CN114925452A - 基于动态状态的导波-隐马尔可夫模型裂纹在线评估方法 - Google Patents

基于动态状态的导波-隐马尔可夫模型裂纹在线评估方法 Download PDF

Info

Publication number
CN114925452A
CN114925452A CN202210560104.2A CN202210560104A CN114925452A CN 114925452 A CN114925452 A CN 114925452A CN 202210560104 A CN202210560104 A CN 202210560104A CN 114925452 A CN114925452 A CN 114925452A
Authority
CN
China
Prior art keywords
guided wave
state
hidden markov
markov model
crack
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.)
Granted
Application number
CN202210560104.2A
Other languages
English (en)
Other versions
CN114925452B (zh
Inventor
袁慎芳
陈健
张巾巾
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202210560104.2A priority Critical patent/CN114925452B/zh
Publication of CN114925452A publication Critical patent/CN114925452A/zh
Application granted granted Critical
Publication of CN114925452B publication Critical patent/CN114925452B/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
    • G06F30/15—Vehicle, aircraft or watercraft 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
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • 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)
  • Geometry (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)

Abstract

本发明公开了一种基于动态状态的导波‑隐马尔可夫模型裂纹在线评估方法，采用导波‑隐马尔可夫模型进行疲劳裂纹的萌生诊断和定量化评估，结合无损检测数据对导波‑隐马尔可夫模型中的隐含状态进行更新，动态增加新的隐含状态，并更新和修正导波‑隐马尔可夫模型输出的平滑概率因子标定模型，提高疲劳裂纹在线评估准确性。本发明可以有效地解决初始先验数据与单机结构实际状态差异导致损伤评估准确性降低的问题，实现飞行器金属结构疲劳裂纹的可靠评估。

