CN106529018B - 基于高斯权值-混合粒子滤波的疲劳裂纹扩展预测方法 - Google Patents
基于高斯权值-混合粒子滤波的疲劳裂纹扩展预测方法 Download PDFInfo
- Publication number
- CN106529018B CN106529018B CN201610979235.9A CN201610979235A CN106529018B CN 106529018 B CN106529018 B CN 106529018B CN 201610979235 A CN201610979235 A CN 201610979235A CN 106529018 B CN106529018 B CN 106529018B
- Authority
- CN
- China
- Prior art keywords
- particle
- weight
- stuff
- probability density
- observation
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000001914 filtration Methods 0.000 title claims abstract description 12
- 239000002245 particle Substances 0.000 claims abstract description 71
- 238000012544 monitoring process Methods 0.000 claims abstract description 17
- 230000036541 health Effects 0.000 claims abstract description 16
- 238000005070 sampling Methods 0.000 claims description 13
- 238000012952 Resampling Methods 0.000 claims description 9
- 238000012512 characterization method Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 241000023813 Isia Species 0.000 claims 2
- 208000037656 Respiratory Sounds Diseases 0.000 description 7
- 125000004122 cyclic group Chemical group 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 2
- 229910052782 aluminium Inorganic materials 0.000 description 2
- 239000004411 aluminium Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Civil Engineering (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Architecture (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
本发明公开了一种基于高斯权值‑混合粒子滤波的疲劳裂纹扩展预测方法,属于故障预测与健康管理技术领域。本发明提出了一种高斯权值‑混合粒子滤波算法,其根据获得的裂纹长度观测值定义一个观测概率密度,以该观测概率密度和先验转移概率密度的线性组合作为粒子滤波算法的重要性密度函数,并且通过与先验估计之间的高斯权值作为从观测概率密度中采样得到的粒子的权值,然后与基于主动导波的裂纹监测方法相结合,以实现疲劳裂纹扩展的准确预测。本发明所提出的高斯权值‑混合粒子滤波算法从重要性密度函数中采样时,同时考虑了先验信息和观测信息,降低了对准确定义疲劳裂纹扩展状态方程的依赖,在结构的疲劳裂纹扩展预测方面具有广泛的应用前景。
Description
技术领域
本发明涉及一种基于高斯权值-混合粒子滤波的疲劳裂纹扩展预测方法,属于故障预测与健康管理技术领域。
背景技术
随着现代工程***的复杂程度和综合化程度越来越高,传统的事后维修和定期维护策略已经无法满足其保障维护的要求。近年来,故障预测与健康管理(Prognostics andHealth Management,PHM)技术可以通过传感器在线获取***的实际健康状态,并预测其退化情况,从而制定最佳的运行和维护策略,以实现视情维护。因此PHM技术受到越来越多的关注。工程结构作为***的核心组成部分,其服役环境复杂并承受各种交变载荷,容易产生疲劳裂纹。疲劳裂纹的存在和扩展将严重削弱结构承载能力,甚至导致灾难性的事故的发生。因此对结构的疲劳裂纹进行在线准确地预测具有重要的理论意义和工程应用价值。
