CN114429060A - 考核疲劳振动中结构错位失效及寿命预测的方法 - Google Patents
考核疲劳振动中结构错位失效及寿命预测的方法 Download PDFInfo
- Publication number
- CN114429060A CN114429060A CN202111459422.1A CN202111459422A CN114429060A CN 114429060 A CN114429060 A CN 114429060A CN 202111459422 A CN202111459422 A CN 202111459422A CN 114429060 A CN114429060 A CN 114429060A
- Authority
- CN
- China
- Prior art keywords
- vibration
- product
- equation
- establishing
- fatigue
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M7/00—Vibration-testing of structures; Shock-testing of structures
- G01M7/02—Vibration-testing by means of a shake table
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种考核疲劳振动中结构错位失效及寿命预测的方法,所述方法包括S100、建立待考核产品的三维几何结构模型;S200、以三维几何结构模型为基础,建立待考核产品的有限元结构模型;S300、基于有限元结构模型在求解器中进行自由模态计算;S400、基于不同方向、不同幅值的振动方案,对待考核产品进行不间断疲劳振动响应计算,并形成数据样本;S500、基于神经网络拟合产品考核结构位移的数学函数,并建立结构错位的极限状态方程;S600、选取S400中数据样本对拟合的数学函数进行试验验证;S700、基于S600验证后的数学函数,建立频率、分辨率与时域的转换关系,得到基于使用寿命的可靠性预测模型的连接系数方程,并根据极限状态方程,预测产品在指定振动环境下的疲劳寿命。该方法使得产品设计及维护更加容易。
Description
技术领域
本发明涉及产品可靠性研究领域,特别涉及一种考核疲劳振动中结构错位失效及寿命预测的方法。
背景技术
振动载荷广泛存在于各类产品的运输或工作环境中,产品结构在这些振动载荷激励下产生振动响应,会导致各组部件发生结构错位,长期处于疲劳振动工作环境中,微小错位会随着时间累积形成大的错位,这在很大程度上降低了产品的使用性能和使用寿命,而产品使用寿命的预测对指导产品设计和维护具有重要意义,故而考核疲劳振动中结构错位失效及寿命预测意义重大。
但疲劳振动环境的特点是振动幅度小、振动频率随机、短时间内对产品的性能影响较小,长时间内对产品的累积损伤较大。现阶段考核产品疲劳振动响应性能主要通过实际工作环境或疲劳振动试验台加载随机振动频谱来考核产品的性能,存在考核时间较长,无法实时观测到产品内部振动响应损伤等问题,致使设计和维护产品时无法有效改进产品内部结构应对疲劳振动的不利因素。
因而,有必要寻求一种可快速考核疲劳振动中结构错位失效及使用寿命预测的方法。
发明内容
鉴于上述问题,本发明的目的在于提供一种能快速考核疲劳振动中结构错位失效及寿命预测的方法。
为了实现上述目的,本发明的技术方案为:一种考核疲劳振动中结构错位失效及寿命预测的方法,其特征在于:所述方法包括,
S100、建立待考核产品的三维几何结构模型;
S200、以三维几何结构模型为基础,建立待考核产品的有限元结构模型;
S300、基于有限元结构模型在求解器中进行自由模态计算;
S400、基于不同方向、不同幅值的振动方案,对待考核产品进行不间断疲劳振动响应计算,并形成数据样本;
S500、基于神经网络拟合产品考核结构位移的数学函数,并建立结构错位的极限状态方程;S600、选取S400中数据样本对拟合的数学函数进行试验验证;
S700、基于S600验证后的数学函数,建立频率、分辨率与时域的转换关系,得到基于使用寿命的可靠性预测模型的连接系数方程,并根据极限状态方程,预测产品在指定振动环境下的疲劳寿命。
进一步的,所述S300包括以下步骤,
S3100、根据实际应用工况,以履带车固紧货物的窄带随机振动程序数据作为依据,计算道路激励的功率谱密度;
S3200、基于功率谱密度所反映激励能量和频谱特征,计算均值、方差、峰值加速度;
S3300、根据均值、方差、峰值加速度,确定自由模态计算的频率范围,并基于有限元结构模型,在nastran求解器中进行自由模态计算,以得到产品结构自由振动的固有属性,分析振动时结构各组部部件的状态。
进一步地,所述S400包括以下步骤,
