CN110261539B - 基于指数增量裂纹扩展系数的多裂纹扩展预测方法 - Google Patents
基于指数增量裂纹扩展系数的多裂纹扩展预测方法 Download PDFInfo
- Publication number
- CN110261539B CN110261539B CN201910422689.XA CN201910422689A CN110261539B CN 110261539 B CN110261539 B CN 110261539B CN 201910422689 A CN201910422689 A CN 201910422689A CN 110261539 B CN110261539 B CN 110261539B
- Authority
- CN
- China
- Prior art keywords
- crack
- crack propagation
- coefficient
- propagation
- expansion
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 239000002245 particle Substances 0.000 claims abstract description 44
- 238000009826 distribution Methods 0.000 claims abstract description 22
- 230000036541 health Effects 0.000 claims abstract description 21
- 238000001914 filtration Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims abstract description 9
- 238000012546 transfer Methods 0.000 claims description 6
- 125000004122 cyclic group Chemical group 0.000 claims description 2
- 230000006378 damage Effects 0.000 abstract description 34
- 238000012512 characterization method Methods 0.000 abstract 1
- 238000012360 testing method Methods 0.000 description 22
- 239000013598 vector Substances 0.000 description 17
- 230000035882 stress Effects 0.000 description 15
- 238000012544 monitoring process Methods 0.000 description 11
- 238000012937 correction Methods 0.000 description 7
- 238000005070 sampling Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000000977 initiatory effect Effects 0.000 description 4
