CN117574102B - 基于大数据分析的钢结构疲劳寿命预测方法 - Google Patents

基于大数据分析的钢结构疲劳寿命预测方法 Download PDF

Info

Publication number
CN117574102B
CN117574102B CN202410063928.8A CN202410063928A CN117574102B CN 117574102 B CN117574102 B CN 117574102B CN 202410063928 A CN202410063928 A CN 202410063928A CN 117574102 B CN117574102 B CN 117574102B
Authority
CN
China
Prior art keywords
data
box
length
box diagram
expansion
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
Application number
CN202410063928.8A
Other languages
English (en)
Other versions
CN117574102A (zh
Inventor
李青
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.)
Shandong Huazhong Heavy Steel Co ltd
Original Assignee
Shandong Huazhong Heavy Steel Co ltd
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 Shandong Huazhong Heavy Steel Co ltd filed Critical Shandong Huazhong Heavy Steel Co ltd
Priority to CN202410063928.8A priority Critical patent/CN117574102B/zh
Publication of CN117574102A publication Critical patent/CN117574102A/zh
Application granted granted Critical
Publication of CN117574102B publication Critical patent/CN117574102B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Civil Engineering (AREA)
  • Architecture (AREA)
  • Structural 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)

Abstract

本发明涉及数据处理技术领域，具体涉及基于大数据分析的钢结构疲劳寿命预测方法，包括：采集钢结构寿命数据并转换到坐标系中；预设每个箱线图在横坐标方向上的初始长度，得到第一个箱线图的更新长度及初始数据，获取第一个箱线图的更新长度的第一次扩展可能性，得到第一个箱线图的最终长度及最终数据；得到多个箱线图的最终数据；构建多个箱线图；获取每个箱线图中的疑似异常数据；根据每个箱线图中的每个疑似异常数据在纵坐标方向的偏移程度以及横坐标方向的偏移程度，获取每个箱线图中的每个疑似异常数据的异常程度，进而得到异常数据；本发明旨在识别出准确的异常数据。

