CN111598879A - 一种结构疲劳累积损伤评估的方法、系统及设备 - Google Patents
一种结构疲劳累积损伤评估的方法、系统及设备 Download PDFInfo
- Publication number
- CN111598879A CN111598879A CN202010420256.3A CN202010420256A CN111598879A CN 111598879 A CN111598879 A CN 111598879A CN 202010420256 A CN202010420256 A CN 202010420256A CN 111598879 A CN111598879 A CN 111598879A
- Authority
- CN
- China
- Prior art keywords
- fatigue
- model
- structural
- cumulative damage
- value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000012549 training Methods 0.000 claims abstract description 70
- 238000013210 evaluation model Methods 0.000 claims abstract description 64
- 231100000809 Damage Assessment Model Toxicity 0.000 claims abstract description 40
- 238000011156 evaluation Methods 0.000 claims abstract description 31
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 230000001186 cumulative effect Effects 0.000 claims description 130
- 238000012795 verification Methods 0.000 claims description 68
- 238000012545 processing Methods 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 18
- 239000000463 material Substances 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000013526 transfer learning Methods 0.000 claims description 4
- 238000012854 evaluation process Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 238000009825 accumulation Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009661 fatigue test Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- 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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- 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
-
- 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
- G01N2203/02—Details not specific for a particular testing method
- G01N2203/06—Indicating or recording means; Sensing means
- G01N2203/0641—Indicating or recording means; Sensing means using optical, X-ray, ultraviolet, infrared or similar detectors
- G01N2203/0647—Image analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
- G06T2207/10061—Microscopic image from scanning electron microscope
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30204—Marker
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
