CN111611654B - 一种铆接结构的疲劳预测方法、装置及设备、存储介质 - Google Patents

一种铆接结构的疲劳预测方法、装置及设备、存储介质 Download PDF

Info

Publication number
CN111611654B
CN111611654B CN202010300353.9A CN202010300353A CN111611654B CN 111611654 B CN111611654 B CN 111611654B CN 202010300353 A CN202010300353 A CN 202010300353A CN 111611654 B CN111611654 B CN 111611654B
Authority
CN
China
Prior art keywords
fatigue
crack
neural network
physical mechanism
characteristic parameter
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
Application number
CN202010300353.9A
Other languages
English (en)
Other versions
CN111611654A (zh
Inventor
李彦夫
姜珊
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.)
Zhiwei Technology Zhuhai Co ltd
Original Assignee
Tsinghua University
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 Tsinghua University filed Critical Tsinghua University
Priority to CN202010300353.9A priority Critical patent/CN111611654B/zh
Publication of CN111611654A publication Critical patent/CN111611654A/zh
Application granted granted Critical
Publication of CN111611654B publication Critical patent/CN111611654B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computer Hardware Design (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

一种铆接结构的疲劳预测方法、装置及设备、存储介质，该铆接结构的疲劳预测方法包括：获取激励信号通过铆接结构后产生的接收信号，以及对应的裂纹长度数据；根据接收信号获取疲劳特征参数；利用疲劳特征参数及对应的裂纹长度数据，训练神经网络模型，并在获取新数据后更新神经网络模型；以预设加载周期在铆接结构施加载荷后，根据所述神经网络模型，得到裂纹长度；根据不同加载周期下所得的裂纹长度以及施加的载荷确定裂纹扩展的物理机理模型；根据物理机理模型进行疲劳预测。本实施例提供的方案，使用神经网络来考虑真实数据中所包含的疲劳损伤信息，根据神经网络模型的结果建立物理机理模型预测未来的疲劳裂纹扩展趋势，提高了预测的准确性。

