WO2023045339A1 - 一种基于结构应力法的焊缝疲劳数字孪生框架 - Google Patents

一种基于结构应力法的焊缝疲劳数字孪生框架 Download PDF

Info

Publication number
WO2023045339A1
WO2023045339A1 PCT/CN2022/090893 CN2022090893W WO2023045339A1 WO 2023045339 A1 WO2023045339 A1 WO 2023045339A1 CN 2022090893 W CN2022090893 W CN 2022090893W WO 2023045339 A1 WO2023045339 A1 WO 2023045339A1
Authority
WO
WIPO (PCT)
Prior art keywords
stress
weld
data
structural stress
structural
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.)
Ceased
Application number
PCT/CN2022/090893
Other languages
English (en)
French (fr)
Inventor
宋学官
何西旺
李昆鹏
来孝楠
杨亮亮
王一棠
孙伟
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.)
Dalian University of Technology
Original Assignee
Dalian University of Technology
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 Dalian University of Technology filed Critical Dalian University of Technology
Priority to US17/799,474 priority Critical patent/US20230342522A1/en
Publication of WO2023045339A1 publication Critical patent/WO2023045339A1/zh
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three-dimensional [3D] modelling for computer graphics
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
    • G06T17/205—Re-meshing
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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

Definitions

  • the invention relates to a welding seam fatigue digital twin framework based on a structural stress method, belonging to the field of digital twins.
  • Welding connection is a very common structural connection method in the industrial field, and occupies a very important position in structural design, so the structural strength and fatigue strength of welding are very important.
  • the yield strength and tensile strength of flat welded steel structures are not lower than the base metal, but the fatigue strength of the weld is far lower than that of the base metal, and the main form of weld failure is fatigue, so the weld Fatigue strength analysis is very important.
  • Digital twin technology integrates the simulation process of multi-discipline, multi-scale and multi-physical quantities through the physical model of real equipment, sensor update, operation history and other data, and builds a digital twin that faithfully maps the real equipment, which is realized in the whole life cycle of the equipment Guidance on equipment operation status monitoring, maintenance, fault warning, etc.
  • the purpose of the present invention is to provide a weld fatigue digital twin framework based on structural stress method, artificial intelligence algorithm, rainflow counting method and fatigue cumulative damage method, through real-time prediction of weld mechanical properties and fatigue damage, to realize butt welding Visual feedback and early warning of dangerous parts of the seam.
  • a weld fatigue digital twin framework based on the structural stress method which is divided into an offline stage and an online stage.
  • the offline stage includes finite element model establishment, equivalent structural stress calculation and artificial intelligence algorithm training;
  • the online stage includes sensor data reading Acquisition, artificial intelligence algorithm prediction, rainflow counting method statistics and cumulative damage calculation remaining life.
  • the framework combines five methods including finite element method, structural stress method, artificial intelligence algorithm, upper envelope method, rainflow counting method and Miner linear cumulative damage. details as follows:
  • k is the unit stiffness matrix
  • K is the overall stiffness matrix, which is accumulated for each unit based on the unit node number information
  • D is the displacement vector
  • F is the force vector.
  • the nodal force is converted into membrane stress, and the nodal moment is converted into bending stress.
  • the structural stress data is obtained by summing the membrane stress and the bending stress, as shown in Equation (2).
  • F yn is the nodal force at the node
  • M xn is the nodal moment at the node
  • t is the normal thickness of the weld to be obtained.
  • L is only related to the distance between nodes, defined as the equivalent matrix of element length, which can be expressed as:
  • l 1 ,..., l n-1 represent the distance between node 1 and node n respectively.
  • the artificial intelligence algorithm is used to train the obtained data to obtain the membrane stress and bending stress of the weld prediction model.
  • GP Gaussian process
  • m(x) is the average function
  • k(x,x') is the covariance function that obeys the Gaussian distribution function value f, which can be expressed as f ⁇ GP(m(x),k(x,x')).
  • the Gaussian regression model can be given by the following formula:
  • X is the input vector
  • f( ) and y( ) denote the latent function and output function, respectively.
  • ⁇ is subject to independent noise, which can be expressed as a Gaussian distribution
  • the key prediction equation for Gaussian process regression can be expressed as:
  • the artificial intelligence model of the membrane stress and bending stress of the weld was constructed:
  • ⁇ m is the membrane stress
  • ⁇ b is the bending stress
  • ⁇ n is the structural stress
  • f 1 , f 2 , f 3 are the relationship between the constructed sensing data and the membrane stress
  • T 1 ,..., T z are sensor data variables.
  • the measurement data of the sensor is read, and the measurement data is input into the trained artificial intelligence model such as formula (9), so as to obtain the changes of the membrane stress, bending stress and structural stress in a single cycle with the sensing data.