本申请公开了一种结构疲劳累积损伤评估的方法，包括：获取训练集和待评估结构的图像；利用训练集对预设模型进行训练，得到结构疲劳累积损伤评估模型；根据结构疲劳累积损伤评估模型对待评估结构的图像进行评估，得到待评估结构的疲劳累积损伤值。本申请通过利用训练集对预设模型进行训练，得到结构疲劳累积损伤评估模型，并根据该结构疲劳累积损伤评估模型对待评估结构的图像进行评估，使得得到的疲劳累积损伤值更为精准，提高了结构疲劳累积损伤评估的计算精度；同时不需要对复杂的场强参数进行计算，降低了整个评估过程的评估复杂程度。本申请同时还提供了一种结构疲劳累积损伤评估的系统、设备及可读存储介质，具有上述有益效果。
Description
技术领域
本申请涉及结构疲劳累积损伤评估领域，特别涉及一种结构疲劳累积损伤评估的方法、系统、设备及可读存储介质。
背景技术
疲劳是指材料、零件和构件在循环荷载作用下，在某点或某些点产生局部的永久性损伤，并在一定循环次数后形成裂纹、或裂纹进一步扩展直到完全断裂的现象。服役结构经过长时间的反复荷载作用后，其疲劳累积损伤不断增加，剩余疲劳寿命逐渐降低，疲劳失效将成为结构失效的主要模式之一。因此，对结构的疲劳累积损伤程度进行评估，进而评估结构的剩余疲劳寿命变得极为重要。
传统的评估结构剩余疲劳寿命的方法包括Miner疲劳累积损伤准则和应力场强法。然而，由于结构的历史应力时程难以准确获取，导致Miner疲劳累积损伤准则的计算精度不高；而应力场强法因场强参数计算较为复杂，难以在工程而中广泛应用。
因此，如何提高结构疲劳累积损伤评估的计算精度，并降低评估复杂程度是本领域技术人员目前需要解决的技术问题。
发明内容
本申请的目的是提供一种结构疲劳累积损伤评估的方法、系统、设备及可读存储介质，用于提高结构疲劳累积损伤评估的计算精度，并降低评估复杂程度。
为解决上述技术问题，本申请提供一种结构疲劳累积损伤评估的方法，该方法包括：
获取训练集和待评估结构的图像，所述训练集中包括至少一种材料的试验构件的多张处于不同疲劳累积损伤值的样本图像，每个所述样本图像标注有对应的疲劳累积损伤值；
利用所述训练集对预设模型进行训练，得到结构疲劳累积损伤评估模型；
根据所述结构疲劳累积损伤评估模型对所述待评估结构的图像进行评估，得到所述待评估结构的疲劳累积损伤值。
可选的，在根据所述结构疲劳累积损伤评估模型对所述待评估结构的图像进行评估，得到所述待评估结构的疲劳累积损伤值之前，还包括：
对所述结构疲劳累积损伤评估模型进行验证；
当所述结构疲劳累积损伤评估模型未通过验证时，重复利用所述训练集对所述结构疲劳累积损伤评估模型进行训练，直至所述结构疲劳累积损伤评估模型通过验证；
当所述结构疲劳累积损伤评估模型通过验证时，执行根据所述结构疲劳累积损伤评估模型对所述待评估结构的图像进行评估，得到所述待评估结构的疲劳累积损伤值的步骤。
可选的，对所述结构疲劳累积损伤评估模型进行验证，包括：
获取验证集，所述验证集中包括多张验证样本图像，每张所述验证样本图像具有对应的疲劳累积损伤值；
根据所述结构疲劳累积损伤评估模型对所述验证集中的验证样本图像进行评估，得到每张所述验证样本图像的疲劳累积损伤评估值；
根据每张所述验证样本图像的疲劳累积损伤值、疲劳累积损伤评估值以及所述验证样本图像的总数量计算所述结构疲劳累积损伤评估模型的准确率；
判断所述结构疲劳累积损伤评估模型的准确率是否小于第一阈值；
若是，则确定所述结构疲劳累积损伤评估模型未通过验证；
若否，则确定所述结构疲劳累积损伤评估模型通过验证。
可选的，所述根据每张所述验证样本图像的疲劳累积损伤值、疲劳累积损伤评估值以及所述验证样本图像的总数量计算所述结构疲劳累积损伤评估模型的准确率，包括：
统计所述疲劳累积损伤值和所述疲劳累积损伤评估值的差值的绝对值小于第二阈值的验证样本图像的数量；
确定所述数量与所述验证样本图像的总数量的比值为所述结构疲劳累积损伤评估模型的准确率。
可选的，在利用所述训练集对预设模型进行训练，得到结构疲劳累积损伤评估模型之前，还包括：
对所述训练集中的每个所述样本图像进行预处理。
可选的，所述预处理包括格式转换处理、归一化处理、图像增强处理、滤波处理中的至少一项。
可选的，所述预设模型为Faster R-CNN模型；
利用所述训练集对预设模型进行训练，得到结构疲劳累积损伤评估模型，包括：
基于迁移学习算法利用所述训练集对所述Faster R-CNN模型进行训练，得到所述结构疲劳累积损伤评估模型。
本申请还提供一种结构疲劳累积损伤评估的系统，该系统包括：
获取模块，用于获取训练集和待评估结构的图像，所述训练集中包括至少一种材料的试验构件的多张处于不同疲劳累积损伤值的样本图像，每个所述样本图像标注有对应的疲劳累积损伤值；
训练模块，用于利用所述训练集对预设模型进行训练，得到结构疲劳累积损伤评估模型；
评估模块，用于根据所述结构疲劳累积损伤评估模型对所述待评估结构的图像进行评估，得到所述待评估结构的疲劳累积损伤值。
本申请还提供一种结构疲劳累积损伤评估设备，该结构疲劳累积损伤评估设备包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上述任一项所述结构疲劳累积损伤评估的方法的步骤。