- 238000012952 Resampling Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000009661 fatigue test Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 229910000838 Al alloy Inorganic materials 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 241000287196 Asthenes Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
本发明公开了一种基于指数增量裂纹扩展系数的多裂纹扩展预测方法,提出了一种指数增量裂纹扩展系数用于表征单个结构中各个裂纹分量的扩展状态;该裂纹扩展系数为属于[0,1]区间的标量,将其与每个裂纹的裂纹扩展速率相乘,从而对裂纹扩展速率加权。对于初始未萌生的裂纹,该裂纹扩展系数初始值为0。随着结构疲劳损伤累积,该裂纹扩展系数以服从指数概率分布的增量进行转移,直至最大值1。在结构服役过程中,通过主动导波结构健康监测‑粒子滤波方法对各个裂纹的裂纹扩展系数进行实时在线估计,获得各个裂纹的扩展状态,进而实现结构多裂纹扩展预测。本发明可以有效地实现结构中裂纹扩展状态表征,在结构多裂纹扩展预测方面具有重要的应用前景。
Description
技术领域
本发明属于故障预测与健康管理技术领域,具体涉及一种基于指数增量裂纹扩展系数的多裂纹扩展预测方法。
背景技术
故障预测与健康管理(Prognostics and Health Management,PHM)技术通过传感器在线获取工程系统相关的信息,结合传感器信息对系统的健康状态进行实时诊断和预测,对保障系统安全性,优化系统运行维护策略具有重要的理论意义和工程应用价值。
对于工程系统,疲劳裂纹是影响系统承力结构的主要损伤形式之一。在老龄化结构中,常常会出现单个结构单元存在多个疲劳裂纹的情况。多裂纹的扩展和聚合使得结构可能突然失效,从而造成灾难性事故。然而疲劳裂纹萌生和扩展过程是一个包含各种不确定性的随机过程,比如材料微观结构的不确定性、服役载荷的不确定性、以及环境参数不确定性。这些不确定性使得难以对疲劳裂纹进行准确的预测。随着主动导波结构健康监测技术的发展,通过主动导波结构健康监测技术实现疲劳裂纹的在线监测成为可能。因此结合主动导波结构健康监测数据和粒子滤波的方法被提出用于解决疲劳裂纹预测中的不确定性。但是已有大多数研究主要针对结构中存在单个裂纹的情况。
对于多裂纹问题,由于多个裂纹之间的相互作用以及各种不确性因素影响,结构中各个裂纹的萌生和起裂时间是不确定的。而且将主动导波结构健康监测方法应用于多裂纹监测时,导波信号会同时受到多个裂纹的影响,使得难以区别其中某个裂纹的扩展情况。因此,如何合理地表征单一结构中各个裂纹的扩展状态,判断其中某个裂纹是否开始起裂是实现多裂纹扩展预测亟待解决的问题。
发明内容
针对于上述现有技术的不足,本发明的目的在于提供一种基于指数增量裂纹扩展系数的多裂纹扩展预测方法,以解决技术中在预测单个结构中多个裂纹的扩展预测时,很难确定其中某个裂纹的扩展情况的问题;本发明方法通过指数增量裂纹扩展系数表征单个结构中各个裂纹的扩展状态,并结合主动导波结构健康监测-粒子滤波方法实现这些裂纹扩展系数的在线估计,最后达到多裂纹扩展预测的目的。
为达到上述目的,本发明采用的技术方案如下:
本发明的一种基于指数增量裂纹扩展系数的多裂纹扩展预测方法,包括步骤如下:
(1)在结构初始状态下,根据结构力学分析目标结构中可能存在的裂纹总数n;并定义n个裂纹长度分量,记为a1,a2,...,an,其中aj表示第j个裂纹的长度,j=1,2,...,n;
(2)通过指数增量裂纹扩展系数表征上述各个裂纹的扩展状态;
(3)设置时刻k为初始时刻k=0;依次令j=1,2,…,n,判断第j个裂纹的初始状态,并初始化各个裂纹对应的裂纹扩展系数;结合指数概率分布定义未萌生裂纹的扩展系数的指数增量转移方程,并建立多裂纹扩展状态方程和观测方程;