Description

基于动态状态的导波-隐马尔可夫模型裂纹在线评估方法
技术领域
本发明属于结构健康监测技术领域，具体涉及一种基于动态状态的导波-隐马尔可夫模型(Guided wave-hidden Markov model,GW-HMM)裂纹在线评估方法。
背景技术
飞行器结构完整性对于保障飞行器安全至关重要。对于飞行器结构，疲劳损伤是其最主要且最危险的损伤形式之一。在飞行器服役过程中，及时准确地获取结构疲劳损伤状态对于航空飞行器结构的安全评定和维护保障都具有重大意义。近三十年来，结构健康监测(Structural Health Monitoring，SHM)技术被提出并快速发展，逐步从理论研究转向航空工程应用。在SHM技术面向工程应用过程中，实现服役条件下的疲劳损伤诊断是其面临的重要挑战之一。其主要原因在于，服役条件下单机结构疲劳载荷、边界条件、服役环境参数等都将随机变化，这些不确定性变化不仅仅影响疲劳损伤的萌生和扩展，还会影响结构健康监测传感器和系统性能，导致从结构健康监测信号中提取的损伤特征具有强不确定性和偏置，使得许多在实验室中进展顺利的SHM技术在面向工程应用时损伤评估准确性降低。
隐马尔可夫模型(Hidden Markov Model，HMM)作为一种强模式识别工具，非常适用于对非稳态的不确定性数据建模，因此被广泛应用于机械旋转结构的振动信号建模，以实现服役条件下的机械结构故障诊断。一些学者也将隐马尔可夫模型和压电导波结构健康监测技术尝试结合，建立导波-隐马尔可夫模型诊断方法进行疲劳损伤评估，被认为是解决服役条件下损伤评估的一种非常有前景的方法。已有传统方法首先确定结构隐含损伤状态数目，采用分别属于这些隐含状态的先验数据对隐马尔可夫模型进行训练和标定，然后通过结构在线获取的数据以确定结构所属的损伤状态或者损伤程度。然而由于单机结构服役条件未知，并且结构疲劳损伤会逐渐演化，其可能的损伤状态与初始先验数据定义的状态并不一致，导致损伤评估准确性降低。
发明内容
针对飞行器服役不确定性影响下结构疲劳裂纹的在线评估问题，本发明的目的在于提供一种基于动态状态的导波-隐马尔可夫模型(Guided wave-hidden Markov model,GW-HMM)裂纹在线评估方法，本发明采用导波-隐马尔可夫模型进行疲劳裂纹的萌生诊断和定量化评估，结合无损检测数据对导波-隐马尔可夫模型中的隐含状态进行更新，动态增加新的隐含状态，并更新和修正导波-隐马尔可夫模型输出的平滑概率因子标定模型，提高疲劳裂纹在线评估准确性。
为达到上述目的，本发明采用的技术方案如下：
本发明的一种基于动态状态的导波-隐马尔可夫模型裂纹在线评估方法，步骤如下：
(1)通过同类结构在健康状态下采集的导波观测值训练离线导波-隐马尔可夫模型；
(2)在线获取目标结构导波观测值，输入至训练后的离线导波-隐马尔可夫模型，通过判断训练后的离线导波-隐马尔可夫模型输出的平滑概率因子是否超过阈值来诊断结构裂纹萌生；若未超过阈值，则重复步骤(2)；若超过阈值则裂纹萌生，通过已获取的目标结构导波观测值重新训练离线导波-隐马尔可夫模型的参数，得到在线导波-隐马尔可夫模型；
(3)通过同类结构在不同裂纹尺寸下获得的导波观测值对在线导波-隐马尔可夫模型的平滑概率因子标定模型进行训练；
(4)在线获取目标结构导波观测值，先后输入在线导波-隐马尔可夫模型和平滑概率因子标定模型中，输出目标结构裂纹评估结果；
(5)根据所述评估结果判断裂纹是否达到设定的阈值，若未达到阈值则进入步骤(6)；若达到阈值则结束；
(6)判断是否进行无损检测，若是则进入步骤(7)，若否则返回步骤(4)；
(7)通过无损检测获取结构真实裂纹尺寸，结合已获取的目标结构导波观测值，增加在线导波-隐马尔可夫模型的隐含状态个数，即为动态状态；
(8)采用已获取的目标结构导波观测值，对增加隐含状态后的在线导波-隐马尔可夫模型进行重新训练；
(9)采用同类结构在不同裂纹尺寸下的导波观测值对平滑概率因子标定模型进行重新训练，然后修正平滑概率因子标定模型；
(10)重复上述(4)-(9)，实现结构疲劳裂纹在线评估，直到裂纹评估结果达到阈值。
进一步地，所述步骤(1)中的离线导波-隐马尔可夫模型和步骤(2)中在线导波-隐马尔可夫模型具有相同的结构，都包括2个隐含状态，其均表征结构健康状态并且可相互转移。
进一步地，所述步骤(7)中的结构真实裂纹尺寸记为
Figure BDA0003656065290000021
其中上标表示最近时刻
Figure BDA0003656065290000022