本申请还提供一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述结构疲劳累积损伤评估的方法的步骤。
本申请所提供结构疲劳累积损伤评估的方法，包括：获取训练集和待评估结构的图像，训练集中包括至少一种材料的试验构件的多张处于不同疲劳累积损伤值的样本图像，每个样本图像标注有对应的疲劳累积损伤值；利用训练集对预设模型进行训练，得到结构疲劳累积损伤评估模型；根据结构疲劳累积损伤评估模型对待评估结构的图像进行评估，得到待评估结构的疲劳累积损伤值。
本申请所提供的技术方案，通过利用包括至少一种材料的试验构件的多张处于不同疲劳累积损伤值的样本图像的训练集对预设模型进行训练，得到学习到样本图像疲劳累积损伤值的特征的结构疲劳累积损伤评估模型，并根据该结构疲劳累积损伤评估模型对待评估结构的图像进行评估，使得得到的疲劳累积损伤值更为精准，提高了结构疲劳累积损伤评估的计算精度；同时不需要对复杂的场强参数进行计算，降低了整个评估过程的评估复杂程度。本申请同时还提供了一种结构疲劳累积损伤评估的系统、设备及可读存储介质，具有上述有益效果，在此不再赘述。
附图说明
为了更清楚地说明本申请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简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请实施例所提供的一种结构疲劳累积损伤评估的方法的流程图；
图2为本申请实施例所提供的另一种结构疲劳累积损伤评估的方法的流程图；
图3为图2所提供的另一种结构疲劳累积损伤评估的方法中S201的一种实际表现方式的流程图；
图4为本申请实施例所提供的一种结构疲劳累积损伤评估的系统的结构图；
图5为本申请实施例所提供的另一种结构疲劳累积损伤评估的系统的结构图；
图6为本申请实施例所提供的一种结构疲劳累积损伤评估设备的结构图。
具体实施方式
本申请的核心是提供一种结构疲劳累积损伤评估的方法、系统、设备及可读存储介质，用于提高结构疲劳累积损伤评估的计算精度，并降低评估复杂程度。
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
在工程实际中，疲劳破坏是引起机械系统或构件失效的主要原因之一，据统计，在世界范围内所应用的机械设备中，由于疲劳引起的失效破坏高达70％-90％。疲劳通常发生在承受交变载荷或波动载荷的结构中，它的基本特征是材料在低于其静强度极限的交变应力(或者偶然的短期过载)长期作用下，加上周围环境的影响，其内部缺陷逐渐演化为宏观裂纹，最后由于裂纹扩展而致使结构破坏的过程。
疲劳破坏问题广泛存在于航空飞行器结构、车辆结构、工业厂房、公路桥梁、铁路桥梁、高层及高耸建筑、海洋采油平台钢结构、容器、管道、船舶等等。疲劳破坏通常没有显著的塑性变形，破坏非常突然，常常导致巨大的经济损失，危及生命安全。因此对疲劳寿命估计和可靠性研究十分重要。在疲劳问题研究中，通常用疲劳累积损伤值来定量地描述材料疲劳破坏发展的程度，对于金属材料或结构来说，其功能失效或发生断裂破坏的前提是疲劳累积损伤积累到一定的限度。尽管疲劳累积损伤还没有一个确切的定义，但是可以这样来理解：它是指在疲劳载荷作用下微观裂纹的不断扩展和深化，从而使机件的有效工作面积减小的程度，或者说使承载能力降低的程度。
基于传统的评估结构存在着计算精度不高、评估复杂程度过高的问题，本申请提供了一种结构疲劳累积损伤评估的方法，用于解决上述问题。
请参考图1，图1为本申请实施例所提供的一种结构疲劳累积损伤评估的方法的流程图。
其具体包括如下步骤：
S101：获取训练集和待评估结构的图像；
这里提到的训练集中包括至少一种材料的试验构件的多张处于不同疲劳累积损伤值的样本图像，每个样本图像标注有对应的疲劳累积损伤值；
构件是系统中实际存在的可更换部分，在工程实际操纵中，各种机械与结构得到广泛应用，组成机械与结构的零、构件，在工程力学中统称为构件，这里提到的试验构件即为用于进行试验的构件；
可选的，在本实施例中，试验构件可以采用与待评估结构相同的材料，将标注有对应的疲劳累积损伤值的试验构件的样本图像输入预设模型进行训练，进而建立疲劳累积损伤值和图片特征之间的对应关系；
可选的，在本实施例中，试验构件也可采用任意一种结构，可以先建立试验构件疲劳累积损伤值和图片特征之间的对应关系，进行分析比对后采用深度学习建立待评估结构额疲劳累积损伤值和图片特征之间的对应关系。
可选的，在实际应用中，样本图像的疲劳累积损伤值可先通过疲劳加载试验与经验理论分析相结合的确定性方法进行获取；
可选的，在实际应用中，可预先制作大量至少包括一种材料的试验构件，然后利用图像采集设备采集试验构件的样本图像，进一步，其具体可以为：在疲劳试验中处于不同循环加载次数，直至结构发生疲劳破坏后，进而通过与经验理论分析相结合求出不同疲劳累积损伤值下的图像；疲劳累积损伤值越丰富、样本图像越多，则训练得到的结构疲劳评估模型的评估准确度和精度越高。
可选的，在本实施例中，图像采集设备可为数码显微镜(Digital Microscope，DM)，DM能定量放大拍摄倍数，有效捕捉材料局部特征，准确地表现出结构的亮度和色彩范围，输出高质量的图片；当然，也可采用其他图像采集设备，本申请对此不做任何限定。
