文摘
裂纹检测和诊断的问题已经得到了广泛的工业利益。裂缝/损伤影响工业经济增长。所以早期裂纹检测是一个重要方面在任何工业增长的观点。本文设计工具ANSYS用于监控各种振动特性变化的薄在悬臂梁横向裂缝检测裂纹的位置和深度,并使用人工智能技术相比。神经网络的使用是发展的关键。三个向前使用级联神经网络反向传播(CFBP)网络,前馈反向传播(FFBP)网络和径向基函数(RBF)网络。在第一阶段已经取得了本文的理论分析和有限元分析进行了使用商业软件ANSYS。在本文的第二阶段使用值的神经网络训练得到一个模拟模型,使用ANSYS实际的悬臂梁。在最后阶段已经取得了比较研究获得的数据从神经网络技术和有限元分析。
1。介绍
裂缝的存在机械成员有灾难性的影响其功能和在检测裂缝可能导致失败的机械员。因此,研究相关裂纹检测一直是一个主要领域的研究人员和学者的兴趣。裂纹检测使用振动分析被认为是最多产的和有效的技术在裂缝检测但振动分析的集成人工智能和软计算技术提供了新的维度裂纹检测和分析。
有很多论文提出不同的方法检测裂缝在一个简单的悬臂梁采用振动分析。裂缝参数的逆测量裂纹的基础振动分析是分析了摘要和相关文献在这方面描述如下。谨言,Rotem1)率先提出了损伤检测通过振动measurements-inverse测量裂纹参数振动参数。他们看的变化动态模,可与频移,表明损伤particle-filled弹性体。动态模,外延的斜坡和旋转动态载荷作用下,应力-应变曲线计算的测试文章从曲线拟测量应力-应变关系,各级的灌装。通过考虑模态频率的变化损害的关键因素,不同的研究人员利用逆方法研究模态频率的变化(2- - - - - -13]。
很多次,很难以确定裂缝参数用悬臂梁的物理模型以及裂纹。为了检查和分析各种参数和模拟一个简单的裂纹悬臂梁的帮助下努力已设计软件。除了使用仿真软件,研究人员使用不同的方法分析整个系统。Sahoo et al。14)使用超声波信号监测的各种振动和异常变化。
成功后监测这些变化和异常的结论是对各种裂缝参数。一般来说如果一个人试图得出这样一个结论遵循理论过程需要他更长一段时间以及减少获得结果的有效性和效率。因此,利用各种方法除了传统的技术来获得一个好的,大约确切的结果。苏雷什et al。15)提出了一个方法通过考虑悬臂梁的弯曲振动与横向裂缝。他们计算模态频率参数分析各种裂纹的位置和深度。在获得这些值获得的参数,所以被用来训练神经网络来识别损伤位置和大小。Saridakis et al。16)提出了模糊逻辑、遗传算法和神经网络的动态行为考虑轴和两个横向裂缝位置、深度和相对角度。小和肖17解决了模型的完全是一个使直线化版本。他们明确地表明,内存的容量与突触的数量而不是数量的神经元。提出了一种方法通过Loutridis et al。18]“强迫振动行为和裂纹检测裂纹梁使用瞬时频率检测裂纹梁根据瞬时频率(如果有)。研究监测呼吸裂纹梁的动态行为。他们进行了谐波激励下的研究与实验和理论结果。的观测数据使用MATLAB仿真和实验测试进行了分析。裂纹的深度之间的关系,建立了瞬时频率的主要区别。瞬时频率被发现是一个很好的指标裂纹的大小。
Thatoi et al。19)综述了各种方法用于裂缝检测和故障诊断。Doebling et al。20.)有了不同的检测技术,结构损伤的位置和描述和错误。包括模态频率的变化,分析模式的形状的变化,以及弹性系数的变化。
钱等。21)用有限元模型预测的行为优势裂纹梁通过一个元素刚度矩阵,这是来自一个集成的应力强度因子。金姆和斯塔布斯[22坐落的位置和大小的估计裂纹梁式结构的固有频率的变化,制定的相关部分模态能量变化由于裂缝的存在。他和张23)提出了一种方法来检测和监测隐藏的疲劳裂纹增长。他们利用诊断信号,生成从附近的压电致动器内置结构检测裂纹增长。一个完整的内置测试诊断系统是发达,包括一个传感器网络,硬件,和诊断软件。乐乐和Maiti24)考虑剪切变形和转动惯量的影响得票率最高梁理论检测和测量短梁的裂纹扩展。奎克et al。25)检查的敏感性小波技术在射线检测裂缝的结构。在这方面他们比较的结果两个小波,如:哈雾和伽柏小波。Zagrai和Giurgiutiu26)描述了利用机电阻抗法在薄板裂纹检测。这种方法允许的直接识别结构动力学得到它的机电阻抗。
