CN110390115A - 列车部件裂纹损伤预测方法和装置 - Google Patents
列车部件裂纹损伤预测方法和装置 Download PDFInfo
- Publication number
- CN110390115A CN110390115A CN201810351381.6A CN201810351381A CN110390115A CN 110390115 A CN110390115 A CN 110390115A CN 201810351381 A CN201810351381 A CN 201810351381A CN 110390115 A CN110390115 A CN 110390115A
- Authority
- CN
- China
- Prior art keywords
- damage
- detection structure
- lamb wave
- signal
- crack
- 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.)
- Pending
Links
- 230000006378 damage Effects 0.000 title claims abstract description 189
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000001514 detection method Methods 0.000 claims abstract description 104
- 235000019687 Lamb Nutrition 0.000 claims abstract description 94
- 238000009826 distribution Methods 0.000 claims abstract description 77
- 238000000342 Monte Carlo simulation Methods 0.000 claims abstract description 6
- 238000005457 optimization Methods 0.000 claims abstract description 6
- 230000004044 response Effects 0.000 claims description 53
- 208000037656 Respiratory Sounds Diseases 0.000 claims description 27
- 238000005086 pumping Methods 0.000 claims description 26
- 238000003325 tomography Methods 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 8
- 230000003902 lesion Effects 0.000 claims description 8
- 239000002131 composite material Substances 0.000 claims description 5
- 238000007405 data analysis Methods 0.000 claims description 5
- 239000006185 dispersion Substances 0.000 claims description 5
- 230000036541 health Effects 0.000 claims description 5
- 238000009825 accumulation Methods 0.000 claims description 4
- 238000005315 distribution function Methods 0.000 claims description 4
- 239000004744 fabric Substances 0.000 claims description 3
- 238000005728 strengthening Methods 0.000 claims description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 2
- 230000008859 change Effects 0.000 claims description 2
- 235000008434 ginseng Nutrition 0.000 claims description 2
- 241000208340 Araliaceae Species 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 14
- 238000012423 maintenance Methods 0.000 abstract description 5
- 241001269238 Data Species 0.000 abstract description 4
- 241000264877 Hippospongia communis Species 0.000 description 16
- 230000005284 excitation Effects 0.000 description 15
- 230000008569 process Effects 0.000 description 13
- 238000003384 imaging method Methods 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 7
- 230000000644 propagated effect Effects 0.000 description 7
- 238000012937 correction Methods 0.000 description 6
- 230000003321 amplification Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000003199 nucleic acid amplification method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 239000000523 sample Substances 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000007689 inspection Methods 0.000 description 3
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- MXYUKLILVYORSK-UHFFFAOYSA-N (+/-)-allo-lobeline Natural products C1CCC(CC(=O)C=2C=CC=CC=2)N(C)C1CC(O)C1=CC=CC=C1 MXYUKLILVYORSK-UHFFFAOYSA-N 0.000 description 1
- MXYUKLILVYORSK-HBMCJLEFSA-N (-)-lobeline Chemical compound C1([C@@H](O)C[C@H]2N([C@H](CCC2)CC(=O)C=2C=CC=CC=2)C)=CC=CC=C1 MXYUKLILVYORSK-HBMCJLEFSA-N 0.000 description 1
- 235000011464 Pachycereus pringlei Nutrition 0.000 description 1