(4)对主动导波结构健康监测-粒子滤波方法进行初始化;
(5)在k>0时刻,结构处于使用过程中,采用主动导波结构健康监测-粒子滤波方法对结构中各个裂纹扩展系数进行实时在线估计;根据裂纹扩展系数的后验概率估计结果判断裂纹的扩展情况;
(6)在后验概率估计结果的基础上,预测各个裂纹在未来时刻的扩展情况。
进一步地,所述步骤(2)中通过指数增量裂纹扩展系数表征各个裂纹的扩展状态的方式如下:
aj,k=aj,k-1+ηj,k-1(daj/dN)|k-1exp(ωj,k-1)ΔN
其中:k为离散的时刻;aj,k表示结构中第j个裂纹在k时刻的裂纹长度,aj,k-1为第j个裂纹在k-1时刻的长度;ωj,k-1为表征裂纹扩展不确定性的裂纹扩展状态噪声,其服从高斯分布N为疲劳载荷循环数;ΔN为裂纹扩展循环载荷数步长;(daj/dN)|k-1为第j个裂纹在k-1时刻的裂纹扩展速率,其通过基于断裂力学的裂纹扩展模型计算得到;ηj,k-1为第j个裂纹在k-1时刻的指数增量裂纹扩展系数。
进一步地,所述指数增量裂纹扩展系数ηj,k-1是属于[0,1]区间的标量;该裂纹扩展系数与每个裂纹的裂纹扩展速率相乘,从而对裂纹扩展速率加权;对于初始时刻未萌生的裂纹,其初始值为0,表征该裂纹的裂纹扩展速率为0;当ηj,k-1>0时,表征第j个裂纹以ηj,k-1加权的裂纹扩展速率ηj,k-1(daj/dN)|k-1进行扩展。
进一步地,所述步骤(3)中具体包括:对于未萌生裂纹,其裂纹扩展系数的指数增量转移方程定义如下:
ηj,k=ηj,k-1+τj,k
其中:ηj,k-1为第j个裂纹在k-1时刻的裂纹扩展系数,ηj,k为第j个裂纹在k时刻的裂纹扩展系数;τj,k为服从指数概率分布Exp(μinc,k)的随机变量,其中μinc,k为指数概率分布的均值。
进一步地,所述步骤(4)中采用均匀概率分布对指数概率分布的均值μinc,k进行初始化。
本发明的有益效果:
本发明通过指数增量裂纹扩展系数有效地表征了单个结构中多个裂纹的扩展状态,结合主动导波结构健康监测-粒子滤波方法在线地估计了裂纹扩展系数,准确地确定了多裂纹扩展预测问题中各个裂纹的扩展情况,能够有效地应用于结构的多裂纹扩展预测。
附图说明
图1为本发明提出的指数增量裂纹扩展系数的多裂纹扩展预测方法流程图。
图2为实施例中的结构尺寸和压电传感器布置图。
图3为实施例中试件Y1-Y4的疲劳裂纹扩展曲线图。
图4为实施例中试件Y1-Y4结构损伤程度指数D和导波散射信号能量损伤因子示意图。
图5为实施例中试件Y1-Y4结构损伤程度指数D和导波归一化互相关矩损伤因子示意图。
图6为实施例中试件Y1-Y4结构损伤程度指数D和导波归一化能量差损伤因子示意图。
图7为实施例中试件Y5的疲劳裂纹扩展曲线图。
图8为实施例中试件Y5中裂纹II的指数增量裂纹扩展系数估计结果示意图。
图9为实施例中试件Y5在N=54000个载荷循环得到的多裂纹扩展预测结果示意图。
具体实施方式
为了便于本领域技术人员的理解,下面结合实施例与附图对本发明作进一步的说明,实施方式提及的内容并非对本发明的限定。
参照图1所示,本发明的一种基于指数增量裂纹扩展系数的多裂纹扩展预测方法,包括步骤如下:
(1)在结构初始状态下,根据结构力学分析目标结构中可能存在的裂纹总数n,并定义n个裂纹长度分量,记为a1,a2,...,an,其中aj(j=1,2,...,n)表示第j个裂纹的长度。
(2)通过指数增量裂纹扩展系数表征各个裂纹的扩展状态,如下式所示:
aj,k=aj,k-1+ηj,k-1(daj/dN)|k-1exp(ωj,k)ΔN
