面向结构静力试验监测的高精度数字孪生方法

材料工程与机械制造

本期目录 | 过刊浏览 | 高级检索

前一篇 |

面向结构静力试验监测的高精度数字孪生方法

田阔(), 孙志勇, 李增聪

大连理工大学工业装备结构分析国家重点实验室工程力学系，大连 116024

收稿日期:2023-06-06 修回日期:2023-06-27 接受日期:2023-08-14 出版日期:2024-04-15 发布日期:2023-08-25
通讯作者: 田阔 E-mail:tiankuo@dlut.edu.cn
基金资助:
国家自然科学基金(11902065);国家重点研发计划(2022YFB3404700)

High-precision digital twin method for structural static test monitoring

Kuo TIAN(), Zhiyong SUN, Zengcong LI

Department of Engineering Mechanics，State Key Laboratory of Structural Analysis for Industrial Equipment，Dalian University of Technology，Dalian 116024，China

Received:2023-06-06 Revised:2023-06-27 Accepted:2023-08-14 Online:2024-04-15 Published:2023-08-25
Contact: Kuo TIAN E-mail:tiankuo@dlut.edu.cn
Supported by:
National Natural Science Foundation of China(11902065);National Key Research and Development Program(2022YFB3404700)

摘要/Abstract

摘要：

试验验证和数值仿真是评估结构强度的两种典型方法，然而基于离散传感器的试验验证方法难以保证结构应力监测覆盖度，数值仿真方法又因为对物理实体的简化和理想化处理而导致应力结果精度不足，如何综合利用两种强度评估方法的优势并进行数据融合以实现结构应力场监测是一个具有挑战性的问题。提出一种面向结构静力试验监测的数字孪生（DT-SSTM）方法，可获得高精度的结构静力试验数字孪生模型，以实现结构应力场的实时监测与强度评估。DT-SSTM方法包括离线、在线2个阶段。离线阶段，采用梯度提升树（GBDT）算法对仿真数据进行训练，建立预训练模型。在线阶段，基于集成学习理论，采用Stacking算法对试验数据响应值与预训练模型响应值之间的残差进行训练并建立残差模型。通过叠加预训练模型与残差模型实现多源数据融合，建立高精度的数字孪生模型。最后，开展了开口矩形壁板轴向拉伸试验来验证DT-SSTM方法的有效性。结果表明，DT-SSTM方法能够建立高精度的结构静力试验数字孪生模型，且相比同类数据融合方法具有更高的全局、局部预测精度以及融合效率，为结构应力场实时监测提供了一种新颖的解决方案。

关键词: 数字孪生, 壁板结构, 数据融合, 应力场监测, 集成学习

Abstract:

Experimental validation and numerical simulation are two typical methods for evaluating the structural strength. However， the experimental validation method based on sparse sensors is difficult to ensure the coverage of the structural stress monitoring， and the numerical simulation method may lead to the insufficient accuracy of stress results due to the simplification and idealization of physical entities. Therefore， it is a challenging issue to comprehensively utilize the advantages of these two methods of strength evaluation and carry out data fusion to achieve the full-field structural stress monitoring. In this study， the Digital Twin for Structural Static Test Monitoring （DT-SSTM） method is proposed， which can obtain a high-precision digital twin model of structural static test to realize the real-time monitoring of the structural stress fields and the structural strength evaluation. The DT-SSTM method includes two stages： offline and online stages. In the offline stage， the Gradient Boosting Decision Tree （GBDT） algorithm is used to train the simulation data and build a pre-trained model. In the online stage， based on the ensemble learning concept， the Stacking algorithm is used to train the residuals between the response values of the experimental data and the response values of the pre-training model， and then the residual model is established. Multi-source data fusion is carried out by combining the pre-trained model with the residual model to establish a high-precision digital twin model. Finally， the open-hole rectangular plate under axial tension is tested to validate the effectiveness of the DT-SSTM method.Results show that the DT-SSTM method can establish a high-precision digital twin model of the structural static test with higher global prediction accuracy， local prediction accuracy and data fusion efficiency compared with the similar data fusion methods， providing a novel solution for the real-time monitoring of structural stress fields.

Key words: digital twin, panel structure, data fusion, stress field monitoring, ensemble learning

中图分类号:

V214.4

田阔, 孙志勇, 李增聪. 面向结构静力试验监测的高精度数字孪生方法[J]. 航空学报, 2024, 45(7): 429134-429134.

Kuo TIAN, Zhiyong SUN, Zengcong LI. High-precision digital twin method for structural static test monitoring[J]. Acta Aeronautica et Astronautica Sinica, 2024, 45(7): 429134-429134.

