CN102081020A - 基于支持向量机的材料疲劳寿命预测方法 - Google Patents

Abstract

本发明为基于支持向量机的材料疲劳寿命预测方法，本发明公开了一种预测结构材料疲劳服役寿命的方法，包括获取材料疲劳性能数据、选择合适输入输出参数构建训练样本集、建立基于支持向量机的疲劳寿命预测模型、疲劳载荷预处理、计算疲劳寿命。本发明的优点是可利用较少的材料疲劳性能数据，实现疲劳损伤的非线性累积，提高寿命预测的精度。本发明所提出的方法适用于结构材料疲劳寿命估算和延寿分析。对于延长材料的使用寿命，制订合理的检修计划具有重要的理论意义和实际应用价值。

Description

基于支持向量机的材料疲劳寿命预测方法

技术领域

本发明涉及材料疲劳寿命预测领域，特别涉及结构材料服役寿命支持向量机的估算方法。

背景技术

疲劳破坏是工程结构中常见的一种失效形式。准确地进行疲劳寿命估算，对于消除事故发生隐患、制订有效的检修计划和延长使用寿命都具有重要的理论意义和工程实际价值。

疲劳寿命预测的一个重要难题是如何合理而有效地描述由于疲劳损伤引起的材料性能的劣化过程。各国研究人员从不同角度提出了很多损伤累积理论模型，如Miner线性损伤累积准则、Manson双线性损伤累积理论、Corten-Dolan模型等。其中大多数模型只适合于描述材料稳态损伤过程寿命的估算，而实际疲劳载荷谱常常是非稳态的，计算结果与实验数据之间会存在较大偏差。其主要原因在于疲劳损伤累积与载荷之间呈现复杂的非线性关系，很难用特定的数学表达式来准确描述整个损伤过程。

随着人工智能技术的快速发展，目前已经开展了基于神经网络等人工智能方法的疲劳破坏研究，如拟合疲劳试验曲线、计算疲劳概率密度函数和模拟仿真疲劳损伤过程等。但如果要取得较好的预测效果，需要收集大量可靠的材料疲劳试验数据充分训练预测模型，这在很大程度上限制了该方法的广泛应用。近年来出现的支持向量机算法(Support Vcetor Machine，SVM)，在样本量较少的情况下亦能获得很好的学习效果；同时，由于支持向量机算法是一个二次优化问题，所得到的解就是全局最优解，避免了神经网络等方法结构难于确定、过学习以及局部极小化等问题。结构材料服役寿命预测研究，作为典型的小样本问题，很适合支持向量机算法的应用。

在国内，已有多项专利技术应用于预测结构疲劳寿命，如专利CN10231222A“一种剩余强度和剩余寿命的快速、无损预测方法”，利用表面硬度与剩余强度之间的对应关系进行剩余服役寿命的预测；CN1614294A“压力容器疲劳寿命安全预测方法”，通过计算裂纹增量来预测裂纹扩展情况；CN101042059A  “一种汽轮机转子低周疲劳寿命损耗在线监控的方法及系统”，采用神经网络技术确定转子等效应力的修正系数，然后根据材料疲劳曲线和对称循环法计算疲劳寿命。上述专利技术的疲劳寿命估算主要还是基于现有常用的损伤累积模型，需要进行大量的材料疲劳性能试验，不利于实际工程应用。

发明内容

本发明的目的是在现有材料疲劳寿命研究基础上，利用较少的材料疲劳性能数据，建立基于支持向量机的疲劳寿命预测模型，提高结构疲劳寿命预测精度。

本发明将结构材料和疲劳载荷作为一个系统整体来研究，损伤随着载荷历程的推进不断累积，疲劳破坏就是材料性能在载荷作用下不断劣化的过程。疲劳机理研究已表明塑性变形是造成材料损伤的基本因素，且损伤的累积具有非线性特点，因此某时刻循环载荷造成的损伤应是载荷L与材料累积损伤的函数f，如公式(1)所示：

$D_j=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{d}_j=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}f(D_{j-1},{\mathrm{\ϵ}}_j)---\left(1\right)$

式中，D_j为第j次循环后材料的累积总损伤，ε_j为第j次循环应变幅，d_j为该循环载荷造成的损伤。经过n次循环载荷作用后，累积损伤D达到临界值时，材料发生疲劳破坏，循环数n乘以载荷作用便可获得疲劳寿命。

根据上述原理，为了描述各种不同的疲劳损伤状态，本发明应用支持向量机建立所受载荷与疲劳损伤之间的非线性关系(如图1所示)，实现疲劳损伤的非线性累加，最终预测疲劳寿命。

本发明的寿命预测方法主要包括以下步骤：(参见图2)

