CN111024527A - 一种基于多传感器数据融合的裂纹扩展监测方法 - Google Patents

一种基于多传感器数据融合的裂纹扩展监测方法 Download PDF

Info

Publication number
CN111024527A
CN111024527A CN201911241929.2A CN201911241929A CN111024527A CN 111024527 A CN111024527 A CN 111024527A CN 201911241929 A CN201911241929 A CN 201911241929A CN 111024527 A CN111024527 A CN 111024527A
Authority
CN
China
Prior art keywords
data
crack
sensor
monitoring
strain
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.)
Granted
Application number
CN201911241929.2A
Other languages
English (en)
Other versions
CN111024527B (zh
Inventor
常琦
杨维希
孟瑶
刘君
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian University of Technology
Original Assignee
Xian University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian University of Technology filed Critical Xian University of Technology
Priority to CN201911241929.2A priority Critical patent/CN111024527B/zh
Publication of CN111024527A publication Critical patent/CN111024527A/zh
Application granted granted Critical
Publication of CN111024527B publication Critical patent/CN111024527B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N3/32—Investigating strength properties of solid materials by application of mechanical stress by applying repeated or pulsating forces
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
    • G01B21/32—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring the deformation in a solid
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • 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
    • G01N33/20—Metals
    • G01N33/204—Structure thereof, e.g. crystal structure
    • G01N33/2045—Defects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N2203/0001—Type of application of the stress
    • G01N2203/0005—Repeated or cyclic
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N2203/0058—Kind of property studied
    • G01N2203/0069—Fatigue, creep, strain-stress relations or elastic constants
    • G01N2203/0073—Fatigue

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Immunology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Signal Processing (AREA)
  • Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种基于多传感器数据融合的裂纹扩展监测方法，采用压电传感器和应变传感器对裂纹扩展进行综合监测，在进行多次循环加载后，观察裂纹长度，并通过示波器进行压电传感器产生的Lamb波的数据采集，动态应变测试仪对应变传感器产生的数据进行连续采集；对动态应变测试仪所采集到的数据求取上下包络线，并提取上下包络线的平均值；提取示波器所采集到的Lamb波信号S0模式的波达时间和幅值作为损伤特征参数；采用随机森林算法对提取的应变传感器和压电传感器的数据分别进行模式识别并分别得出模式识别结果；采用基于D‑S证据理论的数据融合方法，融合两种监测方法的模式识别结果，对裂纹扩展进行综合判别。