进行的第υ次无损检测，υ＝1,2,...，下标NDT为无损检测(Non-Destructive Testing，NDT)。
进一步地，所述步骤(7)中增加在线导波-隐马尔可夫模型的隐含状态，即更新模型隐含状态集合为{S1,S2,..,S2+υ}，其中S1和S2表示结构的健康状态，S2以后的状态表示结构的损伤状态，S2+υ为最新增加的损伤状态；对于状态下标i＞j且i＞2的状态Si和Sj，状态Si向状态Sj转移的概率为0，表示疲劳裂纹演化是不可逆的过程。
进一步地，所述步骤(8)中已获取的目标结构导波观测值包括：时刻tD之前获取的导波观测值，其属于结构健康状态S1和S2，其中时刻tD表示诊断到目标结构裂纹萌生的时刻；时刻tD和
Figure BDA0003656065290000031
之间获取的导波观测值，属于结构的损伤状态S3，
Figure BDA0003656065290000032
为第一次无损检测的时刻；时刻
Figure BDA0003656065290000033
和
Figure BDA0003656065290000034
之间获取的导波观测值(υ＞1)属于损伤状态Sυ+2，其中
Figure BDA0003656065290000035
和
Figure BDA0003656065290000036
分别为第υ-1次和第υ次无损检测的时刻。
进一步地，所述步骤(8)中对增加隐含状态后的在线导波-隐马尔可夫模型进行重新训练具体为：将属于结构健康状态S1和S2的导波观测值前90％随机均分为两类，分别赋予健康状态S1和S2；将时刻tD和
Figure BDA0003656065290000037
之间获取的导波观测值赋予损伤状态S3，将
Figure BDA0003656065290000038
和
Figure BDA0003656065290000039
之间获取的导波观测值(υ＞1)，分别赋予对应的损伤状态S2+υ；
初始化在线导波-隐马尔可夫模型中隐含状态的先验概率，设置为π1＝1，以及πi＝0，i＞1，其中π1为状态S1的先验概率，πi为状态Si的先验概率；
初始化在线导波-隐马尔可夫模型的先验状态转移概率，对于序号i＞j以及i＞2的状态，其先验状态转移概率初始化为ai,j＝0，其中ai,j表示状态Si转移到Sj的概率；对于状态序号i＜j，其先验状态转移概率初始化为ai,j＝0.1；对于状态序号i＝j，其先验状态转移概率初始化为1-∑ai,j,i≠j；对于状态序号i＝2,j＝1，其先验状态转移概率初始化为a2,1＝0.1；
采用均匀初始化高斯混合模型聚类方法初始化在线导波-隐马尔可夫模型的观测概率分布，通过Baum-Welch算法对在线导波-隐马尔可夫模型的参数进行优化。
进一步地，所述步骤(8)中同类结构在不同裂纹尺寸下的导波观测值为
Figure BDA00036560652900000310
其中xf为裂纹，Of为裂纹xf对应的导波观测值，F为数据个数；从数据集
Figure BDA00036560652900000311
中按照
Figure BDA00036560652900000312
的准则，挑选出新的数据集
Figure BDA00036560652900000313
其中xκ为裂纹，Oκ为裂纹xf对应的导波观测值，Tυ表示挑选出数据的个数。
进一步地，所述步骤(8)中对平滑概率因子标定模型进行重新训练和修正具体为：
将挑选的数据集
Figure BDA00036560652900000314
输入在线导波-隐马尔可夫模型中，输出平滑概率因子
Figure BDA00036560652900000315
获得数据集
Figure BDA00036560652900000316
通过最小二乘方法拟合该数据集得到平滑概率因子标定模型：
x＝gυ(γ)
式中，x为裂纹，γ为平滑概率因子，gυ(·)为平滑概率因子标定模型；
采用无损检测获得的结构真实裂纹尺寸
Figure BDA0003656065290000041
计算误差修正项ευ如下：
Figure BDA0003656065290000042
式中，
Figure BDA0003656065290000043
为第υ次NDT时最后获取的导波观测值对应的平滑概率因子；
通过该误差修正项ευ，得到修正后的平滑概率因子标定模型如下：
x'＝gυ(γ)+ευ
式中，x'为评估得到的裂纹。
本发明的有益效果：
本发明可以有效地解决初始先验数据与单机结构实际状态差异导致损伤评估准确性降低的问题，实现飞行器金属结构疲劳裂纹的可靠评估。对于保障飞行器结构安全，实现飞行器结构视情维护，以降低飞行器运维费用具有重要意义。