可选的，在实际应用中，可采用任何一种图像采集设备采集待评估结构的图像，然后将采集得到的图像发送至系统。
可选的，在实际应用中，采集样本图像和待评估结构图像可通过设置图像采集设备和图像采集卡；图像采集卡用于将图像信号经过采样量化为图像的数字信号，然后把数字式视频信号送到帧存储器或计算机存储器中进行处理，采用图像采集卡的方式可以实现很高的采样和传输速度，进而达到很高的分辨率和实时性。
S102：利用训练集对预设模型进行训练，得到结构疲劳累积损伤评估模型；
可选的，这里提到的预设模型具体可以为Faster R-CNN模型，也可以为其他深度学习模型；
当预设模型为Faster R-CNN模型时，这里提到的利用训练集对预设模型进行训练，得到结构疲劳累积损伤评估模型，其具体可以为：
基于迁移学习算法利用训练集对Faster R-CNN模型进行训练，得到结构疲劳累积损伤评估模型。
Faster R-CNN模型将特征抽取、特征提取、边框回归、特征分类等功能都整合在了一个网络中，使得综合性能有较大提高，能够提高结构疲劳累积损伤评估的速度。
可选的，在利用训练集对预设模型进行训练，得到结构疲劳累积损伤评估模型之前，还可以对训练集中的每个样本图像进行预处理，以提高样本图像的精度，进而提高结构疲劳累积损伤评估的计算精度；
进一步的，该预处理可以包括格式转换处理、归一化处理、图像增强处理、滤波处理中的至少一项；
例如，可以将训练集中的各样本图像转换为便于深度学习格式的数据集，具体可为VOC 2007格式，以作为各样本图像的疲劳累积损伤程度图像特征。
S103：根据结构疲劳累积损伤评估模型对待评估结构的图像进行评估，得到待评估结构的疲劳累积损伤值。
可选的，在实际应用中，可以将实时采集的待评估结构的图像通过有线或无线连接传输到训练好的结构疲劳累积损伤评估模型中，结构疲劳累积损伤评估模型输出的结果即为待评估结构的疲劳累积损伤程度，再通过理论分析公式对评估结构的剩余疲劳寿命进行计算。
基于上述技术方案，本申请所提供的一种结构疲劳累积损伤评估的方法，通过利用包括至少一种材料的试验构件的多张处于不同疲劳累积损伤值的样本图像的训练集对预设模型进行训练，得到学习到样本图像疲劳累积损伤值的特征的结构疲劳累积损伤评估模型，并根据该结构疲劳累积损伤评估模型对待评估结构的图像进行评估，使得得到的疲劳累积损伤值更为精准，提高了结构疲劳累积损伤评估的计算精度；同时不需要对复杂的场强参数进行计算，降低了整个评估过程的评估复杂程度。
针对于上一实施例，在执行步骤S102根据结构疲劳累积损伤评估模型对待评估结构的图像进行评估，得到待评估结构的疲劳累积损伤值之前，还可以执行图2所示的步骤，下面结合图2进行说明。
请参考图2，图2为本申请实施例所提供的另一种结构疲劳累积损伤评估的方法的流程图。
其具体包括以下步骤：
S201：对结构疲劳累积损伤评估模型进行验证；
当结构疲劳累积损伤评估模型通过验证时，执行步骤S102；
当结构疲劳累积损伤评估模型未通过验证时，执行步骤S202重复利用训练集对结构疲劳累积损伤评估模型进行训练，直至结构疲劳累积损伤评估模型通过验证；
可选的，在对结构疲劳累积损伤评估模型进行重复训练时，还可以增加训练集中的样本图像，以提高结构疲劳累积损伤评估模型的评估精度，在实际应用中，增加的样本图像张数可根据结构疲劳累积损伤评估模型的准确率和所需求的评估精度进行确定。
可选的，这里提到的对结构疲劳累积损伤评估模型进行验证，其具体可以通过执行图3所示的步骤实现，下面请参考图3，图3为图2所提供的另一种结构疲劳累积损伤评估的方法中S201的一种实际表现方式的流程图，其具体包括以下步骤：
S301：获取验证集，验证集中包括多张验证样本图像，每张验证样本图像具有对应的疲劳累积损伤值；
S302：根据结构疲劳累积损伤评估模型对验证集中的验证样本图像进行评估，得到每张验证样本图像的疲劳累积损伤评估值；
S303：根据每张验证样本图像的疲劳累积损伤值、疲劳累积损伤评估值以及验证样本图像的总数量计算结构疲劳累积损伤评估模型的准确率；
可选的，在实际应用中，对于一些要求精度不高的应用场景，疲劳累积损伤评估值和疲劳累积损伤值的差值在可允许的偏差时，可认为疲劳累积损伤评估值和疲劳累积损伤值相当，也即可默认误差不存在。
可选的，这里提到的根据每张验证样本图像的疲劳累积损伤值、疲劳累积损伤评估值以及验证样本图像的总数量计算结构疲劳累积损伤评估模型的准确率，其具体可以为：
统计疲劳累积损伤值和疲劳累积损伤评估值的差值的绝对值小于第二阈值的验证样本图像的数量；
确定该数量与验证样本图像的总数量的比值为结构疲劳累积损伤评估模型的准确率；
进一步的，也可统计疲劳累积损伤值和疲劳累积损伤评估值的差值的绝对值大于第二阈值的验证样本图像的数量，然后确定该数量与验证样本图像的总数量的比值与1的差值的绝对值为结构疲劳累积损伤评估模型的准确率。
S304：判断结构疲劳累积损伤评估模型的准确率是否小于第一阈值；
若是，则进入步骤S305；若否，则进入步骤S306。
S305：确定结构疲劳累积损伤评估模型未通过验证；
S306：确定结构疲劳累积损伤评估模型通过验证。