S4100、基于不同方向、不同正态分布特性,对履带车固紧货物的窄带随机振动程序数据设计出随机全组合方案;
S4200、基于履带车固紧货物的窄带随机振动程序数据中约定的公里数和时间换算关系,得到连续无故障工作时间,其对应关系为:
MTBF=Sb/TS,其中,MTBF为极限状态下的连续无故障工作时间,Sb为产品随车行驶无故障最少里程,Ts为程序数据中振动频谱所对应的车速;
S4300、对S4100中得到的每一个振动方案,采用有限元的基于模态的受迫响应的耐久性模拟方法对振动方案中***目标故障点的位移值进行计算,加载时间为连续无故障工作时间MTBF,并得到连续无故障工作时间MTBF与振动响应之间的数据样本,所述数据样本包括X/Y/Z方向的振动加速度、***故障点的积累位移误差、MTBF。
进一步地,所述S500包括以下步骤,
S5100、根据产品中组部件之间的结构位置关系,建立结构错位评价数学函数r=f(Δx,Δy,Δz),其中,r为组部件之间的相对位移,Δx,Δy,Δz为组部件位移后较初始位置在X、Y、Z三方向坐标轴下的变化值;
S5200、以X、Y、Z三方向的振动加速度激励、结构公差下的所有组部件影响因子作为输入量,输入三层神经网络并对该神经网络进行训练,得到神经网络模型,其中,输入量在输入时进行归一化处理,其数学表达式如下:
式中i=X,Y,Z,D1,D2,...,Dn,i取值X、Y、Z时INPUTi分别代表X、Y、Z方向的振动加速度,i取值为Dn时INPUTi代表结构公差下的所有组部件影响因素;
S5300、对神经网络模型进行拟合训练,拟合训练次数≥300,得到多方向疲劳应力加载后不同组部件结构影响条件下输出结构位移的拟合曲线,并基于该拟合曲线得到拟合后的数学函数;
S5400、根据产品的故障模式和故障影响分析结构,建立产品结构错位失效的极限状态函数,该极限失效状态函数为g(x)=N(x)-displace,其中,displace为疲劳振动过程中产品结构错位却并未使产品功能失效的位移值,N(x)用来表征***结构中测试点的极限状态函数。
进一步地,所述S700包括以下步骤,
S7100、在一个连续激励工作状态的时域环境下,频谱范围5Hz~500Hz之间,以最大分辨率fn=0.2s作为一个振动周期,建立工作时间与振动次数的转换方程如下:
t=T/fn
式中,T为工作时间。
S7200、基于S400得到的加速度激励-位移数据样本,计算基于使用寿命的可靠性预测模型的连接系数方程如下:
式中,s为两相邻零件之间的错位位移,σ为参考国军标加载量的最大位移的方差;
S7300、依据S7200的基于使用寿命的可靠性预测模型的连接系数方程,得到单次激励的可靠性计算方程为:
R=Φ(Z)
经过N次振动后的使用寿命可靠度计算方程为:
Rn=Φ(Z)N
使用n小时振动后的使用寿命可靠度方程为:
经过t小时后的失效概率F(t)可表示为:
F(t)=1-R(t)
经过t小时后的失效率λ(t)的表达式为:
则可靠寿命、中位寿命和特征寿命的方程分别表示如下:
t=R-1(t)
与现有技术相比,本发明的优点在于:
该发明解决了现有技术中产品疲劳振动试验测试周期长,产品中结构错位无法实时观测的技术难题,解决了产品在车载条件下由于结构错位导致的可靠度降低无法量化的问题,解决了三方向随机匹配问题,对疲劳振动的极限测试更加科学有效。
附图说明
图1为本发明提供的一种加速考核疲劳振动中结构错位失效的方法和使用寿命预测方法流程图。
图2为《GJB 150.16A-2009军用装备实验室环境测试方法第16部分振动试验》中履带车固紧货物的窄带随机振动程序数据图。
图3为本发明实施例所涉及产品随履带车行驶所获得的道路激励功率谱密度图。
图4为本发明实施例所涉及产品在频率范围0-600Hz条件下自由模态计算结果图。
图5为本发明实施例所涉及神经网络计算模型方案图。
图6为本发明实施例所涉及多方向疲劳应力加载后产品组部件结构位移的拟合曲线。
图7为本发明实施例所涉及产品疲劳振动试验布置示意图。
图8为本发明实施例所涉及产品可靠度与时间的关系图。
图9为本发明实施例所涉及不同方向道路激励正态分布特征数据。
图10为本发明实施例所涉及步骤S400建立的输入-输出数据库中部分数据。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
本发明提供一种加速考核疲劳振动中结构错位失效的方法和使用寿命预测方法,可用于加速考核安装在履带车辆上的某种产品由于结构错位而造成的功能丧失,可有效解决产品疲劳振动试验测试周期长,产品中结构错位无法实时观测的技术难题;产品在车载条件下由于结构错位导致的可靠度降低和使用寿命无法预测的问题;现有测试方法分为X轴、Y轴、Z轴单方向分别测试、可操作性差的技术问题。
参见图1,本发明提供一种加速考核疲劳振动中结构错位失效的方法和使用寿命预测方法,包括以下步骤:
