CN115712959A - 一种结构件疲劳损伤评估、剩余寿命预测方法及系统 - Google Patents
一种结构件疲劳损伤评估、剩余寿命预测方法及系统 Download PDFInfo
- Publication number
- CN115712959A CN115712959A CN202211373782.4A CN202211373782A CN115712959A CN 115712959 A CN115712959 A CN 115712959A CN 202211373782 A CN202211373782 A CN 202211373782A CN 115712959 A CN115712959 A CN 115712959A
- Authority
- CN
- China
- Prior art keywords
- fatigue damage
- structural member
- distribution
- fatigue
- 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.)
- Pending
Links
Images
Landscapes
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
本发明公开了一种结构件疲劳损伤评估、剩余寿命预测方法及系统,根据疲劳损伤分布计算结果和非线性超声检测损伤值,基于概率最大化原则获得修正疲劳损伤条件概率,根据修正疲劳损伤条件概率对疲劳损伤分布与非线性超声检测疲劳损伤分布进行融合,得到修正疲劳损伤分布,根据修正疲劳损伤分布计算结构件当前疲劳损伤值。基于结构件的疲劳损伤阈值和当前疲劳损伤值得到结构件的剩余寿命分布函数,根据剩余寿命分布函数计算结构件的剩余寿命。本发明提供的一种结构件疲劳损伤评估、剩余寿命预测方法及系统,实现结构件剩余寿命预测,根据预测结果提前对结构件制定维修决策,保障结构件安全可靠运行。
Description
技术领域
本发明涉及一种结构件疲劳损伤评估、剩余寿命预测方法及系统,属于结构件退化可靠性技术领域。
背景技术
工程机械结构失效中,疲劳破坏占主要形式,是一种典型的退化型失效。结构件承受交变循环载荷,当疲劳损伤达到某一阈值时,结构件发生疲劳失效,可能导致重大安全事故,造成人员伤亡和巨大的经济损失,因此需要实时评估结构件损伤程度,以便提前制定维修决策,采取措施,保障安全。
现有技术中一种金属构件疲劳试验方法及剩余寿命预测方法,仅依靠非线性超声系数判断金属构件损伤,未考虑金属构件真实载荷历程,仅可以在一定程度上实现疲劳损伤预警,无法实现结构件的实时准确评价。
现有技术中疲劳寿命预测方法,基于疲劳裂纹扩展模型进行剩余寿命评估,需要对多个样本进行试验获取疲劳裂纹扩展曲线,其评估结果代表结构件总体疲劳寿命,未考虑个体差异,无法实时评估单个结构件的疲劳损伤,评价结果与实际存在偏差。
因此,本领域技术人员亟需要解决现有技术中对于结构件退化评估与剩余寿命预测中存在的技术问题。
发明内容
目的:为了克服现有技术中存在的不足,本发明提供一种结构件疲劳损伤评估、剩余寿命预测方法及系统,并基于个体疲劳退化过程进行退化建模,实现结构件剩余寿命预测,根据预测结果提前对结构件制定维修决策,保障结构件安全可靠运行。
技术方案:为解决上述技术问题,本发明采用的技术方案为:
一种结构件疲劳损伤评估、剩余寿命预测方法,包括如下步骤:
步骤1:获取结构件每个应力循环中的应力幅值,根据应力幅值进行应力幅值的概率密度函数拟合,根据应力幅值、应力幅值的概率密度函数,得到疲劳损伤计算公式。
步骤2:根据结构件的疲劳退化过程,获取Wiener过程模型,根据疲劳损伤计算公式计算各时刻结构件的疲劳损伤,根据各时刻结构件的疲劳损伤计算Wiener过程模型的参数,根据参数得到疲劳损伤分布。
