[發明專利]一種用于檢測裝備在毀滅性碰撞時承載能力的原位無損檢測方法有效
| 申請號: | 201910977030.0 | 申請日: | 2019-10-15 |
| 公開(公告)號: | CN111027168B | 公開(公告)日: | 2022-10-04 |
| 發明(設計)人: | 涂曉威;雷正保 | 申請(專利權)人: | 長沙理工大學 |
| 主分類號: | G06F30/20 | 分類號: | G06F30/20;G01M7/08 |
| 代理公司: | 北京睿智保誠專利代理事務所(普通合伙) 11732 | 代理人: | 周新楣 |
| 地址: | 410114 湖南省*** | 國省代碼: | 湖南;43 |
| 權利要求書: | 查看更多 | 說明書: | 查看更多 |
| 摘要: | |||
| 搜索關鍵詞: | 一種 用于 檢測 裝備 毀滅性 碰撞 承載 能力 原位 無損 方法 | ||
1.裝備在毀滅性碰撞時承載能力的原位無損檢測方法,其特征在于:借助人工智能,在裝備的特征參數與毀滅性碰撞時裝備的承載能力之間,建立一個人工智能的AI模型,用基于結構動力識別方法的無損檢測方法獲取裝備的特征參數,再借助AI模型,獲取毀滅性碰撞時裝備的承載能力,實現毀滅性碰撞時裝備承載能力的原位無損檢測,具體實施步驟如下:
S1:制定用于構造AI模型的樣本裝備試驗規劃;
S2:基于結構動力識別方法獲得裝備的動力學特征參數,基于量具測量得到裝備的結構尺寸的物理參數,裝備的動力學特征參數與結構尺寸的物理參數共同構成樣本裝備的特征參數;
S3:利用碰撞試驗平臺,基于毀滅性碰撞試驗,獲取樣本裝備在毀滅性碰撞時的承載能力;
S4:基于機器學習理論,以S2與S3的結果作為訓練樣本,建立以S2的結果為輸入、S3的結果為輸出的AI模型;
S5:基于AI模型預測結果與實物試驗結果,構造出誤差集,針對誤差集,利用主元法確定AI模型在給定置信度下的置信區間;
S6:對待測裝備,基于結構動力識別方法獲得裝備的動力學特征參數,基于量具測量得到裝備的結構尺寸的物理參數,先將裝備的動力學特征參數與結構尺寸的物理參數共同構成待測裝備的特征參數,再借助AI模型,獲取待測裝備在毀滅性碰撞時的承載能力及其置信區間。
2.根據權利要求1所述的裝備在毀滅性碰撞時承載能力的原位無損檢測方法,其特征在于:步驟S1中樣本裝備試驗規劃,是在單因素分析的基礎上,針對敏感因素及其有效取值區間,采用正交試驗表制定的,正交表中的各因素及水平,包括各種典型的使用環境條件對應的物理參數與力學參數以及裝備的代表性型號對應的關鍵幾何參數。
3.根據權利要求1所述的裝備在毀滅性碰撞時承載能力的原位無損檢測方法,其特征在于:步驟S2中獲取的特征參數,其裝備的結構尺寸的物理參數是由量具測量得到的,其動力學特征參數是利用力錘激振法對裝備實施激振后,拾取裝備測點的動力響應,再利用結構動力識別方法,識別出結構動力學模型的動力學特征參數,其中,拾取裝備測點的動力響應采用數字濾波方式通過低通濾波軟件濾除了干擾信號。
4.根據權利要求1所述的裝備在毀滅性碰撞時承載能力的原位無損檢測方法,其特征在于:步驟S3中獲取的承載能力,是采用高速數據采集卡進行數據采集的,且采樣頻率不小于1MHz,采集的承載能力,是剔除了測試裝置慣性效應影響的結果,并采用數字濾波方式通過低通濾波軟件濾除了干擾信號。
5.根據權利要求1所述的裝備在毀滅性碰撞時承載能力的原位無損檢測方法,其特征在于:步驟S4中的AI模型,是采用最小二乘支持向量機構造的。
6.根據權利要求1所述的裝備在毀滅性碰撞時承載能力的原位無損檢測方法,其特征在于:步驟S5中AI模型置信區間的確定,是根據AI模型的預測結果與實物試驗結果,構造出誤差集,再針對誤差集,利用主元法確定AI模型在給定置信度下的置信區間。
7.根據權利要求1所述的裝備在毀滅性碰撞時承載能力的原位無損檢測方法,其特征在于:步驟S6中對待測裝備的測試,是無損檢測的測試,不再需要開展碰撞試驗。
該專利技術資料僅供研究查看技術是否侵權等信息,商用須獲得專利權人授權。該專利全部權利屬于長沙理工大學,未經長沙理工大學許可,擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作,請聯系【客服】
本文鏈接:http://www.szxzyx.cn/pat/books/201910977030.0/1.html,轉載請聲明來源鉆瓜專利網。