裂纹检测在射线结构单一以及multicracks建模使用人工神经网络(ANN)和各种特征进行了研究27- - - - - -29日]。
在当前研究中有条不紊的分析和检测裂缝参数,即裂纹位置和相对裂纹深度从一组频率值从一个模拟获得的悬臂梁模型包含一个使用ANSYS薄横向裂缝。使用数据,级联前锋反向传播(CFBP)前馈反向传播(FFBP)和径向基函数(RBF)神经网络模型开发和最终结果从而获得比较。
2。数学公式
2.1。计算柔度矩阵的损伤梁承受复杂载荷
一个裂缝梁刚度小于正常的梁。这减少局部刚度可以制定为一个矩阵。矩阵的维数将取决于自由度的问题。图1显示了一个悬臂梁的宽度和高度,有一个横向表面裂纹的深度。梁经验结合纵向和横向运动由于轴向力和弯矩。这两个自由度被认为,导致当地的刚度矩阵。
应变能释放率之间的关系和应力强度因子(在裂纹部分)是由高et al。30.] 在哪里,平面应变条件为平面应力,应力强度因子的开放模式由于负载,应力强度因子的开放模式由于负载。
从早期的研究(et al。30.]),应力强度因子的值 在哪里和实验确定功能和表示如下: 应变能释放率(也称为应变能密度函数)被定义为在裂缝位置 在哪里新创建的裂纹的表面积吗 因为梁的横截面的宽度是不变的 因此,应变能释放()由于裂纹深度计算。
然后从卡斯蒂利亚诺定理,附加位移沿力给药 使用(1)和(6), 灵活性的影响系数按照定义如下。
从上面的条件(10)转换 方程(11)将不同表情的灵活性影响系数。
灵活性的影响系数方向(方向或由于负载方向)方向(或)。
的表达式(=),得到如下: 当地的刚度矩阵可以得到的反演合规矩阵。也就是说, 将影响系数转化为无量纲的形式,
2.2。裂纹梁的振动控制方程模式
所述悬臂梁部分2.1被认为是在这里自由振动分析。悬臂梁长度”“宽度”“和深度””,裂纹的深度”“距离”“从固定端被认为是如图1。采取和的纵向振动的振幅部分裂纹位置和前后,弯曲振动的振幅相同部分如图2。
Euler-Bernoulli梁的自由振动的一个恒定的矩形截面是由下列微分方程为: 纵向振动和 梁的横向振动。
裂纹梁的正常功能的无量纲形式的纵向和弯曲振动的稳态可以被定义为 在哪里, ,()确定常数,从边界条件。悬臂梁的边界条件考虑 在裂缝的部分, 还在裂缝的部分, 上面的等式两边乘以, 同样的, 上面的等式两边乘以, 在哪里,,,。
正常的功能(15一个),(15 b),(15摄氏度)和(15 d)以及边界条件如上所述系统的特征方程 在哪里是一个矩阵如下给出行列式是一个函数的自然循环频率()、裂缝的相对位置()和局部刚度矩阵(),反过来是一个函数的相对裂纹深度: 在哪里
3所示。使用ANSYS有限元模型
连续梁的振动分析的分析方法是相当合适的,那么复杂。然而,通过引入梁的裂纹梁的振动特性的分析变得更加复杂。自连续梁的运动方程是偏微分方程,我们与我们不同的初始和边界条件使用有限元方法(FEM),它将复杂的偏微分方程转化为线性代数方程组,因此模式解决方案就会变得更简单。
本研究使用ANSYS作为一种工具来建模和模拟梁裂缝,监控其振动特征的变化。光束建模使用设计软件(如固体工作并导入到ANSYS的分析。
现在,导入模型文件之后,其几何修改和整个结构划分为网格(图3)利用有限元方法和模式的频率已经解决了。网格尺寸应该增加,使其均匀覆盖整个结构。后利用有限元模型是正确网状和解决,得到了各种频率值的特定组合裂纹的位置和深度。
上述过程阐述如下。(1)双击工作台。导入几何从固体工程文件保存在坚实的工作。igs文件。(2)修改几何,点击网格,增加网格尺寸。(3)提供支持,使一端固定的。(4)点击解决。(5)单击位移。
4所示。逆工具:人工神经网络
为了确定裂缝参数的频率数据的帮助我们把人工智能神经网络的形式。神经网络的结构非常类似于人类大脑细胞的确切生物学结构。为了更精确地说,神经网络可以表示为一个网络模型,其功能类似于大脑。换句话说,一个神经网络首先训练来识别一个预定义的模式或一个已知的关系从某些prefound值。它是通过一定数量的输入和计算输出在仔细调整权重,附加输入值来区分这些输入值的基础上的重要性和优先处理。利用这些权重值来获取最终的输出。例如,如果我们有两个输入和,那么一个简单的神经网络可以被设计和网络输入可以发现 在哪里和输入神经元的激活吗和,即输入信号的输出。输出输出的神经元可以通过应用激活净输入,即净输入的功能: 输出= Function(净输入计算)。
