CN117875138A - 一种机理与数据融合驱动的飞行器结构寿命预测方法 - Google Patents
一种机理与数据融合驱动的飞行器结构寿命预测方法 Download PDFInfo
- Publication number
- CN117875138A CN117875138A CN202410279818.5A CN202410279818A CN117875138A CN 117875138 A CN117875138 A CN 117875138A CN 202410279818 A CN202410279818 A CN 202410279818A CN 117875138 A CN117875138 A CN 117875138A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- life
- mechanical response
- aircraft
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 100
- 230000007246 mechanism Effects 0.000 title claims abstract description 85
- 230000004927 fusion Effects 0.000 title claims abstract description 28
- 230000004044 response Effects 0.000 claims abstract description 82
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000012937 correction Methods 0.000 claims abstract description 18
- 238000012360 testing method Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 20
- 230000000977 initiatory effect Effects 0.000 claims description 19
- 238000004088 simulation Methods 0.000 claims description 11
- 230000005540 biological transmission Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 230000008278 dynamic mechanism Effects 0.000 claims description 6
- 230000003068 static effect Effects 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 4
- 230000003247 decreasing effect Effects 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000010168 coupling process Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 2
- 230000007774 longterm Effects 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 230000002441 reversible effect Effects 0.000 claims description 2
- 238000011425 standardization method Methods 0.000 claims description 2
- 238000012706 support-vector machine Methods 0.000 claims description 2
- 230000036541 health Effects 0.000 abstract description 7
- 238000012544 monitoring process Methods 0.000 abstract description 6
- 230000008901 benefit Effects 0.000 abstract description 5
- 238000011161 development Methods 0.000 abstract description 3
- 125000004122 cyclic group Chemical group 0.000 description 6
- 238000006731 degradation reaction Methods 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 229910052751 metal Inorganic materials 0.000 description 3
- 239000002184 metal Substances 0.000 description 3
- 210000002268 wool Anatomy 0.000 description 3
- 229910000838 Al alloy Inorganic materials 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009661 fatigue test Methods 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 238000010297 mechanical methods and process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