步骤3:获取结构件的非线性超声系数,根据非线性超声系数与非线性超声检测损伤值关系,建立非线性超声检测疲劳损伤分布。
步骤4:根据疲劳损伤分布计算结果和非线性超声检测损伤值,基于概率最大化原则获得修正疲劳损伤条件概率,根据修正疲劳损伤条件概率对疲劳损伤分布与非线性超声检测疲劳损伤分布进行融合,得到修正疲劳损伤分布,根据修正疲劳损伤分布计算结构件当前疲劳损伤值。
作为优选方案,还包括:步骤5:基于结构件的疲劳损伤阈值和当前疲劳损伤值得到结构件的剩余寿命分布函数,根据剩余寿命分布函数计算结构件的剩余寿命。
作为优选方案,所述步骤1包括:
获取结构件每个应力循环中的应力幅值s,应力幅值的概率密度函数p(s),得到疲劳损伤计算公式,所述疲劳损伤计算公式如下:
其中,D(t)为t时刻所有应力循环造成的疲劳损伤,k,c为材料常数,f0为单位时间内应力回零率,ds为应力幅值的一个微小增量。
作为优选方案,所述步骤2包括:
根据结构件的疲劳退化过程,获取Wiener过程模型,所述Wiener过程模型计算公式如下:
D(t)=D(0)+μt+σB(t)
其中,D(t)为t时刻所有应力循环造成的疲劳损伤,D(0)为结构件初始退化状态,μ为漂移系数,σ为扩散系数,B(t)为标准Wiener过程。
根据疲劳损伤计算公式计算在t时刻疲劳损伤Dt=D(t=ti),ti的取值范围为第0个到第r个时刻,i=0,1,2,…,r。
设ΔDt=Dt-Dt-1为时间ti-1到时间ti的退化增量,Δti=ti-ti-1。
计算Wiener过程模型的参数,计算公式如下:
根据Dt=Dt-1+μt,得到疲劳损伤分布,疲劳损伤分布计算公式如下:
Dt|Dt-1,μt~N(μ1,σ1 2)=N(μt,σ2t)
其中,μt为t时刻的损伤速率,μ1=μt,σ1 2=σ2t。
作为优选方案,所述步骤3包括:
获取结构件t时刻的非线性超声系数为βt,根据非线性超声系数βt计算非线性超声检测损伤值Zt,Zt计算公式如下:
Zt=g(βt)
其中,g(βt)为用非线性超声系数βt表征的疲劳损伤关系。
根据非线性超声检测损伤值Zt,建立非线性超声检测疲劳损伤分布,非线性超声检测疲劳损伤分布计算公式如下:
Zt|Dt~N(μ2,σ2 2)
其中,μ2=E(Zt)=E(g(βt)),σ2 2=Var(Zt)=Var(g(βt))。
作为优选方案,所述步骤4包括:
根据疲劳损伤分布计算t,t-1时刻的疲劳损伤状态Dt,Dt-1,获取t时刻非线性超声检测损伤值Zt,基于概率最大化原则获得修正疲劳损伤条件概率,修正疲劳损伤条件概率计算公式如下:
P(Dt|Dt-1,Zt,μt)∝P(Zt|Dt)P(Dt|Dt-1,μt)
其中,μt为t时刻的损伤速率。
根据修正疲劳损伤条件概率对疲劳损伤分布与非线性超声检测疲劳损伤分布进行融合,得到修正疲劳损伤分布,修正疲劳损伤分布计算公式如下:
根据修正疲劳损伤分布计算结构件当前疲劳损伤值。
作为优选方案,所述步骤5包括:
根据结构件当前疲劳损伤值、结构件的失效阈值L,得到结构件的剩余寿命分布函数,结构件的剩余寿命分布函数计算公式如下:
所述平均剩余寿命的计算公式如下:
所述剩余寿命的95%单侧置信下限的计算公式如下:
第二方面,一种结构件疲劳损伤评估、剩余寿命预测系统,包括如下模块:载荷采集模块:用于获取结构件每个应力循环中的应力幅值。
循环计数及分布拟合模块:用于根据应力幅值进行应力幅值的概率密度函数拟合,根据应力幅值、应力幅值的概率密度函数,得到疲劳损伤计算公式。
疲劳损伤计算模块:用于根据结构件的疲劳退化过程,获取Wiener过程模型,得到疲劳损伤分布。
疲劳退化建模模块:用于根据疲劳损伤计算公式计算各时刻结构件的疲劳损伤,根据各时刻结构件的疲劳损伤计算Wiener过程模型的参数,并将参数发送给疲劳损伤计算模块。