然而疲劳裂纹扩展过程是一个包含各种不确定性的过程,比如材料性质的不确定性,服役环境的不确定性,以及载荷的不确定性等。同时基于结构健康监测方法的在线裂纹监测也受到各种不确定性因素的影响。这些不确定性因素严重影响了疲劳裂纹扩展预测的准确性。近年来,基于贝叶斯理论的概率方法通过结合裂纹扩展模型与实际的结构健康监测数据以消除这些不确定性的影响,受到越来越多的关注。在结构健康监测方法中,基于导波的结构健康监测方法具有小损伤敏感,监测范围广等优点,被认为是非常有前景的方法之一。
在基于贝叶斯理论的方法中,粒子滤波方法由于不需要满足线性和高斯过程假设,被认为非常适用于解决非线性非高斯的疲劳裂纹扩展预测问题。但将粒子滤波方法应用于疲劳裂纹扩展预测时,常常难以准确地定义先验裂纹扩展状态方程,也就是描述当前结构疲劳裂纹扩展的模型,这会加剧粒子滤波算法的粒子退化和多样性匮乏问题,使得裂纹扩展预测结果存在较大的误差。
发明内容
本发明针对先验定义的疲劳裂纹扩展状态方程通常与结构实际的裂纹扩展存在较大偏差的问题,提出了一种基于高斯权值-混合粒子滤波的疲劳裂纹扩展预测方法,结合基于主动导波的裂纹监测方法实现结构疲劳裂纹扩展的准确预测。
本发明为解决其技术问题采用如下技术方案:
一种基于高斯权值-混合粒子滤波的疲劳裂纹扩展预测方法,包括如下步骤:
(1)在结构处于服役条件下,采用基于主动导波的结构健康监测方法对结构的疲劳裂纹进行在线监测,通过获取的导波信号计算损伤因子,并以损伤因子作为裂纹长度的观测值;同时根据结构的实际服役情况定义结构的疲劳裂纹扩展状态空间模型;
(2)在结构处于服役条件下,每当获得一个新的裂纹长度观测值,按照定义的混合系数λ,从均匀分布U(0,1)中随机采样得到随机数,如果该随机数大于λ,从观测概率密度中随机采样得到一个表征裂纹长度的粒子,否则从先验转移概率密度中随机采样得到粒子,重复该过程的得到确定数目粒子组成的粒子集;
(3)对于从先验转移概率密度中采样得到的粒子,通过观测似然概率密度加权;而对于从观测概率密度中采样得到的粒子,根据先验估计定义一个高斯权值分布,通过粒子与先验估计之间的高斯权值作为粒子的权值,然后对所有粒子的权值进行归一化,得到粒子的归一化权值;
(4)通过粒子集和相应的归一化权值表征裂纹长度的后验概率密度,并计算裂纹长度的后验估计;在获得的后验概率密度基础上,将粒子向未来时刻投影得到当前时刻的疲劳裂纹扩展预测结果;
(5)根据每个粒子的归一化权值,使用***重采样算法进行重采样;
(6)重复上述步骤(2),(3),(4),(5),(6)实现在线的疲劳裂纹扩展预测。
步骤(2)所述混合系数λ取值为0.5;此外,观测概率密度定义为p(xk|yk),式中yk为k时刻获得的裂纹长度观测值,xk为k时刻的裂纹长度;观测概率密度的概率密度形式与表征观测不确定性的概率密度一致,以观测值yk对应的裂纹长度为均值,k时刻先验粒子集的标准差作为观测概率密度的标准差。
步骤(3)中定义了一个高斯权值分布,对从观测概率密度中采样得到的粒子加权,权值计算方式如下,
式中,是从观测概率密度p(xk|yk)中采样得到的第i个粒子,为第i个粒子在k-1时刻的权值;为第i个粒子在k时刻的权值;σv为表征观测不确定性的概率密度标准差;为定义的高斯权值分布,其均值为裂纹长度的先验估计标准差σp为经验设定值。
本发明的有益效果如下:
本发明提出了一种基于高斯权值-混合粒子滤波的疲劳裂纹扩展预测方法,以观测概率密度和先验转移概率密度的线性组合作为粒子滤波的重要性密度函数。从重要性密度函数中采样得到的粒子集同时考虑了观测信息和先验信息,降低了对准确定义疲劳裂纹扩展状态方程的依赖,同时结合了基于主动导波的裂纹监测方法,能有效地用于结构的疲劳裂纹扩展预测。
附图说明
图1为本发明提出的疲劳裂纹扩展预测方法流程图。
图2为实施例中的结构尺寸图。
图3为实施例中的结构疲劳裂纹扩展图。
图4为实施例中结构健康监测方法获得的导波损伤因子图。
图5为实施例中裂纹长度后验估计对比图。
图6为实施例中预测的失效循环载荷数的相对误差对比图。
具体实施方式
下面结合附图对本发明创造的技术方案进行详细说明。
图1所示,为一种基于高斯权值-混合粒子滤波的疲劳裂纹扩展预测方法的流程图,方法步骤如下,
(1)在结构处于服役条件下,采用基于主动导波的结构健康监测方法对结构的疲劳裂纹进行在线监测。在结构的关键部位粘贴压电传感器,通过压电传感器激励和采集结构中的导波信号。利用结构健康监测***实现导波信号的在线采集和调理,对获取的导波信号,计算其损伤因子作为裂纹长度的观测值;