- 240000006939 Pachycereus weberi Species 0.000 description 1
- 235000011466 Pachycereus weberi Nutrition 0.000 description 1
- 244000131316 Panax pseudoginseng Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000001994 activation Methods 0.000 description 1
- 238000013477 bayesian statistics method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 229960002339 lobeline Drugs 0.000 description 1
- 229930013610 lobeline Natural products 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明实施例公开了一种列车部件裂纹损伤预测方法和装置，其中的方法包括：在待检测列车部件的检测结构上设置蜂窝传感器网络装置，利用lamb采集历史损伤数据，利用根据历史损伤数据获得对于检测结构的损伤的寿命分布特征和验证指标参数，并建立贝叶斯概率预测模型，分析得出验证指标参数的先验分布，采用马尔科夫链蒙特卡洛方法优化贝叶斯概率预测模型的模型参数，并预测检测结构的损伤的增长速率。本发明的方法和系统，通过应用Bayesian‑MCMC的方法并基于大量历史数据预测列车部件损伤增长，用贝叶斯公式对发生概率进行修正，再利用期望值和修正概率做出最优维修或更新决策，为列车的维修、更换提供更为准确的、直观化的依据。
Description
技术领域
本发明涉及损伤分析技术领域，尤其涉及一种列车部件裂纹损伤预测方法和装置。
背景技术
作用在构件上的载荷或应力往往随时间呈交替变化，疲劳在这种交变应力下的扩展称为疲劳裂纹的扩展，由此产生的破坏称为疲劳破坏。大量实践数据表明，具有初始裂纹的构件，即使受到交变低于静载荷破坏时的应力裂纹也会扩展，严重时甚至导致破坏。疲劳和断裂是工程中较为常见的构件失效原因。结构疲劳最初源于金属疲劳问题，在结构疲劳问题中，金属表面出现裂纹更为普遍，这种裂纹形态，分布位置各异，大致可分为三类：纵裂纹、横裂纹和龟裂纹。
目前，常用的裂纹扩展模型如下：(1)Pairs公式：Pairs发现应力强度因子幅度ΔK是控制裂纹扩展速率的最关键因素，据此提出了著名的pairs公式：
其中，a——裂纹深度或宽度；N——应力循环次数；C、m——和材料有关的参数；ΔK——应力强度因子变化范围。
(2)Forman公式：在裂纹扩展分析中，中速率区决定作动筒的剩余寿命，不同应力比下的dA/dN-ΔK曲线几乎是平行的。关于在应力比和断裂韧性的影响下dA/dN-ΔK曲线的修正模型，是Forman在Pairs公式基础上提出的：
其中，Kc为断裂韧度。
考虑到实际应用，对此公式的修正角度有很多，例如加入应力比和门槛应力强度因子幅的影响，将其进一步修正得到：
(3)裂纹全程扩展公式：
上述公式虽然综合考虑了材料自身参数和外载荷对裂纹扩展速率的影响，但应力强度因子的幅值依然是影响裂纹扩展速率的最显著影响因素。目前的结构损伤和裂纹增长预测技术大多基于上述方法，不能克服数据不充足、经验不足等客观因素，尤其是无法解决裂纹增长速率预测问题。
发明内容
有鉴于此，本发明实施例提供一种列车部件裂纹损伤预测方法和装置。
根据本发明实施例的一个方面，提供一种列车部件裂纹损伤预测方法，包括：对列车部件的检测结构进行损伤检测；获取所述检测结构的历史损伤数据；其中，损伤数据包括：所述检测结构的裂纹长度数据；根据所述历史损伤数据获得对于所述检测结构的损伤的寿命分布特征和验证指标参数，并建立与所述检测结构的损伤相对应的贝叶斯概率预测模型；根据所述历史损伤数据分析得出所述验证指标参数的先验分布；采用马尔科夫链蒙特卡洛方法优化贝叶斯概率预测模型的模型参数，并预测所述检测结构的损伤的增长速率。
可选地，所述获得对于所述检测结构的损伤的寿命分布特征和验证指标参数包括：确定对于所述检测结构的损伤的寿命分布为对数正态分布：
其中，所述对数正态分布的密度函数为：
其中，μ是损伤尺寸的平均值，σ是损伤尺寸的标准差。
可选地，将所述验证指标参数的先验分布确定为所述检测结构的裂纹增长速率的对数正态分布f(θ)与最大似然估计f(x|θ)的结合；运用贝叶斯概率预测模型并结合所述历史损伤数据中的检测结构的裂纹数据x，获得后验分布f(θ|x)，并进行迭代计算获得裂纹在单位里程中的增长速率。
可选地，所述贝叶斯概率预测模型用以下公式描述：
σldi＝z1+z0Ti，i＝1，...，n～N(z1+z0Ti；σ2)；
f(z0，z1，σ2)＝f(z0，z1)*f(σ2)；
log(z0)～N2(μ，σ2)；
σ2～IG(a，b)；
其中，δldi表示标准裂纹长度损伤量，δldi服从均值为σldi＝z1+z0Ti的正态分布，z1是裂纹初始的长度，z0是裂纹在单位里程中的增长速率，T是自上一次采集历史损伤数据后的积累运营公里数，T＝σ-2，则T～G(a，b)，其中a＝b＝0.01，f为概率分布函数，μ为z0的均值，σ2为z0标准差。
可选地，在待检测列车部件的检测结构上设置蜂窝传感器网络装置；其中，所述蜂窝传感器网络装置包括多个压电传感器，每个压电传感器都作为激励信号加载点和/或响应信号采集点；在激励信号加载点以第一时间间隔在健康的检测结构上激发激励信号，在检测结构中产生Lamb波；各个响应信号采集点采集对于此Lamb波的第一Lamb波响应信号；获取第一Lamb波响应信号并建立Lamb波在检测结构的各向异性复合材料层板中随传播角度变化的频散关系，获得Lamb波的理论速度分布，作为基准信息；在激励信号加载点以第二时间间隔在待检测的检测结构上激发激励信号，在检测结构中产生Lamb波；各个响应信号采集点采集对于此Lamb波的第二Lamb波响应信号；对第二Lamb波响应信号在时域和频域上进行分析，提取特征信息；将第二Lamb波响应信号作为损伤信号，将第一Lamb波响应信号作为参考信号，基于损伤信号、参考信号以及基准信息、特征信息计算与各个所述响应信号采集点相对应的信号差异系数值SDC值；根据获得的SDC值并采用概率成像原理，重构出检测结构中裂纹损伤可能存在的区域；基于SDC值判定裂纹方向，校正裂纹方向上的SDC值，用于强化裂纹方向上的重构图像信息，采用概率成像原理重构裂纹损伤图像；绘制SDC分布图，基于SDC分布图评估出裂纹的长度，生成所述损伤数据。
根据本发明的另一方面，提供一种列车部件裂纹损伤预测装置，包括：部件损伤检测模块，用于对列车部件的检测结构进行损伤检测；历史数据获取模块，用于获取所述检测结构的历史损伤数据；其中，损伤数据包括：所述检测结构的裂纹长度数据；预测模型建立模块，用于根据所述历史损伤数据获得对于所述检测结构的损伤的寿命分布特征和验证指标参数，并建立与所述检测结构的损伤相对应的贝叶斯概率预测模型；损伤增长预测模块，用于根据所述历史损伤数据分析得出所述验证指标参数的先验分布；采用马尔科夫链蒙特卡洛方法优化贝叶斯概率预测模型的模型参数，并预测所述检测结构的损伤的增长速率。
可选地，所述预测模型建立模块，用于确定对于所述检测结构的损伤的寿命分布为对数正态分布。
可选地，所述损伤增长预测模块，用于将所述验证指标参数的先验分布确定为所述检测结构的裂纹增长速率的对数正态分布f(θ)与最大似然估计f(x|θ)的结合；运用贝叶斯概率预测模型并结合所述历史损伤数据中的检测结构的裂纹数据x，获得后验分布f(θ|x)，并进行迭代计算获得裂纹在单位里程中的增长速率。