其中:k为离散的时刻;ηj,k-1为第j个裂纹的指数增量裂纹扩展系数;aj,k-1为k-1时刻第j个裂纹的长度;aj,k为k时刻第j个裂纹的长度;N为疲劳载荷循环数,(daj/dN)|k-1为第j个裂纹在k-1时刻的裂纹扩展速率;ΔN为疲劳载荷循环数步长;ωj,k为服从高斯分布的随机变量,表征裂纹扩展过程中的不确定性,其中为方差,表征裂纹扩展不确定性的大小。
上式中,指数增量裂纹扩展系数ηj,k-1是属于[0,1]区间的标量;该裂纹扩展系数与每个裂纹的裂纹扩展速率相乘,从而对裂纹扩展速率加权;对于初始时刻未萌生的裂纹,其初始值为0,表征该裂纹的裂纹扩展速率为0,裂纹不扩展;当ηj,k-1>0时,表征第j个裂纹以ηj,k加权的裂纹扩展速率ηj,k-1(daj/dN)|k-1进行扩展。
(3)设置时刻k为初始时刻k=0;依次令j=1,2,…,n,判断第j个裂纹的初始状态;如果第j个裂纹初始未萌生,ηj,k初始化为0,即ηj,k=0=0,其中下标中k=0表明初始时刻第j个裂纹的裂纹扩展系数;考虑到结构在使用过程中的微观组织疲劳损伤累积,裂纹扩展系数应当从0逐渐单调增加。此外,从k-1时刻到k时刻,裂纹扩展系数ηj,k-1发生突变是一个小概率事件。因此该裂纹的裂纹扩展系数的指数增量转移方程定义如下:
ηj,k=ηj,k-1+τj,k
其中:ηj,k-1为第j个裂纹在k-1时刻的指数增量裂纹扩展系数;ηj,k为第j个裂纹在k时刻的指数增量裂纹扩展系数;τj,k为服从指数概率分布Exp(μinc,k)的随机变量,其中μinc,k为指数概率分布的均值。
ηj,k=1
在前面表征各个裂纹的扩展状态的方程中,裂纹扩展速率(daj/dN)|k-1通过基于断裂力学的NASGRO裂纹扩展模型计算得到,如下所示:
其中:Ck-1,m,p,q为NASGRO模型参数;aj为第j个裂纹的裂纹长度;f是裂纹张开系数;R为应力比;KC为断裂韧度;ΔKth为应力强度因子幅阈值;为k-1时刻第j个裂纹的尖端应力强度因子峰值;为尖端应力强度因子谷值;为应力强度因子幅。
上式中应力强度因子由下式得到:
其中:Smax为结构名义应力峰值;Smin为名义应力谷值;Fj,k为第j个裂纹的形状修正系数。由于结构中多个裂纹的存在,第j个裂纹的形状修正系数不仅仅是aj,k-1的函数,而是所有裂纹长度的函数,表征所有裂纹的裂纹扩展耦合,也就是说:
[F1,k,F2,k,...,Fn,k]=h(a1,k,a2,k,...,an,k)
其中:F1,k为第1个裂纹的形状修正系数,F2,k为第2个裂纹的形状修正系数,Fn,k为第n个裂纹的形状修正系数;h(·)为多维映射函数,其通过解析建模或者有限元分析得到的数据样本拟合得到。
如下式所示,最终建立多裂纹扩展状态方程如下所示:
其中:指数概率分布的均值μinc,k和NASGRO模型参数Ck为待估计的模型参数。因此得到状态向量xk=[ak,ηk,θk]。
此外,进行相应的主动导波结构健康监测方法试验,在试验中通过主动导波结构健康监测方法监测与目标结构类似的结构中的裂纹扩展,从导波信号中提取导波损伤因子作为结构在多裂纹影响下损伤程度的观测值。并且基于试验数据建立结构损伤程度和导波损伤因子之间的观测方程:
Dk=g(yk)+νk
其中:yk为导波损伤因子向量;g(·)为多维非线性映射;νk为观测噪声;Dk为结构损伤程度指数,其为表征结构损伤程度的标量,是所有裂纹长度的函数,如下所示:
Dk=ζ(ak)
其中:ζ(·)为通过断裂力学分析得到的函数,其输入为结构中的裂纹长度向量ak=[a1,k,a2,k,...,an,k]。比如对于共线裂纹,其直接影响了结构的净截面积,因此ζ(·)可以定义为:
(4)对主动导波结构健康监测-粒子滤波方法进行初始化;
其中:Δσf为材料的疲劳极限,F为计算应力强度因子时的形状修正系数。
(5)在k>0时刻,结构处于使用过程中,采用主动导波结构健康监测-粒子滤波方法对结构中各个的裂纹扩展系数进行实时在线估计;
