一种用于检测装备在毁灭性碰撞时承载能力的原位无损检测方法专利检索-无损检测材料测试专利检索查询-专利查询网

一种用于检测装备在毁灭性碰撞时承载能力的原位无损检测方法

阅读：49发布：2020-05-11

专利汇可以提供一种用于检测装备在毁灭性碰撞时承载能力的原位无损检测方法专利检索，专利查询，专利分析的服务。并且针对无损检测与毁灭性碰撞，分属量级与性质均截然不同的两个变形层次，至今尚未提出揭示这两个层次映射关系的数学/ 力学理论的现状，本发明提出一种基于人工智能的用于检测装备在毁灭性碰撞时承载能力的原位无损检测方法，其借助人工智能，在无损检测与毁灭性碰撞这两个量级与性质均截然不同的变形层次之间，建立起特殊联系机制。即基于机器学习理论，在装备的特征参数与毁灭性碰撞时装备的承载能力之间，架起一座人工智能的桥梁 (AI模型)，基于结构动力识别方法等无损检测方法获取装备的特征参数，再借助AI模型，获取毁灭性碰撞时装备的承载能力，实现毁灭性碰撞时装备承载能力的原位无损检测。与现有技术相比，本发明技术方案的有益效果是：利用无损检测方法实现毁灭性碰撞条件下装备承载能力的原位无损检测。，下面是一种用于检测装备在毁灭性碰撞时承载能力的原位无损检测方法专利的具体信息内容。

权利要求

1.一种用于检测装备在毁灭性碰撞时承载能力的原位无损检测方法，其特征在于：借助人工智能，在装备的特征参数与毁灭性碰撞时装备的承载能力之间，架起一座人工智能的桥梁(AI模型)，基于结构动力识别方法等无损检测方法获取装备的特征参数，再借助AI模型，获取毁灭性碰撞时装备的承载能力，实现毁灭性碰撞时装备承载能力的原位无损检测,具体实施步骤如下：
S1：制定用于构造AI模型的样本装备试验规划；
S2：基于结构动力识别方法获得装备的动力学特征参数，基于量具测量得到装备的结构尺寸等物理参数，装备的动力学特征参数与结构尺寸等物理参数共同构成样本装备的特征参数；
S3：利用碰撞试验平台，基于毁灭性碰撞试验，获取样本装备在毁灭性碰撞时的承载能力；
S4：基于机器学习理论，以S2与S3的结果作为训练样本，建立以S2的结果为输入、S3的结果为输出的AI模型；
S5：基于AI模型预测结果与实物试验结果，构造出误差集，针对误差集，利用主元法确定AI模型在给定置信度下的置信区间；
S6：对待测装备，基于结构动力识别方法获得装备的动力学特征参数，基于量具测量得到装备的结构尺寸等物理参数，先将装备的动力学特征参数与结构尺寸等物理参数共同构成样本装备的特征参数，再借助AI模型，获取待测装备在毁灭性碰撞时的承载能力及其置信区间。
2.根据权利要求1所述的一种用于检测装备在毁灭性碰撞时承载能力的原位无损检测方法，其特征在于：步骤S1中样本装备试验规划，是在单因素分析的基础上，针对敏感因素及其有效取值区间，采用正交试验表制定的，正交表中的各因素及水平，包括各种典型的使用环境条件对应的物理参数与力学参数以及装备的代表性型号对应的关键几何参数。
3.根据权利要求1所述的一种用于检测装备在毁灭性碰撞时承载能力的原位无损检测方法，其特征在于：步骤S2中获取的特征参数，其装备的结构尺寸等物理参数是由量具测量得到的,其动力学特征参数是利用力锤激振法对装备实施激振后，拾取装备测点的动力响应，再利用结构动力识别方法，识别出结构动力学模型的动力学特征参数,其中，拾取装备测点的动力响应采用数字滤波方式通过低通滤波软件滤除了干扰信号。
4.根据权利要求1所述的一种用于检测装备在毁灭性碰撞时承载能力的原位无损检测方法，其特征在于：步骤S3中获取的承载能力，是采用高速数据采集卡进行数据采集的，且采样频率不小于1MHz,采集的承载能力，是剔除了测试装置惯性效应影响的结果，并采用数字滤波方式通过低通滤波软件滤除了干扰信号。
5.根据权利要求1所述的一种用于检测装备在毁灭性碰撞时承载能力的原位无损检测方法，其特征在于：步骤S4中的AI模型，是采用最小二乘支持向量机构造的。
6.根据权利要求1所述的一种用于检测装备在毁灭性碰撞时承载能力的原位无损检测方法，其特征在于：步骤S5中AI模型置信区间的确定，是根据AI模型的预测结果与实物试验结果，构造出误差集，再针对误差集，利用主元法确定AI模型在给定置信度下的置信区间。
7.根据权利要求1所述的一种用于检测装备在毁灭性碰撞时承载能力的原位无损检测方法，其特征在于：步骤S6中对待测装备的测试，是无损检测的测试，不再需要开展碰撞试验。