(2)根据结构的实际情况定义疲劳裂纹扩展状态空间模型,包括状态方程和观测方程两个部分,其中状态方程由结构的形状及其服役条件确定,观测方程由基于导波的结构健康监测方法确定,如下所示。
状态方程:xk=xk-1+Δxk-1(xk-1)·exp(ω)
观测方程:yk=g(xk)+v
式中,k是离散的时间;xk是k时刻的裂纹长度;xk-1是k-1时刻的裂纹长度;Δxk-1(xk-1)是裂纹扩展增量,为xk-1的函数,由疲劳裂纹扩展模型定义,比如Paris模型,NASGRO模型;ω是一个随机变量,服从高斯分布表征疲劳裂纹扩展的不确定性,其均值选择为以保证exp(ω)的期望为1,指数项exp(ω)保证裂纹扩展增量非负;yk为k时刻获得的导波损伤因子;g(·)是观测映射,表征裂纹长度和损伤因子之间的关系;v是一个随机变量,表征观测的不确定性。
(3)定义状态空间模型后,通过结构健康监测方法在线获取结构当前时刻k的裂纹长度观测值yk,每当获得一个新的裂纹长度观测值,从如下所示的混合建议分布中采样,
式中,k是离散的时间;xk是k时刻的裂纹长度;xk-1是k-1时刻的裂纹长度,yk是k时刻的裂纹长度观测值;i为粒子序号,i=1,...,Ns,Ns为粒子总数;为重要性密度函数;为先验转移概率密度;λ为混合系数取为λ=0.5;p(xk|yk)为观测概率密度,其形式与表征观测不确定性的概率密度一致。
对于观测概率密度,其均值为观测值yk对应的裂纹长度g-1(yk);由上一时刻粒子集通过状态方程一步转移得到先验粒子集以的标准差作为观测概率密度的标准差。
从混合建议分布中采样得到粒子集的方式如下:
(a)令i=1
(b)从均匀分布U(0,1)中随机采样得到u(i),
如果u(i)>λ,从p(xk|yk)中随机采样得到
如果u(i)≤λ,从中随机采样得到
(c)i=i+1,并且重复步骤(a)(b),直到i=Ns
(4)采样得到粒子集后,分别计算每个粒子的权值。从先验概率分布中采样得到的样本,其权值为,
式中,为第i个粒子在k-1时刻的权值;为第i个粒子在k时刻的权值;为观测似然概率密度。
如果该粒子是从观测概率密度p(xk|yk)中采样得到的,权值计算如下,
式中,为第i个粒子在k-1时刻的权值;为第i个粒子在k时刻的权值;为定义的高斯权值分布,其均值为裂纹长度的先验估计标准差为σp,该条件概率密度表征粒子与先验估计之间的高斯权值。先验估计由先验粒子集加权求和得到,比例项(σp/σv)保证两种不同加权方式得到的粒子权值在同一数量级,式中σv为表征观测不确定性的概率密度标准差。
计算得到所有粒子的权值后,对所有粒子的权值进行归一化处理,如下式所示
当前时刻裂纹长度的后验概率密度由粒子集以及对应的归一化权值表征如下,
式中,p(xk|y1:k)为当前时刻裂纹长度的后验概率密度;δ是狄利克雷函数,其表达式如下,
当前时刻裂纹长度的后验估计由粒子加权求和得到,
(5)在获得的粒子集和归一化权值的基础上,通过裂纹扩展状态空间模型预测每个粒子在未来时刻的疲劳裂纹扩展,得到粒子集里面所有粒子的裂纹扩展预测结果,其表达式如下,
式中为第i个粒子在未来时刻k+d的裂纹长度,为第i个粒子在未来时刻k+d-1的裂纹长度(d=1,2,3,......)。最后得到预测的裂纹长度概率密度以及裂纹长度预测值如下,
式中,为k时刻的粒子权值;p(xk+d|y1:k)为预测的k+d时刻裂纹长度概率密度,粒子为预测的k+d时刻裂纹长度
(6)根据归一化权值对所有的粒子进行重采样,采用***重采样算法,步骤如下:
(a)计算归一化权值的累积数列C,共Ns个元素。
(b)从均匀分布U(0,1)中随机采样得到u,
(c)令i=1
计算u(i)=u+(i-1)/Ns
顺序查找数列C中第一个大于u(i)的元素下标j,
令重采样得到的粒子并且权值
(d)i=i+1,并重复步骤(c),直到i=Ns
(7)***重采样算法完成后,将重采样得到的粒子和相应的权值作为当前值,继续通过结构健康监测方法获得新的损伤因子,k=k+1,算法循环迭代。
本实施例中以仿真的AL2024-T6铝板的中心裂纹扩展为例来具体说明本发明方法的具体实施过程。
如图2所示的中心裂纹铝板,其厚度为3mm,尺寸为b=200mm,h=400mm。所承受疲劳载荷为常幅正弦载荷,载荷峰值Smax=60Mpa,应力比为R=0。通过下式所述的NASGRO模型仿真结构真实的疲劳裂纹扩展,
式中,k为离散的时刻,xk为k时刻的裂纹长度,xk-1为k-1时刻的裂纹长度。ΔK为应力强度因子幅;Kmax为应力强度因子最大值;ΔN为载荷循环的步长,C,m,p,q为经验常数;KC为断裂韧度;ΔKth为应力强度因子幅阈值;f为裂纹张开系数;应力强度因子式中形状参数b为矩形板宽度,S为矩形板承受的拉伸应力。
取ΔN=50个载荷循环;f=0.3958;C=exp(-26.76);m=3.2;p=0.25;q=1;初始裂纹长度x0=3mm,得到疲劳裂纹扩展轨迹如图3所示。