一、收集材料疲劳性能数据；

进行材料疲劳特性实验，或通过查阅资料，收集相关数据，获取建立训练样本所需的各种材料性能参数。主要包括材料常规机械性能参数、S-N曲线、循环应力-应变滞回环曲线等。

二、选择合适的输入输出参数，建立训练样本集；

对于不同的材料疲劳损伤机理，选取不同的输入输出参数，应用不同的损伤公式计算单次循环载荷损伤。

对于以应力为控制参量的疲劳模型，选取循环载荷应力、当前累积总损伤作为输入参数，以单次循环载荷造成的损伤作为输出参数。单次循环损伤通过能量法来计算。能量法以材料的应力-应变滞回环曲线为基础，认为塑性功的累积产生材料不可逆损伤从而导致疲劳破坏，对载荷应力级别、材料的循环软化硬化特性和载荷顺序进行综合分析，能够较准确反映材料性能变化和实际损伤过程。其损伤计算公式为：

d_j＝Δw_j/w_fj                        (2)

式(2)中，Δw_i为第j次载荷循环作用下应力-应变滞回环曲线所对应的塑性应变能，Δw_fj为第j次载荷循环应力级σ_f下材料的疲劳韧性。

对于以应变为控制参量的疲劳模型，选取循环载荷应变、当前累积总损伤作为输入参数，以单次循环载荷造成的损伤作为输出参数。单次循环损伤通过Landgraf公式来计算。Landgraf公式认为在整个疲劳过程中弹性应变和塑性应变同时起作用，疲劳损伤应由塑性应变ε_p和弹性应变ε_e的比值来控制，同时考虑了平均应力的影响。其损伤计算公式为：

$d_j=2{\left(\frac{{\mathrm{\σ}}_f^{\′}}{{\mathrm{E\ϵ}}_f^{\′}}\frac{{\mathrm{\ϵ}}_p}{{\mathrm{\ϵ}}_e}\right)}^{\frac{1}{b-c}}---\left(3\right)$

式(3)中，σ_f′为疲劳强度系数，E为弹性模量，ε_f′为疲劳延性系数，b为疲劳强度指数，c为疲劳延性指数。

根据步骤一中的所获得的材料疲劳性能数据，代入上述公式计算后，就可得到不同载荷级别下、不同的疲劳累积总损伤与单次循环载荷损伤的对应关系，构建训练样本集。

三、建立基于支持向量机的疲劳寿命预测网络模型；

将步骤二所建立的训练样本输入到支持向量机中，通过计算，建立基于支持向量机的疲劳损伤计算模型。

为了提高支持向量机算法的计算精度，需要选择合适的核函数。一般常用的核函数有线性核函数、多项式核函数以及径向基核函数等，通过计算发现采取径向基函数能够取得较好的预测效果。径向基函数参数的选择，利用交叉检验方法自动寻优得到。

四、疲劳载荷谱预处理；

疲劳破坏过程中，外部载荷对材料的作用是连续的。在输入到寿命预测模型前，须对结构所受疲劳载荷进行预处理。采用局部应力一应变法，将疲劳载荷谱转换为名义应力一时间历程，利用材料的循环应力-应变滞回曲线和Neuber方程转换为疲劳寿命预测模型所需的载荷输入参数类型。

五、计算疲劳寿命。

按载荷循环一时间历程，将载荷参数逐次代入到基于支持向量机的疲劳损伤计算模型中，即可计算出对应不同载荷、不同的累积总损伤下单次循环载荷造成的疲劳损伤。通过不断的迭代计算，当累积损伤达到临界损伤值时，即判断发生疲劳破坏，计算载荷循环数，得到疲劳寿命值。

本发明采用支持向量机算法模拟结构材料疲劳损伤演化过程，计算材料疲劳寿命。与现有预测方法相比，利用较少的材料疲劳性能数据，节省了繁重的材料疲劳实验；本发明的优点是较好地反映了载荷的顺序效应对材料性能的影响，较好的实现了疲劳损伤的非线性累加，提高了寿命估算的精度。本发明可用于材料的疲劳寿命估算，对于延长材料的使用寿命，制订合理的检修计划具有重要的理论意义和实际应用价值。