说明书全文

一种用于检测装备在毁灭性碰撞时承载能力的原位无损检测

方法

技术领域

[0001] 本发明涉及无损检测领域，更具体地，涉及一种用于检测装备在毁灭性碰撞时承载能力的原位无损检测方法。

背景技术

[0002] 装备在毁灭性碰撞时的承载能力决定着装备在抵抗外界入侵物体打击时的安全防护能力，如汽车、列车、飞机、公路交通安全设施等的碰撞安全防护能力，卫星、航母、舰艇、坦克、装甲车、大型水坝、核电设施等抵抗导弹等外部物体打击的能力，这些都是装备在毁灭性碰撞时承载能力的例子，对装备在毁灭性碰撞时承载能力的检测，目前只有实物试验这一方法，但试验周期长、成本高、试验次数受限，且难以实现原位检测。

[0003] 无损检测适合原位检测，但无损检测的非破坏性，使其只能检测微小变形时的特征参数，但毁灭性碰撞时装备的承载能力是含大位移、大转动的弹塑性大变形时的特征参数，现有无损检测方法不能检测弹塑性大变形时的特征参数。

[0004] 无损检测与毁灭性碰撞，分属量级与性质均截然不同的两个变形层次，至今尚未提出揭示这两个层次映射关系的数学/力学理论。显然，只有建立起这两个层次之间的映射关系或特殊联系机制，才能通过无损检测得到的特征参数，获取毁灭性碰撞时的特征参数。蓬勃发展的人工智能具备建立这类特殊联系机制的潜力，从而为毁灭性碰撞时装备承载能力的无损检测指明了发展新方向。本发明正是在这一背景下应运而生的。

发明内容

[0005] 针对现有无损检测方法不能检测弹塑性大变形时的特征参数的现状，本发明提出一种用于检测装备在毁灭性碰撞时承载能力的原位无损检测方法，实施步骤如下：S1：制定用于构造AI模型的样本装备试验规划；
S2：基于结构动力识别方法获得装备的动力学特征参数，基于量具测量得到装备的结构尺寸等物理参数，装备的动力学特征参数与结构尺寸等物理参数共同构成样本装备的特征参数；
S3：利用碰撞试验平台，基于毁灭性碰撞试验，获取样本装备在毁灭性碰撞时的承载能力；
S4：基于机器学习理论，以S2与S3的结果作为训练样本，建立以S2的结果为输入、S3的结果为输出的AI模型；
S5：基于AI模型的预测结果与实物试验结果，构造出误差集，针对误差集，利用主元法确定AI模型在给定置信度下的置信区间；
S6：对待测装备，基于结构动力识别方法获得装备的动力学特征参数，基于量具测量得到装备的结构尺寸等物理参数，先将装备的动力学特征参数与结构尺寸等物理参数共同构成样本装备的特征参数，再借助AI模型，获取待测装备在毁灭性碰撞时的承载能力及其置信区间。

[0006] 优选地，步骤S1中样本装备试验规划，是在单因素分析的基础上，针对敏感因素及其有效取值区间，采用正交试验表制定的，正交表中的各因素及水平，包括各种典型的使用环境条件对应的物理参数与力学参数以及装备的代表性型号对应的关键几何参数。

[0007] 优选地，步骤S2中获取的特征参数，其装备的结构尺寸等物理参数是由量具测量得到的，量具是经过标定/校准的。其动力学特征参数是利用力锤激振法对装备实施激振后，利用传感器拾取装备测点的动力响应，再利用结构动力识别方法，识别出结构动力学模型的动力学特征参数。其中，拾取装备测点的动力响应采用数字滤波方式通过低通滤波软件滤除了干扰信号，力锤与传感器是经过标定/校准的。