首先在k-1时刻粒子集的基础上,根据多裂纹扩展状态方程预测得到新的粒子集,如下式所示:
与此同时,通过主动导波结构健康监测方法在结构上激励和接收导波信号。从导波信号中提取导波损伤因子向量yk作为结构损伤程度的实际观测值。计算每个粒子对应的结构损伤程度指数:
然后根据前面定义的观测方程,更新每个粒子的权值:
其中:σv为观测噪声νk的标准差。
进一步对粒子权值进行归一化处理,如下所示:
其中:δ是狄利克雷函数,其表达式如下,
基于后验概率密度函数,第j个裂纹的指数增量裂纹扩展系数的后验概率估计由下式计算得到,从而判断每个裂纹的扩展状态;
此外,第j个裂纹的裂纹长度后验概率估计由下式计算得到:
NASGRO模型参数C的后验概率估计由下式计算得到:
(6)根据计算得到的后验概率估计,预测裂纹在未来时刻k+p的裂纹长度:
其中:为未来k+p-1时刻第j个裂纹的长度(p=1,2,3,…),表示未来时刻k+p的裂纹长度,为k时刻的裂纹扩展系数的后验概率估计,ωj,k+p为k+p时刻的裂纹扩展状态噪声,计算裂纹扩展速率时,其模型参数C取值为即:
(7)根据归一化权值对所有的粒子进行重采样,其步骤如下:
(a)计算所有粒子权值的累积数列M,其维数为1×Ns,
(b)从均匀分布U(0,1)中随机采样得到值u;
(c)初始设定重采样粒子的上标r=1;
(d)计算第r个重采样粒子的重采样权重q(r)=u+(r-1)/Ns;
(e)顺序查找数列M中第一个大于q(r)的元素,记其序号为λ;
(g)r=r+1,重复步骤(d)(e)(f)(g)直到r=Ns;
(8)对重采样后的粒子进行正则化处理,以解决粒子多样性匮乏问题;
(b)初始设定粒子上标为r=1;
(c)从标准Epanechnikov核密度函数中随机采样得到值α;
(d)第r个重采样粒子的参数分量更新为:
其中:h为核函数窗宽,其计算公式如下:
其中:d为参数向量的维数,cd为d维的单位球的体积;
(e)r=r+1,重复步骤(c)(d)(e)直到r=Ns;
(9)时刻k=k+1,重复步骤(5)(6)(7)(8),实现多裂纹扩展状态在线估计和预测。
本实施例中以真实的孔边裂纹试件的多裂纹扩展预测为例,具体说明本发明方法的具体实施过程。
孔边裂纹试件的具体几何尺寸如图2所示,其厚度为3mm,由AL2024铝合金制作而成。试件中央有直径为6mm的通孔。试件承受的疲劳载荷为峰值30Mpa,谷值3MPa的常幅拉伸正弦载荷。疲劳加载的过程中,孔的两侧存在两个应力集中区域,记为区域I和区域II。同时,在区域I附近通过线切割预制了长度为2mm穿透裂纹,使得区域I的裂纹比区域II先萌生裂纹并扩展。记区域I的裂纹为“裂纹I”,长度为a1;区域II的裂纹为“裂纹II”,长度为a2。由于裂纹I和裂纹II共线,所以定义结构的损伤程度指数为Dk=a1,k+a2,k。
首先进行一批试件的疲劳试验,试件编号为Y1,Y2,Y3,Y4。这些试件的疲劳试验结果用于建立结构损伤程度指数和导波损伤因子向量的关系。图3所示为试件Y1-Y4在疲劳试验中的裂纹扩展曲线。图4、图5、图6为特定结构损伤程度指数下,从主动导波信号中提取的散射信号能量损伤因子,归一化互相关矩损伤因子,以及能量差损伤因子。记散射信号能量损伤因子为y1,归一化互相关矩损伤因子为y2,归一化能量差损伤因子为y3,则导波损伤因子向量为y=[y1,y2,y3]。根据试件Y1-Y4的试验结果拟合三元多项式回归方程如下:
其中:vk为高斯白噪声,其标准差取为多项式拟合残差σv=0.4。
对于当前结构,其可能的裂纹数目为n=2。基于指数增量裂纹扩展系数,定义该结构的多裂纹扩展状态方程如下:
其中,a1,k为k时刻裂纹I的长度;a2,k为k时刻裂纹II的长度;η1,k为k时刻裂纹I的裂纹扩展系数,其由于裂纹I从初始时刻就存在,因此恒为1;η2,k为k时刻裂纹II的裂纹扩展系数.