附图说明
图1为本发明方法的流程图。
图2为本发明中离线导波-隐马尔可夫模型示意图。
图3为本发明中基于动态状态的在线导波-隐马尔可夫模型示意图。
图4为实施例中耳片结构压电传感器布置示意图。
图5为实施例中耳片结构FT-1到FT-3的疲劳裂纹扩展情况示意图。
图6为实施例中耳片结构FT-4的疲劳裂纹萌生诊断结果示意图。
图7为实施例中初始的在线导波-隐马尔可夫模型状态分布示意图。
图8为实施例中第一次状态动态更新后的在线导波-隐马尔可夫模型状态分布示意图。
图9为实施例中第二次状态动态更新后的在线导波-隐马尔可夫模型状态分布示意图。
图10为实施例中耳片结构FT-4的疲劳裂纹评估结果示意图。
具体实施方式
为了便于本领域技术人员的理解，下面结合实施例与附图对本发明作进一步的说明，实施方式提及的内容并非对本发明的限定。
参照图1所示，本发明的一种基于动态状态的导波-隐马尔可夫模型裂纹在线评估方法，步骤如下：
(1)通过同类结构在健康状态下采集的导波观测值训练离线导波-隐马尔可夫模型；
其中，导波-隐马尔可夫模型由如下参数表征：
11)N：模型隐含状态的个数；记t时刻结构所处状态为qt，其满足qt∈{S1,S2,…,SN}，其中S1,S2,SN分别为隐马尔可夫模型的隐含状态，下标为隐含状态的序号；
12)π：初始状态概率向量；π＝{π1,π2,...πi,...,πN}，π1,π2,...πi,...,πN分别为初始状态概率，其下标1≤i≤N为状态序号，πi表示结构在初始时刻所处状态为隐含状态Si的概率，并且满足
Figure BDA0003656065290000051
13)A：状态转移概率矩阵；A＝{ai,j}，其中ai,j＝P(qt+1＝Sj|qt＝Si)，符号P表示概率，qt为结构在t时刻所处状态，qt+1为结构在t+1时刻所处状态，Si和Sj分别为模型的第i个和第j个状态，ai,j表示状态qt由Si转移到Sj的概率；
14)B：观测值概率矩阵；B＝{bi(ot)}：其中bi(ot)＝P(ot|qt＝Si)，ot为t时刻观测值，Si为模型的第i个状态，qt为结构在t时刻所处状态，bi(ot)表示结构处于Si状态并获得观测值ot的概率，其采用高斯混合模型表示。
如图2所示，离线导波-隐马尔可夫模型具有2个隐含状态
Figure BDA0003656065290000052
和
Figure BDA0003656065290000053
均表征结构健康状态，状态可相互转移。
面向目标结构在线评估，首先开展同类结构的疲劳试验，采用导波结构健康监测方法进行结构疲劳裂纹监测；按照一定的时间间隔在结构中连续激励和采集导波信号；记在t时刻从导波信号中提取的损伤因子观测值为ot，则同类结构在健康状态下获取的观测值可以表示为O*＝{o1,o2,…,oH}，其中H为健康观测值的个数；
然后，将O*中的观测值随机分为两组，分配给隐含状态
Figure BDA0003656065290000054
和
Figure BDA0003656065290000055
采用均匀初始化高斯混合模型聚类方法对观测概率进行初始化，然后采用Baum-Welch算法对离线导波-隐马尔可夫模型的参数进行优化，得到训练后的离线导波-隐马尔可夫模型。
(2)在线获取目标结构导波观测值，输入至训练后的离线导波-隐马尔可夫模型，通过判断训练后的离线导波-隐马尔可夫模型输出的平滑概率因子是否超过阈值来诊断结构裂纹萌生；若未超过阈值，则重复步骤(2)；若超过阈值则裂纹萌生，通过已获取的目标结构导波观测值重新训练离线导波-隐马尔可夫模型的参数，得到在线导波-隐马尔可夫模型；
其中，目标结构在服役过程中，在线获取的t时刻观测值记为ot，则连续获取的观测值可组成长度为k的观测值序列Ot＝{ot-k+1,ot-k+2,…,ot}。序列中ot-k+1，ot-k+2和ot分别表示在t-k+1，t-k+2以及t时刻获取的观测值；在t时刻，平滑概率因子通过下式计算得到：
Figure BDA0003656065290000061
式中，γt为t时刻的平滑概率因子，l为滑动平均长度，λ为训练得到的导波-隐马尔可夫模型的参数向量，P(Ot-l+1|λ)，P(Ot-1|λ)，P(Ot|λ)分别为t-l+1时刻，t-1和t时刻的观测似然值；平滑概率因子γt越大，表示结构偏离健康状态越远；根据经验提前设定阈值γth，若γt超过阈值，认为裂纹萌生。
当诊断到裂纹萌生后，此时目标结构已获取的观测值为
Figure BDA0003656065290000062
