CN115964797A - 一种基于数字孪生的壁板结构质量问题识别方法 - Google Patents

Abstract

本发明公开一种基于数字孪生的壁板结构质量问题识别方法，涉及航空航天装备智能检测领域；该方法包括获取目标壁板的结构及材料参数和施加在目标壁板上的载荷条件及边界条件；建立仿真分析模型并进行力学计算，得到仿真分析的力学响应；获取目标壁板试验监测得到的力学响应；建立数字孪生体模型，根据仿真分析的力学响应和试验监测得到的力学响应得到数字孪生的力学响应；数字孪生体模型采用数据融合的方法构建；根据仿真分析的力学响应和数字孪生的力学响应，计算响应差值；若响应差值在设定差值范围内，则确定目标壁板存在结构质量问题；本发明能够高效且高精度的实现壁板结构质量问题的识别。

Description

一种基于数字孪生的壁板结构质量问题识别方法

技术领域

本发明涉及航空航天装备智能检测领域，特别是涉及一种基于数字孪生的壁板结构质量问题识别方法。

背景技术

航空航天装备在设计、生产、试验和运行中易出现多样、复杂的质量问题，通过分析和判断找出质量问题产生的原因和机理，是避免问题后续重复发生的重要举措。对于航空航天装备，壁板结构占装备干重比60％以上，其主要提供承载及密封功能，通常直接面向复杂服役环境的严苛载荷工况，易产生多样、复杂的质量问题。

现有壁板结构质量问题的判断主要依赖专家经验，往往需要经过大量的排查、试验过程，导致质量问题识别效率低下，无法有效利用历史数据及知识。同时，现有的质量问题识别方法多从管理层面进行应用，结构方面更侧重于对发生的原因进行简单分类，无法对质量问题进行准确的表征。因此，缺少对壁板结构质量问题的分类、表征、量化和可视化方法，无法对壁板质量问题识别过程进行系统性的管理，导致质量问题定位不准确。再者，针对壁板结构的质量问题检测或者复现，其试验手段普遍依赖相互孤立的离散试验测点(应变传感器等)，但壁板结构大型化和精细化限制了传统试验手段的空间覆盖度，同时难以实现全场响应实时监测；仿真分析虽能实现全场结构响应预示，但因难以实时引入试验系统偏差，导致其对试验过程预示精度较低、无法准确预示出质量问题。因此，单一地依靠传统试验监测方法或仿真分析均难以对质量问题进行高精度可视化评估和判断。

发明内容

本发明的目的是提供一种基于数字孪生的壁板结构质量问题识别方法，高效且高精度的实现壁板结构质量问题的识别。

为实现上述目的，本发明提供了如下方案：

一种基于数字孪生的壁板结构质量问题识别方法，所述方法包括：

获取目标壁板的结构及材料参数和施加在所述目标壁板上的载荷条件及边界条件；所述结构及材料参数包括：材料和尺寸；

建立仿真分析模型，根据所述尺寸、所述载荷条件及所述边界条件进行力学计算，得到仿真分析的力学响应；所述仿真分析模型采用有限元法构建；所述仿真分析的力学响应包括：多个坐标位置和多个所述坐标位置对应的力学响应；

获取所述目标壁板试验监测得到的力学响应；所述试验监测得到的力学响应包括：离散点的坐标和所述离散点对应的响应；所述离散点为在所述目标壁板上布设的传感器的测点；

建立数字孪生体模型，根据所述仿真分析的力学响应和所述试验监测得到的力学响应得到数字孪生的力学响应；所述数字孪生体模型采用数据融合的方法构建；所述数字孪生的力学响应包括：多个位置点和多个所述位置点对应的响应值；每个所述位置点均包括一个所述坐标位置以及对应的一个或者多个所述离散点；