初始化状态噪声标准差为σω=0.5,经验材料参数m=3.2,p=0.25,q=1,f=0.342,此外NASGRO模型参数C的初始分布为log(Ck)|k=0~N(-11.621,0.12)。裂纹I的初始长度为2mm。裂纹II的裂纹长度初始分布为N(0.027,0.0082)。指数概率分布的均值μinc,k的初始分布为均匀分布U(0,0.001)。其中,计算裂纹扩展速率的应力强度因子通过有限元方法计算得到的样本训练得到应力强度因子修正系数人工神经网络,如下所示:
[F1,k,F2,k]=NN(a1,k,a2,k)
其中:NN(·)为3层BP人工神经网络。
在本实施例中,在上述算法设置的基础上,对新的结构Y5的多裂纹扩展过程进行在线预测。粒子滤波算法的粒子数选取为Ns=2000,对算法进行初始化。试件Y5的真实裂纹扩展曲线如图7所示。在试件Y5的使用过程中,其处于主动导波结构健康监测方法的监测下。每当在k时刻获得新的导波信号,从导波信号中提取散射信号能量损伤因子,归一化互相关矩损伤因子,以及归一化能量差损伤因子组成导波损伤因子向量yk。基于该损伤因子向量,按照前面所述步骤更新粒子权值,得到裂纹II指数增量裂纹扩展系数的后验概率密度函数。如图8所示为裂纹II的裂纹扩展系数η2,k的后验概率密度函数的变化。可以看到在约50000个载荷循环,η2,k的后验概率密度发生突变,其均值突然变为0.8左右,有效表征了裂纹II的萌生,即裂纹II的扩展状态。
在获得裂纹扩展系数估计后,计算裂纹长度,NASGRO模型参数的后验估计。并在此基础上进行裂纹扩展预测,其中在N=54000个载荷循环预测得到结果如图9所示。可以看到,本发明的方法可以准确地预测多个疲劳裂纹的扩展。
本发明具体应用途径很多,以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以作出若干改进,这些改进也应视为本发明的保护范围。
Claims (2)
1.一种基于指数增量裂纹扩展系数的多裂纹扩展预测方法,其特征在于,包括步骤如下:
(1)在结构初始状态下,根据结构力学分析目标结构中可能存在的裂纹总数n;并定义n个裂纹长度分量,记为a1,a2,...,an,其中aj表示第j个裂纹的长度,j=1,2,...,n;
(2)通过指数增量裂纹扩展系数表征上述各个裂纹的扩展状态;
(3)设置时刻k为初始时刻k=0;依次令j=1,2,…,n,判断第j个裂纹的初始状态,并初始化各个裂纹对应的裂纹扩展系数;结合指数概率分布定义未萌生裂纹的扩展系数的指数增量转移方程,并建立多裂纹扩展状态方程和观测方程;
(4)对主动导波结构健康监测-粒子滤波方法进行初始化;
(5)在k>0时刻,结构处于使用过程中,采用主动导波结构健康监测-粒子滤波方法对结构中各个裂纹扩展系数进行实时在线估计;根据裂纹扩展系数的后验概率估计结果判断裂纹的扩展情况;
(6)在后验概率估计结果的基础上,预测各个裂纹在未来时刻的扩展情况;
所述步骤(2)中通过指数增量裂纹扩展系数表征各个裂纹的扩展状态的方式如下:
aj,k=aj,k-1+ηj,k-1(daj/dN)|k-1exp(ωj,k-1)ΔN
其中:k为离散的时刻;aj,k表示结构中第j个裂纹在k时刻的裂纹长度,aj,k-1为第j个裂纹在k-1时刻的长度;ωj,k-1为表征裂纹扩展不确定性的裂纹扩展状态噪声,其服从高斯分布N为疲劳载荷循环数;ΔN为裂纹扩展循环载荷数步长;(daj/dN)|k-1为第j个裂纹在k-1时刻的裂纹扩展速率,其通过基于断裂力学的裂纹扩展模型计算得到;ηj,k-1为第j个裂纹在k-1时刻的指数增量裂纹扩展系数;
所述指数增量裂纹扩展系数ηj,k-1是属于[0,1]区间的标量;该裂纹扩展系数与每个裂纹的裂纹扩展速率相乘,从而对裂纹扩展速率加权;对于初始时刻未萌生的裂纹,其初始值为0,表征该裂纹的裂纹扩展速率为0;当ηj,k-1>0时,表征第j个裂纹以ηj,k-1加权的裂纹扩展速率ηj,k-1(daj/dN)|k-1进行扩展;
所述步骤(3)中具体包括:对于未萌生裂纹,其裂纹扩展系数的指数增量转移方程定义如下:
ηj,k=ηj,k-1+τj,k
其中:ηj,k-1为第j个裂纹在k-1时刻的裂纹扩展系数,ηj,k为第j个裂纹在k时刻的裂纹扩展系数;τj,k为服从指数概率分布Exp(μinc,k)的随机变量,其中μinc,k为指数概率分布的均值。
2.根据权利要求1所述的基于指数增量裂纹扩展系数的多裂纹扩展预测方法,其特征在于,所述步骤(4)中采用均匀概率分布对指数概率分布的均值μinc,k进行初始化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910422689.XA CN110261539B (zh) | 2019-05-21 | 2019-05-21 | 基于指数增量裂纹扩展系数的多裂纹扩展预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910422689.XA CN110261539B (zh) | 2019-05-21 | 2019-05-21 | 基于指数增量裂纹扩展系数的多裂纹扩展预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110261539A CN110261539A (zh) | 2019-09-20 |
