基于数据驱动的疲劳寿命预测方法及相关装置

本发明属于疲劳寿命预测，特别涉及基于数据驱动的疲劳寿命预测方法及相关装置。

背景技术：

1、疲劳裂纹是引起机械结构失效的主要原因之一。裂纹的存在会导致结构产生应力集中，在长时间交变应力的作用下裂纹将不断扩展，最终引发结构断裂。疲劳断裂问题严重影响机械结构的安全，常见的工程结构(如飞机、车辆、桥梁、起重机等)都曾经因疲劳发生安全问题。结构健康监测(structure health monitoring，shm)是安全监控的核心技术之一，是一门保障设备结构安全运行的多学科综合的科学技术。shm技术在不破坏结构自身性能、使结构保持完整性的条件下，采用无损检测手段在线、连续、实时地采集结构状态信息，并对监测信号进行分析以得到其结构状态是否存在损伤以及损伤的严重程度。由于lamb检测技术具有对结构无损、对微小损伤敏感、稳定性强等优点，基于lamb波的shm技术已经成为了疲劳裂纹监测的重要方法。随着“制造2025”计划的提出以及制造业水平的不断提升，国家对生产安全日益重视，并将提升重大装备的可靠性和安全性列为战略行动计划之一。因此，开展结构疲劳裂纹监测及寿命预测技术的研究具有重大的现实意义及广泛的应用前景。

2、结构健康监测、疲劳损伤分析及寿命预测技术不仅可以发现结构和设备中的疲劳裂纹早期损伤、预防恶性事故的发生，更能有效预测其疲劳裂纹扩展和剩余使用寿命，用于指导工程结构和机械设备定期维护，从根本上解决维修不足和维护过剩等弊端。针对结构的疲劳裂纹进行监测和预测对于提高结构可靠性、保障设备安全运行意义重大。lamb波与裂纹缺陷相互作用引起波的散射和模式转化现象。通过对散射波信号进行分析，可以实现对裂纹损伤的定量评估。由于lamb波信号具有一定复杂性，通常需要采用较复杂的信号处理方法去分析，且难以模拟复杂结构中lamb波的传播。但是该方法检测效率高，具有可复用性，在短时间内能够检查大型结构表面和内部损伤。不需要换能器移动，是一种能量消耗低、损伤敏感性强、高效的shm方法，且可实现结构健康在线监测。近年来，随着人工智能技术的迅猛发展，结合数据驱动算法的lamb波检测在裂纹扩展和寿命预测中获得了深入而广泛的研究，成为国内外的研究热点。因此，我们需要深入开展针对疲劳裂纹的监测和预测技术的研究，采用有效的技术手段对机械结构的健康状况进行监测，实现对裂纹扩展过程和疲劳寿命的高精度、高效率预测。

3、目前结构设备损伤的诊断、寿命预测与管理是phm领域研究的重要方向。以往这类研究所采用的方法是基于损伤力学和损伤扩展模型分析的，再基于s-n曲线等预测出剩余寿命。但基于损伤力学和疲劳损伤扩展分析的方法需要假设一些疲劳裂纹扩展的条件。材料、参数、环境等不确定性往往对预测结果有较大的影响。这些都大大限制了结构寿命预测的有效实现。

4、目前主流的裂纹扩展与寿命预测方法如下图所示，再采集原始信号后选择传统损伤特征值来描述损伤，例如相关系数、相位差等，但是此类特征值往往需要手动选择特定的lamb波模态才可以提取出正确的损伤特征值。另外，传统特征值对信号质量要求较高，但是在实际工程应用中，部件的运行环境复杂，往往存在很多交变载荷，所采集的信号信噪比较差，进而导致采集的特征值无法准确表征损伤情况。在采集完特征值之后，传统方法往往采用paris规则、walker模型、forman模型等，而这些模型都需要获取应力强度因子以及材料参数的不确定性，需要获取大量前验信息才能采用该模型，因此限制了此类裂纹寿命预测模型的推广应用。

技术实现思路

1、本发明的目的在于提供基于数据驱动的疲劳寿命预测方法及相关装置，以解决都需要获取应力强度因子以及材料参数的不确定性，需要获取大量前验信息才能采用该模型，因此限制了此类裂纹寿命预测模型的推广应用的问题。

2、为实现上述目的，本发明采用以下技术方案：

3、基于数据驱动的疲劳寿命预测方法，包括：

4、采集部件的原始信号，对原始信号提取信息熵损伤特征值，构建两种新的信息熵损伤特征值：能量奇异谱熵和功率奇异谱熵；

5、在相同损伤状态提取的信息熵构建该损伤程度高斯混合模型gmm，根据相对熵kl距离评估损伤的原理推导出裂纹长度预测曲线，再搭建多个同种部件的疲劳裂纹扩展曲线，构成此类型部件的损伤及寿命的综合扩展演化模型；

