CN107194146A - 一种喷涂层接触疲劳寿命预测方法及装置 - Google Patents
一种喷涂层接触疲劳寿命预测方法及装置 Download PDFInfo
- Publication number
- CN107194146A CN107194146A CN201710237621.5A CN201710237621A CN107194146A CN 107194146 A CN107194146 A CN 107194146A CN 201710237621 A CN201710237621 A CN 201710237621A CN 107194146 A CN107194146 A CN 107194146A
- Authority
- CN
- China
- Prior art keywords
- sample data
- test
- life
- group
- forecast model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
本发明实施例公开了一种喷涂层接触疲劳寿命预测方法及装置。方法包括:S1、获取多组样本数据,所述多组样本数据为以涂层厚度和工况参数为变量,对多个喷涂有涂层的试验基体进行接触疲劳试验获取的;S2、按照预设划分规则,将所述多组样本数据划分为训练集和测试集;S3、采用支持向量机原理,根据所述训练集构建预测模型;S4、根据所述预测模型对待预测的喷涂层进行寿命预测,获取所述待预测的喷涂层的预测寿命。本发明实施例基于多个影响喷涂层接触疲劳的因素,结合支持向量机构建寿命预测模型,并基于预测模型预测喷涂层的接触疲劳寿命,与现有技术相比,具有预测精度高的优点。
Description
技术领域
本发明实施例涉及热喷涂技术领域,具体涉及一种喷涂层接触疲劳寿命预测方法及装置。
背景技术
热喷涂技术是再制造工程中,用于解决如轴类、齿轮等旋转部件由于一些表面损伤而提前报废,导致材料剩余寿命极大浪费而造成的经济损失的一项重要的表面处理技术。一些用于提高旋转部件表面耐磨性能的热喷涂层,如AT40涂层在工程应用中不可避免地受到了接触应力的作用,为了确保再制造零部件在服役中的安全性,对涂层接触疲劳失效的研究已成为再制造工程中的重要且有意义的工作,对涂层接触疲劳寿命的预测亦成为了热点和难点问题。
在实现本发明实施例的过程中,发明人发现统计学方法中,Weibull模型、统计回归模型等已在涂层的接触疲劳寿命预测中有了突出表现。然而,受喷涂工艺的影响,及使用工况日趋多变、苛刻下,涂层的接触疲劳寿命数据呈现高维、混杂的趋势,这类数据的小样本特性日益突出,使得统计学方法的应用出现错误的可能性增大。
发明内容
本发明实施例的一个目的是解决现有技术预测精度低的问题。
本发明实施例提出了一种喷涂层接触疲劳寿命预测方法,包括:
S1、获取多组样本数据,所述多组样本数据为以涂层厚度和工况参数为变量,对多个喷涂有喷涂层的试验基体进行接触疲劳试验获取的;
S2、按照预设划分规则,将所述多组样本数据划分为训练集和测试集;
S3、采用支持向量机原理,根据所述训练集构建预测模型;
S4、根据所述预测模型对待预测的喷涂层进行寿命预测,获取所述待预测的喷涂层的预测寿命。
可选的,所述样本数据包括试验基体的试验寿命;
相应地,在步骤S2之前,步骤S1之后,所述方法还包括:
对各组样本数据中的试验寿命进行正态化处理;
判断各组样本数据中的试验寿命的正态分布是否满足预设条件;若是,则执行所述步骤S2;若否,则执行所述步骤S1。
可选的,所述步骤S2包括:
采用黄金分割法,结合样本数据的组数获取构建初始预测模型所需的最小样本数;