本发明的列车部件裂纹损伤预测方法和装置，获取对于列车部件的检测结构的历史损伤数据，根据历史损伤数据获得对于检测结构的损伤的寿命分布特征和验证指标参数，并建立贝叶斯概率预测模型，分析得出验证指标参数的先验分布，采用马尔科夫链蒙特卡洛方法优化贝叶斯概率预测模型的模型参数，并预测检测结构的损伤的增长速率；通过应用Bayesian-MCMC的方法并基于大量历史数据预测列车部件损伤增长，可以在数据不完全的情况下，对部分未知的列车部件损伤采用主观概率估计，然后用贝叶斯公式对发生概率进行修正，最后再利用期望值和修正概率做出最优维修或更新决策，为列车的维修、更换提供更为准确的、直观化的依据，并且计算准确度高。
本发明实施例附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图：
图1为根据本发明的列车部件裂纹损伤预测方法的一个实施例的流程图；
图2为根据本发明的列车部件裂纹损伤预测方法的一个实施例中的列车部件损伤增长先验分布概率密度示意图；
图3为根据本发明的列车部件裂纹损伤预测方法的一个实施例中的传感器网络装置的布置示意图；
图4为根据本发明的列车部件裂纹损伤预测装置的一个实施例中的模块示意图；
图5为蜂窝传感器网络装置的一个实施例中的模块示意图
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
本发明实施例可以应用于计算机系统/服务器，其可与众多其它通用或专用计算系统环境或配置一起操作。适于与计算机系统/服务器一起使用的众所周知的计算系统、环境和/或配置的例子包括但不限于：个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统、大型计算机系统和包括上述任何系统的分布式云计算技术环境，等等。
计算机系统/服务器可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常，程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等，它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施，分布式云计算环境中，任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中，程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
下文中的“第一”、“第二”仅用于描述上相区别，并没有其它特殊的含义。
图1为根据本发明的列车部件裂纹损伤预测方法的一个实施例的流程图，如图1所示：
步骤101，对列车部件的检测结构进行损伤检测。
列车部件可以为高速列车、地铁等的关键部件等。可以采用内嵌微控制器的压电传感器分别作为激发信号器及信号接收器，按照一定时序进行多路检测，并将收集的lamb波信号储存在传感器。
步骤102，获取检测结构的历史损伤数据，损伤数据包括：检测结构的裂纹长度数据。
在高速列车行至等公里时，将储存在传感器的lamb波信号数据传输至多通道数据转换器，多通道数据转换器将lamb波信号数据传输到车载损伤诊断中心进行预处理，确认裂纹位置及损伤长度，得到历史损伤数据。
步骤103，根据历史损伤数据获得对于检测结构的损伤的寿命分布特征和验证指标参数，并建立与检测结构的损伤相对应的贝叶斯概率预测模型。
步骤104，根据历史损伤数据分析得出验证指标参数的先验分布。
步骤105，采用马尔科夫链蒙特卡洛方法优化贝叶斯概率预测模型的模型参数，并预测检测结构的损伤的增长速率。
马尔可夫链蒙特卡罗(Markov Chain Monte Carlo，MCMC)算法的基础理论为马尔可夫过程，在MCMC算法中，为了在一个指定的分布上采样，根据马尔可夫过程，首先从任一状态出发，模拟马尔可夫过程，不断进行状态转移，最终收敛到平稳分布。
在一个实施例中，将车载损伤诊断中心提取的故障特征信息作为输入值，传入含智能辨识诊断软件的中心服务器，通过对获取的真实运营条件下的损伤增长数据进行拟合分析，得到最优的拟合函数。
列车部件的寿命服从一定统计规律的随机变量，一般用寿命的分布函数(也称累积分布函数)来描述。列车部件的寿命大多服从连续型随机变量的概率分布，包括对数分布、指数分布、正态分布、威布尔分布等。对数正态分布是一种比较完善的分布，具有非负性，是一种可以准确描述列车部件寿命的概率分布，适用于本发明中列车部件随运行里程累积产生的损伤特征。
确定对于检测结构的损伤的寿命分布为对数正态分布，其中，对数正态分布的密度函数为：
其中，μ是损伤大小的平均值(mm)；σ是损伤大小的标准差(mm)。
将验证指标参数的先验分布确定为检测结构的裂纹增长速率的对数正态分布f(θ)与最大似然估计f(x|θ)的结合，运用贝叶斯概率预测模型并结合历史损伤数据中的检测结构的裂纹数据x，获得后验分布f(θ|x)，并进行迭代计算获得裂纹在单位里程中的增长速率。
由于贝叶斯决策(Bayesian Decision Theory)是在不完全情报下，对部分未知的状态用主观概率估计，然后用贝叶斯公式对发生概率进行修正，最后再利用期望值和修正概率做出最优决策的方法，根据如下贝叶斯公式，可以得到先验分布。
在本实施例中先验分布为观察变量列车部件的裂纹增长速率的对数正态分布f(θ)与最大似然估计f(x|θ)的结合，运用贝叶斯决策模型结合实际数据x，获得后验分布f(θ|x)，通过大量迭代，最终得到裂纹增长速率均值(期望值)，这个均值也就是模型中高速列车关键部位裂纹增长趋于稳定后的单位里程增长速率。
例如，某城市发生了一起汽车撞人逃跑事件，该城市只有两种颜色的车，蓝色15％，绿色85％，事发时有一个人A在现场看见了，A指证是蓝车。但是根据专家在现场分析，当时那种条件能看正确的可能性是80％，那么，肇事的车是蓝车的概率采用下述的方法进行计算：
A：目击证人看到的车辆颜色为蓝色；B1：肇事车辆是蓝色：B2肇事车辆是绿色|
P(A|B1)＝80％；P(A)＝80％P(B1)+20％P(B2)
贝叶斯概率预测模型用以下公式描述：
σldi＝z1+z0Ti，i＝1，...，n～N(z1+z0Ti；σ2) (5)；
f(z0，z1，σ2)＝f(z0，z1)*f(σ2) (6)；
log(z0)～N2(μ，σ2) (7)；
σ2～IG(a，b) (8)；
其中，δldi表示标准裂纹长度损伤量(mm)，z1是裂纹初始的长度，如果列车部件不存在初始裂纹，z0是裂纹在单位里程中的增长速率(mm/3000km、mm/5000km或mm/10000km，根据实际不同测量数据值确定)，T是自上一次采集历史损伤数据后的积累运营公里数，T＝σ-2，则T-G(a，b)，其中a＝b＝0.01。
式(5)为裂纹长度与积累运营公里数的线性关系，其中，δldi服从均值为σldi＝z1+z0Ti的正态分布，该公式用于计算累计裂纹长度，但考虑δldi受多方因素影响，引入贝叶斯概率公式，使用正态分布提高公式准确性，即预测的准确性，至此，所有参数都不再是定值，将服从各自分布。
式(6)为式(5)中z0、z1所服从的概率分布可拆解成两种概率分布的乘积，需要说明的是，此公式隐含于计算过程中，不能具体表达，但并不影响计算。
式(7)表示z0服从对数正太分布，μ为z0的均值，由历史数据获得，σ2为z0标准差，服从逆gamma分布。以式(5)-(8)为顺序，在实际计算过程中是逆序通过历史损伤数据首先得到f(x|θ)最大似然估计，之后通过实际经验确定T-G(a，b)，其中a＝b＝0.01，如式(7)先验分布已确定为对数正态分布f(θ)，最终，结合式(6)及通过历史损伤数据得到的f(x|θ)最大似然估计使用贝叶斯公式，从而得到验证指标参数。建立预测模型后，本实施例使用winbugs软件进行MCMC迭代，即完成上述过程，上述公式的具体计算以及进行MCMC迭代可以采用现有的多种方法具体进行执行，由于最大似然估计受太多因素干扰，不能用具体公式表示，本实施例使用MCMC方法的目的旨在产生大量服从历史数据分布规律的数据，该数据用于表示最大似然估计f(x|θ)，最终获得z0的均值，即损伤增长速率。