其中tD为诊断到裂纹萌生的时刻，
Figure BDA0003656065290000063
分别为时刻t＝1，t＝2，t＝tD获得的观测值；
然后将
Figure BDA0003656065290000064
中的前90％观测值随机均分为两组，其分别属于两个隐含状态，采用均匀初始化高斯混合模型聚类方法初始化观测概率，然后采用Baum-Welch算法对离线导波-隐马尔可夫模型的参数进行重新优化，得到在线导波-隐马尔可夫模型。
(3)通过同类结构在不同裂纹尺寸下获得的导波观测值对在线导波-隐马尔可夫模型的平滑概率因子标定模型进行训练；
其中，同类结构在不同裂纹尺寸下获得的导波观测值记为
Figure BDA0003656065290000065
其中xf为裂纹尺寸，Of为裂纹尺寸xf对应的长度为k的导波观测值序列；将其输入在线导波-隐马尔可夫模型中，输出平滑概率因子γf，获得数据集
Figure BDA0003656065290000066
然后，通过最小二乘方法对下式所示的平滑概率因子标定模型进行训练，
x＝gυ(γ)
式中，x为裂纹尺寸，γ为平滑概率因子，gυ(·)为平滑概率因子标定模型。
(4)在线获取目标结构导波观测值，先后输入在线导波-隐马尔可夫模型和平滑概率因子标定模型中，输出目标结构裂纹评估结果；
其中，时刻tD后，在线获取目标结构导波观测值，首先输入在线导波-隐马尔可夫模型计算平滑概率因子γt，然后将其代入平滑概率因子标定模型，获得目标结构裂纹评估结果。
(5)根据所述评估结果判断裂纹是否达到设定的阈值，若未达到阈值则进入步骤(6)；若达到阈值则结束。
(6)判断是否进行无损检测，若是则进入步骤(7)，若否则返回步骤(4)。
(7)通过无损检测获取结构真实裂纹尺寸，结合已获取的目标结构导波观测值，增加在线导波-隐马尔可夫模型的隐含状态个数，即为动态状态，如图3所示。
其中，所述结构真实裂纹尺寸记为
Figure BDA0003656065290000071
其中上标表示最近时刻
Figure BDA0003656065290000072
进行的第υ次无损检测，υ＝1,2,...，下标NDT为无损检测(Non-Destructive Testing，NDT)。
增加在线导波-隐马尔可夫模型的隐含状态，即更新模型隐含状态集合为{S1,S2,..,S2+υ}，其中S1和S2表示结构的健康状态，S2以后的状态表示结构的损伤状态，S2+υ为最新增加的损伤状态；对于状态下标i＞j且i＞2的状态Si和Sj，状态Si向状态Sj转移的概率为0，表示疲劳裂纹演化是不可逆的过程。
(8)采用已获取的目标结构导波观测值，对增加隐含状态后的在线导波-隐马尔可夫模型进行重新训练；
其中，所述步骤(8)中已获取的目标结构导波观测值包括：时刻tD之前获取的导波观测值，其属于结构健康状态S1和S2，其中时刻tD表示诊断到目标结构裂纹萌生的时刻；时刻tD和
Figure BDA0003656065290000073
之间获取的导波观测值，属于结构的损伤状态S3，
Figure BDA0003656065290000074
为第一次无损检测的时刻；时刻
Figure BDA0003656065290000075
和
Figure BDA0003656065290000076
之间获取的导波观测值(υ＞1)属于损伤状态Sυ+2，其中
Figure BDA0003656065290000077
和
Figure BDA0003656065290000078
分别为第υ-1次和第υ次无损检测的时刻。
其中，所述步骤(8)中对增加隐含状态后的在线导波-隐马尔可夫模型进行重新训练具体为：将属于结构健康状态S1和S2的导波观测值前90％随机均分为两类，分别赋予健康状态S1和S2；将时刻tD和
Figure BDA0003656065290000079
之间获取的导波观测值赋予损伤状态S3，将
Figure BDA00036560652900000710
和
Figure BDA00036560652900000711
之间获取的导波观测值(υ＞1)，分别赋予对应的损伤状态S2+υ；
初始化在线导波-隐马尔可夫模型中隐含状态的先验概率，设置为π1＝1，以及πi＝0，i＞1，其中π1为状态S1的先验概率，πi为状态Si的先验概率；
初始化在线导波-隐马尔可夫模型的先验状态转移概率，对于序号i＞j以及i＞2的状态，其先验状态转移概率初始化为ai,j＝0，其中ai,j表示状态Si转移到Sj的概率；对于状态序号i＜j，其先验状态转移概率初始化为ai,j＝0.1；对于状态序号i＝j，其先验状态转移概率初始化为1-∑ai,j,i≠j；对于状态序号i＝2,j＝1，其先验状态转移概率初始化为a2,1＝0.1；