  • the acquired membrane stress, bending stress and structural stress data are counted, and the steps are as follows:
  • the read data is first docked end to end to become fully enclosed data that only needs to be counted once for rainflow;
  • t is the normal thickness of the weld to be obtained
  • I(r) is the dimensionless function of the bending load ratio r, which can be written as:
  • the number of fatigue cycles under the equivalent structural stress is obtained by calculating the range of equivalent structural stress variation and the bending load ratio within one cycle.
  • N k ( ⁇ S ess,k /Cd) -1/h (15)
  • N k is the corresponding maximum number of cycles under the equivalent stress
  • Cd is a test statistical constant
  • the rainflow counting method mainly plays the role of counting the cycle period.
  • a cycle statistics method is needed to realize the monitoring of the operation cycle. If D f ⁇ 0, the calculated weld model fails.
  • the present invention realizes real-time monitoring of weld seam fatigue under the operating state of the structure, thereby realizing early warning of the operating state of the equipment, ensuring personal safety, and improving enterprise benefits.
  • the present invention can observe the fatigue condition of the structure, thereby promoting the operator's in-depth understanding of the equipment and improving the human-computer interaction ability.
  • the present invention realizes the virtual-real interaction of the equipment by combining the physical model and the virtual model of the machine equipment, thereby observing information data that cannot be seen by the equipment, and improving the credibility of the calculation results.
  • Fig. 1 is a schematic diagram of technical process implementation of the present invention
  • Fig. 2 is a schematic diagram of the technical architecture of the present invention.
  • Fig. 3 is the structural representation of weld seam of the present invention.
  • Fig. 4 is the schematic diagram of the four-peak-valley technical principle adopted in the present invention.
  • Figure 5(a) and Figure 5(b) are schematic diagrams showing the comparison of equivalent structural stress before and after the calculation of the upper envelope model
  • Figure 6 is a schematic diagram of the number of fatigue cycles obtained under the operating conditions of the trolley.
  • Fig. 1 is a schematic diagram of the realization of the technical process of the weld fatigue twin built by the present invention, which can be divided into two parts: an offline stage and an online stage.
  • the finite element model is established by defining the element type, material and boundary conditions of the weld structure for solution. Then, the nodal force and nodal moment on the welding line are obtained based on the obtained unit nodal displacement and unit stiffness matrix. Then, based on the obtained nodal force and nodal moment data, the structural stress method is used to calculate the membrane stress and bending stress on the welding line, and the structural stress is obtained by adding the two together.
  • the input of sensor data to the artificial intelligence model is mainly used to realize the implementation prediction of membrane stress, bending stress and structural stress, and to carry out periodic statistics on the predicted data through the rainflow counting method to calculate the The range of data changes and the number of cycles experienced, and the statistically obtained data are calculated according to the Miner fatigue cumulative damage method to calculate the remaining fatigue life.
  • Fig. 2 shows the technical architecture of the present invention, which can be mainly divided into four parts: physical space, communication module, digital space and server in specific application, and each part is inseparable through data-driven connection.
  • the physical space is mainly composed of sensing equipment, welding seam structure, personal computer, etc.
  • the communication module is composed of various data communication protocols and technologies such as WIFI, USB, and field bus to ensure the accuracy, real-time and reliability of the data transmission process. Readability; digital space includes the analysis of structural stress, storage of fatigue data, etc., which can realize data storage and analysis of weld models;
  • the server is the final foothold of the digital twin built, which can usually include fatigue failure Early warning, structural stress data monitoring, and equipment operation and maintenance management, etc.
  • Figure 3 which includes the base metal part 1 of the structure, the weld part 2 of the structure, the welding line 3 of the weld structure, the running trolley 4, and the main girder 5 of the crane.
  • the track of the running trolley in this structure is connected by welding through welds, and the running trolley 4 is at the upper end of the track, and the running distance of the trolley is obtained mainly through sensors.
  • the upper envelope model is constructed along the direction of the weld, even if the trend of stress change on the weld is similar, so as to avoid the inconsistency of the change law of the weld on the structure caused by the artificial intelligence algorithm.
  • the uncorrected structural stresses of the upper envelope model have a large trend and thus lead to inaccurate results.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Graphics (AREA)
  • Software Systems (AREA)
  • Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)