本申请实施例通过判断结构疲劳累积损伤评估模型的准确率是否小于第一阈值来确定结构疲劳累积损伤评估模型是否通过验证，降低了验证的复杂度。
S202：重复利用训练集对结构疲劳累积损伤评估模型进行训练，直至结构疲劳累积损伤评估模型通过验证。
基于上述技术方案，本申请实施例在根据结构疲劳累积损伤评估模型对待评估结构的图像进行评估，得到待评估结构的疲劳累积损伤值之前，对结构疲劳累积损伤评估模型进行验证，并只在结构疲劳累积损伤评估模型通过验证后才对待评估结构的图像进行评估，使得得到的疲劳累积损伤值更为精准，提高了结构疲劳累积损伤评估的计算精度。
请参考图4，图4为本申请实施例所提供的一种结构疲劳累积损伤评估的系统的结构图。
该系统可以包括：
获取模块100，用于获取训练集和待评估结构的图像，训练集中包括至少一种材料的试验构件的多张处于不同疲劳累积损伤值的样本图像，每个样本图像标注有对应的疲劳累积损伤值；
训练模块200，用于利用训练集对预设模型进行训练，得到结构疲劳累积损伤评估模型；
评估模块300，用于根据结构疲劳累积损伤评估模型对待评估结构的图像进行评估，得到待评估结构的疲劳累积损伤值。
请参考图5，图5为本申请实施例所提供的另一种结构疲劳累积损伤评估的系统的结构图。
该系统还可以包括：
验证模块，用于对结构疲劳累积损伤评估模型进行验证；当结构疲劳累积损伤评估模型未通过验证时，重复利用训练集对结构疲劳累积损伤评估模型进行训练，直至结构疲劳累积损伤评估模型通过验证；当结构疲劳累积损伤评估模型通过验证时，执行根据结构疲劳累积损伤评估模型对待评估结构的图像进行评估，得到待评估结构的疲劳累积损伤值的步骤。
该验证模块可以包括：
获取子模块，用于获取验证集，验证集中包括多张验证样本图像，每张验证样本图像具有对应的疲劳累积损伤值；
评估子模块，用于根据结构疲劳累积损伤评估模型对验证集中的验证样本图像进行评估，得到每张验证样本图像的疲劳累积损伤评估值；
计算子模块，用于根据每张验证样本图像的疲劳累积损伤值、疲劳累积损伤评估值以及验证样本图像的总数量计算结构疲劳累积损伤评估模型的准确率；
判断子模块，用于判断结构疲劳累积损伤评估模型的准确率是否小于第一阈值；
第一确定子模块，用于当结构疲劳累积损伤评估模型的准确率小于第一阈值时，确定结构疲劳累积损伤评估模型未通过验证；
第二确定子模块，用于当结构疲劳累积损伤评估模型的准确率大于或等于第一阈值时，确定结构疲劳累积损伤评估模型通过验证。
该评估子模块可以包括：
统计单元，用于统计疲劳累积损伤值和疲劳累积损伤评估值的差值的绝对值小于第二阈值的验证样本图像的数量；
确定单元，用于确定数量与验证样本图像的总数量的比值为结构疲劳累积损伤评估模型的准确率。
该系统还可以包括：
预处理模块，用于对训练集中的每个样本图像进行预处理。
进一步的，该预处理包括格式转换处理、归一化处理、图像增强处理、滤波处理中的至少一项。
该训练模块200可以包括：
训练子模块，用于当预设模型为Faster R-CNN模型时，基于迁移学习算法利用训练集对Faster R-CNN模型进行训练，得到结构疲劳累积损伤评估模型。
由于系统部分的实施例与方法部分的实施例相互对应，因此系统部分的实施例请参见方法部分的实施例的描述，这里暂不赘述。
请参考图6，图6为本申请实施例所提供的一种结构疲劳累积损伤评估设备的结构图。
该结构疲劳累积损伤评估设备600可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)622(例如，一个或一个以上处理器)和存储器632，一个或一个以上存储应用程序642或数据644的存储介质630(例如一个或一个以上海量存储设备)。其中，存储器632和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对装置中的一系列指令操作。更进一步地，处理器622可以设置为与存储介质630通信，在结构疲劳累积损伤评估设备600上执行存储介质630中的一系列指令操作。
结构疲劳累积损伤评估设备600还可以包括一个或一个以上电源626，一个或一个以上有线或无线网络接口650，一个或一个以上输入输出接口658，和/或，一个或一个以上操作系统641，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等等。
上述图1至图3所描述的结构疲劳累积损伤评估的方法中的步骤由结构疲劳累积损伤评估设备基于该图6所示的结构实现。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置、设备和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，功能调用装置，或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上对本申请所提供的一种结构疲劳累积损伤评估的方法、系统、设备及可读存储介质进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种结构疲劳累积损伤评估的方法，其特征在于，包括：
获取训练集和待评估结构的图像，所述训练集中包括至少一种材料的试验构件的多张处于不同疲劳累积损伤值的样本图像，每个所述样本图像标注有对应的疲劳累积损伤值；