假设导波损伤因子与实际的裂纹长度存在如下关系,
y=-5×10-5(x-x0)3+2×10-3(x-x0)2+1.5×10-2(x-x0)+v
式中,x为裂纹长度;y为导波损伤因子;x0为初始裂纹长度;观测过程受到高斯白噪声v的影响,其服从高斯分布N(0,0.032);并且每隔15000个载荷循环进行裂纹长度观测,得到的表征裂纹长度的损伤因子如图4所示。
首先根据具体情况定义该结构的状态空间模型,包括状态方程和观测方程。其中状态方程定义如下,
式中,xk为k时刻的裂纹长度;xk-1为k-1时刻的裂纹长度;参数C选取为C=exp(-26.6)以体现先验定义的裂纹扩展状态方程不准确的情形,其余参数保持不变;表征裂纹扩展不确定性的随机变量ω标准差为σω=1.3。
观测方程定义根据观测映射定义,如下式所示。
yk=-5×10-5(xk-x0)3+2×10-3(xk-x0)2+1.5×10-2(xk-x0)+v
式中,yk为导波损伤因子;x0为初始裂纹长度;观测不确定性v服从高斯分布N(0,0.032),其标准差σv=0.03。
接下来对高斯权值-混合粒子滤波算法进行初始化,选取粒子数Ns=500,高斯权值分布的标准差σp=0.4。在初始时刻k=0所有的粒子的裂纹长度都初始化为x0。
在结构处于服役过程中,通过基于主动导波的结构健康监测方法对结构的裂纹长度进行在线监测,序贯获得导波损伤因子。在当前时刻,一旦获得新的损伤因子,粒子滤波方法首先计算裂纹长度的后验概率密度,以及裂纹长度的后验估计,然后在该后验概率密度的基础上对未来的疲劳裂纹扩展进行预测。图5所示为结合了所有观测值后的裂纹长度后验估计结果,其中先验模型表征的是裂纹扩展状态方程的裂纹扩展期望值。可以看到,先验模型的误差很大。而本发明的方法在裂纹长度观测点的后验估计均方根误差仅为0.28mm。另一方面,假设以裂纹长度18.69mm为临界裂纹长度,超过该裂纹长度的循环载荷数被认为是失效循环载荷数。本发明提出的方法预测失效循环载荷数的相对误差如图6所示,可以看到,本文提出的方法可以较为准确的预测结构疲劳裂纹扩展。
Claims (3)
1.一种基于高斯权值-混合粒子滤波的疲劳裂纹扩展预测方法,其特征在于,包括如下步骤:
(1)在结构处于服役条件下,采用基于主动导波的结构健康监测方法对结构的疲劳裂纹进行在线监测,通过获取的导波信号计算损伤因子,并以损伤因子作为裂纹长度的观测值;同时根据结构的实际服役情况定义结构的疲劳裂纹扩展状态空间模型;
(2)在结构处于服役条件下,每当获得一个新的裂纹长度观测值,按照定义的混合系数,从均匀分布U(0,1)中随机采样得到随机数,如果该随机数大于,从观测概率密度中随机采样得到一个表征裂纹长度的粒子,否则从先验转移概率密度中随机采样得到粒子,重复该过程的得到确定数目粒子组成的粒子集;
(3)对于从先验转移概率密度中采样得到的粒子,通过观测似然概率密度加权;而对于从观测概率密度中采样得到的粒子,根据先验估计定义一个高斯权值分布,通过粒子与先验估计之间的高斯权值作为粒子的权值,然后对所有粒子的权值进行归一化,得到粒子的归一化权值;
(4)通过粒子集和相应的归一化权值表征裂纹长度的后验概率密度,并计算裂纹长度的后验估计;在获得的后验概率密度基础上,将粒子向未来时刻投影得到当前时刻的疲劳裂纹扩展预测结果;
(5)根据每个粒子的归一化权值,使用***重采样算法进行重采样;
(6)重复上述步骤(2),(3),(4),(5),(6)实现在线的疲劳裂纹扩展预测。
2.根据权利要求1所述的基于高斯权值-混合粒子滤波的疲劳裂纹扩展预测方法,其特征在于,步骤(2)所述混合系数取值为0.5;此外,观测概率密度定义为,式中为k时刻获得的裂纹长度观测值,为k时刻的裂纹长度;观测概率密度的概率密度形式与表征观测不确定性的概率密度一致,以观测值对应的裂纹长度为均值,以k时刻先验粒子集的标准差作为观测概率密度的标准差。
3.根据权利要求1所述的基于高斯权值-混合粒子滤波的疲劳裂纹扩展预测方法,其特征在于,步骤(3)中定义了一个高斯权值分布,对从观测概率密度中采样得到的粒子加权,权值计算方式如下,
式中,是从观测概率密度中采样得到的第i个粒子,为第i个粒子在k-1时刻的权值;为第i个粒子在k时刻的权值;为表征观测不确定性的概率密度标准差;为定义的高斯权值分布,其均值为裂纹长度的先验估计,标准差为经验设定值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610979235.9A CN106529018B (zh) | 2016-11-08 | 2016-11-08 | 基于高斯权值-混合粒子滤波的疲劳裂纹扩展预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610979235.9A CN106529018B (zh) | 2016-11-08 | 2016-11-08 | 基于高斯权值-混合粒子滤波的疲劳裂纹扩展预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106529018A CN106529018A (zh) | 2017-03-22 |
