[發(fā)明專利]基于動態(tài)狀態(tài)的導(dǎo)波-隱馬爾可夫模型裂紋在線評估方法

有效

• 申請?zhí)枺?/td>: 202210560104.2
• 申請日: 2022-05-23
• 公開（公告）號: CN114925452B
• 公開（公告）日: 2023-08-01
• 發(fā)明（設(shè)計(jì)）人: 袁慎芳;陳健;張巾巾
• 申請（專利權(quán)）人: 南京航空航天大學(xué)
• 主分類號: G06F30/15
• 分類號: G06F30/15;G06F30/27;G06F119/02;G06F119/04
• 代理公司: 江蘇圣典律師事務(wù)所 32237
• 代理人: 賀翔

1.一種基于動態(tài)狀態(tài)的導(dǎo)波-隱馬爾可夫模型裂紋在線評估方法，其特征在于，步驟如下：

(1)通過同類結(jié)構(gòu)在健康狀態(tài)下采集的導(dǎo)波觀測值訓(xùn)練離線導(dǎo)波-隱馬爾可夫模型；

(2)在線獲取目標(biāo)結(jié)構(gòu)導(dǎo)波觀測值，輸入至訓(xùn)練后的離線導(dǎo)波-隱馬爾可夫模型，通過判斷訓(xùn)練后的離線導(dǎo)波-隱馬爾可夫模型輸出的平滑概率因子是否超過閾值來診斷結(jié)構(gòu)裂紋萌生；若未超過閾值，則重復(fù)步驟(2)；若超過閾值則裂紋萌生，通過已獲取的目標(biāo)結(jié)構(gòu)導(dǎo)波觀測值重新訓(xùn)練離線導(dǎo)波-隱馬爾可夫模型的參數(shù)，得到在線導(dǎo)波-隱馬爾可夫模型；

(3)通過同類結(jié)構(gòu)在不同裂紋尺寸下獲得的導(dǎo)波觀測值對在線導(dǎo)波-隱馬爾可夫模型的平滑概率因子標(biāo)定模型進(jìn)行訓(xùn)練；

(4)在線獲取目標(biāo)結(jié)構(gòu)導(dǎo)波觀測值，先后輸入在線導(dǎo)波-隱馬爾可夫模型和平滑概率因子標(biāo)定模型中，輸出目標(biāo)結(jié)構(gòu)裂紋評估結(jié)果；

(5)根據(jù)所述評估結(jié)果判斷裂紋是否達(dá)到設(shè)定的閾值，若未達(dá)到閾值則進(jìn)入步驟(6)；若達(dá)到閾值則結(jié)束；

(6)判斷是否進(jìn)行無損檢測，若是則進(jìn)入步驟(7)，若否則返回步驟(4)；

(7)獲取結(jié)構(gòu)真實(shí)裂紋尺寸，結(jié)合已獲取的目標(biāo)結(jié)構(gòu)導(dǎo)波觀測值，增加在線導(dǎo)波-隱馬爾可夫模型的隱含狀態(tài)個(gè)數(shù)，即為動態(tài)狀態(tài)；

(8)采用已獲取的目標(biāo)結(jié)構(gòu)導(dǎo)波觀測值，對增加隱含狀態(tài)后的在線導(dǎo)波-隱馬爾可夫模型進(jìn)行重新訓(xùn)練；

(9)采用同類結(jié)構(gòu)在不同裂紋尺寸下的導(dǎo)波觀測值對平滑概率因子標(biāo)定模型進(jìn)行重新訓(xùn)練，然后修正平滑概率因子標(biāo)定模型；

(10)重復(fù)上述(4)-(9)，實(shí)現(xiàn)結(jié)構(gòu)疲勞裂紋在線評估，直到裂紋評估結(jié)果達(dá)到閾值；

所述步驟(1)中的離線導(dǎo)波-隱馬爾可夫模型和步驟(2)中在線導(dǎo)波-隱馬爾可夫模型具有相同的結(jié)構(gòu)，都包括2個(gè)隱含狀態(tài)，其均表征結(jié)構(gòu)健康狀態(tài)并且可相互轉(zhuǎn)移；