非线性超声检测系数测量模块:用于确定结构件的非线性超声系数,获取结构件的非线性超声系数。
疲劳损伤转换模块:用于根据非线性超声系数与非线性超声检测损伤值关系,建立非线性超声检测疲劳损伤分布。
疲劳损伤更新模块:用于根据疲劳损伤分布计算结果和非线性超声检测损伤值,基于概率最大化原则获得修正疲劳损伤条件概率,根据修正疲劳损伤条件概率对疲劳损伤分布与非线性超声检测疲劳损伤分布进行融合,得到修正疲劳损伤分布,根据修正疲劳损伤分布计算结构件当前疲劳损伤值。
剩余寿命预测模块:用于基于结构件的疲劳损伤阈值和当前疲劳损伤值得到结构件的剩余寿命分布函数,根据剩余寿命分布函数计算结构件的剩余寿命。
作为优选方案,还包括:维修决策模块:用于根据剩余寿命预测结果,提前制定结构件维修/更换方案。
有益效果:本发明提供的一种结构件疲劳损伤评估、剩余寿命预测方法及系统,其相对于现有技术优点如下:
(1)本发明提出脉动载荷时间历程的疲劳损伤实时计算方法,便于在计算机上实现,计算量和存储量小。
(2)本发明提出的方法充分利用载荷历程信息和检测结果,可提高评估精度,结果更加准确。
(3)本发明建立的疲劳退化过程可实现结构件剩余寿命预测,为结构件的维修提供决策依据,保障结构件安全,提高使用率。
附图说明
图1为结构件应力载荷历程示意图。
图2为更新后的损伤分布示意图。
图3为疲劳损伤评估及剩余寿命预测系统结构图。
具体实施方式
下面结合具体实施例对本发明作更进一步的说明。
本发明的第一个实施例一种结构件疲劳损伤评估、剩余寿命预测方法,包括如下步骤:
步骤1:获取结构件危险点的脉动载荷信号,以每次载荷回到零点位置为一个循环,提取每个应力循环中的应力幅值。由于载荷过程中应力幅值的随机性,需要根据一定样本量的应力幅值对总体的应力幅值进行外推,对总体的应力幅值进行概率密度函数拟合,利用一定数量的样本通过拟合外推到总体的应力幅值分布,可以更完备的表达结构件的应力幅值特征,且通过应力幅值的概率密度函数可以实时计算任意时间内应力幅值出现概率及应力幅值出现次数,根据疲劳累积损伤公式可以得到该段时间内的损伤。步骤1建立了疲劳损伤与时间的函数关系,可根据应力概率密度函数实时计算结构件的疲劳损伤D(t)。
具体方法如下:
首先,通过标准样件的疲劳试验确定材料的疲劳S-N曲线,本发明采用幂函数表达材料的S-N曲线形式:
skN=c (1)
式中:s为应力幅值;N为引起失效的应力循环次数;k,c为材料常数。
根据线性疲劳累积损伤准则,计算不同应力幅值下的疲劳累积损伤为:
式中:D为疲劳累积损伤;n为应力幅值等级数;i为应力幅值的第i级;ni是第i级应力幅值si的应力作用循环次数;Ni为试件在第i级应力幅值si作用下至疲劳失效的循环次数。
由(1)和(2)可得:
工程机械在实际作业过程中,载荷过程一般为非对称循环的脉动循环,即最小应力为0,不存在非负的应力,每个循环的峰值即为应力幅值,如图1所示,其中●表示回零点,○表示峰值点。
假设t时刻对应的应力幅值为s(t),单位时间内应力回零率为f0,则t时刻的循环次数为f0t,应力幅值的概率密度函数为p(s),则应力幅值位于区间[s,s+ds]内的概率为p(s)ds,其中ds为应力幅值的一个微小增量,则应力幅值s在时间t内的期望频数n(s)为:
n(s)=f0tp(s)ds (4)
由Miner准则知:一个应力循环造成的损伤增量为1/N(s),在t时间内应力幅值为s的循环造成的损伤为:
式中:N(s)为应力幅值为s作用至疲劳失效的循环次数。
则在t时刻内所有应力循环造成的疲劳损伤D(t)计算公式为:
由式(3)和式(6)可得:
步骤2:在步骤1中通过疲劳累积损伤公式计算得到t时刻的损伤值是一个定值,而结构件在实际使用过程中,受到作业载荷、操作、环境等随机因素的影响,同样的结构件在使用同样的时间后其疲劳损伤值可能是多个值,服从某一分布特性。在步骤1的基础上,考虑疲劳退化过程的随机性,将疲劳退化过程作为随机过程处理,利用Wiener随机过程对该段时间内的疲劳损伤过程进行建模。具体方法为:将该段时间内平均分成r段时间,根据步骤1中的方法计算得到每个时间段内的疲劳损伤,并利用Wiener随机过程对该段时间内的疲劳损伤过程进行建模,得到模型参数,得到t时刻的疲劳损伤分布。
具体方法如下:
本发明用Wiener过程对疲劳退化过程进行建模,得到Wiener过程模型为:
D(t)=D(0)+μt+σB(t) (8)
式中:D(0)为结构件初始退化状态,本发明假设D(0)=0;t为时刻,μ为漂移系数,用以表征结构件的退化速率;σ为扩散系数,用以表征疲劳退化过程在时间上的随机性;B(t)为标准Wiener过程,B(t)是服从均值为0,方差为t的正态分布,记为N(0,t),表征结构件自身退化的随机性。
由步骤(1)计算在t时刻计算得到的疲劳损伤Dt=D(t=ti),ti的取值范围为第0个到第r个时刻,i=0,1,2,…,r,记为时刻0到时刻tr的历史退化数据集。设ΔDt=Dt-Dt-1为时间ti-1到时间ti的退化增量,Δti=ti-ti-1,则由Wiener过程性质可知ΔDt服从均值为μΔti,方差为σ2Δti的正态分布,记为ΔDt~N(μΔti,σ2Δti),则退化增量ΔDt的概率密度函数为:
各时刻的退化增量ΔDt的联合概率密度函数为:
利用极大似然估计法对参数进行估计,得到:
根据疲劳损伤退化过程,由上一时刻状态估计当前时刻状态,建立各时刻损伤关系的递推方程:
Dt=Dt-1+μt,其中μt~N(μ,σ2) (12)
其中μt为t时刻的损伤速率。
则疲劳损伤预测分布为正态分布,记为:
Dt|Dt-1,μt~N(μ1,σ1 2)=N(μt,σ2t) (13)
其中,μ1=μt,σ1 2=σ2t,μ1、σ1 2分别为根据载荷信息计算得到的疲劳损伤均值和方差。
步骤3:步骤1和步骤2是在基于疲劳损伤机理及损伤模型的基础上通过理论模型计算得到的疲劳损伤。由于理论模型与实际之间存在偏差,仅依靠理论模型可能会得到错误的结果。本发明提出通过检测方法获取结构件的当前损伤状态,进一步对结构件的疲劳损伤过程进行确认。
具体方法如下:
利用非线性超声检测系统对时刻t的疲劳损伤状态进行检测,得到非线性超声系数,根据非线性超声系数与疲劳损伤关系,建立t时刻非线性超声检测疲劳损伤分布。
利用非线性超声检测系统对结构件进行检测得到t时刻的非线性超声系数为βt,由非线性超声检测系数的测量精度可知,在t时刻的非线性超声系数服从均值为μβt,方差为σβt 2的正态分布:
βt~N(μβt,σβt 2) (14)
由于非线性超声检测不是直接测得是损伤值,需要将非线性超声系数转化为损伤,结构件非线性超声检测损伤值Zt与非线性超声系数βt的关系可描述为:
Zt=g(βt) (15)
其中,g(βt)为用非线性超声系数βt表征的疲劳损伤关系。
此时,由非线性超声系数得到的疲劳损伤均值和方差分别为:
μ2=E(Zt)=E(g(βt)) (16)
σ2 2=Var(Zt)=Var(g(βt)) (17)
则非线性超声检测疲劳损伤服从正态分布,记为Zt|Dt~N(μ2,σ2 2)
步骤4:为了降低步骤2步骤3中单一方法计算结构件疲劳损伤带来存在的误差,本发明通过对步骤2和步骤3中得到的两种疲劳损伤结果进行融合,充分利用疲劳累积损伤计算结果及非线性超声检测结果,得到融合后的疲劳损伤分布,基于概率最大化原则确定融合后的损伤,作为结构件当前的真实损伤分布,可以提高结构件疲劳损伤计算的准确性,降低计算误差,便于制定更精细的维修/更换策略。具体方法如下:
在步骤(3)的基础上,根据非线性超声检测结果对步骤(2)的疲劳损伤预测结果进行更新。综合结构件t-1时刻的疲劳损伤状态Dt-1、损伤速率μt、当前时刻的非线性超声检测损伤结果Zt,估计当前最可能疲劳损伤状态Dt,即:
