基于数字孪生技术和数据融合的裂纹扩展预测方法技术

本发明专利技术公开的基于数字孪生技术和数据融合的裂纹扩展预测方法，首先，建立裂纹扩展有限元模型，并提取不同裂纹长度对应的应力强度因子幅以及仿真应变数据与实测应变数据；其次，基于Paris公式建立裂纹扩展预测的状态空间模型并进一步构建裂纹扩展动态贝叶斯网络；最后，采用粒子滤波算法对具有不确定性的Paris参数进行更新以及预测裂纹扩展。本发明专利技术基于数字孪生技术和数据融合的裂纹扩展预测方法通过布置应变传感器监测裂纹实时状态，并将实测应变数据进行融合，从而根据结构的真实状态更新裂纹扩展预测的状态空间模型中的具有不确定性的Paris参数，实现裂纹扩展预测的状态空间模型实时、准确地更新和预测。准确地更新和预测。准确地更新和预测。

【技术实现步骤摘要】
基于数字孪生技术和数据融合的裂纹扩展预测方法


[0001]本专利技术属于机械结构健康监测
，具体涉及一种基于数字孪生技术和数据融合的裂纹扩展预测方法。

技术介绍

[0002]疲劳裂纹是金属结构中常见的损伤形式之一。金属结构在循环载荷的不断作用下会产生疲劳，局部应力最高区域或者最薄弱的晶粒处会生成微观裂纹，随着裂纹持续的增长逐渐变为宏观裂纹，最终导致结构断裂，极有可能造成重大的安全事故。因此，对结构裂纹扩展监测和预测具有非常重要的意义。
[0003]在裂纹扩展监测中，一般建立数学模型对裂纹结构的扩展进行预测，其中的一些参数往往作为定值。而在实际工程中，由于结构的外观尺寸、材料差异、制造缺陷和裂纹的大小、形状等因素的影响，数学模型中的参数往往是不确定的，其不确定性对裂纹扩展预测结果影响很大。目前，常用的裂纹扩展预测方法是基于Paris公式及其改进算法进行预测，但由于结构的差异性与外界环境的复杂性，公式中的Paris参数不确定性较大，从而导致预测的误差较大。

