CN111307483B - 一种机械产品长周期疲劳试验数据处理与趋势预判方法 - Google Patents

Abstract

本发明涉及一种机械产品长周期疲劳试验数据处理与趋势预判的方法，属于航空制造领域。该方法以三层映射数据结构为基础，对初始试验数据进行分类排序，基于统计学的趋势判断算法进行预判疲劳裂纹的产生。由于飞机全机疲劳试验数据存在海量、乱序等特点，无法直接针对试验数据进行统计分析，必须先根据试验数据特点进行分类排序，然后才能进行疲劳试验数据趋势预判。本发明通过采用试验数据整合、分类及趋势判断等方法，能够有效、快速地针对飞机全机长周期疲劳试验海量数据进行快速排序分类，并根据整合后数据进行趋势预判，预估结构中是否出现疲劳裂纹，为试验人员提供参考。

Description

一种机械产品长周期疲劳试验数据处理与趋势预判方法

技术领域

本发明涉及航空制造领域，具体涉及一种机械产品长周期疲劳试验数据处理与趋势预判方法。

背景技术

全机疲劳试验是飞机研制过程中一项重要的验证性试验，其目的在于验证机体结构是否满足设计使用寿命要求，以及验证飞机疲劳关键件的耐久性、损伤容限分析结果，暴露结构疲劳薄弱部位，挖掘飞机设计使用寿命潜力，为制定合理的使用维护和修理方案及开展单机寿命监控提供可靠的试验数据。

全机疲劳试验的内容按照时间顺序分为疲劳试验、裂纹扩展试验和剩余强度试验。首先开展疲劳试验，按照试验载荷和载荷谱要求进行“飞—续—飞”循环疲劳加载，试验周期为3倍设计寿命。其次，开展裂纹扩展试验，当机体结构疲劳试验达到了试验目标寿命且主要结构部位(PSE)也出现了明显可检裂纹时，试验应转入裂纹扩展试验阶段。裂纹扩展试验寿命取决于主要结构部位的裂纹扩展情况，该飞机的裂纹扩展试验寿命为1倍设计寿命。最后，开展剩余强度试验，根据机体结构裂纹扩展试验的结果，针对主要裂纹产生的部位和结构关键部位，确定出相应的剩余强度试验载荷情况。

全机疲劳试验在一个周期内针对不同的通道名称(也就是检测位置，应变片釆集位置)根据载荷谱进行多次压力加载试验，如此循环往复N个周期，直至达到足够大的样本量，具有周期长、应变片釆集数据量大的特点，试验过程中产生的原始数据具有散乱、海量等特点，以图1为例，最大行号为71774，通道多达近2000个，因此需要整合的疲劳分析数据近140,000,000个。整个5周期的载荷通道近500个，需要处理的疲劳试验曲线近1,000,000条。

若试验数据的管理和试验结果的分析处理以及试验数据趋势向判断采用传统的人工处理方法，不仅需要耗费大量的人力和时间，而且数据处理结果的准确性难以得到保证，因此采取有效的方法对海量试验数据进行快速准确的分析，及时掌握试验过程中结构受载情况，对结构裂纹预判以及结构损伤监控至关重要，对试验数据预先进行准确的处理分析也是后续开展全面试验数据分析的基础。

发明内容

本发明旨在解决现有技术中的上述问题，提出了一种机械产品长周期疲劳试验数据处理与趋势预判方法，该方法能够解决飞机长周期疲劳试验数据存在的海量、乱序、分析困难等问题，实现对海量试验数据进行快速准确的分析及结构裂纹预判。

为了实现上述发明目的，本发明的技术方案如下：

一种机械产品长周期疲劳试验数据处理与趋势预判方法，其特征在于，包括数据采集步骤，数据整合步骤，数据处理步骤和异常点判断步骤；其中，

数据采集步骤，是指对机械产品进行循环压力加载试验，并记录每个单次试验的周期数、通道名称、载荷状态以及具体数组，作为该单次试验的一条数据保存；

数据整合步骤，是指将记录的N条数据采用从周期映射到通道名称、通道名称映射到载荷状态、载荷状态映射到具体数组的三层映射结构进行分类排序，得到整合数据；

数据处理步骤，是指针对机械产品在弹性状态下获取的相同通道、相同载荷状态M的一组整合数据，计算该机械产品的应变初始值ε_M,0和应变阈值Δε，再将后续采集的应变测量值进行修正处理后与应变阈值Δε作比较；