CN106529018B true CN106529018B (zh) | 2019-07-30 |
Family
ID=58351022
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610979235.9A Active CN106529018B (zh) | 2016-11-08 | 2016-11-08 | 基于高斯权值-混合粒子滤波的疲劳裂纹扩展预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106529018B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107133400B (zh) * | 2017-05-03 | 2019-12-31 | 厦门大学 | 一种飞机结构疲劳可靠度贝叶斯组合预测方法 |
CN108318589A (zh) * | 2018-02-02 | 2018-07-24 | 北京交通大学 | 基于高斯过程的疲劳裂纹长度智能评定方法和监测方法 |
CN108803323A (zh) * | 2018-06-05 | 2018-11-13 | 中国民航大学 | 一种基于改进权值生成方式的粒子滤波舵机状态预测方法 |
CN109345032B (zh) * | 2018-10-30 | 2021-09-21 | 南京航空航天大学 | 基于动态裂纹数目的粒子滤波多裂纹扩展预测方法 |
CN110135085B (zh) * | 2019-05-20 | 2020-10-09 | 北京航空航天大学 | 基于自适应核密度估计辅助粒子滤波的疲劳裂纹评估方法 |
CN110261539B (zh) * | 2019-05-21 | 2021-06-22 | 南京航空航天大学 | 基于指数增量裂纹扩展系数的多裂纹扩展预测方法 |
CN110532620B (zh) * | 2019-07-30 | 2023-01-13 | 北京航空航天大学 | 一种基于递推最小二乘-核平滑粒子滤波的疲劳裂纹扩展预测方法 |
CN114676384B (zh) * | 2022-03-11 | 2024-06-25 | 北京航空航天大学 | 一种基于粒子滤波的性能状态百分位值估计方法 |
CN116050252B (zh) * | 2022-12-16 | 2023-12-22 | 北京航空航天大学 | 一种结构疲劳损伤预测方法和装置、存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103902812A (zh) * | 2014-03-05 | 2014-07-02 | 深圳大学 | 一种粒子滤波方法、装置及目标跟踪方法、装置 |
CN105205313A (zh) * | 2015-09-07 | 2015-12-30 | 深圳大学 | 模糊高斯和粒子滤波方法、装置及目标跟踪方法、装置 |
-
2016
- 2016-11-08 CN CN201610979235.9A patent/CN106529018B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103902812A (zh) * | 2014-03-05 | 2014-07-02 | 深圳大学 | 一种粒子滤波方法、装置及目标跟踪方法、装置 |
CN105205313A (zh) * | 2015-09-07 | 2015-12-30 | 深圳大学 | 模糊高斯和粒子滤波方法、装置及目标跟踪方法、装置 |
Non-Patent Citations (1)
Title |
---|
基于粒子滤波算法的疲劳裂纹扩展预测方法;袁慎芳 等;《航空学报》;20131225;第2740-2747页 |
Also Published As
Publication number | Publication date |
---|---|
CN106529018A (zh) | 2017-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106529018B (zh) | 基于高斯权值-混合粒子滤波的疲劳裂纹扩展预测方法 | |