Description

一种基于多传感器数据融合的裂纹扩展监测方法
技术领域
本发明属于结构健康监测技术领域，涉及一种基于多传感器数据融合的裂纹扩展监测方法。
背景技术
疲劳损伤断裂是金属结构失效的主要形式，金属结构在使用过程中受到交变载荷的作用，不可避免地出现疲劳损伤，在应力集中部位极易产生疲劳裂纹，裂纹的萌生和扩展会造成结构的破坏，因此对裂纹进行在线监测是十分必要的。近年来，对疲劳裂纹扩展的研究是结构健康监测的热点之一，结构健康监测的方法从信号的来源上可以分为主动监测和被动监测。主动监测通过对结构施加激励信号，分析传感器所接收到的结构响应信号实现结构健康监测。主动Lamb波技术的设备相对简单，可以实现板类结构远距离大面积检测。虽然主动监测方法在裂纹扩展监测方面有很多的应用，但是很难进行连续监测。被动方法是指随着裂纹增长而连续监测结构的某些参数的方法，这些参数包括声发射信号，应变，热能等。其中结构的应变受到裂纹扩展的影响，比较容易监测，并且可以实现连续监测。由于结构裂纹扩展的情况比较复杂，在状态监测和故障诊断时采用单一传感器难以准确获取故障的特征，可靠性较低。
发明内容
本发明的目的是提供一种基于多传感器数据融合的裂纹扩展监测方法，解决了现有技术中存在的结构裂纹扩展的情况比较复杂，在状态监测和故障诊断时采用单一传感器难以准确获取故障的特征，可靠性较低的问题。
本发明所采用的技术方案是，一种基于多传感器数据融合的裂纹扩展监测方法，具体包括如下步骤：
步骤1、采用压电传感器和应变传感器对裂纹扩展进行综合监测，在进行多次循环加载后，观察裂纹长度，并通过示波器进行压电传感器产生的Lamb波的数据采集，动态应变测试仪对应变传感器产生的数据进行连续采集；
步骤2、对步骤1中动态应变测试仪所采集到的数据求取上下包络线，并提取上下包络线的平均值，以此消除加载过程中产生的弹性变形；提取步骤1中示波器所采集到的Lamb波信号S0模式的波达时间和幅值作为损伤特征参数；
步骤3、采用随机森林算法对步骤2中提取的应变传感器和压电传感器的数据分别进行模式识别并分别得出模式识别结果；
步骤4、采用基于D-S证据理论的数据融合方法，融合步骤3中两种监测方法的模式识别结果，对裂纹扩展进行综合判别。
本发明的特点还在于：
步骤1中的内容具体如下：
对表面贴有压电传感器和应变传感器两种传感器的试件在疲劳试验机上进行裂纹扩展的综合监测，在进行多次循环加载后，停止疲劳试验机，通过放大镜观察裂纹长度，并通过PICO4824示波器进行压电传感器产生的Lamb波的数据采集，TST3828E动态应变测试仪对应变传感器产生的数据进行连续采集，重复进行循环加载-观察裂纹长度-数据采集的步骤，直至试件在疲劳试验机上完全断裂。
步骤2中的内容具体如下：
对步骤1中动态应变测试仪所采集到的数据进行上下包络线提取，并求取上下包络线平均值，以此消除循环加载过程中产生的弹性变形，对监测的每个试件的各个应变传感器采集的数据分别作此处理，得到应变随循环次数的变化曲线；提取步骤1中示波器所采集到的Lamb波信号S0模式的波达时间和幅值作为损伤特征参数。
步骤3中的内容具体如下：
步骤3.1、将步骤2中提取的应变传感器和压电传感器的数据组成的数据集通过自助法重采样技术划分训练集和测试集，从训练集中有放回的重复随机抽取样本生成训练样本集，然后利用Bagging方法从训练样本集中随机选取特定数目的特征值；
步骤3.2、将步骤3.1中得到的特征值采用C4.5算法来选择分裂属性，构造决策树；
步骤3.3、依次重复步骤3.2若干次，即生成相应棵数的决策树，这若干颗决策树即形成随机森林模型；
步骤3.4、将测试集中的测试数据代入到步骤3.3中生成的随机森林模型中，数据经过每棵决策树进行决策，最终利用众数投票方式选出投票数量最多的值，即为初步识别结果，并计算得出每个裂纹长度对应的正确投票率。
步骤3.4中计算每个裂纹长度对应的正确投票率的公式如下：
随机森林由k棵决策树组成，设分类器hk(X)未抽取的数据集为Ok，则输入随机向量X在Ok中投票的分类类别Y的比例，即随机森林的投票率Q(X,Yj)为：
