CN114491799A - 轨道车辆悬臂结构的疲劳寿命预测方法及系统 - Google Patents
轨道车辆悬臂结构的疲劳寿命预测方法及系统 Download PDFInfo
- Publication number
- CN114491799A CN114491799A CN202210002163.8A CN202210002163A CN114491799A CN 114491799 A CN114491799 A CN 114491799A CN 202210002163 A CN202210002163 A CN 202210002163A CN 114491799 A CN114491799 A CN 114491799A
- Authority
- CN
- China
- Prior art keywords
- stress
- cantilever structure
- acceleration
- defect
- rail vehicle
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/08—Railway vehicles
- G01M17/10—Suspensions, axles or wheels
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供一种轨道车辆悬臂结构的疲劳寿命预测方法及系统,该方法包括搭建试验台对悬臂结构进行测试,获得悬臂结构的加速度与应力的数据,并建立BP神经网络训练系统,以获得加速度‑应力函数;根据轨道车辆的实测加速度,基于加速度‑应力函数来获得悬臂结构的应力预测值;基于应力预测值以雨流计数法编制应力谱;根据应力谱得出应力概率密度函数,求解得出应力最大值并编制扩展应力谱,基于应力最大值确定悬臂结构的缺陷临界尺寸;基于悬臂结构的缺陷实际尺寸与缺陷临界尺寸相对比,采用累积损伤法或断裂力学法进行寿命预测,可真实地反映服役状态下轨道车辆悬臂结构的应力水平,从而可以精准地预测悬臂结构的剩余寿命。
Description
技术领域
本发明涉及轨道车辆技术领域,尤其涉及一种轨道车辆悬臂结构的疲劳寿命预测方法及系统。
背景技术
随着轨道交通的快速发展,轨道车辆的运营速度也在不断提升,但随着在更加恶劣的环境进行轨道交通的运营,轨道交通线路条件也随之不断恶化,这样会使轨道车辆的悬臂结构所承受的振动载荷不断增大,特别是转向架所承受的振动载荷会不断增大,尤其对一系簧下部件的影响更为严重。
但是在轨道车辆运营过程中,主要承受来自轮轨激励产生的非平稳振动载荷,而目前针对轨道车辆悬臂结构的随机振动疲劳评估方法尚处于研究阶段,因此,亟需一种轨道车辆悬臂结构的疲劳寿命预测方法及系统来对轨道车辆的悬臂结构的疲劳寿命进行预测和评估。
发明内容
本发明提供一种轨道车辆悬臂结构的疲劳寿命预测方法及系统,用以解决现有技术中轨道车辆悬臂结构的疲劳寿命难以评估的技术问题,实现轨道车辆悬臂结构的预测。
本发明提供一种轨道车辆悬臂结构的疲劳寿命预测方法,包括:
搭建试验台对悬臂结构进行测试,获得悬臂结构的加速度与应力的数据,并建立BP神经网络训练系统,以获得加速度-应力函数;
根据轨道车辆的实测加速度,基于加速度-应力函数来获得悬臂结构的应力预测值;
基于应力预测值以雨流计数法编制应力谱;
根据应力谱得出应力概率密度函数,求解得出应力最大值并编制扩展应力谱,基于应力最大值确定悬臂结构的缺陷临界尺寸;
基于悬臂结构的缺陷实际尺寸与缺陷临界尺寸相对比,采用累积损伤法或断裂力学法进行寿命预测。
根据本发明提供一种的轨道车辆悬臂结构的疲劳寿命预测方法,所述搭建试验台对悬臂结构进行测试,获得悬臂结构的加速度与应力的数据的步骤包括:
搭建振动试验台,对轨道车辆的悬臂结构进行应力测试,向振动试验台输入加速度时域信号,以采集悬臂结构的应力响应,得到加速度时域信号-应力响应的第一数据。
根据本发明提供的一种轨道车辆悬臂结构的疲劳寿命预测方法,所述搭建试验台对悬臂结构进行测试,获得悬臂结构的加速度与应力的数据的步骤还包括:
搭建滚振试验台,采集悬臂结构的加速度与应力信号,得到加速度-应力的第二数据。