分别对各组样本数据进行分析,获取各组样本数据中试验寿命对应的信息熵;
以各组样本数据中试验寿命对应的信息熵为选取标准,从所述多组样本数据中选取出与所述最小样本数相同组数的样本数据组成训练集,并将剩余的样本数据作为测试集。
可选的,所述样本数据还包括:试验基体的转速、滑差率和接触应力;
相应地,所述步骤S3包括:
以训练集中各组样本数据的试验基体的转速、滑差率、接触应力以及喷涂层厚度为输入值,试验基体的试验寿命为响应值,采用支持向量机原理,构建初始预测模型。
可选的,在步骤S3之后和步骤S4之前,所述方法还包括:
通过所述测试集对所述预测模型进行测试,获取所述测试集中各组样本数据对应的测试寿命;
根据所述测试集中每组样本数据对应的试验寿命和测试寿命判断所述预测模型是否合格;
若是,则执行步骤S4;
若否,则执行步骤S2-S3,直至构建的预测模型合格为止。
本发明实施例提出了一种喷涂层接触疲劳寿命预测装置,包括:
获取模块,用于获取多组样本数据,所述多组样本数据为以涂层厚度和工况参数为变量,对多个喷涂有涂层的试验基体进行接触疲劳试验获取的;
划分模块,用于按照预设划分规则,将所述多组样本数据划分为训练集和测试集;
建模模块,用于采用支持向量机原理,根据所述训练集构建预测模型;
预测模块,用于根据所述预测模型对待预测的喷涂层进行寿命预测,获取所述待预测的喷涂层的预测寿命。
可选的,所述样本数据包括试验基体的试验寿命;
相应地,所述装置还包括:第一优化模块;
所述第一优化模块,用于对各组样本数据中的试验寿命进行正态化处理;判断各组样本数据中的试验寿命的正态分布是否满足预设条件;若是,则触发所述划分模块;若否,则触发所述获取模块。
可选的,所述划分模块,用于采用黄金分割法,结合样本数据的组数获取构建初始预测模型所需的最小样本数;分别对各组样本数据进行分析,获取各组样本数据中试验寿命对应的信息熵;以各组样本数据中试验寿命对应的信息熵为选取标准,从所述多组样本数据中选取出与所述最小样本数相同组数的样本数据组成训练集,并将剩余的样本数据作为测试集。
可选的,所述样本数据还包括:试验基体的转速、滑差率和接触应力;
相应地,所述建模模块,用于以训练集中各组样本数据的试验基体的转速、滑差率、接触应力以及喷涂层厚度为输入值,试验基体的试验寿命为响应值,采用支持向量机原理,构建初始预测模型。
可选的,所述装置还包括:第二优化模块;
所述第二优化模块,用于通过所述测试集对所述预测模型进行测试,获取所述测试集中各组样本数据对应的测试寿命;根据所述测试集中每组样本数据对应的试验寿命和测试寿命判断所述预测模型是否合格;
若是,则触发预测模块;
若否,则触发划分模块,直至所述建模模块构建的预测模型合格为止。
由上述技术方案可知,本发明实施例提出的一种喷涂层接触疲劳寿命预测方法及装置基于多个影响喷涂层接触疲劳的因素,结合支持向量机构建寿命预测模型,并基于预测模型预测喷涂层的接触疲劳寿命,与现有技术相比,具有预测精度高的优点。
附图说明
通过参考附图会更加清楚的理解本发明的特征和优点,附图是示意性的而不应理解为对本发明进行任何限制,在附图中:
图1示出了本发明一实施例提供的一种喷涂层接触疲劳寿命预测方法的流程示意图;
图2示出了本发明另一实施例提供的一种喷涂层接触疲劳寿命预测方法的流程示意图;
图3a-3d示出了本发明一实施例提供的试验基体的结构示意图;
图4示出了本发明一实施例提供的接触疲劳寿命数据的正态概率的示意图;
图5a和图5b示出了本发明一实施例提供的“3σ”准则示意图;
图6示出了本发明一实施例提供的训练样本的信息熵值变化示意图;
图7示出了本发明一实施例提供的残差的示意图;
图8示出了本发明一实施例提供的一种喷涂层接触疲劳寿命预测装置的结构示意图;