Abstract

本发明属于数字孪生领域，涉及一种基于结构应力法的焊缝疲劳数字孪生框架，框架分为离线阶段和在线阶段，其中离线阶段包括有限元模型建立、等效结构应力计算和人工智能算法训练；在线阶段包括传感器数据读取、人工智能算法预测、雨流计数法统计和累积损伤计算剩余寿命。框架结合了有限元法、结构应力法、人工智能算法、上包络线方法、雨流计数法以及Miner线性累积损伤五种方法。本发明通过对焊缝力学性能和疲劳损伤的实时预测，实现对焊缝危险部位的可视反馈和提前预警。

Description

一种基于结构应力法的焊缝疲劳数字孪生框架 技术领域
本发明涉及一种基于结构应力法的焊缝疲劳数字孪生框架，属于数字孪生领域。
背景技术
焊接连接是工业领域上非常常见的结构连接方式，在结构设计中占有非常重要的地位，因此焊接的结构强度和疲劳强度都非常重要。一般情况下，平板焊接钢结构的屈服强度和抗拉强度都不低于母材，但是焊缝的疲劳强度远远低于母材的疲劳强度，焊缝失效的主要形式为疲劳，所以焊缝的疲劳强度分析十分重要。
随着自动化技术和计算机科学的发展，以一种虚拟数字化形式呈现真实世界物理实体的数字孪生技术出现在人们的视野中。数字孪生技术通过真实设备的物理模型、传感器更新、运行历史等数据，集成多学科、多尺度、多物理量的仿真过程，搭建起忠实映射真实设备的数字化孪生体，在设备的全生命周期中实现对设备运行状况监测、检修维护、故障预警等的指导作用。因此，为了避免安全事故的发生，提前感知焊缝的性能状况，从而预知焊缝的疲劳状态，给予工作人员一定的指导，这就迫切需要开发一种基于结构应力法的焊缝疲劳数字孪生框架，但目前市场上没有该类数字孪生框架。特别是针对焊缝的疲劳情况，实现焊缝的疲劳实时监测。
发明内容
本发明的目的是提供一种基于结构应力法、人工智能算法、雨流计数法以及疲劳累积损伤方法的焊缝疲劳数字孪生框架，通过对焊缝力学性能和疲劳损伤的实时预测，实现对焊缝危险部位的可视反馈和提前预警。
本发明所要解决的技术难点包括：
(1)如何实现不同状态下焊缝的内部结构应力的计算，保证疲劳数据的准确性和有效性，以实现数字孪生模型的准确性和有效性。
(2)如何基于人工智能算法实现不同状态下焊缝疲劳数字孪生的在线预测，以保证能够提前感知设备的运行状态。
(3)在设备动作时，如何实现基于传感数据-内部结构性能-剩余寿命的输入输出关系,通过少量传感器数据获得结构剩余寿命情况。
为了解决上述问题，本发明通过以下技术方案实现的：
一种基于结构应力法的焊缝疲劳数字孪生框架，该框架分为离线阶段和在线阶段，其中离线阶段包括有限元模型建立、等效结构应力计算和人工智能算法训练；在线阶段包括传感器数据读取、人工智能算法预测、雨流计数法统计和累积损伤计算剩余寿命。该框架结合了有限元法、结构应力法、人工智能算法、上包络线方法、雨流计数法以及Miner线性累积损伤五种方法。具体如下：
离线阶段：
(1)建立焊缝的三维模型，并划分网格，从而得到单元和节点的刚度矩阵信息；引入位移约束条件求解式如式(1)，得到模型全局位移解；根据单元节点编号信息，从全局位移中提出单元上的节点位移；通过将节点位移转换到单元的局部坐标系，然后与单元刚度矩阵相乘得到该单元的所有节点力和节点力矩。
Figure PCTCN2022090893-appb-000001
其中：k为单元刚度矩阵；K为整体刚度矩阵，是基于单元节点编号信息对每个单元累加而成；D为位移矢量；F为力矢量。
(2)基于焊缝的三维模型的节点力和节点力矩的信息，将节点力转换成膜应 力，将节点力矩转换成弯曲应力。通过对膜应力和弯曲应力求和，从而获得结构应力数据，如式(2)。
Figure PCTCN2022090893-appb-000002
其中，F yn为节点处的节点力；M xn为节点处的节点力矩；t为所求焊缝的法向厚度。L只与节点之间的距离相关，定义为单元长度等效矩阵，可表示为：
Figure PCTCN2022090893-appb-000003
其中，l 1,…,l n-1分别表示节点1至节点n之间的距离。
(3)为了使每个节点处的结构应力连续变化，求得数个工况下焊缝处的结构应力后，采用人工智能算法对所得数据进行训练，来获得焊缝的膜应力和弯曲应力的预测模型。以高斯过程(GP)为例，详细说明人工智能模型的构建过程。GP是一个随机过程，由其均值和协方差函数指定，在处理高维和非线性数据方面具有优势，并支持预测的置信区间。一个高斯过程完全由其均值函数和协方差函数指定，即：
Figure PCTCN2022090893-appb-000004