Description

基于大数据分析的钢结构疲劳寿命预测方法
技术领域
本发明涉及数据处理技术领域，具体涉及基于大数据分析的钢结构疲劳寿命预测方法。
背景技术
随着大数据技术的发展，越来越多的数据可以被采集、存储和分析，这为工程领域提供了更加精确、高效的解决方案。在钢结构领域中，疲劳失效是一个重要的问题，因为它可能导致结构的突然失效，给人们的生命财产安全带来影响，因此钢结构的疲劳寿命有利于安全防护，此时需要利用大量的钢结构寿命数据进行钢结构的疲劳寿命预测。
在采集钢结构寿命数据时，由于采集环境的影响，可能会导致钢结构寿命数据中存在噪声，即异常数据，如若直接使用采集的钢结构寿命进行钢结构的疲劳寿命预测，得到的预测结果不准确。
发明内容
为了解决上述问题，本发明提供基于大数据分析的钢结构疲劳寿命预测方法。
本发明的基于大数据分析的钢结构疲劳寿命预测方法采用如下技术方案：
本发明一个实施例提供了基于大数据分析的钢结构疲劳寿命预测方法，该方法包括以下步骤：
采集钢结构寿命数据；建立横坐标为应力，纵坐标为疲劳寿命的坐标系，将采集的钢结构寿命数据转换到坐标系中；
根据坐标系中的钢结构寿命数据获取多个箱线图的最终数据：预设每个箱线图在横坐标方向上的初始长度，根据每个箱线图在横坐标方向上的初始长度，获取第一个箱线图的更新长度；根据第一个箱线图的更新长度，获取第一个箱线图的初始数据；对箱线图的更新长度根据预设的步长进行第一次扩展，将第一次扩展时得到的钢结构疲劳寿命数据，记为第一个箱线图的第一个扩展数据；根据初始数据与第一个扩展数据的横纵坐标，获取第一个箱线图的更新长度的第一次扩展可能性；根据第一个箱线图的更新长度的第一次扩展可能性，获取第一个箱线图的最终长度；根据第一个箱线图的最终长度得到第一个箱线图的最终数据；获取第二个箱线图的最终数据，以此类推直至坐标系中不存在钢结构寿命数据时停止，得到多个箱线图的最终数据；
根据每个箱线图的最终数据在坐标系中构建多个箱线图；根据每个箱线图横纵坐标方向上的上下边缘获取每个箱线图中的疑似异常数据；根据疑似异常数据与箱线图横纵坐标方向上的上下边缘的距离，获取每个箱线图中的每个疑似异常数据在纵坐标方向的偏移程度以及横坐标方向的偏移程度；根据每个箱线图中的每个疑似异常数据在纵坐标方向的偏移程度以及横坐标方向的偏移程度，获取每个箱线图中的每个疑似异常数据的异常程度；根据每个箱线图中的每个疑似异常数据的异常程度得到异常数据。
优选的，所述根据每个箱线图在横坐标方向上的初始长度，获取第一个箱线图的更新长度，包括的具体步骤如下：
在坐标系的横坐标中依次获取未标记的个应力值进行标记，将个应力值 的均值记为第一个箱线图的应力均值，将个应力值中的最大应力值记为第一个箱线图 的最大应力值；
式中，代表第一个箱线图的更新长度；表示每个箱线图在横坐标方向上的 初始长度；代表第一个箱线图的应力均值；代表第一个箱线图的最大应力值， 用于对的值进行四舍五入取整操作。
优选的，所述根据第一个箱线图的更新长度，获取第一个箱线图的初始数据，包括的具体步骤如下：
在坐标系的横坐标中依次获取个应力值对应的钢结构寿命数据作为第一个箱 线图的初始数据；代表第一个箱线图的更新长度。
优选的，所述根据初始数据与第一个扩展数据的横纵坐标，获取第一个箱线图的更新长度的第一次扩展可能性，包括的具体步骤如下：
式中，代表第一个箱线图的更新长度的第一次扩展可能性；代表第一个箱线 图的第一个扩展数据与第个初始数据的横坐标之间的差值绝对值；代表第一个箱线图 的第一个扩展数据与第个初始数据的纵坐标之间的差值绝对值；代表第一个箱线图的 初始数据个数；代表第一个箱线图的第一个扩展数据对应的横坐标值；代表归一 化函数。
优选的，所述根据第一个箱线图的更新长度的第一次扩展可能性，获取第一个箱线图的最终长度，包括的具体步骤如下：
预设扩展阈值，当第一个箱线图的更新长度的第一次扩展可能性大于扩展阈值 ，对第一个箱线图的更新长度停止扩展，将第一个箱线图的更新长度作为第一个箱线图的 最终长度；当第一个箱线图的更新长度的第一次扩展可能性小于或等于扩展阈值时，对第 一个箱线图的更新长度增加一个步长的长度作为第二次扩展对应的更新长度，并将第一个 扩展数据作为第一个箱线图的初始数据，并进行第二次扩展得到第二个扩展数据，获取第 一个箱线图的第二次扩展对应更新长度的第二次扩展可能性并进行判断，以此类推，直至 第一个箱线图的第次扩展对应的更新长度的第次扩展可能性大于扩展阈值时停止，得 到第一个箱线图的最终长度。