max P(Dt|Dt-1,Zt,μt) (18)
由条件概率可知:
t时刻非线性超声检测损伤值Zt只与当前损伤状态Dt有关,与结构件t-1时刻状态和损伤率无关,式(19)中部分条件概率可变为:P(Zt|Dt,Dt-1,μt)=P(Zt|Dt),P(Zt|Dt-1,μt)=P(Zt),则:
因为P(Zt)是一个独立的量,则式(20)可改写为:
P(Dt|Dt-1,Zt,μt)∝P(Zt|Dt)P(Dt|Dt-1,μt) (21)
因此,结构件最终疲劳损伤状态为基于Wiener过程的疲劳损伤计算值与非线性超声检疲劳损伤检测值两种结果的融合,为两个概率的乘积。由于预测误差与测量误差的影响,t时刻的步骤(2)中预测结果与步骤(3)中非线性超声检测结果均服从正态分布,两者融合后分布为如图2所示的虚线部分,记为Lt,即为融合两种不同方法得到的最可能结果分布。由正态分布性质可知,由于公式21中P(Dt|Dt-1,Zt,μt)正比于两个条件率相乘,所以重叠部分亦服从正态分布,其最可能疲劳损伤为该分布的均值点处,因此可以用该分布的均值作为t时刻最可能疲劳损伤状态估计值,则有:
因此,利用非线性超声检测疲劳损伤结果对预测结果进行更新,更新后的结果是预测值与非线性超声检测值两者的加权融合,更新后的总体方差变小,数据精度提高,结果更符合实际。
5、结构件发生疲劳失效时可能导致重大安全事故,造成人员伤亡和巨大的经济损失。为了提高结构件的使用可用度和安全性,需要提前对结构件进行预防性维修或更换,避免结构件在使用过程中发生失效。因此本发明基于结构件的疲劳损伤阈值和当前疲劳损伤值得到结构件的剩余寿命分布函数,计算得到结构件的平均剩余寿命,并给出结构件的剩余寿命的95%单侧置信下限。可根据结构件的平均剩余寿命制定维修或更换计划,提前准备备件、安排人员及、制定维修或更换策略,最大程度减少停工损失,提高结构件的安全性和可用度。
结构件在时刻t未失效,基于当前的使用情况对结构件的剩余寿命进行预测,以支撑产品的预测性维修,避免结构件失效造成重大经济财产损失。基于历史信息、失效机理确定结构件的失效阈值L,结构件失效定义为:疲劳损伤量首次超过失效阈值L时结构件的使用时间。设T为结构件的使用寿命,可表示为:
T=inf{t:D(t)≥L;t≥0} (24)
由Wiener过程的性质可知,结构件寿命T服从逆高斯分布,其概率密度函数为:
根据步骤(4)得到的t时刻当前的疲劳累积损伤为μΣ,未超过失效阈值L,由Wiener过程的齐次马尔可夫性质,结构件剩余寿命Tt为:
Tt=inf{t|D(t)≥L-μΣ;t≥0} (26)
其概率密度函数也服从逆高斯分布:
以结构件平均退化速率作为预测结构件剩余寿命参数,由式(27)可得结构件平均剩余寿命为:
根据剩余寿命预测结果,对结构件制定维修方案,保障结构件安全运行,提高设备使用率。
本发明的第二个实施例一种结构件疲劳损伤评估、剩余寿命预测系统,包含载荷采集模块、循环计数模块、疲劳损伤计算模块、疲劳退化建模模块、非线性超声检测模块、非线性系数计算模块、疲劳损伤转换模块、疲劳损伤更新模块、剩余寿命预测模块、维修决策模块。如图3所示,各模块功能如下:
载荷采集模块:实时监测结构件应力状态并采集数据,获取结构件每个应力循环中的应力幅值。
循环计数及分布拟合模块:应力幅值计数及分布拟合,根据应力幅值进行应力幅值的概率密度函数拟合,根据应力幅值、应力幅值的概率密度函数,得到疲劳损伤计算公式。
疲劳损伤计算模块:基于Miner准则计算疲劳损伤,根据结构件的疲劳退化过程,获取Wiener过程模型,得到疲劳损伤分布。
疲劳退化建模模块:对各时刻疲劳损伤量进行退化建模并评估退化模型参数,根据疲劳损伤计算公式计算各时刻结构件的疲劳损伤,根据各时刻结构件的疲劳损伤计算Wiener过程模型的参数。