其中，m(x)是平均函数，k(x,x')是服从高斯分布函数值f的协方差函数，可以表示为f～GP(m(x),k(x,x'))。由下式可给出高斯回归模型：
y(X)＝f(X)+ε               (5)
其中，X为输入向量，f(·)和y(·)分别表示潜在函数和输出函数。ε是服从独立的噪声，可以表示为高斯分布
Figure PCTCN2022090893-appb-000005
考虑n个数据对
Figure PCTCN2022090893-appb-000006
其中X i∈R d,y i∈R,i＝1,…,n。则n个观测值Y＝{y 1,…,y n}为：
Y～N(m(x),K X+T)               (6)
其中，m(x)是平均函数，K X和T分别是输入数据的协方差矩阵和噪声数据。则目标值Y的联合分布以及根据先验预测得到的函数值f *为：
Figure PCTCN2022090893-appb-000007
其中，K XX*＝K n＝(k ij)是对所有输入值X和预测点X *评估的N×N协方差矩阵，m(X)表示X的均值。对于高斯过程回归的关键预测等式可表示为：
Figure PCTCN2022090893-appb-000008
其中，
Figure PCTCN2022090893-appb-000009
和
Figure PCTCN2022090893-appb-000010
分别表示预测值f *的平均值和方差。
基于训练数据以及算法流程，构建了焊缝的膜应力和弯曲应力的人工智能模型：
Figure PCTCN2022090893-appb-000011
其中，σ m为膜应力，σ b为弯曲应力，σ n为结构应力，f 1、f 2、f 3为所构造传感数据与膜应力、弯曲应力以及结构应力之间的关系，T 1,…,T z为传感器数据变量。
在线阶段：
首先读取传感器的测量数据，将测量数据输入至所训练的人工智能模型如式(9)，从而求得单个循环内的膜应力、弯曲应力以及结构应力随传感数据的变化。
然后基于雨流计数法对获取的膜应力、弯曲应力以及结构应力数据进行统计，步骤为：
(1)为了缩短统计计数时间，先将读取的数据进行首尾对接，变成只需要进行一次雨流计数的全封闭数据；
(2)利用四峰谷技术原则提取结构应力循环，并记录变化范围，判别条件如下：
Figure PCTCN2022090893-appb-000012
满足以上两个条件中的一个，即可提取一个循环Δx j＝|x i+1-x i|，同时将原应力时间历程中的x i+1和x i两个点删除，并记录其特征数据：
(3)找到结构应力循环中变化范围的最大值和最小值，并按照给定级数在它们之间等距划分相应区间，按照区间对其进行周期统计。基于雨流计数法，从而获取所统计的第k个周期内膜应力、弯曲应力的变化范围如式(5)，以及结构应力所对应的周期数n k。
Figure PCTCN2022090893-appb-000013
其中，
Figure PCTCN2022090893-appb-000014
表示膜应力的变化范围，
Figure PCTCN2022090893-appb-000015
表示弯曲应力的变化范围；并通过提取变化范围的数据，沿焊缝方向构建上包络线模型获得修正后的膜应力和弯曲应力，即使焊缝上应力变化趋势具有相似性，以避免由于人工智能算法造成的结构上焊缝变化规律不一致。
(4)依据膜应力和弯曲应力计算第k个循环内等效结构应力的变化范围：
Figure PCTCN2022090893-appb-000016
其中，t为所求焊缝的法向厚度，m＝3.6为设计常数，I(r)为弯曲载荷比r的 无量纲函数，可以记为：
Figure PCTCN2022090893-appb-000017
r为弯曲载荷比，记为：
Figure PCTCN2022090893-appb-000018
(5)基于焊缝疲劳试验得到的主S-N曲线数据，通过计算一个周期内的等效结构应力变化范围以及弯曲载荷比，从而得到该等效结构应力下的疲劳循环次数。
N k＝(ΔS ess,k/Cd) -1/h            (15)
其中，N k为该等效应力下对应的最大循环次数，Cd为试验统计常数，取中值为Cd＝19930.2，h＝0.3195。
(6)基于统计的等效结构应力下对应的循环次数，并通过Miner线性损伤累积方法实现剩余疲劳寿命的计算。
Figure PCTCN2022090893-appb-000019