优选的，所述根据第一个箱线图的最终长度得到第一个箱线图的最终数据，包括的具体步骤如下：
在坐标系的横坐标中依次获取未标记的个应力值对应的疲劳寿命数据进行标 记，作为第一个箱线图的最终数据，代表第一个箱线图的最终长度。
优选的，所述根据每个箱线图横纵坐标方向上的上下边缘获取每个箱线图中的疑似异常数据，包括的具体步骤如下：
将每个箱线图在横坐标方向上的上边缘以及下边缘范围之外的钢结构寿命数据，以及每个箱线图在纵坐标方向上的上边缘以及下边缘范围之外的钢结构寿命数据记为每个箱线图中的疑似异常数据。
优选的，所述根据疑似异常数据与箱线图横纵坐标方向上的上下边缘的距离，获取每个箱线图中的每个疑似异常数据在纵坐标方向的偏移程度以及横坐标方向的偏移程度，包括的具体步骤如下：
当第个箱线图中的第个疑似异常数据位于第个箱线图在横坐标方向上的上边 缘以及下边缘范围之间，第个箱线图中的第个疑似异常数据在横坐标方向的偏移程度为 0，当第个箱线图中的第个疑似异常数据位于第个箱线图在横坐标方向上的上边缘以及 下边缘范围之外，获取第个箱线图中的第个疑似异常数据与第个箱线图在横坐标方向上 的上边缘和下边缘的距离值，将最小距离值作为第个箱线图中的第个疑似异常数据在横 坐标方向的偏移程度；
当第个箱线图中的第个疑似异常数据位于第个箱线图在纵坐标方向上的上边 缘以及下边缘范围之间，第个箱线图中的第个疑似异常数据在纵坐标方向的偏移程度为 0，当第个箱线图中的第个疑似异常数据位于第个箱线图在纵坐标方向上的上边缘以及 下边缘范围之外，获取第个箱线图中的第个疑似异常数据与第个箱线图在纵坐标方向上 的上边缘和下边缘的距离值，将最小距离值作为第个箱线图中的第个疑似异常数据在纵 坐标方向的偏移程度。
优选的，所述根据每个箱线图中的每个疑似异常数据在纵坐标方向的偏移程度以及横坐标方向的偏移程度，获取每个箱线图中的每个疑似异常数据的异常程度，包括的具体步骤如下：
式中，代表第个箱线图中的个疑似异常数据的异常程度；代表位于第个 箱线图在横坐标方向上的上边缘值以及下边缘值之外的钢结构寿命数据的数量；位于 第个箱线图在纵坐标方向上的上边缘值以及下边缘值之外的钢结构寿命数据的数量；代表第个箱线图中的第个疑似异常数据在横坐标方向的偏移程度；代表第个箱 线图中的第个疑似异常数据在纵坐标方向的偏移程度；代表归一化函数。
优选的，所述根据每个箱线图中的每个疑似异常数据的异常程度得到异常数据，包括的具体步骤如下：
预设异常程度阈值，当任一箱线图中的任一疑似异常数据的异常程度大于时， 该箱线图中的该疑似异常数据为异常数据，得到所有异常数据。
本发明的技术方案的有益效果是：本发明首先通过建立横坐标为应力，纵坐标为疲劳寿命的坐标系，将采集的钢结构寿命数据转换到坐标系中；根据坐标系中的钢结构寿命数据获取多个箱线图的最终数据，通过将坐标系中的钢结构寿命数据进行局部划分，根据每个箱线图的最终数据进行异常数据分析更加准确，接着根据每个箱线图的最终数据在坐标系中构建多个箱线图；根据每个箱线图横纵坐标方向上的上下边缘获取每个箱线图中的疑似异常数据；获取每个箱线图中的每个疑似异常数据在纵坐标方向的偏移程度以及横坐标方向的偏移程度，进而得到每个箱线图中的每个疑似异常数据的异常程度；根据每个箱线图中的每个疑似异常数据的异常程度得到异常数据，本发明通过同时分析应力与疲劳寿命的偏差，进行两个方向上的异常数据识别，能够更快速、准确的识别出钢结构寿命数据的异常数据，最后将钢结构寿命数据中的异常数据进行删除后，得到去噪数据，根据去噪数据预测钢结构的疲劳寿命预测更准确。
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，下面将对实施例或现有技术描述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为本发明的基于大数据分析的钢结构疲劳寿命预测方法的步骤流程图；
图2为坐标系示意图；
图3为应力与疲劳寿命变化关系示意图；
图4为箱线图示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于大数据分析的钢结构疲劳寿命预测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于大数据分析的钢结构疲劳寿命预测方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的基于大数据分析的钢结构疲劳寿命预测方法的步骤流程图，该方法包括以下步骤：