CN110261539B true CN110261539B (zh) | 2021-06-22 |
Family
ID=67914936
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910422689.XA Active CN110261539B (zh) | 2019-05-21 | 2019-05-21 | 基于指数增量裂纹扩展系数的多裂纹扩展预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110261539B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101162234A (zh) * | 2007-11-23 | 2008-04-16 | 华东理工大学 | 汽轮机高温部件的剩余寿命预测方法 |
CN103308381A (zh) * | 2013-06-07 | 2013-09-18 | 合肥通用机械研究院 | 一种疲劳裂纹扩展速率归一化预测方法 |
CN104537216A (zh) * | 2014-12-17 | 2015-04-22 | 北京科技大学 | 管道用高强钢环境应力腐蚀裂纹扩展的电化学预测方法 |
CN104850691A (zh) * | 2015-05-05 | 2015-08-19 | 南京市特种设备安全监督检验研究院 | 一种基于多因素融合修正的结构件裂纹扩展预测方法 |
CN106529018A (zh) * | 2016-11-08 | 2017-03-22 | 南京航空航天大学 | 基于高斯权值‑混合粒子滤波的疲劳裂纹扩展预测方法 |
CN107133400A (zh) * | 2017-05-03 | 2017-09-05 | 厦门大学 | 一种飞机结构疲劳可靠度贝叶斯组合预测方法 |
CN108897900A (zh) * | 2018-03-24 | 2018-11-27 | 北京工业大学 | 一种多轴变幅加载下疲劳短裂纹扩展寿命预测方法 |
CN109145399A (zh) * | 2018-04-12 | 2019-01-04 | 北京航空航天大学 | 一种基于改进的粒子滤波算法的疲劳裂纹扩展预测方法 |
CN109345032A (zh) * | 2018-10-30 | 2019-02-15 | 南京航空航天大学 | 基于动态裂纹数目的粒子滤波多裂纹扩展预测方法 |
-
2019
- 2019-05-21 CN CN201910422689.XA patent/CN110261539B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101162234A (zh) * | 2007-11-23 | 2008-04-16 | 华东理工大学 | 汽轮机高温部件的剩余寿命预测方法 |
CN103308381A (zh) * | 2013-06-07 | 2013-09-18 | 合肥通用机械研究院 | 一种疲劳裂纹扩展速率归一化预测方法 |
CN104537216A (zh) * | 2014-12-17 | 2015-04-22 | 北京科技大学 | 管道用高强钢环境应力腐蚀裂纹扩展的电化学预测方法 |
CN104850691A (zh) * | 2015-05-05 | 2015-08-19 | 南京市特种设备安全监督检验研究院 | 一种基于多因素融合修正的结构件裂纹扩展预测方法 |
CN106529018A (zh) * | 2016-11-08 | 2017-03-22 | 南京航空航天大学 | 基于高斯权值‑混合粒子滤波的疲劳裂纹扩展预测方法 |
CN107133400A (zh) * | 2017-05-03 | 2017-09-05 | 厦门大学 | 一种飞机结构疲劳可靠度贝叶斯组合预测方法 |
CN108897900A (zh) * | 2018-03-24 | 2018-11-27 | 北京工业大学 | 一种多轴变幅加载下疲劳短裂纹扩展寿命预测方法 |
CN109145399A (zh) * | 2018-04-12 | 2019-01-04 | 北京航空航天大学 | 一种基于改进的粒子滤波算法的疲劳裂纹扩展预测方法 |