非线性超声检测系数测量模块:确定结构件的非线性超声系数,获取结构件的非线性超声系数。
疲劳损伤转换模块:根据非线性超声系数确定结构件疲劳损伤,根据非线性超声系数与非线性超声检测损伤值关系,建立非线性超声检测疲劳损伤分布。
疲劳损伤更新模块:根据非线性超声检测结果对疲劳损伤结果进行更新,根据疲劳损伤分布计算结果和非线性超声检测损伤值,基于概率最大化原则获得修正疲劳损伤条件概率,根据修正疲劳损伤条件概率对疲劳损伤分布与非线性超声检测疲劳损伤分布进行融合,得到修正疲劳损伤分布,根据修正疲劳损伤分布计算结构件当前疲劳损伤值。
剩余寿命预测模块:利用疲劳退化过程进行剩余寿命预测,基于结构件的疲劳损伤阈值和当前疲劳损伤值得到结构件的剩余寿命分布函数,根据剩余寿命分布函数计算结构件的剩余寿命。
维修决策模块:根据剩余寿命预测结果,提前制定结构件维修/更换方案。本发明一种结构件疲劳损伤评估、剩余寿命预测方法及系统,包括如下有益效果:
(1)Miner疲劳累积损伤准则可用非线性疲劳累积损伤准则代替,如Carten-Dolan理论;
(2)Wiener疲劳损伤过程可以用Gamma、逆高斯等非线性过程代替,损伤分布函数可以用非正态分布表示;
(3)疲劳损伤递推预测方程是线性的,可以用非线性函数来代替,可将非线性函数转化为线性或近似线性函数,如在均值点处泰勒展开等。
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,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种结构件疲劳损伤评估、剩余寿命预测方法,其特征在于:包括如下步骤:
步骤1:获取结构件每个应力循环中的应力幅值,根据应力幅值进行应力幅值的概率密度函数拟合,根据应力幅值、应力幅值的概率密度函数,得到疲劳损伤计算公式;
步骤2:根据结构件的疲劳退化过程,获取Wiener过程模型,根据疲劳损伤计算公式计算各时刻结构件的疲劳损伤,根据各时刻结构件的疲劳损伤计算Wiener过程模型的参数,根据参数得到疲劳损伤分布;
步骤3:获取结构件的非线性超声系数,根据非线性超声系数与非线性超声检测损伤值关系,建立非线性超声检测疲劳损伤分布;
步骤4:根据疲劳损伤分布计算结果和非线性超声检测损伤值,基于概率最大化原则获得修正疲劳损伤条件概率,根据修正疲劳损伤条件概率对疲劳损伤分布与非线性超声检测疲劳损伤分布进行融合,得到修正疲劳损伤分布,根据修正疲劳损伤分布计算结构件当前疲劳损伤值。
2.根据权利要求1所述的一种结构件疲劳损伤评估、剩余寿命预测方法,其特征在于:还包括:步骤5:基于结构件的疲劳损伤阈值和当前疲劳损伤值得到结构件的剩余寿命分布函数,根据剩余寿命分布函数计算结构件的剩余寿命。
4.根据权利要求1或2所述的一种结构件疲劳损伤评估、剩余寿命预测方法,其特征在于:所述步骤2包括:
根据结构件的疲劳退化过程,获取Wiener过程模型,所述Wiener过程模型计算公式如下:
D(t)=D(0)+μt+σB(t)
其中,D(t)为t时刻所有应力循环造成的疲劳损伤,D(0)为结构件初始退化状态,μ为漂移系数,σ为扩散系数,B(t)为标准Wiener过程;
根据疲劳损伤计算公式计算在t时刻疲劳损伤Dt=D(t=ti),ti的取值范围为第0个到第r个时刻,i=0,1,2,…,r;
设ΔDt=Dt-Dt-1为时间ti-1到时间ti的退化增量,Δti=ti-ti-1;
计算Wiener过程模型的参数,计算公式如下:
根据Dt=Dt-1+μt,得到疲劳损伤分布,疲劳损伤分布计算公式如下:
Dt|Dt-1,μt~N(μ1,σ1 2)=N(μt,σ2t)
其中,μt为t时刻的损伤速率,μ1=μt,σ1 2=σ2t。
5.根据权利要求1或2所述的一种结构件疲劳损伤评估、剩余寿命预测方法,其特征在于:所述步骤3包括:
