一种基于结构应力法的焊缝疲劳数字孪生框架制造技术

本发明专利技术属于数字孪生领域，涉及一种基于结构应力法的焊缝疲劳数字孪生框架，该框架分为离线阶段和在线阶段，其中离线阶段包括有限元模型建立、等效结构应力计算和人工智能算法训练；在线阶段包括传感器数据读取、人工智能算法预测、雨流计数法统计和累积损伤计算剩余寿命。该框架结合了有限元法、结构应力法、人工智能算法、上包络线方法、雨流计数法以及Miner线性累积损伤五种方法。本发明专利技术通过对焊缝力学性能和疲劳损伤的实时预测，实现对焊缝危险部位的可视反馈和提前预警。的可视反馈和提前预警。的可视反馈和提前预警。

【技术实现步骤摘要】
一种基于结构应力法的焊缝疲劳数字孪生框架


[0001]本专利技术涉及一种基于结构应力法的焊缝疲劳数字孪生框架，属于数字孪生领域。

技术介绍

[0002]焊接连接是工业领域上非常常见的结构连接方式，在结构设计中占有非常重要的地位，因此焊接的结构强度和疲劳强度都非常重要。一般情况下，平板焊接钢结构的屈服强度和抗拉强度都不低于母材，但是焊缝的疲劳强度远远低于母材的疲劳强度，焊缝失效的主要形式为疲劳，所以焊缝的疲劳强度分析十分重要。
[0003]随着自动化技术和计算机科学的发展，以一种虚拟数字化形式呈现真实世界物理实体的数字孪生技术出现在人们的视野中。数字孪生技术通过真实设备的物理模型、传感器更新、运行历史等数据，集成多学科、多尺度、多物理量的仿真过程，搭建起忠实映射真实设备的数字化孪生体，在设备的全生命周期中实现对设备运行状况监测、检修维护、故障预警等的指导作用。因此，为了避免安全事故的发生，提前感知焊缝的性能状况，从而预知焊缝的疲劳状态，给予工作人员一定的指导，这就迫切需要开发一种基于结构应力法的焊缝疲劳数字孪生框架，但目前市场上没有该类数字孪生框架。特别是针对焊缝的疲劳情况，实现焊缝的疲劳实时监测。

技术实现思路

[0004]本专利技术的目的是提供一种基于结构应力法、人工智能算法、雨流计数法以及疲劳累积损伤方法的焊缝疲劳数字孪生框架，通过对焊缝力学性能和疲劳损伤的实时预测，实现对焊缝危险部位的可视反馈和提前预警。
[0005]本专利技术所要解决的技术难点包括：
[0006](1)如何实现不同状态下焊缝的内部结构应力的计算，保证疲劳数据的准确性和有效性，以实现数字孪生模型的准确性和有效性。
[0007](2)如何基于人工智能算法实现不同状态下焊缝疲劳数字孪生的在线预测，以保证能够提前感知设备的运行状态。
[0008](3)在设备动作时，如何实现基于传感数据
‑
内部结构性能
‑
剩余寿命的输入输出关系,通过少量传感器数据获得结构剩余寿命情况。
[0009]为了解决上述问题，本专利技术通过以下技术方案实现的：
[0010]一种基于结构应力法的焊缝疲劳数字孪生框架，该框架分为离线阶段和在线阶段，其中离线阶段包括有限元模型建立、等效结构应力计算和人工智能算法训练；在线阶段包括传感器数据读取、人工智能算法预测、雨流计数法统计和累积损伤计算剩余寿命。该框架结合了有限元法、结构应力法、人工智能算法、上包络线方法、雨流计数法以及Miner线性累积损伤五种方法。具体如下：
[0011]离线阶段：
[0012](1)建立焊缝的三维模型，并划分网格，从而得到单元和节点的刚度矩阵信息；引
入位移约束条件求解式如式(1)，得到模型全局位移解；根据单元节点编号信息，从全局位移中提出单元上的节点位移；通过将节点位移转换到单元的局部坐标系，然后与单元刚度矩阵相乘得到该单元的所有节点力和节点力矩。
[0013][0014]其中：k为单元刚度矩阵；K为整体刚度矩阵，是基于单元节点编号信息对每个单元累加而成；D为位移矢量；F为力矢量。
[0015](2)基于焊缝的三维模型的节点力和节点力矩的信息，将节点力转换成膜应力，将节点力矩转换成弯曲应力。通过对膜应力和弯曲应力求和，从而获得结构应力数据，如式(2)。
[0016][0017]其中，F
yn
为节点处的节点力；M
xn
为节点处的节点力矩；t为所求焊缝的法向厚度。L只与节点之间的距离相关，定义为单元长度等效矩阵，可表示为：
[0018][0019]其中，l1,
…
,l
n
‑1分别表示节点1至节点n之间的距离。
[0020](3)为了使每个节点处的结构应力连续变化，求得数个工况下焊缝处的结构应力后，采用人工智能算法对所得数据进行训练，来获得焊缝的膜应力和弯曲应力的预测模型。以高斯过程(GP)为例，详细说明人工智能模型的构建过程。GP是一个随机过程，由其均值和协方差函数指定，在处理高维和非线性数据方面具有优势，并支持预测的置信区间。一个高斯过程完全由其均值函数和协方差函数指定，即：
[0021][0022]其中，m(x)是平均函数，k(x,x')是服从高斯分布函数值f的协方差函数，可以表示为f～GP(m(x),k(x,x'))。由下式可给出高斯回归模型：
[0023]y(X)＝f(X)+ε
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0024]其中，X为输入向量，f(
·
)和y(
·
)分别表示潜在函数和输出函数。ε是服从独立的噪声，可以表示为高斯分布考虑n个数据对其中X
i
∈R
d
,y
i
∈R,i＝1,
…
,n。则n个观测值Y＝{y1,
…
,y
n
}为：
[0025]Y～N(m(x),K
X
+T)
ꢀꢀꢀꢀꢀꢀꢀ
(6)
[0026]其中，m(x)是平均函数，K
X
和T分别是输入数据的协方差矩阵和噪声数据。则目标值Y的联合分布以及根据先验预测得到的函数值f
*
为：
[0027][0028]其中，K
XX*
＝K
n
＝(k
ij
)是对所有输入值X和预测点X
*
评估的N
×
N协方差矩阵，m(X)表示X的均值。对于高斯过程回归的关键预测等式可表示为：
[0029][0030]其中，和分别表示预测值f
*
的平均值和方差。
[0031]基于训练数据以及算法流程，构建了焊缝的膜应力和弯曲应力的人工智能模型：
[0032][0033]其中，σ
m
为膜应力，σ
b
为弯曲应力，σ
n
为结构应力，f1、f2、f3为所构造传感数据与膜应力、弯曲应力以及结构应力之间的关系，T1,
…
,T
z
为传感器数据变量。
[0034]在线阶段：
[0035]首先读取传感器的测量数据，将测量数据输入至所训练的人工智能模型如式(9)，从而求得单个循环内的膜应力、弯曲应力以及结构应力随传感数据的变化。
[0036]然后基于雨流计数法对获取的膜应力、弯曲应力以及结构应力数据进行统计，步骤为：
[0037](1)为了缩短统计计数时间，先将读取的数据进行首尾对接，变成只需要进行一次雨流计数的全封闭数据；
[0038](2)利用四峰谷技术原则提取结构应力循环，并记录变化范围，判别条件如下：
[0039][0040]满足以上两个条件中的一个，即可提取一个循环Δx
j
＝|x
i+1...