异常点判断步骤，是指若修正后的应变测量值ε_i超出应变阈值Δε则视为异常点，对应机械产品可能出现裂纹。

进一步地，数据处理步骤中，计算载荷状态M下的前S次应变测量值分布的期望值ε_M,μ及标准差ε_M,σ，将所得期望值ε_M,μ近似代表该载荷状态M下的应变初始值ε_M,0，将所得标准差ε_M,σ近似描述该载荷状态M下的应变初始值ε_M,0的应变阈值Δε。

进一步地，所述期望值ε_M,μ和标准差ε_M,σ的计算公式分别为：

其中，j代表第j次测量，

ε_M,j代表第j次的应变测量值，

S代表应变测量值的测量次数，

ε_M,μ代表在载荷M下前S次应变值分布的期望值，

ε_M,σ代表在载荷M下前S次应变值分布的标准差。

进一步地，修正后的应变测量值ε_i的计算过程如下：

Δε_M，μ，h＝ε_M，μ，h-ε_M，μ，1，

ε_i＝ε_i，h-Δε_M，μ，h，

其中，

ε_M,μ,_h表示加载在第h阶段的前S个应变值的分布期望值；

ε_M,μ,₁表示加载在第1阶段的前S个应变值的分布期望值；

ε_i,h表示第i次加载处于第h阶段时的应变测量值；

Δε_M,μ,_h表示加载在第h阶段和第1阶段时前S个应变值的分布期望之差；

第1阶段与第h阶段为相同载荷M下相邻的两个不同加载阶段。

进一步地，在所述异常点判断步骤中，采用拉依达准则剔除因实验中的偶然因素造成的噪声点。

进一步地，在所述异常点判断步骤中，计算异常点相对于数据总数的占比，通过设定危险阈值，判断异常点占比是否超出该危险阈值该来预测机械产品是否可能出现裂纹。

进一步地，所述异常点占比α的计算公式和判断准则如下，

α＝n/N，α＜θ

其中，

α是某一载荷状态的异常点占比；

n是某一载荷状态的异常点个数；

N是某一载荷状态的数据总数；

θ是判断某载荷状态是否危险的阈值。

进一步地，所述具体数组中存储有行号、周期号、位移/应变/支反力以及起落信息。

进一步地，所述整合数据按照周期文件夹索引到通道名称文件夹、通道名称文件夹索引到载荷状态文件夹的自定义文件格式进行存储。

本发明的有益效果：本发明所述的数据处理方法，能够将海量的原始乱序试验数据通过三层映射数据结构进行快速分类排序，整合后的数据可通过二层映射结构外挂索引的方式转化为文件或文件夹地址进行保存，在保证能够快速查询数据的同时，压缩了文件的存储数量；基于所述整合数据的趋势判断方法能够尽早地预测并统计出飞机结构可能产生裂纹的部位，为试验人员提供参考。

附图说明

图1原始试验数据的特点。

图2三层映射数据结构。

图3典型金属材料本构曲线。

图4典型金属裂纹尖端变形场。

图5理想情况下的应变值变化历程。

图6载荷谱下应变测量值的理想变化历程。

图7前S次应变测量值的随机分布。

图8典型间歇式试验相同载荷下应变测量值分布。

图9典型相同载荷下处理后应变测量值历程。

具体实施方式

下面结合实施例对本发明作进一步地详细说明，但本发明的实施方式不限于此。

实施例1

本实施例提供了一种机械产品长周期疲劳试验数据处理与趋势预判方法，以三层映射数据结构为基础，对原始试验数据进行分类排序，基于统计学的趋势判断算法预判机械产品疲劳裂纹的产生。

疲劳试验的单条原始试验数据记载有包括通道名称、周期、起落、行号、载荷状态、位移/应变/支反力测试值等信息，而确定一个数据的具体数值需要确定其对应的周期号、通道名称、载荷状态、起落号以及行号，因此如图2所示，本申请将大量的原始试验数据采用周期映射到通道名称、通道名称映射到载荷状态、载荷状态映射到具体数组的三层映射数据结构进行快速分类及排序，所述具体数组中存储有行号、周期号、位移/应变/支反力以及起落信息。

在原始试验数据完全整合后，再对数据进行自定义格式的存储，用于后期的数据查询和分析计算。在三层映射数据结构的基础上，同时考虑便于后续原始数据的查找和添加，因此自定义文件结构可以通过“周期文件夹—通道名称文件夹—载荷状态文件”的方式进行数据存储，将所述的三层映射即转化为文件或文件夹地址。将原通道名称文件夹下的所有载荷状态文件合并到一个通道名称文件中，同时为保证能够快速查询数据对数据文件建立一个索引文件，而索引文件的每一行仅记录载荷状态、数据值数量以及该载荷状态对应的所有数据的长度即可，由此可以在满足快速查询、添加功能的同时，大大压缩数据文件的存储量。