图/表 10

图1

图 2

图3

图 4

表 1

图5

表 2

图 6

表 3

图7

参考文献 31

1	JIN S S， KIM S T， PARK Y H. Combining point and distributed strain sensor for complementary data-fusion： A multi-fidelity approach［J］. Mechanical Systems and Signal Processing， 2021， 157： 107725.
2	GUIVARCH D， MERMOZ E， MARINO Y， et al. Creation of helicopter dynamic systems digital twin using multibody simulations［J］. CIRP Annals， 2019， 68（1）： 133-136.
3	LUO W， HU T， YE Y， et al. A hybrid predictive maintenance approach for CNC machine tool driven by Digital Twin［J］. Robotics and Computer-Integrated Manufacturing， 2020， 65： 101974.
4	LI L， LEI B， MAO C. Digital twin in smart manufacturing［J］. Journal of Industrial Information Integration， 2022， 26： 100289.
5	LI C， MAHADEVAN S， LING Y， et al. Dynamic Bayesian network for aircraft wing health monitoring digital twin［J］. AIAA Journal， 2017， 55（3）： 930-941.
6	LIM K Y H， ZHENG P， CHEN C H， et al. A digital twin-enhanced system for engineering product family design and optimization［J］. Journal of Manufacturing Systems， 2020， 57： 82-93.
7	TAO F， ZHANG H， LIU A， et al. Digital twin in industry： state-of-the-art［J］. IEEE Transactions on Industrial Informatics， 2019， 15（4）： 2405-2415.
8	宋学官，来孝楠，何西旺，等. 重大装备形性一体化数字孪生关键技术［J］. 机械工程学报， 2022， 58（10）： 298-325.
	SONG X G， LAI X N， HE X W， et al. Key technologies of shape-performance integrated digital twin for major equipment ［J］. Journal of Mechanical Engineering， 2022， 58（10）： 298-325 （in Chinese）.
9	WANG S， LAI X， HE X， et al. Building a trustworthy product-level shape-performance integrated digital twin with multifidelity surrogate model［J］. Journal of Mechanical Design， 2022， 144（3）： 031703.
10	XIA M， SHAO H， WILLIAMS D， et al. Intelligent fault diagnosis of machinery using digital twin-assisted deep transfer learning［J］. Reliability Engineering & System Safety， 2021， 215： 107938.
11	董雷霆，周轩，赵福斌，等. 飞机结构数字孪生关键建模仿真技术［J］. 航空学报， 2021， 42（3）： 023981.
	DONG L T， ZHOU X， ZHAO F B， et al. Key technologies for modeling and simulation of airframe digital twin［J］. Journal of Aeronautics， 2021， 42（3）： 023981 （in Chinese）.
12	李增聪，田阔，赵海心. 面向多级加筋壳的高效变保真度代理模型［J］. 航空学报， 2020， 41（7）： 623435.
	LI Z C， TIAN K， ZHAO H X. Efficient variable-fidelity models for hierarchical stiffened shells［J］. Acta Aeronautica et Astronautica Sinica， 2020， 41（7）： 623435 （in Chinese）.
13	TIAN K， LI Z C， HUANG L， et al. Enhanced variable-fidelity surrogate-based optimization framework by Gaussian process regression and fuzzy clustering［J］. Computer Methods in Applied Mechanics and Engineering， 2020， 366： 113045.
14	LI Z C， ZHANG S， LI H Q， et al. On-line transfer learning for multi-fidelity data fusion with ensemble of deep neural networks［J］. Advanced Engineering Informatics， 2022， 53： 101689.
15	GHOSH M， WU L， HAO Q， et al. A random forest with multi-fidelity Gaussian process leaves for modeling multi-fidelity data with heterogeneity［J］. Computers & Industrial Engineering， 2022， 174： 108746.
16	CHEN J， MENG C， GAO Y， et al. Multi-fidelity neural optimization machine for Digital Twins［J］. Structural and Multidisciplinary Optimization， 2022， 65（12）： 1-15.
17	LAI X， HE X， PANG Y， et al. A scalable digital twin framework based on a novel adaptive ensemble surrogate model［J］. Journal of Mechanical Design， 2023， 145（2）： 021701.
18	LI K， WANG S， LIU Y， et al. An integrated surrogate modeling method for fusing noisy and noise-free data［J］. Journal of Mechanical Design， 2022， 146（6）： 061701.
19	CAWLEY G C， TALBOT N L C. On over-fitting in model selection and subsequent selection bias in performance evaluation［J］. The Journal of Machine Learning Research， 2010， 11： 2079-2107.
20	NATEKIN A， KNOLL A. Gradient boosting machines， a tutorial［J］. Frontiers in Neurorobotics， 2013， 7： 21.
21	KRSTAJIC D， BUTUROVIC L J， LEAHY D E， et al. Cross-validation pitfalls when selecting and assessing regression and classification models［J］. Journal of Cheminformatics， 2014， 6（1）： 1-15.
22	SATAPATHY S K， BHOI A K， LOGANATHAN D， et al. Machine learning with ensemble stacking model for automated sleep staging using dual-channel EEG signal［J］. Biomedical Signal Processing and Control， 2021， 69： 102898.
23	GANAIE M A， HU M， MALIK A K， et al. Ensemble deep learning： A review［J］. Engineering Applications of Artificial Intelligence， 2022， 115： 105151.
24	TERRAULT N A， HASSANEIN T I. Management of the patient with SVR［J］. Journal of Hepatology， 2016， 65（1）： S120-S129.
25	LI H Q， LI Z C， CHENG Z Z， et al. A data-driven modelling and optimization framework for variable-thickness integrally stiffened shells［J］. Aerospace Science and Technology， 2022， 129： 107839.
26	HAO W Q， TAN L， YANG X G， et al. A physics-informed machine learning approach for notch fatigue evaluation of alloys used in aerospace［J］. International Journal of Fatigue， 2023， 170： 107536.
27	POH C Q X， UBEYNARAYANA C U， GOH Y M. Safety leading indicators for construction sites： A machine learning approach［J］. Automation in Construction， 2018， 93： 375-386.
28	TIAN K， LI Z C， ZHANG J X， et al. Transfer learning based variable-fidelity surrogate model for shell buckling prediction［J］. Composite Structures， 2021， 273： 114285.
29	SONG X G， LV L Y， SUN W， et al. A radial basis function-based multi-fidelity surrogate model： exploring correlation between high-fidelity and low-fidelity models［J］. Structural and Multidisciplinary Optimization， 2019， 60： 965-981.
30	ZHOU Q， SHAO X Y， JIANG P， et al. An active learning metamodeling approach by sequentially exploiting difference information from variable-fidelity models［J］. Advanced Engineering Informatics， 2016， 30（3）： 283-297.
31	TIAN K， WANG B， ZHANG K， et al. Tailoring the optimal load-carrying efficiency of hierarchical stiffened shells by competitive sampling［J］. Thin-Walled Structures， 2018， 133： 216-225.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