[0008] 优选地，步骤S3中获取的承载能力，是选择带高速数据采集卡的测试系统进行数据采集的，且采样频率以不小于1MHz为佳。采集的承载能力，是剔除了测试装置惯性效应影响的结果，并采用数字滤波方式通过低通滤波软件滤除了干扰信号，用于获取承载能力的试验装备及带高速数据采集卡的测试系统均是经过标定/校准的。

[0009] 优选地，步骤S4中的AI模型，是采用最小二乘支持向量机构造的。

[0010] 优选地，步骤S5中对AI模型置信区间的确定，是利用AI模型的预测结果与实物试验结果，构造出误差集，再针对误差集，利用主元法确定AI模型在给定置信度下的置信区间。

[0011] 步骤S5中对待测装备的测试，是无损检测的测试，不再需要开展碰撞试验。

[0012] 与现有技术相比，本发明技术方案的有益效果是：利用无损检测方法实现毁灭性碰撞条件下装备承载能力的原位无损检测。附图说明

[0013] 图1为本发明的方法流程图。

具体实施方式

[0014] 附图仅用于示例性说明，不能理解为对本专利的限制，下面结合附图和实施例对本发明的技术方案做进一步的说明。

[0015] 实施例1：对于某一装备，通过如下步骤，实现其毁灭性碰撞时承载能力的原位无损检测。

[0016] S1：制定用于构造AI模型的样本装备试验规划。首先，针对装备的各种典型的使用环境条件，确定其主要的物理参数与力学参数(如涉及桩基的装备，需要确定桩基土的物理参数与力学参数)，同时，根据装备的代表性型号，确定装备的关键几何参数。然后，对装备在毁灭性碰撞时的承载能力进行单因素分析(具体的单因素分析，可以是碰撞试验，也可以是仿真分析，本例中采用仿真分析)，对影响毁灭性碰撞时装备承载能力的各个因素进行单因素分析，确定各因素取值大小对装备承载能力的影响规律，从而在各因素中，找出对装备承载能力影响显著的因素——敏感因素，同时，根据设计的可行域及制造工艺水平，确定各敏感因素的有效取值区间。随后，根据AI模型的预测精度与训练样本容量的关系，以及研制经费的多寡，确定能够提供给AI模型的训练样本总数。最后，根据训练样本总数、敏感因素的数量，在正交试验表中选取符合要求的正交试验表，确定各敏感因素的水平数，从而完成用于构造AI模型的样本装备试验规划。

[0017] S2：对S1规划的全部样本装备，基于结构动力识别方法获得装备的动力学特征参数，基于量具测量得到装备的结构尺寸等物理参数，装备的动力学特征参数与结构尺寸等物理参数共同构成样本装备的特征参数。首先，利用量具对样本装备的关键几何参数进行测量，得到装备的结构尺寸等物理参数并记录在案。然后，利用力锤等激振设施，对装备进行激振并记录下力锤等激振设施施加在装备上的激振力函数，对记录的激振力函数要采用数字滤波方式通过低通滤波软件滤除掉干扰信号；利用安装在装备测点上的传感器，拾取装备测点的动力学响应，对拾取的动力响应，采用数字滤波方式通过低通滤波软件滤除掉干扰信号。随后，开展装备在力锤激振下的动力学响应模拟仿真分析，即通过任意给定一组动力学特征参数，建立装备的动力学响应分析模型，将激振力函数施加在与实物对应的分析模型的位置，通过对动力学响应分析模型的仿真分析，得到与实物测点对应的分析模型上测点的动力学响应，同样地，对仿真分析得到的动力学响应，也要采用数字滤波方式通过低通滤波软件滤除掉干扰信号。最后，利用结构动力识别方法，开展装备动力学特征参数的反演识别研究，即以实物测点与模型测点对应动力学响应之间的误差最小化为目标，不断优化调整装备的动力学特征参数，如此循环，直至实物测点与模型测点对应动力学响应之间的误差达到预期目标，此时对应的动力学特征参数就是所求的样本装备的动力学特征参数。