步骤S100:建立考核产品三维几何结构模型;
按照产品的组部件结构进行等比例建模,并将产品组部件根据加工公差进行装配,结构满足静力学强度标准,完成产品三维几何结构模型建模。
步骤S200:产品结构有限元模型建立;
以三维几何结构模型为基础,建立产品的有限元模型,对有限元模型进行网格划分,之后加载材料模型。
步骤S300:模态计算;
基于有限元结构模型,在nastran求解器中进行自由模态计算。
优选的,步骤S300包括以下步骤:
步骤S3100:根据该产品的实际应用工况,选择《GJB 150.16A-2009军用装备实验室环境测试方法第16部分振动试验》中履带车固紧货物的窄带随机振动程序数据(参见图2)作为依据;基于履带车固紧货物的窄带随机振动程序数据,计算道路激励的功率谱密度,如图3所示。
步骤S3200:基于功率谱密度所反映激励能量和频谱特征,其满足正态分布,计算得到均值、方差和峰值加速度等关键参数值,如表1所示;
步骤S3300:根据计算得到的均值、方差和峰值加速度等关键参数值,确定自由模态计算的频率范围为0-600Hz;基于有限元结构模型,在nastran求解器进行自由模态计算,计算结果如图4所示;根据计算结果得到产品结构自由振动的固有属性,分析振动时结构各组部部件的状态。
步骤S400:振动响应计算;
基于不同方向、不同幅值的振动方案,开展产品不间断疲劳振动响应计算。
优选的,步骤S400包括以下步骤:
S4100、基于不同方向、不同正态分布特性,对履带车固紧货物的窄带随机振动程序数据设计出随机全组合方案;
S4200、基于履带车固紧货物的窄带随机振动程序数据中约定的公里数和时间换算关系,得到连续无故障工作时间,其对应关系为:
MTBF=Sb/TS,其中,MTBF为极限状态下的连续无故障工作时间,Sb为产品随车行驶无故障最少里程,Ts为程序数据中振动频谱所对应的车速;
S4300、对S4100中得到的每一个振动方案,采用有限元的基于模态的受迫响应的耐久性模拟方法对振动方案中***目标故障点的位移值进行计算,加载时间为连续无故障工作时间MTBF,并得到连续无故障工作时间MTBF与振动响应之间的数据样本,所述数据样本包括X/Y/Z方向的振动加速度、***故障点的积累位移误差、MTBF。
步骤S500:基于神经网络拟合产品考核结构位移的数学函数,并建立结构错位的极限状态方程;
基于步骤S400建立的数据样本,确定神经网络计算模型方案,神经网络计算模型方案如图5所示;对神经网络模型进行多次训练,设定拟合程序,拟合得到产品考核结构位移的数学多项式,并建立结构错位的极限状态方程;
优选的,步骤S500包括以下步骤:
S5100、根据产品中组部件之间的结构位置关系,建立结构错位评价数学函数r=f(Δx,Δy,Δz),其中,r为组部件之间的相对位移,Δx,Δy,Δz为组部件位移后较初始位置在X、Y、Z三方向坐标轴下的变化值;
S5200、以X、Y、Z三方向的振动加速度激励、结构公差下的所有组部件影响因子作为输入量,输入三层神经网络并对该神经网络进行训练,得到神经网络模型,其中,输入量在输入时进行归一化处理,其数学表达式如下:
式中i=X,Y,Z,D1,D2,...,Dn,i取值X、Y、Z时INPUTi分别代表X、Y、Z方向的振动加速度,i取值为Dn时INPUTi代表结构公差下的所有组部件影响因素;
S5300、对神经网络模型进行拟合训练,拟合训练次数≥300,得到多方向疲劳应力加载后不同组部件结构影响条件下输出结构位移的拟合曲线,并基于该拟合曲线得到拟合后的数学函数;
S5400、根据产品的故障模式和故障影响分析结构,建立产品结构错位失效的极限状态函数,该极限失效状态函数为g(x)=N(x)-displace,其中,displace为疲劳振动过程中产品结构错位却并未使产品功能失效的位移值,N(x)用来表征***结构中测试点的极限状态函数。
步骤S600:数学拟合函数试验验证;
基于数学拟合函数,选取步骤S400数据样本中的个案进行试验验证;采用振动***,输入振动幅值等参数,获得个例条件下产品结构错位失效时间,用以验证数学拟合函数的可行性。
对产品进行疲劳振动试验,试验布置图如图7所示。
首先,按照产品3实际工况设计安装支架2;之后,将安装支架2紧固于振动台1上,并将产品3安装在支架2上;产品3包含组件4和部件5,部件5是由多个零件6和零件7组成;图中零件6的中心在零件7的中线上,零件6和零件7发生结构错位会造成产品性能大幅降低,而当零件6的中心偏离零件7边界时,产品失效。
第二,按照步骤S4300计算结果,挑选出仿真振动方案中对结构错位影响较为严重的振动频率、幅值,输入至振动台的控制程序中,开启振动程序。若振动试验时间过长,可采用提高振动幅值等方法,缩短振动时间。
第三,当振动程序结束后,对比结构错位位移和仿真振动结果的差值,分析仿真可能存在的误差,并进行修正。