利用所述训练集对预设模型进行训练，得到结构疲劳累积损伤评估模型；
根据所述结构疲劳累积损伤评估模型对所述待评估结构的图像进行评估，得到所述待评估结构的疲劳累积损伤值。
2.根据权利要求1所述的方法，其特征在于，在根据所述结构疲劳累积损伤评估模型对所述待评估结构的图像进行评估，得到所述待评估结构的疲劳累积损伤值之前，还包括：
对所述结构疲劳累积损伤评估模型进行验证；
当所述结构疲劳累积损伤评估模型未通过验证时，重复利用所述训练集对所述结构疲劳累积损伤评估模型进行训练，直至所述结构疲劳累积损伤评估模型通过验证；
当所述结构疲劳累积损伤评估模型通过验证时，执行根据所述结构疲劳累积损伤评估模型对所述待评估结构的图像进行评估，得到所述待评估结构的疲劳累积损伤值的步骤。
3.根据权利要求2所述的方法，其特征在于，对所述结构疲劳累积损伤评估模型进行验证，包括：
获取验证集，所述验证集中包括多张验证样本图像，每张所述验证样本图像具有对应的疲劳累积损伤值；
根据所述结构疲劳累积损伤评估模型对所述验证集中的验证样本图像进行评估，得到每张所述验证样本图像的疲劳累积损伤评估值；
根据每张所述验证样本图像的疲劳累积损伤值、疲劳累积损伤评估值以及所述验证样本图像的总数量计算所述结构疲劳累积损伤评估模型的准确率；
判断所述结构疲劳累积损伤评估模型的准确率是否小于第一阈值；
若是，则确定所述结构疲劳累积损伤评估模型未通过验证；
若否，则确定所述结构疲劳累积损伤评估模型通过验证。
4.根据权利要求3所述的方法，其特征在于，所述根据每张所述验证样本图像的疲劳累积损伤值、疲劳累积损伤评估值以及所述验证样本图像的总数量计算所述结构疲劳累积损伤评估模型的准确率，包括：
统计所述疲劳累积损伤值和所述疲劳累积损伤评估值的差值的绝对值小于第二阈值的验证样本图像的数量；
确定所述数量与所述验证样本图像的总数量的比值为所述结构疲劳累积损伤评估模型的准确率。
5.根据权利要求1所述的方法，其特征在于，在利用所述训练集对预设模型进行训练，得到结构疲劳累积损伤评估模型之前，还包括：
对所述训练集中的每个所述样本图像进行预处理。
6.根据权利要求5所述的方法，其特征在于，所述预处理包括格式转换处理、归一化处理、图像增强处理、滤波处理中的至少一项。
7.根据权利要求1-6任一项所述的方法，其特征在于，所述预设模型为Faster R-CNN模型；
利用所述训练集对预设模型进行训练，得到结构疲劳累积损伤评估模型，包括：
基于迁移学习算法利用所述训练集对所述Faster R-CNN模型进行训练，得到所述结构疲劳累积损伤评估模型。
8.一种结构疲劳累积损伤评估的系统，其特征在于，包括：
获取模块，用于获取训练集和待评估结构的图像，所述训练集中包括至少一种材料的试验构件的多张处于不同疲劳累积损伤值的样本图像，每个所述样本图像标注有对应的疲劳累积损伤值；
训练模块，用于利用所述训练集对预设模型进行训练，得到结构疲劳累积损伤评估模型；
评估模块，用于根据所述结构疲劳累积损伤评估模型对所述待评估结构的图像进行评估，得到所述待评估结构的疲劳累积损伤值。
9.一种结构疲劳累积损伤评估设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至7任一项所述结构疲劳累积损伤评估的方法的步骤。
10.一种可读存储介质，其特征在于，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述结构疲劳累积损伤评估的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010420256.3A CN111598879A (zh) | 2020-05-18 | 2020-05-18 | 一种结构疲劳累积损伤评估的方法、系统及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010420256.3A CN111598879A (zh) | 2020-05-18 | 2020-05-18 | 一种结构疲劳累积损伤评估的方法、系统及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111598879A true CN111598879A (zh) | 2020-08-28 |
Family
ID=72182908
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010420256.3A Pending CN111598879A (zh) | 2020-05-18 | 2020-05-18 | 一种结构疲劳累积损伤评估的方法、系统及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111598879A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111795978A (zh) * | 2020-09-08 | 2020-10-20 | 湖南大学 | 一种钢桥结构健康状态评估方法、装置、设备及存储介质 |