获取结构件t时刻的非线性超声系数为βt,根据非线性超声系数βt计算非线性超声检测损伤值Zt,Zt计算公式如下:
Zt=g(βt)
其中,g(βt)为用非线性超声系数βt表征的疲劳损伤关系;
根据非线性超声检测损伤值Zt,建立非线性超声检测疲劳损伤分布,非线性超声检测疲劳损伤分布计算公式如下:
Zt|Dt~N(μ2,σ2 2)
其中,μ2=E(Zt)=E(g(βt)),σ2 2=Var(Zt)=Var(g(βt))。
8.一种结构件疲劳损伤评估、剩余寿命预测系统,其特征在于:包括如下模块:
载荷采集模块:用于获取结构件每个应力循环中的应力幅值;
循环计数及分布拟合模块:用于根据应力幅值进行应力幅值的概率密度函数拟合,根据应力幅值、应力幅值的概率密度函数,得到疲劳损伤计算公式;
疲劳损伤计算模块:用于根据结构件的疲劳退化过程,获取Wiener过程模型,得到疲劳损伤分布;
疲劳退化建模模块:用于根据疲劳损伤计算公式计算各时刻结构件的疲劳损伤,根据各时刻结构件的疲劳损伤计算Wiener过程模型的参数,并将参数发送给疲劳损伤计算模块;
非线性超声检测系数测量模块:用于确定结构件的非线性超声系数,获取结构件的非线性超声系数;
疲劳损伤转换模块:用于根据非线性超声系数与非线性超声检测损伤值关系,建立非线性超声检测疲劳损伤分布;
疲劳损伤更新模块:用于根据疲劳损伤分布计算结果和非线性超声检测损伤值,基于概率最大化原则获得修正疲劳损伤条件概率,根据修正疲劳损伤条件概率对疲劳损伤分布与非线性超声检测疲劳损伤分布进行融合,得到修正疲劳损伤分布,根据修正疲劳损伤分布计算结构件当前疲劳损伤值。
9.根据权利要求8所述的一种结构件疲劳损伤评估、剩余寿命预测系统,其特征在于:还包括:剩余寿命预测模块:用于基于结构件的疲劳损伤阈值和当前疲劳损伤值得到结构件的剩余寿命分布函数,根据剩余寿命分布函数计算结构件的剩余寿命。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211373782.4A CN115712959A (zh) | 2022-11-03 | 2022-11-03 | 一种结构件疲劳损伤评估、剩余寿命预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211373782.4A CN115712959A (zh) | 2022-11-03 | 2022-11-03 | 一种结构件疲劳损伤评估、剩余寿命预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115712959A true CN115712959A (zh) | 2023-02-24 |
Family
ID=85232167
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211373782.4A Pending CN115712959A (zh) | 2022-11-03 | 2022-11-03 | 一种结构件疲劳损伤评估、剩余寿命预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115712959A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117273399A (zh) * | 2023-11-20 | 2023-12-22 | 成都愿景仿视科技有限公司 | 一种面向任务的装备保障建模方法 |
-
2022
- 2022-11-03 CN CN202211373782.4A patent/CN115712959A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117273399A (zh) * | 2023-11-20 | 2023-12-22 | 成都愿景仿视科技有限公司 | 一种面向任务的装备保障建模方法 |