技术实现思路

[0004]本专利技术的目的是提供一种基于数字孪生技术和数据融合的裂纹扩展预测方法，解决了现有技术中存在的由于Paris参数不确定性较大造成的预测误差较大的问题。
[0005]本专利技术所采用的技术方案是，基于数字孪生技术和数据融合的裂纹扩展预测方法，具体包括以下步骤：
[0006]步骤1、建立裂纹扩展有限元模型；
[0007]步骤2、基于裂纹扩展有限元模型，提取不同裂纹长度对应的应力强度因子幅以及仿真应变数据与实测应变数据；
[0008]步骤3、结合仿真应变数据与实测应变数据基于Paris公式建立裂纹扩展预测的状态空间模型，包括状态方程和观测方程；
[0009]步骤4、基于裂纹扩展预测的状态空间模型建立裂纹扩展动态贝叶斯网络，以图模型的形式表示裂纹的演化过程；
[0010]步骤5、采用粒子滤波算法作为裂纹扩展动态贝叶斯网络的推理算法，对具有不确定性的Paris参数进行更新以及预测裂纹扩展。
[0011]本专利技术的特征还在于，
[0012]步骤1具体过程为：在Abaqus有限元分析软件中建立裂纹有限元模型，并通过软件的脚本接口开发裂纹扩展程序实现有限元模型中裂纹的连续扩展，获得裂纹扩展有限元模型。
[0013]步骤2具体包括以下步骤：
[0014]步骤2.1、基于裂纹扩展有限元模型的应变云图确定若干个代表位置，并在待预测
板材对应的各代表位置设置应变传感器；
[0015]步骤2.2、提取各代表位置不同裂纹长度对应的应力强度因子幅及仿真应变数据与实测应变数据。
[0016]代表位置为裂纹扩展有限元模型的应变云图中应变变化明显的位置，代表位置有三处，分别为裂纹左侧、裂纹尖端和裂纹右侧。
[0017]步骤3具体包括以下步骤：
[0018]步骤3.1、融合各代表位置的实测应变数据，获得融合应变测量数据用于建立空间状态模型；
[0019]步骤3.2、基于式(3.3)所示的Paris公式建立裂纹扩展预测的状态空间模型，通过离散化Paris公式得到状态方程，通过拟合不同裂纹长度的融合应变测量数据得到观测方程，
[0020]da/dN＝c(ΔK)
m
(3.3)
[0021]式中，a为裂纹长度，N为载荷循环次数，c、m为具有不确定性的Paris参数，通过代入裂纹扩展的实测应变数据计算得到，ΔK为应力强度因子幅。
[0022]步骤3.1中各代表位置的实测应变数据具体融合过程为：
[0023]步骤3.1.1、根据公式(3.1)计算裂纹扩展有限元模型各代表位置实测应变数据变化的灵敏度：
[0024][0025]式中，W为灵敏度，ε为实测应变数据，a为裂纹长度；
[0026]步骤3.1.2、以裂纹扩展有限元模型各代表位置的灵敏度作为融合权重，采用动态加权融合方法对各代表位置的实测应变数据进行融合，输出融合应变测量数据如下：
[0027][0028]式中：ε1、ε2、ε3分别为裂纹左侧、裂纹尖端和裂纹右侧的实测应变数据，W1、W2、W3分别为裂纹左侧、裂纹尖端和裂纹右侧实测应变数据变化的灵敏度。
[0029]步骤3中状态空间模型的状态方程如下：
[0030]a
t
＝a
t
‑1+c(ΔK)
m
ΔN+W
t
(3.4)
[0031]式中，a
t
‑1为t
‑
1时刻的裂纹长度，a
t
为t
‑
1时刻后预测的裂纹长度，W
t
为状态噪声，ΔN为t
‑
1时刻与t时刻间的载荷循环次数。
[0032]步骤3中状态空间模型的观测方程如下：
[0033][0034]式中，为t时刻的融合应变测量数据，a
t
为t时刻的裂纹长度，V
t
为观测噪声，f为拟合的函数关系。
[0035]步骤4中动态贝叶斯网络的具体建立过程为：基于状态空间模型对网络进行构建，当裂纹结构在t
‑
1时刻受到循环拉伸载荷F，通过有限元分析可以计算获得此时的应力强度因子ΔK，进而通过式(3.4)计算裂纹扩展的增量Δa
t
‑1，并得到此时刻预测的裂纹长度a
t
‑1；如果在t
‑
1时刻测量到实测应变数据ε
t
‑1，则将该实测应变数据ε
t
‑1代入到公式(3.5)中可以
反演得到t
‑
1时刻的真实裂纹长度；将当前时刻预测的裂纹长度a
t
‑1与反演的真实裂纹长度进行分析对比，得到t时刻的裂纹初始长度其中，t
‑
1时刻的Paris参数c
t
‑1和m
t
‑1经过更新后参与到t时刻的预测中。