Classifications
-
- 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]
- G06F30/10—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
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Software Systems (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)
Abstract
一种机理与数据融合驱动的飞行器结构寿命预测方法,属于飞行器结构健康监测及管理相关技术领域,步骤:首先,建立飞行器结构高保真多尺度有限元模型,求解整体模型和局部细节模型强度力学响应;其次,针对不同结构寿命问题,建立多个对应的机理模型;第三,在飞行器上布置多种传感器测量全寿命周期的力学响应数据,构建数据集;第四,训练力学响应数据与剩余寿命间的隐含关系,建立数据驱动模型;最后,基于机理模型和数据驱动模型分别进行剩余寿命预测,利用多种融合策略实现数据驱动模型对机理模型的实时动态修正。本发明能够充分发挥机理模型和数据驱动模型的技术优势,具有较高的实时性和鲁棒性,便于后续开展飞行器结构全寿命周期健康管理。
Description
技术领域
本发明属于飞行器结构健康监测及管理相关技术领域,涉及一种机理与数据融合驱动的飞行器结构寿命预测方法。
背景技术
结构健康监测可以有效提高先进工业装备运行安全性和可靠性,如航空航天飞行器等。其中,结构寿命预测是结构健康监测技术中的一个重要方向。准确的单机剩余寿命预测有助于开展及时有效的维护保障,实现飞行器结构全寿命周期健康管理,这对于保证飞行器运行安全、提升服役寿命、减少维护次数、降低维护成本、增加运行效益具有重要意义。因此,亟需建立高效高精度的飞行器结构寿命预测方法。
飞行器结构寿命预测方法主要可以分为基于机理模型驱动的方法和基于数据驱动的方法。基于机理模型驱动的方法通过建立结构精确的数学物理模型与失效退化机制来描述结构性能退化过程,结合当前的结构状态参数实现结构寿命评估。这类方法依赖于力学规律,因此其预测结果的物理可解释性和可靠性较强。然而结构的损伤发展和传播过程通常非常复杂,为飞行器结构建立真实、高保真的机理模型往往成本较高、耗时较长,且仍需要进行大量试验来验证和修正机理模型,难以应用于单机剩余寿命预测。近年来,基于数据驱动的方法得到了广泛研究,这类方法不依赖于机理模型,而是基于收集到的状态监测数据,通过提取历史运行数据与当前状态监测数据中的隐含信息,捕捉结构性能退化趋势和规律,跟踪结构性能退化进程,实现剩余寿命预测。因此可适用于失效机制更复杂、机理模型建立困难的结构寿命预测,但对训练数据需求量较大,缺乏物理可解释性。Liao等人[Liao L, Köttig F. A hybrid framework combining data-driven and model-basedmethods for system remaining useful life prediction[J]. Applied SoftComputing, 2016, 44: 191-199.]和Wang等人[Wang B, Lei Y, Li N, et al. A hybridprognostics approach for estimating remaining useful life of rolling elementbearings[J]. IEEE Transactions on Reliability, 2018, 69(1): 401-412.]分别针对锂电池和旋转机械设备提出了机理模型与数据融合驱动的剩余寿命预测方法,但是上述方法所采用机理模型的本质仍是数学函数,不包含物理与力学机理,无法直接应用于飞行器结构剩余寿命预测。
因此,有必要充分结合和发挥先进机理模型驱动方法和数据驱动方法的各自技术优势,有效融合力学机理与数据隐含模式,建立高效高精度的飞行器结构寿命预测方法,提高单机剩余寿命预测的精度和鲁棒性。
发明内容
针对现有技术存在的问题,本发明提供一种机理与数据融合驱动的飞行器结构寿命预测方法,通过建立面向结构寿命预测的机理模型和数据驱动模型,基于机理模型和数据驱动模型分别进行剩余寿命预测,并利用多种融合策略实现数据驱动模型对机理模型的实时动态修正,充分发挥机理模型和数据驱动模型的各自技术优势,提升预测精度和鲁棒性。
为了达到上述目的,本发明采用的技术方案为:
一种机理与数据融合驱动的飞行器结构寿命预测方法,所述的飞行器结构寿命预测方法的步骤如下:第一步,建立飞行器结构高保真多尺度有限元模型,求解整体模型和局部细节模型强度力学响应;第二步,针对不同的结构寿命问题,建立一个或多个对应的机理模型;第三步,在飞行器上布置多种传感器,测量全寿命周期的力学响应数据,构建数据集;第四步,基于数据集,训练力学响应数据与剩余寿命间的隐含关系,建立数据驱动模型;第五步,基于机理模型和数据驱动模型分别进行剩余寿命预测,并利用多种融合策略实现数据驱动模型对机理模型的实时动态修正。具体包括以下步骤:
第一步,建立飞行器结构高保真多尺度有限元模型,求解整体模型和局部细节模型强度力学响应。具体的:
步骤1.1:根据飞行器结构特征和传力形式,建立高保真的多尺度有限元模型,包含结构整体模型和局部细节模型。其中,为提高有限元分析效率和精度,所述结构整体模型包括飞行器整机结构或大型部段,可以采用梁单元或壳单元进行建模,有限元网格可以划分得较稀疏;所述局部细节模型针对局部细节处可以采用更精细的实体单元进行建模,网格划分较密,所述局部细节包括开孔区域、连接结构、应力集中区域这类结构寿命较为薄弱的位置。
进一步的,所述多尺度有限元模型可以在结构整体模型和局部细节模型之间增加更多尺度和层级的模型。
步骤1.2:基于子模型法开展多尺度仿真分析获得整体模型和局部细节模型的强度力学响应。