CN117273399B (zh) * | 2023-11-20 | 2024-02-09 | 成都愿景仿视科技有限公司 | 一种面向任务的装备保障建模方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109298697B (zh) | 基于动态基线模型的火电厂系统各部件工作状态评估方法 | |
JP4799168B2 (ja) | 配水及び管路情報解析システム | |
EP1242923B1 (en) | A process for the monitoring and diagnostics of data from a remote asset | |
Zhang et al. | Fatigue reliability analysis using nondestructive inspection | |
CN110414154B (zh) | 一种带有双测点的风机部件温度异常检测和报警方法 | |
CN115712959A (zh) | 一种结构件疲劳损伤评估、剩余寿命预测方法及系统 | |
CN110319957B (zh) | 船体结构应力监测系统传感器无规律异常值故障诊断方法 | |
WO2024041233A1 (zh) | 桥梁结构多因素耦合作用疲劳损伤与寿命的评估方法 | |
CN110276385A (zh) | 基于相似性的机械部件剩余使用寿命预测方法 | |
CN116163807A (zh) | 一种基于arima模型的隧道健康监测异常数据动态预警方法 | |
CN109521735B (zh) | 锅炉高温受热面使用状态风险在线评估方法 | |
JP2009244061A (ja) | 状態監視システムおよび状態監視方法 | |
CN110874803A (zh) | 水务决策辅助分析系统 | |
CN112668794A (zh) | 一种不确定寿命预测信息下航空发动机的维修优化方法 | |
CN111751508A (zh) | 一种水质传感器生命周期的性能评估预测方法及系统 | |
Zhou et al. | Quantification of value of information associated with optimal observation actions within partially observable Markov decision processes | |
CN106462908B (zh) | 维护管理指标计算装置以及维护管理指标计算方法 | |
JP2021148433A (ja) | 腐食管理システム | |
Laermann | Assessment of structural integrity and durability—a task of experimental mechanics | |
CN115078239B (zh) | 钢筋锈蚀数据采集器、监测子系统、区域系统及监测系统 | |
CN118014405B (zh) | 一种基于数据处理的电力故障预警系统 | |
CN104268414B (zh) | 一种故障自修复的鲁棒的煤矿巷道剪应力采集方法 | |
CN112782236B (zh) | 变流器柜体的材料状态监测方法、系统、装置及存储介质 | |
CN118052082B (zh) | 加热铠丝管口密封控制方法及系统 | |
CN117010213A (zh) | 基于运行数据的核电传感器可靠性评估方法及存储介质 |
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 |