S001．采集钢结构寿命数据。
需要说明的是，本发明的目的是根据钢结构寿命数据预测钢结构的疲劳寿命，因此需要采集钢结构寿命数据，而钢结构的疲劳寿命指的是在对应应力下，钢结构的循环次数，即将对应应力下钢结构的循环次数称为钢结构的疲劳寿命，因此在本发明实施例中，获取不同应力下，同一种钢结构的疲劳寿命，作为钢结构寿命数据。
S002．根据采集的钢结构寿命数据构建坐标系，根据坐标系中的钢结构寿命数据，获取多个箱线图的最终数据。
需要说明的是，已知获得的钢结构寿命数据即为不同应力下钢结构的疲劳寿命，而在采集钢结构寿命数据时由于实验环境等造成的噪声数据(异常数据)主要表现应力或者疲劳寿命的偏离，因此在本发明实施例中，建立横坐标为应力，纵坐标为疲劳寿命的坐标系，将采集的钢结构寿命数据转换到坐标系中，参见图2。
需要进一步说明的是，根据坐标系中钢结构寿命数据的分布来确定异常数据，在坐标系中，异常数据主要表现为局部偏离，故而可根据坐标系中局部相邻的钢结构寿命数据构建箱线图进行异常分析，因此需要首先根据坐标系中的钢结构寿命数据确定每个箱线图中的钢结构寿命数据，已知在一个箱线图中的钢结构寿命数据需要具有一定的稳定性，即需要钢结构寿命数据对应的横纵坐标具有稳定性，又因为随着应力的增加，钢结构寿命数据的变化较小，即随着应力的增加钢结构寿命数据的稳定性较好，参见图3，因此在本发明中首先预设每个箱线图在横坐标方向上的初始长度（每个箱线图在横坐标方向上对应的初始应力值个数），随着应力的增加，对应箱线图横坐标方向上的初始长度会增加，再根据应力值的大小对箱线图在横坐标方向上的初始长度进行调整，得到箱线图的更新长度。
在本发明实施例中，将每个箱线图在坐标系中的横坐标方向上对应的初始应力值 个数，作为每个箱线图在横坐标方向上的初始长度，记为，在本发明实施例中，预设，在其他实施例中，实施人员可根据具体实施情况设置的值。
在坐标系的横坐标中依次获取未标记的个应力值进行标记，将个应力值 的均值记为第一个箱线图的应力均值，将个应力值中的最大应力值记为第一个箱线图 的最大应力值；获取第一个箱线图的更新长度：
式中，代表第一个箱线图的更新长度；表示每个箱线图在横坐标方向上的 初始长度；代表第一个箱线图的应力均值，其值越大时，第一个箱线图在横坐标方向上的 长度越大；代表第一个箱线图的最大应力值，用于对的值进 行四舍五入取整操作。
需要说明的是，获取了第一个箱线图的更新长度；然后在更新长度的基础上对第一个箱线图的更新长度进行扩展，当扩展前后所包含的钢结构寿命数据的横纵坐标差异超过扩展阈值时停止扩展，认为所扩展的钢结构寿命数据不具有稳定性，因此在本发明实施例中，根据扩展前后所包含的钢结构寿命数据的横纵坐标差异，获取第一个箱线图的更新长度的第一次扩展可能性，进而得到第一个箱线图在横坐标方向上的最终长度，又由于钢结构的疲劳寿命随着应力的增加而减小，并且减少速率同样减小，因此所扩展的钢结构寿命数据对应的应力越大，此时应该更加关注扩展前后所包含的钢结构寿命数据的横坐标差异。
在本发明实施例中，获取第一个箱线图的初始数据：在坐标系的横坐标中依次获 取个应力值对应的钢结构寿命数据作为第一个箱线图的初始数据。
在坐标系中的横坐标方向上，以步长为，对第一个箱线图的更新长度进行第一次 扩展，将第一次扩展时得到的钢结构寿命数据，记为第一个箱线图的第一个扩展数据，在本 发明实施例中，预设步长，在其他实施例中，实施人员可根据具体实施情况设置的 值。
获取第一个箱线图的更新长度的第一次扩展可能性：
式中，代表第一个箱线图的更新长度的第一次扩展可能性；代表第一个箱线 图的第一个扩展数据与第个初始数据的横坐标之间的差值绝对值；代表第一个箱线图 的第一个扩展数据与第个初始数据的纵坐标之间的差值绝对值；代表第一个箱线图的 初始数据个数；代表第一个箱线图的第一个扩展数据对应的横坐标值，即应力值，应力值 越大时，越应该关注第一个箱线图的第一个扩展数据与第一个箱线图的第个初始数据之 间的横坐标差值；代表归一化函数，采用线性归一化方法，归一化对象为坐标系中 的所有应力值。