根据所述仿真分析的力学响应和所述数字孪生的力学响应，计算响应差值；所述响应差值为最大偏差百分比或相关系数；

若所述响应差值在设定差值范围内，则确定所述目标壁板存在结构质量问题。

可选地，所述数据融合的方法包括：标度函数法、Kriging类方法和机器学习法。

可选地，所述最大偏差百分比的计算公式为：

或者，所述最大偏差百分比的计算公式为：

所述相关系数的计算公式为：

其中，e_max为最大偏差百分比；abs为绝对值函数；r²为相关系数；min(f_fem)为最小力学响应；min(f_dt)为最小响应值；max(f_fem)为最大力学响应；max(f_dt)为最大响应值；

为第i个坐标位置的力学响应；

为第i个坐标位置的力学响应的平均值；

为数字孪生体模型中第i个的位置点的响应值；

为数字孪生体模型中第i个位置点的响应值的平均值；n为坐标位置和位置点的个数总数，i为序号。

可选地，所述方法还包括：

输出并显示所述响应差值及所述响应差值对应的坐标位置或位置点。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明提供了一种基于数字孪生的壁板结构质量问题识别方法，通过采用数据融合方法构建的数字孪生体模型和仿真分析模型，分别得到仿真分析的力学响应和数字孪生的力学响应，进而计算得到响应差值，根据响应差值判断目标壁板的当前结构是否存在结构质量问题；由于数字孪生体模型是采用数据融合的方法构建的，能够提高力学响应的计算精度，又由于仿真分析模型是针对目标壁板进行全场力学响应计算，试验监测得到的力学响应是对目标壁板进行精确的力学响应计算，然后再通过将数字孪生体模型和仿真分析模型，能够快速的确定目标壁板是否存在结构质量问题；因此，本发明能够高效且高精度的实现壁板结构质量问题的识别。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的基于数字孪生的壁板结构质量问题识别方法的流程图；

图2为本发明实施例提供的基于数字孪生的壁板结构质量问题识别方法在实际应用中的具体的流程图；

图3为本发明实施例提供的仿真分析模型中壁板结构边界的载荷情况示意图；

图4为本发明实施例提供的仿真分析模型中有限元横向应变计算结果示意图；

图5为本发明实施例提供的应变传感器的布设示意图；

图6为本发明实施例提供的数字孪生体模型的计算结果示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种基于数字孪生的壁板结构质量问题识别方法，能够高效且高精度的实现壁板结构质量问题的识别。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

实施例1

如图1所示，本发明实施例提供了一种基于数字孪生的壁板结构质量问题识别方法，该方法包括：

步骤100：获取目标壁板的结构及材料参数和施加在目标壁板上的载荷条件及边界条件；结构及材料参数包括：材料和尺寸。载荷条件为对目标壁板外加载荷的限制，如施加在目标壁板上的轴压、轴拉。

边界条件为对目标壁板进行力学计算时，得到的力学响应与坐标变量间的变化规律。

步骤200：建立仿真分析模型，根据尺寸、载荷条件及边界条件进行力学计算，得到仿真分析的力学响应；仿真分析模型采用有限元法构建；仿真分析的力学响应包括：多个坐标位置和多个坐标位置对应的力学响应。

步骤300：获取目标壁板试验监测得到的力学响应；试验监测得到的力学响应包括：离散点的坐标和离散点对应的响应；离散点为在目标壁板上布设的传感器的测点。

步骤400：建立数字孪生体模型，根据仿真分析的力学响应和试验监测得到的力学响应得到数字孪生的力学响应；数字孪生体模型采用数据融合的方法构建；数字孪生的力学响应包括：多个位置点和多个位置点对应的响应值；每个位置点均包括一个坐标位置以及对应的一个或者多个离散点。