【技术保护点】

【技术特征摘要】
1.一种基于结构应力法的焊缝疲劳数字孪生框架，其特征在于，所述的框架分为离线阶段和在线阶段，具体如下：离线阶段：(1)建立焊缝的三维模型，并划分网格，从而得到单元和节点的刚度矩阵信息；引入位移约束条件求解式如式(1)，得到模型全局位移解；根据单元节点编号信息，从全局位移中提出单元上的节点位移；通过将节点位移转换到单元的局部坐标系，然后与单元刚度矩阵相乘得到该单元的所有节点力和节点力矩；其中：k为单元刚度矩阵；K为整体刚度矩阵，是基于单元节点编号信息对每个单元累加而成；D为位移矢量；F为力矢量；(2)基于焊缝的三维模型的节点力和节点力矩的信息，将节点力转换成膜应力，将节点力矩转换成弯曲应力；通过对膜应力和弯曲应力求和，从而获得结构应力数据，如式(2)；其中，F
yn
为节点处的节点力；M
xn
为节点处的节点力矩；t为所求焊缝的法向厚度；L只与节点之间的距离相关，定义为单元长度等效矩阵，表示为：其中，l1,
…
,l
n
‑1分别表示节点1至节点n之间的距离；(3)为了使每个节点处的结构应力连续变化，求得数个工况下焊缝处的结构应力后，采用人工智能算法对所得数据进行训练，来获得焊缝的膜应力和弯曲应力的预测模型；基于训练数据以及算法流程，构建焊缝的膜应力和弯曲应力的人工智能模型：其中，σ
m
为膜应力，σ
b
为弯曲应力，σ
n
为结构应力，f1、f2、f3为所构造传感数据与膜应力、弯曲应力以及结构应力之间的关系，T1,
…
,T
z
为传感器数据变量；在线阶段：首先读取传感器的测量数据，将测量数据输入至所训练的人工智能模型如式(9)，从而求得单个循环内的膜应力、弯曲应力以及结构应力随传感数据的变化；然后基于雨流计数法对获取的膜应力、弯曲应力以及结构应力数据进行统计，步骤为：
(1)为了缩短统计计数时间，先将读取的数据进行首尾对接，变成只需要进行一次雨流计数的全封闭数据；(2)利用四峰谷技术原则提取结构应力循环，并记录变化范围，判别条件如下：满足以上两个条件中的一个，即可提取一个循环Δx
j
＝|x
i+1
‑
x
i
|，同时将原应力时间历程中的x
i+1
和x
i
两个点删除，并记录其特征数据：(3)找到结构应力循环中变化范围的最大值和最小值，并按照给定级数在它们之间等距划分相应区间，按照区间对其进行周期统计；基于雨流计数法，从而获取所统计的第k个周期内膜应力、弯曲应力的变化范围如式(5)，以及结构应力所对应的周期数n
k
；其中，表...

【专利技术属性】
技术研发人员：宋学官，何西旺，李昆鹏，来孝楠，杨亮亮，王一棠，孙伟，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：