CN109918726B - 一种力学结构异常状态快速识别方法、存储介质 - Google Patents
一种力学结构异常状态快速识别方法、存储介质 Download PDFInfo
- Publication number
- CN109918726B CN109918726B CN201910091895.7A CN201910091895A CN109918726B CN 109918726 B CN109918726 B CN 109918726B CN 201910091895 A CN201910091895 A CN 201910091895A CN 109918726 B CN109918726 B CN 109918726B
- Authority
- CN
- China
- Prior art keywords
- mechanical structure
- sensor
- model
- abnormal state
- finite element
- 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
Images
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种力学结构异常状态快速识别方法,方法包括,在力学结构上部署实时监测的传感器,构建有限元模型,在有限元模型中设置于力学结构中的传感器相对应的虚拟传感器,依据力学结构载荷条件随机获取载荷样本进行计算,依据计算判读力学结构是否结构异常,若否则采集虚拟传感器数据,若是,则舍弃载荷样本,将虚拟传感器应变数据以学习样本输入机器学习模型中,进行模型训练,将传感器数据输入机器学习模型中,进行结构无异常的置信度判断,将数值仿真方法与机器学习方法结合,解决了训练数据来源和快速识别预测的问题。
Description
技术领域
本发明属于结构健康状态监测与评估技术领域,特别涉及一种力学结构异常状态快速识别方法。
背景技术
土木工程、机械工程、桥梁工程、水利工程等领域往往涉及桁架、坝体等力学结构。极端工作载荷、材料疲劳等因素均可能导致结构发生塑性变形、屈服、甚至断裂等异常状态,进而影响整个***的工作,甚至造成重大损失。因此,如何能够对结构健康状态进行监测,并及时预知异常状态的发生,是本领域需要解决的重要问题。为了实现对结构的健康监测,常用的方法是在结构上部署大量传感器形成传感网络,通过对传感器数据分析发现异常状态发生,但这种方法只能是在异常状态已经发生的情况下才能获得异常态的数据。
近年来机器学习方法的应用为数据驱动分析方法提供了新的研究方法,其基本思路是利用历史监测数据训练机器学习模型,再用实时监测数据预测结构状态,但具体应用中大量的有效历史数据往往难以获得,限制了该方法的应用。数值模拟方法可以在结构的设计阶段即仿真获得各种异常状态参数,但我们要解决的问题是结构在工作中何时发生异常,如果在工作中依据实际载荷和边界条件进行计算则需要耗费大量计算时间,导致不能及时预测结构状态。
发明内容
为解决上述问题,本发明提供一种力学结构异常状态快速识别方法,利用有限元数值仿真模型生成机器学习训练数据,输入实测数据以获得正常态状态置信度,并对异常态进一步有限元仿真获得定量信息。
本发明通过以下技术方案实现:
一种力学结构异常状态快速识别方法,包括如下步骤:
步骤一:在力学结构中的关键组件处设置传感器,并构建传感网络以获取结构实时力学数据;
步骤二:构建力学结构的精确有限元模型,在力学结构的精确有限元模型中设置与力学结构中关键组件处的传感器位置相对应的虚拟传感器;
步骤三:将力学结构各种工况下的载荷条件形成载荷条件取值范围表;
步骤四:从载荷条件取值范围表中随机获取载荷条件样本,以载荷条件样本进行有限元计算;
步骤六:依据摩尔-库伦失效准则判断力学结构状体是否属于结构异常,若否,则采集载荷条件样本中的虚拟传感器的应变数据,若是,则舍弃载荷条件样本数据;
步骤七:将采集的虚拟传感器的应变数据以学习样本输入机器学习模型中,对模型进行训练;
步骤八:将力学结构中的传感器采集的应变数据输入到机器学习模型中,判断输出无异常状态的置信度,若无异常状态的置信度大于80%,则力学结构状态无异常,同时将所述传感器采集的应变数据作为机器学习模型的学习训练数据,若置信度小于等于80%,则力学结构为异常状态,将异常状态的载荷和边界条件进行精确有限元模型计算,获得力学结构异常状态发生的定量信息。
所述步骤一中所述传感器为应力传感器、应变传感器中任意一种,所述传感网络为有线传感网络或无线传感网络。
所述步骤二中精确有限元模型的建立包括如下步骤:
S1):对力学结构进行测量或三维扫描建立力学结构的三维模型;
S2):对力学结构的三维模型进行有限元网格划分;
S3):根据力学结构实时力学数据,对力学结构三维模型进行仿真分析,依据仿真分析结果优化S2)中力学结构三维模型及网格划分,进而构建力学结构的精确有限元模型。
所述步骤二中精确有限元模型中虚拟传感器与对应力学结构中传感器的位置误差不超过0.1%。
所述虚拟传感器的与传感器的位置误差通过精确有限元模型中的网格密度调整误差范围。
所述步骤四中随机获取载荷条件样本数量大于100个。
所述步骤七中的机器模型为无监督学习单分类支持向量机模型。
所述步骤八中的阈值为80%。
一种存储介质,所述存储器上存储有能够被处理器执行的指令,所述指令用于执行所述力学结构异常状态快速识别方法。
本发明提供一种力学结构异常状态快速识别方法,将数值分析方法与机器学习方法有机结合,发挥各自优势,利用数值仿真模型生成训练数据,用机器学习模型实现快速预测识别,而且模型在工作中在获取正常态数据后,再利用该数据重新训练模型,实现动态学习过程,使模型越来越精确,该方法能够很好解决力学结构快速异常态识别问题,适用于土木工程、机械工程、桥梁工程、水利工程等领域的力学结构健康状态预警。