在整个的数字孪生框架中，雨流计数法主要是起到统计循环周期的作用，在设备的运行过程中，由于运行工况的变化，需要一种周期统计方法来实现对运行周期的监测，如果D f＜0，则所计算的焊缝模型失效。
综上所述，本发明的有益之处是：
(1)本发明实现了在结构运行状态下，焊缝疲劳的实时监控，从而实现对设备运行状态的提前预警，保障人身安全，提高企业效益。
(2)本发明在工作状态下，可以观测结构的疲劳情况，从而促进操作者对设备的深入了解，提高人机交互能力。
(3)本发明基于少量的传感信息，通过结合机器设备的物理模型与虚拟模型，实现设备的虚实交互，从而观测设备看不到的信息数据，提高计算结果的可信度。
附图说明
图1为本发明的技术流程实现示意图；
图2为本发明的技术架构示意图；
图3为本发明的焊缝结构示意图；
图4为本发明所采用的四峰谷技术原则示意图；
图5(a)和图5(b)为上包络线模型计算前后的等效结构应力对比示意图；
图6为小车运行工况下得到的疲劳循环次数示意图。
图中：1结构的母材部分，2结构的焊缝部分，3焊缝结构的焊线，4小车，5起重机主梁。
具体实施方式
下面结合附图和具体实例对本发明技术方案做进一步详细描述，所描述的具体实例仅对本发明进行解释说明，并不用以限制本发明。
图1是本发明所搭建焊缝疲劳孪生体的技术流程实现示意图，其可分为离线阶段和在线阶段两部分。在离线阶段，首先，通过定义焊缝结构的单元类型、材料、边界条件等建立起有限元模型进行求解。然后基于所求得的单元结点位移和单元刚度矩阵求得焊线上的节点力和节点力矩。然后基于所到出的节点力和节点力矩的数据，通过采用结构应力法，计算得到焊线上的膜应力和弯曲应力，两者相加从而得到结构应力。为了实现不同工况下的焊缝结构的疲劳状态预测，需要以数据为驱动建立人工智能模型，然后结合传感器的感知数据实时计算焊线上的结构应力。在线阶段，主要是通过读取传感器数据输入至人工智 能模型，从而实现膜应力、弯曲应力以及结构应力的实施预测，并通过雨流计数法对所预测的数据进行周期统计，计算其周期内的数据变化范围以及所经历的周期数，并将统计得到的数据根据Miner疲劳累积损伤方法计算剩余疲劳寿命。
图2为本发明的技术架构，具体应用时其主要可分为物理空间、通讯模块、数字空间以及服务端四个部分，各部分之间通过数据驱动连接，密不可分。其中物理空间主要是由传感设备、焊缝结构、个人电脑等组成；通讯模块由WIFI、USB、现场总线等多种数据通讯协议和技术组成，保证数据传输过程的准确性、实时性以及可读性；数字空间包括对结构应力的分析、疲劳数据的存储等等，可以实现对数据的存储以及焊缝模型的分析；服务端是所搭建数字孪生体的最终落脚点，通常可以包括疲劳失效提前预警、结构应力数据监测以及设备的运维管理等。
下面通过实施案例对本发明的具体实施方式做出进一步的说明。具体以建立某一焊缝的疲劳数字孪生体为例进行说明。
以某一焊缝结构作为研究对象，参考图3，图中包括结构的母材部分1，结构的焊缝部分2，焊缝结构的焊线3，运行小车4，起重机主梁5。该结构的运行小车轨道处通过焊缝实现焊接连接，在轨道上端为运行小车4，主要是通过传感器获得小车的运行距离。通过建立运行小车4运行工况下结构的有限元模型并求解，并导出其节点力和节点力矩的数据。基于式(2-3)，计算结构的膜应力、弯曲应力和结构应力，并将其作为训练数据输入至人工智能算法中，如式(4-8)，实现人工智能模型的构建。通过读取小车的运行距离数据，可以判断结构当前的运行状态，将实时的传感数据读入人工智能模型内如式(9)，便可实时计算出模型的膜应力、弯曲应力和结构应力。
参考图4为雨流计数法中的四峰谷计数原则。基于雨流计数法实现膜应力、弯曲应力和结构应力在时序内的变化范围和周期的统计，如式(11-14)，雨流计数法主要采用两种判别方式，如式(10)，满足上述两个条件即可提取一个循环Δx j＝|x i+1-x i|(图中构成三角形的部分)，记录其变化范围，同时除去x i+1和x i。若整个数据历程长度小于3时，说明雨流计数的循环全部提出。
参考图5(a)和图5(b)为上包络线模型计算前后的等效结构应力对比。首先，沿焊缝方向构建上包络线模型，即使焊缝上应力变化趋势具有相似性，以避免由于人工智能算法造成的结构上焊缝变化规律不一致。上包络线模型未修正的结构应力具有趋势变化幅度大，因此会造成结果不准确。
参考图6为该工况下得到的疲劳循环次数，如式(15)，可以发现焊缝区域的结构应力较大的区域其疲劳循环次数较小，且该方法计算得到的循环次数变化均匀，具有很强的可信性。最后，通过提取完成所有循环周期内的数据，基于式(16)，便可得到焊缝结构的剩余寿命。