方法	RRMSE	R²	RE_max	训练时间/s
有限元分析	0.340	0.813	18.18%
RBF （12 HF）	0.945	0.025	52.46%
GBDT （54 013 LF）	0.262	0.907	11.19%
Co-Kriging （12 HF+54 013 LF）				内存不足
Co-Kriging （12 HF+3 000 LF）	0.211	0.952	10.15%	1 737
ASF-RBF （12 HF+3 000 LF）	0.293	0.904	15.39%	2
ASF-RBF （12 HF+54 013 LF）	0.261	0.926	12.87%	2
TL-VFSM （12 HF+54 013 LF）	0.209	0.952	6.46%	5
DT-SSTM （12 HF+54 013 LF）	0.144	0.974	5.56%	1

传感器编号	Mises应力/MPa						数据源
传感器编号	试验	有限元	ASF-RBF	Co-Kriging	TL-VFSM	DT-SSTM	数据源
No.01	28.16	30.55	29.57	31.37	26.57	29.84	测试集
No.02	40.58	38.79	40.28	41.61	34.67	40.20	测试集
No.03	40.74	38.75	40.53	39.94	34.95	40.08	测试集
No.04	36.02	36.32	36.88	36.12	32.83	37.59	测试集
No.05	26.72	35.32	27.39	25.90	31.96	28.75	测试集
No.06	33.99	42.32	34.90	33.91	38.14	35.53	测试集
No.07	40.93	42.25	40.83	41.39	38.27	40.64	测试集
No.08	47.85	60.56	54.50	51.88	54.28	44.92	测试集
No.09	92.10	108.84	103.95	101.45	98.05	97.27	测试集
No.10	66.10	77.84	73.25	71.93	70.90	70.77	测试集
No.11	82.77	93.67	91.35	89.72	83.65	85.97	测试集
No.12	61.79	70.26	69.27	68.26	63.70	68.94	测试集
No.13	45.64	47.62	45.64	45.64	43.70	45.93	训练集
No.14	42.12	49.03	42.12	42.12	44.95	41.65	训练集
No.15	29.07	36.37	29.07	29.07	32.96	28.98	训练集
No.16	48.74	47.99	48.74	48.74	43.35	49.37	训练集
No.17	31.07	30.50	31.07	31.07	27.62	31.70	训练集
No.18	31.66	30.39	31.66	31.66	27.52	31.44	训练集
No.19	33.14	30.65	33.14	33.14	27.60	31.70	训练集
No.20	20.69	28.60	20.69	20.69	26.68	22.45	训练集
No.21	47.00	49.32	47.00	47.00	44.83	47.10	训练集
No.22	32.88	28.98	32.88	32.88	26.10	28.84	训练集
No.23	34.53	35.30	34.53	34.53	32.06	35.57	训练集
No.24	31.40	37.66	31.40	31.40	34.03	31.09	训练集

