师式学习,确定训练隐含层与输出层的权值w2。在训练以前,需要提供输入向量X、对应的输出向量T与径向基函数的扩展常数C。训练的目标是求取两层的最终权值w1、w2和阀值b1、b2(当隐含层单元数等于输入向量时,取b2=0)。
现在用Newrbe函数来设计一个径向基网络。其调用格式为net=newrbe(P,T,goal,spread,MN,DF);其中参数P为Q组输入量组成的P×Q维矩阵;参数T为Q组输出量组成的S×Q维矩阵;参数goal为径向基函数的扩展速度;参数spread为径向基函数的分布;参数MN为神经元的最大数目,默认为Q;参数DF为两次显示之间所添加的神经元数目。输出参数net为返回值,一个径向基神经网络模型。
进一步地,所述雨流计数法的步骤如下:
1)预处理
先对时间-应力曲线数据进行修正,使得到数据更加利于记录循环数;
2)数据调整
确定数据是否为偶数,如果不是偶数,则去掉最后一个数据,使数据处理后的时间-应力曲线数据的为偶数,形成全封闭计数模型;
3)数据对接
对步骤2中的数据进行调整,使起点为最高峰或最低谷,然后在首尾对接,这样在进行一次雨流计数即可完成全部数据;
4)循环计数
将对接后的数据进行循环计数,取出所有的循环,记录包含幅值和均值的应力谱。
更进一步地,所述修正数据包括:数据压缩、检测峰谷值、去除无效应力幅值。
优选的,数据压缩是对连续相同的数据进行压缩去掉相同数据,只保留一个。
优选的,所述去除无效应力幅值示去除一些对寿命影响微小的应力幅值。
进一步地,基于损伤容限——断裂力学法估算出起重机的疲劳剩余寿命。
本实施例以桥式起重机起升载荷(起重量)和小车位置为学习样本的输入,对应该位置点的等效应力值为学习样本的希望输出,获取学习样本,并绘制时间-应力曲线;本实施例中的学习样本数据是通过ANSYS建立桥式起重机仿真模型,通过桥式起重机起吊重物小车从3m运行到25m与对应疲劳关键点的等效应力值为学习样本数据。表1为对起升载荷(起重量)分别为0、5t、15t、25t、35t、45t、55t、65t、75t,小车位置从3m运行到25m与对应疲劳关键点等效应力值的部分样本数据。
表1 桥式起重机起升载荷、小车位置和疲劳关键点等效应力值部分样本数据
(3)训练径向基神经网络模型
只有训练后的神经网络才能实现其功能。把步骤(2)得到的学习样本归一化,训练由步骤(1)确定的径向基神经网络,使神经网络对非学习样本的输出与希望值的误差很小直到满足应用的要求。
(4)桥式起重机时间-应力曲线的获取
如图3至4所示,步骤(3)训练好的径向基神经网络模型即建立了不同起升载荷、小车位置与对应的疲劳关键点的等效应力的关系。如将起升载荷为70t、50t,从起吊位置5m到卸载位置15m输入到步骤(3)训练好的径向基神经网络模型,即可获取该起重机的时间-应力曲线,其结果表2,可以看到它和输入样本是一致的,确认训练好的径向基神经网络模型是可行的。
表2 桥式起重机起升载荷75t的疲劳关键点等效应力
(5)疲劳剩余寿命估算
通过径向基神经网络模型获取的桥式起重机的时间-应力曲线,利用雨流计数法提取包括各级幅值、均值的应力谱的循环次数及总循环次数,根据基于损伤容限——断裂力学法计算出起重机主梁的疲劳剩余寿命。
Claims (6)
1.一种基于样本持续增量快速获取应力谱进行疲劳寿命评估方法,其特征在于,包括以下步骤:从桥式起重机数据记录仪中实时提取起重机起升载荷量和小车位置作为输入的样本数据,采用训练好的径向基神经网络模型,即可获得样本数据持续增加下该桥式起重机任意位置点对应的等效应力值,从而绘制该点时间-应力曲线;根据绘制的时间-应力曲线,利用雨流计数法,获取包含均值和幅值的应力谱;提取得到的应力谱,利用基于损伤容限——断裂力学法计算出桥式起重机主梁的疲劳剩余寿命;所述径向基神经网络模型的构建步骤如下: 通过ANSYS建立桥式起重机仿真模型,获取学习样本数据,并构建径向基神经网络模型;根据得到的径向基神经网络模型和学习样本数据,选取1-2组数据为测试数据,其余组数据为学习样本,利用径向基函数对径向基神经网络进行训练,并通过训练好的径向基神经网络模型输出学习样本的等效应力值与ANSYS分析得到该位置点等效应力值进行对比,确认训练好的径向基神经网络模型的准确性,得到最优模型参数的径向基神经网络模型;所述学习样本的获取方法如下:根据桥式起重机起吊重物小车从左端运行到右端的不同起升载荷和小车位置为学习样本的输入量,计算出桥式起重机疲劳关键点对应的ANSYS计算的等效应力值为学习样本的输出量,获得学习样本数据;所述径向基神经网络模型是由输入层、隐含层和输出层构成的三层前向型网络,隐含层采用径向基函数作为激励函数。
2.根据权利要求1所述的基于样本持续增量快速获取应力谱进行疲劳寿命评估方法,其特征在于,所述雨流计数法的步骤如下:
1)预处理
先对时间-应力曲线数据进行修正,使得到数据更加利于记录循环数;
2)数据调整
确定数据是否为偶数,如果不是偶数,则去掉最后一个数据,使数据处理后的时间-应力曲线数据的为偶数,形成全封闭计数模型;
3)数据对接
对步骤2中的数据进行调整,使起点为最高峰或最低谷,然后在首尾对接,这样在进行一次雨流计数即可完成全部数据;
4)循环计数
将对接后的数据进行循环计数,取出所有的循环,记录包含幅值和均值的应力谱。