目標(biāo)結(jié)構(gòu)在服役過程中，在線獲取的t時(shí)刻觀測值記為o_t，則連續(xù)獲取的觀測值可組成長度為k的觀測值序列O_t＝{o_t-k+1,o_t-k+2,…,o_t}；序列中o_t-k+1，o_t-k+2和o_t分別表示在t-k+1，t-k+2以及t時(shí)刻獲取的觀測值；在t時(shí)刻，平滑概率因子通過下式計(jì)算得到：

式中，γ_t為t時(shí)刻的平滑概率因子，l為滑動平均長度，λ為訓(xùn)練得到的導(dǎo)波-隱馬爾可夫模型的參數(shù)向量，P(O_t-l+1|λ)，P(O_t-1|λ)，P(O_t|λ)分別為t-l+1時(shí)刻，t-1和t時(shí)刻的觀測似然值；平滑概率因子γ_t越大，表示結(jié)構(gòu)偏離健康狀態(tài)越遠(yuǎn)；根據(jù)經(jīng)驗(yàn)提前設(shè)定閾值γ_th，若γ_t超過閾值，認(rèn)為裂紋萌生；

所述步驟(8)中已獲取的目標(biāo)結(jié)構(gòu)導(dǎo)波觀測值包括：時(shí)刻t_D之前獲取的導(dǎo)波觀測值，其屬于結(jié)構(gòu)健康狀態(tài)S₁和S₂，其中時(shí)刻t_D表示診斷到目標(biāo)結(jié)構(gòu)裂紋萌生的時(shí)刻；時(shí)刻t_D和之間獲取的導(dǎo)波觀測值，屬于結(jié)構(gòu)的損傷狀態(tài)S₃，為第一次無損檢測的時(shí)刻；時(shí)刻和之間獲取的導(dǎo)波觀測值屬于損傷狀態(tài)S_υ+2，其中和分別為第υ-1次和第υ次無損檢測的時(shí)刻；

所述步驟(8)中對增加隱含狀態(tài)后的在線導(dǎo)波-隱馬爾可夫模型進(jìn)行重新訓(xùn)練具體為：將屬于結(jié)構(gòu)健康狀態(tài)S₁和S₂的導(dǎo)波觀測值前90％隨機(jī)均分為兩類，分別賦予健康狀態(tài)S₁和S₂；將時(shí)刻t_D和之間獲取的導(dǎo)波觀測值賦予損傷狀態(tài)S₃，將和之間獲取的導(dǎo)波觀測值，分別賦予對應(yīng)的損傷狀態(tài)S_2+υ；

初始化在線導(dǎo)波-隱馬爾可夫模型中隱含狀態(tài)的先驗(yàn)概率，設(shè)置為π₁＝1，以及π_i＝0，i＞1，其中π₁為狀態(tài)S₁的先驗(yàn)概率，π_i為狀態(tài)S_i的先驗(yàn)概率；

初始化在線導(dǎo)波-隱馬爾可夫模型的先驗(yàn)狀態(tài)轉(zhuǎn)移概率，對于序號i＞j以及i＞2的狀態(tài)，其先驗(yàn)狀態(tài)轉(zhuǎn)移概率初始化為a_i,j＝0，其中a_i,j表示狀態(tài)S_i轉(zhuǎn)移到S_j的概率；對于狀態(tài)序號i＜j，其先驗(yàn)狀態(tài)轉(zhuǎn)移概率初始化為a_i,j＝0.1；對于狀態(tài)序號i＝j(luò)，其先驗(yàn)狀態(tài)轉(zhuǎn)移概率初始化為1-∑a_i,j,i≠j；對于狀態(tài)序號i＝2,j＝1，其先驗(yàn)狀態(tài)轉(zhuǎn)移概率初始化為a_2,1＝0.1；

采用均勻初始化高斯混合模型聚類方法初始化在線導(dǎo)波-隱馬爾可夫模型的觀測概率分布，通過Baum-Welch算法對在線導(dǎo)波-隱馬爾可夫模型的參數(shù)進(jìn)行優(yōu)化。