上述实施例中的列车部件裂纹损伤预测方法，收集高速列车关键部位历史损伤数据(等运行里程下裂纹累计长度)；确定高速列车关键部位寿命分布和验证指标参数，建立贝叶斯统计分布模型；基于历史数据确定验证指标参数的先验分布，基于MCMC方法，利用WinBUGS预测高速列车关键部位损伤增长速率。
在一个实施例中，将储存在传感器的数据进行预处理，预处理过程包括：1、信号滤波：滤除噪声及虚假信息、对压电传感器的温度特性进项补偿；2、采用小波分析、HHT分析、经验模式分解等方法提取故障特征信息，确定列车关键部位损伤程度；3、通过压电原件接收到达信号及它们之间的延迟时间，利用椭圆定位的方法确定损伤位置，其中靠近传感器附近损伤定位的误差，将通过正六边形蜂窝状布置方式来消除。
例如，在待检测列车部件的检测结构上设置蜂窝传感器网络装置。蜂窝传感器网络装置包括多个压电传感器，每个压电传感器都作为激励信号加载点、响应信号采集点。在激励信号加载点利用探头以第一时间间隔在健康的检测结构上激发激励信号，在检测结构中产生Lamb波。各个响应信号采集点采集对于此Lamb波的第一Lamb波响应信号。
Lamb波是在自由边界条件下，固体结构中传播的弹性导波，具有衰减慢传播距离远，且对结构中的微小损伤十分敏感。可以利用电荷放大器将激励信号放大后加载到压电传感器，从而在检测结构中激发出Lamb波。采集检测结构健康时的所有激励/传感通道的Lamb波响应信号，作为检测结构的基准信号。
获取第一Lamb波响应信号并通过Mindlin板理论建立Lamb波在检测结构的各向异性复合材料层板中随传播角度变化的频散关系，获得Lamb波的理论速度分布，作为基准信息。Mindlin板理论通常被称为板的一阶剪切变形理论。Mindlin板理论假设在板厚度方向板位移线性变化，但是板厚度不变，并假设忽略板厚度方向的正应力，即平面应力假设。可以通过Mindlin板理论建立Lamb波在各向异性复合材料层板中随传播角度变化的频散关系，得到Lamb波的理论速度分布，为损伤成像提供基准信息。
在激励信号加载点利用探头以第二时间间隔在待检测的检测结构上激发激励信号，在检测结构中产生Lamb波。各个响应信号采集点采集对于此Lamb波的第二Lamb波响应信号。对第二Lamb波响应信号在时域和频域上进行分析，提取特征信息。将第二Lamb波响应信号作为损伤信号，将第一Lamb波响应信号作为参考信号，基于损伤信号、参考信号以及基准信息、特征信息计算与各个响应信号采集点相对应的信号差异系数值SDC值。将采集到的第二Lamb波响应信号作为损伤信号，再根据在健康的板结构中采集第一Lamb波响应信号作为参考信号然后计算所有激励/传感通道的SDC值。
可以利用小波变换对由压电传感元件激励和接收的Lamb波信号在时频域进行分析，提取特征信息，测量出Lamb波在监测的部位中实际传播的飞行时间和群速度，并与基准信息相比较。根据Lamb波信号传播自身的特性，通过聚焦的方法使损伤散射信号能量叠加放大，从而提高信号的信噪比。利用时间反转法对波源进行自适应聚焦能力，重建信号传播波动图，通过信号聚焦显示损伤位置和区域。
根据获得的SDC值并采用概率成像原理，重构出检测结构中裂纹损伤可能存在的区域。根据得到的SDC值，根据裂纹损伤对Lamb波监测信号的反射及散射作用，通过校正损伤区域中裂纹方向上的信号差异系数值SDC，强化裂纹方向上的重构图像信息，实现对裂纹损伤的图像重构，采用概率成像原理重构裂纹损伤图像。
根据Lamb波传播的基本原理，当传播介质出现中断或不连续时，大多数的Lamb波信号会因受到阻碍而难以继续向前传播，即使裂纹宽度很窄，只要其长度大于Lamb波波长，就会造成在传播前进方向上的Lamb波出现十分明显的衰减。可以利用信号差异系数SDC来表征损伤信号和参考信号的统计特性差异，SDC值的大小反映了损伤程度和损伤距离。
根据裂纹损伤对Lamb波监测信号的反射及散射作用，通过校正损伤区域中裂纹方向上的信号差异系数值(Signal difference coefficient，SDC)，强化裂纹方向上的重构图像信息，实现对裂纹损伤的图像重构，并由接收端SDC分布图评估出裂纹的长度。
根据得到的SDC值，可以利用传统概率成像原理，重构出板中裂纹损伤可能存在的区域；根据通过损伤区域内的压电传感器所在的路径计算其SDC值差值，可以判定裂纹方向。可以将裂纹判定方向上的SDC值校正为1，采用传统概率成像原理再次重构裂纹损伤图像。把六个激励/传感通道的SDC值布置为一个正六边形，将所有传感路径对应的概率分布图进行叠加，从而得到检测区域内任意点的损伤分布概率，重构出裂纹的损伤图像。
基于SDC值判定裂纹方向，校正裂纹方向上的SDC值，用于强化裂纹方向上的重构图像信息，采用概率成像原理重构裂纹损伤图像。绘制SDC分布图，基于SDC分布图评估出裂纹的长度。可以采用现有的多种方法绘制SDC分布图，并评估出裂纹的长度。
可以根据Lamb波信号传播自身的特性，通过聚焦的方法使损伤散射信号能量叠加放大，从而提高信号的信噪比；利用时间反转法对波源的自适应聚焦能力，重建信号传播波动图，通过信号聚焦显示损伤位置和区域；根据成像结果，在判定的裂纹方向的监测路径上，按照超过设定阈值的图像像素点数量和间距计算裂纹损伤长度。
在基于Lamb的成像过程中，通过聚焦的方法使损伤散射信号能量叠加放大，从而提高信号的信噪比。在损伤定位过程中，利用时间反转法对波源的自适应聚焦能力，重建信号传播波动图，通过信号聚焦显示损伤位置和区域。在裂纹大小评估过程中，根据裂纹损伤对Lamb波监测信号的反射及散射作用，通过校正损伤区域中裂纹方向上的信号差异系数SDC值，强化裂纹方向上的重构图像信息，实现对裂纹损伤的图像重构，并由接收端SDC分布图评估出裂纹的长度。
如图3所示，多个压电传感器排列成包括至少一个正六边形的基本检测单元的蜂窝状阵列。每个压电传感器都为蜂窝状阵列中的一个节点，作为激励信号加载点、响应信号采集点。基本检测单元包括呈正六边形排列的六个压电传感器；压电传感器内嵌有微控制器，压电传感器作为Lamb波激发信号器和Lamb波信号接收器。
波形发生器通过导线与功率放大器连接，功率放大器通过导线与蜂窝传感器网络装置组成的监测路径中的激励器连接，该蜂窝传感器网络装置设置在待测结构上。监测路径中的传感器通过导线与电荷放大器连接，电荷放大器通过导线与数据采集处理装置连接。
根据检测区域大小，使用一定数量的内嵌微控制器的压电传感器组成正六边形蜂窝状阵列覆在待测部位表面。作为激励，蜂窝传感器网络的布置数量可以根据待监测结构的实际情况进行确定，理论上六个压电元件就可以组成一个监测单元，结构较大时根据情况可通过紧密布置多个蜂窝传感器网络以扫查的方式进行。
采用小波变换算法对第二Lamb波响应信号在时域和频域上进行分析，提取特征信息，用于测量出Lamb波在待检测的检测结构中的实际传播的时间和速度。在提取待测构件的特征信息过程中，利用小波变换对由压电传感元件激励和接收的Lamb波信号在时频域进行分析。
以第一Lamb波响应信号作为基信号，将第二Lamb波响应信号与第一Lamb波响应信号相减，得到损伤散射信号；通过聚焦的方法使损伤散射信号能量叠加放大，用以提高损伤散射信号的信噪比，并对损伤散射信号进行时间反转处理。可以对包含缺陷信息的第二Lamb波响应信号进行时间反转处理，并将处理后的第二Lamb波响应信号作为新的波源加载到激励信号加载点进行发射，用以在待检测的检测结构上激发激励信号，实现Lamb波在缺陷处的二次聚焦，建立幅值聚焦图，用以对损伤位置和区域进行成像识别。