Figure BDA0002306485750000041
其中，Yj表示投票的每个分类类别，I(x)表示随机变量的信息。
步骤4中的内容具体如下：
采用基于D-S证据理论的数据融合方法，根据下式可以得到步骤3中两种监测方法的模式识别结果融合之后的基本概率分配函数，对裂纹扩展进行综合判别：
Figure BDA0002306485750000042
其中，Ai为压电传感器数据中得到的每个裂纹长度对应的投票数，m1(Ai)为压电传感器数据中得出的每个裂纹长度对应的正确投票率,Bj为应变传感器数据中得到的每个裂纹长度对应的投票数,m2(Bj)为应变传感器数据中得出的每个裂纹长度对应的正确投票率，φ代表空集，A＝φ代表A是空集，A不等于φ代表A不是空集。
本发明的有益效果是：本发明基于应变和压电两种传感器从主动和被动两种监测方法的角度对疲劳裂纹扩展进行综合监测，以达到对裂纹扩展程度进行高效准确的监测和识别，采用随机森林算法分别对疲劳裂纹扩展过程中的两种监测方法获得的数据进行模式识别，并采用基于D-S证据理论的数据融合方法，融合两种监测方法的识别结果，对裂纹扩展进行综合判别，从而达到高精度的裂纹扩展识别效果。
附图说明
图1是本发明一种基于多传感器数据融合的裂纹扩展监测方法的监测系统结构示意图；
图2是本发明一种基于多传感器数据融合的裂纹扩展监测方法中的压电传感器的裂纹扩展监测结果图；
图3是本发明一种基于多传感器数据融合的裂纹扩展监测方法的5个试件的裂纹扩展图；
图4是本发明一种基于多传感器数据融合的裂纹扩展监测方法的试件的应变数据图；
图5是本发明一种基于多传感器数据融合的裂纹扩展监测方法的波达时间示意图；
图6是本发明一种基于多传感器数据融合的裂纹扩展监测方法的试件的S0模式幅值图；
图7是本发明一种基于多传感器数据融合的裂纹扩展监测方法的300KHz频率时试件的S0模式幅值图；
图8是本发明一种基于多传感器数据融合的裂纹扩展监测方法的300KHz频率时3个试件的S0模式波达时间图；
图9是本发明一种基于多传感器数据融合的裂纹扩展监测方法中的随机森林算法流程图。
图中，1.疲劳试验机，2.试件，3.应变传感器，41.压电传感器一，42.压电传感器二，5.信号发生器，6.动态应变测试仪，7.宽带射频接收器，8.示波器。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明是一种基于多传感器数据融合的裂纹扩展监测方法，具体包括如下步骤：
步骤1、采用压电传感器和应变传感器3对裂纹扩展进行综合监测，在进行多次循环加载后，观察裂纹长度，并通过示波器8进行压电传感器产生的Lamb波的数据采集，动态应变测试仪6对应变传感器3产生的数据进行连续采集；
步骤2、对步骤1中动态应变测试仪6所采集到的数据求取上下包络线，并提取上下包络线的平均值，以此消除循环加载过程中产生的弹性变形；提取步骤1中示波器8所采集到的Lamb波信号S0模式的波达时间和幅值作为损伤特征参数；
步骤3、采用随机森林算法对步骤2中提取的应变传感器3和压电传感器的数据分别进行模式识别并分别得出模式识别结果；
步骤4、采用基于D-S证据理论的数据融合方法，融合步骤3中两种监测方法的模式识别结果，对裂纹扩展进行综合判别。
步骤1中的内容具体如下：
对表面贴有压电传感器和应变传感器3两种传感器的试件2在疲劳试验机1上进行裂纹扩展的综合监测，在进行多次循环加载后，停止疲劳试验机1，通过放大镜观察裂纹长度，并通过PICO4824示波器进行压电传感器产生的Lamb波的数据采集，TST3828E动态应变测试仪对应变传感器3产生的数据进行连续采集，重复进行循环加载-观察裂纹长度-数据采集的步骤，直至试件在疲劳试验机上完全断裂。
步骤2中的内容具体如下：
对步骤1中动态应变测试仪6所采集到的数据进行上下包络线提取，并求取上下包络线平均值，以此消除加载过程中产生的弹性变形，对监测的每个试件的各个应变传感器采集的数据分别作此处理，得到应变随循环次数的变化曲线；提取步骤1中示波器8所采集到的Lamb波信号S0模式的波达时间和幅值作为损伤特征参数。