方法	RRMSE	R²	RE_max	训练时间/s
有限元分析	0.349	0.809	17.53%
Co-Kriging （12 HF+3 000 LF）	0.279	0.915	11.52%	2 191
ASF-RBF （12 HF+54 013 LF）	0.288	0.909	12.99%	2
TL-VFSM （12 HF+54 013 LF）	0.242	0.936	9.32%	5
DT-SSTM （12 HF+54 013 LF）	0.174	0.960	9.04%	1

[1]	杨华, 陈树生, 高正红, 姜权峰, 张伟. 基于贝叶斯框架的旋翼气动力数据融合[J]. 航空学报, 2024, 45(8): 128960-128960.
[2]	宋海浪, 张建东, 史国庆, 杨啟明, 张耀中. 航空火控系统试飞综合评估技术与方法探讨[J]. 航空学报, 2024, 45(5): 529687-529687.
[3]	黄维娜, 黎方娟, 祁宏斌. 航空发动机数字工程初步研究与发展思考[J]. 航空学报, 2024, 45(5): 529693-529693.
[4]	张怀捷, 马静雅, 刘浩源, 郭品, 邓慧超, 徐坤, 丁希仑. 视觉与惯性融合的多旋翼飞行机器人室内定位技术[J]. 航空学报, 2023, 44(5): 426964-426964.
[5]	王维民, 户东方. 旋转叶片动应力非接触测量方法研究综述[J]. 航空学报, 2023, 44(22): 28516-028516.
[6]	何佳琦, 吴伟达, 罗阳军. 基于P-CS模型与数字孪生的星载天线反射器形面鲁棒性控制方法[J]. 航空学报, 2023, 44(19): 328343-328343.
[7]	郭丞皓, 于劲松, 宋悦, 尹琦, 李佳璇. 基于数字孪生的飞机起落架健康管理技术[J]. 航空学报, 2023, 44(11): 227629-227629.
[8]	王芳丽, 刘凯, 潘微, 童明波. 民机结构绿色维修技术应用与发展[J]. 航空学报, 2023, 44(11): 25851-025851.
[9]	曹明, 王鹏, 左洪福, 曾海军, 孙见忠, 杨卫东, 魏芳, 陈雪峰. 民用航空发动机故障诊断与健康管理现状、挑战与机遇Ⅱ: 地面综合诊断、寿命管理和智能维护维修决策[J]. 航空学报, 2022, 43(9): 625574-625574.
[10]	岳彩旭, 张俊涛, 刘献礼, 陈志涛, Steven Y. LIANG, Lihui WANG. 薄壁件铣削过程加工变形研究进展[J]. 航空学报, 2022, 43(4): 525164-525164.
[11]	雷世英, 孙见忠, 刘赫. 涡轮叶片累积损伤指数模型及服役可靠性评估[J]. 航空学报, 2022, 43(3): 225064-225064.
[12]	张伟伟, 寇家庆, 刘溢浪. 智能赋能流体力学展望[J]. 航空学报, 2021, 42(4): 524689-524689.
[13]	董雷霆, 周轩, 赵福斌, 贺双新, 卢志远, 冯建民. 飞机结构数字孪生关键建模仿真技术[J]. 航空学报, 2021, 42(3): 23981-023981.
[14]	王崴, 赵敏睿, 高虹霓, 朱帅, 瞿珏. 基于脑电和眼动信号的人机交互意图识别[J]. 航空学报, 2021, 42(2): 324290-324290.
[15]	孟松鹤, 叶雨玫, 杨强, 黄震, 解维华. 数字孪生及其在航空航天中的应用[J]. 航空学报, 2020, 41(9): 23615-023615.

面向结构静力试验监测的高精度数字孪生方法

High-precision digital twin method for structural static test monitoring

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 10

参考文献 31

相关文章 15

编辑推荐

Metrics

本文评价