CN116305665B - 一种工件横截面残余应力分布的分析方法及相关装置 - Google Patents
一种工件横截面残余应力分布的分析方法及相关装置 Download PDFInfo
- Publication number
- CN116305665B CN116305665B CN202310539181.4A CN202310539181A CN116305665B CN 116305665 B CN116305665 B CN 116305665B CN 202310539181 A CN202310539181 A CN 202310539181A CN 116305665 B CN116305665 B CN 116305665B
- Authority
- CN
- China
- Prior art keywords
- workpiece
- slope
- ultrasonic
- residual stress
- load distribution
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 154
- 238000004458 analytical method Methods 0.000 title claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 82
- 238000000034 method Methods 0.000 claims abstract description 55
- 238000003062 neural network model Methods 0.000 claims abstract description 27
- 230000005284 excitation Effects 0.000 claims abstract description 22
- 239000006185 dispersion Substances 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims abstract description 12
- 238000001514 detection method Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 18
- 239000002245 particle Substances 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 239000000463 material Substances 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 7
- 238000002360 preparation method Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 abstract description 6
- 238000005259 measurement Methods 0.000 description 7
- 230000006378 damage Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001683 neutron diffraction Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
- G01L5/00—Apparatus for, or methods of, measuring force, work, mechanical power, or torque, specially adapted for specific purposes
- G01L5/0047—Apparatus for, or methods of, measuring force, work, mechanical power, or torque, specially adapted for specific purposes measuring forces due to residual stresses
-
- 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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P10/00—Technologies related to metal processing
- Y02P10/20—Recycling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本申请公开了一种工件横截面残余应力分布的分析方法及相关装置,方法包括:基于有限元分析方法根据预设载荷分布斜率和预设超声波激励频率获取超声波速度训练集,超声波速度训练集以预设载荷分布斜率为标签;采用超声波速度训练集对初始PSO‑BP神经网络模型进行载荷分布斜率预测训练,得到优化斜率预测模型;将实际速度频散曲线输入优化斜率预测模型进行斜率预测,得到目标载荷分布斜率;根据目标载荷分布斜率和残余应力分布公式确定工件横截面残余应力分布。本申请能够解决现有技术操作过程繁琐,且无法适应工件参数的变化,导致得到的残余应力分布结果缺乏准确性和可靠性的技术问题。
