本发明属于结构力学,尤其涉及一种结构疲劳损伤预测方法和装置、存储介质。
背景技术:
1、结构疲劳损伤预测是sphm的重要组成部分。常用的预测方法有物理基和数据驱动方法。物理基方法主要针对结构的疲劳断裂,从断裂力学、疲劳累积损伤理论、损伤容限设计等方面出发进行研究,目前有应力、应变、基于断裂力学的、基于能量的和基于损伤力学的疲劳寿命预测方法等。数据驱动方法主要包括人工智能(人工神经网络、支持向量机、卡尔曼滤波和粒子滤波等)和统计学方法(多元统计分析和回归模型等)。二者有各自的优缺点,从计算结果的精度来说,物理基方法可能是最精确有效的预测方法,因为它主要关注于材料退化、破坏和材料磨损等本质的破坏机理。但正是由于物理基方法的高精度性,导致了其计算的复杂性。数据驱动的模型大部分都是从所收集的输入输出数据中发展而来的。这些模型可以处理各种各样的数据类型,同时还能发现基于物理模型方法所不能发现的数据中的细微差别。但数据驱动方法并未考虑实际的运行环境/条件以及失效机理等。
2、在实际预测过程中,所有特征参数的趋势是多样化的,难以通过单一的预测方法进行预测。因此,将二者融合形成的数据驱动-物理基融合方法具备将单个理论的缺点相抵消并且充分利用所有预测方法的优点,减少计算的复杂性,提高预测的精确度。
3、对于实时预测疲劳损伤,监测手段的选取尤为重要,目前有多种结构健康监测手段;在众多监测手段基础上开展对结构疲劳损伤的研究,不同类型传感器的数据类型及特征不同,需针对特定传感器制定适合的结构疲劳损伤诊断策略。由于大部分的主动监测手段只能通过施加激励才能获取波信号,难以进行连续监测,因此限制了其应用。
技术实现思路
1、本发明要解决的技术问题是,提供一种结构疲劳损伤预测方法和装置、存储介质,能够及时、准确地预测结构疲劳损伤。
2、为实现上述目的,本发明采用如下的技术方案:
3、一种结构疲劳损伤预测方法,包括以下步骤:
4、步骤s1、获取裂纹扩展过程中应变信息和裂纹信息;
5、步骤s2、根据所述应变信息,得到应变测量值与基准值的相对误差百分比;
6、步骤s3、将应变测量值与基准值的相对误差百分比作为输入,对应的裂纹信息作为输出,训练用于识别裂纹长度的高斯过程回归模型;
7、步骤s4、根据所述高斯过程回归模型,结合物理基模型,通过动态贝叶斯网络实时预测结构的疲劳裂纹扩展。
8、作为优选,步骤s2包括:
9、根据所述应变信息提取应变峰值数据;
10、根据所述应变峰值数据,得到应变测量值与基准值的相对误差百分比。
11、作为优选,步骤s4包括:
12、根据所述高斯过程回归模型,得到裂纹扩展观测方程;
13、根据所述物理基模型,得到裂纹扩展状态方程;
14、根据所述裂纹扩展观测方程和裂纹扩展状态方程,得到所述动态贝叶斯网络;
15、根据所述动态贝叶斯网络进行结构疲劳裂纹扩展预测。
16、作为优选,基于paris公式构建所述裂纹扩展状态方程。
17、本发明提供一种结构疲劳损伤预测装置,包括:
18、获取模块,用于获取裂纹扩展过程中应变信息和裂纹信息;
19、处理模块,用于根据所述应变信息,得到应变测量值与基准值的相对误差百分比;
20、训练模块,用于将应变测量值与基准值的相对误差百分比作为输入,对应的裂纹信息作为输出,训练用于识别裂纹长度的高斯过程回归模型;
21、预测模块,用于根据所述高斯过程回归模型及物理基模型,通过动态贝叶斯网络实时预测结构的疲劳裂纹扩展。
22、作为优选,所述处理模块包括:
23、提取单元,用于根据所述应变信息提取应变峰值数据;
24、处理单元,用于根据所述应变峰值数据,得到应变测量值与基准值的相对误差百分比。
25、作为优选,所述预测模块包括:
26、第一构建单元,用于根据所述高斯过程回归模型,得到裂纹扩展观测方程;
27、第二构建单元,用于根据所述物理基模型,得到裂纹扩展状态方程;
28、第三构建模块,用于根据所述裂纹扩展观测方程和裂纹扩展状态方程,得到所述动态贝叶斯网络;
29、预测单元,用于根据所述动态贝叶斯网络进行结构疲劳裂纹扩展预测。
30、本发明还提供一种存储介质,所述存储介质存储有机器可执行指令,所述机器可执行指令在被处理器调用和执行时,所述机器可执行指令促使所述处理器实现结构疲劳损伤预测方法。
31、本发明根据线弹性假设,结构未产生损伤时,在同种载荷状态下某测量位置的应变值几乎保持不变,当裂纹扩展到一定程度后,根据裂纹扩展形式的不同,裂纹附近局部应变会发生递增、递减、先增后减或先减后增等的现象。据此,能够监测结构健康状态,及时发现疲劳裂纹,并结合机器学习算法深入挖掘应变-裂纹信息,精确识别结构疲劳损伤。在精准识别结构疲劳损伤基础上,采用数据驱动-物理基融合方法进行结构疲劳损伤预测。
1.一种结构疲劳损伤预测方法,其特征在于,包括以下步骤:
2.如权利要求1所述的结构疲劳损伤预测方法,其特征在于,步骤s2包括:
3.如权利要求2所述的结构疲劳损伤预测方法,其特征在于,步骤s4包括:
4.如权利要求3所述的结构疲劳损伤预测方法,其特征在于,基于paris公式构建所述裂纹扩展状态方程。
5.一种结构疲劳损伤预测装置,其特征在于,包括:
6.如权利要求5所述的结构疲劳损伤预测装置,其特征在于,所述处理模块包括:
7.如权利要求6所述的结构疲劳损伤预测装置,其特征在于,所述预测模块包括:
8.一种存储介质,其特征在于,所述存储介质存储有机器可执行指令,所述机器可执行指令在被处理器调用和执行时,所述机器可执行指令促使所述处理器实现权利要求1至4任一项所述的结构疲劳损伤预测方法。