图9示出了本发明另一实施例提供的一种喷涂层接触疲劳寿命预测装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1示出了本发明一实施例提供的一种喷涂层接触疲劳寿命预测方法的流程示意图,参见图1,该方法可由处理器实现,具体包括如下步骤:
110、获取多组样本数据,所述多组样本数据为以涂层厚度和工况参数为变量,对多个喷涂有喷涂层的试验基体进行接触疲劳试验获取的;
需要说明的是,样本数据为相关人员以试验的方式获取的,并基于需求合理的划分成多批,每批均包括多组样本数据,然后基于需求依次获取一批样本数据。
120、按照预设划分规则,将所述多组样本数据划分为训练集和测试集;
130、采用支持向量机原理,根据所述训练集构建预测模型;
140、根据所述预测模型对待预测的喷涂层进行寿命预测,获取所述待预测的喷涂层的预测寿命。
可见,本实施例基于多个影响喷涂层接触疲劳的因素,结合支持向量机构建寿命预测模型,并基于预测模型预测喷涂层的接触疲劳寿命,与现有技术相比,具有预测精度高的优点。
图2示出了本发明另一实施例提供的一种喷涂层接触疲劳寿命预测方法的流程示意图,参见图2,该方法可由处理器实现,具体包括如下步骤:
210、获取多组样本数据;
220、判断试验寿命的正态分布是否满足预设条件;
需要说明的是,步骤210中的样本数据包括试验基体的试验寿命;
首先,对各组样本数据中的试验寿命进行正态化处理;
判断各组样本数据中的试验寿命的正态分布是否满足预设条件;若是,则执行所述步骤S2;若否,则执行所述步骤S1。
230、采用黄金分割法,结合样本数据的组数获取构建初始预测模型所需的最小样本数;
240、分别对各组样本数据进行分析,获取各组样本数据中试验寿命对应的信息熵;
250、以各组样本数据中试验寿命对应的信息熵为选取标准,从所述多组样本数据中选取出与所述最小样本数相同组数的样本数据组成训练集,并将剩余的样本数据作为测试集。
260、以训练集中各组样本数据包括的试验基体的转速、滑差率、接触应力以及喷涂层厚度为输入值,试验基体的试验寿命为响应值,采用支持向量机原理,构建初始预测模型。
270、通过所述测试集对所述预测模型进行测试,获取所述测试集中各组样本数据对应的测试寿命;
根据所述测试集中每组样本数据对应的试验寿命和测试寿命判断所述预测模型是否合格;
若是,则执行步骤280;若否,则返回步骤230,重复执行步骤230-270,直至构建的预测模型合格为止。
280、对待预测的喷涂层进行寿命预测,获取所述待预测的喷涂层的预测寿命。
可见,本实施例通过对用于建模的样本数据进行检验,以尽可能为后续的建模步骤提高可靠的样本数据;另外,通过对模型的有效性进行验证、修正以得到符合要求的模型,进而达到进一步提高预测精度的目的。
下面对本申请的设计原理进行详细说明:
首先,本申请的设计思路如下:1.确定影响喷涂层接触疲劳的因素及安全的取值水平;2.采用接触疲劳试验机进行受多因素下的喷涂层接触疲劳试验;3.采用Matlab软件检验寿命数据的正态性;4.利用正态分布的“3σ”准则检验寿命数据的可靠性;5.数据的标准化处理;6.利用黄金分割法计算训练集最小样本数;7.对寿命数据的取值区间进行划分,计算信息熵;8.通过黄金分割法和信息熵结果确定训练集和测试集;9.利用支持向量机原理,选择合适的核函数建立寿命预测模型;10.通过模型的显著性检验,及残差的正态性和残差图判定支持向量机预测模型的可靠性和有效性。
具体设计过程以具体示例的方式陈述:
1.试验设计