Claims (2)

  1. 一种基于结构应力法的焊缝疲劳数字孪生框架，其特征在于，所述的框架分为离线阶段和在线阶段，具体如下：
    离线阶段：
    (1)建立焊缝的三维模型，并划分网格，从而得到单元和节点的刚度矩阵信息；引入位移约束条件求解式如式(1)，得到模型全局位移解；根据单元节点编号信息，从全局位移中提出单元上的节点位移；通过将节点位移转换到单元的局部坐标系，然后与单元刚度矩阵相乘得到该单元的所有节点力和节点力矩；
    Figure PCTCN2022090893-appb-100001
    其中：k为单元刚度矩阵；K为整体刚度矩阵，是基于单元节点编号信息对每个单元累加而成；D为位移矢量；F为力矢量；
    (2)基于焊缝的三维模型的节点力和节点力矩的信息，将节点力转换成膜应力，将节点力矩转换成弯曲应力；通过对膜应力和弯曲应力求和，从而获得结构应力数据，如式(2)；
    Figure PCTCN2022090893-appb-100002
    其中，F yn为节点处的节点力；M xn为节点处的节点力矩；t为所求焊缝的法向厚度；L只与节点之间的距离相关，定义为单元长度等效矩阵，表示为：
    Figure PCTCN2022090893-appb-100003
    其中，l 1,…,l n-1分别表示节点1至节点n之间的距离；
    (3)为了使每个节点处的结构应力连续变化，求得数个工况下焊缝处的结构应力后，采用人工智能算法对所得数据进行训练，来获得焊缝的膜应力和弯曲应力的预测模型；基于训练数据以及算法流程，构建焊缝的膜应力和弯曲应力的人工智能模型：
    σ m＝f 1(T 1,…,T z)+ε 1
    σ b＝f 2(T 1,…,T z)+ε 2    (9)
    σ n＝f 3(T 1,…,T z)+ε 3
    其中，σ m为膜应力，σ b为弯曲应力，σ n为结构应力，f 1、f 2、f 3为所构造传感数据与膜应力、弯曲应力以及结构应力之间的关系，T 1,…,T z为传感器数据变量；
    在线阶段：
    首先读取传感器的测量数据，将测量数据输入至所训练的人工智能模型如式(9)，从而求得单个循环内的膜应力、弯曲应力以及结构应力随传感数据的变化；
    然后基于雨流计数法对获取的膜应力、弯曲应力以及结构应力数据进行统计，步骤为：
    (1)为了缩短统计计数时间，先将读取的数据进行首尾对接，变成只需要进行一次雨流计数的全封闭数据；
    (2)利用四峰谷技术原则提取结构应力循环，并记录变化范围，判别条件如下：
    Figure PCTCN2022090893-appb-100004
    满足以上两个条件中的一个，即可提取一个循环Δx j＝|x i+1-x i|，同时将原应力时间历程中的x i+1和x i两个点删除，并记录其特征数据：
    (3)找到结构应力循环中变化范围的最大值和最小值，并按照给定级数在它们之间等距划分相应区间，按照区间对其进行周期统计；基于雨流计数法，从而获取所统计的第k个周期内膜应力、弯曲应力的变化范围如式(5)，以及结构应力所对应的周期数n k；
    Figure PCTCN2022090893-appb-100005
    其中，
    Figure PCTCN2022090893-appb-100006
    表示膜应力的变化范围，
    Figure PCTCN2022090893-appb-100007
    表示弯曲应力的变化范围；并通过提取变化范围的数据，沿焊缝方向构建上包络线模型获得修正后的膜应力和弯曲应力，即使焊缝上应力变化趋势具有相似性，以避免由于人工智能算法造成的结构上焊缝变化规律不一致；
    (4)依据膜应力和弯曲应力计算第k个循环内等效结构应力的变化范围：
    Figure PCTCN2022090893-appb-100008
    其中，t为所求焊缝的法向厚度，m＝3.6为设计常数，I(r)为弯曲载荷比r的无量纲函数，记为：
    Figure PCTCN2022090893-appb-100009
    r为弯曲载荷比，记为：
    Figure PCTCN2022090893-appb-100010
    (5)基于焊缝疲劳试验得到的主S-N曲线数据，通过计算一个周期内的等效结构应力变化范围以及弯曲载荷比，从而得到该等效结构应力下的疲劳循环次数；
    N k＝(ΔS ess,k/Cd) -1/h    (15)
    其中，N k为该等效应力下对应的最大循环次数，Cd为试验统计常数，取中值为Cd＝19930.2，h＝0.3195；
    (6)基于统计的等效结构应力下对应的循环次数，并通过Miner线性损伤累积方法实现剩余疲劳寿命的计算；
    Figure PCTCN2022090893-appb-100011
  2. 根据权利要求1所述的一种基于结构应力法的焊缝疲劳数字孪生框架，其特征在于，采用高斯过程构建人工智能模型，过程如下；
    一个高斯过程完全由其均值函数和协方差函数指定，即：
    Figure PCTCN2022090893-appb-100012
    其中，m(x)是平均函数，k(x,x')是服从高斯分布函数值f的协方差函数，表示为f～GP(m(x),k(x,x'))；由下式给出高斯回归模型：
    y(X)＝f(X)+ε    (5)
    其中，X为输入向量，f(·)和y(·)分别表示潜在函数和输出函数；ε是服从独立的噪声，表示为高斯分布
    Figure PCTCN2022090893-appb-100013
    考虑n个数据对
    Figure PCTCN2022090893-appb-100014
    其中X i∈R d,y i∈R,i＝1,…,n；则n个观测值Y＝{y 1,…,y n}为：
    Y～N(m(x),K X+T)    (6)
    其中，m(x)是平均函数，K X和T分别是输入数据的协方差矩阵和噪声数据；则目标值Y的联合分布以及根据先验预测得到的函数值f *为：
    Figure PCTCN2022090893-appb-100015
    其中，
    Figure PCTCN2022090893-appb-100016
    是对所有输入值X和预测点X *评估的N×N协方差矩阵，m(X)表示X的均值；对于高斯过程回归的关键预测等式表示为：
    Figure PCTCN2022090893-appb-100017
    其中，
    Figure PCTCN2022090893-appb-100018
    和
    Figure PCTCN2022090893-appb-100019
    分别表示预测值f *的平均值和方差。
PCT/CN2022/090893 2021-09-27 2022-05-05 一种基于结构应力法的焊缝疲劳数字孪生框架 Ceased WO2023045339A1 (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US17/799,474 US20230342522A1 (en) 2021-09-27 2022-05-05 A digital twin framework of weld joint fatigue based on structural stress method

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202111134347.1 2021-09-27
CN202111134347.1A CN113868911B (zh) 2021-09-27 2021-09-27 一种基于结构应力法的焊缝疲劳数字孪生框架生成方法

Publications (1)

Publication Number Publication Date
WO2023045339A1 true WO2023045339A1 (zh) 2023-03-30

Family

ID=78991024

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2022/090893 Ceased WO2023045339A1 (zh) 2021-09-27 2022-05-05 一种基于结构应力法的焊缝疲劳数字孪生框架

Country Status (3)