最后,根据修正后的数据,基于神经网络拟合得到产品考核结构位移的数学函数。
步骤S700:根据上述模型,预测产品在指定振动环境下的疲劳寿命。
基于步骤S600建立的产品结构错位数学拟合函数,建立频率、分辨率等参数与时域的转换关系,得到基于使用寿命的可靠性预测模型的连接系数方程,并根据极限状态方程,预测得到产品在指定振动环境下的疲劳寿命。
根据GJB 150.16A第16部分振动试验表D.1(图2所示)中的路谱要求,基于使用寿命的可靠性预测模型核心是建立激励次数与时间的关系。由于整个振动试验是时域环境下的一个连续激励工作状态,且频谱范围在5Hz~500Hz之间,因此以最大分辨率fn=0.2s作为一个振动周期,则工作时间与振动次数的转换方程如下所示:
t=T/fn
式中,T为工作时间。
根据步骤S4300计算后得到的输入(加速度激励)——输出(位移)数据库,计算基于使用寿命的可靠性预测模型的连接系数方程如下:
式中,s为零件6和零件7的错位位移,σ为参考国军标加载量的最大位移的方差;
则单次激励的可靠性计算方程为:
R=Φ(Z)
经过N次振动后的使用寿命可靠度计算方程为:
Rn=Φ(Z)N
使用n小时振动后的使用寿命可靠度方程为:
经过t小时后的失效概率F(t)可表示为:
F(t)=1-R(t)
经过t小时后的失效率λ(t)的表达式为:
其可靠寿命、中位寿命和特征寿命的方程分别表示如下:
t=R-1(t)
综合以上关系式,可以得到产品可靠度与工作时间的关系如图8所示,同时可以计算得到产品的可靠寿命、中位寿命和特征寿命。
尽管已经示出和描述了本发明的实施例,本领域技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变形,本发明的范围由权利要求及其等同物限定。
Claims (5)
1.一种考核疲劳振动中结构错位失效及寿命预测的方法,其特征在于:所述方法包括,
S100、建立待考核产品的三维几何结构模型;
S200、以三维几何结构模型为基础,建立待考核产品的有限元结构模型;
S300、基于有限元结构模型在求解器中进行自由模态计算;
S400、基于不同方向、不同幅值的振动方案,对待考核产品进行不间断疲劳振动响应计算,并形成数据样本;
S500、基于神经网络拟合产品考核结构位移的数学函数,并建立结构错位的极限状态方程;S600、选取S400中数据样本对拟合的数学函数进行试验验证;
S700、基于S600验证后的数学函数,建立频率、分辨率与时域的转换关系,得到基于使用寿命的可靠性预测模型的连接系数方程,并根据极限状态方程,预测产品在指定振动环境下的疲劳寿命。
2.根据权利要求1所述方法,其特征在于:所述S300包括以下步骤,
S3100、根据实际应用工况,以履带车固紧货物的窄带随机振动程序数据作为依据,计算道路激励的功率谱密度;
S3200、基于功率谱密度所反映激励能量和频谱特征,计算均值、方差、峰值加速度;
S3300、根据均值、方差、峰值加速度,确定自由模态计算的频率范围,并基于有限元结构模型,在nastran求解器中进行自由模态计算,以得到产品结构自由振动的固有属性,分析振动时结构各组部部件的状态。
3.根据权利要求2所述方法,其特征在于:所述S400包括以下步骤,
S4100、基于不同方向、不同正态分布特性,对履带车固紧货物的窄带随机振动程序数据设计出随机全组合方案;
S4200、基于履带车固紧货物的窄带随机振动程序数据中约定的公里数和时间换算关系,得到连续无故障工作时间,其对应关系为:
MTBF=Sb/TS,其中,MTBF为极限状态下的连续无故障工作时间,Sb为产品随车行驶无故障最少里程,Ts为程序数据中振动频谱所对应的车速;
S4300、对S4100中得到的每一个振动方案,采用有限元的基于模态的受迫响应的耐久性模拟方法对振动方案中***目标故障点的位移值进行计算,加载时间为连续无故障工作时间MTBF,并得到连续无故障工作时间MTBF与振动响应之间的数据样本,所述数据样本包括X/Y/Z方向的振动加速度、***故障点的积累位移误差、MTBF。
4.根据权利要求3所述方法,其特征在于:所述S500包括以下步骤,
S5100、根据产品中组部件之间的结构位置关系,建立结构错位评价数学函数r=f(Δx,Δy,Δz),其中,r为组部件之间的相对位移,Δx,Δy,Δz为组部件位移后较初始位置在X、Y、Z三方向坐标轴下的变化值;
S5200、以X、Y、Z三方向的振动加速度激励、结构公差下的所有组部件影响因子作为输入量,输入三层神经网络并对该神经网络进行训练,得到神经网络模型,其中,输入量在输入时进行归一化处理,其数学表达式如下:
式中i=X,Y,Z,D1,D2,...,Dn,i取值X、Y、Z时INPUTi分别代表X、Y、Z方向的振动加速度,i取值为Dn时INPUTi代表结构公差下的所有组部件影响因素;
