人工智能在力学缺陷探测上的应用文献综述

 2022-11-09 11:11
{title}{title}

文 献 综 述

人工智能有着悠久的历史,但它一直在不断地使用和发展。多年来,人工智能的应用不仅表明了人工智能可以为机械工程提供主要的方面,而且对人工智能在各个领域的研究可以发展和改进断裂力学。将人工智能方法应用于该领域,以减少故障,解决问题。然而,仍然存在未解决的问题和改善的机会。对断裂力学的研究,包括进行实验测试和计算方法并不总是容易的。任务非常耗时,但也需要很高的技术水平。断裂力学和失效。分析是一个极其复杂的工程领域。机械、零部件和系统的故障和故障检测有许多挑战。基于断裂力学领域现有工程的主要问题如下: 1. 确定失效模式2. 确定失效机理3. 故障诊断过程监控4. 损伤和故障诊断过程的监测5. 故障的早期检测6. 早期发现损坏和故障7. 断裂参数的预测. 不同的人工智能方法能够支持解决复杂机械断裂问题。材料韧性特征,损伤检测,故障诊断,故障模式识别和裂纹的检测是利用人工智能的不同方法对断裂力学的各个方面进行了研究。,我们分析了基于5种早期人工智能方法和技术分类的文献:贝叶斯网络(BN),人工神经网络(ANN),遗传算法(GA),模糊逻辑(FL)和案例推理(CBR)。。此外,还解释了它们是如何应用在断裂力学的子域:失效模式和失效机理识别、故障和错误检测与诊断,损坏和故障检测和诊断,机械断裂和断裂参数。在过去的几十年里,断裂力学方法预测了许多结构的失效。研究断裂和失效表明,集中在材料和结构两大领域可以获得节约时间和成本。事实上,预测和防止失败负载是过去几年研究的一个有趣的课题。有不同的人工智能方法应用于机械工程的各种领域。在这一节中,列举了五种不同的智能方法。这些方法在断裂力学领域得到了实现,并在以后的应用中得到了应用,并对断裂力学的四个子域进行了综合评述。本文综述的人工智能方法如下:贝叶斯网络BNs在20世纪70年代后期开始发展,用于在阅读理解中进行分布式处理],现在应用于需要在不确定性下进行推理的各种领域。多年来,贝叶斯网络应用于不同的科学领域。。贝叶斯网络,也被称为信仰网络(简称Bayes nets),是图论和概率理论包括节点之间的概率关系。Kang等提出了断层样本齿轮传动系统诊断。它显示了与三个节点(O1, O2,O3)相结合的网络,表明了齿轮故障不同的情况和三个节点(S1, S2, S3),代表了时域振动信号的三个统计因素。对未经训练的样本的诊断结果是由贝叶斯网络中的概率理论计算出来的。证明假设H为真的证据的概率。P(H/E)=

P(H|E)是H提供证据的后验概率,P(H)是H的先验概率,P (E|H)是证明假设H为真的证据的概率。P是概率在时域内的振动统计因素与输入和齿轮故障之间的联系。BN的应用在本文的第3.1节中讨论了断裂力学的子域。人工神经网络ANN是一个计算模型,基于[24]的定义,它是一个由简单处理单元、单元或节点组成的相互连接的集合,其功能松散地基于生物神经网络来解决工程问题。在过去的几十年里,各种类型的ANNs被应用于不同的科学领域和各种各样的系统。例如:土木结构工程[制造技术机械疲劳同时还应用于故障检测和故障分析。安包含三个主要分别为输入、隐藏和输出层,分别给出了输入参数、学习过程和解决问题的方法。从实例中直接学习ANNs的能力是其最重要的特性之一。另一方面,它可以从嘈杂、不完整或贫乏的数据中恢复和提取信息。这些特性为解决断裂力学领域的问题提供了有力的方法。现在,在计算科学和工程方面,ANNs可以算作一个成熟的分支。有大量的出版物和商业软件,述了ANNs在断裂力学中的应用。遗传算法

天然气是由约翰·霍兰德在20世纪60年代和70年代开发的。气体作为优化方法被广泛应用。在广泛的应用中寻找最优解的优化问题。利用基因算法,6个基本问题应该考虑:i)染色体(基因组)表示,ii)选择函数,iii)遗传算子,如突变和交叉繁殖功能,iv)初始种群的建立,v)终止标准,vi)评价函数[35]。