在一个实施例中，首先在待测部位上布置蜂窝传感器网络装置，将监测区域分割成若干个基本监测单元，利用蜂窝传感器网络装置的节点激励和接收Lamb波，通过聚焦和时间反转法重建信号传播波动图，利用信号聚焦显示损伤位置和区域。根据Lamb波监测信号的反射及散射作用校正损伤区域中裂纹方向上的信号差异系数值强化裂纹方向上的重构图像信息，并由接收端SDC分布图评估出裂纹的长度。
在一个实施例中，如图4所示，本发明提供一种列车部件裂纹损伤预测装置40，包括：部件损伤检测模块41、历史数据获取模块42、预测模型建立模块43和损伤增长预测模块44。
部件损伤检测模块41对列车部件的检测结构进行损伤检测。历史数据获取模块42获取检测结构的历史损伤数据，损伤数据包括：检测结构的裂纹长度数据。预测模型建立模块43根据历史损伤数据获得对于检测结构的损伤的寿命分布特征和验证指标参数，并建立与检测结构的损伤相对应的贝叶斯概率预测模型。损伤增长预测模块44根据历史损伤数据分析得出验证指标参数的先验分布，采用马尔科夫链蒙特卡洛方法优化贝叶斯概率预测模型的模型参数，并预测检测结构的损伤的增长速率。
预测模型建立模块43确定对于检测结构的损伤的寿命分布为对数正态分布，对数正态分布的密度函数为：
其中，μ是损伤尺寸的平均值，σ是损伤尺寸的标准差。
损伤增长预测模块44将验证指标参数的先验分布确定为检测结构的裂纹增长速率的对数正态分布f(θ)与最大似然估计f(x|θ)的结合，运用贝叶斯概率预测模型并结合历史损伤数据中的检测结构的裂纹数据x，获得后验分布f(θ|x)，并进行迭代计算获得裂纹在单位里程中的增长速率。
如图5所示，部件损伤检测模块41包括：第一信号激发模块411、基准信息获取模块412、第二信号激发模块413、损伤信息获取模块414和成像分析模块415。
蜂窝传感器网络装置46包括多个压电传感器，每个压电传感器都作为激励信号加载点、响应信号采集点。在待检测列车部件的检测结构上设置蜂窝传感器网络装置46。多个压电传感器排列成包括至少一个正六边形的基本检测单元的蜂窝状阵列。每个压电传感器都为蜂窝状阵列中的一个节点，作为激励信号加载点、响应信号采集点。基本检测单元包括呈正六边形排列的六个压电传感器。压电传感器内嵌有微控制器，压电传感器作为Lamb波激发信号器和Lamb波信号接收器。
第一信号激发模块411在激励信号加载点利用探头以第一时间间隔在健康的检测结构上激发激励信号，在检测结构中产生Lamb波，各个响应信号采集点采集对于此Lamb波的第一Lamb波响应信号。基准信息获取模块412获取第一Lamb波响应信号并通过Mindlin板理论建立Lamb波在检测结构的各向异性复合材料层板中随传播角度变化的频散关系，获得Lamb波的理论速度分布，作为基准信息。
第二信号激发模块413在激励信号加载点利用探头以第二时间间隔在待检测的检测结构上激发激励信号，在检测结构中产生Lamb波，各个响应信号采集点采集对于此Lamb波的第二Lamb波响应信号。损伤信息获取模块414对第二Lamb波响应信号在时域和频域上进行分析，提取特征信息。损伤信息获取模块414将第二Lamb波响应信号作为损伤信号，将第一Lamb波响应信号作为参考信号，基于损伤信号、参考信号以及基准信息、特征信息计算与各个响应信号采集点相对应的信号差异系数值SDC值。
成像分析模块415根据获得的SDC值并采用概率成像原理，重构出检测结构中裂纹损伤可能存在的区域。成像分析模块415基于SDC值判定裂纹方向，校正裂纹方向上的SDC值，用于强化裂纹方向上的重构图像信息，采用概率成像原理重构裂纹损伤图像。成像分析模块415绘制SDC分布图，基于SDC分布图评估出裂纹的长度。
损伤信息获取模块414采用小波变换算法对第二Lamb波响应信号在时域和频域上进行分析，提取特征信息，用于测量出Lamb波在待检测的检测结构中的实际传播的时间和速度。损伤信息获取模块414以第一Lamb波响应信号作为基信号，将第二Lamb波响应信号与第一Lamb波响应信号相减，得到损伤散射信号。损伤信息获取模块414通过聚焦的方法使损伤散射信号能量叠加放大，用以提高损伤散射信号的信噪比，并对损伤散射信号进行时间反转处理。
第二信号激发模块413对包含缺陷信息的第二Lamb波响应信号进行时间反转处理，并将处理后的第二Lamb波响应信号作为新的波源加载到激励信号加载点进行发射，用以在待检测的检测结构上激发激励信号，实现Lamb波在缺陷处的二次聚焦，建立幅值聚焦图，用以对损伤位置和区域进行成像识别。
上述实施例提供的列车部件裂纹损伤预测方法和装置，获取对于列车部件的检测结构的历史损伤数据，根据历史损伤数据获得对于检测结构的损伤的寿命分布特征和验证指标参数，并建立贝叶斯概率预测模型，分析得出验证指标参数的先验分布，采用马尔科夫链蒙特卡洛方法优化贝叶斯概率预测模型的模型参数，并预测检测结构的损伤的增长速率；通过应用Bayesian-MCMC的方法并基于大量历史数据预测列车部件损伤增长，可以在数据不完全的情况下，对部分未知的列车部件损伤采用主观概率估计，然后用贝叶斯公式对发生概率进行修正，最后再利用期望值和修正概率做出最优维修或更新决策，为列车的维修、更换提供更为准确的、直观化的依据，并且计算准确度高。
可能以许多方式来实现本发明的方法和装置、设备。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本发明的方法和装置、设备。用于方法的步骤的上述顺序仅是为了进行说明，本发明的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本发明实施为记录在记录介质中的程序，这些程序包括用于实现根据本发明的方法的机器可读指令。因而，本发明还覆盖存储用于执行根据本发明的方法的程序的记录介质。
本发明的描述是为了示例和描述起见而给出的，而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本发明的原理和实际应用，并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。
Claims (6)
1.一种列车部件裂纹损伤预测方法，其特征在于，包括：
对列车部件的检测结构进行损伤检测；
获取所述检测结构的历史损伤数据；其中，损伤数据包括：所述检测结构的裂纹长度数据；
根据所述历史损伤数据获得对于所述检测结构的损伤的寿命分布特征和验证指标参数，并建立与所述检测结构的损伤相对应的贝叶斯概率预测模型；
根据所述历史损伤数据分析得出所述验证指标参数的先验分布；
采用马尔科夫链蒙特卡洛方法优化贝叶斯概率预测模型的模型参数，并预测所述检测结构的损伤的增长速率。
2.如权利要求1所述的方法，其特征在于，所述获得对于所述检测结构的损伤的寿命分布特征和验证指标参数包括：
确定对于所述检测结构的损伤的寿命分布为对数正态分布：
其中，所述对数正态分布的密度函数为：
其中，μ是损伤尺寸的平均值，σ是损伤尺寸的标准差。
3.如权利要求2所述的方法，其特征在于，还包括：
将所述验证指标参数的先验分布确定为所述检测结构的裂纹增长速率的对数正态分布f(θ)与最大似然估计f(x|θ)的结合；
运用贝叶斯概率预测模型并结合所述历史损伤数据中的检测结构的裂纹数据x，获得后验分布f(θ|x)，并进行迭代计算获得裂纹在单位里程中的增长速率。
4.如权利要求3所述的方法，其特征在于，还包括：
所述贝叶斯概率预测模型用以下公式描述：
σldi＝z1+z0Ti，i＝1，...，n～N(z1+z0Ti；σ2)；
f(z0，z1，σ2)＝f(z0，z1)*f(σ2)；
log(z0)～N2(μ，σ2)；
σ2～IG(a，b)；
其中，δldi表示标准裂纹长度损伤量，δldi服从均值为σldi＝z1+z0Ti的正态分布，z1是裂纹初始的长度，z0是裂纹在单位里程中的增长速率，T是自上一次采集历史损伤数据后的积累运营公里数，T＝σ-2，则T～G(a，b)，其中a＝b＝0.01，f为概率分布函数，μ为z0的均值，σ2为z0标准差。