US9280620B2 (en) | Method and system for probabilistic fatigue crack life estimation | |
Valdebenito et al. | Sensitivity estimation of failure probability applying line sampling | |
CN104487839B (zh) | 考虑eifs不确定性使用超声检测数据的概率疲劳寿命预测 | |
Hoell et al. | Optimal selection of autoregressive model coefficients for early damage detectability with an application to wind turbine blades | |
Hu et al. | Local porosity analysis of pore structure in cement paste | |
CN109461095A (zh) | 一种用于非侵入式负荷辨识的负荷事件检测的数据处理方法及设备 | |
Lundow et al. | Critical behavior of the Ising model on the four-dimensional cubic lattice | |
Chen et al. | Impulse response estimation with binary measurements: A regularized FIR model approach | |
CN105488307A (zh) | 基于北斗的边坡监测预警***评价方法 | |
CN105406461A (zh) | 一种配电网停电事件的负荷自适应动态监测方法 | |
Lin et al. | A novel efficient model for gas compressibility factor based on GMDH network | |
CN117594164A (zh) | 基于数字孪生的金属结构剩余疲劳寿命计算评估方法、*** | |
CN108847679A (zh) | 风力发电机组及用于其的次同步振荡识别方法、装置及*** | |
CN109753634B (zh) | 基于历史数据稳态值的动态***增益估计方法 | |
CN103605323B (zh) | 化工生产的离散控制方法及装置 | |
Lacasse et al. | Dynamic Monte Carlo renormalization-group method | |
Baraldi et al. | Prognostics under different available information | |
Kaveh et al. | Estimating drying shrinkage of concrete using a multivariate adaptive regression splines approach | |
CN103400201A (zh) | 求解以测点正常率最大为目标的状态估计问题的方法 | |
Molero et al. | Sand/cement ratio evaluation on mortar using neural networks and ultrasonic transmission inspection | |
Shin et al. | Mass estimation of impacting objects against a structure using an artificial neural network without consideration of background noise | |
Song et al. | Long-term deformation safety evaluation method of concrete dams based on the time-varying stability of concrete material | |
He et al. | A novel approach for state estimation using generative adversarial network | |
Li et al. | Prediction of relative dynamic elasticity modulus by extending a grey system theory |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | 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 |