采用均匀初始化高斯混合模型聚类方法初始化在线导波-隐马尔可夫模型的观测概率分布，通过Baum-Welch算法对在线导波-隐马尔可夫模型的参数进行优化。
其中，所述步骤(8)中同类结构在不同裂纹尺寸下的导波观测值为
Figure BDA0003656065290000081
其中xf为裂纹，Of为裂纹xf对应的导波观测值，F为数据个数；从数据集
Figure BDA0003656065290000082
中按照
Figure BDA0003656065290000083
的准则，挑选出新的数据集
Figure BDA0003656065290000084
其中xκ为裂纹，Oκ为裂纹xf对应的导波观测值，Tυ表示挑选出数据的个数。
其中，所述步骤(8)中对平滑概率因子标定模型进行重新训练和修正具体为：
将挑选的数据集
Figure BDA0003656065290000085
输入在线导波-隐马尔可夫模型中，输出平滑概率因子
Figure BDA0003656065290000086
获得数据集
Figure BDA0003656065290000087
通过最小二乘方法拟合该数据集得到平滑概率因子标定模型：
x＝gυ(γ)
式中，x为裂纹，γ为平滑概率因子，gυ(·)为平滑概率因子标定模型；
采用无损检测获得的结构真实裂纹尺寸
Figure BDA0003656065290000088
计算误差修正项ευ如下：
Figure BDA0003656065290000089
式中，
Figure BDA00036560652900000810
为第υ次NDT时最后获取的导波观测值对应的平滑概率因子；
通过该误差修正项ευ，得到修正后的平滑概率因子标定模型如下：
x'＝gυ(γ)+ευ
式中，x'为评估得到的裂纹。
(9)采用同类结构在不同裂纹尺寸下的导波观测值对平滑概率因子标定模型进行重新训练，然后修正平滑概率因子标定模型。
(10)重复上述(4)-(9)，实现结构疲劳裂纹在线评估，直到裂纹评估结果达到阈值。
本实施例以耳片结构的疲劳裂纹在线评估为例，说明本发明的具体实施过程；耳片结构是一种重要的飞机结构元件，通常用作飞机机翼和机身等关键部件的互连件。本实施例采用的耳片结构如图4所示，其厚度为5mm，材料为LY12铝合金；在耳片结构的孔边应力集中区域加工2mm的切口。
预先开展三个耳片结构编号为FT-1、FT-2、FT-3的疲劳试验，采用疲劳试验机对耳片结构进行拉伸疲劳加载，使得切口处裂纹萌生并扩展。图5所示为耳片结构FT-1到FT-3的疲劳裂纹扩展情况。通过布置在结构表面的压电传感器激励和采集导波信号，记为第一压电传感器和第二压电传感器。在疲劳试验中，通过第一压电传感器在结构中激励导波信号，通过第二压电传感器采集在结构中传播的导波信号，并计算该导波信号的损伤因子向量ot＝[DI1,t,DI2t,]，其中DI1,t为第一损伤因子，DI2,t为第二损伤因子，连续获得的30个损伤因子向量组成导波观测值Ot。
如步骤(1)(2)所示，首先通过同类结构FT-1、FT-2、FT-3在健康状态下采集的导波观测值训练离线导波-隐马尔可夫模型。开展新的耳片结构试件FT-4的疲劳试验，在线获取其导波观测值，输入离线导波-隐马尔可夫模型中诊断裂纹萌生。如图6所示，在时刻t＝170诊断到耳片结构FT-4的疲劳裂纹萌生。然后通过已获取的结构FT-4导波观测值重新训练模型参数，得到在线导波-隐马尔可夫模型。
如步骤(3)所示，通过同类结构FT-1、FT-2、FT-3在不同裂纹尺寸下获得的导波观测值训练平滑概率因子标定模型。
如步骤(4)、(5)、(6)、(7)、(8)、(9)所示，对于FT-4耳片结构，每当获得新的导波观测值，输入在线导波-隐马尔可夫模型和平滑概率因子标定模型中，得到结构裂纹尺寸评估结果。当裂纹尺寸为6mm时和11mm时，开展无损检测。结合无损检测数据对在线导波-隐马尔可夫模型和平滑概率因子标定模型进行重新训练和修正，其中在线导波-隐马尔可夫模型的状态分布变化如图7，图8和图9所示。最后得到的FT-4耳片结构裂纹诊断结果如图10所示。裂纹尺寸的最大评估误差约为1.1mm，表明该方法能够准确地评估结构疲劳裂纹尺寸。
本发明具体应用途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进，这些改进也应视为本发明的保护范围。

