一种金属结构早期疲劳裂纹与剩余寿命预测方法及系统

本发明属于结构健康监测，尤其涉及一种金属结构早期疲劳裂纹与剩余寿命预测方法及系统。

背景技术：

1、本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

2、金属结构因具有优良的强度和可加工性，被广泛应用于航空航天、轨道交通、核电风电等领域。但在恶劣服役环境和复杂交变载荷的影响下，其应力集中部位极易产生疲劳微裂纹，微裂纹不断扩展形成宏观裂纹，最终导致疲劳失效。据研究，材料早期疲劳性能退化占结构寿命的80％-90％，但宏观损伤一旦形成会快速扩展并导致结构突然断裂失效，甚至引发重大安全事故。可见，微裂纹已成为影响装备结构正常运行的重大隐患。

3、非线性超声导波技术能深入到微观层面，基于波与损伤之间的非线性相互作用评估材料的性能退化，该技术本质上反映的是微小缺陷对材料非线性的影响，对材料早期微观结构(微米级)变化非常敏感，具有无损、检测效率高等优点，是实现结构早期疲劳裂纹量化与剩余寿命预测的有效手段。

4、现有的非线性超声导波疲劳裂纹预测技术主要包括基于模型的预测方法和数据驱动的预测方法。其中，模型预测方法是通过深入分析结构的动力学、材料特性等，基于物理失效理论对结构当前运行状况进行预测，该方法通常需要综合考虑结构服役过程中所经历的物理、化学和气动-热等过程建立复杂的失效机理数学模型，但其建模和分析的复杂性限制了该方法的应用与推广。与之相反，数据驱动方法不依赖结构知识，通过建立样本数据库并提取样本监测数据中与结构状态对应的特征即可实现结构疲劳裂纹损伤预测，是当前结构健康监测领域的研究热点。

5、虽然，数据驱动预测方法具有较高的应用灵活性，但该方法需要海量非线性响应信息的输入，然而现实疲劳实验中单个试件只能得到一条完整的非线性响应数据，且实验耗时随着试件厚度增加明显变长，因此通过实验难以获取大量的结构非线性响应数据。此外，训练样本与实测样本之间数据的差异性也是影响预测精度的重要因素，但现实通过实验采集的样本难以覆盖实际使用工件厚度范围。