进一步的,所述力学响应可以是外力、应力、应变、位移、速度、加速度。
进一步的,子模型法的具体分析过程为:通过结构整体模型获得全局力学响应,将局部细节模型作为结构整体模型的子模型,以结构整体模型在子模型边界处的位移或应力作为局部细节模型的边界条件,实现整体刚度、强度向下传递到子模型上,获得局部力学响应。如果存在多个尺度和层级,则基于子模型法逐层级提供边界条件,直到获得局部细节的精确力学响应。
进一步的,通常在结构整体模型中会对局部细节进行简化建模,导致局部刚度、强度存在较大差异,且随着局部损伤的形成和演化,如裂纹萌生和扩展,局部细节的刚度、强度会不断折减,如果单向传递边界条件,子模型法误差会不断放大。此时需要进行有限元模型修正,可增加下述步骤。
步骤1.3:当结构整体模型和局部细节模型在边界处的力学响应仿真结果的平均相对误差大于设定的容许值(计算过程为:计算结构整体模型在局部细节模型的边界节点处的力学响应仿真结果Z1与局部细节模型边界节点的力学响应仿真结果之间的平均相对误差/>,若结构整体模型在局部细节模型的边界节点处没有对应节点,则通过插值方式得到/>)时,采用非侵入式耦合方法实现结构整体模型和局部细节模型在边界处的数据传递;首先将局部损伤引入局部细节模型,通过子模型法获得局部力学响应,进而通过反向数据传递,修正结构整体模型的局部刚度和强度,然后再通过正向数据传递,修正局部细节模型的力学响应,反复迭代直至收敛。所述的收敛条件为:结构整体模型和局部细节模型在边界处的力学响应相对误差小于设定的容许值或迭代次数达到上限。
进一步的,所述非侵入式耦合方法不需要借助仿真分析工具或软件,通过数据迭代更新就能实现有限元模型修正,因此效率较高,实时性强,可在飞行器服役过程中进行。
第二步,针对不同的结构寿命问题,建立一个或多个对应的机理模型。具体的:
根据第一步得到的力学响应,针对不同的结构寿命问题,采用对应机理的寿命评估和分析方法获得机理模型。如针对金属高周疲劳寿命问题,采用名义应力法、应力严重系数法、细节疲劳额定值法;如针对金属低周疲劳寿命问题,采用局部应力应变法;如针对初始裂纹萌生问题,采用连续损伤力学方法;如针对裂纹扩展问题,采用网格重划分法、扩展有限元法。本方法所述的面向结构剩余寿命预测的机理模型包括但不限于以上所举例的方法和技术。
进一步的,一个飞行器结构上不同的局部细节可能关注多个不同的寿命问题,同一个局部细节在运行的不同阶段也可能关注不同的寿命问题;因此需要根据实际使用情况建立多个对应的机理模型。
第三步,在飞行器上布置多种传感器,测量全寿命周期的力学响应数据,构建数据集。具体的:
步骤3.1:在飞行器结构的局部细节处布置多种传感器,用于测量结构全寿命周期的力学响应数据,所述力学响应数据按照时间顺序排列。所述传感器包括力传感器、应变传感器、位移传感器、温度传感器、加速度传感器。
步骤3.2:通过检修过程,在飞行器全寿命周期中收集和统计局部细节损伤和裂纹扩展信息,形成力学响应数据对应的剩余寿命标签。剩余寿命标签的处理过程包括:
步骤3.2.1:通过检修过程记录飞行器每个局部细节出现损伤和裂纹的时间(即裂纹萌生寿命),以及裂纹扩展的过程,包括裂纹的长度及对应时间,拟合出裂纹扩展曲线,曲线中裂纹长度超过容许值时的时间为裂纹扩展寿命,飞行器结构疲劳总寿命为裂纹萌生寿命加裂纹扩展寿命。
步骤3.2.2:所述剩余寿命标签在针对不同结构寿命问题时是不同的,包括:针对初始裂纹萌生问题时,将初始时刻的力学响应数据的剩余寿命标签设为裂纹萌生寿命,然后剩余寿命标签随时间递减,直到将裂纹萌生时刻的力学响应数据的剩余寿命标签设为0;针对裂纹扩展问题时,将裂纹萌生时刻的力学响应数据的剩余寿命标签设为裂纹扩展寿命,然后剩余寿命标签随时间递减,直到将裂纹长度超过容许值时的力学响应数据的剩余寿命标签设为0;针对疲劳寿命问题时,则将初始时刻的力学响应数据的剩余寿命标签设为疲劳总寿命,然后剩余寿命标签随时间递减,直到将裂纹长度超过容许值时的力学响应数据的剩余寿命标签设为0。
步骤3.3:通过传感器测量的力学响应数据与步骤3.2得到的剩余寿命标签构建用于建立数据驱动模型的数据集,对数据集进行预处理后,划分为训练集和测试集。
进一步的,如果飞行器全寿命周期数据不足,可采用虚拟仿真的力学响应数据替代测量数据来构建数据集。
进一步的,所述的预处理为:按归一化或标准化方法处理力学响应数据;并按照指数平均法对力学响应数据进行降噪平滑处理。
第四步,基于第三步构建的数据集,训练力学响应数据与剩余寿命间的隐含关系,建立数据驱动模型。具体的:
基于步骤3.3中得到的训练集中的数据,以力学响应数据为输入、剩余寿命为输出,训练力学响应数据与剩余寿命之间的映射关系,针对每个局部细节的不同寿命问题,建立多个对应的数据驱动模型,并通过测试集校核数据驱动模型精度,根据测试集精度选取最优数据驱动模型。
进一步的,所述数据驱动模型包括径向基函数、克里金法、支持向量机、高斯过程回归、神经网络。
第五步,基于机理模型和数据驱动模型分别进行剩余寿命预测,并利用多种融合策略实现数据驱动模型对机理模型的实时动态修正。具体的:
步骤5.1:首先,基于机理模型进行剩余寿命评估,获得结构剩余寿命基准值,所述机理模型的剩余寿命预测结果不变,为静态机理模型。
步骤5.2:然后,将飞行器运行过程中测量到的力学响应数据输入数据驱动模型进行实时剩余寿命预测,获得结构剩余寿命预测值。
步骤5.3:最后,利用融合策略将结构剩余寿命基准值和预测值进行融合,弥合机理模型驱动方法和数据驱动方法的预测结果差距,获得修正后的结构剩余寿命。
进一步的,所述融合策略包括简单平均、加权平均、核回归、证据组合。
进一步的,在第四步中可以将数据驱动模型的输出由剩余寿命更改为剩余寿命与机理模型评估的剩余寿命基准值的误差,若如此做,则只需要将机理模型结果和数据驱动结果直接求和,便可得到机理模型结果的修正值,实现数据驱动模型对机理模型的实时修正。