S5300、对神经网络模型进行拟合训练,拟合训练次数≥300,得到多方向疲劳应力加载后不同组部件结构影响条件下输出结构位移的拟合曲线,并基于该拟合曲线得到拟合后的数学函数;
S5400、根据产品的故障模式和故障影响分析结构,建立产品结构错位失效的极限状态函数,该极限失效状态函数为g(x)=N(x)-displace,其中,displace为疲劳振动过程中产品结构错位却并未使产品功能失效的位移值,N(x)用来表征***结构中测试点的极限状态函数。
5.根据权利要求4所述方法,其特征在于:所述S700包括以下步骤,
S7100、在一个连续激励工作状态的时域环境下,频谱范围5Hz~500Hz之间,以最大分辨率fn=0.2s作为一个振动周期,建立工作时间与振动次数的转换方程如下:
t=T/fn
式中,T为工作时间。
S7200、基于S400得到的加速度激励-位移数据样本,计算基于使用寿命的可靠性预测模型的连接系数方程如下:
式中,s为两相邻零件之间的错位位移,σ为参考国军标加载量的最大位移的方差;
S7300、依据S7200的基于使用寿命的可靠性预测模型的连接系数方程,得到单次激励的可靠性计算方程为:
R=Φ(Z)
经过N次振动后的使用寿命可靠度计算方程为:
Rn=Φ(Z)N
使用n小时振动后的使用寿命可靠度方程为:
F(t)=1-R(t)
经过t小时后的失效率λ(t)的表达式为:
则可靠寿命、中位寿命和特征寿命的方程分别表示如下:
t=R-1(t)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111459422.1A CN114429060B (zh) | 2021-12-02 | 2021-12-02 | 考核疲劳振动中结构错位失效及寿命预测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111459422.1A CN114429060B (zh) | 2021-12-02 | 2021-12-02 | 考核疲劳振动中结构错位失效及寿命预测的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114429060A true CN114429060A (zh) | 2022-05-03 |
CN114429060B CN114429060B (zh) | 2022-12-27 |
Family
ID=81312123
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111459422.1A Active CN114429060B (zh) | 2021-12-02 | 2021-12-02 | 考核疲劳振动中结构错位失效及寿命预测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114429060B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115096378A (zh) * | 2022-08-29 | 2022-09-23 | 宇一精工科技(南通)有限公司 | 一种橡胶垫错位故障智能识别方法 |
CN116629078A (zh) * | 2023-07-21 | 2023-08-22 | 成都航空职业技术学院 | 一种汽车疲劳寿命耐久性预测方法及*** |
CN116663320A (zh) * | 2023-06-27 | 2023-08-29 | 中国工程物理研究院研究生院 | 多层异质预紧夹层结构的层间滑移失效概率预测方法 |
CN116842812A (zh) * | 2023-09-01 | 2023-10-03 | 国网浙江省电力有限公司电力科学研究院 | 计及材料分布不均匀性的储氢瓶疲劳失效预测方法及*** |
CN117191311A (zh) * | 2023-08-14 | 2023-12-08 | 暨南大学 | 物流非平稳、非高斯振动下产品的加速振动试验方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2500836A2 (en) * | 2011-03-16 | 2012-09-19 | Airbus Operations Limited | Stresses induced by random loading |
CN104268335A (zh) * | 2014-09-23 | 2015-01-07 | 工业和信息化部电子第五研究所 | 微组装组件振动疲劳寿命预测方法和*** |
CN104392073A (zh) * | 2014-12-12 | 2015-03-04 | 中国航空综合技术研究所 | 一种基于故障物理的电子产品可靠性加速试验方法 |