根据本发明提供的一种轨道车辆悬臂结构的疲劳寿命预测方法,结合所述第一数据和第二数据搭建所述BP神经网络训练系统。
根据本发明提供的一种轨道车辆悬臂结构的疲劳寿命预测方法,所述基于悬臂结构的缺陷实际尺寸与缺陷临界尺寸相对比,采用累积损伤法或断裂力学法进行寿命预测的步骤包括:
在检修探伤过程中或悬臂结构出厂抽检过程中,将悬臂结构的缺陷实际尺寸与缺陷临界尺寸对比;
若缺陷实际尺寸大于缺陷临界尺寸,则采用累积损伤法进行寿命预测;
若缺陷实际尺寸小于缺陷临界尺寸,则采用断裂力学法进行寿命预测。
本发明还提供一种轨道车辆悬臂结构的疲劳寿命预测系统,包括:
振动试验台,用于对轨道车辆的悬臂结构进行应力测试,并基于输入的加速度时域信号,采集悬臂结构的应力响应,得到加速度时域信号-应力响应的第一数据;
滚振试验台,用于采集悬臂结构的加速度与应力信号,得到加速度-应力的第二数据;
BP神经网络训练系统,与振动试验台和滚振试验台信号连接,以根据所述第一数据和第二数据获得加速度-应力函数;
传感器,用于实测轨道车辆的加速度;
应力预测值计算模块,与BP神经网络训练系统和传感器信号连接,用于根据所述加速度-应力函数和轨道车辆的实测加速度,获得悬臂结构的应力预测值;
应力谱编制模块,与所述应力预测值计算模块信号连接,用于根据应力预测值以雨流计数法编制应力谱;
缺陷临界尺寸计算模块,与所述应力谱编制模块信号连接,用于根据应力谱得出应力概率密度函数,求解得出应力最大值并编制扩展应力谱,基于应力最大值确定悬臂结构的缺陷临界尺寸;以及
对比计算模块,与缺陷临界尺寸计算模块和应力谱编制模块信号连接,用于输入悬臂结构的缺陷实际尺寸,并基于缺陷实际尺寸与缺陷临界尺寸相对比,选择采用累积损伤法或断裂力学法进行寿命预测计算,根据计算方法结合所述应力谱来输出悬臂结构的剩余寿命。
根据本发明提供的轨道车辆悬臂结构的疲劳寿命预测系统,还包括所述轨道车辆的健康监测系统,所述健康监测系统与应力预测值计算模块信号连接,用于实时监测所述轨道车辆悬臂结构的应力状态。
本发明还提供一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现前述任一项的轨道车辆悬臂结构的疲劳寿命预测方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,其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前述任一项的轨道车辆悬臂结构的疲劳寿命预测方法的步骤。
本发明还提供计算机程序产品,当所述计算机程序产品在电子设备上运行时实现前述任一项的轨道车辆悬臂结构的疲劳寿命预测方法的步骤。
本发明实施例提供的轨道车辆悬臂结构的疲劳寿命预测方法,至少具有以下的有益效果之一:
1、以轨道车辆的实测加速度作为输入载荷,可有效反应悬臂结构的实际服役环境及载荷条件,并且可真实地反映服役状态下轨道车辆悬臂结构的应力水平,从而可以精准地预测悬臂结构的剩余寿命;
2、利用BP神经网络训练系统建立加速度-应力函数,结合实测加速度作为输入载荷,以获得轨道车辆悬臂结构的应力响应,可准确地反映结构的真实应力水平;
3、采用雨流计数法进行梳理统计并编制应力谱,使预测应力分布特征于实测应力基本保持一致,得到的悬臂结构的相对疲劳损伤偏差小,使后续计算的结果剩余寿命误差小,精度高;
4、基于悬臂结构的缺陷实际尺寸与缺陷临界尺寸相对比,采用累积损伤法或断裂力学法进行寿命预测可以根据不同的条件采用不同的算法,使悬臂结构寿命计算更加合理。
附图说明
为了更清楚地说明本发明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一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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,还可以根据这些附图获得其他的附图。
图1是本发明提供的轨道车辆悬臂结构的疲劳寿命预测方法的流程示意图之一;
图2是本发明提供的轨道车辆悬臂结构的疲劳寿命预测方法的流程示意图之二;