采用质量分数为90%Ni,10%Al的Ni/Al合金作为粘结层,以提高涂层与基体的结合强度。采用Al2O3-40%TiO2涂层作为喷涂层,基体为线接触长度为8mm,外周边缘倒角0.5mm的辊子,涂层在辊子上喷涂位置及辊子尺寸示意图如图3(a)和图3(b)所示。喷涂参数如表1所示,采用相同的喷涂时间及喷涂次数,使得涂层和基体受到的冷却时间、受热状态等热力学因素的影响相同,喷涂后涂层厚度为500-600μm。采用砂轮磨削方式对喷涂进行打磨,分别涂层厚度为200μm、216μm、250μm、300μm、350μm、384μm的测试辊。
表1 AT40涂层制备参数
中心复合设计是兼顾影响因素独立及综合效应的统计学试验方法,其设计方案按照编码方式编制,编码方法为:
xi=(yi-y0i)/Δi(i=1,2,…,m) (1)
式(1)中,Δi为yi取值区间的半径,y0i为yi取值区间的中心点。该试验方法共有N=mc+mr+m0个试验点,mc表示2k因子设计的试验点数,mr表示分布在m个坐标轴上的轴试验点数,m0表示中心点重复试验的次数。轴试验点到中心点的距离r为待定参数,调节r可得到正交性、旋转性等优良性。一般而言,若设计具有旋转性,则要求r4=mc。经编码变换后,新变量xi的取值范围为[-r,r]。
为了有效地减少试验规模,对接触应力、转速、滑差率和涂层厚度等因素在涂层接触疲劳失效中的影响规律进行研究,采用3因素的中心复合试验设计将试验分成两组试验进行:
试验1,采用砂轮磨削方式制备涂层厚度为200μm的测试辊,进行接触应力、转速和滑差率的3因素试验。
试验2,采用砂轮磨削方式制备涂层厚度为216μm、250μm、300μm、350μm、384μm的涂层,进行接触应力、涂层厚度和滑差率的3因素中心复合试验。
依中心复合设计原理,有r=1.68,mc=8,m0=5,mr=6。
采用装备再制造技术国防科技重点试验室研制的RM-1型多功能试验机,通过设置滑差率、接触应力和转速,模拟涂层受滚动和滑动运动状态共同作用的真实接触状态,以喷涂AT40涂层的辊子作为测试辊,与测试辊(图3a)进行接触的对偶件作为标准辊,利用Hertz公式计算线接触最大接触应力,接触示意图如图3(c)所示,标准辊尺寸如图3(d)所示。试验1参数及结果见表2中试验编号1-19所示。试验2参数及结果见表2中试验编号20-38所示。
表2 AT40涂层接触疲劳试验参数及结果
2.结果分析与预测
试验1及试验2均除了中心点进行了重复试验外,其余各试验点只进行了1次试验。由于热喷涂层的伴随性结构缺陷,及在服役中损伤的不确定性,使得失效数据具有随机性和分散性等特征,所以需要对采用中心复合设计法获取的寿命数据的可靠性进行检验。
在直角坐标系下绘制中心点的正态概率纸图,如图3所示。由图3可知,中心点大致沿直线分布。同时,采用Kolmogorov-Smirnov检验(K-S检验)对中心点进行正态性检验,给定检验的显著性水平为0.05,检验结果见表3。由表3可知,对于试验1及试验2,检验的显著性值分别为0.890和0.981,均大于0.05。由图4和表3表明,试验1和试验2的中心点均具有正态性。
表3 中心点的正态性检验
由正态分布的“3σ”准则知,若则表明对于相同条件下,疲劳寿命数据能以68.26%的概率在区间内取值,这里s为σ的估计值,下同。若则表明对于相同条件下,疲劳寿命数据能以95.44%的概率在区间内取值。若则表明对于相同条件下,疲劳寿命数据能以99.74%的概率在区间内取值。由此可知,小于3s的寿命数据可以认为是异常值,是不可靠的。对于寿命数据而言,大于3s是允许的,表明涂层的质量更好。于是,对于满足“3σ”准则的数据,可以认为寿命数据都是稳定、可靠、有效的。因是使寿命数据满足“3σ”准则的最小区间,对于试验1和试验2,这一区间分别为(5663.7448,6925.8552)和(3836.5907,7055.8093),如图5(a)、5(b)所示。