附图说明
图1是力学结构异常状态快速识别方法流程示意图。
图2是本发明实施例坝体及传感器部署位置。
图3是本发明实施例坝体有限元模型及虚拟传感器位置。
其中,附图标记说明如下:
1.坝体,2.应变传感器,3.坝体精确有限元模型,4.虚拟传感器。
具体实施方式
下面将结合本发明中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例实例仅仅是本发明一部分实施实例,而不是全部的实施实例,基于本发明的实施实例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施实例,都属于本发明保护的范围。
如图1所示,一种力学结构异常状态快速识别方法,包括如下步骤:
步骤一:在力学结构中的关键组件处设置传感器,并构建传感网络以获取结构实时力学数据;
步骤二:构建力学结构的精确有限元模型,在力学结构的精确有限元模型中设置与力学结构中关键组件处的传感器位置相对应的虚拟传感器;
步骤三:将力学结构各种工况下的载荷条件形成载荷条件取值范围表;
步骤四:从载荷条件取值范围表中随机获取载荷条件样本,以载荷条件样本进行有限元计算;
步骤六:依据摩尔-库伦失效准则判断力学结构状体是否属于结构异常,若否,则采集载荷条件样本中的虚拟传感器的应变数据,若是,则舍弃载荷条件样本数据;
步骤七:将采集的虚拟传感器的应变数据以学习样本输入机器学习模型中,对模型进行训练;
步骤八:将力学结构中的传感器采集的应变数据输入到机器学习模型中,判断输出无异常状态的置信度,若无异常状态的置信度大于80%,则力学结构状态无异常,同时将所述传感器采集的应变数据作为机器学习模型的学习训练数据,若置信度小于等于80%,则力学结构为异常状态,将异常状态的载荷和边界条件进行精确有限元模型计算,获得力学结构异常状态发生的定量信息。
所述步骤一中所述传感器为应力传感器、应变传感器中任意一种,所述传感网络为有线传感网络或无线传感网络。
所述步骤二中精确有限元模型的建立包括如下步骤:
S1):对力学结构进行测量或三维扫描建立力学结构的三维模型;
S2):对力学结构的三维模型进行有限元网格划分;
S3):根据力学结构实时力学数据,对力学结构三维模型进行仿真分析,依据仿真分析结果优化S2)中力学结构三维模型及网格划分,进而构建力学结构的精确有限元模型。
所述步骤二中精确有限元模型中虚拟传感器与对应力学结构中传感器的位置误差不超过0.1%。
所述虚拟传感器的与传感器的位置误差通过精确有限元模型中的网格密度调整误差范围。
所述步骤四中随机获取载荷条件样本数量大于100个。
所述步骤七中的机器模型为无监督学习单分类支持向量机模型。
本发明还提供一种存储介质,该存储介质运行上述本发明描述的力学结构异常状态快速识别方法的指令,该存储器主介质上存储的指令能够被处理器执行。
上述的存储介质包括各种形式的计算机可读介质,例如易失性存储器和非易失性存储器或者半导体存储介质、光存储介质等。
上述处理器可执行上述的指令程序,可选择中央处理单元CPU或者FPGA或者其它处理单元。
如图2所示为水利工程中的常见坝体1,在坝体1的受力面部署四个个应变传感器2,并将应变传感器2由上到下依次编号为一号传感器,二号传感器,三号传感器和四号传感器,将四个应变传感器2构建无线传感网络以远程获取坝体1实时力学数据。
构建坝体1精确有限元模型3,在精确有限元模型3中设置四个虚拟传感器4,所述虚拟传感器4的位置与坝体1中四个应变传感器2的位置相对应,通过调整精确有限元模型3的网格大小,使得虚拟传感器4与应变传感器2的位置误差不超过0.1%,如图3所示。将坝体1各种工况下的压力载荷条件形成取值范围表,并基于压力载荷条件取值范围表随机获取150个载荷条件样本进行有限元计算。
在每个样本进行有限元计算后,依据摩尔—库伦失效准则,判断坝体1结构是否发生塑性变形等结构异常状态,若坝体1结构无异常,则将参与有限元计算的样本中的虚拟传感器4的应变数据作为学习样本,输入到无监督学习单分类支持向量机模型中,并对模型进行训练,若坝体1机构为异常状态,则将参与有限元计算的样本舍弃。
在坝体1结构工作中,将实时获得的应变传感器2应变数据输入到无监督学习单分类支持向量机模型中,无监督学习单分类支持向量机模型输出无异常状态的置信度,若输出的置信度大于80%,则此时坝体1结构无异常,同时以此时的应变传感器2的数据重新训练无监督学习单分类支持向量机模型,若输出的置信度小于等于80%,则认为坝体1结构为异常状态,将异常状态的载荷和边界条件输入精确有限元模型中进行计算,获得坝体1异常状态发生的定量信息。
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段,还包括由以上技术特征任意组合所组成的技术方案。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (9)
1.一种力学结构异常状态快速识别方法,其特征在于,包括如下步骤:
步骤一:在力学结构中的关键组件处设置传感器,并构建传感网络以获取结构实时力学数据;
步骤二:构建力学结构的精确有限元模型,在力学结构的精确有限元模型中设置与力学结构中关键组件处的传感器位置相对应的虚拟传感器;
步骤三:将力学结构各种工况下的载荷条件形成载荷条件取值范围表;
步骤四:从载荷条件取值范围表中随机获取载荷条件样本,以载荷条件样本进行有限元计算;