6、再建立多个同类型部件在相同损伤处的高斯混合模型gmm，利用该高斯混合模型gmm预测新部件的裂纹扩展及寿命演化趋势。

7、进一步的，采集部件的原始信号，对原始信号提取信息熵损伤特征值：

8、时变温度环境下非平稳信号的信息熵提取过程如下：从压电元件pzt采集的每个信号数据都是连续的时间序列x(t),其被eemd算法分解；n个imf(t)分量imf1(t),imf2(t),...,imfn(t)，通过eemd分析获得；重建信号通过nimf(t)个分量的ssa算法分析获得；eemd和ssa算法的具体计算过程如下：在原始信号yi(t),i＝1,2,3…,n中加入多次高斯白噪声n(t)；第m个高斯白噪声信号相加为：

9、x(t)＝x(t)+h×nm(t) (m≤n)   (1)

10、上式中nm(t)是第m次添加的白噪声，h是噪声的振幅系数，n是emd分解聚合的数量；对信号执行eemd分解xm(t)添加白噪声以获得n个imf分量cm,i(t),i≤n和残余成分rm，n(t).当m<n时，重复上述步骤，每次添加不同的白噪声信号，那么平均值

11、

12、是最终的本征模函数；ssa在imf组件上执行，将一维信号序列imfi(t)变换为多维序列以获得轨迹矩阵x：

13、

14、计算矩阵x的奇异值，并将其分解以获得m个索引及其对应的特征向量：

15、

16、其中，当p＜m,αp＝p.当p＞t-m+1,αp＝t-p+1.当m≤p≤t-m+1,αp＝m.

17、通过上述计算，该分量被重构为新的时间序列，该时间序列代替该分量作为计算传统信息熵的输入，并获得两个新的信息熵：功率奇异谱熵ps和能量奇异谱熵es。

18、进一步的，能量奇异谱熵：

19、能量奇异谱熵表示信号能量的复杂性，信号中不同频带的信息包含在不同的imf分量中，算法的输入是新时间序列的imf分量，输出是es；步骤如下：

20、分别计算每个重构imf组件的能量：

21、

22、计算每个重构imf组件的能量占总能量的比例：

23、pi＝ei/e   (6)

24、计算信号的es：

25、

26、进一步的，功率异谱熵：

27、根据es的计算原理，对imf分量也进行了时间重构，用新的时间序列代替imf分量计算ps；算法的输入是新时间序列的imf分量，输出是ps；步骤如下：

28、根据最大熵法的公式估计重构的功率谱，得到相应的功率奇异谱：

29、

30、其中a0和am是yule walker方程的解:

31、计算信号的ps:

32、

33、其中αi是第i个重构imf分量的功率谱值在总ps中的比重。

34、进一步的，在相同损伤状态提取的信息熵构建该损伤程度高斯混合模型gmm：

35、每一种损伤状态下的gmm的建立具体如下所示：

36、设dam＝[a1,a2,a3,...aq…aq],是基于lamb波信号提取的蕴含损伤信息的损伤特征值集，由q个样本信号aq组成，其中q＝1,2,3…q；aq是一个d维样本，d的大小由选取的损伤特征值指标数目决定；利用gmm拟合损伤特征值集dam的分布规律，其gmm概率密度函数表达式为：

37、

38、其中k表示高斯分量的数量，每个高斯分布n(x∣uk,σk)称为gmm的一个高斯成分，n(x∣uk,∑k)的表达式为：

39、

40、上式中:n表示包含的成分的数目；uk，∑k表示相对应高斯分布的均值和协方差矩阵；ωk称为对应单个高斯分布占混合模型的权重系数；

41、

42、进一步的，混合高斯模型采用包括k-means和em算法进行拟合；将损伤特征值数据集分成k个组，则整个流程为：

43、5)选择k个随机的点，称为聚类中心cluster centroids；

44、6)对于数据集中的每一个数据，按照距离k个中心点的距离，将其与距离最近的中心点关联起来，与同一个中心点关联的所有点聚成一类；

45、7)计算每一个组的平均值，将该组所关联的中心点移动到平均值的位置；

46、8)重复步骤，直至每个聚类中心满足公式(20)时，迭代停止；

47、k-means算法中，根据公式(21)(22)(23)计算出，每个聚类对应的权重系数ωk、均值uk和协方差

48、∣ctei+1-ctei∣，，δ     (20)