Claims (8)

1.一种基于动态状态的导波-隐马尔可夫模型裂纹在线评估方法，其特征在于，步骤如下：
(1)通过同类结构在健康状态下采集的导波观测值训练离线导波-隐马尔可夫模型；
(2)在线获取目标结构导波观测值，输入至训练后的离线导波-隐马尔可夫模型，通过判断训练后的离线导波-隐马尔可夫模型输出的平滑概率因子是否超过阈值来诊断结构裂纹萌生；若未超过阈值，则重复步骤(2)；若超过阈值则裂纹萌生，通过已获取的目标结构导波观测值重新训练离线导波-隐马尔可夫模型的参数，得到在线导波-隐马尔可夫模型；
(3)通过同类结构在不同裂纹尺寸下获得的导波观测值对在线导波-隐马尔可夫模型的平滑概率因子标定模型进行训练；
(4)在线获取目标结构导波观测值，先后输入在线导波-隐马尔可夫模型和平滑概率因子标定模型中，输出目标结构裂纹评估结果；
(5)根据所述评估结果判断裂纹是否达到设定的阈值，若未达到阈值则进入步骤(6)；若达到阈值则结束；
(6)判断是否进行无损检测，若是则进入步骤(7)，若否则返回步骤(4)；
(7)获取结构真实裂纹尺寸，结合已获取的目标结构导波观测值，增加在线导波-隐马尔可夫模型的隐含状态个数，即为动态状态；
(8)采用已获取的目标结构导波观测值，对增加隐含状态后的在线导波-隐马尔可夫模型进行重新训练；
(9)采用同类结构在不同裂纹尺寸下的导波观测值对平滑概率因子标定模型进行重新训练，然后修正平滑概率因子标定模型；
(10)重复上述(4)-(9)，实现结构疲劳裂纹在线评估，直到裂纹评估结果达到阈值。
2.根据权利要求1所述的基于动态状态的导波-隐马尔可夫模型裂纹在线评估方法，其特征在于，所述步骤(1)中的离线导波-隐马尔可夫模型和步骤(2)中在线导波-隐马尔可夫模型具有相同的结构，都包括2个隐含状态，其均表征结构健康状态并且可相互转移。
3.根据权利要求1所述的基于动态状态的导波-隐马尔可夫模型裂纹在线评估方法，其特征在于，所述步骤(7)中的结构真实裂纹尺寸记为
Figure FDA0003656065280000011
其中上标表示最近时刻
Figure FDA0003656065280000012
进行的第υ次无损检测，υ＝1,2,...，下标NDT为无损检测。
4.根据权利要求1所述的基于动态状态的导波-隐马尔可夫模型裂纹在线评估方法，其特征在于，所述步骤(7)中增加在线导波-隐马尔可夫模型的隐含状态，即更新模型隐含状态集合为{S1,S2,..,S2+υ}，其中S1和S2表示结构的健康状态，S2以后的状态表示结构的损伤状态，S2+υ为最新增加的损伤状态；对于状态下标i＞j且i＞2的状态Si和Sj，状态Si向状态Sj转移的概率为0，表示疲劳裂纹演化是不可逆的过程。
5.根据权利要求1所述的基于动态状态的导波-隐马尔可夫模型裂纹在线评估方法，其特征在于，所述步骤(8)中已获取的目标结构导波观测值包括：时刻tD之前获取的导波观测值，其属于结构健康状态S1和S2，其中时刻tD表示诊断到目标结构裂纹萌生的时刻；时刻tD和
Figure FDA0003656065280000021
之间获取的导波观测值，属于结构的损伤状态S3，
Figure FDA0003656065280000022
为第一次无损检测的时刻；时刻
Figure FDA0003656065280000023
和
Figure FDA0003656065280000024
之间获取的导波观测值属于损伤状态Sυ+2，其中
Figure FDA0003656065280000025
和
Figure FDA0003656065280000026
分别为第υ-1次和第υ次无损检测的时刻。
6.根据权利要求1所述的基于动态状态的导波-隐马尔可夫模型裂纹在线评估方法，其特征在于，所述步骤(8)中对增加隐含状态后的在线导波-隐马尔可夫模型进行重新训练具体为：将属于结构健康状态S1和S2的导波观测值前90％随机均分为两类，分别赋予健康状态S1和S2；将时刻tD和
Figure FDA0003656065280000027
之间获取的导波观测值赋予损伤状态S3，将
Figure FDA0003656065280000028
和
Figure FDA0003656065280000029
之间获取的导波观测值，分别赋予对应的损伤状态S2+υ；
初始化在线导波-隐马尔可夫模型中隐含状态的先验概率，设置为π1＝1，以及πi＝0，i＞1，其中π1为状态S1的先验概率，πi为状态Si的先验概率；
初始化在线导波-隐马尔可夫模型的先验状态转移概率，对于序号i＞j以及i＞2的状态，其先验状态转移概率初始化为ai,j＝0，其中ai,j表示状态Si转移到Sj的概率；对于状态序号i＜j，其先验状态转移概率初始化为ai,j＝0.1；对于状态序号i＝j，其先验状态转移概率初始化为1-∑ai,j,i≠j；对于状态序号i＝2,j＝1，其先验状态转移概率初始化为a2,1＝0.1；
采用均匀初始化高斯混合模型聚类方法初始化在线导波-隐马尔可夫模型的观测概率分布，通过Baum-Welch算法对在线导波-隐马尔可夫模型的参数进行优化。
7.根据权利要求1所述的基于动态状态的导波-隐马尔可夫模型裂纹在线评估方法，其特征在于，所述步骤(8)中同类结构在不同裂纹尺寸下的导波观测值为
Figure FDA00036560652800000210
其中xf为裂纹，Of为裂纹xf对应的导波观测值，F为数据个数；从数据集
Figure FDA00036560652800000211
中按照
Figure FDA00036560652800000212
的准则，挑选出新的数据集
Figure FDA00036560652800000213
其中xκ为裂纹，Oκ为裂纹xf对应的导波观测值，Tυ表示挑选出数据的个数。
8.根据权利要求1所述的基于动态状态的导波-隐马尔可夫模型裂纹在线评估方法，其特征在于，所述步骤(8)中对平滑概率因子标定模型进行重新训练和修正具体为：
将挑选的数据集
Figure FDA0003656065280000031
输入在线导波-隐马尔可夫模型中，输出平滑概率因子
Figure FDA0003656065280000032
获得数据集
Figure FDA0003656065280000033
通过最小二乘方法拟合该数据集得到平滑概率因子标定模型：
x＝gυ(γ)
式中，x为裂纹，γ为平滑概率因子，gυ(·)为平滑概率因子标定模型；
采用无损检测获得的结构真实裂纹尺寸
Figure FDA0003656065280000034
计算误差修正项ευ如下：
Figure FDA0003656065280000035
式中，
Figure FDA0003656065280000036
为第υ次NDT时最后获取的导波观测值对应的平滑概率因子；
通过该误差修正项ευ，得到修正后的平滑概率因子标定模型如下：
x'＝gυ(γ)+ευ
式中，x'为评估得到的裂纹。
CN202210560104.2A 2022-05-23 2022-05-23 基于动态状态的导波-隐马尔可夫模型裂纹在线评估方法 Active CN114925452B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210560104.2A CN114925452B (zh) 2022-05-23 2022-05-23 基于动态状态的导波-隐马尔可夫模型裂纹在线评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210560104.2A CN114925452B (zh) 2022-05-23 2022-05-23 基于动态状态的导波-隐马尔可夫模型裂纹在线评估方法