CN108763611A (zh) * | 2018-03-28 | 2018-11-06 | 北京航空航天大学 | 一种基于概率密度演化的机翼结构随机特征值分析方法 |
CN109492345A (zh) * | 2019-01-10 | 2019-03-19 | 西安交通大学 | 一种基于SENet的透平叶片高周疲劳寿命预测方法 |
CN110532723A (zh) * | 2019-09-06 | 2019-12-03 | 北京航空航天大学 | 一种基于egra的涡轮盘多失效模式可靠性优化方法 |
CN110750875A (zh) * | 2019-09-26 | 2020-02-04 | 东南大学 | 仅利用输出响应的结构动静态参数不确定性定量分析*** |
CN112257320A (zh) * | 2020-10-26 | 2021-01-22 | 西安石油大学 | 一种机载机箱振动疲劳特性分析的方法 |
-
2021
- 2021-12-02 CN CN202111459422.1A patent/CN114429060B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2500836A2 (en) * | 2011-03-16 | 2012-09-19 | Airbus Operations Limited | Stresses induced by random loading |
CN104268335A (zh) * | 2014-09-23 | 2015-01-07 | 工业和信息化部电子第五研究所 | 微组装组件振动疲劳寿命预测方法和*** |
CN104392073A (zh) * | 2014-12-12 | 2015-03-04 | 中国航空综合技术研究所 | 一种基于故障物理的电子产品可靠性加速试验方法 |
CN108763611A (zh) * | 2018-03-28 | 2018-11-06 | 北京航空航天大学 | 一种基于概率密度演化的机翼结构随机特征值分析方法 |
CN109492345A (zh) * | 2019-01-10 | 2019-03-19 | 西安交通大学 | 一种基于SENet的透平叶片高周疲劳寿命预测方法 |
CN110532723A (zh) * | 2019-09-06 | 2019-12-03 | 北京航空航天大学 | 一种基于egra的涡轮盘多失效模式可靠性优化方法 |
CN110750875A (zh) * | 2019-09-26 | 2020-02-04 | 东南大学 | 仅利用输出响应的结构动静态参数不确定性定量分析*** |
CN112257320A (zh) * | 2020-10-26 | 2021-01-22 | 西安石油大学 | 一种机载机箱振动疲劳特性分析的方法 |
Non-Patent Citations (3)
Title |
---|
张亚卿: "中置轴轿运车车架结构疲劳寿命分析及优化", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
董国疆等: "考虑低载荷强化效应的汽车转向节疲劳分析", 《汽车工程》 * |
陆秋海等: "利用模态试验参数识别结构损伤的神经网络法", 《工程力学》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115096378A (zh) * | 2022-08-29 | 2022-09-23 | 宇一精工科技(南通)有限公司 | 一种橡胶垫错位故障智能识别方法 |
CN116663320A (zh) * | 2023-06-27 | 2023-08-29 | 中国工程物理研究院研究生院 | 多层异质预紧夹层结构的层间滑移失效概率预测方法 |
CN116663320B (zh) * | 2023-06-27 | 2024-01-26 | 中国工程物理研究院研究生院 | 多层异质预紧夹层结构的层间滑移失效概率预测方法 |
CN116629078A (zh) * | 2023-07-21 | 2023-08-22 | 成都航空职业技术学院 | 一种汽车疲劳寿命耐久性预测方法及*** |
CN116629078B (zh) * | 2023-07-21 | 2023-10-13 | 成都航空职业技术学院 | 一种汽车疲劳寿命耐久性预测方法及*** |
CN117191311A (zh) * | 2023-08-14 | 2023-12-08 | 暨南大学 | 物流非平稳、非高斯振动下产品的加速振动试验方法 |
CN117191311B (zh) * | 2023-08-14 | 2024-05-24 | 暨南大学 | 物流非平稳、非高斯振动下产品的加速振动试验方法 |