步骤六:依据摩尔-库伦失效准则判断力学结构状体是否属于结构异常,若否,则采集载荷条件样本中的虚拟传感器的应变数据,若是,则舍弃载荷条件样本数据;
步骤七:将采集的虚拟传感器的应变数据以学习样本输入机器学习模型中,对模型进行训练;
步骤八:将力学结构中的传感器采集的应变数据输入到机器学习模型中,判断输出无异常状态的置信度,若无异常状态的置信度大于阈值,则力学结构状态无异常,同时将所述传感器采集的应变数据作为机器学习模型的学习训练数据,若置信度小于等于阈值,则力学结构为异常状态,将异常状态的载荷和边界条件进行精确有限元模型计算,获得力学结构异常状态发生的定量信息。
2.根据权利要求1所述的力学结构异常状态快速识别方法,其特征在于:所述步骤一中所述传感器为应力传感器、应变传感器中任意一种,所述传感网络为有线传感网络或无线传感网络。
3.根据权利要求1所述的力学结构异常状态快速识别方法,其特征在于:所述步骤二中精确有限元模型的建立包括如下步骤:
S1):对力学结构进行测量或三维扫描建立力学结构的三维模型;
S2):对力学结构的三维模型进行有限元网格划分;
S3):根据力学结构实时力学数据,对力学结构三维模型进行仿真分析,依据仿真分析结果优化S2)中力学结构三维模型及网格划分,进而构建力学结构的精确有限元模型。
4.根据权利要求1所述的力学结构异常状态快速识别方法,其特征在于:所述步骤二中精确有限元模型中虚拟传感器与对应力学结构中传感器的位置误差不超过0.1%。
5.根据权利要求3所述的力学结构异常状态快速识别方法,其特征在于:所述虚拟传感器的与传感器的位置误差通过精确有限元模型中的网格密度调整误差范围。
6.根据权利要求1所述的力学结构异常状态快速识别方法,其特征在于:所述步骤四中随机获取载荷条件样本数量大于100个。
7.根据权利要求1所述的力学结构异常状态快速识别方法,其特征在于:所述步骤七中的机器模型为无监督学习单分类支持向量机模型。
8.根据权利要求1所述的力学结构异常状态快速识别方法,其特征在于:所述步骤八中的阈值为80%。
9.一种存储介质,其特征在于:存储器上存储有能够被处理器执行的指令,所述指令用于执行如权利要求1~8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910091895.7A CN109918726B (zh) | 2019-01-30 | 2019-01-30 | 一种力学结构异常状态快速识别方法、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910091895.7A CN109918726B (zh) | 2019-01-30 | 2019-01-30 | 一种力学结构异常状态快速识别方法、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109918726A CN109918726A (zh) | 2019-06-21 |
CN109918726B true CN109918726B (zh) | 2022-09-20 |
Family
ID=66961219
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910091895.7A Active CN109918726B (zh) | 2019-01-30 | 2019-01-30 | 一种力学结构异常状态快速识别方法、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109918726B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11499812B2 (en) * | 2019-07-01 | 2022-11-15 | Pony Ai Inc. | Systems and methods for using piezoelectric sensors to detect alignment anomaly |
JP2021079415A (ja) * | 2019-11-20 | 2021-05-27 | Jfeスチール株式会社 | 設定値演算装置、圧延機操作情報演算装置、圧延設備、鋼帯の製造方法、設定値演算方法、及びプロセスモデルサーバ |
US10988348B1 (en) * | 2020-05-26 | 2021-04-27 | Otis Elevator Company | Escalator steps with strain sensors |
CN112033710B (zh) * | 2020-09-15 | 2022-04-01 | 中车青岛四方机车车辆股份有限公司 | 一种基于神经网络的城轨车辆构架损伤度检测方法 |
CN112434369B (zh) * | 2020-11-11 | 2024-04-09 | 北京宇航***工程研究所 | 一种基于机器学习的结构载荷感知方法 |
CN114580493B (zh) * | 2021-12-28 | 2023-06-20 | 北京云庐科技有限公司 | 基于ai的重载铁路桥梁健康监测方法 |
CN115269663A (zh) * | 2022-07-12 | 2022-11-01 | 浙江瑞邦建设工程检测有限公司 | 静载试验数据的处理方法、装置、设备及可读介质 |
CN116275462B (zh) * | 2023-05-15 | 2023-08-01 | 上海耀焊科技有限公司 | 一种惯性摩擦焊机智能焊接方法和*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105095962A (zh) * | 2015-07-27 | 2015-11-25 | 中国汽车工程研究院股份有限公司 | 一种基于bp人工神经网络的材料动态力学性能预测方法 |