Description

一种铆接结构的疲劳预测方法、装置及设备、存储介质
技术领域
本申请实施例涉及但不限于一种铆接结构的疲劳预测方法、装置及设备、存储介质。
背景技术
铆接连接件是一种在工程结构中应用广泛的机械连接形式，疲劳是铆接结构主要的失效形式，铆钉孔周围应力集中，长期循环加载将导致微裂纹的萌生和扩展，最终导致连接结构的失效，影响机械装备的运行，甚至造成灾难性后果。因此，铆接结构疲劳寿命的研究，对机械结构的设计改进、故障检测、健康管理、保障维护等工作有重要的意义，从而有利于降低突发故障带来的人员伤亡与经济损失。
发明内容
本申请实施例提供了一种铆接结构的疲劳预测方法、装置及设备、存储介质，可以实现铆接结构的疲劳预测。
一方面，本申请实施例提供了一种铆接结构的疲劳预测方法，包括：
获取第一激励信号通过铆接结构后产生的接收信号，以及对应的裂纹长度数据；根据所述接收信号获取第一疲劳特征参数；利用所述第一疲劳特征参数及对应的裂纹长度数据，训练神经网络模型，并在获取新的疲劳特征参数及对应的裂纹长度数据后更新所述神经网络模型；
以预设加载周期在待预测的铆接结构施加载荷后，获取第二激励信号通过所述待预测铆接结构后产生的监测信号；根据所述监测信号获取第二疲劳特征参数；将所述第二疲劳特征参数输入到所述神经网络模型，得到裂纹长度；
根据不同加载周期下所得的所述裂纹长度以及施加的载荷确定裂纹扩展的物理机理模型；
根据所述物理机理模型进行疲劳预测。
在一示例性实施例中，根据所述接收信号获取第一疲劳特征参数，或者，根据所述监测信号获取第二疲劳特征参数，包括：
对所述第一激励信号和所述接收信号进行预处理后，获取第一疲劳特征参数，所述预处理包括获取所述第一激励信号的中心频率，以及，对所述接收信号进行降噪；
或者，对所述第二激励信号和所述监测信号进行预处理后，获取第二疲劳特征参数，所述预处理包括获取所述第二激励信号的中心频率，以及，对所述监测信号进行降噪。
在一示例性实施例中，所述第一疲劳特征参数或第二疲劳特征参数包括nj，还包括以下至少之一：
Figure BDA0002453766310000021
Figure BDA0002453766310000022
其中，nj为第j次观测时在所述铆接结构上加载载荷的加载周期数，x1.j，x2.j为第j次观测的特征量，
Figure BDA0002453766310000023
为加载周期为nω时所述激励信号首个波峰传播至接收传感器时所对应的幅值，
Figure BDA0002453766310000024
为加载周期为nω时所述激励信号首个波峰传播至接收传感器时所对应的时刻，当加载周期为n1时，x1.1＝0并且x2.1＝0，所述接收传感器为接收所述监测信号的传感器。
在一示例性实施例中，所述神经网络模型为贝叶斯正则化前馈神经网络模型。根据预先存储的信号计算疲劳特征参数，使用所述疲劳特征参数和对应的裂纹长度数据训练该神经网络模型，如果获取了新的信号和对应的裂纹长度数据，则使用新获取的数据更新该神经网络模型中的参数。
在一示例性实施例中，所述根据不同加载周期下所得的所述裂纹长度以及施加的载荷确定裂纹扩展的物理机理模型包括：
将物理机理模型
Figure BDA0002453766310000031
取对数，得到：
log(da/dN)＝log[C×(1-R)2]+m×log[ΔK/(1-R)]
根据不同加载周期下所得的所述裂纹长度以及施加的载荷确定log(da/dN)和log[ΔK/(1-R)]，拟合得到所述C，m；
其中，
Figure BDA0002453766310000032
为裂纹扩展速率，Kmax为载荷峰值应力强度因子，ΔK为应力强度因子幅值，C，m为拟合参数；其中，
Figure BDA0002453766310000033
Figure BDA0002453766310000034
R＝σmax/σmin，σmax为载荷峰值，σmin为载荷谷值，a为裂纹长度，Y为已知的几何因子。
在一示例性实施例中，根据所述物理机理模型进行疲劳预测包括以下至少之一：
根据所述物理机理模型预测裂纹扩展趋势；
根据所述物理机理模型预测所述待预测的铆接结构的剩余寿命：
Figure BDA0002453766310000035
其中，NRUL(n)表示加载周期为n时的疲劳剩余寿命，a0为所述待预测的铆接结构的初始裂纹长度，ac为所述待预测的铆接结构的裂纹长度阈值。
又一方面，本申请实施例提供一种铆接结构的疲劳预测装置，包括：
神经网络模型构建模块，设置为获取第一激励信号通过铆接结构后产生的接收信号，以及对应的裂纹长度数据；根据所述接收信号获取第一疲劳特征参数；利用所述第一疲劳特征参数及对应的裂纹长度数据，训练神经网络模型，并在获取新的疲劳特征参数及对应的裂纹长度数据后更新所述神经网络模型；
特征提取模块，设置为以预设加载周期在待预测的铆接结构施加载荷后，获取第二激励信号通过所述待预测铆接结构后产生的监测信号；根据所述监测信号获取第二疲劳特征参数；
裂纹长度获取模块，设置为将所述第二疲劳特征参数输入到所述神经网络模型，得到裂纹长度；
物理机理模型确定模块，设置为根据不同加载周期下所得的所述裂纹长度以及施加的载荷确定裂纹扩展的物理机理模型；
疲劳预测模块，设置为根据所述物理机理模型进行疲劳预测。
在一示例性实施例中，所述物理机理模型确定模块根据不同加载周期下所得的所述裂纹长度以及施加的载荷确定裂纹扩展的物理机理模型包括：
将物理机理模型
Figure BDA0002453766310000041
取对数，得到：
log(da/dN)＝log[C×(1-R)2]+m×log[ΔK/(1-R)]
根据不同加载周期下所得的所述裂纹长度以及施加的载荷确定log(da/dN)和log[ΔK/(1-R)]，拟合得到所述C，m；
其中，
Figure BDA0002453766310000042
为裂纹扩展速率，Kmax为载荷峰值应力强度因子，ΔK为应力强度因子幅值，C，m为拟合参数；其中，
Figure BDA0002453766310000043
Figure BDA0002453766310000044
R＝σmax/σmin，σmax为载荷峰值，σmin为载荷谷值，a为裂纹长度，Y为已知的几何因子。
又一方面，本申请实施例提供一种铆接结构的疲劳预测设备，包括存储器和处理器，所述存储器存储有程序，所述程序在被所述处理器读取执行时，实现上述铆接结构的疲劳预测方法。
又一方面，本申请实施例一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实上述铆接结构的疲劳预测方法。
与相关技术相比，本申请实施例包括一种铆接结构的疲劳预测方法，获取第一激励信号通过铆接结构后产生的接收信号，以及对应的裂纹长度数据；根据所述接收信号获取第一疲劳特征参数；利用所述第一疲劳特征参数及对应的裂纹长度数据，训练神经网络模型，并在获取新的疲劳特征参数及对应的裂纹长度数据后更新所述神经网络模型；以预设加载周期在待预测的铆接结构施加载荷后，获取第二激励信号通过所述待预测铆接结构后产生的监测信号；根据所述监测信号获取第二疲劳特征参数；将所述第二疲劳特征参数输入到所述神经网络模型，得到裂纹长度；根据不同加载周期下所得的所述裂纹长度以及施加的载荷确定裂纹扩展的物理机理模型；根据所述物理机理模型进行疲劳预测。
本实施例提供的方案，使用神经网络模型来考虑真实数据中所包含的疲劳损伤信息，根据神经网络模型所得的结果建立物理机理模型，根据物理机理模型预测未来的疲劳裂纹扩展趋势，结合了神经网络和物理机理模型二者的优势，能够给出比较准确的预测结果。
本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解。本申请的其他优点可通过在说明书以及附图中所描述的方案来实现和获得。
附图说明
附图用来提供对本申请技术方案的理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本申请的技术方案，并不构成对本申请技术方案的限制。
图1为本申请实施例提供的铆接结构的疲劳预测方法流程图；
图2为本申请实施例提供的铆接结构的疲劳预测方法计算流程图；
图3为本申请实施例提供的前馈神经网络示意图；
图4为本申请实施例提供的铆接结构的疲劳预测方法计算流程图；
图5为本申请实施例第4个样本在周期数为65001周时的原始信号数据示意图；
图6为本申请实施例小波包分解结构图；
图7为本申请实施例第4个样本在周期数为65001周时的降噪后信号数据示意图；
图8为本申请实施例第4个样本激励信号传播至接收传感器时的波包示意图；
图9为本申请实施例提供的拟合曲线示意图；
图10为本申请实施例疲劳剩余寿命预测结果示意图；
图11为本申请实施例提供的铆接结构的疲劳预测装置框图；
图12为本申请实施例提供的铆接结构的疲劳预测设备框图；
图13为本申请实施例提供的计算机可读存储介质框图。
具体实施方式
本申请描述了多个实施例，但是该描述是示例性的，而不是限制性的，并且对于本领域的普通技术人员来说显而易见的是，在本申请所描述的实施例包含的范围内可以有更多的实施例和实现方案。尽管在附图中示出了许多可能的特征组合，并在具体实施方式中进行了讨论，但是所公开的特征的许多其它组合方式也是可能的。除非特意加以限制的情况以外，任何实施例的任何特征或元件可以与任何其它实施例中的任何其他特征或元件结合使用，或可以替代任何其它实施例中的任何其他特征或元件。
本申请包括并设想了与本领域普通技术人员已知的特征和元件的组合。本申请已经公开的实施例、特征和元件也可以与任何常规特征或元件组合，以形成由权利要求限定的独特的发明方案。任何实施例的任何特征或元件也可以与来自其它发明方案的特征或元件组合，以形成另一个由权利要求限定的独特的发明方案。因此，应当理解，在本申请中示出和/或讨论的任何特征可以单独地或以任何适当的组合来实现。因此，除了根据所附权利要求及其等同替换所做的限制以外，实施例不受其它限制。此外，可以在所附权利要求的保护范围内进行各种修改和改变。
此外，在描述具有代表性的实施例时，说明书可能已经将方法和/或过程呈现为特定的步骤序列。然而，在该方法或过程不依赖于本文所述步骤的特定顺序的程度上，该方法或过程不应限于所述的特定顺序的步骤。如本领域普通技术人员将理解的，其它的步骤顺序也是可能的。因此，说明书中阐述的步骤的特定顺序不应被解释为对权利要求的限制。此外，针对该方法和/或过程的权利要求不应限于按照所写顺序执行它们的步骤，本领域技术人员可以容易地理解，这些顺序可以变化，并且仍然保持在本申请实施例的精神和范围内。
疲劳损伤本质上一个复杂的物理过程，因此建立疲劳裂纹机理的物理机理模型是实现疲劳寿命预测的有效的方法之一。通过分析影响疲劳损伤相关的物理机理特征量，计算铆接结构应力强度因子，建立物理机理模型，能够定量计算疲劳损伤演化趋势。另一方面，数据驱动模型也能够实现疲劳寿命的预测。通过对实测数据进行处理，使用统计模型、机器学习模型等能够拟合结构的退化趋势从而推测其疲劳寿命。实测数据能够表征结构性能状态，因此数据驱动的方法能够挖掘退化的规律。物理机理模型揭示了疲劳裂纹机理的本质，能够精确量化疲劳损伤趋势；另一方面，数据驱动模型能够建立结构当前性能状态和实测数据之间的数学关系，也有助于发现结构疲劳损伤的规律。因而，二者在疲劳寿命预测中均具有各自的优势。然而在实际的工程应用过程中，它们也有各自的局限：物理机理模型大多基于实验室稳态环境下的试验结果，难以将真实数据中包含的损伤信息传导至寿命预测结果中。数据驱动模型的准确程度依赖于数据的质量，在数据不充分、不准确或不相关的情况下往往难以得到准确的预测结果，并且由于数据驱动模型需要拟合特定的历史数据，其可解释性可推广性也存在疑问。
本申请实施例提供了一种铆接结构的疲劳预测方法，综合使用数据驱动的方法和物理机理模型，提高预测准确度，为铆接结构疲劳剩余可用寿命预测提供技术支持，最终达到增强铆接结构使用性能的目的。
如图1所示，本申请实施例提供一种铆接结构的疲劳预测方法，包括：
步骤101，获取第一激励信号通过铆接结构后产生的接收信号，以及对应的裂纹长度数据；
步骤102，根据所述接收信号获取第一疲劳特征参数；
步骤103，利用所述第一疲劳特征参数及对应的裂纹长度数据，训练神经网络模型，并在获取新疲劳特征参数及对应的裂纹长度数据后更新所述神经网络模型；
步骤104，以预设加载周期在铆接结构施加载荷后，获取第二激励信号通过所述铆接结构后产生的监测信号；
步骤105，根据所述监测信号获取第二疲劳特征参数；
步骤106，将所述第二疲劳特征参数输入到所述神经网络模型，得到裂纹长度；
步骤107，根据不同加载周期下所得的所述裂纹长度以及施加的载荷确定裂纹扩展的物理机理模型；
步骤108，根据所述物理机理模型进行疲劳预测。
本申请实施例提出的铆接结构的疲劳预测方法中，综合使用了数据驱动的方法和物理机理模型，使用神经网络来考虑真实数据中所包含的疲劳损伤信息，同时使用物理机理模型将计算结果外推，预测未来的疲劳裂纹扩展趋势。通过验证表明该方法能够给出比较准确的预测结果，另外，该方案计算过程简单高效，容易掌握和实现，为工程实践提供了一种可行的估算方法。
在一示例性实施例中，所述步骤101和104中，从传感器获取接收/监测信号，该传感器比如为压电(piezeoelectric，PZT)传感器。压电传感器广泛应用于缺陷和损伤评估中，在金属材料铆接结构中激发兰姆(Lamb)波，Lamb波在铆接结构中传播，被压电传感器接收并转换为电信号，通过分析该电信号能够定量计算疲劳损伤情况。
在一示例性实施例中，所述步骤102和105中，根据所述接收信号获取第一疲劳特征参数，或者，根据所述监测信号获取第二疲劳特征参数，包括：
对所述第一激励信号和所述接收信号进行预处理后，获取第一疲劳特征参数，所述预处理包括获取所述第一激励信号的中心频率，以及，对所述接收信号进行降噪；
或者，对所述第二激励信号和所述监测信号进行预处理后，获取第二疲劳特征参数，所述预处理包括获取所述第二激励信号的中心频率，以及，对所述监测信号进行降噪。例如，获取所述激励信号的中心频率可以通过快速傅里叶变换(Fast Fourier Transform，FFT)得到；对所述接收信号或监测信号进行降噪可以通过小波分析方法实现。
快速傅里叶变换，能够显示信号的频谱特性，分析时域上无法获得的信息。对激励信号进行快速傅里叶变换，得到激励信号的中心频率，根据Lamb波频散特性，令[f1，f2]表征需要分析的信号频率范围，本实施例中，[f1，f2]为：激励信号的中心频率±40kHz。需要说明的是，此处±40kHz仅为示例，可以根据需要设置需要分析的信号频率范围。
在小波分析方法中，首先需要选择与原始信号相似的小波基函数。其次需要确定小波分解层数，在小波包分解结构中，第κ层的近似系数截止频率为：
Figure BDA0002453766310000091
其中fmin为最小采样率，为采样频率除以采样点数；fmax为最大有效采样频率，为采样频率的一半。第κ层的细节系数截止频率为：
Figure BDA0002453766310000092
根据小波包分解结构，确定小波分解层数，使得截止频率范围包含需要分析的信号频率范围[f1，f2]。令不包含[f1，f2]的小波包树节点系数为0，进行重构滤波，来完成信号的降噪。使用如下信号差异指标比较降噪前后的信号相似度。信号差异指标计算公式如下：
Figure BDA0002453766310000093
其中S为信号差异指标，M为数据点数，Ad为降噪后信号的幅值，Ao为原始信号的幅值。信号差异指标定量表征原始信号与降噪后信号相似度的指标，信号差异指标越小，表示两个信号越相近，本发明实施例中认为信号差异指标低于1e-3，表示降噪过程有效地滤除了高频噪声干扰以及不需要分析的频率范围。在其他实施例中，也可以使用其他信号差异指标值，本申请对此不作限定。
激励信号首个波峰传播至接收传感器时对应的时间和幅值的差异能够表征铆接结构中的疲劳损伤情况，随着疲劳裂纹的扩展，信号时间和幅值之间的差异递增，因此，可以根据激励信号首个波峰传播至接收传感器时对应的时间和幅值得到疲劳特征参数。在一示例性实施例中，所述第一疲劳特征参数或第二疲劳特征参数包括nj，还包括以下至少之一：
Figure BDA0002453766310000094
Figure BDA0002453766310000095
其中，nj为第j次观测时在所述铆接结构上加载载荷的加载周期数，x1.j，x2.j为第j次观测的特征量，
Figure BDA0002453766310000101
为加载周期为nω时所述激励信号首个波峰传播至接收传感器时所对应的幅值，
Figure BDA0002453766310000102
为加载周期为nω时所述激励信号首个波峰传播至接收传感器时所对应的时刻，当加载周期为n1时，x1.1＝0并且x2.1＝0，所述接收传感器为接收所述监测信号的传感器。
需要说明的是，在其他实施例中，也可以使用其他信息作为疲劳特征参数，本申请对此不作限定。
在一示例性实施例中，所述神经网络模型为贝叶斯正则化前馈神经网络模型。当然，也可以是其他神经网络模型。根据预先存储的信号计算疲劳特征参数，使用所述疲劳特征参数和对应的裂纹长度数据训练该神经网络模型，如果获取了新的信号和对应的裂纹长度数据，则使用新获取的数据更新该神经网络模型中的参数。
在一示例性实施例中，所述根据不同加载周期下所得的所述裂纹长度以及施加的载荷确定裂纹扩展的物理机理模型包括：
将物理机理模型
Figure BDA0002453766310000103
做如下变换：
Figure BDA0002453766310000104
等式两边同时取对数，得到：
log(da/dN)＝log[C×(1-R)2]+m×log[ΔK/(1-R)]
根据不同加载周期下所得的所述裂纹长度以及施加的载荷确定log(da/dN)和log[ΔK/(1-R)]，拟合得到所述C，m；
其中，
Figure BDA0002453766310000105
为裂纹扩展速率，Kmax为载荷峰值应力强度因子，ΔK为应力强度因子幅值，C，m为拟合参数；其中，应力强度因子幅值ΔK为加载峰值与谷值的应力强度因子之差，ΔK＝Kmax-Kmin，其中Kmax为载荷峰值应力强度因子，Kmin为载荷谷值应力强度因子，
Figure BDA0002453766310000106
R＝σmax/σmin，σmax为载荷峰值，σmin为载荷谷值，a为裂纹长度，Y为已知的几何因子。
在一示例性实施例中，根据所述物理机理模型进行疲劳预测包括以下至少之一：
根据所述物理机理模型预测裂纹扩展趋势；即根据
Figure BDA0002453766310000111
预测裂纹扩展趋势；
根据所述物理机理模型预测所述待预测的铆接结构的剩余寿命：
Figure BDA0002453766310000112
其中，NRUL(n)表示加载周期为n时的疲劳剩余寿命，a0为所述待预测的铆接结构的初始裂纹长度，ac为所述待预测的铆接结构的裂纹长度阈值。
本申请实施例提供了一种铆接结构的疲劳预测方法，如图2所示，所述方法包括如下步骤：
步骤201，收集压电传感器的信号数据和裂纹长度数据。
收集恒幅载荷下所有样本在不同观测时刻的信号和裂纹长度数据。假设有S个样本，第i个样本观测次数为mi，第i个样本第j次观测的数据用{(nj，yij，aij)，i＝1，2，...S；j＝1，2，...，mi}来表示，其中nj表示第j次观测的加载周期数，yij表示第i个样本第j次观测中接收信号数据，信号数据中采样频率为f，数据点数为M，信号数据时间序列为{0，1/f，…，(M-1)/f}，aij表示第i个样本第j次观测时的裂纹长度。另外，确定铆接结构的裂纹长度阈值ac。
步骤202，预处理压电传感器接收信号数据。
所述预处理包括获取所述激励信号中心频率，以及，对所述接收信号进行降噪。例如，获取所述激励信号的中心频率可以通过快速傅里叶变换得到；对所述接收信号进行降噪可以通过小波分析方法实现。
步骤203，提取接收信号疲劳损伤特征量，即第一疲劳特征参数。
依据降噪后的接收信号，计算激励信号首个波峰传播至接收传感器时对应的时间和幅值，时间和幅值的差异能够表征铆接结构中的疲劳损伤情况，随着疲劳裂纹的扩展，信号时间和幅值之间的差异递增，因此本申请实施例提出了表征疲劳损伤的三个特征量，定量化计算疲劳损伤情况，数学表达式如下：
Figure BDA0002453766310000121
Figure BDA0002453766310000122
x3.ij＝ni，j
其中x1.ij，x2.ij和x3.ij为第i个样本第j次观测的三个特征量，ni，j为第i个样本第j次观测的加载周期数，
Figure BDA0002453766310000123
为第i个样本加载周期为ni，ω时激励信号首个波峰传播至接收传感器时所对应的幅值，
Figure BDA0002453766310000124
为加载周期为ni，ω时激励信号首个波峰传播至接收传感器时所对应的时刻，当加载周期为n1时，x1.i1＝0并且x2.i1＝0。
步骤204，训练人工神经网络。
构建前馈神经网络模型，将计算得到的疲劳损伤特征量以及裂纹长度数据作为训练数据，训练前馈神经网络模型。其中，输入数据为特征量{x1.ij，x2.ij，x3.ij}，输出数据为裂纹长度aij，前馈神经网络如图3所示。对输入数据和输出数据进行归一化处理。建立贝叶斯正则化前馈神经网络，来确保裂纹长度严格递增。确定神经网络的学习速率和目标误差。如果获取了新的信号和对应的裂纹长度数据，则使用新获取的数据更新该神经网络模型中的参数。
步骤205，收集压电传感器的监测信号。
收集激励信号通过铆接结构后的监测信号。监测信号数据中采样频率为f′，数据点数为M′，监测信号数据时间序列为{0，1/f′，…，(M′-1)/f′}。
步骤206，提取监测信号的疲劳损伤特征量，即第二疲劳特征参数。
对需要进行预测的铆接结构，重复上述步骤202和步骤203中的方法，提取步骤205所述监测信号中的疲劳损伤特征量。
步骤207，计算裂纹长度。
将步骤206所提取的疲劳损伤特征量作为步骤204中训练完成的前馈神经网络的输入，计算裂纹长度。
步骤208，拟合物理机理模型中的参数。
本实施例中疲劳裂纹扩展的物理机理模型为双参数裂纹扩展模型，其中裂纹扩展速率由峰值应力强度因子和应力强度因子幅值共同决定，数学表达式如下：
Figure BDA0002453766310000131
其中
Figure BDA0002453766310000132
为裂纹扩展速率，Kmax为载荷峰值应力强度因子，ΔK为应力强度因子幅值，C，m为拟合参数。等式两边同时取对数，可得：
log(da/dN)＝log[C×(1-R)2]+m×log[ΔK/(1-R)]
其中R为应力比，是载荷谷值与峰值之比。根据裂纹长度和加载周期数，计算log(da/dN)和log[ΔK/(1-R)]，线性拟合得到参数C，m。
其中，应力强度因子具体为表征裂纹周围应力场的物理量，数学表达式为：
Figure BDA0002453766310000133
其中σ为应力水平(即载荷)；a为裂纹长度；Y为几何因子。铆接结构受力情况复杂，难以计算几何因子，为实现高效且快捷的计算，本申请实施例中认为几何因子Y取值为2.24/π。
步骤209，预测未来的疲劳裂纹扩展趋势。
将步骤206中得到的拟合参数C，m代入物理机理模型中，同时代入所施加的应力水平(即载荷)，预测未来疲劳裂纹扩展趋势。
步骤210，根据物理机理模型计算剩余可用寿命。
根据步骤206中的物理机理模型，推导疲劳寿命数学表达式，如下：
Figure BDA0002453766310000134
其中Ntotal为疲劳寿命，a0为初始裂纹长度，ac为裂纹长度阈值。计算疲劳剩余寿命，其数学表达式为：
NRUL(n)＝Ntotal-n
其中NRUL(n)表示加载周期为n时的疲劳剩余寿命。
下面通过一具体实施例进一步说明本申请。如图4所示，本申请实施例提供一种铆接结构的疲劳预测方法，包括：
步骤401：收集压电传感器信号数据和裂纹长度数据
在本实施示例中，所收集的数据来自于6个样本，每个样本的观测次数分别为：7次、3次、9次、8次、4次和6次。每次观测时重复激发信号并采集传感器数据2次，采样频率为f＝20000kHz，数据点数为M＝4000，可得最大有效采样频率是fmax＝10000kHz。以第4个样本在周期数为65001周时的观测结果为例，其原始信号如图5所示。铆接结构裂纹长度阈值ac＝7.5mm。
步骤402：预处理压电传感器接收信号数据
首先，对激励信号进行傅里叶变换，得到激励信号中心频率为205kHz，那么需要分析的频率范围[f1，f2]为165kHz～245kHz。
然后，采用小波分解技术实现信号降噪。选取Coif4小波基函数对原始信号进行小波包分解，以4层为例绘制小波包分解结构图如图6所示，分解层数为8层，第8层节点(8，4)，(8，5)，(8.6)的截止频率范围为156.25kHz～273.4375kHz，令其他节点系数为0，以第4个样本在周期数为65001周时的观测结果为例，降噪后的信号数据如图7所示，信号相似度为2.6917e-04，降噪过程有效地滤除了高频噪声干扰以及不需要分析的频率范围。
步骤403，提取接收信号疲劳损伤特征量，即第一疲劳特征参数；
基于降噪后的信号，以第4个样本所有8次观测为例，激励信号传播至接收传感器的波包如图8所示，提取表征疲劳损伤的特征量，本实施例中，重复发出激励信号并采集接收信号的试验步骤两次，对两次试验结果取平均值。在其他实施例中，可以进行多次重复取平均值，或者，不进行重复，使用单次策略得到的结果，本申请对此不作限定。
以第4个样本为例，第1次观测的第一个特征值x1.41＝0。第2次观测的第一个特征值
Figure BDA0002453766310000141
6个样本，分别称为样本1-6，其观测次数分为7次、3次、9次、8次、4次和6次，其特征量如表1所示。其中，表1中序号1-7为样本1的7次观测所得的特征量，序号8-10为样本2的3次观测所得的特征量，序号11-19为样本3的9次观测所得的特征量，序号20-27为样本4的8次观测所得的特征量，序号28-21为样本5的4次观测所得的特征量，序号32-37为样本6的6次观测所得的特征量。
表1疲劳损伤特征量计算结果
Figure BDA0002453766310000151
Figure BDA0002453766310000161
Figure BDA0002453766310000171
步骤404，训练人工神经网络
构建前馈神经网络，使用贝叶斯正则化方法，神经网络学习效率为0.05，训练网络达到的目标误差0.001，最大训练次数为500。裂纹长度数据如表2所示。基于表1中疲劳损伤特征量计算结果以及表2中对应的裂纹长度，来训练前馈神经网络。
表2裂纹长度数据
Figure BDA0002453766310000172
Figure BDA0002453766310000181
Figure BDA0002453766310000191
步骤405，收集压电传感器的监测信号。
收集激励信号通过铆接结构后的监测信号，重复采集2次，采样频率为f′＝20000kHz，数据点数为M′＝4000。
步骤406，提取监测信号疲劳损伤特征量，即第二疲劳特征参数。
重复上述步骤402和步骤403中的方法对监测信号进行预处理，并提取监测信号中的疲劳损伤特征量，结果如表3所示：
表3监测信号疲劳损伤特征量计算结果
Figure BDA0002453766310000192
步骤407，计算裂纹长度
将上述疲劳损伤特征量，代入步骤404中的前馈神经网络，计算裂纹长度，结果如表4所示，使用实测裂纹长度对前馈神经网络计算结果进行验证，拟合优度R2＝0.9688，拟合优度大于0.9，表明方法预测结果准确。
表4裂纹长度计算结果
Figure BDA0002453766310000201
步骤408：拟合物理机理模型中的参数
基于上述步骤407中的裂纹长度计算结果，拟合物理机理模型
Figure BDA0002453766310000202
中的参数，结果如下：C＝0.044e-8，m＝3.6，拟合优度R2＝0.9019，拟合曲线如图9所示。
步骤409：预测未来的疲劳裂纹扩展趋势
将拟合参数代入物理机理模型，并代入加载载荷，本实施示例中所施加的峰值应力水平为100.21MPa，谷值应力水平为4.77MPa。使用物理机理模型预测疲劳裂纹扩展趋势，裂纹长度可通过迭代计算得到：
Figure BDA0002453766310000203
其中an为加载周期为n时的裂纹长度，a0为初始裂纹长度，也即是基于前馈神经网络计算得到的裂纹长度最大值，本示例中为2.9845mm，Kmax.i和ΔKi为加载载荷周期为i时的峰值应力强度因子和应力强度因子幅值。通过与实测数据对比验证物理机理模型预测的准确程度，如表5所示，拟合优度R2＝0.9268。拟合优度大于0.9，表明方法预测结果准确。
表5疲劳裂纹扩展趋势预测
Figure BDA0002453766310000204
Figure BDA0002453766310000211
步骤410：计算铆接结构剩余寿命
利用物理机理模型，基于疲劳裂纹扩展趋势预测结果，计算疲劳寿命Ntotal＝53700cycles。疲劳剩余寿命如图10所示。
如图11所示，本申请实施例提供一种铆接结构的疲劳预测装置，包括：
神经网络模型构建模块1101，设置为获取第一激励信号通过铆接结构后产生的接收信号，以及对应的裂纹长度数据；根据所述接收信号获取第一疲劳特征参数；利用所述第一疲劳特征参数及对应的裂纹长度数据，训练神经网络模型，并在获取新的疲劳特征参数及对应的裂纹长度数据后更新所述神经网络模型；
特征提取模块1102，设置为以预设加载周期在待预测的铆接结构施加载荷后，获取第二激励信号通过所述待预测铆接结构后产生的监测信号；根据所述监测信号获取第二疲劳特征参数；
裂纹长度获取模块1103，设置为将所述第二疲劳特征参数输入到所述神经网络模型，得到裂纹长度；
物理机理模型确定模块1104，设置为根据不同加载周期下所得的所述裂纹长度以及施加的载荷确定裂纹扩展的物理机理模型；
疲劳预测模块1105，设置为根据所述物理机理模型进行疲劳预测。
在一示例性实施例中，所述物理机理模型确定模块1104根据不同加载周期下所得的所述裂纹长度以及施加的载荷确定裂纹扩展的物理机理模型包括：
将物理机理模型
Figure BDA0002453766310000212
取对数，得到：
log(da/dN)＝log[C×(1-R)2]+m×log[ΔK/(1-R)]
根据不同加载周期下所得的所述裂纹长度以及施加的载荷确定log(da/dN)和log[ΔK/(1-R)]，拟合得到所述C，m；
其中，
Figure BDA0002453766310000221
为裂纹扩展速率，Kmax为载荷峰值应力强度因子，ΔK为应力强度因子幅值，C，m为拟合参数；其中，ΔK＝Kmax-Kmin，
Figure BDA0002453766310000222
Figure BDA0002453766310000223
R＝σmax/σmin，σmax为载荷峰值，σmin为载荷谷值，a为裂纹长度，Y为已知的几何因子。
如图12所示，本申请实施例提供一种铆接结构的疲劳预测设备120，包括存储器1210和处理器1220，所述存储器1210存储有程序，所述程序在被所述处理器1220读取执行时，实现上述的铆接结构的疲劳预测方法。
如图13所示，本申请实施例一种计算机可读存储介质130，所述计算机可读存储介质130存储有一个或者多个程序1310，所述一个或者多个程序1310可被一个或者多个处理器执行，以实现上述的铆接结构的疲劳预测方法。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器，如数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。

Claims (10)

1.一种铆接结构的疲劳预测方法，包括：
获取第一激励信号通过铆接结构后产生的接收信号，以及对应的裂纹长度数据；根据所述接收信号获取第一疲劳特征参数；利用所述第一疲劳特征参数及对应的裂纹长度数据，训练神经网络模型，并在获取新的疲劳特征参数及对应的裂纹长度数据后更新所述神经网络模型；
以预设加载周期在待预测的铆接结构施加载荷后，获取第二激励信号通过所述待预测铆接结构后产生的监测信号；根据所述监测信号获取第二疲劳特征参数；将所述第二疲劳特征参数输入到所述神经网络模型，得到裂纹长度；
根据不同加载周期下所得的所述裂纹长度以及施加的载荷确定裂纹扩展的物理机理模型；
根据所述物理机理模型进行疲劳预测。
2.根据权利要求1所述的疲劳预测方法，其特征在于，根据所述接收信号获取第一疲劳特征参数，或者，根据所述监测信号获取第二疲劳特征参数，包括：
对所述第一激励信号和所述接收信号进行预处理后，获取第一疲劳特征参数，所述预处理包括获取所述第一激励信号的中心频率，以及，对所述接收信号进行降噪；
或者，对所述第二激励信号和所述监测信号进行预处理后，获取第二疲劳特征参数，所述预处理包括获取所述第二激励信号的中心频率，以及，对所述监测信号进行降噪。
3.根据权利要求1所述的疲劳预测方法，其特征在于，所述第一疲劳特征参数或第二疲劳特征参数包括nj，还包括以下至少之一：
Figure FDA0002453766300000011
Figure FDA0002453766300000012
其中，nj为第j次观测时在所述铆接结构上加载载荷的加载周期数，x1.j，x2.j为第j次观测的特征量，
Figure FDA0002453766300000021
为加载周期为nω时所述激励信号首个波峰传播至接收传感器时所对应的幅值，
Figure FDA0002453766300000022
为加载周期为nω时所述激励信号首个波峰传播至接收传感器时所对应的时刻，当加载周期为n1时，x1.1＝0并且x2.1＝0，所述接收传感器为接收所述监测信号的传感器。
4.根据权利要求1所述的疲劳预测方法，其特征在于，所述神经网络模型为贝叶斯正则化前馈神经网络模型。
5.根据权利要求1至4任一所述的疲劳预测方法，其特征在于，所述根据不同加载周期下所得的所述裂纹长度以及施加的载荷确定裂纹扩展的物理机理模型包括：
将物理机理模型
Figure FDA0002453766300000023
取对数，得到：
log(da/dN)＝log[C×(1-R)2]+m×log[ΔK/(1-R)]
根据不同加载周期下所得的所述裂纹长度以及施加的载荷确定log(da/dN)和log[ΔK/(1-R)]，拟合得到所述C，m；
其中，
Figure FDA0002453766300000024
为裂纹扩展速率，Kmax为载荷峰值应力强度因子，ΔK为应力强度因子幅值，C，m为拟合参数；其中，ΔK＝Kmax-Kmin，
Figure FDA0002453766300000025
Figure FDA0002453766300000026
R＝σmax/σmin，σmax为载荷峰值，σmin为载荷谷值，a为裂纹长度，Y为已知的几何因子。
6.根据权利要求5所述的疲劳预测方法，其特征在于，根据所述物理机理模型进行疲劳预测包括以下至少之一：
根据所述物理机理模型预测裂纹扩展趋势；
根据所述物理机理模型预测所述待预测的铆接结构的剩余寿命：
Figure FDA0002453766300000027
其中，NRUL(n)表示加载周期为n时的疲劳剩余寿命，a0为所述待预测的铆接结构的初始裂纹长度，ac为所述待预测的铆接结构的裂纹长度阈值。
7.一种铆接结构的疲劳预测装置，其特征在于，包括：
神经网络模型构建模块，设置为
获取第一激励信号通过铆接结构后产生的接收信号，以及对应的裂纹长度数据；根据所述接收信号获取第一疲劳特征参数；利用所述第一疲劳特征参数及对应的裂纹长度数据，训练神经网络模型，并在获取新的疲劳特征参数及对应的裂纹长度数据后更新所述神经网络模型；特征提取模块，设置为以预设加载周期在待预测的铆接结构施加载荷后，获取第二激励信号通过所述待预测铆接结构后产生的监测信号；根据所述监测信号获取第二疲劳特征参数；
裂纹长度获取模块，设置为将所述第二疲劳特征参数输入到所述神经网络模型，得到裂纹长度；
物理机理模型确定模块，设置为根据不同加载周期下所得的所述裂纹长度以及施加的载荷确定裂纹扩展的物理机理模型；
疲劳预测模块，设置为根据所述物理机理模型进行疲劳预测。
8.根据权利要求7所述的铆接结构的疲劳预测装置，其特征在于，所述物理机理模型确定模块根据不同加载周期下所得的所述裂纹长度以及施加的载荷确定裂纹扩展的物理机理模型包括：
将物理机理模型
Figure FDA0002453766300000031
取对数，得到：
log(da/dN)＝log[C×(1-R)2]+m×log[ΔK/(1-R)]
根据不同加载周期下所得的所述裂纹长度以及施加的载荷确定log(da/dN)和log[ΔK/(1-R)]，拟合得到所述C，m；
其中，
Figure FDA0002453766300000032
为裂纹扩展速率，Kmax为载荷峰值应力强度因子，ΔK为应力强度因子幅值，C，m为拟合参数；其中，ΔK＝Kmax-Kmin，
Figure FDA0002453766300000033
Figure FDA0002453766300000034
R＝σmax/σmin，σmax为载荷峰值，σmin为载荷谷值，a为裂纹长度，Y为已知的几何因子。
9.一种铆接结构的疲劳预测设备，其特征在于，包括存储器和处理器，所述存储器存储有程序，所述程序在被所述处理器读取执行时，实现如权利要求1至6任一所述的铆接结构的疲劳预测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1至6任一所述的铆接结构的疲劳预测方法。
CN202010300353.9A 2020-04-16 2020-04-16 一种铆接结构的疲劳预测方法、装置及设备、存储介质 Active CN111611654B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010300353.9A CN111611654B (zh) 2020-04-16 2020-04-16 一种铆接结构的疲劳预测方法、装置及设备、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010300353.9A CN111611654B (zh) 2020-04-16 2020-04-16 一种铆接结构的疲劳预测方法、装置及设备、存储介质

Publications (2)

Publication Number Publication Date
CN111611654A CN111611654A (zh) 2020-09-01
CN111611654B true CN111611654B (zh) 2022-09-09

Family

ID=72201523

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010300353.9A Active CN111611654B (zh) 2020-04-16 2020-04-16 一种铆接结构的疲劳预测方法、装置及设备、存储介质

Country Status (1)

Country Link
CN (1) CN111611654B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113591340B (zh) * 2021-06-24 2023-09-01 内蒙古工业大学 随机载荷下齿轮弯曲疲劳时变可靠性分析方法
CN113848249A (zh) * 2021-09-24 2021-12-28 上海交通大学 一种钢桥面板疲劳裂纹深度的导波智能监测方法
CN114491849A (zh) * 2022-01-24 2022-05-13 深圳职业技术学院 自冲铆工艺参数的确定方法、装置、电子设备及存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105488328B (zh) * 2015-11-19 2018-11-06 北京航空航天大学 一种基于人工神经元网络的疲劳裂纹扩展速率预测方法
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
CN106644784B (zh) * 2016-12-31 2018-11-16 北京航空航天大学 一种考虑多部位及多失效模式的涡轮盘损伤容限评估方法

Also Published As

Publication number Publication date
CN111611654A (zh) 2020-09-01

Similar Documents

Publication Publication Date Title
CN111611654B (zh) 一种铆接结构的疲劳预测方法、装置及设备、存储介质
CN108984893B (zh) 一种基于梯度提升方法的趋势预测方法
Chen et al. Model‐based method with nonlinear ultrasonic system identification for mechanical structural health assessment
CN113049684B (zh) 基于变分模态分解的超声兰姆波缺陷信号识别方法
CN113670610A (zh) 基于小波变换与神经网络的故障检测方法、系统及介质
CN109345032B (zh) 基于动态裂纹数目的粒子滤波多裂纹扩展预测方法
CN114692758A (zh) 电力通信故障分析方法、装置、终端设备及介质
CN108399434B (zh) 基于特征提取的高维时间序列数据的分析预测方法
CN103310051A (zh) 一种全寿命周期内的车载信息终端故障率预测方法
CN111931983A (zh) 一种降水量预测方法及系统
CN114462508A (zh) 基于多模态神经网络的电力变压器健康状态评估方法
Karimian et al. Neural network and particle filtering: a hybrid framework for crack propagation prediction
CN117434153A (zh) 基于超声波技术的道路无损检测方法及系统
CN113238908B (zh) 一种服务器性能测试数据分析方法及相关装置
CN110987866A (zh) 一种汽油性质评价方法及装置
CN113469408A (zh) 一种用于调相机的运行状态趋势预测方法及系统
CN110222390B (zh) 基于小波神经网络的齿轮裂纹识别方法
CN109359791B (zh) 一种机械系统退化趋势预测方法及系统
CN114509506B (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
CN115436470A (zh) 一种管道裂纹精准定位方法、系统、终端及其存储介质
Guo et al. Information fusion and XGBoost algorithm used for bearing remaining useful life prediction
CN112414446B (zh) 一种数据驱动的变速器传感器故障诊断方法
Alekhin et al. Application of the case-based reasoning approach for identification of acoustic-emission control signals of complex technical objects
CN111010193B (zh) 基于压电导纳的数据压缩重构及结构损伤识别方法、设备
Zhong et al. A novel fault diagnosis method for rolling bearing based on improved sparse regularization via convex optimization

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
TR01 Transfer of patent right

Effective date of registration: 20230410

Address after: Room 409, 4th Floor, Building C, No. 2 Cuizhu Second Street, Qianshan, Xiangzhou District, Zhuhai City, Guangdong Province, 519070

Patentee after: Zhiwei Technology (Zhuhai) Co.,Ltd.

Address before: 100084 Tsinghua Yuan, Beijing, Haidian District

Patentee before: TSINGHUA University

TR01 Transfer of patent right