肩部疾病的康复：基于国际功能、残疾和健康分类（ICF）导向的词汇网络文献分析

《Applied Sciences》：Rehabilitation of Shoulder Disorders: An ICF-Oriented Lexical Network Analysis of the Literature

　　

疲劳裂纹扩展预测在工程结构的结构健康监测和剩余使用寿命（RUL）评估中起着至关重要的作用。然而，常规的粒子滤波（PF）算法可能会面临粒子贫化和粒子多样性不足的问题，这会对预测准确性和稳定性产生不利影响。为了解决这些局限性，研究人员开发了一种混合遗传算法-粒子滤波用于疲劳裂纹扩展预测，通过将选择、交叉和变异等遗传操作纳入PF框架，以优化粒子分布并增强全局搜索能力。所提方法使用疲劳裂纹增长实验数据进行评估，并将其性能与常规PF算法进行比较。结果表明，GA-PF方法在疲劳裂纹扩展和剩余使用寿命估计方面取得了更好的预测性能。在255,000次循环时，GA-PF算法预测的中位数RUL为22,500次循环，相对RUL误差为9.04%，而常规PF算法的相对RUL误差为45.41%。这些结果表明了将遗传优化引入粒子滤波框架用于疲劳裂纹扩展预测的潜在益处。研究结果进一步表明，与常规PF相比，混合GA-PF方法在测试数据集上能够提高预测性能。

【研究背景与意义】
疲劳失效是工程结构与机械部件的主要失效模式之一。疲劳裂纹通常萌生于局部缺陷，并在循环载荷下逐渐扩展，最终引发突发性结构失效及灾难性事故。因此，准确预测疲劳裂纹扩展及剩余使用寿命对工程系统的结构健康监测、可靠性评估与预测性维护具有重大意义。目前，Paris公式被广泛用于描述疲劳裂纹增长行为，但常规基于Paris公式的预测方法通常假设材料参数是确定性的。在实际应用中，这些参数受材料微观结构、制造变异性及环境因素影响，导致确定性模型的预测精度下降。为处理这些不确定性，概率预测方法受到广泛关注，特别是粒子滤波算法因其能估计非线性与非高斯系统而得到大量应用。然而，常规PF算法在递归重采样过程中面临粒子贫化问题，导致粒子多样性降低与估计精度退化。在顺序蒙特卡洛框架内，学者们探索了多种改进策略，包括基于优化的策略。研究人员提出了一种混合遗传算法-粒子滤波方法，通过将遗传操作引入PF框架来优化粒子分布并增强全局搜索能力。该研究有效提升了疲劳裂纹扩展和剩余使用寿命的预测精度，对工程结构的疲劳寿命评估具有重要实践意义。该论文发表在《Applied Sciences》期刊上。

【关键技术方法】
研究人员为开展研究主要采用了以下关键技术方法：首先，基于Paris疲劳裂纹增长模型，采用七点递增多项式法计算裂纹增长率d_a/d_N及应力强度因子范围ΔK，并通过最小二乘法拟合确定材料常数。其次，采用常规粒子滤波算法构建状态空间模型，利用顺序贝叶斯估计递归更新状态后验概率密度。核心方法在于构建混合遗传算法-粒子滤波（GA-PF）框架，在重采样阶段引入遗传算法的算术交叉与高斯变异操作，以优化粒子群并更新权重。交叉操作采用均匀凸提议分布生成子代粒子，变异操作仅应用于模型参数lg(C)，以保持裂纹长度物理约束的完整性。样本队列来源方面，实验数据取自Q345E钢标准紧凑拉伸（CT）试样的第12号试样的裂纹长度-循环次数（a-N）数据，实验采用正弦循环加载。

【研究结果】
实验数据与参数设置
研究使用Q345E钢标准紧凑拉伸（CT）试样在正弦循环加载下的实验数据进行验证。试样初始裂纹长度为15 mm，临界裂纹长度为30 mm，实际疲劳寿命为279,736次循环。研究人员在MATLAB R2023a中于相同初始参数分布和噪声水平下对GA-PF与常规PF算法进行迭代仿真。迭代在裂纹长度达到30 mm或加载循环达到255,000次时终止。

疲劳裂纹扩展预测
通过对比预测轨迹与实验数据，研究发现两种算法均能有效捕捉总体裂纹扩展趋势。然而，常规PF算法因重复重采样导致后验分布逐渐集中，预测分布较离散。相比之下，GA-PF方法通过交叉和变异机制维持了递归估计中的粒子多样性，改善了后验概率分布的近似。其预测轨迹更贴近实验数据，且置信区间更平滑、结果更一致，表明其具有更优的裂纹扩展估计精度。

剩余使用寿命预测
在255,000次循环预测点，实验测得的实际剩余寿命为24,736次循环。GA-PF算法预测的剩余使用寿命（RUL）中位数为22,500次循环，绝对误差为2236次循环，相对误差约为9.04%。而常规PF算法预测的RUL中位数为13,500次循环，绝对误差为11,236次循环，相对误差高达45.41%。在总寿命预测方面，GA-PF与PF的预测总寿命分别为277,500次循环与268,500次循环，相对总寿命误差分别为0.7993%和4.0166%。这表明GA-PF算法在疲劳裂纹扩展后期显著提升了RUL的预测准确性。

【讨论与结论总结】
讨论部分指出，遗传操作对粒子多样性具有积极影响。交叉操作通过结合高权重父代粒子信息探索高概率区域的邻域，而变异操作通过引入随机扰动使粒子逃逸局部集中区域，两者实现了开发与探索的平衡。GA-PF算法不仅在预测精度上优于常规PF，其预测的RUL分布特征也更为集中。虽然该方法在非线性疲劳退化过程的单试样预测中展现出潜力，但当前验证仅限于恒幅加载条件下的单一预测点，且引入遗传操作增加了计算复杂度。此外，该方法性能依赖于底层裂纹扩展模型的准确性，未来需采用其他物理模型以应对更复杂的加载环境。

研究结论部分翻译如下：本研究提出了一种用于疲劳裂纹扩展预测的改进混合遗传算法-粒子滤波（GA-PF）方法，以克服常规粒子滤波中存在的粒子贫化问题。通过将遗传优化策略集成到粒子滤波框架中，该方法旨在通过交叉和变异操作增强粒子多样性，从而改善不确定退化过程下后验分布的近似。该方法在Q345E钢标准紧凑拉伸（CT）试样数据上得到验证。结果表明，GA-PF和常规PF均能追踪总体裂纹扩展趋势，但在所研究的条件下，GA-PF在剩余使用寿命（RUL）估计方面表现出更好的预测性能。在255,000次循环预测点，GA-PF预测的RUL中位数为22,500次循环，相对误差约为9.04%，而常规PF的相对误差为45.41%。GA-PF和PF的相对总寿命误差分别为0.7993%和4.0166%。尽管在所选实验案例中表现出改进的预测性能，但当前验证仅限于恒幅加载条件下的第12号试样和单一预测点。需要通过多试样、多预测点及变幅加载条件进行进一步验证以评估其普遍性。在相同条件下实施表明，引入遗传优化机制对缓解粒子贫化和提高RUL预测准确性具有潜在益处。该框架为在恒定载荷条件下的不确定性疲劳损伤评估提供了可行途径。