Country Link
US (1) US20230342522A1 (zh)
CN (1) CN113868911B (zh)
WO (1) WO2023045339A1 (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116050229A (zh) * 2023-03-31 2023-05-02 湖南云箭科技有限公司 机载外挂物疲劳仿真中有限元模型的优化方法及系统
CN116429362A (zh) * 2023-06-12 2023-07-14 西安航天动力研究所 一种用于发动机管路结构的疲劳试验方法
CN116839783A (zh) * 2023-09-01 2023-10-03 华东交通大学 一种基于机器学习的汽车板簧受力值及变形量的测量方法
CN118238138A (zh) * 2024-04-09 2024-06-25 太原科技大学 基于延寿反解的臂架结构系统位姿控制方法及系统
CN120105792A (zh) * 2025-02-07 2025-06-06 电子科技大学 一种随机振动载荷下的结构多轴疲劳寿命预测方法
CN120355269A (zh) * 2025-06-23 2025-07-22 山东天卓信息技术有限公司 一种融合数字孪生的电网故障预测系统及方法
CN120633470A (zh) * 2025-08-11 2025-09-12 山东神州机械有限公司 一种基于数字孪生的起重机工作监测方法
CN120724786A (zh) * 2025-08-29 2025-09-30 吉林大学 一种基于车联网孪生的车架疲劳预测与监测方法及系统
CN120832806A (zh) * 2025-09-18 2025-10-24 中铁城建集团第二工程有限公司 基于多源传感的支模体系受力实时监测预警系统及其方法
CN120874251A (zh) * 2025-09-28 2025-10-31 启东汇斯隆机械有限公司 一种船用钢梯定制化生产的数字孪生建模与仿真系统
CN121256449A (zh) * 2025-12-02 2026-01-02 华电重工机械有限公司 基于分布式光纤传感技术的钢结构应变数据监测方法
CN121535413A (zh) * 2026-01-22 2026-02-17 合肥竞星智能科技有限公司 一种基于数字孪生的协同焊接方法和系统

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113868911B (zh) * 2021-09-27 2024-04-12 大连理工大学 一种基于结构应力法的焊缝疲劳数字孪生框架生成方法
CN114880760B (zh) * 2022-04-12 2025-09-09 中国第一汽车股份有限公司 一种基于整车耐撞的焊点失效仿真方法、设备及存储介质
CN115238447A (zh) * 2022-05-26 2022-10-25 中联重科股份有限公司 臂架的控制方法、控制系统及工程机械
CN116579217A (zh) * 2023-05-30 2023-08-11 兰州理工大学 一种基于数字孪生的控制阀流致振动疲劳寿命预测方法
CN117852341B (zh) * 2023-11-09 2024-08-13 国网宁夏电力有限公司电力科学研究院 一种高压套管导电杆接线端子疲劳评估方法、介质及系统
CN117852198B (zh) * 2024-03-08 2024-06-11 南京航空航天大学 基于模型融合的飞机结构多尺度裂纹数字孪生预测方法
CN118032487B (zh) * 2024-04-12 2024-06-21 同济大学 用于在线监测孔挤压强化板件疲劳损伤的数字孪生系统
CN118761192B (zh) * 2024-05-23 2025-11-18 重庆大学 基于内力幅修正的结构高周疲劳增量分析方法
CN118296711B (zh) * 2024-06-05 2024-08-09 北京七星文旅生态科技有限责任公司 一种装配式桥梁数字孪生系统
CN119475655B (zh) * 2024-09-11 2025-07-15 重庆交通大学 基于数字孪生的导管架型平台疲劳寿命在线预测方法及系统
CN119598733A (zh) * 2024-11-19 2025-03-11 北京航空航天大学 一种行星轮齿复杂工况损伤分析方法
CN120105812A (zh) * 2025-02-21 2025-06-06 四川公路桥梁建设集团有限公司 一种对于桥梁钢结构连接位置处载荷力的测量方法、系统及介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170286572A1 (en) * 2016-03-31 2017-10-05 General Electric Company Digital twin of twinned physical system
CN107609235A (zh) * 2017-08-28 2018-01-19 大连理工大学 一种基于工程机械结构的疲劳寿命评估方法
US20190102494A1 (en) * 2017-10-03 2019-04-04 Endurica, LLC System for tracking incremental damage accumulation
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
CN112084583A (zh) * 2020-07-24 2020-12-15 西安交通大学 基于数字孪生的转子叶片寿命预测方法和预测系统
CN113868911A (zh) * 2021-09-27 2021-12-31 大连理工大学 一种基于结构应力法的焊缝疲劳数字孪生框架

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002041195A2 (en) * 2000-11-17 2002-05-23 Battelle Memorial Institute Structural stress analysis
KR101779453B1 (ko) * 2017-02-08 2017-09-18 한국해양대학교 산학협력단 재활용 자켓 구조물의 내구성 평가 방법
CN107451368A (zh) * 2017-08-08 2017-12-08 大连交通大学 基于ansys平台的焊缝疲劳寿命评估方法
CN109684663B (zh) * 2018-11-20 2020-11-27 中车齐齐哈尔车辆有限公司 铁路货车车体焊缝疲劳寿命的评估方法及装置、系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170286572A1 (en) * 2016-03-31 2017-10-05 General Electric Company Digital twin of twinned physical system
CN107609235A (zh) * 2017-08-28 2018-01-19 大连理工大学 一种基于工程机械结构的疲劳寿命评估方法
US20190102494A1 (en) * 2017-10-03 2019-04-04 Endurica, LLC System for tracking incremental damage accumulation
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
CN112084583A (zh) * 2020-07-24 2020-12-15 西安交通大学 基于数字孪生的转子叶片寿命预测方法和预测系统
CN113868911A (zh) * 2021-09-27 2021-12-31 大连理工大学 一种基于结构应力法的焊缝疲劳数字孪生框架