49、

50、

51、

52、em算法每次迭代包含两个步骤：

53、3)e-step：求期望，依据初始化参数，根据公式(24)计算每个数据j来自子模型k的可能性

54、4)m-step：求极大值，根据公式(25)(26)(27)计算新一轮迭代的模型参数

55、

56、

57、

58、

59、em算法由期望求解的e步骤与最大似然估计的m步骤组成，gmm的对数似然函数式为：

60、

61、代入初始值后交替运行直至对数似然函数的变化值满足设定阈值ε，认为此时已收敛，迭代运算结束。设定阀值表达式为：

62、|li+1/li|-1，，ε      (29)。

63、进一步的，根据相对熵kl距离评估损伤的原理推导出裂纹长度预测曲线，再搭建多个同种部件的疲劳裂纹扩展曲线，构成此类型部件的损伤及寿命的综合扩展演化模型：

64、在部件无裂纹状态下测量出其信息熵，然后建立健康状态的gmm，之后再建立每个损伤状态的gmm之后，按照基于概率分量最小匹配的kullback-leibler，简称kl，距离量化后者相对于前者的迁移变化的原理，建立综合距离来量化每个损伤状态与健康状态的差别，最终依此评估损伤状态；

65、基于kl的损伤评估的步骤为，首先对于无损伤gmmφ0中一个高斯分量利用kl距离量化其与第n次监测时的动态gmmφn中一个分量之间的概率分布距离，如下式所示：

66、

67、其中：和为的均值和协方差矩阵；和为的均值向量和协方差矩阵；n为监测次数，n＝1,2,3,…n；tr为矩阵的迹；det表示矩阵的行列式值；d为样本维度；

68、kl距离越小，表征两个分量之间的差异越小，找出损伤gmmφn中与无损伤gmmφ0中分量差异最小的高斯分量最终损伤gmmφn相对于无损伤gmmφ0的最小匹配kl距离为:

69、

70、其中：和分别为分量和的权值；

71、当损伤gmm与无损伤gmm的差异越大时，概率迁移指标kl值也会变大，通过kl值的迁移变化趋势对结构中的损伤状态进行评估；

72、同理按照相同的原理计算出损伤gmm与无损伤gmm的马氏距离、kl距离及js距离，再按照不同的权重系数对这三种距离进行叠加，得到预测裂纹长度，其中权重系数的计算过程为：

73、minδl＝|l-l|

74、

75、式中dkl为kl距离,djs为js距离,dm为马氏距离,abc为优化参数，l为预测裂纹长度，l为真实裂纹长度,δl为预测误差，也是优化目标，即min最小化δl,利用量子-遗传优化算法pso进行多参数优化，最终得到裂纹扩展预测曲线，再搭建多个同种部件的疲劳裂纹扩展曲线，构成此类型部件的损伤及寿命的综合扩展演化模型，其中再建立多个同类型部件再相同损伤处的gmm，利用该gmm预测出新部件的裂纹扩展及寿命演化趋势。

76、进一步的，一种基于数据驱动的疲劳寿命预测系统，包括：

77、信息熵损伤特征值建立模块，用于采集部件的原始信号，对原始信号提取信息熵损伤特征值，构建两种新的信息熵损伤特征值：能量奇异谱熵和功率奇异谱熵；

78、综合扩展演化模型构件模块，用于在相同损伤状态提取的信息熵构建该损伤程度高斯混合模型gmm，根据相对熵kl距离评估损伤的原理推导出裂纹长度预测曲线，再搭建多个同种部件的疲劳裂纹扩展曲线，构成此类型部件的损伤及寿命的综合扩展演化模型；

79、趋势演化模块，用于再建立多个同类型部件在相同损伤处的高斯混合模型gmm，利用该高斯混合模型gmm预测新部件的裂纹扩展及寿命演化趋势。

80、进一步的，一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现基于数据驱动的疲劳寿命预测方法的步骤。

81、进一步的，一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现基于数据驱动的疲劳寿命预测方法的步骤。

82、与现有技术相比，本发明有以下技术效果：

83、本发明采用基于压电元件pzt和lamb波的结构健康监测方法，该方法检测效率高，具有可复用性，在短时间内能够检查大型结构表面和内部损伤。不需要换能器移动，是一种能量消耗低、损伤敏感性强、高效的shm方法，且可实现结构健康在线监测，具有良好的经济适用性和工程适用性。本发明提出了两种全新的信息熵：功率奇异谱熵和能量奇异谱熵，用这两种熵值表征lamb波信号中的损伤信息。可以更清晰地描述故障信息，不需要人工去截取特定信号波段，而是采用全部信号，包含更多的故障信息。建立同一损伤状态下的信息熵的gmm，再利用量子-遗传优化算法将不同gmm综合距离(包含马氏距离、kl距离及js距离)表征成裂纹长度，即疲劳裂纹扩展曲线。再搭建多个同种部件的疲劳裂纹扩展曲线，构成此类型部件的损伤及寿命的综合扩展演化模型，其中再建立多个同类型部件再相同损伤处的gmm，利用该gmm可以预测出新部件的裂纹扩展及寿命演化趋势。本发明方法可以有效预测结构裂纹的扩展，不需要考虑装备的结构形式及承载情况，且无需考虑失效机理且具有强大非线性拟合能力，可以有效减少预测裂纹扩展的误差累积及工程应用中多种不确定性的影响，进一步提高疲劳寿命预测的精度和效率。