步骤3中的内容具体如下：
步骤3.1、将步骤2中提取的应变传感器6和压电传感器的数据组成的数据集通过自助法重采样技术划分训练集和测试集，从训练集中有放回的重复随机抽取样本生成训练样本集，然后利用Bagging方法从训练样本集中随机选取特定数目的特征值；
步骤3.2、将步骤3.1中得到的特征值采用C4.5算法来选择分裂属性，构造决策树；
步骤3.3、依次重复步骤3.2若干次，即生成相应棵数的决策树，这若干颗决策树即形成随机森林模型；
步骤3.4、将测试集中的测试数据代入到步骤3.3中生成的随机森林模型中，数据经过每棵决策树进行决策，最终利用众数投票方式选出投票数量最多的值，即为初步识别结果，并计算得出每个裂纹长度对应的正确投票率。
步骤3.4中计算每个裂纹长度对应的正确投票率的公式如下：
随机森林由k棵决策树组成，设分类器hk(X)未抽取的数据集为Ok，则输入随机向量X在Ok中投票的分类类别Y的比例，即随机森林的投票率Q(X,Yj)为：
Figure BDA0002306485750000071
其中，Yj表示投票的每个分类类别，I(x)表示随机变量的信息。
步骤4中的内容具体如下：
采用基于D-S证据理论的数据融合方法，根据下式可以得到步骤3中两种监测方法的模式识别结果融合之后的基本概率分配函数，对裂纹扩展进行综合判别：
Figure BDA0002306485750000081
其中，Ai为压电传感器数据中得到的每个裂纹长度对应的投票数，m1(Ai)为压电传感器数据中得出的每个裂纹长度对应的正确投票率,Bj为应变传感器数据中得到的每个裂纹长度对应的投票数,m2(Bj)为应变传感器数据中得出的每个裂纹长度对应的正确投票率，φ代表空集，A＝φ代表A是空集，A不等于φ代表A不是空集。
实施例一
本发明是一种基于多传感器数据融合的裂纹扩展监测方法，具体包括如下步骤：
步骤1、对表面贴有压电传感器一41、压电传感器二42和应变传感器3的试件2在疲劳试验机1上进行裂纹扩展的综合监测，如图1所示，在试件2上贴有压电传感器一41、压电传感器二42和三个应变传感器3，其中压电传感器一41连接信号发生器5，作为激励器在结构中传播Lamb波，使用PA-100疲劳试验机1对试件施加频率为f＝10Hz、最大疲劳载荷Fmax＝8.5kN、应力比R＝0.1的正弦信号载荷谱，当结构出现裂纹时，在结构上传播的Lamb波将与损伤相互作用并引起反射和散射，并且Lamb波的传播路径会发生改变；压电传感器二42连接宽带射频接收器7，接收带有损伤信息的Lamb波响应信号；采用压电传感器和应变传感器3对裂纹扩展进行综合监测，在进行多次循环加载后，停止疲劳试验机1，通过放大镜观察裂纹长度，并通过PICO4824示波器进行压电传感器产生的Lamb波的数据采集，在相同的裂纹长度下进行间隔为50KHz范围为250KHz至400KHz的频率扫描，如图2所示是激励信号中心频率为300KHz时接收的Lamb波的波形；TST3828E动态应变测试仪对应变传感器3产生的数据进行连续采集，应变传感器3的监测结果如图3和4所示。
步骤2、对步骤1中动态应变测试仪6所采集到的数据进行上下包络线提取，并求取上下包络线平均值，以此消除循环加载过程中产生的弹性变形，对监测的每个试件的各个应变传感器采集的数据分别作此处理，得到应变随循环次数的变化曲线；如图5所示表明了波达时间的选取方法，提取步骤1中示波器8所采集到的Lamb波信号S0模式的波达时间和幅值作为损伤特征参数，结果如图6、7和8所示表明了Lamb波S0模式的幅值随着裂纹长度的增加逐渐减小，波达时间逐渐增加。
如图9所示，步骤3中的内容具体如下：
步骤3.1、将步骤2中提取的应变传感器6和压电传感器二42的数据组成的数据集通过自助法重采样技术划分训练集和测试集，从训练集中有放回的重复随机抽取样本生成训练样本集，然后利用Bagging方法从训练样本集中随机选取特定数目的特征值；