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
DONG LEITING, ZHOU XUAN; ZHAO FUBIN; HE SHUANGXIN; LU ZHIYUAN; FENG JIANMIN: "Key Technologies for Modeling and Simulation of Airframe Digital Twin", ACTA AERONAUTICA ET ASTRONAUTICA SINICA, vol. 42, no. 3, 25 March 2021 (2021-03-25), pages 113 - 141, XP093053453, ISSN: 1000-6893 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116050229A (zh) * 2023-03-31 2023-05-02 湖南云箭科技有限公司 机载外挂物疲劳仿真中有限元模型的优化方法及系统
CN116429362A (zh) * 2023-06-12 2023-07-14 西安航天动力研究所 一种用于发动机管路结构的疲劳试验方法
CN116429362B (zh) * 2023-06-12 2023-09-19 西安航天动力研究所 一种用于发动机管路结构的疲劳试验方法
CN116839783A (zh) * 2023-09-01 2023-10-03 华东交通大学 一种基于机器学习的汽车板簧受力值及变形量的测量方法
CN116839783B (zh) * 2023-09-01 2023-12-08 华东交通大学 一种基于机器学习的汽车板簧受力值及变形量的测量方法
CN118238138A (zh) * 2024-04-09 2024-06-25 太原科技大学 基于延寿反解的臂架结构系统位姿控制方法及系统
CN120105792A (zh) * 2025-02-07 2025-06-06 电子科技大学 一种随机振动载荷下的结构多轴疲劳寿命预测方法
CN120355269A (zh) * 2025-06-23 2025-07-22 山东天卓信息技术有限公司 一种融合数字孪生的电网故障预测系统及方法
CN120633470A (zh) * 2025-08-11 2025-09-12 山东神州机械有限公司 一种基于数字孪生的起重机工作监测方法
CN120724786A (zh) * 2025-08-29 2025-09-30 吉林大学 一种基于车联网孪生的车架疲劳预测与监测方法及系统
CN120832806A (zh) * 2025-09-18 2025-10-24 中铁城建集团第二工程有限公司 基于多源传感的支模体系受力实时监测预警系统及其方法
CN120832806B (zh) * 2025-09-18 2025-11-21 中铁城建集团第二工程有限公司 基于多源传感的支模体系受力实时监测预警系统及其方法
CN120874251A (zh) * 2025-09-28 2025-10-31 启东汇斯隆机械有限公司 一种船用钢梯定制化生产的数字孪生建模与仿真系统
CN121256449A (zh) * 2025-12-02 2026-01-02 华电重工机械有限公司 基于分布式光纤传感技术的钢结构应变数据监测方法
CN121256449B (zh) * 2025-12-02 2026-04-17 华电重工机械有限公司 基于分布式光纤传感技术的钢结构应变数据监测方法
CN121535413A (zh) * 2026-01-22 2026-02-17 合肥竞星智能科技有限公司 一种基于数字孪生的协同焊接方法和系统

Also Published As

Publication number Publication date
CN113868911A (zh) 2021-12-31
US20230342522A1 (en) 2023-10-26
CN113868911B (zh) 2024-04-12

Similar Documents

Publication Publication Date Title
WO2023045339A1 (zh) 一种基于结构应力法的焊缝疲劳数字孪生框架
CN110633855B (zh) 一种桥梁健康状态检测与管养决策系统及方法
CN118013268B (zh) 一种桥梁支座监测系统设计方法及装置
CN111737909B (zh) 基于时空图卷积网络的结构健康监测数据异常识别方法
CN111274737A (zh) 一种机械设备剩余使用寿命预测方法及系统
CN118688575A (zh) 一种配电网故障处理的自动化缺陷识别方法
CN112836404A (zh) 智能挖掘机的结构性能数字孪生体构建方法
JP7527702B1 (ja) 橋梁変形監視方法、コンピュータ機器及びコンピュータ可読記憶媒体
CN115034578A (zh) 一种基于数字孪生的水工金属结构设备智能管理构建方法及系统
CN116881819B (zh) 一种基于孤立森林的斜拉索工作状态监测方法
CN108873859A (zh) 基于改进关联规则的桥式抓斗卸船机故障预测模型方法
CN112434390A (zh) 基于多层网格搜索的pca-lstm轴承剩余寿命预测方法
CN110457786A (zh) 基于深度置信网络的卸船机关联规则故障预测模型方法
CN115828698A (zh) 基于内嵌物理信息学习的输电塔风振动力响应预测方法
CN121435775B (zh) 一种数字孪生驱动的桥梁全生命周期损伤预测与评估方法及系统
CN119989939A (zh) 一种基于高坝出险模式及失效路径诊断结构服役性态方法
CN119151096B (zh) 一种基于多任务学习的管廊施工过程风险预测方法
CN120598546B (zh) 一种数字孪生驱动的深远海风机平台预测运维方法及系统
CN120705692A (zh) 一种基于多源数据融合的异型钢拱桥健康监测与预警系统
CN120688144B (zh) 一种基于数字孪生的历史建筑结构评估系统
CN104504265A (zh) 一种在役桥梁监测信息安全评估的方法
CN116580794A (zh) 基于数字孪生技术的钢结构智能健康监测系统及方法
Li Application analysis of artificial intelligent neural network based on intelligent diagnosis
CN119007413A (zh) 一种基于机器学习的隧道设备设施状态监测预警系统
CN118552051A (zh) 一种水利规划建设评估方法及系统

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22871401

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 22871401

Country of ref document: EP

Kind code of ref document: A1