图3是广深线的转向架的构架端部应力响应的预测值与实测值的时间-应力对比图;
图4是宜昌-潜红线的转向架的构架端部应力响应的预测值与实测值的时间-应力对比图;
图5是广深线的转向架的构架端部应力谱的预测值与实测值对比曲线图;
图6是宜昌-潜红线的转向架的构架端部应力谱的预测值与实测值对比曲线图。
具体实施方式
下面结合附图和实施例对本发明的实施方式作进一步详细描述。以下实施例用于说明本发明,但不能用来限制本发明的范围。
在本发明实施例的描述中,需要说明的是,术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明实施例和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明实施例的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明实施例的描述中,需要说明的是,除非另有明确的规定和限定,术语“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明实施例中的具体含义。
在本发明实施例中,除非另有明确的规定和限定,第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触,或第一和第二特征通过中间媒介间接接触。而且,第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方,或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明实施例的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
下面结合图1-图6描述本发明的轨道车辆悬臂结构的疲劳寿命预测方法,包括:
搭建试验台对悬臂结构进行测试,获得悬臂结构的加速度与应力的数据,并建立BP(Back Propagation,反向传播学习算法)神经网络训练系统,以获得加速度-应力函数;
根据轨道车辆的实测加速度,基于加速度-应力函数来获得悬臂结构的应力预测值;
基于应力预测值以雨流计数法编制应力谱;
根据应力谱得出应力概率密度函数,求解得出应力最大值并编制扩展应力谱,基于应力最大值确定悬臂结构的缺陷临界尺寸;
基于悬臂结构的缺陷实际尺寸与缺陷临界尺寸相对比,采用累积损伤法或断裂力学法进行寿命预测。
通过搭建试验台对悬臂结构进行测试可以获得悬臂结构的加速度和应力之间关系的数据,基于这些数据建立BP神经网络训练系统,便可形成加速度-应力函数。其中加速度-应力函数为众多数据下加速度和应力的对应关系,即根据输入的加速度便可得知此时悬臂结构的应力值。
通过以轨道车辆的实测加速度作为输入载荷,可有效反应悬臂结构的实际服役环境及载荷条件,并且可真实地反映服役状态下轨道车辆悬臂结构的应力水平,从而可以精准地预测悬臂结构的剩余寿命。
利用BP神经网络训练系统建立加速度-应力函数,结合实测加速度作为输入载荷,以获得轨道车辆悬臂结构的应力响应,可准确地反映结构的真实应力水平。
采用雨流计数法进行梳理统计并编制应力谱,使预测应力分布特征于实测应力基本保持一致,得到的悬臂结构的相对疲劳损伤偏差小(在15%以内),使后续计算的结果剩余寿命误差小,精度高。
根据应力谱得出应力概率密度函数,求解得出应力最大值,确定悬臂结构在疲劳寿命里程内的应力最大值,进而确定缺陷临界尺寸,可以为悬臂结构的焊接工艺要求的制定提供理论依据。
基于悬臂结构的缺陷实际尺寸与缺陷临界尺寸相对比,采用累积损伤法或断裂力学法进行寿命预测可以根据不同的条件采用不同的算法,使悬臂结构寿命计算更加合理。
同时,本方法通过搭建试验台来获得BP神经网络训练系统所需的试验样本,方法简单,计算速度快,可较快的预测悬臂结构的疲劳寿命。
根据本发明提供的轨道车辆悬臂结构的疲劳寿命预测方法,所述搭建试验台对悬臂结构进行测试,获得悬臂结构的加速度与应力的数据的步骤包括:
搭建振动试验台,对轨道车辆的悬臂结构进行应力测试,向振动试验台输入加速度时域信号,以采集悬臂结构的应力响应,得到加速度时域信号-应力响应的第一数据。
所述搭建试验台对悬臂结构进行测试,获得悬臂结构的加速度与应力的数据的步骤还包括:
搭建滚振试验台,采集悬臂结构的加速度与应力信号,得到加速度-应力的第二数据。
其中,结合所述第一数据和第二数据搭建所述BP神经网络训练系统。
BP神经网络训练系统基于两种试验给出的加速度-应力关系得出加速度-应力函数,其中,向振动试验台输入加速度时域信号可以为电子化的输入,可以以每秒输入上万个加速度数值,且输入时间在20分钟作用,从而在前期充分输入数据以形成数据较为完善的加速度-应力函数,这样可以提高测试数据的利用率,减少线路试验内容,节约试验成本。
基于较为完善的数据,针对新设计的且前期未进行相关线路测试的悬臂结构,可单独测试振动加速度,可删减动应力测试点,以降低试验成本。
根据本发明提供的轨道车辆悬臂结构的疲劳寿命预测方法,所述基于悬臂结构的缺陷实际尺寸与缺陷临界尺寸相对比,采用累积损伤法或断裂力学法进行寿命预测的步骤包括:
在检修探伤过程中或悬臂结构出厂抽检过程中,将悬臂结构的缺陷实际尺寸与缺陷临界尺寸对比;
若缺陷实际尺寸大于缺陷临界尺寸,则采用累积损伤法进行寿命预测;
若缺陷实际尺寸小于缺陷临界尺寸,则采用断裂力学法进行寿命预测。
根据悬臂结构实际存在的缺陷深度来选择采用累积损伤法或断裂力学法进行寿命预测,使悬臂结构的寿命预测更加合理,且可以更具计算出的剩余寿命,指定合理的检修周期。
以轨道车辆转向架和实际运行为例进行深入说明,以转向架的构架端部为研究对象,可以选取武广线路的实测加速度作为加速度时域信号的输入数据,其输出的应力信息结合加速度时域信号数据作为学习样本,基于这个样本的加速度和应力信息来获取转向架的加速度-应力传递关系,应用广深线、宜昌-潜红线测试得到加速度信号为输入,可计算得出转向架的构架端部的应力响应曲线,与实际的应力响应曲线相对比,具有较好的一致性。
再利用雨流计数法计算获得广深线、宜昌-潜红线中的数据,得到应力谱,如图3-图6所示,预测值和实测值具有相同的分布特征,同时在此基础上计算相对疲劳损伤,并进行归一化处理,得到列车在广深线运营时,转向架的构架端部的预测值和实测值的相对疲劳损伤分别为1、0.92,在宜昌-潜江线运营时,转向架的构架端部的预测值和实测值的相对疲劳损伤分别为1、0.86,由此可知应力预测值所产生的疲劳损伤与实测值差异较小,且预测值损伤略高于实测值,该对比结果进一步验证了本发明所提出疲劳寿命预测方法的有效性和准确性。
下面对本发明提供的轨道车辆悬臂结构的疲劳寿命预测系统进行描述,下文描述的轨道车辆悬臂结构的疲劳寿命预测系统与上文描述的轨道车辆悬臂结构的疲劳寿命预测方法可相互对应参照。
轨道车辆悬臂结构的疲劳寿命预测系统包括:
振动试验台,用于对轨道车辆的悬臂结构进行应力测试,并基于输入的加速度时域信号,采集悬臂结构的应力响应,得到加速度时域信号-应力响应的第一数据;
滚振试验台,用于采集悬臂结构的加速度与应力信号,得到加速度-应力的第二数据;
BP神经网络训练系统,与振动试验台和滚振试验台信号连接,以根据所述第一数据和第二数据获得加速度-应力函数;
传感器,用于实测轨道车辆的加速度,传感器可以使轨道车辆自带的用于检测加速度的传感器;
应力预测值计算模块,与BP神经网络训练系统和传感器信号连接,用于根据所述加速度-应力函数和轨道车辆的实测加速度,获得悬臂结构的应力预测值;
应力谱编制模块,与所述应力预测值计算模块信号连接,用于根据应力预测值以雨流计数法编制应力谱;
缺陷临界尺寸计算模块,与所述应力谱编制模块信号连接,用于根据应力谱得出应力概率密度函数,求解得出应力最大值并编制扩展应力谱,基于应力最大值确定悬臂结构的缺陷临界尺寸;以及
对比计算模块,与缺陷临界尺寸计算模块和应力谱编制模块信号连接,用于输入悬臂结构的缺陷实际尺寸,并基于缺陷实际尺寸与缺陷临界尺寸相对比,选择采用累积损伤法或断裂力学法进行寿命预测计算,根据计算方法结合所述应力谱来输出悬臂结构的剩余寿命。
通过搭建试验台对悬臂结构进行测试可以获得悬臂结构的加速度和应力之间关系的数据,基于这些数据建立BP神经网络训练系统,便可形成加速度-应力函数。其中加速度-应力函数为众多数据下加速度和应力的对应关系,即根据输入的加速度便可得知此时悬臂结构的应力值。
