基于线性和非线性超声融合的金属结构裂纹扩展与剩余疲劳寿命在线预测方法

针对金属结构疲劳裂纹监测中单一超声参数预测精度不足的问题，研究人员提出了一种结合线性超声参数A1 与非线性参数β的LSTM神经网络预测方法。通过优化权重函数整合两类参数，实现了从微观结构演变到宏观裂纹形成的全周期监测，在6061铝合金板上裂纹长度和剩余寿命(RFL)预测误差分别降至0.568 mm和4.50%。该研究为结构健康监测(SHM)提供了高精度实时预测工具。

　　

金属结构在循环载荷作用下的疲劳失效是工业安全领域的重大隐患，据统计90%的机械故障源于疲劳裂纹。传统检测方法依赖定期巡检，效率低下且难以捕捉微观损伤；而现有预测技术如基于Paris定律的物理模型或粒子滤波(PF)算法，往往受限于宏观裂纹监测或早期预测偏差。更棘手的是，线性超声虽能有效检测宏观缺陷，却对占寿命周期70%-80%的微观结构演变不敏感；非线性超声虽擅长微观监测，却缺乏宏观阶段的精准性。这种"监测盲区"使得全寿命周期的裂纹预测成为行业难题。

针对这一挑战，华东理工大学等机构的研究团队在《Ultrasonics》发表创新成果，首次将线性和非线性超声参数通过动态权重融合，结合长短期记忆(LSTM)神经网络，构建了覆盖裂纹全生命周期的预测模型。研究人员在6061铝合金板上布置压电传感器(PZT)阵列，通过不等间隔采样获取疲劳过程中的线性参数A₁
(反映振幅衰减)和非线性参数β(表征谐波畸变)，创新性地引入β累积量作为特征输入。实验显示，该模型对裂纹长度和剩余疲劳寿命(RFL)的预测精度分别达到0.568 mm和4.50%，较单一参数方法提升超30%。

关键技术方法包括：1) 采用多PZT阵列采集全寿命周期超声信号；2) 通过短时傅里叶变换(STFT)提取线性A₁
和非线性β特征；3) 构建双通道LSTM网络，输入包含疲劳周次、加权超声参数及β累积量；4) 使用铝板疲劳试验数据验证模型泛化能力。

在线数据驱动预测方法
通过优化权重函数动态融合A₁
和β参数，解决了传统方法在微观-宏观过渡阶段的监测断层问题。LSTM网络对时序特征的学习能力，克服了粒子滤波早期预测偏差的缺陷。

实验材料与设备
9块带预制缺口的6061铝合金板在恒幅循环载荷下测试，Lamb波频散曲线计算确认了超声监测频段选择合理性，排除了仪器非线性干扰。

超声监测结果
STFT时频分析证实二次谐波源自疲劳裂纹非线性效应。特征参数曲线显示β在微观阶段敏感，A₁
在宏观阶段显著变化，二者互补性得到验证。

结论
该研究首次实现了基于多模态超声的疲劳全周期预测，LSTM网络对历史数据的记忆功能显著提升早期预测精度。相比Chen等基于NASGRO模型的粒子滤波方法，新方法在未依赖物理模型情况下仍保持4.5%的RFL预测误差，为航空航天等领域的实时健康监测提供了新范式。

讨论
作者指出该方法在变幅载荷下的适应性仍需验证，未来可通过迁移学习拓展应用场景。Jiachen Zhou等强调，权重函数的自适应优化将是下一步研究重点，以进一步提升复杂工况下的预测鲁棒性。这项突破标志着超声监测从"诊断"迈向"预后"的关键进步。