| CN112100731A (zh) * | 2020-11-16 | 2020-12-18 | 湖南大学 | 一种疲劳荷载计算模型的建立方法及系统 |
| CN112446612A (zh) * | 2020-11-25 | 2021-03-05 | 大连理工大学 | 一种软刚臂系泊系统连接结构的损伤评估系统及评估方法 |
| CN113049376A (zh) * | 2021-03-10 | 2021-06-29 | 华东理工大学 | 一种用于过热器管板的蠕变疲劳损伤评估方法 |
| CN115077832A (zh) * | 2022-07-28 | 2022-09-20 | 西安交通大学 | 一种飞机耐高温构件三维表面振动疲劳损伤测量方法 |
| CN117150685A (zh) * | 2023-10-26 | 2023-12-01 | 国合通用(青岛)测试评价有限公司 | 一种紧固螺栓的疲劳寿命评估系统及方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2018031610A (ja) * | 2016-08-23 | 2018-03-01 | 株式会社日立製作所 | 累積疲労損傷度推定システムまたは累積疲労損傷度推定方法 |
| CN109118482A (zh) * | 2018-08-07 | 2019-01-01 | 腾讯科技（深圳）有限公司 | 一种面板缺陷分析方法、装置及存储介质 |
| CN109800708A (zh) * | 2018-12-13 | 2019-05-24 | 程琳 | 基于深度学习的航空发动机孔探图像损伤智能识别方法 |
| CN109858551A (zh) * | 2019-01-31 | 2019-06-07 | 湖南大学 | 基于图像识别检测结构应力的方法、装置、设备及介质 |
| CN110147781A (zh) * | 2019-05-29 | 2019-08-20 | 重庆交通大学 | 基于机器学习的桥梁振动模态可视化损伤识别方法 |
-
2020
- 2020-05-18 CN CN202010420256.3A patent/CN111598879A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2018031610A (ja) * | 2016-08-23 | 2018-03-01 | 株式会社日立製作所 | 累積疲労損傷度推定システムまたは累積疲労損傷度推定方法 |
| CN109118482A (zh) * | 2018-08-07 | 2019-01-01 | 腾讯科技（深圳）有限公司 | 一种面板缺陷分析方法、装置及存储介质 |
| CN109800708A (zh) * | 2018-12-13 | 2019-05-24 | 程琳 | 基于深度学习的航空发动机孔探图像损伤智能识别方法 |
| CN109858551A (zh) * | 2019-01-31 | 2019-06-07 | 湖南大学 | 基于图像识别检测结构应力的方法、装置、设备及介质 |
| CN110147781A (zh) * | 2019-05-29 | 2019-08-20 | 重庆交通大学 | 基于机器学习的桥梁振动模态可视化损伤识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 周素霞: "《高速列车空心车轴损伤容限理论与方法研究》", 中国铁道出版社, pages: 61 - 67 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111795978A (zh) * | 2020-09-08 | 2020-10-20 | 湖南大学 | 一种钢桥结构健康状态评估方法、装置、设备及存储介质 |
| CN111795978B (zh) * | 2020-09-08 | 2020-12-04 | 湖南大学 | 一种钢桥结构健康状态评估方法、装置、设备及存储介质 |
| CN112100731A (zh) * | 2020-11-16 | 2020-12-18 | 湖南大学 | 一种疲劳荷载计算模型的建立方法及系统 |
| CN112100731B (zh) * | 2020-11-16 | 2021-03-02 | 湖南大学 | 一种疲劳荷载计算模型的建立方法及系统 |
| CN112446612A (zh) * | 2020-11-25 | 2021-03-05 | 大连理工大学 | 一种软刚臂系泊系统连接结构的损伤评估系统及评估方法 |
| CN112446612B (zh) * | 2020-11-25 | 2024-07-05 | 大连理工大学 | 一种软刚臂系泊系统连接结构的损伤评估系统的评估方法 |
| CN113049376A (zh) * | 2021-03-10 | 2021-06-29 | 华东理工大学 | 一种用于过热器管板的蠕变疲劳损伤评估方法 |