这四个主要步骤的GA过程是由提出的,它从n条染色体的随机种群开始,这是一个问题(初始种群)的候选解决方案。然后计算种群中每个染色体x的适应度f(x)。因此,在选择步骤中,根据用户定义的概率分布选择复制的父染色体。有了交叉的可能性,染色体就像形成了两个后代。有单点交叉和多点交叉,其中两个父母的交叉率分别在一个点和一对父母分别在点数上。因此,两个子代的突变将新产生的染色体置于新的种群中。在最后一步,现在的人口被新的人口所取代。因此,新一代完全由新一代组成,第一代完全被取代,这些步骤不断重复,直到找到解决方案。在断裂力学中的GA应用在第3.3节中进行了综述。模糊逻辑 模糊集理论(FST)是由Lotfi Zadeh在1965年开发和应用的[36],通过处理日常生活决策的不确定性来做出更好的决策。模糊逻辑系统(FLS)利用规则为推理提供了有价值的灵活性。这是用自然语言设定的。应用于断裂力学的各个领域。例如,它应用于断裂悬臂梁的故障检测[37]。FLS过程有三个主要的阶段,分别是采集输入数据和创建模糊集,对产生的模糊输出进行模糊化,一个规则库包含一个简单的IF-THEN规则和一个条件和一个结论。FL算法初始化定性定义语言变量和术语,它初始化定量对比隶属度函数(mu;F(x))。因此,利用这些隶属函数,将输入数据转换为模糊值。然后,在推理引擎中,对所有规则进行评估,并将每个规则的结果组合在一起。最后利用隶属函数将输出数据转换为非模糊值。第3.4节介绍了FL在断裂力学子领域的应用。基于案例推理本文介绍了CBR的第五种人工智能方法。多年来,CBR方法应用于不同的科学技术领域。例如,它应用于技术诊断和维护、医学和健康科学、分类、法律、规划、智能销售支持、决策支持系统、工程设计和软件开发,并展示了在现实世界中广泛应用的良好潜力。 它是一种解决新问题的智能技术,它可以根据以前的经验和类似的解决方案来解决之前的类似问题。核心组件可以通过CBR:(1)知识表示来分组到以下区域:2)检索方法、(3)重用方法、(4)修改方法和(5)保留方法。CBR通常分为两个不同的类:解释CBR和解决问题的CBR。以前的案例被用作解释CBR对新情况进行分类的参考点,而以前的案例则是通过解决CBR来为新的问题和条件推荐解决方案。作为一种描述,在解释CBR中,已经对案例进行了分类,通过比较和对比的分类案例来判断和分类新的案例。在简单的情况下,解释CBR包括(a)态势评估,以确定哪些特性当前问题的相关(b)检索相关的先前的问题或情况下(c)比较保存的问题和新问题,然后确定解释应用(d)新病例和解释可以保存为新的理由进一步使用。在CBR中,知识案例是结构化的,并存储在一个案例库中,这与试图解决问题时的用户查询相比较。

在提出新问题后,CBR对问题进行了描述,并寻找类似的问题。在检索步骤中,CBR采用了类似问题的解决方案。若要应用解决方案,必要时可采用适应技术。最后,当流程成功时,结果将存储在将来使用。例如,通用电气使用CBR用于燃气轮机诊断,其中包含检索、重用、修改和保留步骤。当收到涡轮机旅行报告时,将使用最近邻技术来检索一些输入案例的案例。CBR引擎负责执行用于诊断新事件和监视系统的所有模块。在第3.5节中,介绍了断裂力学的重点子领域的CBR应用。

参考文献:

[1]. Mohammadfam, F. Ghasemi, O. Kalatpour, A. Moghimbeigi, Constructing a Bayesian network model for improving safety behavior of employees at

workplaces, Appl. Ergon. 85 (2017) 35–47.

[2]Y. Kang, C.-C. Wang, Y.-P. Chang, Gear fault diagnosis in time domains by using Bayesian networks, Theor. Adv. Appl. Fuzzy Log. Soft Comput. Adv. Soft

Comput. 42 (2007) 741–751.

[3]M.S. Cao, L.X. Pan, Y.F. Gao, D. Novak, Z.C. Ding, D. Lehky, X.L. Li, Neural network ensemble-based parameter sensitivity analysis in civil engineering

systems, Neural Comput. amp; Applic. 26 (2015) 1–8.

[4]S. Saberi, R.M. Yusuff, Neural network application in predicting advanced manufacturing technology implementation performance, Neural Comput. amp; Applic.

21 (2012) 1191–1204.

[5]K. Genel, Application of artificial neural network for predicting strain-life fatigue properties of steel on the basis of tensile tests, Int. J. Fatigue 26 (2004)

1027–1035.

[6]H.M. Tanarslan, M. Secer, A. Kumanliouglu, An approach for estimating the capacity of RC beams strengthened in shear with FRP reinforcements using

artificial neural networks, Constr. Build. Mater. 30 (2012) 556–568.

[7]. Melanie, An Introduction to Genetic Algorithms, MIT Press, USA, 1996.

[8]Y. Seo, D. Sheen, T. Kim, Block assembly planning in shipbuilding using case-based reasoning, Expert Syst. Appl. 32 (2007) 245–253.

[9]Y.-J. Park, S.-H. Chun, B.-C. Kim, Cost-sensitive case-based reasoning using genetic algorithm: application to medical diagnosis, Artif. Intell. Med. 51 (2011)

133–145.

[10] 安实, 马天超 基于模糊逻辑推理的 BP 神经网络及其应用 哈尔滨工业大学学报. 1999, (4): 96-99

[11] 胡 守仁 , 沈 清. 神 经 网络 应 用 技 术 . 长 沙 : 国 防科 技 太 掌 出版 社 . 1993.

[12]王 永聃 , 潦健 . 神 经元 网络挫 剜 . 北 京 : 机 械 工业 出 版 社 , 1998.

[13] 康颖安.断裂力学的发展与研究现状 [ J].湖南工程学院学报 , 2006

[14] 张选利 ,王威强.断裂力学应用与缺陷评定技术进展 [ J].青岛化工学院学报 , 1999,

黄克智.弹塑性断裂力学的一个重要进展 [ J]. 力学与实践 , 1993, ( 1).

[15] M. Mehrjoo, N. Khaji, M. Ghafory-Ashtiany, Application of genetic algorithm in crack detection of beam-like structures using a new cracked Euler-Bernoulli

beam element, Appl. Soft Comput. 13 (2013) 867–880.

[16] D. Dabrowski, Condition monitoring of planetary gearbox by hardware implementation of artificial neural networks, Measurement 91 (2016) 295–308.

以上是毕业论文文献综述,课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。