步骤3.2、将步骤3.1中得到的特征值采用C4.5算法来选择分裂属性，构造决策树；
步骤3.3、依次重复步骤3.2若干次，即生成相应棵数的决策树，这若干颗决策树即形成随机森林模型；
步骤3.4、将测试集中的测试数据代入到步骤3.3中生成的随机森林模型中，数据经过每棵决策树进行决策，最终利用众数投票方式选出投票数量最多的值，即为初步识别结果，并计算得出每个裂纹长度对应的正确投票率。
步骤3.4中计算每个裂纹长度对应的正确投票率的公式如下：
随机森林由k棵决策树组成，设分类器hk(X)未抽取的数据集为Ok，则输入随机向量X在Ok中投票的分类类别Y的比例，即随机森林的投票率Q(X,Yj)为：
Figure BDA0002306485750000101
其中，Yj表示投票的每个分类类别，I(x)表示随机变量的信息。
裂纹长度的不断增加代表结构的剩余有效寿命逐渐减少，因此建立裂纹长度模式，通过模式识别就可以实现对其剩余寿命的定量分析，从图3中可以看出，裂纹长度为11mm-20mm的阶段下的裂纹增长较为缓慢，是线性增长区，之后便进入了裂纹快速增长期。将研究区域共分为10种模式，每增加1mm，将其视为一种新的模式。
如下表1所示，表1(a)是使用随机森林算法对一组压电传感器数据进行模式识别的结果，第一列表格中的数据前四个为幅值数据，后四个为波达时间数据，可以看出，该组识别结果中有一种模式识别错误，识别准确率为90％，表1(b)是一组应变传感器数据的模式识别结果，该组识别结果中有一种模式识别错误，识别正确率为90％。将获得的压电传感器和应变传感器数据分别进行交叉验证，得到模式识别平均正确率为86.7％和90％。从识别结果来看，随机森林算法可以比较准确的对裂纹扩展过程中的裂纹长度进行模式识别。
表1模式识别结果
(a)压电传感器模式识别结果
Figure BDA0002306485750000111
(b)应变传感器模式识别结果
Figure BDA0002306485750000112
步骤4中的内容具体如下：
采用基于D-S证据理论的数据融合方法，根据下式可以得到步骤3中两种监测方法的模式识别结果融合之后的基本概率分配函数，对裂纹扩展进行综合判别：
Figure BDA0002306485750000113
其中，Ai为压电传感器数据中得到的每个裂纹长度对应的投票数，m1(Ai)为压电传感器数据中得出的每个裂纹长度对应的正确投票率,Bj为应变传感器数据中得到的每个裂纹长度对应的投票数,m2(Bj)为应变传感器数据中得出的每个裂纹长度对应的正确投票率，φ代表空集，A＝φ代表A是空集，A不等于φ代表A不是空集。
表2数据融合结果
(a)模式4识别结果及基本概率分配
Figure BDA0002306485750000121
(b)一组模式识别结果
Figure BDA0002306485750000122
将裂纹长度模式2的识别结果在表2(a)中列出，在数据融合时，基于随机森林算法的压电传感器和应变传感器数据的基本概率由决策树的投票率给出。可以从表2(a)中看出，基于应变数据对裂纹长度模式2的识别是错误的，经过数据融合后，模式识别的结果则为正确的，因此，基于D-S证据理论的数据融合方法可以提高裂纹扩展的模式识别正确率。表2(b)中列出了数据融合后所有10种模式的识别结果，可以看出，在数据融合后，表中的一组模式识别准确率达到了100％，与数据融合之前的模式识别率进行比较，显然，使用D-S数据融合方法可以显著提高裂纹扩展的裂纹长度模式识别准确率。
本发明一种基于多传感器数据融合的裂纹扩展监测方法，其优点在于：本发明基于应变和压电两种传感器从主动和被动两种监测方法的角度对疲劳裂纹扩展进行综合监测，以达到对裂纹扩展程度进行高效准确的监测和识别，采用随机森林算法分别对疲劳裂纹扩展过程中的两种监测方法获得的数据进行模式识别，并采用基于D-S证据理论的数据融合方法，融合两种监测方法的识别结果，对裂纹扩展进行综合判别，从而达到高精度的裂纹扩展识别效果。