净输入的函数应用被称为一个激活函数。
一个神经网络分类模型的突触联系的基础上,学习规则调整和激活函数用于神经网络。根据突触联系我们选择一个多层感知器模型的研究目的。现在,根据神经网络学习的过程中,分为监督学习网络,无监督学习网络,强化了学习网络。监督学习过程需要一组已知的值来训练网络,从而找出输出。设定的值后获得监测裂纹梁的振动特性,将有限元建模、训练网络对应的值。tansigmoid双曲函数作为激活函数。最后级联提出反向传播(CFBP)网络模型,在前馈反向传播(FFBP)网络模型,和径向基函数(RBF)网络模型使用和结果进行了分析。
4.1。CFBP网络
如前所述在当下研究CFBP网络(图4使用)。这个网络非常类似于前馈反向传播网络的区别在于,输入值计算每次输入层和隐层back-propagated到权重调整随后。输入值是直接连接到最终的输出和一个隐藏层中获取的值之间的比较发生和获得的值从输入层,并相应地调整权重。
Sahoo et al。14)和Gopikrishnan et al。31日)观察到的结果比FFBP CFBP网络更有效的网络。拜迪et al。32)建议CFBP网络显示在大多数情况下更好的和有效的结果。
算法是本文给出如下。(1)初始化预定义的输入矩阵。(2)初始化所需的输出或目标矩阵。(3)初始化网络通过使用净= newcf(输入、输出、隐藏层传递函数,训练算法,学习功能,性能函数)。(4)定义等各种训练参数数量的时代,验证检查,最大和最小梯度。(5)测试新发现重量和偏见的准确性。(6)使用重量和偏见确定未知的结果。
最初的重量和偏差值为0(零)。
在图4,输入连接到隐藏层和输出层。
4.2。FFBP网络
另一个网络,我们使用我们的比较研究在悬臂梁裂缝的检测是前馈反向传播(FFBP网络(图)5)。这个网络不同于CFBP网络基础上,后续的每一层有一个体重来自上一层和层之间没有连接,第一层。所有层有偏见。最后一层是网络的输出。
在这项研究中相关信息比较两个网络的结果以及结果从第三个网络。算法用于CFBP网络还用于FFBP网络除了网络的创建模式,它使用关键字newff。
4.3。RBF网络
径向基函数(RBF)网络(图6)基本上是用来寻找最少的隐藏层或在一个隐层神经元,直到到达一个最小误差值。RBF网络可用于近似函数。为网络创建关键字newrb增加了径向基网络的隐层神经元,直到满足指定的均方误差的目的。
5。结果和讨论
正如前面所讨论的本文的动机是检测的位置一个悬臂梁裂缝形成的。方法涉及安和ANSYS之后的结果和讨论。首先,形成横向细裂纹悬臂梁。有限元建模是应用于裂缝梁使用ANSYS监控各种频率在不同模式的裂纹形成。基于此示例数据,一个神经网络训练发现的裂纹深度和位置任意横向裂纹悬臂梁。
因此,在当前模式的解决方案有两个步骤:(1)使用ANSYS监测振动变化;(2)创建一个安和培训为我们提供了一个近似的结果。
一层横向裂缝存在的悬臂梁长度26厘米,这个裂纹梁模型设计使用ANSYS获得一组固有频率第一,第二,第三模式在不同裂纹位置不同裂纹深度。
级联提出了反向传播网络,前馈反向传播网络和径向基函数网络被用来估计裂纹位置和相对裂纹深度。一个隐藏层神经元使用13。乙状结肠TANSIG双曲正切传递函数或激活函数是用来计算最后的神经网络的输出。
TANSIG传递函数给出
Levenberg-Marquardt (trainlm)培训过程之后来训练神经网络。任何这些条件发生时停止训练。(1)时代的最大数量(重复)。(2)最大的时间已经超过了。(3)表现最小化的目标。
训练数据的划分是使用随机(Dividerand)方法完成的。
提供的迭代次数为200。梯度设置的最大值1,最小值为0。错误检查的性能或目标或最大数量将是150。没有限制的培训计划的时间。因为数量的值用于测试在数量大,因此,一些值被送往描绘ANN模型的效率。相对裂纹深度为0.1的测试数据和不同位置列表,与实际数据进行比较如表所示1。
网络形成,产生性能图如图所示7提及训练之间的关系,测试和验证点阈值。
回归情节也是生成如图所示8对个人的结果。
(一)
(b)
(c)
(d)
策划从ANSYS获得的值和安和比较,发现最小差异是两国的值从而获得验证我们的培训过程。的块裂纹位置的值在表表示1如图9。