Description
技术领域
本申请涉及工件检测技术领域,尤其涉及一种工件横截面残余应力分布的分析方法及相关装置。
背景技术
工件在生产过程中难免会出现工件弯曲等缺陷,此外,对工件进行喷丸轧制等加工工艺,上述缺陷或加工工艺会对工件横截面产生外力载荷,工件在这些情况下所受到的外力载荷分布可近似认为呈线性分布,即随着工件厚度增加,所受到的载荷也线性增加,在外力载荷的作用下,工件内部产生残余应力。工件产生缺陷的原因是由于工件内部存在残余应力或者残余应力分布不均的情况,测量工件的残余应力分布的主要目的是为了减小和消除工件内部的残余应力,以达到改善工件生产工艺和获取工件处理后内部情况,故获取工件横截面残余应力分布特征对于工件生产和加工显得尤为重要。
目前残余应力测量主要有无损检测和有损检测。有损检测是通过应力释放的方法进行检测,如盲孔法和化学检测法,但这些检测方法将会对工件造成不可逆的损伤,测量过程中会由于切割等作用,引起工件的损伤和屈服,影响测量效果。无损方法包括X射线法、中子衍射法和超声波法。X射线法由于X射线的穿透深度较小,只能测量材料表面的残余应力,若测量材料内部的残余应力或者测量应力梯度,X射线测量能力大幅降低,无法满足要求;中子衍射法受所需设备限制,无法在工作现场进行测量,限制了中子衍射测量法的商业应用。超声波法有测试速度快、测量深度较大、硬件成本低、操作简单、对人体无害、测试无损等优点。但是,超声波法步骤繁琐,尤其是测量工件的线性分布载荷,由于线性分布载荷随着工件厚度增加,载荷力线性增加,测量步骤和时间也会随之增加,此外,采用超声波测量得到的多组残余应力值中间相隔距离较大,得到的横截面的残余应力分布较为粗糙。
发明内容
本申请提供了一种工件横截面残余应力分布的分析方法及相关装置,用于解决现有技术操作过程繁琐,且无法适应工件参数的变化和不同工艺,导致得到的残余应力分布结果缺乏准确性和可靠性的技术问题。
有鉴于此,本申请第一方面提供了一种工件横截面残余应力分布的分析方法,包括:
基于有限元分析方法根据预设载荷分布斜率和预设超声波激励频率获取超声波速度训练集,所述超声波速度训练集以所述预设载荷分布斜率为标签;
采用所述超声波速度训练集对初始PSO-BP神经网络模型进行载荷分布斜率预测训练,得到优化斜率预测模型;
将实际速度频散曲线输入所述优化斜率预测模型进行斜率预测,得到目标载荷分布斜率;
根据所述目标载荷分布斜率和残余应力分布公式确定工件横截面残余应力分布。
优选地,所述基于有限元分析方法根据预设载荷分布斜率和预设超声波激励频率获取超声波速度训练集,包括:
获取一批工件的工件参数,所述工件参数包括工件长度、工件厚度和工件材料;
基于网格划分法和所述残余应力分布公式根据所述工件参数、预设载荷分布斜率和预设超声波激励频率进行有限元探测分析,并记录不同的传播时间差;
根据所述传播时间差计算超声波在工件内部的传播速度,并生成超声波速度训练集。
优选地,所述采用所述超声波速度训练集对初始PSO-BP神经网络模型进行载荷分布斜率预测训练,得到优化斜率预测模型,包括:
采用所述超声波速度训练集对初始PSO-BP神经网络模型进行载荷分布斜率初始训练,得到斜率预测值;
将所述斜率预测值与所述预设载荷分布斜率生成的误差函数作为适应度函数,基于粒子群算法对所述初始PSO-BP神经网络模型的模型参数进行优化训练,得到优化斜率预测模型。
优选地,所述将实际速度频散曲线输入所述优化斜率预测模型进行斜率预测,得到目标载荷分布斜率,之前还包括:
采用超声波信号对工件进行探测操作,记录超声波在工件内部的实际传播时间差;
根据所述实际传播时间差计算实际超声波速度,并根据所述实际超声波速度绘制实际速度频散曲线。
本申请第二方面提供了一种工件横截面残余应力分布的分析装置,包括:
数据准备单元,用于基于有限元分析方法根据预设载荷分布斜率和预设超声波激励频率获取超声波速度训练集,所述超声波速度训练集以所述预设载荷分布斜率为标签;
模型训练单元,用于采用所述超声波速度训练集对初始PSO-BP神经网络模型进行载荷分布斜率预测训练,得到优化斜率预测模型;
斜率预测单元,用于将实际速度频散曲线输入所述优化斜率预测模型进行斜率预测,得到目标载荷分布斜率;
应力分析单元,用于根据所述目标载荷分布斜率和残余应力分布公式确定工件横截面残余应力分布。
优选地,所述数据准备单元,具体用于:
获取一批工件的工件参数,所述工件参数包括工件长度、工件厚度和工件材料;
基于网格划分法和所述残余应力分布公式根据所述工件参数、预设载荷分布斜率和预设超声波激励频率进行有限元探测分析,并记录不同的传播时间差;
根据所述传播时间差计算超声波在工件内部的传播速度,并生成超声波速度训练集。
优选地,所述模型训练单元,具体用于:
采用所述超声波速度训练集对初始PSO-BP神经网络模型进行载荷分布斜率初始训练,得到斜率预测值;
将所述斜率预测值与所述预设载荷分布斜率生成的误差函数作为适应度函数,基于粒子群算法对所述初始PSO-BP神经网络模型的模型参数进行优化训练,得到优化斜率预测模型。
优选地,还包括:
实际波速计算单元,用于采用超声波信号对工件进行探测操作,记录超声波在工件内部的实际传播时间差;
根据所述实际传播时间差计算实际超声波速度,并根据所述实际超声波速度绘制实际速度频散曲线。
本申请第三方面提供了一种工件横截面残余应力分布的分析设备,所述设备包括处理器以及存储器;