Claims (6)

1.一种基于多传感器数据融合的裂纹扩展监测方法，其特征在于，具体包括如下步骤：
步骤1、采用压电传感器和应变传感器(3)对裂纹扩展进行综合监测，在进行多次循环加载后，观察裂纹长度，并通过示波器(8)进行压电传感器产生的Lamb波的数据采集，动态应变测试仪(6)对应变传感器(3)产生的数据进行连续采集；
步骤2、对所述步骤1中动态应变测试仪(6)所采集到的数据求取上下包络线，并提取上下包络线的平均值，以此消除加载过程中产生的弹性变形；提取所述步骤1中示波器(8)所采集到的Lamb波信号S0模式的波达时间和幅值作为损伤特征参数；
步骤3、采用随机森林算法对所述步骤2中提取的应变传感器(3)和压电传感器的数据分别进行模式识别并分别得出模式识别结果；
步骤4、采用基于D-S证据理论的数据融合方法，融合所述步骤3中两种监测方法的模式识别结果，对裂纹扩展进行综合判别。
2.根据权利要求1所述的一种基于多传感器数据融合的裂纹扩展监测方法，其特征在于，所述步骤1中的内容具体如下：
在疲劳试验机(1)上对若干个试件(2)进行裂纹扩展的综合监测，试件(2)表面贴有压电传感器和应变传感器(3)，在进行多次循环加载后，停止疲劳试验机(1)，通过放大镜观察裂纹长度，并通过PICO4824示波器进行压电传感器产生的Lamb波的数据采集，TST3828E动态应变测试仪对应变传感器(3)产生的数据进行连续采集，重复进行循环加载-观察裂纹长度-数据采集的步骤，直至试件在疲劳试验机上完全断裂。
3.根据权利要求1所述的一种基于多传感器数据融合的裂纹扩展监测方法，其特征在于，所述步骤2中的内容具体如下：
对所述步骤1中动态应变测试仪(6)所采集到的数据进行上下包络线提取，并求取上下包络线平均值，以此消除加载过程中产生的弹性变形，对监测的每个试件的各个应变传感器采集的数据分别作此处理，得到应变随循环次数的变化曲线；提取所述步骤1中示波器(8)所采集到的Lamb波信号S0模式的波达时间和幅值作为损伤特征参数。
4.根据权利要求1所述的一种基于多传感器数据融合的裂纹扩展监测方法，其特征在于，所述步骤3中的内容具体如下：
步骤3.1、将所述步骤2中提取的应变传感器(6)和压电传感器的数据组成的数据集通过自助法重采样技术划分训练集和测试集，从训练集中有放回的重复随机抽取样本生成训练样本集，然后利用Bagging方法从训练样本集中随机选取特定数目的特征值；
步骤3.2、将所述步骤3.1中得到的特征值采用C4.5算法来选择分裂属性，构造决策树；
步骤3.3、依次重复所述步骤3.2若干次，即生成相应棵数的决策树，这若干颗决策树即形成随机森林模型；
步骤3.4、将测试集中的测试数据代入到所述步骤3.3中生成的随机森林模型中，数据经过每棵决策树进行决策，最终利用众数投票方式选出投票数量最多的值，即为初步识别结果，并计算得出每个裂纹长度对应的正确投票率。
5.根据权利要求4所述的一种基于多传感器数据融合的裂纹扩展监测方法，其特征在于，所述步骤3.4中计算每个裂纹长度对应的正确投票率的公式如下：
随机森林由k棵决策树组成，设分类器hk(X)未抽取的数据集为Ok，则输入随机向量X在Ok中投票的分类类别Y的比例，即随机森林的投票率Q(X,Yj)为：
Figure FDA0002306485740000031
其中，Yj表示投票的每个分类类别，I(x)表示随机变量的信息。
6.根据权利要求5所述的一种基于多传感器数据融合的裂纹扩展监测方法，其特征在于，所述步骤4中的内容具体如下：
采用基于D-S证据理论的数据融合方法，根据下式可以得到所述步骤3中两种监测方法的模式识别结果融合之后的基本概率分配函数，对裂纹扩展进行综合判别：
Figure FDA0002306485740000032
其中，Ai为压电传感器数据中得到的每个裂纹长度对应的投票数，m1(Ai)为压电传感器数据中得出的每个裂纹长度对应的正确投票率,Bj为应变传感器数据中得到的每个裂纹长度对应的投票数,m2(Bj)为应变传感器数据中得出的每个裂纹长度对应的正确投票率，φ代表空集，A＝φ代表A是空集，A不等于φ代表A不是空集。
CN201911241929.2A 2019-12-06 2019-12-06 一种基于多传感器数据融合的裂纹扩展监测方法 Active CN111024527B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911241929.2A CN111024527B (zh) 2019-12-06 2019-12-06 一种基于多传感器数据融合的裂纹扩展监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911241929.2A CN111024527B (zh) 2019-12-06 2019-12-06 一种基于多传感器数据融合的裂纹扩展监测方法