预设扩展阈值，当第一个箱线图的更新长度的第一次扩展可能性大于扩展阈值 时，对第一个箱线图的更新长度停止扩展，此时将第一个箱线图的更新长度作为第一个箱 线图的最终长度；当第一个箱线图的更新长度的第一次扩展可能性小于或等于扩展阈值 时，对第一个箱线图的更新长度增加一个步长的长度作为第二次扩展对应的更新长度，并 将第一个扩展数据作为第一个箱线图的初始数据，并进行第二次扩展得到第二个扩展数 据，接着获取第一个箱线图的第二次扩展对应更新长度的第二次扩展可能性进行判断，以 此类推，直至第一个箱线图的第次扩展对应的更新长度的第次扩展可能性大于扩展阈值时停止，得到第一个箱线图的最终长度，记为，在坐标系的横坐标中依次获取个应力 值对应的疲劳寿命数据作为第一个箱线图的最终数据。
获取第二个箱线图的最终数据：在得到第一个箱线图的最终数据后，在坐标系的 横坐标中依次获取未标记的个应力值进行标记，作为第二个箱线图的初始数据；获取 第二个箱线图的更新长度；获取第二个箱线图的更新长度的第一次扩展可能性；获取第二 个箱线图的最终长度；获取第二个箱线图的最终数据；以此类推直至坐标系中不存在疲劳 寿命数据时停止，得到多个箱线图的最终数据。
至此，根据采集的钢结构寿命数据构建坐标系，根据坐标系中的钢结构寿命数据，获取多个箱线图的最终数据。
S003．根据每个箱线图中的最终数据构建多个箱线图，获取每个箱线图中的疑似异常数据，获取每个箱线图中的每个疑似异常数据在横坐标方向的偏移程度以及每个箱线图中的每个疑似异常数据在纵坐标方向的偏移程度，进而获取每个箱线图中的每个疑似异常数据的异常程度，得到异常数据。
需要说明的是，上述步骤S002获取了多个箱线图的最终数据，因此为了对多个箱线图的最终数据进行异常分析，需要根据多个箱线图的最终数据获取多个箱线图，又由于箱线图中的异常数据通常是指在数据集中相对于大多数数据存在明显偏离的数据，而在箱线图中大于上边缘的数据以及小于下边缘的数据更可能为异常数据，因此本发明中仅对每个箱线图中大于上边缘的数据以及小于下边缘的疑似异常数据进行异常分析，由于箱线图在横坐标方向与纵坐标方向上均具有异常识别功能，即需要同时在横坐标方向与纵坐标方向上确定每个箱线图的疑似异常数据。
在本发明实施例中，根据每个箱线图中的最终数据在坐标系中构建多个箱线图， 获取每个箱线图在横坐标方向上的上边缘以及下边缘；获取每个箱线图在纵坐标方向上的 上边缘以及下边缘，将每个箱线图在横坐标方向上的上边缘以及下边缘范围之外的钢结构 寿命数据，以及每个箱线图在纵坐标方向上的上边缘以及下边缘范围之外的钢结构寿命数 据记为每个箱线图中的疑似异常数据。参见图4，，分别表示箱线图在纵坐标方向上的 下边缘以及上边缘；，分别表示箱线图在横坐标方向上的下边缘以及上边缘。
需要说明的是，本发明目的为确定所获得的钢结构寿命数据中的异常数据，而异常数据主要表现为应力方向下（横坐标方向下）疲劳寿命数据的偏移以及疲劳寿命方向下（纵坐标方向下）应力的偏离，因此在每个箱线图中进行异常数据识别时，需要每个箱线图中的每个疑似异常数据在横坐标方向的偏移程度以及在纵坐标方向的偏移程度，偏移程度即偏移箱线图上下边缘的程度，当任一疑似异常数据在横坐标方向的偏移程度以及在纵坐标方向的偏移程度越大时，疑似异常数据的异常程度越大，并且当任一箱线图在纵坐标方向上偏离上下边缘值之外的数据数量越多时，该箱线图中的疑似异常数据在纵坐标方向的偏移程度越不真实，当任一箱线图在纵坐标方向上偏离上下边缘值之外的数据数量越多时，该箱线图中的疑似异常数据在纵坐标方向的偏移程度越不真实。
在本发明实施例中，获取每个箱线图中的每个疑似异常数据在横坐标方向的偏移 程度：当第个箱线图中的第个疑似异常数据位于第个箱线图在横坐标方向上的上边缘以 及下边缘范围之间时，第个箱线图中的第个疑似异常数据在横坐标方向的偏移程度为0， 当第个箱线图中的第个疑似异常数据位于第个箱线图在横坐标方向上的上边缘以及下 边缘范围之外时，获取第个箱线图中的第个疑似异常数据与第个箱线图在横坐标方向上 的上边缘和下边缘的距离值，将最小距离值作为第个箱线图中的第个疑似异常数据在横 坐标方向的偏移程度。
获取每个箱线图中的每个疑似异常数据在纵坐标方向的偏移程度：当第个箱线 图中的第个疑似异常数据位于第个箱线图在纵坐标方向上的上边缘以及下边缘范围之 间时，第个箱线图中的第个疑似异常数据在纵坐标方向的偏移程度为0，当第个箱线图中 的第个疑似异常数据位于第个箱线图在纵坐标方向上的上边缘以及下边缘范围之外时， 获取第个箱线图中的第个疑似异常数据与第个箱线图在纵坐标方向上的上边缘和下边 缘的距离值，将最小距离值作为第个箱线图中的第个疑似异常数据在纵坐标方向的偏移 程度。
获取每个箱线图中的每个疑似异常数据的异常程度：