进一步的,可以采用动态机理模型代替步骤5.1中的静态机理模型,所述动态机理模型为在飞行器运行过程中,将测量到的力学响应数据用于不断更新静态机理模型的初始状态,获得动态的结构剩余寿命基准值,代替初始的结构剩余寿命基准值。同时,可以在第四步中训练一个新的数据驱动模型用于预测力学响应数据的未来曲线,即输入为历史时程力学响应数据、输出为未来时程力学响应数据,并将未来时程力学响应数据的预测结果反馈给动态机理模型,实现剩余寿命的长期预测。
本发明的有益效果为:
本发明针对飞行器结构单机剩余寿命预测不准、机理模型和数据驱动模型融合方法缺失等难题,通过建立面向结构寿命预测的机理模型和数据驱动模型,然后基于机理模型和数据驱动模型分别进行剩余寿命预测,并利用多种融合策略实现数据驱动模型对机理模型的实时动态修正。本发明能够通过较少的改动结合飞行器结构寿命预测领域最先进的机理模型方法和数据驱动方法,充分发挥机理模型和数据驱动模型的各自技术优势,具有较高的实时性和鲁棒性,便于后续开展飞行器结构全寿命周期健康管理。
附图说明
图1为一种机理与数据融合驱动的飞行器结构寿命预测方法的实现流程图;
图2为一种飞行器机身典型壁板结构的多尺度有限元模型示意图;
图3为一种飞行器机身典型壁板结构的强度力学响应(第一主应力)仿真结果示意图,图中力学响应数值较大,对应的图例颜色较深;
图4为一种飞行器机身典型壁板结构的数据驱动模型(LSTM神经网络)架构示意图;
图5为一种飞行器机身典型壁板结构的数据驱动模型(LSTM神经网络)训练过程示意图;
图6为一种飞行器机身典型壁板结构的剩余寿命预测结果示意图,图中虚线为剩余寿命真实值,实线为本发明的剩余寿命预测值。
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。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部内容。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。
图1为本发明实施例提供的一种机理与数据融合驱动的飞行器结构寿命预测方法的实现流程图。如图1所示,本发明实施例提供的一种机理与数据融合驱动的飞行器结构寿命预测方法包括:
第一步,建立飞行器结构高保真多尺度有限元模型,求解整体模型和局部细节模型强度力学响应,具体的:
建立飞行器机身典型壁板结构的高保真多尺度有限元模型,包含结构整体模型和局部细节模型,如图2所示。壁板结构的纵向长度L1为670mm(含试验工装的纵向长度L2为1020mm),横向宽度W1为370mm。壁板结构由蒙皮和长桁组成,蒙皮上布置了两个开孔和五条长桁,长桁与蒙皮之间采用铆钉连接。蒙皮上开孔的宽度W2为100mm,圆角半径R1为30mm,两个开孔间距L3为120mm。材料为铝合金2024-T3,弹性模量,泊松比。结构整体模型主要采用壳体建模,划分四边形壳单元共13849个,局部细节模型(开孔区域)采用实体建模,划分六面体实体单元共77016个。设定边界条件为试验工装下端固支,上端耦合后施加78kN的拉伸载荷。通过子模型法求解强度力学响应仿真结果,并通过非侵入式模型修正将局部细节模型的仿真结果更新到整体模型仿真结果中,图3展示了飞行器机身典型壁板结构的强度力学响应(第一主应力)仿真结果,图中力学响应数值较大,对应的图例颜色较深。其中,最大第一主应力位于开孔边缘,值为/>,对应毛面积应力/>为67.7MPa,应力集中系数为3.33。
第二步,针对该实施例的结构寿命问题,建立一个对应的机理模型,具体的:
该实施例承受反复拉伸的循环载荷,主要关注的结构寿命问题是金属高周疲劳,因此采用细节疲劳额定值(DFR)法来建立该实施例的机理模型。DFR是结构细节本身固有的疲劳性能特征值,是一种对结构质量和耐重复载荷能力的度量,DFR的物理意义是当应力比时,在95%置信度和95%可靠度要求下,结构细节寿命能够达到105次循环载荷时的最大应力(单位MPa)。DFR法的寿命计算公式如下,
(1)
其中,表示疲劳总寿命;/>是应力-寿命曲线的斜度参数,为材料常数;/>是应力比,即循环载荷(毛面积应力)的最小值/>与最大值/>之比;/>是等寿命曲线与横坐标轴的交点,为材料常数;对于铝合金,/>,/>。
进一步的,对于该实施例,最小载荷为4.7kN,最大载荷为78kN,对应毛面积应力分别为和/>,应力比/>。查手册可得该结构细节的,因此通过该机理模型评估得到的结构寿命基准值为/>次循环,则剩余寿命为/>,/>为当前时刻已承受的循环载荷次数。
第三步,在飞行器上布置两种传感器,测量全寿命周期的力学响应数据,构建数据集,具体的:
在该实施例的结构试验件上布置两种传感器,包括力传感器和应变花传感器,共布置105个应变花(每个应变花包含3个方向的电阻应变片)。共加工10个试验件,开展疲劳试验。测量从开始试验到疲劳裂纹萌生的全寿命周期下的载荷和应变时序数据,并获得每个试验件疲劳裂纹萌生时的寿命(循环载荷次数),构建出10个数据集。数据集中的每行数据包括当前时刻的载荷应变测量值,以及试验件的剩余寿命值/> ,真实(疲劳裂纹萌生时的循环载荷次数减去当前时刻已承受的循环载荷次数,即/> ,/>),行数据按照时间顺序排列,结束于试验件疲劳裂纹萌生。按照8:2的比例将数据集随机划分为训练集(8个)和测试集(2个),并采用数据标准化预处理训练集和测试集数据。标准化公式如下:
(2)
其中,变量为其中1个维度的数据,如1个应变传感器在全寿命周期下的应变值,和/>分别为变量/>的平均值和方差。
第四步,基于数据集,训练力学响应数据与剩余寿命间的隐含关系,建立数据驱动模型,具体的:
基于训练集中的数据,该实施例采用长短时记忆(LSTM)神经网络模型训练载荷和应变数据与剩余寿命间的隐含关系,建立结构寿命预测的数据驱动模型。LSTM是一种基于门控的循环神经网络,被广泛用于处理序列数据。模型的输入x为从试验开始到当前时刻的载荷和应变数据,输出y为真实剩余寿命值 ,真实与第二步建立的机理模型的预测值 ,机理的差值/>,即/> ,/>。建立的LSTM神经网络架构如图4所示,超参数如下:LSTM层2个,每层128个神经元,全连接层1个,每层1个神经元,学习率为0.001。采用ReLU作为激活函数,采用Adam方法进行参数学习实现数据驱动模型在训练集上的误差最小化,训练迭代曲线如图5所示,图中的训练误差随着迭代次数增加不断下降并收敛。