Publications (2)

Publication Number Publication Date
CN111024527A true CN111024527A (zh) 2020-04-17
CN111024527B CN111024527B (zh) 2022-11-18

Family

ID=70204544

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911241929.2A Active CN111024527B (zh) 2019-12-06 2019-12-06 一种基于多传感器数据融合的裂纹扩展监测方法

Country Status (1)

Country Link
CN (1) CN111024527B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111678991A (zh) * 2020-05-15 2020-09-18 江苏禹治流域管理技术研究院有限公司 一种用于混凝土结构无损检测损伤识别的方法
CN112729742A (zh) * 2020-12-25 2021-04-30 西安理工大学 一种基于概率成像的冲击定位方法
CN112801982A (zh) * 2021-01-28 2021-05-14 中国科学院武汉岩土力学研究所 确定岩石混合压剪裂纹尖端断裂过程区长度的方法及设备
CN116821845A (zh) * 2023-06-20 2023-09-29 郑州大学 基于多传感器数据融合的管道淤积情况诊断方法及装置

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1430721A (zh) * 2001-12-14 2003-07-16 香港中文大学 在线监控冲压过程的方法及系统
US20070118301A1 (en) * 2005-11-23 2007-05-24 Lockheed Martin Corporation System to monitor the health of a structure, sensor nodes, program product, and related methods
CN103557884A (zh) * 2013-09-27 2014-02-05 杭州银江智慧城市技术集团有限公司 一种输电线路杆塔监控的多传感器数据融合预警方法
US20140100832A1 (en) * 2012-10-09 2014-04-10 The Boeing Company Methods and systems for structural health monitoring
US20140216170A1 (en) * 2013-02-05 2014-08-07 Georgia Tech Research Corporation Systems And Methods For Monitoring Cutting Forces In Peripheral End Milling
CN104165925A (zh) * 2014-08-06 2014-11-26 沈阳透平机械股份有限公司 随机共振的离心式压缩机半开式叶轮裂纹故障检测方法
WO2015195184A2 (en) * 2014-04-02 2015-12-23 Sikorsky Aircraft Corporation System and method for health assessment of aircraft structure
CN106198749A (zh) * 2015-05-08 2016-12-07 中国科学院声学研究所 一种基于金属裂纹监测的多路传感器的数据融合方法
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
CN108152059A (zh) * 2017-12-20 2018-06-12 西南交通大学 基于多传感器数据融合的高速列车转向架故障检测方法
CN108564046A (zh) * 2018-04-19 2018-09-21 南京大学 基于改进eemd的钢结构动态应变信号处理方法
CN108647642A (zh) * 2018-05-10 2018-10-12 北京航空航天大学 基于模糊融合的多传感器裂纹损伤综合诊断方法
CN109784383A (zh) * 2018-12-28 2019-05-21 南京航空航天大学 一种基于图域特征和ds证据理论融合的钢轨裂纹识别方法
CN110530631A (zh) * 2019-08-21 2019-12-03 贵州大学 一种基于混合分类器的齿轮单类型故障检测方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1430721A (zh) * 2001-12-14 2003-07-16 香港中文大学 在线监控冲压过程的方法及系统
US20070118301A1 (en) * 2005-11-23 2007-05-24 Lockheed Martin Corporation System to monitor the health of a structure, sensor nodes, program product, and related methods
US20140100832A1 (en) * 2012-10-09 2014-04-10 The Boeing Company Methods and systems for structural health monitoring
US20140216170A1 (en) * 2013-02-05 2014-08-07 Georgia Tech Research Corporation Systems And Methods For Monitoring Cutting Forces In Peripheral End Milling
CN103557884A (zh) * 2013-09-27 2014-02-05 杭州银江智慧城市技术集团有限公司 一种输电线路杆塔监控的多传感器数据融合预警方法
WO2015195184A2 (en) * 2014-04-02 2015-12-23 Sikorsky Aircraft Corporation System and method for health assessment of aircraft structure
CN104165925A (zh) * 2014-08-06 2014-11-26 沈阳透平机械股份有限公司 随机共振的离心式压缩机半开式叶轮裂纹故障检测方法
CN106198749A (zh) * 2015-05-08 2016-12-07 中国科学院声学研究所 一种基于金属裂纹监测的多路传感器的数据融合方法
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
CN108152059A (zh) * 2017-12-20 2018-06-12 西南交通大学 基于多传感器数据融合的高速列车转向架故障检测方法
CN108564046A (zh) * 2018-04-19 2018-09-21 南京大学 基于改进eemd的钢结构动态应变信号处理方法
CN108647642A (zh) * 2018-05-10 2018-10-12 北京航空航天大学 基于模糊融合的多传感器裂纹损伤综合诊断方法
CN109784383A (zh) * 2018-12-28 2019-05-21 南京航空航天大学 一种基于图域特征和ds证据理论融合的钢轨裂纹识别方法
CN110530631A (zh) * 2019-08-21 2019-12-03 贵州大学 一种基于混合分类器的齿轮单类型故障检测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
E. SALVATI: "A Study of Overload Effect on Fatigue Crack Propagation Using EBSD, FIB-DIC and FEM methods", 《ENGINEERING FRACTURE MECHANICS》 *
HN LI: "State-of-the-art in structural health monitoring of large and complex civil infrastructures", 《J CIVIL STRUCT HEALTH MONIT》 *
井立等: "基于信息融合技术的结构损伤检测方法", 《振动与冲击》 *
张希翔等: "基于随机森林的语音人格预测方法", 《计算机工程》 *
蒋雯: "D-S证据理论中的基本概率赋值转换概率方法研究", 《西北工业大学学报》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111678991A (zh) * 2020-05-15 2020-09-18 江苏禹治流域管理技术研究院有限公司 一种用于混凝土结构无损检测损伤识别的方法
CN111678991B (zh) * 2020-05-15 2022-12-30 江苏禹治流域管理技术研究院有限公司 一种用于混凝土结构无损检测损伤识别的方法
CN112729742A (zh) * 2020-12-25 2021-04-30 西安理工大学 一种基于概率成像的冲击定位方法
CN112729742B (zh) * 2020-12-25 2023-08-22 西安理工大学 一种基于概率成像的冲击定位方法
CN112801982A (zh) * 2021-01-28 2021-05-14 中国科学院武汉岩土力学研究所 确定岩石混合压剪裂纹尖端断裂过程区长度的方法及设备
CN112801982B (zh) * 2021-01-28 2022-06-17 中国科学院武汉岩土力学研究所 确定岩石混合压剪裂纹尖端断裂过程区长度的方法及设备
CN116821845A (zh) * 2023-06-20 2023-09-29 郑州大学 基于多传感器数据融合的管道淤积情况诊断方法及装置