式中，代表第个箱线图中的个疑似异常数据的异常程度；代表位于第个 箱线图在横坐标方向上的上边缘值以及下边缘值之外的钢结构寿命数据的数量；位于 第个箱线图在纵坐标方向上的上边缘值以及下边缘值之外的钢结构寿命数据的数量；代表第个箱线图中的第个疑似异常数据在横坐标方向的偏移程度；代表第个箱 线图中的第个疑似异常数据在纵坐标方向的偏移程度；代表归一化函数，采用线性 归一化方法，归一化对象为所有箱线图中的所有疑似异常数据的的值。
预设异常程度阈值，当任一箱线图中的任一疑似异常数据的异常程度大于时， 该箱线图中的该疑似异常数据为异常数据，得到所有异常数据。
至此，根据每个箱线图中的最终数据构建多个箱线图，获取每个箱线图中的疑似异常数据，获取每个箱线图中的每个疑似异常数据在横坐标方向的偏移程度以及每个箱线图中的每个疑似异常数据在纵坐标方向的偏移程度，进而获取每个箱线图中的每个疑似异常数据的异常程度，得到异常数据。
S004.对钢结构寿命数据中的异常数据删除后进行钢结构的疲劳寿命预测。
在本发明实施例中，将钢结构寿命数据中的异常数据进行删除后，得到去噪数据，使用SN曲线模型（应力和循环次数之间的关系）对去噪数据进行拟合得到SN曲线，从而预测给定应力下钢结构的疲劳寿命。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.基于大数据分析的钢结构疲劳寿命预测方法，其特征在于，该方法包括以下步骤：
采集钢结构寿命数据；建立横坐标为应力，纵坐标为疲劳寿命的坐标系，将采集的钢结构寿命数据转换到坐标系中；
根据坐标系中的钢结构寿命数据获取多个箱线图的最终数据：预设每个箱线图在横坐标方向上的初始长度，根据每个箱线图在横坐标方向上的初始长度，获取第一个箱线图的更新长度；根据第一个箱线图的更新长度，获取第一个箱线图的初始数据；对箱线图的更新长度根据预设的步长进行第一次扩展，将第一次扩展时得到的钢结构疲劳寿命数据，记为第一个箱线图的第一个扩展数据；根据初始数据与第一个扩展数据的横纵坐标，获取第一个箱线图的更新长度的第一次扩展可能性；根据第一个箱线图的更新长度的第一次扩展可能性，获取第一个箱线图的最终长度；根据第一个箱线图的最终长度得到第一个箱线图的最终数据；获取第二个箱线图的最终数据，以此类推直至坐标系中不存在钢结构寿命数据时停止，得到多个箱线图的最终数据；
根据每个箱线图的最终数据在坐标系中构建多个箱线图；根据每个箱线图横纵坐标方向上的上下边缘获取每个箱线图中的疑似异常数据；根据疑似异常数据与箱线图横纵坐标方向上的上下边缘的距离，获取每个箱线图中的每个疑似异常数据在纵坐标方向的偏移程度以及横坐标方向的偏移程度；根据每个箱线图中的每个疑似异常数据在纵坐标方向的偏移程度以及横坐标方向的偏移程度，获取每个箱线图中的每个疑似异常数据的异常程度；根据每个箱线图中的每个疑似异常数据的异常程度得到异常数据；
所述根据每个箱线图在横坐标方向上的初始长度，获取第一个箱线图的更新长度，包括的具体步骤如下：
在坐标系的横坐标中依次获取未标记的个应力值进行标记，将/>个应力值的均值记为第一个箱线图的应力均值，将/>个应力值中的最大应力值记为第一个箱线图的最大应力值；
式中，代表第一个箱线图的更新长度；/>表示每个箱线图在横坐标方向上的初始长度；/>代表第一个箱线图的应力均值；/>代表第一个箱线图的最大应力值，/>用于对/>的值进行四舍五入取整操作；
所述根据第一个箱线图的更新长度的第一次扩展可能性，获取第一个箱线图的最终长度，包括的具体步骤如下：
预设扩展阈值，当第一个箱线图的更新长度的第一次扩展可能性大于扩展阈值/>，对第一个箱线图的更新长度停止扩展，将第一个箱线图的更新长度作为第一个箱线图的最终长度；当第一个箱线图的更新长度的第一次扩展可能性小于或等于扩展阈值/>时，对第一个箱线图的更新长度增加一个步长的长度作为第二次扩展对应的更新长度，并将第一个扩展数据作为第一个箱线图的初始数据，并进行第二次扩展得到第二个扩展数据，获取第一个箱线图的第二次扩展对应更新长度的第二次扩展可能性并进行判断，以此类推，直至第一个箱线图的第/>次扩展对应的更新长度的第/>次扩展可能性大于扩展阈值/>时停止，得到第一个箱线图的最终长度。
2.根据权利要求1所述的基于大数据分析的钢结构疲劳寿命预测方法，其特征在于，所述根据第一个箱线图的更新长度，获取第一个箱线图的初始数据，包括的具体步骤如下：
在坐标系的横坐标中依次获取个应力值对应的钢结构寿命数据作为第一个箱线图的初始数据；/>代表第一个箱线图的更新长度。