第五步,基于机理模型和数据驱动模型分别进行剩余寿命预测,并利用融合策略实现数据驱动模型对机理模型的实时动态修正,具体的:
针对本实施例测试集中的数据,通过第二步建立的机理模型评估得到的结构寿命基准值为次循环,通过第四步建立的数据驱动模型进行实时剩余寿命修正。将测试集数据输入数据驱动模型,得到剩余寿命修正值/>。因此修正后的剩余寿命预测值为/> ,/>。图6展示了本发明对其中一个测试集的剩余寿命预测结果,图中虚线为剩余寿命真实值,实线为本发明的剩余寿命预测值。对比测试集剩余寿命,本发明的预测平均误差仅为7.23%,验证了本发明的高预测精度和鲁棒性。
最后应说明的是:以上所述实施例仅用以说明本发明的方法方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通方法人员应当理解:其对前述实施例所记载的方法方案进行修改,或者对其中部分或者全部方法特征进行等同替换,并不使相应方法方案的本质脱离本发明实施例方法方案的范围。
Claims (10)
1.一种机理与数据融合驱动的飞行器结构寿命预测方法,其特征在于,所述的飞行器结构寿命预测方法的步骤如下:
第一步,建立飞行器结构高保真多尺度有限元模型,求解整体模型和局部细节模型强度力学响应,具体的:
步骤1.1:根据飞行器结构特征和传力形式,建立高保真的多尺度有限元模型,包含结构整体模型和局部细节模型;
步骤1.2:基于子模型法开展多尺度仿真分析获得整体模型和局部细节模型的强度力学响应;
步骤1.3:采用非侵入式耦合方法实现结构整体模型和局部细节模型在边界处的数据修正及传递;
第二步,根据第一步得到的力学响应,针对不同的结构寿命问题,建立一个或多个对应的机理模型;
第三步,在飞行器上布置多种传感器,测量全寿命周期的力学响应数据,构建数据集,具体的:
步骤3.1:在飞行器结构的局部细节处布置多种传感器,用于测量结构全寿命周期的力学响应数据,力学响应数据按照时间顺序排列;
步骤3.2:通过检修过程,在飞行器全寿命周期中收集和统计局部细节损伤和裂纹扩展信息,形成力学响应数据对应的剩余寿命标签;
步骤3.3:通过传感器测量的力学响应数据与步骤3.2得到的剩余寿命标签构建用于建立数据驱动模型的数据集,对数据集进行预处理后,划分为训练集和测试集;
第四步,基于数据集,训练力学响应数据与剩余寿命间的隐含关系,建立数据驱动模型,具体的:
基于步骤3.3中得到的训练集中的数据,以力学响应数据为输入、剩余寿命为输出,训练力学响应数据与剩余寿命之间的映射关系,针对每个局部细节的不同寿命问题,建立多个对应的数据驱动模型,并通过测试集校核数据驱动模型精度,根据测试集精度选取最优数据驱动模型;
第五步,基于机理模型和数据驱动模型分别进行剩余寿命预测,并利用多种融合策略实现数据驱动模型对机理模型的实时动态修正,具体的:
步骤5.1:基于机理模型进行剩余寿命评估,获得结构剩余寿命基准值,所述机理模型的剩余寿命预测结果不变,为静态机理模型;
步骤5.2:将飞行器运行过程中测量到的力学响应数据输入数据驱动模型进行实时剩余寿命预测,获得结构剩余寿命预测值;
步骤5.3:利用融合策略将结构剩余寿命基准值和预测值进行融合,弥合机理模型驱动方法和数据驱动方法的预测结果差距,获得修正后的结构剩余寿命。
2.根据权利要求1所述的一种机理与数据融合驱动的飞行器结构寿命预测方法,其特征在于,可以采用动态机理模型代替步骤5.1中的静态机理模型,所述动态机理模型为在飞行器运行过程中,将测量到的力学响应数据用于不断更新静态机理模型的初始状态,获得动态的结构剩余寿命基准值,代替初始的结构剩余寿命基准值;同时,可以在第四步中训练一个新的数据驱动模型用于预测力学响应数据的未来曲线,即输入为历史时程力学响应数据、输出为未来时程力学响应数据,并将未来时程力学响应数据的预测结果反馈给动态机理模型,实现剩余寿命的长期预测。
3.根据权利要求1所述的一种机理与数据融合驱动的飞行器结构寿命预测方法,其特征在于,所述的第一步中:
步骤1.1中,为提高有限元分析效率和精度,所述结构整体模型包括飞行器整机结构或大型部段,采用梁单元或壳单元进行建模,有限元网格可以划分得较稀疏;所述局部细节模型针对局部细节处采用更精细的实体单元进行建模,网格划分较密,所述局部细节位置包括开孔区域、连接结构、应力集中区域;
步骤1.2中,所述的力学响应可以是外力、应力、应变、位移、速度、加速度;
步骤1.2中,所述的子模型法具体过程为:通过结构整体模型获得全局力学响应,将局部细节模型作为结构整体模型的子模型,以结构整体模型在子模型边界处的位移或应力作为局部细节模型的边界条件,实现整体刚度、强度向下传递到子模型上,获得局部力学响应;如果存在多个尺度和层级,则基于子模型法逐层级提供边界条件,直到获得局部细节的精确力学响应;
步骤1.3中,首先将局部损伤引入局部细节模型,通过子模型法获得局部力学响应,进而通过反向数据传递,修正结构整体模型的局部刚度和强度,然后再通过正向数据传递,修正局部细节模型的力学响应,反复迭代直至收敛;所述的收敛条件为:结构整体模型和局部细节模型在边界处的力学响应相对误差小于设定的容许值或迭代次数达到上限。
4.根据权利要求1所述的一种机理与数据融合驱动的飞行器结构寿命预测方法,其特征在于,所述的第二步中,一个飞行器结构上不同的局部细节可能关注多个不同的寿命问题,同一个局部细节在运行的不同阶段也可能关注不同的寿命问题;因此需要根据实际使用情况建立多个对应的机理模型。
5.根据权利要求1所述的一种机理与数据融合驱动的飞行器结构寿命预测方法,其特征在于,所述步骤3.1中,传感器包括力传感器、应变传感器、位移传感器、温度传感器、加速度传感器;所述步骤3.1中,如果飞行器全寿命周期数据不足,采用虚拟仿真的力学响应数据替代测量数据来构建数据集。
6.根据权利要求1所述的一种机理与数据融合驱动的飞行器结构寿命预测方法,其特征在于,所述步骤3.2中,剩余寿命标签的处理过程包括:
步骤3.2.1:通过检修过程记录飞行器每个局部细节出现损伤和裂纹的时间,以及裂纹扩展的过程,包括裂纹的长度及对应时间,拟合出裂纹扩展曲线,曲线中裂纹长度超过容许值时的时间为裂纹扩展寿命,飞行器结构疲劳总寿命为裂纹萌生寿命加裂纹扩展寿命;
步骤3.2.2:剩余寿命标签在针对不同结构寿命问题时是不同的,包括:针对初始裂纹萌生问题时,将初始时刻的力学响应数据的剩余寿命标签设为裂纹萌生寿命,然后剩余寿命标签随时间递减,直到将裂纹萌生时刻的力学响应数据的剩余寿命标签设为0;针对裂纹扩展问题时,将裂纹萌生时刻的力学响应数据的剩余寿命标签设为裂纹扩展寿命,然后剩余寿命标签随时间递减,直到将裂纹长度超过容许值时的力学响应数据的剩余寿命标签设为0;针对疲劳寿命问题时,则将初始时刻的力学响应数据的剩余寿命标签设为疲劳总寿命,然后剩余寿命标签随时间递减,直到将裂纹长度超过容许值时的力学响应数据的剩余寿命标签设为0。
7.根据权利要求1所述的一种机理与数据融合驱动的飞行器结构寿命预测方法,其特征在于,所述步骤3.3中,预处理为:按归一化或标准化方法处理力学响应数据;并按照指数平均法对力学响应数据进行降噪平滑处理。
8.根据权利要求1所述的一种机理与数据融合驱动的飞行器结构寿命预测方法,其特征在于,所述第四步中,数据驱动模型包括径向基函数、克里金法、支持向量机、高斯过程回归、神经网络。
9.根据权利要求1所述的一种机理与数据融合驱动的飞行器结构寿命预测方法,其特征在于,在第四步中可以将数据驱动模型的输出由剩余寿命更改为剩余寿命与机理模型评估的剩余寿命基准值的误差,若如此做,则只需要将机理模型结果和数据驱动结果直接求和,便可得到机理模型结果的修正值,实现数据驱动模型对机理模型的实时修正。
10.根据权利要求1所述的一种机理与数据融合驱动的飞行器结构寿命预测方法,其特征在于,所述第五步中,融合策略包括简单平均、加权平均、核回归、证据组合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410279818.5A CN117875138B (zh) | 2024-03-12 | 2024-03-12 | 一种机理与数据融合驱动的飞行器结构寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410279818.5A CN117875138B (zh) | 2024-03-12 | 2024-03-12 | 一种机理与数据融合驱动的飞行器结构寿命预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117875138A true CN117875138A (zh) | 2024-04-12 |
CN117875138B CN117875138B (zh) | 2024-06-14 |
Family
ID=90584882
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410279818.5A Active CN117875138B (zh) | 2024-03-12 | 2024-03-12 | 一种机理与数据融合驱动的飞行器结构寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117875138B (zh) |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110137575A1 (en) * | 2007-10-19 | 2011-06-09 | Ashok Koul | Method and system for real-time prognosis analysis and usage based residual life assessment of turbine engine components and display |
US20200130866A1 (en) * | 2018-10-29 | 2020-04-30 | Honeywell International Inc. | Structural usage monitoring system and method |
CN111737811A (zh) * | 2020-05-09 | 2020-10-02 | 北京航空航天大学 | 基于数字孪生的直升机动部件寿命管理方法、设备、介质 |
CN112232593A (zh) * | 2020-11-04 | 2021-01-15 | 武汉理工大学 | 一种基于相空间重构和数据驱动的电力负荷预测方法 |
CN112765748A (zh) * | 2021-01-25 | 2021-05-07 | 长安大学 | 机理-数据异构信息融合的旋转机械数字孪生建模方法 |
CN113779838A (zh) * | 2021-09-13 | 2021-12-10 | 中国矿业大学 | 一种模型与数据融合驱动的提升机主轴装置智能维护方法 |
CN114492191A (zh) * | 2022-01-26 | 2022-05-13 | 浙江英集动力科技有限公司 | 基于dbn-svr的热力站设备剩余寿命评估方法 |
CN114636570A (zh) * | 2020-12-16 | 2022-06-17 | 现代自动车株式会社 | 利用机器学习预测轮胎磨损的方法和装置 |
CN114840914A (zh) * | 2022-03-31 | 2022-08-02 | 南京航空航天大学 | 一种高超飞行器数据驱动和机理驱动融合的智能建模方法 |
CN114896834A (zh) * | 2022-04-18 | 2022-08-12 | 中国石油大学(华东) | 一种机理与数据混合驱动的防台风悬挂系统软测量方法 |