如图3所示，飞机在服役过程中，结构的应力应变水平处于材料的弹性阶段，当结构在相同位置受到相同载荷作用时(即相同通道名称、相同载荷状态)，结构的力学响应相同，其应变值保持不变。随着加载次数的增加，结构发生疲劳破坏，在局部地方会出现裂纹，如图4所示。飞机结构受某一疲劳载荷循环加载，当其从完好状态至出现裂纹为止的加载周期内，某个应变通道在理想情况下所采集到的应变值的变化历程应如图5所示。

结构处于无裂纹的弹性状态时，结构的位移和应变值不随加载次数变化；结构中出现裂纹时，产生塑性变形，结构的位移和应变值随加载次数变大(或者变小)。而对于全机结构而言，局部地方产生微小裂纹时，对应部位的应变值变化幅度要远大于结构位移值，则设置判断结构是否出现裂纹的条件为

|ε_i-ε₀|＞Δε (1)

i＝jNC+(K-1)×NC (2)

式(1)和式(2)中，

ε_i是第i次加载的应变测量值；

ε₀是第1次加载的应变测量值；

Δε是应变阀值，在理想状况下，Δε＝0；

i是加载次数；

jNC是试验载荷谱中的加载序数，在本试验中它等于“行号”；

K是试验载荷谱的加载次数，在本试验中它等于“周期数”；

NC是单个试验周期内的载荷谱对应的总加载次数，在本试验中它等于71774。

通过比较相同载荷在第i次和第1次加载下的应变值变化量来判断结构是否出现裂纹。当该差值大于应变阀值时，认为结构中出现裂纹；当差值小于应变阀值时，则认为结构中没有裂纹。

理论上在弹性范围内(ε_M,i,i)数据组里的ε_M,i是相等的(i表示加载次数，ε_M,i表示载荷状态M下第i次加载的应变值)，但实际上因为加载系统、数据采集系统等的随机性，必然会导致ε_M,i在弹性范围内不相等，具体如图6所示。由此可知应变测量值是个变量，当试验系统稳定工作时，其大小在某一范围内随机变化，那么首次应变测量值ε₀不能代表第M级载荷下的应变初始值ε_M,0。

对于飞机结构，其工作应力应变均处于材料的弹性阶段，结构不会出现刚加载就产生疲劳裂纹的情况，裂纹必然是载荷循环到足够次数后才产生。因此，本方法假设第M级载荷的前S次(S值的大小由试验系统稳定性而定，初始推荐值为10)应变测量值服从某一随机分布，如正态分布(可进行假设检验)，如图7所示，本方法采用第一周期的数据作为基准数据，异常点判断的基本原则是计算数据的均值的“半带宽”，一旦数据超出“半带宽”则认为该点是危险点。

所以本发明采用前S次应变值分布的期望值ε_M,μ近似代表第M级载荷下的应变初始值ε_M,0，标准差ε_M,σ近似描述第M级载荷下的应变初始值ε_M,0的分散带宽，若后续应变测量值超出该分散带，则视为异常点，对应于飞机结构则是其可能出现裂纹。

则

ε_M,0≈ε_M,μ， (4)

前S次应变值分布的标准差ε_M,σ为，

Δε≈ε_M,σ， (6)

根据前期试验信息反馈，全机疲劳试验不是持续不断地连续进行，而是依据实际需要实行间歇性试验，每次重启试验系统后再测量应变值时，相邻两次记录结果之间存在“台阶”式差异，具体如图8所示。由于试验系统的系统误差，相同载荷下不同加载阶段之间的应变测量值呈现“台阶”式分布特点，为了消除系统误差带来的影响，本方法做下列修正处理，

ε_i＝ε_i，h-Δε_M，μ，h， (7)

Δε_M，μ，h＝ε_M，μ，h-ε_M，μ，1， (8)

式(7)、(8)中，

ε_i,h是第i次加载处于第h阶段时的应变测量值；

Δε_M,μ,_h是加载在第h阶段和第1阶段时前S个应变值的分布期望之差；

ε_M,μ,_h是加载在第h阶段的前S个应变值的分布期望值；

ε_M,μ,₁是加载在第1阶段的前S个应变值的分布期望值；

第1阶段与第h阶段为相同载荷M下相邻的两个不同加载阶段。

通过上述修正处理，最终对相同载荷下应变测量值ε_i的历程应如图9所示。

由于实验中的偶然因素造成的测量值属于噪声点，需要在进行疲劳数据分析时忽略，为了在进行疲劳数据分析时滤掉这些噪声点，采用了3σ准则(拉依达准则)。3σ准则是先假设一组检测数据只含有随机误差，对其进行计算处理得到标准偏差，按一定概率确定一个区间，认为凡超过这个区间的误差，就不属于随机误差而是粗大误差，含有该误差的数据应予以剔除。

