金属裂长度预测和传感器故障自我诊断方法基于深森林的方法.
Qiang Gao1, Yang Meng1, Hua Li1
1The Department of Mechanical Engineering, Dalian University of Technology, Dalian 116024, China.
Sensors (Basel, Switzerland)
|December 11, 2025
概括
这项研究使用有限元素分析和深森林模型来准确地预测金属结构裂纹长度. 它还引入了应变传感器的自我诊断方法,改善了裂监控智能.
科学领域:
- 机械工程 机械工程
- 材料科学 材料科学 材料科学
- 计算力学 计算力学 计算力学
背景情况:
- 疲劳负荷会导致金属结构的裂,影响结构完整性和寿命.
- 精确预测裂长度对于确保结构安全和性能至关重要.
- 裂的长度显著影响结构内的局部应变分布.
研究的目的:
- 利用应变数据开发一种准确的方法来预测金属结构中的裂纹长度.
- 实施深森林模型,以优化数据训练和预测准确度.
- 提出应变传感器的自我诊断方法,以提高监测可靠性.
主要方法:
- 用有限元分析 (FEA) 来从各种负载条件下的压力和拉力 (CT) 样本中获取应变数据.
- 采用深森林 (DF) 模型来优化压力数据的训练,以预测裂长度.
- 对动态应变数据进行了补偿,并利用XY平面中的多维输入信号进行了预测.
主要成果:
- 该研究成功地使用XY平面中的多维输入信号预测了裂长度.
- 提出了一种新的应变传感器自我诊断系数,该系数基于皮尔森相关系数.
- 结合的DF模型和自我诊断系数显示了裂状态监测中的增强智能.
结论:
- 拟议的方法通过利用FEA和DF建模,准确地预测金属结构中的裂纹长度.
- 开发的自诊断应变传感器能力提高了裂监控系统的可靠性.
- 这些进步有助于在疲劳裂传播的结构健康监测中提高智能水平.