通过以轨道车辆的实测加速度作为输入载荷,可有效反应悬臂结构的实际服役环境及载荷条件,并且可真实地反映服役状态下轨道车辆悬臂结构的应力水平,从而可以精准地预测悬臂结构的剩余寿命。
利用BP神经网络训练系统建立加速度-应力函数,结合实测加速度作为输入载荷,以获得轨道车辆悬臂结构的应力响应,可准确地反映结构的真实应力水平。
采用雨流计数法进行梳理统计并编制应力谱,使预测应力分布特征于实测应力基本保持一致,得到的悬臂结构的相对疲劳损伤偏差小(在15%以内),使后续计算的结果剩余寿命误差小,精度高。
根据应力谱得出应力概率密度函数,求解得出应力最大值,确定悬臂结构在疲劳寿命里程内的应力最大值,进而确定缺陷临界尺寸,可以为悬臂结构的焊接工艺要求的制定提供理论依据。
基于悬臂结构的缺陷实际尺寸与缺陷临界尺寸相对比,采用累积损伤法或断裂力学法进行寿命预测可以根据不同的条件采用不同的算法,使悬臂结构寿命计算更加合理。
同时,本方法通过搭建试验台来获得BP神经网络训练系统所需的试验样本,方法简单,计算速度快,可较快的预测悬臂结构的疲劳寿命。
其中,轨道车辆悬臂结构的疲劳寿命预测系统还包括轨道车辆的健康监测系统,所述健康监测系统与应力预测值计算模块信号连接,用于实时监测所述轨道车辆悬臂结构的应力状态。从而可以在轨道车辆上实时监测悬臂结构的应力状态。
另一方面,本发明还提供一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现如前述任一项的轨道车辆悬臂结构的疲劳寿命预测方法的步骤。其中,该轨道车辆悬臂结构的疲劳寿命预测方法包括搭建试验台对悬臂结构进行测试,获得悬臂结构的加速度与应力的数据,并建立BP神经网络训练系统,以获得加速度-应力函数;根据轨道车辆的实测加速度,基于加速度-应力函数来获得悬臂结构的应力预测值;基于应力预测值以雨流计数法编制应力谱;根据应力谱得出应力概率密度函数,求解得出应力最大值并编制扩展应力谱,基于应力最大值确定悬臂结构的缺陷临界尺寸;基于悬臂结构的缺陷实际尺寸与缺陷临界尺寸相对比,采用累积损伤法或断裂力学法进行寿命预测。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其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前述任一项的轨道车辆悬臂结构的疲劳寿命预测方法的步骤。其中,该轨道车辆悬臂结构的疲劳寿命预测方法包括搭建试验台对悬臂结构进行测试,获得悬臂结构的加速度与应力的数据,并建立BP神经网络训练系统,以获得加速度-应力函数;根据轨道车辆的实测加速度,基于加速度-应力函数来获得悬臂结构的应力预测值;基于应力预测值以雨流计数法编制应力谱;根据应力谱得出应力概率密度函数,求解得出应力最大值并编制扩展应力谱,基于应力最大值确定悬臂结构的缺陷临界尺寸;基于悬臂结构的缺陷实际尺寸与缺陷临界尺寸相对比,采用累积损伤法或断裂力学法进行寿命预测。
又一方面,本发明还提供一种计算机程序产品,当所述计算机程序产品在电子设备上运行时实现如前述任一项的轨道车辆悬臂结构的疲劳寿命预测方法的步骤。其中,该轨道车辆悬臂结构的疲劳寿命预测方法包括搭建试验台对悬臂结构进行测试,获得悬臂结构的加速度与应力的数据,并建立BP神经网络训练系统,以获得加速度-应力函数;根据轨道车辆的实测加速度,基于加速度-应力函数来获得悬臂结构的应力预测值;基于应力预测值以雨流计数法编制应力谱;根据应力谱得出应力概率密度函数,求解得出应力最大值并编制扩展应力谱,基于应力最大值确定悬臂结构的缺陷临界尺寸;基于悬臂结构的缺陷实际尺寸与缺陷临界尺寸相对比,采用累积损伤法或断裂力学法进行寿命预测。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种轨道车辆悬臂结构的疲劳寿命预测方法,其特征在于,包括:
搭建试验台对悬臂结构进行测试,获得所述悬臂结构的加速度与应力的数据,并建立BP神经网络训练系统,以获得加速度-应力函数;
根据轨道车辆的实测加速度,基于所述加速度-应力函数来获得悬臂结构的应力预测值;
基于所述应力预测值以雨流计数法编制应力谱;
根据所述应力谱得出应力概率密度函数,求解得出应力最大值并编制扩展应力谱,基于所述应力最大值确定所述悬臂结构的缺陷临界尺寸;