技术实现思路

1、为克服上述现有技术的不足，本发明提供了一种金属结构早期疲劳裂纹与剩余寿命预测方法，能提高结构早期疲劳裂纹损伤预测的准确性与可靠性。

2、为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：

3、第一方面，公开了一种金属结构早期疲劳裂纹与剩余寿命预测方法，包括：

4、基于多维非线性超声响应特征，建立典型厚度试件的疲劳裂纹损伤实测样本；

5、生成与实测样本分布特征高度一致的疲劳损伤虚拟样本，进行损伤实测样本数据扩充；

6、对虚拟样本进行疲劳参数标定，结合疲劳裂纹损伤实测样本，构建疲劳裂纹损伤样本库；

7、基于疲劳裂纹损伤样本库，建立智能预测模型，用于量化评估试件疲劳裂纹扩展长度与剩余使用寿命。

8、作为进一步的技术方案，基于多维非线性超声响应特征，建立典型厚度试件的疲劳裂纹损伤实测样本，具体步骤为：

9、在试件断裂过程中，对采集到的超声导波信号进行快速傅里叶变换，并提取导波激励频率的基频、二倍频、三倍频、和/差频下的信号幅值；

10、基于提取导波激励频率的信号幅值计算疲劳裂纹的典型多维非线性响应特征；

11、基于典型多维非线性响应特征以及疲劳裂纹长度、试件剩余寿命构建结构疲劳裂纹损伤实测样本。

12、作为进一步的技术方案，采集试件的超声导波信号之前还包括：

13、将试件固定在疲劳试验机上，并进行疲劳加载参数设置；

14、每隔设定个周期，进行一次超声导波信号的激励与采集，并记录检测到的疲劳裂纹扩展长度，直至试件断裂。

15、作为进一步的技术方案，生成与实测样本分布特征高度一致的疲劳损伤虚拟样本，具体为：

16、将疲劳损伤实测样本中所有试件的非线性响应特征随疲劳加载周期变化的历程曲线作为真实数据；

17、以随机噪声作为输入，利用生成器得到近似于实测样本分布的虚拟非线性响应特征，记为虚拟生成样本特征；

18、利用判别器对输入的实测样本特征和虚拟生成样本特征进行判别，判断当前样本特征是否是生成器做的“假数据”；

19、生成器与判别器互相对抗，通过不断迭代与更新，最终生成器生成与实测样本分布高度一致的虚拟生成样本。

20、作为进一步的技术方案，对虚拟样本进行疲劳参数标定，结合疲劳裂纹损伤实测样本，构建疲劳裂纹损伤样本库，具体为：

21、将实测样本的多维非线性响应特征曲线作为mlstm网络输入，将与非线性特征对应的“试件厚度、裂纹长度、剩余寿命”作为模型输出，利用mlstm网络建立“非线性响应特征-疲劳参数”映射模型；

22、将生成样本中的非线性响应特征曲线输入到mlstm模型中，得到与生成样本非线性特征对应的疲劳参数，包括：试件厚度、裂纹长度、疲劳寿命；

23、基于实测样本与生成样本构建疲劳裂纹损伤样本库，其中试件厚度与非线性响应特征，为样本库数据特征，疲劳裂纹扩展长度与试件剩余寿命为样本库数据标签。

24、作为进一步的技术方案，基于疲劳裂纹损伤样本库，建立智能预测模型，具体包括：

25、将疲劳裂纹损伤样本库作为训练样本，以疲劳裂纹损伤样本库中的数据特征为输入，以数据标签为输出，利用bpnn网络建立“试件厚度、非线性特征”与“裂纹扩展长度、试件剩余寿命”之间的映射模型。

26、作为进一步的技术方案，疲劳裂纹损伤样本库中的数据特征包括试件厚度、非线性响应特征；

27、数据标签包括疲劳裂纹扩展长度与试件剩余寿命。

28、作为进一步的技术方案，还包括预测步骤：进行结构疲劳损伤状态预测时，将待测试件的厚度以及根据采集的超声导波计算的当前状态下的典型非线性响应特征输入到训练好的bpnn预测模型中，即得到结构当前状态下疲劳裂纹的扩展长度及剩余使用寿命。

29、第二方面，公开了一种金属结构早期疲劳裂纹与剩余寿命预测系统，包括：

30、疲劳裂纹损伤实测样本建立模块，被配置为：基于多维非线性超声响应特征，建立典型厚度试件的疲劳裂纹损伤实测样本；

31、损伤实测样本数据扩充模块，被配置为：生成与实测样本分布特征高度一致的疲劳损伤虚拟样本，进行损伤实测样本数据扩充；

32、疲劳裂纹损伤样本库建立模块，被配置为：对虚拟样本进行疲劳参数标定，结合疲劳裂纹损伤实测样本，构建疲劳裂纹损伤样本库；

33、智能预测模型建立模块，被配置为：基于疲劳裂纹损伤样本库，建立智能预测模型，用于量化评估试件疲劳裂纹扩展长度与剩余使用寿命。

34、以上一个或多个技术方案存在以下有益效果：

35、本发明技术方案为基于人工智能网络的数据驱动预测方法，能提高结构早期疲劳裂纹损伤预测的准确性与可靠性。

36、本发明技术方案利用gan与mlstm网络可以快速、低成本得到任意数量的与实测疲劳损伤样本数据特征分布高度一致的虚拟生成样本，从而建立丰富的疲劳裂纹损伤样本库，满足数据驱动预测方法对海量数据驱动的需求；利用不同疲劳加载周期下的多维非线性响应特征、结构厚度、疲劳裂纹扩展长度、剩余使用寿命等参数，基于bpnn网络建立疲劳损伤预测模型，可以减少对输入特征在时间序列连续上的依赖，提高疲劳裂纹损伤状态实时预测精度与效率。

37、本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。