| CN113049376B (zh) * | 2021-03-10 | 2022-05-17 | 华东理工大学 | 一种用于过热器管板的蠕变疲劳损伤评估方法 |
| CN115077832A (zh) * | 2022-07-28 | 2022-09-20 | 西安交通大学 | 一种飞机耐高温构件三维表面振动疲劳损伤测量方法 |
| CN115077832B (zh) * | 2022-07-28 | 2022-11-08 | 西安交通大学 | 一种飞机耐高温构件三维表面振动疲劳损伤测量方法 |
| CN117150685A (zh) * | 2023-10-26 | 2023-12-01 | 国合通用(青岛)测试评价有限公司 | 一种紧固螺栓的疲劳寿命评估系统及方法 |
| CN117150685B (zh) * | 2023-10-26 | 2024-02-06 | 国合通用(青岛)测试评价有限公司 | 一种紧固螺栓的疲劳寿命评估系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111598879A (zh) | 一种结构疲劳累积损伤评估的方法、系统及设备 | |
| US11276158B2 (en) | Method and apparatus for inspecting corrosion defect of ladle | |
| CN115618269B (zh) | 基于工业传感器生产的大数据分析方法及系统 | |
| CN110852001A (zh) | 一种基于图像处理的桥梁结构安全评估方法 | |
| CN113554624B (zh) | 异常检测方法、装置及计算机存储介质 | |
| CN117314397B (zh) | 基于桥梁搭建下的安全巡检方法、电子设备及存储介质 | |
| CN114169054A (zh) | 公路桥梁地震易损性分析方法、装置及终端设备 | |
| CN109840891A (zh) | 一种智能夹片式锚具及预应力监测方法及检测系统、终端 | |
| CN112990583A (zh) | 一种数据预测模型的入模特征确定方法及设备 | |
| Pham‐Bao et al. | Energy dissipation‐based material deterioration assessment using random decrement technique and convolutional neural network: A case study of Saigon bridge in Ho Chi Minh City, Vietnam | |
| Davoudi et al. | Computer vision based inspection approach to predict damage state and load level for RC members | |
| Mollineaux et al. | Structural health monitoring of progressive damage | |
| Yang et al. | Continuous video stream pixel sensor: A CNN‐LSTM based deep learning approach for mode shape prediction | |
| CN117437200A (zh) | 钢丝表面异常检测方法、装置、设备及存储介质 | |
| CN117252050A (zh) | 一种用于随机振动的可靠度计算方法及系统 | |
| CN111814906A (zh) | 快递面单识别模型移植方法、装置、设备及存储介质 | |
| CN111523322A (zh) | 需求文档质量评价模型训练方法及需求文档质量评价方法 | |
| CN114880182B (zh) | 监控平台测试方法、装置、电子设备和可读存储介质 | |
| CN115436037A (zh) | 基于ssi参数识别的输电杆塔健康状态判别方法及装置 | |
| CN114242182A (zh) | 沙漠砂混凝土强度预测方法、装置、设备及存储介质 | |
| Guo et al. | A predictive Hidden semi-Markov Model for bridges subject to chloride-induced deterioration | |
| CN111274709A (zh) | 基于贝叶斯策略的产品可靠性分析方法及存储介质 | |
| CN117421965B (zh) | 基于无人机技术的震后桥梁检测方法及系统 | |
| CN114092767B (zh) | 基于机器学习的岩石破坏形态预测方法及系统 | |
| Wang et al. | Multicategory fire damage detection of post‐fire reinforced concrete structural components |
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 |