在滤去噪声点后，由于实验误差的存在，数据仍会有扰动，此时采用异常点占比的方式来判断，若异常点占比α的值大于等于设定阈值，则判断机械产品可能产生疲劳裂纹，判断准则为式(9)，式(10)为求异常点占比α公式。

α＜θ， (9)

α＝n/N， (10)

上式中，

α是某一载荷状态的异常点占比；

n是某一载荷状态的异常点个数；

N是某一载荷状态的数据总数；

θ是判断某载荷状态是否危险的阈值，该阈值由试验者自行确定。

以上所述实施例仅表达了本申请的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请保护范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请技术方案构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。

Claims (8)

1.一种机械产品长周期疲劳试验数据处理与趋势预判方法，其特征在于，包括数据采集步骤，数据整合步骤，数据处理步骤和异常点判断步骤；其中，

数据采集步骤，是指对机械产品进行循环压力加载试验，并记录每个单次试验的周期数、通道名称、载荷状态以及具体数组，作为该单次试验的一条数据保存；

数据整合步骤，是指将记录的N条数据采用从周期映射到通道名称、通道名称映射到载荷状态、载荷状态映射到具体数组的三层映射结构进行分类排序，得到整合数据；

数据处理步骤，是指针对机械产品在弹性状态下获取的相同通道、相同载荷状态M的一组整合数据，计算该机械产品的应变初始值ε_M,0和应变阈值Δε，再将后续采集的应变测量值进行修正处理后与应变阈值Δε作比较；

异常点判断步骤，是指若修正后的应变测量值ε_i超出应变阈值Δε则视为异常点，对应机械产品可能出现裂纹；

所述应变测量值ε_i的修正处理过程如下：

Δε_M，μ，h＝ε_M，μ，h-ε_M，μ，1，

ε_i＝ε_i，h-Δε_M，μ，h，

其中，

ε_M,μ,h表示加载在第h阶段的前S个应变值的分布期望值；

ε_M,μ,1表示加载在第1阶段的前S个应变值的分布期望值；

ε_i,h表示第i次加载处于第h阶段时的应变测量值；

Δε_M,μ,h表示加载在第h阶段和第1阶段时前S个应变值的分布期望之差；

第1阶段与第h阶段为相同载荷M下相邻的两个不同加载阶段。

2.根据权利要求1所述的一种机械产品长周期疲劳试验数据处理与趋势预判方法，其特征在于，在所述数据处理步骤中，计算载荷状态M下的前S次应变测量值分布的期望值ε_M,μ及标准差ε_M,σ，将所得期望值ε_M,μ近似代表该载荷状态M下的应变初始值ε_M,0，将所得标准差ε_M,σ近似描述该载荷状态M下的应变初始值ε_M,0的应变阈值Δε。

3.根据权利要求2所述的一种机械产品长周期疲劳试验数据处理与趋势预判方法，其特征在于，所述期望值ε_M,μ和标准差ε_M,σ的计算公式分别为：

其中，j代表第j次测量，

ε_M,j代表第j次的应变测量值，

S代表应变测量值的测量次数，

ε_M,μ代表在载荷M下前S次应变值分布的期望值，

ε_M,σ代表在载荷M下前S次应变值分布的标准差。

4.根据权利要求1所述的一种机械产品长周期疲劳试验数据处理与趋势预判方法，其特征在于，在所述异常点判断步骤中，采用拉依达准则剔除因实验中的偶然因素造成的噪声点。

5.根据权利要求1或4所述的一种机械产品长周期疲劳试验数据处理与趋势预判方法，其特征在于，在所述异常点判断步骤中，计算异常点相对于数据总数的占比，通过设定危险阈值，判断异常点占比是否超出该危险阈值来预测机械产品是否可能出现裂纹。

6.根据权利要求5所述的一种机械产品长周期疲劳试验数据处理与趋势预判方法，其特征在于，所述异常点占比α的计算公式和判断准则如下，

α＝n/N，α＜θ

其中，

α是某一载荷状态的异常点占比；

n是某一载荷状态的异常点个数；

N是某一载荷状态的数据总数；

θ是判断某载荷状态是否危险的阈值。

7.根据权利要求1所述的一种机械产品长周期疲劳试验数据处理与趋势预判方法，其特征在于，所述具体数组中存储有行号、周期号、位移/应变/支反力以及起落信息。

8.根据权利要求1所述的一种机械产品长周期疲劳试验数据处理与趋势预判方法，其特征在于，所述整合数据按照周期文件夹索引到通道名称文件夹、通道名称文件夹索引到载荷状态文件夹的自定义文件格式进行存储。

Images