(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111265826.7 (22)申请日 2021.10.28 (65)同一申请的已公布的文献号 申请公布号 CN 114117840 A (43)申请公布日 2022.03.01 (73)专利权人 中国运载火箭 技术研究院 地址 100076 北京市丰台区南大红门路1号 (72)发明人 尹进　吴迪　刘维玮　郭爱民　 王月　苏玲　肖凯　刘赛　姚宇地　 王悦　熊艳丽　李晓乐　彭波　 贾磊　陈亦冬　邱丰　韩旭　石铄　 王锦锋　崔娴娴　 (74)专利代理 机构 中国航天科技专利中心 11009 专利代理师 范晓毅(51)Int.Cl. G06F 30/23(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 119/04(2020.01) G06F 119/14(2020.01) (56)对比文件 CN 106844846 A,2017.0 6.13 李佳等.基 于材料非稳态疲劳损伤过程的可 靠性分析智能化仿真方法. 《机 械工程学报》 .2001,(第01期), 崔建国等.飞机复合材 料结构损伤的预测方 法. 《材料科学与工程学报》 .2016,(第0 5期), 葛承垄等.面向装备RUL预测的平行仿真技 术. 《北京航空航天大 学学报》 .2017,(第04期), 审查员 张一良 (54)发明名称 一种基于仿真和试验数据混合驱动 的结构 性能预测方法 (57)摘要 本发明公开了一种基于仿真和试验数据混 合驱动的结构性能预测方法， 在静力试验中， 将 有限测量数据和仿真数据结合， 建立融合模型， 利用大量仿真数据和少量试验数据来提高混合 数据构造的代理模型精度， 发展变 保真度模型构 建方法， 实现结构状态场重构， 通过利用多精度 深度神经网络模 型， 自适应的学习试验数据和仿 真数据之间的线性和非线性关系， 实现空间维度 上的健康预测。 在健康监测试验中， 利用优化算 法对融合模 型进行修正， 所构建的融合模型融合 了健康监测数据， 能够反映结构真实物理状态， 实现时间维度上的健康预测。 本发 明充分考虑飞 行器的静动力特性和复合材料损伤演化过程与 参数变化规律， 研究反映结构实时损伤状态和载 荷历程的集成多物理量、 多参量高保真仿真过程。 通过试验数据不断修正有限元模型参数， 使 得所建立数字原理样机能够对结构的多物理场 环境下的力学响应和损伤扩展过程进行高精度 映射。 权利要求书3页 说明书8页 附图3页 CN 114117840 B 2022.09.06 CN 114117840 B 1.一种基于仿真和试验数据混合驱动的结构性能预测方法， 其特征在于， 包括以下步 骤： (1)采用拉丁方试验设计方法， 规划材料级静力和疲劳试验矩阵， 并得到静力和疲劳试 验矩阵中各项静力和疲劳试验的材 料刚度随应 变的退化数据； (2)根据材 料刚度随应 变的退化数据， 构建材 料的损伤演化模型； (3)针对结构级试验， 以不同载荷大小和方向为试验设计参数， 规划 实物试验矩阵， 得 到实物试验矩阵中各 试验设计工况 下应力‑应变的的结构级试验数据； (4)根据步骤(3)中规划的实物试验矩阵， 构建结构件的有限元数值模型， 并构建考虑 温度效应和疲劳载荷作用下的静态失效准则； (5)根据步骤(4)构建的结构件 的有限元数值模型和静态失效准则、 步骤(2)构建的材 料的损伤演化模型以及材料参数， 得到步骤(3)中规划的实物试验矩阵中各试验设计工况 下应力‑应变的结构级仿真数据； (6)根据步骤(3)所 得结构级试验数据， 采用高斯过程回归， 构建试验数据代理模型； (7)根据步骤(5)所得结构级仿真数据和步骤(6)构建的试验数据代理模型， 得到仿真 和试验数据融合 函数； (8)根据上一步所得仿真和试验数据融合函数， 以及不同融合神经网络模型参数的仿 真试验所得仿真数据， 建立融合神经网络模型； 采用融合神经网络模型进行结构级健康检 测试验， 并根据健康监测试验数据， 得到修 正后的融合神经网络模型； (9)根据仿真和试验数据融合函数对结构件进行空间维度上的性能预测， 根据修正后 的融合神经网络模型对结构件进行时间维度上的性能预测。 2.