步骤500：根据仿真分析的力学响应和数字孪生的力学响应，计算响应差值；响应差值为最大偏差百分比或相关系数。

步骤600：若响应差值在设定差值范围内，则确定目标壁板存在结构质量问题。

数据融合方法包括标度函数法、Kriging类方法和机器学习法。数据融合是基于代理模型进行多源数据融合。

具体地，标度函数法可以分为加法标度函数法、乘法标度函数法和混合标度函数法；其中混合标度函数法较加法标度函数法和乘法标度函数法，应用更加的广泛且精度更高。混合标度函数法是先基于RBF模型对仿真数据即仿真分析的力学响应构建低保真度代理模型后，再基于试验数据与仿真数据的差值(即仿真分析的力学响应和试验监测得到的力学响应)构建标度函数代理模型，将低保真度代理模型与标度函数代理模型相加即可构造数据融合模型，即数字孪生体。该方法能够实现在小样本的基础上，建立较高精准度的模型。

Kriging类方法主要包括Co-Kriging法和分层Kriging法等；机器学习法包括迁移学习法。

Co-Kriging法是通过对高精度样本点即试验监测得到的力学响应进行插值，而分层Kriging采用高效全局优化方法开展优化；具体的数据融合过程，可参见《变可信度近似模型及其在复杂装备优化设计中的应用研究进展》。

迁移学习法的数据融合方法通过构建神经网络，对构建的神经网络进行训练及优化，最终的得到数字孪生体模型。

其中，建立迁移学习法构建数字孪生体模型的方法为：

根据仿真分析的力学响应构建神经网络；通过自适应矩估计算法(Adam)对神经网络的权值和阈值进行训练，得到预训练模型。

由于对于预训练模型，神经网络(DNN)的前若干层学习到的都是通用的特征，随着网络层次的加深，后面的网络更偏重于任务特定的特征且越靠近输出层任务特定特征越高级。良好的层次结构使得神经网络(DNN)具备可迁移性，由此，对预训练模型进行迁移学习。

对预训练模型进行迁移学习，具体包括：

固定预训练模型的前若干层，调整最后一层神经网络的阈值和权值的学习率。其次，以试验监测得到的力学响应作为目标域样本集，对最后一层网络进行微调(fine-tuning)，即通过少量的试验监测得到的力学响应和较小的学习率对预训练模型最后一层神经网络的模型参数进行重新训练，微调优化后即可得到数字孪生体模型。

数字孪生体模型的构建，本质上是对两种数据的融合(有限元仿真数据和试验测点数据，即仿真分析的力学响应和所述试验监测得到的力学响应)，综合二者的优势(有限元是全场的、试验测点是精确的)，最终构建高精度、全场的数字孪生体。由于数字孪生体是全场的，因此可根据任意输入进行响应预测。

数字孪生体模型确定后，将目标壁板的结构及材料参数和施加在目标壁板上的载荷条件及边界条件，输入到数字孪生体模型中，能够得到数字孪生的力学响应。

具体地，最大偏差百分比的计算公式为：

或者，最大偏差百分比的计算公式为：

最大偏差百分比，可根据实际问题的不同(例如轴压、轴拉等)以及计算的力学响应不同(轴向应变、横向应变、Mises应力等)，选用最大值或者最小值(max/min)进行计算。

相关系数的计算公式为：

其中，e_max为最大偏差百分比；abs为绝对值函数；r²为相关系数；min(f_fem)为最小力学响应；min(f_dt)为最小响应值；max(f_fem)为最大力学响应；max(f_dt)为最大响应值；

为第i个坐标位置的力学响应；

为第i个坐标位置的力学响应的平均值；

为数字孪生体模型中第i个的位置点的响应值；

为数字孪生体模型中第i个位置点的响应值的平均值；n为坐标位置和位置点的个数总数，i为序号。

作为一种可选的实施方式，该方法还包括：

输出并显示响应差值及响应差值对应的坐标位置或位置点。

该实施例提供的基于数字孪生的壁板结构质量问题识别方法，在实际应用中的步骤还可以如下：

进行基于数字孪生的壁板结构质量问题可视化识别时，首先建立壁板结构的仿真分析模型并进行计算，获取壁板结构力学响应作为仿真分析数据集；然后布设传感器，开展相关力学试验，获取结构的试验测点位置和传感器响应信息作为试验数据集；进而根据仿真分析数据集和试验数据集，构建壁板结构高精度全场数字孪生体；接着通过数字孪生体结果和仿真分析模型计算结果，计算质量问题的评价指标值；最后将评价指标与参考标准范围进行对比，判断当前结构是否发生质量问题及具体的质量问题类型，并可视化输出相应信息。图2为实际应用中的具体的流程图。