CN116842812A (zh) * | 2023-09-01 | 2023-10-03 | 国网浙江省电力有限公司电力科学研究院 | 计及材料分布不均匀性的储氢瓶疲劳失效预测方法及*** |
CN116842812B (zh) * | 2023-09-01 | 2023-11-24 | 国网浙江省电力有限公司电力科学研究院 | 计及材料分布不均匀性的储氢瓶疲劳失效预测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN114429060B (zh) | 2022-12-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114429060B (zh) | 考核疲劳振动中结构错位失效及寿命预测的方法 | |
CN110069860B (zh) | 伸缩节可靠性疲劳寿命评估方法 | |
CN112100765B (zh) | 一种涡轮盘冷挤压强化孔结构的高低周复合疲劳试验件及设计方法 | |
US20030004679A1 (en) | Method and apparatus for predicting failure in a system | |
CN112784356B (zh) | 一种飞机结构静强度的试验方法 | |
CN113125888A (zh) | 基于故障行为的航空机电产品加速寿命试验方法 | |
CN111191391B (zh) | 一种基于局部应力分布加权系数的模拟件设计方法 | |
Sun | A new stress field intensity model and its application in component high cycle fatigue research | |
CN114254533B (zh) | 考核疲劳振动对产品组部件固定角度影响和预测的方法 | |
CN113919078A (zh) | 一种尺寸效应下耦合应力梯度的缺口结构疲劳分析方法 | |
CN117763903A (zh) | 随机振动疲劳分析方法、装置、电子设备和存储介质 | |
Su | A road load data processing technique for durability optimization of automotive products | |
CN117408100A (zh) | 一种基于bp神经网络的群组螺栓预紧力分布预测方法 | |
CN112733399B (zh) | 随机振动中螺栓的失效评估方法、装置 | |
Lee et al. | Development of the fatigue life model for plastic gears of automotive actuators under vibration | |
LIN | Exhaust system reliability evaluation | |
Bonte et al. | Prediction of mechanical fatigue caused by multiple random excitations | |
CN115219216A (zh) | 一种排气***的寿命评价方法 | |
CN109376476B (zh) | 装配应力工程计算方法 | |
CN113139316A (zh) | 一种利用频响函数指标辨识二维梁结构刚度薄弱环节的方法 | |
Ohri et al. | Compressor wheel low cycle fatigue calculations for off highway applications—An approach to accurately calculate application duty cycle | |
Su et al. | Cae virtual test of air intake manifolds using coupled vibration and pressure pulsation loads | |
Songsong et al. | Research of the accelerated fatigue experiment method based on the particle filtering algorithm method and the theory of crack growth | |
CN111581737B (zh) | 一种基于有限元仿真的结构件可靠性评估方法及*** | |
Su | Automotive structural durability design using dynamic simulation and fatigue damage sensitivity techniques |
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 |