CN115116568A (zh) * | 2022-07-06 | 2022-09-27 | 上海交通大学 | 加载历史相关的数据驱动多尺度并发模拟方法及系统 |
CN115292849A (zh) * | 2022-08-19 | 2022-11-04 | 郑州轻工业大学 | 基于相场法和bp神经网络的机械结构剩余寿命预测方法 |
CN115809595A (zh) * | 2022-11-25 | 2023-03-17 | 沈阳建筑大学 | 一种反映滚动轴承缺陷扩展的数字孪生模型构建方法 |
CN116189827A (zh) * | 2023-02-28 | 2023-05-30 | 福州大学 | 面向对象数字孪生的空间结构模型生成及全寿命管理方法 |
CN116629837A (zh) * | 2023-05-30 | 2023-08-22 | 江苏华辰变压器股份有限公司 | 融合数据与机理模型的变压器数字孪生全周期管理方法 |
CN116992733A (zh) * | 2023-08-22 | 2023-11-03 | 东北石油大学三亚海洋油气研究院 | 一种基于数字孪生的导管架结构疲劳寿命在线预测方法 |
CN117034669A (zh) * | 2023-05-30 | 2023-11-10 | 西安交通大学 | 一种旋转机械滚动轴承剩余寿命预测方法及系统 |
CN117113852A (zh) * | 2023-09-18 | 2023-11-24 | 国网新疆电力有限公司昌吉供电公司 | 基于电气、化学、结构、振动参量的gis寿命预测方法 |
WO2023231995A1 (zh) * | 2022-05-30 | 2023-12-07 | 浙大城市学院 | 一种基于迁移学习的航空发动机寿命预测与健康评估方法 |
-
2024
- 2024-03-12 CN CN202410279818.5A patent/CN117875138B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110137575A1 (en) * | 2007-10-19 | 2011-06-09 | Ashok Koul | Method and system for real-time prognosis analysis and usage based residual life assessment of turbine engine components and display |
US20200130866A1 (en) * | 2018-10-29 | 2020-04-30 | Honeywell International Inc. | Structural usage monitoring system and method |
CN111737811A (zh) * | 2020-05-09 | 2020-10-02 | 北京航空航天大学 | 基于数字孪生的直升机动部件寿命管理方法、设备、介质 |
CN112232593A (zh) * | 2020-11-04 | 2021-01-15 | 武汉理工大学 | 一种基于相空间重构和数据驱动的电力负荷预测方法 |
CN114636570A (zh) * | 2020-12-16 | 2022-06-17 | 现代自动车株式会社 | 利用机器学习预测轮胎磨损的方法和装置 |
CN112765748A (zh) * | 2021-01-25 | 2021-05-07 | 长安大学 | 机理-数据异构信息融合的旋转机械数字孪生建模方法 |
CN113779838A (zh) * | 2021-09-13 | 2021-12-10 | 中国矿业大学 | 一种模型与数据融合驱动的提升机主轴装置智能维护方法 |
CN114492191A (zh) * | 2022-01-26 | 2022-05-13 | 浙江英集动力科技有限公司 | 基于dbn-svr的热力站设备剩余寿命评估方法 |
CN114840914A (zh) * | 2022-03-31 | 2022-08-02 | 南京航空航天大学 | 一种高超飞行器数据驱动和机理驱动融合的智能建模方法 |
CN114896834A (zh) * | 2022-04-18 | 2022-08-12 | 中国石油大学(华东) | 一种机理与数据混合驱动的防台风悬挂系统软测量方法 |
WO2023231995A1 (zh) * | 2022-05-30 | 2023-12-07 | 浙大城市学院 | 一种基于迁移学习的航空发动机寿命预测与健康评估方法 |
CN115116568A (zh) * | 2022-07-06 | 2022-09-27 | 上海交通大学 | 加载历史相关的数据驱动多尺度并发模拟方法及系统 |
CN115292849A (zh) * | 2022-08-19 | 2022-11-04 | 郑州轻工业大学 | 基于相场法和bp神经网络的机械结构剩余寿命预测方法 |
CN115809595A (zh) * | 2022-11-25 | 2023-03-17 | 沈阳建筑大学 | 一种反映滚动轴承缺陷扩展的数字孪生模型构建方法 |
CN116189827A (zh) * | 2023-02-28 | 2023-05-30 | 福州大学 | 面向对象数字孪生的空间结构模型生成及全寿命管理方法 |
CN116629837A (zh) * | 2023-05-30 | 2023-08-22 | 江苏华辰变压器股份有限公司 | 融合数据与机理模型的变压器数字孪生全周期管理方法 |
CN117034669A (zh) * | 2023-05-30 | 2023-11-10 | 西安交通大学 | 一种旋转机械滚动轴承剩余寿命预测方法及系统 |
CN116992733A (zh) * | 2023-08-22 | 2023-11-03 | 东北石油大学三亚海洋油气研究院 | 一种基于数字孪生的导管架结构疲劳寿命在线预测方法 |