[0018] S3：利用碰撞试验平台，对S1规划的全部样本装备，开展毁灭性碰撞试验，获取全部样本装备的承载能力。试验数据采用高速数据采集卡进行数据采集的，且采样频率不小于 1MHz。对采集到的装备承载能力，设法剔除掉测试装置惯性效应的影响，同时，采用数字滤波方式通过低通滤波软件滤除掉干扰信号。

[0019] S4：采用机器学习理论中的最小二乘支持向量机或神经网络，以S2与S3的结果作为训练样本，建立以S2的结果为输入、S3的结果为输出的AI模型。

[0020] S5：利用AI模型的预测结果与实物试验结果，构造出误差集，此处的实物试验结果可以是训练样本集，AI模型的预测结果则是与训练样本集同规模的预测样本集，据此构造出误差集，再针对误差集，利用主元法确定AI模型在给定置信度下的置信区间。

[0021] S6：开展原位测试，其步骤如下：

[0022] S61：确定待测装备的特征参数；

[0023] S611：利用量具对待测装备的关键几何参数进行测量，得到待测装备的结构尺寸等物理参数并记录在案；

[0024] S612：利用力锤等激振设施，对待测装备进行激振并记录下力锤等激振设施施加在待测装备上的激振力函数，对记录的激振力函数要采用数字滤波方式通过低通滤波软件滤除掉干扰信号；利用安装在待测装备测点上的传感器，拾取待测装备测点的动力学响应，对拾取的动力响应，采用数字滤波方式通过低通滤波软件滤除掉干扰信号；

[0025] S613：开展待测装备在力锤激振下的动力学响应模拟仿真分析，即通过任意给定一组动力学特征参数，建立待测装备的动力学响应分析模型，将激振力函数施加在与实物对应的分析模型的位置，通过对动力学响应分析模型的仿真分析，得到与实物测点对应的分析模型上测点的动力学响应，同样地，对仿真分析得到的动力学响应，也要采用数字滤波方式通过低通滤波软件滤除掉干扰信号；

[0026] S614：利用结构动力识别方法，开展待测装备动力学特征参数的反演识别研究，即以实物测点与模型测点对应动力学响应之间的误差最小化为目标，不断优化调整待测装备的动力学特征参数，如此循环，直至实物测点与模型测点对应动力学响应之间的误差达到预期目标，此时对应的动力学特征参数就是所求的待测装备的动力学特征参数；

[0027] S615：将S611得到待测装备的结构尺寸等物理参数，与S614得到的待测装备的动力学特征参数合并成待测装备的特征参数；

[0028] S62：以S615的待测装备的特征参数为AI模型的输入参数，借助AI模型，得到待测装备在毁灭性碰撞时的承载能力；

[0029] S63：利用S5中给出的AI模型在给定置信度下的置信区间，确定S62中待测装备在毁灭性碰撞时的承载能力的置信区间；本发明提出了一种用于检测装备在毁灭性碰撞时承载能力的原位无损检测方法，其借助人工智能，在无损检测与毁灭性碰撞这两个量级与性质均截然不同的变形层次之间，建立起特殊联系机制。即基于机器学习理论，在装备的特征参数与毁灭性碰撞时装备的承载能力之间，架起一座人工智能的桥梁(AI模型)，基于结构动力识别方法等无损检测方法获取装备的特征参数，再借助AI模型，获取毁灭性碰撞时装备的承载能力，实现毁灭性碰撞时装备承载能力的原位无损检测。与现有技术相比，本发明技术方案的有益效果是：利用无损检测方法实现毁灭性碰撞条件下装备承载能力的原位无损检测。。

[0030] 显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

标题	发布/更新时间	阅读量
静电吸附式焊点超声波自动检测装置及方法	2020-05-08	741
一种苹果内外品质在线无损检测方法	2020-05-08	438
一种斜入射线聚焦SV波曲面曲折线圈的设计方法	2020-05-08	682
一种SLM成型炮钢的力学性能无损检测方法	2020-05-08	622
一种工业X光图像的分类方法	2020-05-08	72
一种基于机器视觉的钙钛矿薄膜质量检测装置及方法	2020-05-08	110
压力容器顶盖封头吊装用吊具工装的焊接方法及其应用	2020-05-08	605
基于影像组学的脑胶质瘤分子标记物无损预测方法和预测系统	2020-05-11	783
一种中小型工件渗透检测仪	2020-05-08	884
钢结构无损检测装置	2020-05-08	352