[0036]步骤5具体包括以下步骤：
[0037]步骤5.1、在t
‑
1时刻从具有不确定性的Paris参数中按照其分布独立采样n个粒子，通过步骤2计算此裂纹长度下的ΔK，并通过状态方程计算得到n个t时刻裂纹增长后的预测长度a
t
；
[0038]步骤5.2、判断是否有观测数据更新，若无，则代入状态方程计算平均裂纹长度作为预测的裂纹长度a，预测结束；若有，则将a
t
代入到观测方程中得到n个ε
pre
，通过式(5.1)计算粒子集合的应变预测值ε
pre
与测量值之间的偏差的绝对值dε
i
，
[0039][0040]式中，ε
pre
为预测的应变数据，为融合应变测量数据；
[0041]步骤5.3、进行重要性采样，具体是将dε
i
代入到高斯函数中，根据式(5.本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于数字孪生技术和数据融合的裂纹扩展预测方法，其特征在于，具体包括以下步骤：步骤1、建立裂纹扩展有限元模型；步骤2、基于裂纹扩展有限元模型，提取不同裂纹长度对应的应力强度因子幅以及仿真应变数据与实测应变数据；步骤3、结合仿真应变数据与实测应变数据基于Paris公式建立裂纹扩展预测的状态空间模型，包括状态方程和观测方程；步骤4、基于裂纹扩展预测的状态空间模型建立裂纹扩展动态贝叶斯网络，以图模型的形式表示裂纹的演化过程；步骤5、采用粒子滤波算法作为裂纹扩展动态贝叶斯网络的推理算法，对具有不确定性的Paris参数进行更新以及预测裂纹扩展。2.根据权利要求1所述的基于数字孪生技术和数据融合的裂纹扩展预测方法，其特征在于，步骤1具体过程为：在Abaqus有限元分析软件中建立裂纹有限元模型，并通过软件的脚本接口开发裂纹扩展程序实现有限元模型中裂纹的连续扩展，获得裂纹扩展有限元模型。3.根据权利要求2所述的基于数字孪生技术和数据融合的裂纹扩展预测方法，其特征在于，步骤2具体包括以下步骤：步骤2.1、基于裂纹扩展有限元模型的应变云图确定若干个代表位置，并在待预测板材对应的各代表位置设置应变传感器；步骤2.2、提取各代表位置不同裂纹长度对应的应力强度因子幅及仿真应变数据与实测应变数据。4.根据权利要求3所述的基于数字孪生技术和数据融合的裂纹扩展预测方法，其特征在于，所述代表位置为裂纹扩展有限元模型的应变云图中应变变化明显的位置，所述代表位置有三处，分别为裂纹左侧、裂纹尖端和裂纹右侧。5.根据权利要求3所述的基于数字孪生技术和数据融合的裂纹扩展预测方法，其特征在于，步骤3具体包括以下步骤：步骤3.1、融合各代表位置的实测应变数据，获得融合应变测量数据用于建立空间状态模型；步骤3.2、基于式(3.3)所示的Paris公式建立裂纹扩展预测的状态空间模型，通过离散化Paris公式得到状态方程，通过拟合不同裂纹长度的融合应变测量数据得到观测方程，da/dN＝c(ΔK)
m
(3.3)式中，a为裂纹长度，N为载荷循环次数，c、m为具有不确定性的Paris参数，通过代入裂纹扩展的实测应变数据计算得到，ΔK为应力强度因子幅。6.根据权利要求5所述的基于数字孪生技术和数据融合的裂纹扩展预测方法，其特征在于，步骤3.1中各代表位置的实测应变数据具体融合过程为：步骤3.1.1、根据公式(3.1)计算裂纹扩展有限元模型各代表位置实测应变数据变化的灵敏度：
式中，W为灵敏度，ε为实测应变数据，a为裂纹长度；步骤3.1.2、以裂纹扩展有限元模型各代表位置的灵敏度作为融合权重，采用动态加权融合方法对各代表位置的实测应变数据进行融合，输出融合应变测量数据如下：式中：ε1、ε2、ε3分别为裂纹左侧、裂纹尖端和裂纹右侧的实测应变数据，W1、W2、W3分别为裂纹左侧、裂纹尖端和裂纹右侧实测应变数据变化的灵敏度。7.根据权利要求5所述的基于数字孪生技术和数据融合的裂纹扩展预测方法，其特征在于，步骤3中状态空间模型的状态方程如下：a
t
＝a
t
‑1+c(ΔK)
m
ΔN+W
t
(3.4)式中，a
t
‑1为t
‑
1时刻的裂纹长...

【专利技术属性】
技术研发人员：常琦，陈乐乐，赵恒，谢方勤，高鹤明，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：