3.根据权利要求1所述的基于大数据分析的钢结构疲劳寿命预测方法，其特征在于，所述根据初始数据与第一个扩展数据的横纵坐标，获取第一个箱线图的更新长度的第一次扩展可能性，包括的具体步骤如下：
式中，代表第一个箱线图的更新长度的第一次扩展可能性；/>代表第一个箱线图的第一个扩展数据与第/>个初始数据的横坐标之间的差值绝对值；/>代表第一个箱线图的第一个扩展数据与第/>个初始数据的纵坐标之间的差值绝对值；/>代表第一个箱线图的初始数据个数；/>代表第一个箱线图的第一个扩展数据对应的横坐标值；/>代表归一化函数。
4.根据权利要求1所述的基于大数据分析的钢结构疲劳寿命预测方法，其特征在于，所述根据第一个箱线图的最终长度得到第一个箱线图的最终数据，包括的具体步骤如下：
在坐标系的横坐标中依次获取未标记的个应力值对应的疲劳寿命数据进行标记，作为第一个箱线图的最终数据，/>代表第一个箱线图的最终长度。
5.根据权利要求1所述的基于大数据分析的钢结构疲劳寿命预测方法，其特征在于，所述根据每个箱线图横纵坐标方向上的上下边缘获取每个箱线图中的疑似异常数据，包括的具体步骤如下：
将每个箱线图在横坐标方向上的上边缘以及下边缘范围之外的钢结构寿命数据，以及每个箱线图在纵坐标方向上的上边缘以及下边缘范围之外的钢结构寿命数据记为每个箱线图中的疑似异常数据。
6.根据权利要求1所述的基于大数据分析的钢结构疲劳寿命预测方法，其特征在于，所述根据疑似异常数据与箱线图横纵坐标方向上的上下边缘的距离，获取每个箱线图中的每个疑似异常数据在纵坐标方向的偏移程度以及横坐标方向的偏移程度，包括的具体步骤如下：
当第个箱线图中的第/>个疑似异常数据位于第/>个箱线图在横坐标方向上的上边缘以及下边缘范围之间，第/>个箱线图中的第/>个疑似异常数据在横坐标方向的偏移程度为0，当第/>个箱线图中的第/>个疑似异常数据位于第/>个箱线图在横坐标方向上的上边缘以及下边缘范围之外，获取第/>个箱线图中的第/>个疑似异常数据与第/>个箱线图在横坐标方向上的上边缘和下边缘的距离值，将最小距离值作为第/>个箱线图中的第/>个疑似异常数据在横坐标方向的偏移程度；
当第个箱线图中的第/>个疑似异常数据位于第/>个箱线图在纵坐标方向上的上边缘以及下边缘范围之间，第/>个箱线图中的第/>个疑似异常数据在纵坐标方向的偏移程度为0，当第/>个箱线图中的第/>个疑似异常数据位于第/>个箱线图在纵坐标方向上的上边缘以及下边缘范围之外，获取第/>个箱线图中的第/>个疑似异常数据与第/>个箱线图在纵坐标方向上的上边缘和下边缘的距离值，将最小距离值作为第/>个箱线图中的第/>个疑似异常数据在纵坐标方向的偏移程度。
7.根据权利要求1所述的基于大数据分析的钢结构疲劳寿命预测方法，其特征在于，所述根据每个箱线图中的每个疑似异常数据在纵坐标方向的偏移程度以及横坐标方向的偏移程度，获取每个箱线图中的每个疑似异常数据的异常程度，包括的具体步骤如下：
式中，代表第/>个箱线图中的/>个疑似异常数据的异常程度；/>代表位于第/>个箱线图在横坐标方向上的上边缘值以及下边缘值之外的钢结构寿命数据的数量；/>位于第/>个箱线图在纵坐标方向上的上边缘值以及下边缘值之外的钢结构寿命数据的数量；/>代表第/>个箱线图中的第/>个疑似异常数据在横坐标方向的偏移程度；/>代表第/>个箱线图中的第/>个疑似异常数据在纵坐标方向的偏移程度；/>代表归一化函数。
8.根据权利要求1所述的基于大数据分析的钢结构疲劳寿命预测方法，其特征在于，所述根据每个箱线图中的每个疑似异常数据的异常程度得到异常数据，包括的具体步骤如下：
预设异常程度阈值，当任一箱线图中的任一疑似异常数据的异常程度大于/>时，该箱线图中的该疑似异常数据为异常数据，得到所有异常数据。
CN202410063928.8A 2024-01-17 2024-01-17 基于大数据分析的钢结构疲劳寿命预测方法 Active CN117574102B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410063928.8A CN117574102B (zh) 2024-01-17 2024-01-17 基于大数据分析的钢结构疲劳寿命预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410063928.8A CN117574102B (zh) 2024-01-17 2024-01-17 基于大数据分析的钢结构疲劳寿命预测方法