5.如权利要求1所述的方法，其特征在于，还包括：
在待检测列车部件的检测结构上设置蜂窝传感器网络装置；其中，所述蜂窝传感器网络装置包括多个压电传感器，每个压电传感器都作为激励信号加载点和/或响应信号采集点；
在激励信号加载点以第一时间间隔在健康的检测结构上激发激励信号，在检测结构中产生Lamb波；各个响应信号采集点采集对于此Lamb波的第一Lamb波响应信号；
获取第一Lamb波响应信号并建立Lamb波在检测结构的各向异性复合材料层板中随传播角度变化的频散关系，获得Lamb波的理论速度分布，作为基准信息；
在激励信号加载点以第二时间间隔在待检测的检测结构上激发激励信号，在检测结构中产生Lamb波；各个响应信号采集点采集对于此Lamb波的第二Lamb波响应信号；
对第二Lamb波响应信号在时域和频域上进行分析，提取特征信息；将第二Lamb波响应信号作为损伤信号，将第一Lamb波响应信号作为参考信号，基于损伤信号、参考信号以及基准信息、特征信息计算与各个所述响应信号采集点相对应的信号差异系数值SDC值；
根据获得的SDC值并采用概率成像原理，重构出检测结构中裂纹损伤可能存在的区域；
基于SDC值判定裂纹方向，校正裂纹方向上的SDC值，用于强化裂纹方向上的重构图像信息，采用概率成像原理重构裂纹损伤图像；绘制SDC分布图，基于SDC分布图评估出裂纹的长度，生成所述损伤数据。
6.一种列车部件裂纹损伤预测装置，其特征在于，包括：
部件损伤检测模块，用于对列车部件的检测结构进行损伤检测；
历史数据获取模块，用于获取所述检测结构的历史损伤数据；其中，损伤数据包括：所述检测结构的裂纹长度数据；
预测模型建立模块，用于根据所述历史损伤数据获得对于所述检测结构的损伤的寿命分布特征和验证指标参数，并建立与所述检测结构的损伤相对应的贝叶斯概率预测模型；
损伤增长预测模块，用于根据所述历史损伤数据分析得出所述验证指标参数的先验分布；采用马尔科夫链蒙特卡洛方法优化贝叶斯概率预测模型的模型参数，并预测所述检测结构的损伤的增长速率。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810351381.6A CN110390115A (zh) | 2018-04-17 | 2018-04-17 | 列车部件裂纹损伤预测方法和装置 |
| PCT/CN2019/082491 WO2019201176A1 (zh) | 2018-04-17 | 2019-04-12 | 列车部件裂纹损伤预测方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810351381.6A CN110390115A (zh) | 2018-04-17 | 2018-04-17 | 列车部件裂纹损伤预测方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110390115A true CN110390115A (zh) | 2019-10-29 |
Family
ID=68240407
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810351381.6A Pending CN110390115A (zh) | 2018-04-17 | 2018-04-17 | 列车部件裂纹损伤预测方法和装置 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN110390115A (zh) |
| WO (1) | WO2019201176A1 (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112580170A (zh) * | 2020-12-29 | 2021-03-30 | 南京航空航天大学 | 复合材料疲劳分层损伤的贝叶斯在线诊断和预测方法 |
| CN112710735A (zh) * | 2020-12-16 | 2021-04-27 | 江苏必得科技股份有限公司 | 一种Lamb波传感器网络及机械构件裂纹损伤程度检测方法 |
| CN112765854A (zh) * | 2021-01-21 | 2021-05-07 | 东南大学 | 一种路面内部裂缝数量预测方法 |
| CN113960171A (zh) * | 2021-10-26 | 2022-01-21 | 山东大学 | 一种基于超声导波的损伤识别方法及系统 |
| CN113962136A (zh) * | 2021-12-22 | 2022-01-21 | 广东工业大学 | 一种基于有限元的焊接后工件应力重构方法及系统 |
| CN114818799A (zh) * | 2022-04-15 | 2022-07-29 | 西南交通大学 | 复合材料叠层构件钻锪一体加工监测信号分割方法 |
| CN115146821A (zh) * | 2022-05-23 | 2022-10-04 | 中国农业科学院都市农业研究所 | 一种种植业数字化的系统搭建方法 |
| CN116189832A (zh) * | 2023-04-14 | 2023-05-30 | 岚图汽车科技有限公司 | 一种材料疲劳寿命曲线确定方法及相关设备 |
| CN116499959A (zh) * | 2023-06-30 | 2023-07-28 | 北京阿帕科蓝科技有限公司 | 刹车线耐久性测试方法、装置和计算机设备 |
| CN116792155A (zh) * | 2023-06-26 | 2023-09-22 | 华南理工大学 | 一种基于分布式光纤传感的隧道健康状态监测预警方法 |
Families Citing this family (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111291481B (zh) * | 2020-01-21 | 2023-04-18 | 广州市建筑科学研究院有限公司 | 一种基于贝叶斯模型的结构预警分析方法 |
| CN111382542B (zh) * | 2020-02-26 | 2024-02-02 | 长安大学 | 一种面向全寿命周期的公路机电设备寿命预测系统 |
| CN111581865B (zh) * | 2020-05-08 | 2023-09-05 | 成都山地环安科技有限公司 | 一种工程结构损伤远程监测预警方法及系统 |
| CN113804466B (zh) * | 2020-06-11 | 2022-10-25 | 株洲中车时代电气股份有限公司 | 一种确定轨道车辆部件寿命的方法及装置 |
| CN111896625B (zh) * | 2020-08-17 | 2023-07-14 | 中南大学 | 钢轨伤损实时监测方法及其监测系统 |
| CN112129813B (zh) * | 2020-09-16 | 2022-05-10 | 南京邮电大学 | 一种基于结构损伤特征因子连线规则的损伤评估方法 |
| CN112147221B (zh) * | 2020-09-22 | 2023-02-03 | 济南大学 | 基于超声波探伤仪数据的钢轨螺孔裂纹识别方法及系统 |
| CN113514545A (zh) * | 2021-04-14 | 2021-10-19 | 芜湖创联新材料科技有限公司 | 一种飞行器复合材料结构健康监控系统 |
| CN113221271B (zh) * | 2021-05-08 | 2022-10-28 | 西安交通大学 | 数字孪生驱动的航空发动机旋转叶片裂纹定量识别方法 |