3.根据权利要求2所述的基于样本持续增量快速获取应力谱进行疲劳寿命评估方法,其特征在于,所述修正包括:数据压缩、检测峰谷值、去除无效应力幅值。
4.根据权利要求3所述的基于样本持续增量快速获取应力谱进行疲劳寿命评估方法,其特征在于,所述数据压缩是对连续相同的数据进行压缩去掉相同数据,只保留一个。
6.根据权利要求3所述的基于样本持续增量快速获取应力谱进行疲劳寿命评估方法,其特征在于,所述去除无效应力幅值是去除一些对寿命影响微小的应力幅值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811324437.5A CN109408998B (zh) | 2018-11-08 | 2018-11-08 | 基于样本持续增量快速获取应力谱进行疲劳寿命评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811324437.5A CN109408998B (zh) | 2018-11-08 | 2018-11-08 | 基于样本持续增量快速获取应力谱进行疲劳寿命评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109408998A CN109408998A (zh) | 2019-03-01 |
CN109408998B true CN109408998B (zh) | 2023-01-03 |
Family
ID=65472537
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811324437.5A Active CN109408998B (zh) | 2018-11-08 | 2018-11-08 | 基于样本持续增量快速获取应力谱进行疲劳寿命评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109408998B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111581798B (zh) * | 2020-04-29 | 2023-04-11 | 中联重科股份有限公司 | 用于评估支腿的剩余寿命的方法及装置 |
CN111686511B (zh) * | 2020-06-28 | 2021-12-21 | 广东鼎耀工程技术有限公司 | 一种建筑施工用污水净化装置 |
CN115358093B (zh) * | 2022-10-18 | 2023-02-28 | 河南卫华重型机械股份有限公司 | 一种桥式起重机主梁裂纹实时监测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6480792B1 (en) * | 1998-10-22 | 2002-11-12 | British Aerospace Public Limited Company | Fatigue monitoring systems and methods incorporating neural networks |
CN101408951A (zh) * | 2008-11-18 | 2009-04-15 | 太原科技大学 | 基于神经网络的桥式起重机当量载荷谱获取及疲劳剩余寿命估算方法 |
CN102324040A (zh) * | 2011-09-09 | 2012-01-18 | 太原科技大学 | 桥式起重机当量载荷谱获取及疲劳剩余寿命估算方法 |
CN105600682A (zh) * | 2015-12-22 | 2016-05-25 | 江苏省特种设备安全监督检验研究院 | 基于时间数字转换技术的起重机应变监测方法 |
CN108629092A (zh) * | 2018-04-20 | 2018-10-09 | 北京航空航天大学 | 一种基于尺寸效应修正的涡轮盘分区可靠性分析方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7328625B2 (en) * | 2005-04-28 | 2008-02-12 | Caterpillar Inc. | Systems and methods for determining fatigue life |
CN105488328B (zh) * | 2015-11-19 | 2018-11-06 | 北京航空航天大学 | 一种基于人工神经元网络的疲劳裂纹扩展速率预测方法 |
-
2018
- 2018-11-08 CN CN201811324437.5A patent/CN109408998B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6480792B1 (en) * | 1998-10-22 | 2002-11-12 | British Aerospace Public Limited Company | Fatigue monitoring systems and methods incorporating neural networks |
CN101408951A (zh) * | 2008-11-18 | 2009-04-15 | 太原科技大学 | 基于神经网络的桥式起重机当量载荷谱获取及疲劳剩余寿命估算方法 |