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行第一方面所述的工件横截面残余应力分布的分析方法。
本申请第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行第一方面所述的工件横截面残余应力分布的分析方法。
从以上技术方案可以看出,本申请实施例具有以下优点:
本申请中,提供了一种工件横截面残余应力分布的分析方法,包括:基于有限元分析方法根据预设载荷分布斜率和预设超声波激励频率获取超声波速度训练集,超声波速度训练集以预设载荷分布斜率为标签;采用超声波速度训练集对初始PSO-BP神经网络模型进行载荷分布斜率预测训练,得到优化斜率预测模型;将实际速度频散曲线输入优化斜率预测模型进行斜率预测,得到目标载荷分布斜率;根据目标载荷分布斜率和残余应力分布公式确定工件横截面残余应力分布。
本申请提供的工件横截面残余应力分布的分析方法,在确定残余应力呈线性分布的情况下,通过构建神经网络模型对线性关系中的斜率进行预测,为了提高预测结果的可靠性,采用工件探测仿真的方式生成超声波速度训练集,从而确保得到优化斜率预测模型;模型的操作过程简单,且模型可以适应工件的参数变化情况,确保残余应力分布结果的准确性和可靠性。因此,本申请能够解决现有技术操作过程繁琐,且无法适应工件参数的变化,导致得到的残余应力分布结果缺乏准确性和可靠性的技术问题。
附图说明
图1为本申请实施例提供的一种工件横截面残余应力分布的分析方法的流程示意图;
图2为本申请实施例提供的一种工件横截面残余应力分布的分析装置的结构示意图;
图3为本申请实施例提供的弯曲工件的载荷分布和超声测量示意图;
图4为本申请实施例提供的PSO-BP神经网络模型的网络结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
为了便于理解,请参阅图1,本申请提供的一种工件横截面残余应力分布的分析方法的实施例,包括:
步骤101、基于有限元分析方法根据预设载荷分布斜率和预设超声波激励频率获取超声波速度训练集,超声波速度训练集以预设载荷分布斜率为标签。
进一步地,步骤101,包括:
获取一批工件的工件参数,工件参数包括工件长度、工件厚度和工件材料;
基于网格划分法和残余应力分布公式根据工件参数、预设载荷分布斜率和预设超声波激励频率进行有限元探测分析,并记录不同的传播时间差;
根据传播时间差计算超声波在工件内部的传播速度,并生成超声波速度训练集。
有限元分析方法是利用数学近似的方法对真实物理系统进行模拟;利用简单而又相互作用的元素,就可以用有限数量的未知量去逼近无限未知量的真实系统。
本实施例基于有限元分析方法对工件在应力情况下,超声波在其内部的传播速度进行分析;其中主要涉及工件相关参数,例如工件厚度等。由于工件受到的外力载荷分布可近似认为呈线性分布,所以可以表达出工件横截面两端施加线性载荷,其载荷大小可以描述为残余应力分布公式:
;
其中,F为载荷大小,d为工件厚度,b为预设载荷截距,K为预设载荷分布斜率,请参阅图3,在仿真阶段可以设置多种不同的载荷分布斜率值K、工件厚度d、预设载荷截距b,进而改变载荷大小,通过改变载荷大小改变超声波在工件内部的传播速度。
然后对工件的横截面进行网格划分,便于后续的超声波探测仿真,具体的网格划分大小表达为:
;
其中,为超声波在零应力情况下在工件内部的传播速度,f为预设超声波激励频率。
接着,进行有限元探测分析,并记录不同的传播时间差;根据传播时间差/>计算超声波在工件内部的传播速度:
;
其中,V为超声波在工件内部的传播速度,L为两个超声波探头的距离。
通过改变预设载荷分布斜率K和预设超声波激励频率f,可以测得多组不同的超声波在工件内部的传播速度,进而生成超声波速度训练集;超声波速度训练集以预设载荷分布斜率为标签是指,在使用超声波速度训练集训练模型时,输入模型的是超声波在工件内部的传播速度,模型输出为载荷分布斜率预测值,此处的预设载荷分布斜率作为真实值。除此之外,每组训练数据都是通过改变载荷分布斜率值K、工件厚度d、预设载荷截距b和预设超声波激励频率f得到的,所以这些参数也可以作为模型输出参数,对应于超声波在工件内部的传播速度。具体模型输出参数的类别和数量在此不作限定,不影响本申请方案的执行即可。
步骤102、采用超声波速度训练集对初始PSO-BP神经网络模型进行载荷分布斜率预测训练,得到优化斜率预测模型。
进一步地,步骤102,包括:
采用超声波速度训练集对初始PSO-BP神经网络模型进行载荷分布斜率初始训练,得到斜率预测值;
将斜率预测值与预设载荷分布斜率生成的误差函数作为适应度函数,基于粒子群算法对初始PSO-BP神经网络模型的模型参数进行优化训练,得到优化斜率预测模型。
需要说明的是,每一组训练数据包括标签变载荷分布斜率值、工件厚度、载荷截距和超声波激励频率中的一个或者多个,以及一个对应的超声波在工件内部的传播速度。也就是说,优化斜率预测模型的输入是超声波在工件内部的传播速度,输出可以是载荷分布斜率值、工件厚度、载荷截距和超声波激励频率等多个参数,本实施例确定最终的工件横截面残余应力分布主要用到的是斜率值和载荷截距,所以主要关注这两个参数即可。
在训练模型之前,除了构建初始PSO-BP神经网络模型,还需要对超声波速度训练集进行Z-score标准化处理,具体过程为:
;
其中,为标准化处理后的第i组训练集数据,/>为标准化处理之前的第i组训练集数据,/>为待标准化数据的均值,/>为待标准化数据的标准差。