由图4可知,在试验1和试验2的5个中心点寿命数据中,约80%的数据落入了区间已大于68.26%,可以认为在中心复合设计下进行的接触疲劳寿命试验在统计学上具有稳定性,采用这些寿命数据进行进一步分析和建模具有统计学上的可靠性。
3.寿命预测模型构建
3.1 支持向量机原理
Vapnik提出的支持向量机理论是基于统计学习理论发展起来的一种新型机器学习算法,对小样本适用性较强,尤其当训练集有限时得到的决策规则,对独立的检验集仍能得到较小的误差。这种方法不涉及概率测度和大数定律,基本避免了从归纳到演绎的过程,其具有结构风险最小,可以逼近任意函数且保证全局最优等特点,对小样本、非线性和高维建模的领域适用性较强,不仅可以避免解析求解的困难,而且可以提高预测的准确性。随着ε不敏感损失函数的引入,并用于解决数据的拟合与回归问题,得到了支持向量机预测理论,即支持向量回归机(简称为SVR)。其预测的基本思想是,对于给定的训练集{(xi,yi),i=1,2,…,l},其中xi∈Rn为输入值,yi∈R为预测值,寻找Rn上的实值函数f(x)拟合输入和输出之间的关系。支持向量回归机主要包括线性和非线性两种,非线性支持向量回归机通过引进核函数,把线性回归方法推广到处理非线性回归问题。其基本观点是通过非线性映射φ(x),将训练数据映射到一个高维特征空间F,然后在F中进行线性回归,这种非线性映射是通过定义满足Mercer条件的核函数K(xi,xj)来实现,回归估计函数为
支持向量机算法如下(ε-SVR):
步骤1,给定的训练集{(xi,yi),i=1,2,…,l},xi∈Rn,yi∈R,i=1,…,l;
步骤2,选择适当的正数ε和C,选择核函数K(xi,xj);
步骤3,构造并求解最优化问题
得到最优解
步骤4,构造回归估计函数
其中,l为支持向量的个数,xi(i=1,2,…,l)为支持向量。对于按下式计算:选择位于开区间中的或若选到的是则
若选到则
3.2 接触疲劳寿命的预测模型
3.2.1 寿命数据的标准化
因为接触应力、滑差率、转速、涂层厚度的物理意义和量纲不同,使得各自取值的范围的差别较大,在SVR的训练中易出现稳定性较差的现象,从而导致泛化能力差,通过标准化处理可以提高训练的稳定性和泛化性,使接触应力、滑差率、转速、涂层厚度四个变量在训练中地位相同。标准化处理如下:
式(3)中,和s分别表示第i个变量的样本均值和样本标准差。
3.2.2 寿命数据的划分
为处理方便,称由除去测试样本后的试验数据组成的集合为训练集,训练样本为由训练集中选取的元素构成。为了保证模型的预测精度,训练集的组成要具有一定的代表性,选取的训练样本既要具有一定的稳定性,而且其样本数又要满足建模的需要。观察表2,编号为1,2,7-21,26-38的试验中,接触应力、转速、滑差率和涂层厚度四个可控制因素的取值水平涵盖了试验中的所有值,具有一定的代表性,可将1,2,7-21,26-38试验数据组成训练集。由于试验点15-19及34-38为重复试验,故对重复试验点,取算术平均值后作为相同试验条件下的试验数据。于是,训练样本共包含22个寿命数据。
由于黄金分割法作为一种优先法,是一种数学上的比例关系,具有严格的比例性、和谐性,训练样本的个数应至少等于训练集中元素个数的0.618倍,即训练样本数应大于等于22×0.618=13.596,而样本数应为正整数,故取为14。又因为信息熵的大小体现了信源发消息的随机性的大小,即信息熵大则意味着随机性大,信息熵小则意味着随机性也小。于是,可采用信息熵的大小来体现训练样本的稳定性,并进一步确定训练样本。
对于已知的一概率向量(p1,p2,…,pr),称