基于所述悬臂结构的缺陷实际尺寸与所述缺陷临界尺寸相对比,采用累积损伤法或断裂力学法进行寿命预测。
2.根据权利要求1所述的轨道车辆悬臂结构的疲劳寿命预测方法,其特征在于,所述搭建试验台对悬臂结构进行测试,获得悬臂结构的加速度与应力的数据的步骤包括:
搭建振动试验台,对轨道车辆的悬臂结构进行应力测试,向振动试验台输入加速度时域信号,以采集悬臂结构的应力响应,得到加速度时域信号-应力响应的第一数据。
3.根据权利要求2所述的轨道车辆悬臂结构的疲劳寿命预测方法,其特征在于,所述搭建试验台对悬臂结构进行测试,获得悬臂结构的加速度与应力的数据的步骤还包括:
搭建滚振试验台,采集悬臂结构的加速度与应力信号,得到加速度-应力的第二数据。
4.根据权利要求3所述的轨道车辆悬臂结构的疲劳寿命预测方法,其特征在于,结合所述第一数据和第二数据搭建所述BP神经网络训练系统。
5.根据权利要求1所述的轨道车辆悬臂结构的疲劳寿命预测方法,其特征在于,所述基于悬臂结构的缺陷实际尺寸与缺陷临界尺寸相对比,采用累积损伤法或断裂力学法进行寿命预测的步骤包括:
在检修探伤过程中或悬臂结构出厂抽检过程中,将悬臂结构的缺陷实际尺寸与缺陷临界尺寸对比;
若缺陷实际尺寸大于缺陷临界尺寸,则采用累积损伤法进行寿命预测;
若缺陷实际尺寸小于缺陷临界尺寸,则采用断裂力学法进行寿命预测。
6.一种轨道车辆悬臂结构的疲劳寿命预测系统,其特征在于,包括:
振动试验台,用于对所述轨道车辆的悬臂结构进行应力测试,并基于输入的加速度时域信号,采集悬臂结构的应力响应,得到加速度时域信号-应力响应的第一数据;
滚振试验台,用于采集所述悬臂结构的加速度与应力信号,得到加速度-应力的第二数据;
BP神经网络训练系统,与所述振动试验台和滚振试验台信号连接,以根据所述第一数据和第二数据获得加速度-应力函数;
传感器,用于实测所述轨道车辆的加速度;
应力预测值计算模块,与所述BP神经网络训练系统和传感器信号连接,用于根据所述加速度-应力函数和轨道车辆的实测加速度,获得所述悬臂结构的应力预测值;
应力谱编制模块,与所述应力预测值计算模块信号连接,用于根据所述应力预测值以雨流计数法编制应力谱;
缺陷临界尺寸计算模块,与所述应力谱编制模块信号连接,用于根据应力谱得出应力概率密度函数,求解得出应力最大值并编制扩展应力谱,基于所述应力最大值确定所述悬臂结构的缺陷临界尺寸;以及
对比计算模块,与所述缺陷临界尺寸计算模块和应力谱编制模块信号连接,用于输入所述悬臂结构的缺陷实际尺寸,并基于缺陷实际尺寸与缺陷临界尺寸相对比,选择采用累积损伤法或断裂力学法进行寿命预测计算,根据计算方法结合所述应力谱来输出悬臂结构的剩余寿命。
7.根据权利要求6所述的轨道车辆悬臂结构的疲劳寿命预测系统,其特征在于,还包括所述轨道车辆的健康监测系统,所述健康监测系统与应力预测值计算模块信号连接,用于实时监测所述轨道车辆悬臂结构的应力状态。
8.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至5任一项所述轨道车辆悬臂结构的疲劳寿命预测方法的步骤。
9.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述轨道车辆悬臂结构的疲劳寿命预测方法的步骤。
10.一种计算机程序产品,其特征在于,当所述计算机程序产品在电子设备上运行时实现如权利要求1至5任一项所述轨道车辆悬臂结构的疲劳寿命预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210002163.8A CN114491799A (zh) | 2022-01-04 | 2022-01-04 | 轨道车辆悬臂结构的疲劳寿命预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210002163.8A CN114491799A (zh) | 2022-01-04 | 2022-01-04 | 轨道车辆悬臂结构的疲劳寿命预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114491799A true CN114491799A (zh) | 2022-05-13 |