Publications (2)

Publication Number Publication Date
CN114925452A true CN114925452A (zh) 2022-08-19
CN114925452B CN114925452B (zh) 2023-08-01

Family

ID=82811581

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210560104.2A Active CN114925452B (zh) 2022-05-23 2022-05-23 基于动态状态的导波-隐马尔可夫模型裂纹在线评估方法

Country Status (1)

Country Link
CN (1) CN114925452B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090098547A1 (en) * 2002-11-11 2009-04-16 Affymetrix, Inc. Methods for Identifying DNA Copy Number Changes Using Hidden Markov Model Based Estimations
CN103036974A (zh) * 2012-12-13 2013-04-10 广东省电信规划设计院有限公司 基于隐马尔可夫模型的云计算资源调度方法和系统
CN108009378A (zh) * 2017-12-22 2018-05-08 南京航空航天大学 基于均匀初始化gmm的导波hmm的结构时变损伤评估方法
CN111216126A (zh) * 2019-12-27 2020-06-02 广东省智能制造研究所 基于多模态感知的足式机器人运动行为识别方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090098547A1 (en) * 2002-11-11 2009-04-16 Affymetrix, Inc. Methods for Identifying DNA Copy Number Changes Using Hidden Markov Model Based Estimations
CN103036974A (zh) * 2012-12-13 2013-04-10 广东省电信规划设计院有限公司 基于隐马尔可夫模型的云计算资源调度方法和系统
CN108009378A (zh) * 2017-12-22 2018-05-08 南京航空航天大学 基于均匀初始化gmm的导波hmm的结构时变损伤评估方法
CN111216126A (zh) * 2019-12-27 2020-06-02 广东省智能制造研究所 基于多模态感知的足式机器人运动行为识别方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
瞿家明;周易文;王恒;黄希;姜杰;: "基于改进HMM和Pearson相似度分析的滚动轴承自适应寿命预测方法", 振动与冲击, no. 08 *

Also Published As

Publication number Publication date
CN114925452B (zh) 2023-08-01

Similar Documents

Publication Publication Date Title
Chen et al. Fatigue modeling using neural networks: A comprehensive review
Rautela et al. Ultrasonic guided wave based structural damage detection and localization using model assisted convolutional and recurrent neural networks
CN108984893B (zh) 一种基于梯度提升方法的趋势预测方法
CN112629863B (zh) 变工况下动态联合分布对齐网络的轴承故障诊断方法
CN109345032B (zh) 基于动态裂纹数目的粒子滤波多裂纹扩展预测方法
CN114117840B (zh) 一种基于仿真和试验数据混合驱动的结构性能预测方法
CN111855816A (zh) 一种综合概率模型和cnn网络的风叶故障识别方法
Chen et al. Intelligent model-based integrity assessment of nonstationary mechanical system
CN114638164B (zh) 一种预测电站压力管道高温蠕变寿命的方法
Banerjee et al. Data-driven prognosis of fatigue-induced delamination in composites using optical and acoustic NDE methods
CN111598170A (zh) 考虑模型选择不确定性的裂纹检出概率评估方法
CN117594164A (zh) 基于数字孪生的金属结构剩余疲劳寿命计算评估方法、系统
CN114861778A (zh) 一种改进宽度迁移学习的不同负载下滚动轴承状态快速分类方法
Galanopoulos et al. Acoustic emission-based remaining useful life prognosis of aeronautical structures subjected to compressive fatigue loading
CN108983187B (zh) 基于ewc的在线雷达目标识别方法
Akrim et al. A framework for generating large data sets for fatigue damage prognostic problems
Ghannadi et al. The Differential Evolution Algorithm: An Analysis of More than Two Decades of Application in Structural Damage Detection (2001–2022)
CN114925452B (zh) 基于动态状态的导波-隐马尔可夫模型裂纹在线评估方法
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
CN116468174A (zh) 飞行参数预测及置信度评价方法
CN116543204A (zh) 基于3d卷积神经网络和位移响应的金属板裂纹识别方法
Chen et al. Acoustic emission signal-based non-destructive testing of carbon content of Pr-Nd alloys
CN112818455A (zh) 一种桥梁结构响应监测方法及系统
Dabetwar Fatigue damage diagnostics and prognostics of composites using artificial intelligence methods for experimental data
Pan Corrosion detection method of substation Aboveground Steel Structure Based on deep learning

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