CN106037710A (zh) * | 2014-11-24 | 2016-10-26 | 西门子公司 | 在医学成像中合成数据驱动的血液动力学测定 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170331844A1 (en) * | 2016-05-13 | 2017-11-16 | Sikorsky Aircraft Corporation | Systems and methods for assessing airframe health |
-
2019
- 2019-01-30 CN CN201910091895.7A patent/CN109918726B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106037710A (zh) * | 2014-11-24 | 2016-10-26 | 西门子公司 | 在医学成像中合成数据驱动的血液动力学测定 |
CN105095962A (zh) * | 2015-07-27 | 2015-11-25 | 中国汽车工程研究院股份有限公司 | 一种基于bp人工神经网络的材料动态力学性能预测方法 |
Non-Patent Citations (1)
Title |
---|
基于模型确认的结构概率损伤识别方法研究进展;宗周红等;《土木工程学报》;20120831;第45卷(第08期);第121-130页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109918726A (zh) | 2019-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109918726B (zh) | 一种力学结构异常状态快速识别方法、存储介质 | |
US10121107B2 (en) | Machine learning device and method for optimizing frequency of tool compensation of machine tool, and machine tool having the machine learning device | |
JP6530779B2 (ja) | 加工不良要因推定装置 | |
JP6693919B2 (ja) | 制御装置及び機械学習装置 | |
JP6560707B2 (ja) | 加工面品位評価装置 | |
CN110414140B (zh) | 木材损伤的模型训练和测试方法、装置、设备和存储介质 | |
JP6499737B2 (ja) | テレスコピックカバーの異常発生推定装置及び異常発生推定方法 | |
US10565343B2 (en) | Circuit configuration optimization apparatus and machine learning device | |
JP2019082894A (ja) | 加工条件調整装置及び機械学習装置 | |
EP3608743A1 (en) | Arrangement and method for controlling the pressing of metal sheets | |
CN109858112B (zh) | 基于结构应力监测结果的数值反演分析方法 | |
JP6795562B2 (ja) | 検査装置及び機械学習方法 | |
JP2020201871A (ja) | 診断装置 | |
CN109313110A (zh) | 使用数字图像相关技术的应用评估 | |
Katam et al. | A review on structural health monitoring: past to present | |
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、*** | |
JP6823025B2 (ja) | 検査装置及び機械学習方法 | |
CN111047476A (zh) | 基于rbf神经网络的大坝结构安全监控精确预测方法及*** | |
CN117807659A (zh) | 一种建筑结构缺陷检测和纠正方法及*** | |
CN114547725A (zh) | 基于数字孪生的水下工程结构智能检测方法及*** | |
CN112287586B (zh) | 基于中小桥损伤识别结果的快速可靠度评估方法 | |
CN110057588B (zh) | 基于奇异值与图论特征融合的轴承早期故障检测与诊断方法及*** | |
Finotti1a et al. | Structural novelty detection based on sparse autoencoders and control charts | |
Yanez-Borjas et al. | Statistical time features-based methodology for fatigue cracks detection in a four-story building | |
CN112378651A (zh) | 一种基于数据驱动的设备动态可靠性评估方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 |