CN117113852A (zh) * | 2023-09-18 | 2023-11-24 | 国网新疆电力有限公司昌吉供电公司 | 基于电气、化学、结构、振动参量的gis寿命预测方法 |
Non-Patent Citations (5)
Title |
---|
EVGENIIA LAPINA ET AL.: "A fully non-invasive hybrid IGA/FEM scheme for the analysis of localized non-linear phenomena", COMPUTER MECHANICS, 21 October 2022 (2022-10-21), pages 213 - 235 * |
XUAN ZHOU ET AL.: "Real-Time Prediction of Probabilistic Crack Growth with a Helicopter Component Digital Twin", ARXIV:2105.03668V3, 13 January 2022 (2022-01-13), pages 1 - 28 * |
何玉怀 等: "失效分析", 31 March 2017, 国防工业出版社, pages: 179 - 182 * |
王博 等: "航空航天结构轻量化设计与实验方法研究进展", 宇航学报, vol. 44, no. 4, 30 April 2023 (2023-04-30), pages 596 - 606 * |
雷世英: "服役条件下多模态数据驱动的典型关重件寿命预测模型研究", 中国优秀硕士学位论文全文数据库 工程科技II辑, no. 02, 15 February 2023 (2023-02-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN117875138B (zh) | 2024-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109343505A (zh) | 基于长短期记忆网络的齿轮剩余寿命预测方法 | |
Yan et al. | A dynamic multi-scale Markov model based methodology for remaining life prediction | |
CN113868911B (zh) | 一种基于结构应力法的焊缝疲劳数字孪生框架生成方法 | |
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 | |
Ding et al. | Stationary subspaces-vector autoregressive with exogenous terms methodology for degradation trend estimation of rolling and slewing bearings | |
Lu et al. | Data-driven dynamic predictive maintenance for a manufacturing system with quality deterioration and online sensors | |
CN110658462B (zh) | 一种基于数据融合与arima模型的锂电池在线寿命预测方法 | |
CN113374652A (zh) | 一种风力发电机组寿命评估方法 | |
CN113496312A (zh) | 基于多维特征提取融合与长短期记忆网络的刀具剩余寿命预测方法、设备及存储介质 | |
CN110046409B (zh) | 一种基于ResNet的汽轮机部件健康状态评估方法 | |
CN103678858A (zh) | 一种存在竞争失效条件下的设备剩余寿命预测方法 | |
CN111860839A (zh) | 基于多信号融合及Adam优化算法的岸桥故障监测方法 | |
CN117725859A (zh) | 飞机疲劳损伤关键部位的疲劳裂纹扩展预测方法及系统 | |
CN115292849A (zh) | 基于相场法和bp神经网络的机械结构剩余寿命预测方法 | |
Zhi et al. | Fuzzy design optimization-based fatigue reliability analysis of welding robots | |
CN111882238A (zh) | 基于云模型和eahp的门座起重机结构健康评估方法 | |
CN117875138B (zh) | 一种机理与数据融合驱动的飞行器结构寿命预测方法 | |
CN118094977A (zh) | 一种新能源汽车的翼子板结构强度评价方法及系统 | |
CN109766637B (zh) | 基于Krigng代理模型的桥式起重机结构可靠性优化方法 | |
CN113987870B (zh) | 一种风电机组主传动系统状态评估方法及终端设备 | |
CN116484675A (zh) | 一种舰船发动机叶片的裂纹扩展寿命预测方法及系统 | |
CN109033667B (zh) | 一种基于仿射算法和摄动方法的几何模型高频动力学特性预示方法 | |
CN116738689B (zh) | 基于Elman模型的水轮发电机组状态健康评估系统及方法 | |
Li et al. | Model Updating Method for Jacket Platform Considering Different Component Degradation Based on Deep Learning. | |
Chen et al. | EPBS_FIDMV: A fault injection and diagnosis methods validation benchmark for EPBS of EMU |
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 |