第一步，计算仿真分析模型响应。根据实际的壁板结构，建立其仿真分析模型，并开展力学响应分析，将获得的结构坐标和对应的力学响应计算结果作为仿真分析数据集。力学响应包括应力响应、应变响应或位移响应等。壁板结构指的是，针对实际的结构形式(具体的结构材料、尺寸等)，通过采用有限元法构建仿真分析模型，或采用有限元分析软件(Ansys、Abaqus等)进行结构建模以及有限元网格划分，获得有限元模型，即仿真分析模型；然后根据实际工况(轴压、内压等)开展力学分析，将有限元计算结果的力学响应以坐标-响应形式输出。

在仿真分析模型响应时，可以根据实际情况开展壁板结构仿真分析力学响应的分析，包括但不限于应力响应、应变响应或位移响应等。

第二步，布设传感器并开展力学试验。根据仿真分析结果，在壁板结构上布设传感器测点，并开展力学试验，将获得的离散测点坐标及试验测量得到的力学响应作为试验数据集。试验测点的布设方法包括空间均匀布设、基于仿真分析结果自适应布设等。试验测量的力学响应包括应力响应、应变响应或位移响应等。力学试验的载荷类型包括轴压载荷、轴拉载荷、集中力载荷、水压载荷、气密载荷等。

具体地，布设传感器位置时，可根据实际情况选择传感器布设方式，包括但不限于空间均匀布设、基于仿真分析结果自适应布设等。在开展结构力学试验时，可以根据实际需求开展力学响应的试验测量，包括但不限于应力响应、应变响应或位移响应等。在进行力学试验加载时，可根据结构的特点和服役工况选择载荷施加方式，包括但不限于轴压载荷、轴拉载荷、集中力载荷、内压载荷等。

第三步，构建全场数字孪生体，即构建数字孪生体模型。对第一步中获得的仿真分析响应数据集和第二步中获得的试验测点数据集进行数据融合，构建数字孪生全场可视化模型。数据融合方法包括标度函数法、Co-Kriging法、分层Kriging法、迁移学习法等。

在构建全场数字孪生体时，可以根据实际的问题规模(壁板结构仿真数据量及试验测点数量等)选用不同的数据融合方法，包括但不限于标度函数法、Co-Kriging法、分层Kriging法、迁移学习法等。其中，当数据量较少时(仿真数据1000以内，试验测点数目50以内)，建议使用Co-Kriging法或分层Kriging法；当数据量中等时(仿真数据50000以内，试验测点数目100以内)，建议使用基于RBF代理模型的标度函数法；当数据量较大时，(仿真数据50000以上，试验测点数目100以上)，建议使用基于深度神经网络的迁移学习方法。

第四步，计算质量问题评价指标。基于仿真分析模型和数字孪生体的偏差作为评价指标，例如最大偏差百分比e_max与相关系数(Pearson)r²等。

在计算质量问题评价指标中，可选择合适的评价指标进行质量问题的分析与判断，包括但不限于最大偏差百分比e_max与相关系数(Pearson)r²等。此外，只要任一计算结果在设定的建议范围内，就判断为质量存在问题。

本发明考虑的壁板结构典型质量问题包括但不限于几何缺陷、载荷施加偏心、厚度理想化偏差、焊缝模型理想化偏差、端框模型理想化偏差，其具体详细解释如下：

1.几何缺陷：壁板结构仿真分析模型往往根据三维CAD模型进行简化建模，难以考虑加工制造、运输存储中壁板试件产生的几何缺陷，易导致仿真强度分析结果与真实试验结果存在差异。