CN102324040A (zh) * | 2011-09-09 | 2012-01-18 | 太原科技大学 | 桥式起重机当量载荷谱获取及疲劳剩余寿命估算方法 |
CN105600682A (zh) * | 2015-12-22 | 2016-05-25 | 江苏省特种设备安全监督检验研究院 | 基于时间数字转换技术的起重机应变监测方法 |
CN108629092A (zh) * | 2018-04-20 | 2018-10-09 | 北京航空航天大学 | 一种基于尺寸效应修正的涡轮盘分区可靠性分析方法 |
Non-Patent Citations (4)
Title |
---|
Modeling and simulation of low-cycle fatigue life of steel reinforcing bars using artificial neural network;Jamal A.Abdalla等;《Journal oftheFranklin Institute》;20100429;第1393-1403页 * |
基于人工神经网络获取起重机当量载荷谱的疲劳剩余寿命估算方法;范小宁 等;《机械工程学报》;20111031;第47卷(第20期);正文第1.5,2节 * |
基于径向基函数神经网络响应面法的装载机动臂疲劳可靠性;孟广伟 等;《吉林大学学报》;20091130;第39卷(第6期);第1516-1520页 * |
桥式起重机随机应力谱获取及疲劳剩余寿命估算;王爱红 等;《机械工程学报》;20120930;第48卷(第18期);正文第1节 * |
Also Published As
Publication number | Publication date |
---|---|
CN109408998A (zh) | 2019-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109408998B (zh) | 基于样本持续增量快速获取应力谱进行疲劳寿命评估方法 | |
CN110608884B (zh) | 一种基于自注意力神经网络的滚动轴承状态诊断方法 | |
CN112785091A (zh) | 一种对油田电潜泵进行故障预测与健康管理的方法 | |
CN110631849B (zh) | 一种摩擦系统磨损状态在线识别方法及系统 | |
CN113158548A (zh) | 基于分散式振动数据和卷积自编码深度学习的结构损伤评估方法 | |
CN111753776B (zh) | 基于回声状态与多尺度卷积联合模型的结构损伤识别方法 | |
CN111310686B (zh) | 一种ipso-bp神经网络的钢丝绳断丝损伤识别方法 | |
CN106446384B (zh) | 一种桥式起重机主梁结构的损伤识别方法 | |
CN117233347B (zh) | 一种碳钢球化等级测量方法、系统及设备 | |
CN117349947B (zh) | 一种基于sn曲线与svm的结构安全智慧监测方法 | |
CN112287586A (zh) | 基于中小桥损伤识别结果的快速可靠度评估方法 | |
CN113504038A (zh) | 一种工程装备臂架结构损伤评估方法 | |
CN112132069A (zh) | 一种基于深度学习的滚动轴承微弱故障智能诊断方法 | |
CN111882238A (zh) | 基于云模型和eahp的门座起重机结构健康评估方法 | |
CN104504265A (zh) | 一种在役桥梁监测信息安全评估的方法 | |
CN114722641B (zh) | 一种检测实验室的润滑油状态信息集成评估方法及系统 | |
Li et al. | Reliability and sensitivity analysis of bridge crane structure | |
Yi et al. | On a Prediction Method for Remaining Useful Life of Rolling Bearings via VMD-Based Dispersion Entropy and GAN | |
CN111259494B (zh) | 重机设备健康监测分析方法 | |
CN112505551B (zh) | 一种面向退役动力电池的筛选方法 | |
CN114387545A (zh) | 基于前馈网络的角膜生物力学特性的智能检测方法 | |
CN109359791B (zh) | 一种机械系统退化趋势预测方法及系统 | |
Zou et al. | Crack Detection and Classification of a Simulated Beam Using Deep Neural Network | |
Chen et al. | Big Data Analysis Method of Random Stress Spectrum for Crane Equipment | |
CN113878613B (zh) | 一种基于wlctd与oma-vmd的工业机器人谐波减速器早期故障检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |