CN112520064B - 一种基于应变监测的损伤自动识别方法 - Google Patents
一种基于应变监测的损伤自动识别方法 Download PDFInfo
- Publication number
- CN112520064B CN112520064B CN202011397464.2A CN202011397464A CN112520064B CN 112520064 B CN112520064 B CN 112520064B CN 202011397464 A CN202011397464 A CN 202011397464A CN 112520064 B CN112520064 B CN 112520064B
- Authority
- CN
- China
- Prior art keywords
- data
- strain
- likelihood
- load
- damage
- 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
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64F—GROUND OR AIRCRAFT-CARRIER-DECK INSTALLATIONS SPECIALLY ADAPTED FOR USE IN CONNECTION WITH AIRCRAFT; DESIGNING, MANUFACTURING, ASSEMBLING, CLEANING, MAINTAINING OR REPAIRING AIRCRAFT, NOT OTHERWISE PROVIDED FOR; HANDLING, TRANSPORTING, TESTING OR INSPECTING AIRCRAFT COMPONENTS, NOT OTHERWISE PROVIDED FOR
- B64F5/00—Designing, manufacturing, assembling, cleaning, maintaining or repairing aircraft, not otherwise provided for; Handling, transporting, testing or inspecting aircraft components, not otherwise provided for
- B64F5/60—Testing or inspecting aircraft components or systems
Abstract
本发明属于飞机全机疲劳试验技术领域,涉及一种基于应变监测的损伤自动识别方法;本发明采用似然度来衡量相同应变传感器的新数据相对于基准数据的变化程度,放大了数据所反映的损伤特征,提高了损伤识别灵敏度;引入基准数据变异系数和基准似然度,构建了动态自适应的门槛值dth的计算方法,提高了损伤识别方法的普适性和准确性;以概率门槛值q建立了普适性更强的损伤识别判据;有利于在全机疲劳试验中更早发现更短的结构疲劳裂纹,降低结构的修理难度、成本和周期,及时触发结构的设计改进,较现有方法具有显著优势。
Description
技术领域
本发明属于飞机全机疲劳试验技术领域,涉及一种基于应变监测的损伤自动识别方法。
背景技术
飞机全机疲劳试验中,通过应变测量和定期无损检查及时发现结构疲劳损伤和监测疲劳关键件的健康状态是国际通行的做法。随着有限元定量化仿真分析技术精度的提高,结构疲劳关键部位的定位更加准确。疲劳损伤与局部应变响应之间的关系研究的深化,也极大促进了结构的应变片布置方案优化,提升了应变监测的精准性。根据弹性力学和断裂力学原理,结构萌生裂纹并扩展时,相同载荷工况下裂纹附近的局部应变发生递增或递减的现象。据此,工程师们提出了门槛值法、相对误差法、概率分布法、斜率法等多种结构损伤识别方法,显著提高了应变测量在损伤识别中的作用,在全机疲劳试验中得到了广泛应用。然而,在多个型号的飞机的全机疲劳试验中,受方法本身局限性的影响,这些方法都存在漏报的情况,准确性、普适性、灵敏度偏低,受数据质量影响大,对及时发现结构裂纹极为不利,导致修理难度和成本增加,结构设计改进不及时。
发明内容
本发明的目的:本发明提出了一种基于应变监测的损伤识别技术,避免了现有损伤识别方法存在的不足,提高了损伤识别的准确性、灵敏度和普适性。
本发明的技术方案:
一种基于应变监测的损伤自动识别方法,其特征在于:
第一步,从试验载荷谱中选取典型载荷工况,所述典型载荷工况的载荷量值在部件最大总载荷的75%~85%之间,在试验载荷谱中出现频次大于0.5次/试验飞行小时。
第三步,按似然度计算公式,计算每一个应变传感器的基准数据中每一个数据点ybi与均值yb的似然度Li,然后求其平均值作为基准似然度Lb。
第五步,通过得到的基准数据变异系数和基准似然度确定每一个应变传感器在典型工况下的自适应动态门槛值dth,统计新数据中似然度大于该门槛值的概率r。
第六步,根据试验载荷谱代表的飞行小时数T和新数据对应的飞行小时数I,计算用于损伤识别的概率门槛值q。
第七步,建立损伤识别的判据:如果概率r大于概率门槛值q,则判定结构存在损伤;反之,认为结构无损伤。
所述第一步:通过统计计算,得到试验载荷谱中每个载荷工况下每个部件,包括机翼、垂尾、起落架、发动机、阻力伞的总载荷;统计每个载荷工况在试验载荷谱中出现的频次,按照总载荷大小、出现频次对所有载荷工况进行综合排序,每一部件筛选出1~2个典型载荷工况。
所述的总载荷是指总弯矩、总剪力、总扭矩、总铰链力矩。
所述第四步:所述应变传感器在所述典型载荷工况下采集的新数据序列表示为y1,y2,……,yk,分别计算其均值样本标准差s、变异系数δ,新数据中各数据点yj(j=1,2,......,k)与基准数据均值的似然度Lyj按公式(4)计算:
所述第五步:自适应动态门槛值dth采用公式(5)计算,新数据中似然度大于该门槛值的概率r采用公式(6)计算:
r=p(Lyj≥dth) (6)。
所述第六步:用于损伤识别的概率门槛值q采用公式(7)计算
本发明的有益效果:
本发明采用似然度来衡量相同应变传感器的新数据相对于基准数据的变化程度,放大了数据所反映的损伤特征,提高了损伤识别灵敏度;引入基准数据变异系数和基准似然度,构建了动态自适应的门槛值dth的计算方法,提高了损伤识别方法的普适性和准确性;以概率门槛值q建立了普适性更强的损伤识别判据;有利于在全机疲劳试验中更早发现更短的结构疲劳裂纹,降低结构的修理难度、成本和周期,及时触发结构的设计改进,较现有方法具有显著优势:
a)采用似然度来衡量相同应变传感器的新数据相对于基准数据的变化程度和趋势,使得应变传感器的响应存在的损伤特征能够被放大,有利于及时识别现有传统方法发现不了的由小损伤引起的数据变化特征,因此提高了损伤识别的灵敏度;
b)引入基准数据变异系数和基准似然度,构建了动态自适应的门槛值dth的计算公式,采用该公式,具有任意特征形态的、任意应变传感器的数据都能确定一个自适应的门槛值,解决了现有的多种方法中采用固定的统一门槛值造成损伤漏识别的问题,提高了损伤识别方法的普适性和准确性;
c)建立了与试验载荷谱代表的飞行小时数T、新数据对应的飞行小时数I相关的概率门槛值q,建立了损伤识别判据,保证了在任意试验时间间隔、任意数据量下,采用该判据都能给出合理的结果,提高了损伤识别的准确性;
d)本发明提出的损伤识别技术,有利于在全机疲劳试验中更早发现更短的结构疲劳裂纹,降低结构的修理难度、成本和周期,及时触发结构的设计改进,较现有传统方法具有显著优势;
e)本发明提出的损伤识别技术还可应用于基于应变监测的单机寿命监测系统,及时识别服役飞机结构的疲劳损伤。
附图说明
图1为本发明提出的一种基于应变监测的损伤自动识别方法的技术流程图;
图2为本发明采用有限元细节应力分析确定的高应力部位,全机疲劳试验前在高应力部位粘贴应变传感器;
图3(a)为全机疲劳试验中用编号为210150170的应变传感器在典型工况M0057002下的基准数据和新数据1的散点图;
图3(b)为全机疲劳试验中用编号为210150170的应变传感器在典型工况M0057002下的基准数据、新数据1中各点与基准数据均值的似然度散点图;
图4(a)为全机疲劳试验中用编号为210150170的应变传感器在典型工况M0057002下的基准数据和新数据2的散点图;
图4(b)为全机疲劳试验中用编号为210150170的应变传感器在典型工况M0057002下的基准数据、新数据2中各点与基准数据均值的似然度散点图;
图5为根据图3、图4的损伤识别结果,采用渗透、涡流定位疲劳裂纹的结果。
具体实施方式
下面结合附图对本发明进一步说明:
下面以某全机疲劳试验中用编号为210150170的应变传感器的数据进行损伤识别为例,结合附图对本发明进一步说明:
如图1所示,一种基于应变监测的损伤自动识别方法,包括以下步骤:
第一步,试验前,对试验载荷谱进行统计分析,对翼身连接主框,选出的典型载荷工况编号为M0057002,该工况出现频率为0.825次/试验飞行小时,其机翼根部弯矩为载荷谱中最大机翼根部弯矩的82.6%。
试验前,需根据结构的有限元细节应力分析结果,如图2所示,紧贴高应力部位粘贴应变传感器。
第二步,试验开始后,当试验载荷达到峰值或谷值时,触发应变数据采集,获取所有应变传感器的峰/谷值数据。本例中,将试验初期采集到的典型载荷工况M0057002下所有应变传感器的数据作为基准数据,计算每个应变传感器基准数据的均值、样本标准差、变异系数这三个统计特征量;以编号为210150170的应变传感器的数据为例,其基准数据如图3(a)实心点所示,计算得到其均值样本标准差sb=8.58με、变异系数δb=0.003616。
第四步:用两次得到的新数据进行损伤识别,新数据1和新数据2的原始数据分别如图3(a)、图4(a)的空心点所示。计算得到新数据1的均值样本标准差s=6.4108、变异系数δ=0.002668,新数据2的均值样本标准差s=18.6814、变异系数δ=0.0077;采用公式(4),计算得到新数据1、新数据2中各数据点与基准数据均值的似然度分别如图3(b)、图4(b)中的空心点所示。
第五步:采用公式(5)计算编号为210150170的应变传感器在典型载荷工况M0057002下的应变数据的自适应动态门槛值dth=36.4646;采用公式(6),统计得到新数据1、新数据2中各数据点与基准数据均值的似然度大于dth的概率分别为r1=0.46和r2=0.8575。
第六步:T和每一天新采集的数据对应的飞行小时数I,计算用于损伤识别的概率门槛值q,一个试验载荷谱代表的试验飞行小时为T=1000,新数据1、新数据2代表的试验飞行小时分别为I1=436和I2=460;采用公式(7),计算得到新数据1、新数据2用于损伤识别的概率门槛值q分别为q1=0.4364和q2=0.4159。
第七步:根据损伤识别判据,新数据1、新数据2中各数据点与基准数据均值的似然度大于dth的概率都大于概率门槛值,即r1>q1、r2>q2,因此判定编号为210150170的应变传感器所在的高应力部位处存在损伤,需要开展无损检测,通过采用涡流、渗透两种无损检测手段,最终在粘贴应变传感器的孔壁定位了三条表面长度2mm~5mm的疲劳短裂纹,如图5所示。
以上七个步骤,形成了本文基于应变监测的结构损伤自动识别技术,其技术流程见图1,损伤识别原理可用图2~图5描述。
由具体实施例可见,新数据1的统计特征量与基准数据相比,并没有显著差别,均值仅相差40με,而应变测量系统的测量误差一般在±50με以上,因此,采用确定性的门槛值法、相对误差法、斜率法、概率分布法等现有传统方法,均判定为无损伤,而本发明根据新数据1就识别了损伤特征,触发了无损检测,因此灵敏度、准确性更高、能够更早发现更短裂纹。
假如在第一次损伤识别后,因裂纹太短,无损检测暂时未能定位损伤,后续第二次、第三次……损伤识别后,会再次发出损伤预警,触发无损检测,因此采用本发明不会造成损伤漏报。
具体实施例中,仅以一个典型载荷工况下、一个应变传感器的数据为例进行说明,根据本发明,已开发了损伤自动识别程序,因此,本发明不受典型载荷工况数量、传感器数量限制。
本发明中,新数据的样本规模可以任意选择,因此,其所代表的试验飞行小时I也可以是任意值,本着及时发现损伤的原则,通常每一天都需要用当天的数据作为新数据样本进行损伤识别,如有十足的把握认为结构还没有出现损伤,则可以视情以2~5天的数据作为新数据进行损伤识别。
Claims (6)
1.一种基于应变监测的损伤自动识别方法,其特征在于:
第一步,从试验载荷谱中选取典型载荷工况,所述典型载荷工况的载荷量值在部件最大总载荷的75%~85%之间,在试验载荷谱中出现频次大于0.5次/试验飞行小时;
第五步,通过得到的基准数据变异系数和基准似然度确定每一个应变传感器在典型工况下的自适应动态门槛值dth,统计新数据中似然度大于该门槛值的概率r;自适应动态门槛值dth采用公式(5)计算,新数据中似然度大于该门槛值的概率r采用公式(6)计算:
r=p(Lyj≥dth) (6);
第六步,根据试验载荷谱代表的飞行小时数T和新数据对应的飞行小时数I,计算用于损伤识别的概率门槛值q,采用公式(7)计算
第七步,建立损伤识别的判据:如果概率r大于概率门槛值q,则判定结构存在损伤;反之,认为结构无损伤。
2.如权利要求1所述的基于应变监测的损伤自动识别方法,其特征在于:所述第一步:通过统计计算,得到试验载荷谱中每个载荷工况下每个部件,包括机翼、垂尾、起落架、发动机、阻力伞的总载荷;统计每个载荷工况在试验载荷谱中出现的频次,按照总载荷大小、出现频次对所有载荷工况进行综合排序,每一部件筛选出1~2个典型载荷工况。
3.如权利要求1所述的基于应变监测的损伤自动识别方法,其特征在于:所述的总载荷是指总弯矩、总剪力、总扭矩、总铰链力矩。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011397464.2A CN112520064B (zh) | 2020-12-04 | 2020-12-04 | 一种基于应变监测的损伤自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011397464.2A CN112520064B (zh) | 2020-12-04 | 2020-12-04 | 一种基于应变监测的损伤自动识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112520064A CN112520064A (zh) | 2021-03-19 |
CN112520064B true CN112520064B (zh) | 2022-09-20 |
Family
ID=74997329
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011397464.2A Active CN112520064B (zh) | 2020-12-04 | 2020-12-04 | 一种基于应变监测的损伤自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112520064B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113483764B (zh) * | 2021-07-07 | 2022-09-02 | 哈尔滨工业大学 | 一种基于在线传感的智能飞行器任务路径规划方法 |
CN115267123A (zh) * | 2022-09-30 | 2022-11-01 | 华南理工大学 | 一种钢结构的表面裂纹萌生及扩展的检测方法 |
CN116046980B (zh) * | 2022-12-16 | 2023-09-01 | 北京航空航天大学 | 一种基于应变监测的结构疲劳损伤诊断方法 |
Family Cites Families (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102008015035A1 (de) * | 2008-03-13 | 2009-09-24 | Hima Paul Hildebrandt Gmbh + Co Kg | Verschleißüberwachungssystem, seilbetriebene Transportanlage und Verfahren zur Überwachung von Verschleißteilen derselben |
US8155940B2 (en) * | 2008-07-30 | 2012-04-10 | GM Global Technology Operations LLC | Methods and systems for predicting very high cycle fatigue properties in metal alloys |
US8532941B2 (en) * | 2010-08-26 | 2013-09-10 | Siemens Aktiengesellschaft | Fatigue life estimation method and system |
US10001457B2 (en) * | 2011-04-19 | 2018-06-19 | Jentek Sensors, Inc. | Performance curve generation for non-destructive testing sensors |
DE102012217741A1 (de) * | 2012-09-28 | 2014-04-03 | Robert Bosch Gmbh | Verfahren zur Plausibilisierung des Ausgangssignals eines Raildrucksensors |
CN103413016B (zh) * | 2013-04-28 | 2016-11-16 | 何宇廷 | 一种基于试验及服役使用数据融合的飞机结构安全寿命确定方法 |
EP2843400A1 (de) * | 2013-09-03 | 2015-03-04 | Siemens Aktiengesellschaft | Sensoranordnung und Verfahren zur Bestimmung der mechanischen Oberflächenspannungen und/oder des Gefügezustandes |
DE102016212150A1 (de) * | 2016-07-04 | 2018-01-04 | Airbus Defence and Space GmbH | Verfahren zum Betrieb eines zumindest zeitweise unbemannten Luft- oder Raumfahrzeugs sowie ein derartiges Luft- oder Raumfahrzeug |
DE102016214705B4 (de) * | 2016-08-08 | 2022-05-05 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Einrichtung zur Überwachung von mechanischen Verbindungsstellen einer Anlage |
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 |
DE102017112913A1 (de) * | 2017-06-12 | 2018-12-13 | Trafag Ag | Belastungsmessverfahren, Belastungsmessvorrichtung und Belastungsmessanordnung |
CN108263639B (zh) * | 2018-01-28 | 2018-11-13 | 北京工业大学 | 谱载下基于间接测量应变的飞机结构关键部位疲劳寿命在线监测方法 |
CN108414626A (zh) * | 2018-03-02 | 2018-08-17 | 北京航空航天大学 | 一种基于贝叶斯风险函数的多传感器损伤组网监测方法 |
US11106208B2 (en) * | 2018-07-10 | 2021-08-31 | Imam Abdulrahman Bin Faisal University | Building quality inspection system and inspection robot |
JP2020085546A (ja) * | 2018-11-19 | 2020-06-04 | 国立研究開発法人産業技術総合研究所 | 構造物の点検・補修支援システム |
CN109885874B (zh) * | 2019-01-11 | 2022-12-23 | 华东理工大学 | 一种基于abaqus的多轴蠕变疲劳预测方法 |
CN110207966A (zh) * | 2019-06-13 | 2019-09-06 | 北京工业大学 | 一种航空结构多轴随机疲劳载荷下在线损伤评估方法 |
CN110706761B (zh) * | 2019-11-11 | 2022-02-18 | 上海工程技术大学 | 一种预估金属材料的疲劳强度退化的方法 |
CN111307483B (zh) * | 2020-02-27 | 2021-09-07 | 成都飞机工业(集团)有限责任公司 | 一种机械产品长周期疲劳试验数据处理与趋势预判方法 |
CN111361759B (zh) * | 2020-03-02 | 2023-02-03 | 哈尔滨工业大学 | 基于混合模型的飞机辅助动力装置在翼剩余寿命预测方法 |
CN111751199B (zh) * | 2020-06-09 | 2021-07-09 | 西北工业大学 | 基于eifs分布的疲劳寿命预测方法 |
CN111812215B (zh) * | 2020-07-22 | 2021-06-29 | 南京航空航天大学 | 一种飞行器结构损伤的监测方法 |
-
2020
- 2020-12-04 CN CN202011397464.2A patent/CN112520064B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112520064A (zh) | 2021-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112520064B (zh) | 一种基于应变监测的损伤自动识别方法 | |
White et al. | Interpreting fatigue test results using a probabilistic fracture approach | |
EP2686243B1 (en) | Method and system for determining friction coefficient for an aircraft landing event | |
Molent et al. | A comparison of crack growth behaviour in several full-scale airframe fatigue tests | |
US20080114506A1 (en) | Hard landing detection | |
WO2006111360A1 (de) | Verfahren zur bewertung von messwerten zur erkennung einer materialermüdung | |
US8707795B2 (en) | Method for measuring fatigue | |
KR102075538B1 (ko) | 비행자료를 이용한 항공기의 수명관리 방법 | |
CN115356121A (zh) | 一种涡轮叶片服役环境下寿命以及剩余寿命损伤评价方法 | |
He et al. | Probabilistic and testing analysis for the variability of load spectrum damage in a fleet | |
CN110414086A (zh) | 一种基于灵敏度的综合应力加速因子计算方法 | |
CN111307483B (zh) | 一种机械产品长周期疲劳试验数据处理与趋势预判方法 | |
Dixon et al. | Quantification of the fatigue severity of porosity in aluminium alloy 7050-T7451 thick plate | |
CN115950609B (zh) | 一种结合相关性分析和神经网络的桥梁挠度异常检测方法 | |
CN110851936B (zh) | 一种通孔焊点可靠性评估试验方法及装置 | |
Jebáček et al. | Possibilities and methods of in-flight loading measurement | |
KR101896457B1 (ko) | 비행운용자료를 이용한 하중스펙트럼 생성방법 | |
CN112966354B (zh) | 燃气流排导装置抗冲刷能力评估方法 | |
CN114330524A (zh) | 桥梁健康监测数据处理与压缩融合方法 | |
Pártl et al. | Reconstitution of crack growth from fractographic observations after flight simulation loading | |
CN114492074A (zh) | 一种概率损伤容限评估分析方法 | |
Gibson et al. | Data-driven strain prediction models and fatigue damage accumulation | |
CN109283246B (zh) | 一种风力发电机叶片受损位置定位检测系统 | |
CN108318213B (zh) | 一种基于多种参数综合评估的风洞测量系统故障诊断方法 | |
KR101930022B1 (ko) | 비행운용자료를 이용한 응력전달함수 생성방법 |
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 |