Also Published As

Publication number Publication date
CN111024527B (zh) 2022-11-18

Similar Documents

Publication Publication Date Title
CN111024527B (zh) 一种基于多传感器数据融合的裂纹扩展监测方法
CN115238753B (zh) 一种基于局部离群因子的自适应shm数据清洗方法
CN107014668A (zh) 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
Macrelli et al. Piezoelectric transducers for real-time evaluation of fruit firmness. Part I: Theory and development of acoustic techniques
CN107505396A (zh) 一种结构损伤在线实时监测方法及系统
CN117007681B (zh) 超声波探伤方法及系统
CN106949861A (zh) 一种非线性超声在线监测金属材料应变变化的方法
CN114186624B (zh) 基于二维卷积神经网络的损伤识别模型建立方法及设备
Paulraj et al. Structural steel plate damage detection using non destructive testing, frame energy based statistical features and artificial neural networks
CN110990978A (zh) 一种螺栓状态监测方法和装置
CN114186586B (zh) 基于二维卷积神经网络的损伤识别方法及设备
CN110487499B (zh) 一种基于奇异值分解和支持向量机的螺栓预紧力辨识方法
CN101532902A (zh) 用于冷冲模具的质量监测和故障诊断方法
CN115235877A (zh) 腐蚀状态监测系统和应力腐蚀状态评价方法及装置
CN111272875A (zh) 一种基于振动声音信号的苹果脆度无损检测方法
CN113640394B (zh) 一种疲劳裂纹识别方法和系统
CN114487103B (zh) 基于旧零件声发射信号混沌特征值的损伤检测分析方法
CN114935604A (zh) 基于Duffing振子的二维微损伤定位方法及装置
CN108872777A (zh) 基于改进型系统延迟阶数估计的电力变压器绕组状态评估方法
Ennis et al. Artificial Intelligence-Enabled Crack Length Estimation from Acoustic Emission Signal Signatures
Ji et al. Research on the beam damage diagnosis method for a high-speed transplanter based on the strain mode
Yumurtaci et al. Determining damages in ceramic plates by using discrete wavelet packet transform and support vector machine
Addin et al. Prediction and detection of failures in laminated composite materials using neural networks-a review
KR100456841B1 (ko) 차량 내구 시험에서 검출 신호 처리방법
RIJAL et al. Monitoring Damage Evolution in Carbon/Epoxy and Carbon/Thermoplastic Composites using Acoustic Emission Technique

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