请参阅图4,标准化处理后得到的超声波速度训练集可以输入初始PSO-BP神经网络模型进行数据分析;本实施中的模型隐藏层的输出表达为:
;
其中,为隐藏层第j个节点的输出值,/>为激励函数,l为隐藏层节点数量,为输入层到隐藏层第j个节点的权重,/>为第i个超声波在工件内部的超波速度,/>为输入层到隐藏层的第j个节点的偏置值。
其中激励函数表达为:
;
计算模型输出层的输出值为:
;
其中,O为模型输出的斜率预测值,为隐藏层到输出层的第j个节点的权重,/>为隐藏层到输出层的第j个节点的偏置值。
计算斜率预测值与训练集的真实值之间的误差,即基于斜率预测值与预设载荷分布斜率生成误差函数:
;
其中,E为误差值,e为斜率预测值与预设载荷分布斜率的差值。
以误差函数为适应度函数,可以进行基于粒子群算法的模型优化,根据上述计算设置粒子群算法反向传播更新每个网络层的全部权重记作w,权重数量为N,最大迭代次数为M,则粒子群算法反向传播更新权重的过程为:
;
其中,、/>分别为第m次和第m+1次迭代中第n个权重粒子群中粒子i的速度向量,w为粒子群算法的惯性权重,/>、/>为粒子群算法的学习因子,/>、/>为两个随机数,取值在[0, 1]范围内,/>为在第m次迭代中第n个权重粒子群中粒子i的历史最优值,为在第m次迭代中第n个权重粒子群中的历史最优值,/>、/>为第m次和第m+1次迭代中第n个权重粒子群的粒子i的权重。迭代训练直至最大迭代次数M,就可以得到优化斜率预测模型。
步骤103、将实际速度频散曲线输入优化斜率预测模型进行斜率预测,得到目标载荷分布斜率。
可以理解的是,除了获取目标载荷分布斜率之外,还可以获取到优化斜率预测模型预测的目标载荷截距,这两种参数均可用于残余应力分布的确定过程中。
进一步地,步骤103,之前还包括:
采用超声波信号对工件进行探测操作,记录超声波在工件内部的实际传播时间差;
根据实际传播时间差计算实际超声波速度,并根据实际超声波速度绘制实际速度频散曲线。
可以理解的是,对工件进行一发一收的超声波探测操作,可以通过超声波探头连接示波器,并获取到超声波信号,记录超声波实际的传播时间差,根据实际传播时间差和确定的传播距离就可以计算出实际超声波速度。本实施例中需要计算斜率,所以一组时间超声波速度数据不够,需要获取多组超声波速度,并输入优化斜率预测模型中进行斜率预测,就可以得到目标载荷分布斜率,可以理解的是,实际速度频散曲线中就包含多组超声波速度数据。
步骤104、根据目标载荷分布斜率和残余应力分布公式确定工件横截面残余应力分布。
参与应力分布公式即为,确定了目标载荷分布斜率K和目标载荷截距b,工件厚度d获取到后就可以计算出具体的载荷大小,即工件横截面残余应力大小。
本申请实施例提供的工件横截面残余应力分布的分析方法,在确定残余应力呈线性分布的情况下,通过构建神经网络模型对线性关系中的斜率进行预测,为了提高预测结果的可靠性,采用工件探测仿真的方式生成超声波速度训练集,从而确保得到优化斜率预测模型;模型的操作过程简单,且模型可以适应工件的参数变化情况,确保残余应力分布结果的准确性和可靠性。因此,本申请实施例能够解决现有技术操作过程繁琐,且无法适应工件参数的变化,导致得到的残余应力分布结果缺乏准确性和可靠性的技术问题。
为了便于理解,请参阅图2,本申请提供了一种工件横截面残余应力分布的分析装置的实施例,包括:
数据准备单元201,用于基于有限元分析方法根据预设载荷分布斜率和预设超声波激励频率获取超声波速度训练集,超声波速度训练集以预设载荷分布斜率为标签;
模型训练单元202,用于采用超声波速度训练集对初始PSO-BP神经网络模型进行载荷分布斜率预测训练,得到优化斜率预测模型;
斜率预测单元203,用于将实际速度频散曲线输入优化斜率预测模型进行斜率预测,得到目标载荷分布斜率;
应力分析单元204,用于根据目标载荷分布斜率和残余应力分布公式确定工件横截面残余应力分布。
进一步地,数据准备单元201,具体用于:
获取一批工件的工件参数,工件参数包括工件长度、工件厚度和工件材料;
基于网格划分法和残余应力分布公式根据工件参数、预设载荷分布斜率和预设超声波激励频率进行有限元探测分析,并记录不同的传播时间差;
根据传播时间差计算超声波在工件内部的传播速度,并生成超声波速度训练集。
进一步地,模型训练单元202,具体用于:
采用超声波速度训练集对初始PSO-BP神经网络模型进行载荷分布斜率初始训练,得到斜率预测值;
将斜率预测值与预设载荷分布斜率生成的误差函数作为适应度函数,基于粒子群算法对初始PSO-BP神经网络模型的模型参数进行优化训练,得到优化斜率预测模型。
进一步地,还包括:
实际波速计算单元205,用于采用超声波信号对工件进行探测操作,记录超声波在工件内部的实际传播时间差;
根据实际传播时间差计算实际超声波速度,并根据实际超声波速度绘制实际速度频散曲线。
本申请还提供了一种工件横截面残余应力分布的分析设备,设备包括处理器以及存储器;
存储器用于存储程序代码,并将程序代码传输给处理器;
处理器用于根据程序代码中的指令执行上述方法实施例中的工件横截面残余应力分布的分析方法。
本申请还提供了一种计算机可读存储介质,计算机可读存储介质用于存储程序代码,程序代码用于执行上述方法实施例中的工件横截面残余应力分布的分析方法。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以通过一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文全称:Read-OnlyMemory,英文缩写:ROM)、随机存取存储器(英文全称:Random Access Memory,英文缩写:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围。