CN109345032A (zh) * | 2018-10-30 | 2019-02-15 | 南京航空航天大学 | 基于动态裂纹数目的粒子滤波多裂纹扩展预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110261539A (zh) | 2019-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109345032B (zh) | 基于动态裂纹数目的粒子滤波多裂纹扩展预测方法 | |
Song et al. | Dynamic surrogate modeling approach for probabilistic creep-fatigue life evaluation of turbine disks | |
CN114282709A (zh) | 基于数字孪生的结构件疲劳裂纹扩展预测方法 | |
Shi et al. | Corrosion fatigue and multiple site damage reliability analysis | |
Allahyari et al. | A new approach to determine strength of Perfobond rib shear connector in steel-concrete composite structures by employing neural network | |
Araújo et al. | On the prediction of high-cycle fretting fatigue strength: Theory of critical distances vs. hot-spot approach | |
JP2015532430A (ja) | 確率論的疲労亀裂寿命推定のための方法およびシステム | |
Zhu et al. | Probabilistic fatigue assessment of notched components under size effect using generalized weakest-link model | |
CN111611654B (zh) | 一种铆接结构的疲劳预测方法、装置及设备、存储介质 | |
CN107832492B (zh) | 一种基于内聚力模型的钢结构腐蚀疲劳损伤计算方法 | |
Burns et al. | Scientific advances enabling next generation management of corrosion induced fatigue | |
CN110261539B (zh) | 基于指数增量裂纹扩展系数的多裂纹扩展预测方法 | |
CN114169128B (zh) | 一种基于Bayes分析的可靠性强化试验定量评估方法 | |
Kalogiannakis et al. | Identification of wear mechanisms of glass/polyester composites by means of acoustic emission | |
CN110457746B (zh) | 基于bp神经网络的结构面峰值抗剪强度预测模型构建方法 | |
CN112132324A (zh) | 一种基于深度学习模型的超声波水表数据修复方法 | |
CN116539459A (zh) | 一种基于声发射监测和机器学习的疲劳裂纹扩展速率预测方法和系统 | |
CN114509506A (zh) | 基于导波时频谱差和卷积神经网络集的在线裂纹评估方法 | |
Gan et al. | Multiple linear regression to forecast balance of trade | |
Morel et al. | Competition between microstructure and defect in multiaxial high cycle fatigue | |
RU2725299C1 (ru) | Способ оценки технического состояния лопаток турбины газотурбинного двигателя | |
KR102346403B1 (ko) | 뉴로퍼지 이론을 사용한 콘크리트 구조물의 탄산화깊이 추정 방법 | |
CN116046980B (zh) | 一种基于应变监测的结构疲劳损伤诊断方法 | |
Marasanov et al. | Analysis of Digital Processing of the Acoustic Emission Diagnostics Informative Parameters Under Deformation Impact Conditions | |
Canot et al. | Neural Networks NARX for Durability Bonded Joint Prediction |
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 |