图的情节10展示了当代各种裂纹深度的比较结果从ANSYS和CFBP网络通过修复裂缝的位置。
后发现运行CFBP网络特定某个值的迭代次数ANSYS生成的值之间的误差和网络生成的值。必须提到的错误这里获得10−2通常为任意数量的迭代运行在任何时间和保持上述参数(除了时代)的数量不变,相同的错误获得秩序和不同高达10−4在一个统一的测试、培训和验证情况。
观察CFBP网络的结果后,FFBP网络介绍的比较研究。在这个网络13隐藏神经元和一个隐藏层了。激活功能、培训功能,数据功能的划分,迭代次数,梯度值和参数用于CFBP类似网络。训练后的数据与类似FFBP网络过程(通过保持相对裂纹深度常数和不同位置),获得的结果和实际数据的比较结果提出了表2。
类似于CFBP网络FFBP网络的性能和回归的情节从训练数据获得数据所示11和12,分别。
(一)
(b)
(c)
(d)
策划从ANSYS获得的值和安和比较,观察,得到最小差异之间的值,从而验证我们的训练过程。的块裂纹位置的值在表表示2如图13。
图14展示了当代各种裂纹深度的比较结果从ANSYS和FFBP网络通过修复裂缝的位置。
与CFBP网络相比可以看出FFBP网络显示更好的结果。上述情况下,CFBP网络给最好的验证性能的均方根误差(RMSE)值为0.018464,而FFBP网络为0.041058,这表明计算均方误差的CFBP网络低于FFBP网络。
然后使用RBF网络完成比较研究。RBF网络的输入和输出数据用于训练,我们从ANSYS。默认值的均方误差的目标设定在0.0 RBF网络和传播价值也作为默认值,也就是1.0。传播,平滑函数近似。基本上newrb关键字创建一个两层的网络。获得的结果和实际数据的比较结果如表所示3。
生成的RBF网络性能的阴谋,这是不同于CFBP和FFBP网络,因为在一个RBF网络一组特定的目标是达到但迭代的数量不是固定的。对于这个特殊的情况下被观察到,在所有情况下生成的错误是10的顺序−3当然和RBF网络产生一个更好的结果比CFBP更频繁的时间间隔和FFBP网络。性能图如图15。
相似性CFBP和FFBP网络比较情节已经获得实际数据和RBF网络的各种结果相对裂纹深度和裂纹位置和数据所示16和17,分别。
使用的各种网络后观察结果(CFBP、FFBP和RBF)已经取得了比较的结果,如表所示4。在下表中之间的比较研究了三种神经网络技术与ANSYS相比的百分比误差提出了。这是观察到在某些情况下,RBF网络结果优于其他两个网络的结果。但总的来说CFBP被发现更有效的错误和计算复杂度。
最终在观察三个网络的训练过程,分别比较每个网络的结果,三个网络组合在一起对相对裂纹深度和裂纹的位置。我们发现结果从所有三个网络非常相似与边际差异在某些特定点。通过比较的结果相对裂纹深度和裂纹位置的三个网络,三个网络之间的对比图已经画这些图所示18和图19。需要注意的一点是,整体扣除表明RBF网络给出了最优结果。CFBP净灵活得多,理由是我们可以改变它的效率不同的隐藏层的数量和大小。
表5显示材料的各种属性用于上述研究。
6。结论
横向裂缝的影响在振动制服了悬臂梁已经被提出了。本研究工作的主要目的是开发一个精通技术的诊断裂纹振动结构在短时间内。使用理论和振动分析已经完成也进行了通过使用根据ANSYS有限元法。在这个分析固有频率识别裂缝起着重要的作用。确定了裂纹的裂纹深度和裂纹的位置。ANSYS的结果是用于开发人工智能技术使用三种神经网络(RBF FFBP, CFBP)。CFBP网络显示一个更好的结果比FFBP网络;CFBP网络给0.018464的最好验证性能,而FFBP网络给了0.041058。这是观察到在某些情况下,RBF网络结果优于其他两个网络的结果。但总的来说CFBP被发现更有效的错误和计算复杂度。 As it was observed that the predicted results of neural network technique are reasonably adequate and in agreement with the theoretical result, the developed models can be efficiently used for crack detection problems.
利益冲突
作者宣称他们没有利益冲突有关的出版。