Claims (8)
1.一种工件横截面残余应力分布的分析方法,其特征在于,包括:
基于有限元分析方法根据预设载荷分布斜率和预设超声波激励频率获取超声波速度训练集,所述超声波速度训练集以所述预设载荷分布斜率为标签,具体获取过程包括:获取一批工件的工件参数,所述工件参数包括工件长度、工件厚度和工件材料;
基于网格划分法和残余应力分布公式根据所述工件参数、预设载荷分布斜率和预设超声波激励频率进行有限元探测分析,并记录不同的传播时间差;
根据所述传播时间差计算超声波在工件内部的传播速度,并生成超声波速度训练集;
采用所述超声波速度训练集对初始PSO-BP神经网络模型进行载荷分布斜率预测训练,得到优化斜率预测模型;
将实际速度频散曲线输入所述优化斜率预测模型进行斜率预测,得到目标载荷分布斜率;
根据所述目标载荷分布斜率和残余应力分布公式确定工件横截面残余应力分布,所述残余应力分布公式表达为:
;
其中,F为载荷大小,d为工件厚度,b为预设载荷截距,K为载荷分布斜率。
2.根据权利要求1所述的工件横截面残余应力分布的分析方法,其特征在于,所述采用所述超声波速度训练集对初始PSO-BP神经网络模型进行载荷分布斜率预测训练,得到优化斜率预测模型,包括:
采用所述超声波速度训练集对初始PSO-BP神经网络模型进行载荷分布斜率初始训练,得到斜率预测值;
将所述斜率预测值与所述预设载荷分布斜率生成的误差函数作为适应度函数,基于粒子群算法对所述初始PSO-BP神经网络模型的模型参数进行优化训练,得到优化斜率预测模型。
3.根据权利要求1所述的工件横截面残余应力分布的分析方法,其特征在于,所述将实际速度频散曲线输入所述优化斜率预测模型进行斜率预测,得到目标载荷分布斜率,之前还包括:
采用超声波信号对工件进行探测操作,记录超声波在工件内部的实际传播时间差;
根据所述实际传播时间差计算实际超声波速度,并根据所述实际超声波速度绘制实际速度频散曲线。
4.一种工件横截面残余应力分布的分析装置,其特征在于,包括:
数据准备单元,用于基于有限元分析方法根据预设载荷分布斜率和预设超声波激励频率获取超声波速度训练集,所述超声波速度训练集以所述预设载荷分布斜率为标签,所述数据准备单元,具体用于:
获取一批工件的工件参数,所述工件参数包括工件长度、工件厚度和工件材料;
基于网格划分法和残余应力分布公式根据所述工件参数、预设载荷分布斜率和预设超声波激励频率进行有限元探测分析,并记录不同的传播时间差;
根据所述传播时间差计算超声波在工件内部的传播速度,并生成超声波速度训练集;
模型训练单元,用于采用所述超声波速度训练集对初始PSO-BP神经网络模型进行载荷分布斜率预测训练,得到优化斜率预测模型;
斜率预测单元,用于将实际速度频散曲线输入所述优化斜率预测模型进行斜率预测,得到目标载荷分布斜率;
应力分析单元,用于根据所述目标载荷分布斜率和残余应力分布公式确定工件横截面残余应力分布,所述残余应力分布公式表达为:
;
其中,F为载荷大小,d为工件厚度,b为预设载荷截距,K为载荷分布斜率。
5.根据权利要求4所述的工件横截面残余应力分布的分析装置,其特征在于,所述模型训练单元,具体用于:
采用所述超声波速度训练集对初始PSO-BP神经网络模型进行载荷分布斜率初始训练,得到斜率预测值;
将所述斜率预测值与所述预设载荷分布斜率生成的误差函数作为适应度函数,基于粒子群算法对所述初始PSO-BP神经网络模型的模型参数进行优化训练,得到优化斜率预测模型。
6.根据权利要求4所述的工件横截面残余应力分布的分析装置,其特征在于,还包括:
实际波速计算单元,用于采用超声波信号对工件进行探测操作,记录超声波在工件内部的实际传播时间差;
根据所述实际传播时间差计算实际超声波速度,并根据所述实际超声波速度绘制实际速度频散曲线。
7.一种工件横截面残余应力分布的分析设备,其特征在于,所述设备包括处理器以及存储器;
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行权利要求1-3任一项所述的工件横截面残余应力分布的分析方法。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行权利要求1-3任一项所述的工件横截面残余应力分布的分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310539181.4A CN116305665B (zh) | 2023-05-15 | 2023-05-15 | 一种工件横截面残余应力分布的分析方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310539181.4A CN116305665B (zh) | 2023-05-15 | 2023-05-15 | 一种工件横截面残余应力分布的分析方法及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116305665A CN116305665A (zh) | 2023-06-23 |