| CN113237951A (zh) * | 2021-05-11 | 2021-08-10 | 重庆大学 | 一种基于形状上下文动态时间规整的金属板疲劳损伤超声导波检测方法 |
| CN113312722B (zh) * | 2021-05-28 | 2023-05-05 | 广西大学 | 一种城轨列车关键部件的可靠度预测优化方法 |
| CN113533369B (zh) * | 2021-06-21 | 2024-05-17 | 国网山东省电力公司鱼台县供电公司 | 一种输电线路巡检装置 |
| CN113533513A (zh) * | 2021-06-29 | 2021-10-22 | 北京交通大学 | 一种钢轨损伤实时监测方法及其监测装置 |
| CN115114763B (zh) * | 2021-09-14 | 2024-08-09 | 南京航空航天大学 | 一种复合材料疲劳寿命预测方法及系统 |
| CN114354771B (zh) * | 2021-12-16 | 2023-09-15 | 中国人民解放军国防科技大学 | 基于压电传感器和弹性波传播机理的裂纹探测方法及系统 |
| CN114580050B (zh) * | 2021-12-23 | 2024-02-23 | 北京交通大学 | 一种基于多种复杂力学效应的车桥耦合动力分析系统 |
| CN114441638B (zh) * | 2022-01-27 | 2023-05-19 | 重庆工业职业技术学院 | 一种用于波纹板的探伤方法 |
| CN114441637B (zh) * | 2022-01-27 | 2023-05-19 | 重庆工业职业技术学院 | 一种基于非线性Lamb波零频分量的损伤定位成像方法及系统 |
| CN114781731B (zh) * | 2022-04-26 | 2023-04-18 | 成都理工大学 | 基于贝叶斯理论的滑坡运动距离超越概率预测方法和系统 |
| CN114841892B (zh) * | 2022-05-20 | 2023-10-17 | 天津大学 | 一种基于全连接网络的稀疏导波数据恢复方法 |
| CN114994177B (zh) * | 2022-05-26 | 2023-06-09 | 哈尔滨工业大学 | 复合板材超声缺陷检测方法及装置和复合板材 |
| CN115878985B (zh) * | 2023-02-17 | 2023-06-09 | 湖南云箭科技有限公司 | 机载装备振动耐久试验条件的分段确定系统及方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104392122A (zh) * | 2014-11-17 | 2015-03-04 | 北京航空航天大学 | 基于裂纹检出概率模型的概率寿命评估方法 |
| CN106596726A (zh) * | 2016-11-30 | 2017-04-26 | 南京邮电大学 | 一种十字正交扫描Lamb波工程结构裂纹损伤监测的方法 |
| CN107014668A (zh) * | 2016-04-22 | 2017-08-04 | 北京航空航天大学 | 一种基于压电和智能涂层传感器的疲劳裂纹综合监测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107133400B (zh) * | 2017-05-03 | 2019-12-31 | 厦门大学 | 一种飞机结构疲劳可靠度贝叶斯组合预测方法 |
| CN107423857B (zh) * | 2017-07-31 | 2018-04-20 | 长江水利委员会水文局 | 一种区域长期来水多目标联合概率预测方法 |
-
2018
- 2018-04-17 CN CN201810351381.6A patent/CN110390115A/zh active Pending
-
2019
- 2019-04-12 WO PCT/CN2019/082491 patent/WO2019201176A1/zh active Application Filing
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104392122A (zh) * | 2014-11-17 | 2015-03-04 | 北京航空航天大学 | 基于裂纹检出概率模型的概率寿命评估方法 |
| CN107014668A (zh) * | 2016-04-22 | 2017-08-04 | 北京航空航天大学 | 一种基于压电和智能涂层传感器的疲劳裂纹综合监测方法 |
| CN106596726A (zh) * | 2016-11-30 | 2017-04-26 | 南京邮电大学 | 一种十字正交扫描Lamb波工程结构裂纹损伤监测的方法 |
Non-Patent Citations (1)
| Title |
|---|
| YUE PAN等: "A Bayesian-MCMC Model to Assess Metro Train Collector Shoes Slider Degradation Under Different Materials" * |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112710735A (zh) * | 2020-12-16 | 2021-04-27 | 江苏必得科技股份有限公司 | 一种Lamb波传感器网络及机械构件裂纹损伤程度检测方法 |
| CN112580170A (zh) * | 2020-12-29 | 2021-03-30 | 南京航空航天大学 | 复合材料疲劳分层损伤的贝叶斯在线诊断和预测方法 |
| CN112580170B (zh) * | 2020-12-29 | 2024-05-24 | 南京航空航天大学 | 复合材料疲劳分层损伤的贝叶斯在线诊断和预测方法 |
| CN112765854B (zh) * | 2021-01-21 | 2024-01-09 | 东南大学 | 一种路面内部裂缝数量预测方法 |
| CN112765854A (zh) * | 2021-01-21 | 2021-05-07 | 东南大学 | 一种路面内部裂缝数量预测方法 |
| CN113960171A (zh) * | 2021-10-26 | 2022-01-21 | 山东大学 | 一种基于超声导波的损伤识别方法及系统 |
| CN113960171B (zh) * | 2021-10-26 | 2022-09-23 | 山东大学 | 一种基于超声导波的损伤识别方法及系统 |
| CN113962136A (zh) * | 2021-12-22 | 2022-01-21 | 广东工业大学 | 一种基于有限元的焊接后工件应力重构方法及系统 |
| CN114818799B (zh) * | 2022-04-15 | 2024-03-19 | 西南交通大学 | 复合材料叠层构件钻锪一体加工监测信号分割方法 |
| CN114818799A (zh) * | 2022-04-15 | 2022-07-29 | 西南交通大学 | 复合材料叠层构件钻锪一体加工监测信号分割方法 |
| CN115146821A (zh) * | 2022-05-23 | 2022-10-04 | 中国农业科学院都市农业研究所 | 一种种植业数字化的系统搭建方法 |
| CN116189832A (zh) * | 2023-04-14 | 2023-05-30 | 岚图汽车科技有限公司 | 一种材料疲劳寿命曲线确定方法及相关设备 |
| CN116792155A (zh) * | 2023-06-26 | 2023-09-22 | 华南理工大学 | 一种基于分布式光纤传感的隧道健康状态监测预警方法 |