2.载荷施加偏心：在试验过程中，由于加载施加误差或者操作不当，使得载荷施加偏心，进而影响对结构性能的判断，则会出现认为通过了试验校核(实际上可能没有通过)的情况，导致型号任务失败。

3.厚度理想化偏差：在壁板结构中，存在复杂变厚度区域，但为了简化计算，工程中通常采用壳单元进行仿真建模，而壳单元难以反映真实的结构厚度变化情况，使得刚度模拟产生偏差，进而导致仿真结果与真实试验结果存在较大差异。

4.焊缝模型理想化偏差：部件与部件之间的焊接质量较低，如咬边、焊瘤、气孔、表面裂纹、内部裂纹、焊缝位置或尺寸未达标等典型问题，对结构的实际强度和刚度产生了影响，但在实际分析模型中，仍然按照理想化模型进行仿真，造成偏差。

5.端框模型理想化偏差：对于复杂壁板结构，为了简化计算，需要对端框模型进行简化建模，通过梁、壳单元模拟实体模型，然而简化模型对局部变厚度、凹槽等细节无法精准模拟，导致局部仿真结果与真实试验结果存在差异。

对于一个壁板结构，上述五种质量问题一般并不会同时出现，且关注区域不一样。几何缺陷是通过全场有限元模型响应和全场数字孪生体响应计算的偏差指标；载荷施加偏心是将数字孪生体划分为左、右两部分数据计算偏差指标；厚度理想化偏差、焊缝模型理想化偏差、端框模型理想化偏差等分别是针对局部的变厚度、焊缝、端框有限元模型响应与数字孪生体响应进行计算指标。(一般的结构通常不是都有变厚度、焊缝、端框区域，可能有其中一种或者没有，而且就算同时有上述情况，也是针对其局部进行指标的计算)。

第五步，可视化输出质量问题信息。将第四步中计算得到的评价指标与参考标准范围进行对比，若评价指标的计算结果在设定的建议范围内，则认为结构发生对应的质量问题，并可视化输出相应的质量问题信息。

在具体应用时，建立壁板结构的仿真分析模型，结构下端固支，上端施加轴压载荷(轴压0.3mm)，开展力学响应分析，将获得的结构坐标和对应的横向应变响应计算结果作为仿真分析数据集，计算结果如图3和图4所示。由于仿真分析计算结果没有考虑加载偏心的影响，应变云图为左右对称的理想化云图。

基于空间均匀布设方法，在壁板结构上均匀布设传感器，如图5所示，总共试验传感器测点的数量为24个，试验加载时偏离中心点10mm，轴压0.3mm，将获得的24个测点坐标及试验测量得到的应变响应作为试验数据集。图5中的黑点表示应变传感器。

通过数字孪生体模型对结构全场应变响应进行预测，全场预测结果，如图6所示。从数字孪生云图中可以看到，由于结构加载存在偏心，数字孪生云图左右两侧并不对称，且沿中轴线左右两侧的结构最大应变存在较明显的差别。

将数字孪生体全场预测结果沿中轴线分为左右两部分数据用于计算e_max，计算结果如表1所示，当前最大偏差计算结果为29％。

表1载荷施加偏心质量问题判别情况示例

	建议范围	当前计算结果	是否存在质量问题
				<![CDATA[e<sub>max</sub>]]>	>15％	29％	是

将最大偏差计算结果与建议范围进行对比，发现计算值在质量问题的建议范围内，因此可以判断当前存在载荷施加偏心质量问题，然后将质量问题信息进行输出显示，达到可视化的目的。

本发明的有益效果：

1.针对单一地依靠试验监测方法或仿真方法难以对质量问题进行准确判断的难题，本发明通过建立数字孪生体模型，充分利用试验数据和仿真分析数据的优势，建立高精度力学响应全场可视化模型，能有效提升质量问题的识别精度。