CN116305665B true CN116305665B (zh) | 2023-08-11 |
Family
ID=86830863
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310539181.4A Active CN116305665B (zh) | 2023-05-15 | 2023-05-15 | 一种工件横截面残余应力分布的分析方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116305665B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104048786A (zh) * | 2014-06-09 | 2014-09-17 | 中国航空工业集团公司北京航空材料研究院 | 一种超声波无损测量金属板材内部残余应力场的方法 |
CN105183928A (zh) * | 2014-06-04 | 2015-12-23 | 通用汽车环球科技运作有限责任公司 | 铸铝构件中的残余应力和变形的快速分析 |
CN106840495A (zh) * | 2017-02-27 | 2017-06-13 | 天津大学 | 一种表征玻璃表面残余应力的方法 |
CN113591363A (zh) * | 2021-07-29 | 2021-11-02 | 云南电网有限责任公司保山供电局 | 一种基于多频超声检测的变压器油介质损耗回归预测方法 |
CN114048673A (zh) * | 2021-10-27 | 2022-02-15 | 东南大学 | 一种基于深度学习的监测复合材料弹性模量的方法 |
CN114739546A (zh) * | 2022-05-23 | 2022-07-12 | 天津大学 | 一种基于超声导波的适用于任意形状截面的应力检测方法 |
CN115683409A (zh) * | 2021-07-30 | 2023-02-03 | 北汽福田汽车股份有限公司 | 一种螺栓塑性区域残余夹紧力的超声波测量方法及系统 |
-
2023
- 2023-05-15 CN CN202310539181.4A patent/CN116305665B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105183928A (zh) * | 2014-06-04 | 2015-12-23 | 通用汽车环球科技运作有限责任公司 | 铸铝构件中的残余应力和变形的快速分析 |
CN104048786A (zh) * | 2014-06-09 | 2014-09-17 | 中国航空工业集团公司北京航空材料研究院 | 一种超声波无损测量金属板材内部残余应力场的方法 |
CN106840495A (zh) * | 2017-02-27 | 2017-06-13 | 天津大学 | 一种表征玻璃表面残余应力的方法 |
CN113591363A (zh) * | 2021-07-29 | 2021-11-02 | 云南电网有限责任公司保山供电局 | 一种基于多频超声检测的变压器油介质损耗回归预测方法 |
CN115683409A (zh) * | 2021-07-30 | 2023-02-03 | 北汽福田汽车股份有限公司 | 一种螺栓塑性区域残余夹紧力的超声波测量方法及系统 |
CN114048673A (zh) * | 2021-10-27 | 2022-02-15 | 东南大学 | 一种基于深度学习的监测复合材料弹性模量的方法 |
CN114739546A (zh) * | 2022-05-23 | 2022-07-12 | 天津大学 | 一种基于超声导波的适用于任意形状截面的应力检测方法 |
Non-Patent Citations (1)
Title |
---|
Weiming Xuan .et.Local Stress Measurement in Thin Aluminum Plates based on Zero-Group-Velocity Lamb mode.Chinese Journal of Mechanical Engineering.2023,正文第1-11页. * |
Also Published As
Publication number | Publication date |
---|---|
CN116305665A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Model‐based method with nonlinear ultrasonic system identification for mechanical structural health assessment | |
Chen et al. | On-line prognosis of fatigue crack propagation based on Gaussian weight-mixture proposal particle filter | |
Flynn et al. | Enhanced detection through low-order stochastic modeling for guided-wave structural health monitoring | |