| CN116792155B (zh) * | 2023-06-26 | 2024-06-07 | 华南理工大学 | 一种基于分布式光纤传感的隧道健康状态监测预警方法 |
| CN116499959A (zh) * | 2023-06-30 | 2023-07-28 | 北京阿帕科蓝科技有限公司 | 刹车线耐久性测试方法、装置和计算机设备 |
| CN116499959B (zh) * | 2023-06-30 | 2023-12-05 | 北京阿帕科蓝科技有限公司 | 刹车线耐久性测试方法、装置和计算机设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2019201176A1 (zh) | 2019-10-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110390115A (zh) | 列车部件裂纹损伤预测方法和装置 | |
| CN110389169A (zh) | 列车部件裂纹损伤监测方法和系统 | |
| Holford et al. | A new methodology for automating acoustic emission detection of metallic fatigue fractures in highly demanding aerospace environments: An overview | |
| Lee et al. | Automated fatigue damage detection and classification technique for composite structures using Lamb waves and deep autoencoder | |
| Lye et al. | Sampling methods for solving Bayesian model updating problems: A tutorial | |
| CN110389170B (zh) | 基于Lamb波成像的列车部件裂纹损伤检测方法和系统 | |
| Yang et al. | A probabilistic crack size quantification method using in-situ Lamb wave test and Bayesian updating | |
| McCrory et al. | Damage classification in carbon fibre composites using acoustic emission: A comparison of three techniques | |
| Ijjeh et al. | Full wavefield processing by using FCN for delamination detection | |
| Morse et al. | Reliability based impact localization in composite panels using Bayesian updating and the Kalman filter | |
| Zárate et al. | Bayesian model updating and prognosis of fatigue crack growth | |
| Shrestha et al. | Impact localization on composite structure using FBG sensors and novel impact localization technique based on error outliers | |
| Al-Jumaili et al. | Parameter Correction Technique (PCT): A novel method for acoustic emission characterisation in large-scale composites | |
| Fakih et al. | A Bayesian approach for damage assessment in welded structures using Lamb-wave surrogate models and minimal sensing | |
| Pyle et al. | Uncertainty quantification for deep learning in ultrasonic crack characterization | |
| Ai et al. | Localizing damage on stainless steel structures using acoustic emission signals and weighted ensemble regression-based convolutional neural network | |
| Mishra et al. | Remaining useful life estimation with lamb-wave sensors based on wiener process and principal components regression | |
| De Stefano et al. | Optimum sensor placement for impact location using trilateration | |
| Chen et al. | Dual crack growth prognosis by using a mixture proposal particle filter and on-line crack monitoring | |
| Chen et al. | Sign coherence factor-based search algorithm for defect localization with laser generated Lamb waves | |
| Feng et al. | An adaptive learning approach to determine and update crack sizes from strain relaxation data for welded plate joints | |
| Karimian et al. | Neural network and particle filtering: a hybrid framework for crack propagation prediction | |
| Raut et al. | Methods of damage detection on composites under low velocity impact | |
| Zeng et al. | Lamb wave-based damage assessment for CFRP composite structures using a CHMM-based damage localization algorithm and a damage quantitative expression | |
| CN108414626A (zh) | 一种基于贝叶斯风险函数的多传感器损伤组网监测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191029 |
|
| RJ01 | Rejection of invention patent application after publication |