[论文解读] Neural Network and Particle Filtering: A Hybrid Framework for Crack Propagation Prediction

Seyed Fouad Karimian, Ramin Moradi+1 more|arXiv (Cornell University)|Jan 1, 2019

Non-Destructive Testing Techniques参考文献 32被引用 4

一句话总结

该论文提出了一种混合神经网络-粒子滤波（NN-PF）框架，利用超声兰姆波信号对疲劳裂纹长度进行概率估计并预测剩余使用寿命（RUL）。该方法结合基于物理的Paris裂纹扩展定律建模、数据驱动的神经网络特征提取以及贝叶斯粒子滤波，以降低不确定性，在搭接拉伸铝合金疲劳试验案例中，相比以往仅依赖数据的方法，预测不确定性降低了22%。

ABSTRACT

Crack detection, length estimation, and Remaining Useful Life (RUL) prediction are among the most studied topics in reliability engineering. Several research efforts have studied physics of failure (PoF) of different materials, along with data-driven approaches as an alternative to the traditional PoF studies. To bridge the gap between these two techniques, we propose a novel hybrid framework for fatigue crack length estimation and prediction. Physics-based modeling is performed on the fracture mechanics degradation data by estimating parameters of the Paris Law, including the associated uncertainties. Crack length estimations are inferred by feeding manually extracted features from ultrasonic signals to a Neural Network (NN). The crack length prediction is then performed using the Particle Filter (PF) approach, which takes the Paris Law as a move function and uses the NN's output as observation to update the crack growth path. This hybrid framework combines machine learning, physics-based modeling, and Bayesian updating with promising results.

研究动机与目标

• 降低结构部件疲劳裂纹长度估计与剩余使用寿命（RUL）预测中的不确定性。
• 将基于物理的断裂力学（Paris定律）与数据驱动的机器学习（神经网络）及贝叶斯推断（粒子滤波）相结合。
• 开发一种稳健的概率化框架，利用有限的几何与材料信息，同时利用超声信号特征实现实时健康监测。
• 相较于纯数据驱动或纯物理模型方法，提升预测准确度与不确定性量化能力。

提出的方法

• 对疲劳试验中获取的超声兰姆波信号进行预处理与去噪，以提取时域特征。
• 基于对裂纹长度的敏感性，选取四个关键特征，其中特别关注信号信息熵，采用两个时间窗（包括飞行时间延迟）进行特征提取。
• 训练前馈神经网络，将提取的特征映射为初始裂纹长度估计值。
• 将Paris定律用作粒子滤波中的状态转移函数，其参数通过历史试验数据进行估计。
• 神经网络输出作为观测值用于更新粒子滤波器，通过贝叶斯更新机制优化裂纹长度预测。
• 框架动态调整粒子权重并重新采样粒子，以表征在不确定性下的裂纹长度后验分布。

实验结果

研究问题

• RQ1 在材料与几何细节信息有限的情况下，混合NN-PF框架能否有效降低裂纹长度估计的不确定性？
• RQ2 特定超声信号特征（尤其是信息熵与飞行时间）与裂纹长度之间存在何种相关性？
• RQ3 相较于纯数据驱动方法，将基于物理的模型（Paris定律）与数据驱动的神经网络相结合，能在多大程度上提升预测准确度？
• RQ4 粒子滤波的贝叶斯更新机制在变幅载荷条件下如何增强剩余使用寿命（RUL）预测性能？

主要发现

• 在测试7中，所提出的NN-PF框架相比He等[4]的方法，预测不确定性降低了22%，尽管对几何与材料信息的掌握有限。
• 在测试8（变幅载荷条件）下，与同一基线相比，不确定性进一步降低了4%，表明该框架在复杂载荷下具有鲁棒性。
• 信号信息熵被识别为一种新颖且对裂纹长度估计高度敏感的特征，在此背景下此前未被使用。
• 第二个时间窗（相对于激励信号存在飞行时间延迟）在损伤量化方面表现出最高的敏感度。
• 该框架成功融合了基于物理的退化建模（Paris定律）、数据驱动的特征学习与贝叶斯推断，从而提升了预测可靠性。
• 即使对试件几何与材料信息不完全了解，该混合模型的性能仍可与或优于纯数据驱动模型。