Publications (2)

Publication Number Publication Date
CN117574102A CN117574102A (zh) 2024-02-20
CN117574102B true CN117574102B (zh) 2024-04-05

Family

ID=89886682

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410063928.8A Active CN117574102B (zh) 2024-01-17 2024-01-17 基于大数据分析的钢结构疲劳寿命预测方法

Country Status (1)

Country Link
CN (1) CN117574102B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113435099A (zh) * 2021-07-12 2021-09-24 西南交通大学 一种基于多尺度疲劳损伤演化模型的疲劳寿命预测方法
CN115617633A (zh) * 2022-11-01 2023-01-17 云南电网有限责任公司电力科学研究院 一种覆冰监测终端维护方法及相关设备
CN115879245A (zh) * 2023-02-21 2023-03-31 南通市中吕齿轮有限公司 一种中碳钢齿轮长寿命传动疲劳可靠性评价方法
CN219364919U (zh) * 2023-02-02 2023-07-18 山东华中重钢有限公司 一种高强度异型钢结构件
WO2023155349A1 (zh) * 2022-02-18 2023-08-24 西南交通大学 一种钢箱梁服役寿命预测方法、装置、设备及介质
CN117235447A (zh) * 2023-11-10 2023-12-15 天津六百光年智能科技有限公司 一种建筑能源数据管理方法及系统
CN117278643A (zh) * 2023-11-20 2023-12-22 杭州广安汽车电器有限公司 基于云边协同的车载云标定数据传输系统
CN117390378A (zh) * 2023-12-07 2024-01-12 北京中创慧谷数据科技有限公司 一种双碳平台数据智能管理方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111307123B (zh) * 2020-04-02 2021-03-02 中国水利水电科学研究院 一种水情监测数据的实时异常诊断与插补方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113435099A (zh) * 2021-07-12 2021-09-24 西南交通大学 一种基于多尺度疲劳损伤演化模型的疲劳寿命预测方法
WO2023155349A1 (zh) * 2022-02-18 2023-08-24 西南交通大学 一种钢箱梁服役寿命预测方法、装置、设备及介质
CN115617633A (zh) * 2022-11-01 2023-01-17 云南电网有限责任公司电力科学研究院 一种覆冰监测终端维护方法及相关设备
CN219364919U (zh) * 2023-02-02 2023-07-18 山东华中重钢有限公司 一种高强度异型钢结构件
CN115879245A (zh) * 2023-02-21 2023-03-31 南通市中吕齿轮有限公司 一种中碳钢齿轮长寿命传动疲劳可靠性评价方法
CN117235447A (zh) * 2023-11-10 2023-12-15 天津六百光年智能科技有限公司 一种建筑能源数据管理方法及系统
CN117278643A (zh) * 2023-11-20 2023-12-22 杭州广安汽车电器有限公司 基于云边协同的车载云标定数据传输系统
CN117390378A (zh) * 2023-12-07 2024-01-12 北京中创慧谷数据科技有限公司 一种双碳平台数据智能管理方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
A new high temperature life correlation model for austenitic and ferritic stainless steels;Lee, KO等;《INTERNATIONAL JOURNAL OF FATIGUE》;20151001;全文 *
箱线图法在动物卫生数据异常值检验中的运用;孙向东等;《中国动物检疫》;20100701(第07期);全文 *
箱须图在识别统计数据异常值中的作用及R语言实现;王怀亮;;《商业经济》;20110310(第05期);全文 *
铁路钢桥节点既有腐蚀疲劳裂纹扩展寿命;刘嘉等;《长安大学学报(自然科学版)》;20180315(第02期);全文 *

Also Published As

Publication number Publication date
CN117574102A (zh) 2024-02-20

Similar Documents

Publication Publication Date Title
CN110018670B (zh) 一种基于动态关联规则挖掘的工业过程异常工况预测方法
WO2019080367A1 (zh) 一种机械设备健康状态评估方法
CN109359788B (zh) 一种高速列车初始晚点影响预测模型的建立方法
CN111695620B (zh) 一种电力系统时间序列异常数据检测与修正方法及系统
CN116452594B (zh) 一种输电线路状态可视化监测预警方法及系统
CN112820321A (zh) 一种抽油机远程智能音频诊断系统、方法、设备及介质
CN116308963B (zh) 一种政务数据分析方法及系统
CN115147439B (zh) 基于深度学习与注意力机制的混凝土裂缝分割方法及系统
CN111539924A (zh) 一种悬垂线夹的缺陷检测方法、装置、设备及存储介质
Altabey et al. Research in image processing for pipeline crack detection applications
CN110334775B (zh) 一种基于宽度学习的无人机线路故障识别方法和装置
CN117574102B (zh) 基于大数据分析的钢结构疲劳寿命预测方法
CN112507438B (zh) 边坡岩体变形控制方法、计算机程序产品及可读存储介质
CN112434600A (zh) 一种无人机巡检方法及系统
CN116245233A (zh) 基于超分辨率重建技术的风电场风速降尺度方法
CN116028660A (zh) 一种基于权重值的图像数据筛选方法、系统及介质
CN115471453A (zh) 一种基于图像处理的电力设备故障诊断方法
CN114969638A (zh) 一种基于模态当量标准化的桥梁性能异常预警方法
CN114758260A (zh) 工地安全防护网检测方法及系统
CN114943741A (zh) 一种动态场景下基于目标检测和几何概率的视觉slam方法
CN109945075B (zh) 一种供水管道泄漏程度检测方法及装置
CN113723210A (zh) 一种应用于智慧园区给水管泄露边缘设备检测方法和系统
CN112598059A (zh) 一种工人着装检测方法、装置、存储介质及电子设备
CN113515802B (zh) 基于机器学习的锚固临界值检测方法、系统及存储介质
CN116957343B (zh) 一种天然气运输安全风险分析方法及系统

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