2.针对传统方法无法对壁板结构质量问题进行准确的表征的难题，本发明建立了具体的量化评价指标(包括但不限于最大偏差百分比e_max与Pearson相关系数r²等)，并对典型质量问题进行了详细描述(包括但不限于几何缺陷、载荷施加偏心、厚度理想化偏差、焊缝模型理想化偏差、端框模型理想化偏差)，并确定了参考标准范围，可对质量问题类型及形式进行准确定位和识别。

3.本发明可针对多种力学响应进行壁板结构质量问题的可视化识别，具有一定的适用性，包括但不限于应力响应、应变响应或位移响应等。布设传感器位置时，可根据实际情况选择传感器布设方式，包括但不限于空间均匀布设、基于仿真分析结果自适应布设等。在进行力学试验加载时，可针对结构实际面临的载荷工况进行加载，载荷施加类型包括但不限于轴压载荷、轴拉载荷、集中力载荷、水压载荷、气密载荷等。

4.本发明可以根据实际的问题规模(壁板结构仿真数据量及试验测点数量等)选用不同的数据融合方法进行数字孪生体的构建，包括但不限于标度函数法、Co-Kriging法、分层Kriging法、迁移学习法等，通过对不同的问题选用其合适的数据融合方式，能有效提升数字孪生体的构建精度。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (4)

1.一种基于数字孪生的壁板结构质量问题识别方法，其特征在于，所述方法包括：

获取目标壁板的结构及材料参数和施加在所述目标壁板上的载荷条件及边界条件；所述结构及材料参数包括：材料和尺寸；

建立仿真分析模型，根据所述尺寸、所述载荷条件及所述边界条件进行力学计算，得到仿真分析的力学响应；所述仿真分析模型采用有限元法构建；所述仿真分析的力学响应包括：多个坐标位置和多个所述坐标位置对应的力学响应；

获取所述目标壁板试验监测得到的力学响应；所述试验监测得到的力学响应包括：离散点的坐标和所述离散点对应的响应；所述离散点为在所述目标壁板上布设的传感器的测点；

建立数字孪生体模型，根据所述仿真分析的力学响应和所述试验监测得到的力学响应得到数字孪生的力学响应；所述数字孪生体模型采用数据融合的方法构建；所述数字孪生的力学响应包括：多个位置点和多个所述位置点对应的响应值；每个所述位置点均包括一个所述坐标位置以及对应的一个或者多个所述离散点；

根据所述仿真分析的力学响应和所述数字孪生的力学响应，计算响应差值；所述响应差值为最大偏差百分比或相关系数；

若所述响应差值在设定差值范围内，则确定所述目标壁板存在结构质量问题。

2.根据权利要求1所述的基于数字孪生的壁板结构质量问题识别方法，其特征在于，所述数据融合的方法包括：标度函数法、Kriging类方法和机器学习法。

3.根据权利要求1所述的基于数字孪生的壁板结构质量问题识别方法，其特征在于，所述最大偏差百分比的计算公式为：

或者，所述最大偏差百分比的计算公式为：

所述相关系数的计算公式为：

其中，e_max为最大偏差百分比；abs为绝对值函数；r²为相关系数；min(f_fem)为最小力学响应；min(f_dt)为最小响应值；max(f_fem)为最大力学响应；max(f_dt)为最大响应值；

为第i个坐标位置的力学响应；

为第i个坐标位置的力学响应的平均值；

为数字孪生体模型中第i个的位置点的响应值；

为数字孪生体模型中第i个位置点的响应值的平均值；n为坐标位置和位置点的个数总数，i为序号。

4.根据权利要求1所述的基于数字孪生的壁板结构质量问题识别方法，其特征在于，所述方法还包括：

输出并显示所述响应差值及所述响应差值对应的坐标位置或位置点。

Images