附图说明

下面结合附图与实施案例进一步说明本发明。

图1本发明应用支持向量机进行疲劳寿命预测的原理图；

图2本发明预测材料疲劳寿命的具体流程图。

具体实施方式

下面通过一个实施案例，进一步说明本发明。

疲劳破坏就是材料性能在载荷作用下不断劣化的过程。疲劳损伤累积具有非线性特点，某时刻循环载荷造成的损伤应是应变与材料累积损伤的函数。

因此，为了描述各种不同的疲劳损伤状态，本发明应用支持向量机建立所受载荷与疲劳损伤之间的非线性关系，实现疲劳损伤的非线性累加，最终预测疲劳寿命。

下面结合实例对本发明的基于支持向量机的疲劳寿命预测方法作进一步详细说明。以下实例仅用于说明的目的，而非用于限定本发明的范围。

本例选取35钢作为研究对象，下面对基于支持向量机的35钢疲劳寿命预测方法作详细说明。

收集数据

通过查阅材料手册并进行相关疲劳实验后，得到35钢静弹性模量E＝196173MPa，屈服极限σ_s＝352.5MPa，强度极限σ_b＝607MPa。疲劳强度系数σ_f′＝1612.39MPa，疲劳延性系数ε_f′＝1.279％，疲劳强度指数b＝-0.18，疲劳延性指数c＝-0.645。通过应变疲劳实验，对不同应变控制量下的一系列稳定滞回环进行分析比较。

得到应变疲劳实验数据如表1所示。

建立训练样本

得到了较为完整的疲劳实验数据后，接下来的任务就是根据不同的疲劳类型，选取输入输出参数，将建立网络训练样本。表2为部分训练样本列表。

表2 35钢疲劳寿命预测部分训练样本

建立寿命预测网络

将步骤二所建立的训练样本输入到支持向量机算法中，核函数采取径向基函数，相关参数通过交叉检验方法自动寻优。通过计算，便建立了支持向量机损伤计算模型。

输入疲劳载荷，计算寿命

为了检验该方法的精度，选常用材料35钢、45#号钢作为进行实验验证。分别进行35钢的载荷形式在“高一低”和“低一高”两级单轴载荷作用下的疲劳实验，计算疲劳寿命，并与实验结果对比，以更全面的检验该方法的可靠性。具体参数及计算结果如下表所示。

表3两极载荷作用下疲劳寿命预测结果

综上所述，本发明采用采用支持向量机算法仿真结构材料疲劳损伤演化过程，建立疲劳载荷、损伤量和材料性能参量之间的对应关系，对材料疲劳损伤进行非线性的累加，最终预测疲劳寿命。

Claims (6)

1.一种结构材料的疲劳寿命预测方法，其特征在于，利用支持向量机建立外部载荷与疲劳损伤之间的非线性关系，对材料损伤进行非线性的累加，最终预测疲劳寿命，包括以下步骤：

1)、收集材料疲劳性能数据；进行材料疲劳特性实验，或通过查阅资料，收集相关数据，获取建立训练样本；

2)、选择合适的输入输出参数，建立训练样本集；对于不同的材料疲劳损伤机理，选取不同的输入输出参数，应用不同的损伤公式计算单次循环载荷损伤；

3)、建立基于支持向量机的疲劳寿命预测模型；

4)、疲劳载荷谱预处理；

5)、计算疲劳寿命。

2.根据权利要求1所述的疲劳寿命预测方法，其特征在于：所述步骤1建立训练样本包括材料常规机械性能参数、S-N曲线、循环应力-应变滞回环曲线等材料疲劳性能参数。

3.根据权利要求1所述的疲劳寿命预测方法，其特征在于：所述步骤2对于以应力为控制参量的疲劳模型，选取循环载荷应力、当前累积总损伤作为输入参数，以单次循环载荷造成的损伤作为输出参数；单次循环损伤通过能量法来计算；以应变为控制参量的疲劳模型，选取循环载荷应变、当前累积总损伤作为输入参数，以单次循环载荷造成的损伤作为输出参数；单次循环损伤通过Landgraf公式来计算；根据步骤1中的所获得的材料疲劳性能数据，代入上述公式计算后，就可得到不同载荷级别、不同的疲劳累积总损伤与单次循环载荷损伤的对应关系，构建训练样本。

4.根据权利要求1所述的疲劳寿命预测方法，其特征在于：所述步骤3训练样本输入到支持向量机中，通过计算建立基于支持向量机的疲劳损伤计算模型；选择径向基函数作为核函数，径向基函数相关参数利用交叉检验方法自动寻优确定。

5.根据权利要求1所述的疲劳寿命预测方法，其特征在于：所述步骤4在输入到寿命预测模型前，须对结构所受疲劳载荷进行预处理；采用局部应力一应变法，将疲劳载荷谱转换为名义应力一时间历程，利用材料的循环应力-应变滞回曲线和Neuber方程转换为疲劳寿命预测模型所需的载荷输入参数类型。

6.根据权利要求1所述的疲劳寿命预测方法，其特征在于：所述步骤5按载荷循环一时间历程，将输入参数逐次代入基于支持向量机的疲劳损伤计算模型中，即可计算出对应不同载荷、不同的累积总损伤下单次循环载荷造成的疲劳损伤；通过不断的迭代计算，当累积损伤达到临界损伤值时，即判断发生疲劳破坏，计算材料疲劳寿命。

Images