Family
ID=81509903
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210002163.8A Pending CN114491799A (zh) | 2022-01-04 | 2022-01-04 | 轨道车辆悬臂结构的疲劳寿命预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114491799A (zh) |
-
2022
- 2022-01-04 CN CN202210002163.8A patent/CN114491799A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3783356A1 (en) | Train component crack damage monitoring method and system | |
CN101221104B (zh) | 基于分布式应变动态测试的结构健康监测方法 | |
CN111417846A (zh) | 监视铁路车辆的轮轴 | |
CN113705412B (zh) | 基于深度学习的多源数据融合的轨道状态检测方法及装置 | |
CN110243465A (zh) | 桥梁振动加速度和固有频率在线实时监控装置、终端及方法 | |
CN112505570A (zh) | 电动汽车的电池健康状态的估计方法 | |
Bernal et al. | Wheel flat analogue fault detector verification study under dynamic testing conditions using a scaled bogie test rig | |
CN114414023A (zh) | 传感器异常诊断方法及装置、存储介质 | |
JPH09243518A (ja) | 車両車軸の疲労監視装置 | |
CN114491799A (zh) | 轨道车辆悬臂结构的疲劳寿命预测方法及系统 | |
CN112131781B (zh) | 基于全连接神经网络与传递率函数的钢结构损伤检测方法 | |
CN110143217B (zh) | 轨道状态测量方法、系统及装置 | |
CN116087096A (zh) | 焊接结构健康监测方法、装置、电子设备及存储介质 | |
CN114091160B (zh) | 一种桥梁结构损伤的智能化检测方法及系统 | |
JP7447045B2 (ja) | 検査システム、検査装置及び検査方法 | |
CN114139383A (zh) | 一种燃料电池汽车的动态疲劳可靠性风险评估方法 | |
CN110988138B (zh) | 一种焊接件质量检测装置及方法 | |
KR100651187B1 (ko) | 도시철도 차량의 운행중 진동 시험장치 및 그 방법 | |
CN117592149B (zh) | 基于实桥监测的钢桥面疲劳评估方法、系统、设备及介质 | |
JP3446007B2 (ja) | 構造物の劣化診断方法、及び構造物の劣化診断装置 | |
Sobrinho et al. | IoT and Big Data Analytics: Under-Rail Maintenance Management at Vitória–Minas Railway | |
CN113221212B (zh) | 一种钢轨焊接平顺状态评估管理方法 | |
US11293939B2 (en) | Method and device for detecting sensor errors | |
CN118211310B (zh) | 基于均值位移累积度的桥梁空心板横向联系状态评估方法、系统及存储介质 | |
JP7535982B2 (ja) | 検修管理システム、検修管理方法、および検修管理プログラム |
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 |