Yang et al. | Hybrid two‐step method of damage detection for plate‐like structures | |
CN109142514B (zh) | 一种基于脉冲涡流阵列的缺陷检测装置及方法 | |
EP2834631A1 (en) | Probabilistic fatigue life prediction using ultrasonic inspection data considering eifs uncertainty | |
Pyle et al. | Uncertainty quantification for deep learning in ultrasonic crack characterization | |
CN114778691B (zh) | 一种变阵列形式的超声导波定量化成像方法 | |
Grabec et al. | Automatic modeling of physical phenomena: Application to ultrasonic data | |
Nokhbatolfoghahai et al. | Evaluation of the sparse reconstruction and the delay-and-sum damage imaging methods for structural health monitoring under different environmental and operational conditions | |
Giannakeas et al. | Digital clone testing platform for the assessment of SHM systems under uncertainty | |
Chen et al. | Dual crack growth prognosis by using a mixture proposal particle filter and on-line crack monitoring | |
Bato et al. | Experimental and numerical methodology to obtain the probability of detection in eddy current NDT method | |
Bai et al. | Ultrasonic defect characterization using the scattering matrix: A performance comparison study of Bayesian inversion and machine learning schemas | |
Rupin et al. | Probabilistic approaches to compute uncertainty intervals and sensitivity factors of ultrasonic simulations of a weld inspection | |
Gueudré et al. | Influence of the uncertainty of elastic constants on the modelling of ultrasound propagation through multi-pass austenitic welds. Impact on non-destructive testing | |
Miele et al. | Multi-fidelity physics-informed machine learning for probabilistic damage diagnosis | |
Wilcox et al. | Progress towards a forward model of the complete acoustic emission process | |
CN116305665B (zh) | 一种工件横截面残余应力分布的分析方法及相关装置 | |
CN110779477B (zh) | 一种用于实时识别物体形状的声学方法 | |
Wu et al. | Data-driven time–frequency analysis of nonlinear Lamb waves for characterization of grain size distribution | |
Gao et al. | Percussion-based concrete fiber content recognition using homologous heterogeneous data fusion and denoising deep learning network | |
CN114755302A (zh) | 一种基于超声相控阵的裂纹表征方法及装置 | |
CN114544765A (zh) | 一种基于深度学习的检测板状材料缺陷存在与位置的方法 | |
Du et al. | Surrogate modeling of ultrasonic simulations using data-driven methods |
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 |