根据权利要求1所述的一种基于仿真和试验数据混合驱动的结构性能预测方法， 其 特征在于， 所述步骤(1)中， 采用拉丁方试验设计方法， 规划材料级静力和疲劳试验矩阵， 并 得到静力和 疲劳试验矩阵中各项静力和 疲劳试验的材料刚度随应变的退化数据的具体步 骤如下： (11)采用拉丁方试验设计方法， 规划材料级静力和疲劳试验矩阵， 试验设计参数包括 温度效应， 开 孔， 填充孔， 不同铺 层和不同应力级别； (12)进行静力和疲劳试验， 得到静力和疲劳试验矩阵中各项静力和疲劳试验中材料刚 度随应变的退化数据。 3.根据权利要求1所述的一种基于仿真和试验数据混合驱动的结构性能预测方法， 其 特征在于， 所述步骤(2)中， 采用数据驱动和神经网络方法， 构建复合材料的损伤演化模型 如下： d＝d( ε ),Qt＝dQ 其中， d为损伤因子， ε为应 变， Qt为退化后的材 料刚度， Q 为初始材 料刚度。 4.根据权利要求1所述的一种基于仿真和试验数据混合驱动的结构性能预测方法， 其 特征在于， 所述步骤(4)中， 将温度以及疲劳循环对 材料力学性能的影 响引入三维Hashin静 态失效准则， 即可构建考虑温度效应和疲劳载荷作用下的静态失效准则。 5.根据权利要求1所述的一种基于仿真和试验数据混合驱动的结构性能预测方法， 其 特征在于， 所述步骤(6)中， 高斯过程的表达式为f(x)～GP(m(x),k(x,x ′))， 其中， f(x)表示 满足联合高斯分布的任意假设函数， m(x)表示均值函数； k(x,x ′)表示协方差函数， GP表示权　利　要　求　书 1/3 页 2 CN 114117840 B 2高斯过程； 所述步骤(6)中， 构建的试验数据代理模型为ySY＝f(x)+ε， 其中， 为满足 高斯分布的白噪声； 为噪声方差； In是单位阵。 6.根据权利要求1所述的一种基于仿真和试验数据混合驱动的结构性能预测方法， 其 特征在于， 所述步骤(7)中， 根据步骤(5)所得结构级仿真数据， 和步骤(6)构建 的试验数据 代理模型， 得到 仿真和试验数据融合 函数的具体步骤如下： (71)根据步骤(5)所得结构级仿真数据， 和步骤(6)构建的试验数据代理模型ySY， 得到 差值桥函数代理模型δ(x)； (72)仿真和试验数据融合后 模型yRH＝ySY+δ(x)， 其中， ySY为步骤(6)构建的试验数据代 理模型。 7.根据权利要求6所述的一种基于仿真和试验数据混合驱动的结构性能预测方法， 其 特征在于， 所述步骤(71)根据步骤(5)所得结构级仿真数据， 和步骤(6)构建的试验数据代 理模型ySY， 得到差值桥函数代理模型δ(x)的具体步骤为： (711)建立差值桥函数代理模型δ(x)， 所述差值桥函数代理模型δ(x)为基于数据驱动 的神经网络模型； (712)根据步骤(5)所得结构级仿真数据得到第i个试验设计工况下的仿真和试验数据 融合后模型的数值 (713)根据步骤(6)构建的试验数据代理模型得到第i个试验设计工况下的试验数据代 理模型的数值 ( 7 1 4 ) 计 算 差 值 桥 函 数 代 理 模 型 在 第 i 个 试 验 设 计 工 况 下 的 数 值 xi为试验设计参数； (715)利用 δ(xi)对差值桥函数代理模型δ(x)进行训练， 得到训练好的差值桥函数代理 模型δ(x)。 8.根据权利要求1所述的一种基于仿真和试验数据混合驱动的结构性能预测方法， 其 特征在于， 所述步骤(8)中， 融合神经网络模型参数即步骤(5)中的材料参数， 包括弹性模 量， 泊松比和损伤因子； 所述 健康监测试验数据为实测结构响应； 所述步骤(8)中， t时刻所得修正后的融合神经网络模型为采用前一时刻所得修正后的 融合神经网络模型参数重新执 行步骤(4)～(8)得到， 所述t时刻为 不断迭代的时刻。 9.根据权利要求1或8所述的一种基于仿真和试验数据混合驱动的结构性 能预测方法， 其特征在于， 根据健康监测试验数据， 得到修 正后的融合神经网络模型的方法为： (81)记融合神经网络模型的结构响应为f(x)， 融合神经网络模型参数为x， 实测结构 响 应为y， 设置初始融合神经网络模型参数为x0， 初始温度为T， 温度下限为Tmin； 损失函数l oss＝|y‑f(x)|； (82)对第l次迭代， 执 行步骤(83)， l ＝1， 2， 3……L， L为最大迭代次数； (83)搜索xnew＝xold+η·random()， 计算lo ssnew； 并令dE＝lo ssnew‑lossold， 若dE<0， 则接 受xnew， 否则以 概率接受xnew； xnew为本次迭代所得融合神经网络模型参数， xold为权　利　要　求　书 2/3 页 3 CN 114117840 B 3