为信息熵。其中,0≤pi≤1(i=1,…,r),log(·)表示以2为底的对数函数。
对于一组已知的数据x1,…,xn,将数据进行从小到大的排序,记取a=x(1)-δ,b=x(n)+δ,其中δ≥0。对训练集进行等间隔划分,把训练集分成不相交的非空的子集,每个子集就是一个小区间,区间长度为
式(5)中,r表示小区间的个数,一般取为1.87×(n-1)0.4。计算属于每个小区间[a+(k-1)Δ,a+kΔ)(k=1,2,…,r)的数据的个数mk,从而可得属于每个小区间的数据的频率视每个小区间为一个随机事件,那么可把fk看作第k个事件发生的概率。于是,可得给定的数据x1,…,xn的信息熵为
综上,计算训练集的信息熵步骤如下:
步骤1,依黄金分割法,计算训练样本应含有的最小样本数,并对选定的数据x1,…,xn进行从小到大的排序;
步骤2,给定δ≥0,确定a=x(1)-δ,b=x(n)+δ,并计算划分的子集数,即区间数r;
步骤3,按区间长度计算属于每个小区间[a+(k-1)Δ,a+kΔ)的数据的个数mk,并计算属于每个小区间的数据的频率
步骤4,计算一组选定数据x1,…,xn的信息熵Hn。
经计算,可得自20号试验数据开始,不同样本数的训练样本的信息熵如表4和图6所示。
表4 不同样本数的训练样本的信息熵
3.2.3 支持向量回归机寿命预测模型
由表4和图6可知,训练样本含有20个数据。依表2可知,训练样本包含试验编号为1,2,7-14,15-19,21-32试验数据。其中,对重复试验点15-19取算术平均值。将编号为3-6,22-25,33,34-38作为测试样本,其中对重复试验点34-38取算术平均值。选择RBF核函数K(x,x′)=exp(-γ·||x-x′||2),采用列举法,当C=50,γ=0.001,ε=0.01时,可得预测结果见表5。
表5 AT40涂层接触疲劳寿命预测值
4.模型评价
预测模型的可靠性可通过预测值与实测值的差,即残差的正态性进行讨论。采用K-S检验方法对表5中预测模型的残差进行非参数假设检验,给定显著性水平同上。检验结果见表6所示。
表6 残差的正态性检验
表6表明,K-S检验的显著性值为0.699>0.05,故可以认为残差具有正态性,说明SVR模型具有统计可靠性。
进一步,采用统计回归理论拟合得到了接触疲劳寿命与接触应力、滑差率、转速、涂层厚度的三次多项式回归模型,残差值见表5所示。同时,通过K-S检验可知残差具有正态性,见表6所示。然而,由图6可知,SVR模型的预测误差波动更小,随机性较差;统计回归模型的预测误差波动较大,但是随机性较好。通过计算表征离散程度的变异系数可知,对于SVR残差C.V.=3.5162,对于统计回归模型残差C.V.=3.9888,这一结果表明SVR模型具有较高的预测精度。
可见,本实施例基于四个关键点1.多因素寿命数据的获取;2.寿命数据的可靠性检验;3.黄金分割法与信息熵理论的结合,对样本集的合理划分;4.支持向量机理论用于喷涂层接触疲劳寿命的预测。通过统计学方法检验多因素寿命数据的可靠性,训练集和测试集的合理划分,奠定了支持向量机用于接触疲劳寿命预测的有效性和可靠性的基础。
对于方法实施方式,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明实施方式并不受所描述的动作顺序的限制,因为依据本发明实施方式,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施方式均属于优选实施方式,所涉及的动作并不一定是本发明实施方式所必须的。
图8示出了本发明一实施例提供的一种喷涂层接触疲劳寿命预测装置的结构示意图,参见图8,该装置包括:获取模块810、划分模块820、建模模块830以及预测模块840,其中:
获取模块810,用于获取多组样本数据,所述多组样本数据为以涂层厚度和工况参数为变量,对多个喷涂有涂层的试验基体进行接触疲劳试验获取的;
划分模块820,用于按照预设划分规则,将所述多组样本数据划分为训练集和测试集;
建模模块830,用于采用支持向量机原理,根据所述训练集构建预测模型;
预测模块840,用于根据所述预测模型对待预测的喷涂层进行寿命预测,获取所述待预测的喷涂层的预测寿命。
需要说明的是,获取模块810在接收到启动的指令后,获取一批的多组样本数据,然后将其发送至划分模块820;由划分模块820将多组样本数据划分为训练集和测试集,并将训练集发送至建模模块830,由建模模块830根据训练集中的样本数据构建预测模型,并将构建好的预测模型发送至预测模块840;预测模型840基于预测模型对待预测的喷涂层进行预测,获取喷涂层的预测寿命。
可见,本实施例基于多个影响喷涂层接触疲劳的因素,结合支持向量机构建寿命预测模型,并基于预测模型预测喷涂层的接触疲劳寿命,与现有技术相比,具有预测精度高的优点。
图9示出了本发明另一实施例提供的一种喷涂层接触疲劳寿命预测装置的结构示意图,参见图9,该装置包括:获取模块910、第一优化模块920、划分模块930、建模模块940、第二优化模块950以及预测模块960,其中:
获取模块910、划分模块930、建模模块940、预测模块960与图8对应的实施例中的获取模块810、划分模块820、建模模块830以及预测模块840相对应,其工作原理均对应相同,故,此处不再对其进行赘述。
下面在图8对应实施例的基础上,对本实施例进行详细说明:
本实施例中样本数据包括试验基体的试验寿命;
相应地,第一优化模块920,用于对各组样本数据中的试验寿命进行正态化处理;判断各组样本数据中的试验寿命的正态分布是否满足预设条件;若是,则触发所述划分模块930;若否,则触发所述获取模块910,以重新获取一批样本数据。
所述划分模块930在接收到触发信号后,采用黄金分割法,结合样本数据的组数获取构建初始预测模型所需的最小样本数;分别对各组样本数据进行分析,获取各组样本数据中试验寿命对应的信息熵;以各组样本数据中试验寿命对应的信息熵为选取标准,从所述多组样本数据中选取出与所述最小样本数相同组数的样本数据组成训练集,并将剩余的样本数据作为测试集。
然后,建模模块940以训练集中各组样本数据的试验基体的转速、滑差率、接触应力以及喷涂层厚度为输入值,试验基体的试验寿命为响应值,采用支持向量机原理,构建初始预测模型。
在建模完成后,第二优化模块950通过所述测试集对所述预测模型进行测试,获取所述测试集中各组样本数据对应的测试寿命;根据所述测试集中每组样本数据对应的试验寿命和测试寿命判断所述预测模型是否合格;
若是,则触发预测模块960,以对待预测的喷涂层进行预测;
若否,则触发划分模块930,以重新划分训练集和测试集,并由建模模块940基于新划分的训练集进行建模,然后由第二优化模块950基于新划分的测试集对新建的模型进行验证,直至构建的预测模型合格为止。
可见,本实施例通过统计学方法检验多因素寿命数据的可靠性,训练集和测试集的合理划分,奠定了支持向量机用于接触疲劳寿命预测的有效性和可靠性的基础。
对于装置实施方式而言,由于其与方法实施方式基本相似,所以描述的比较简单,相关之处参见方法实施方式的部分说明即可。
应当注意的是,在本发明的装置的各个部件中,根据其要实现的功能而对其中的部件进行了逻辑划分,但是,本发明不受限于此,可以根据需要对各个部件进行重新划分或者组合。
本发明的各个部件实施方式可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本装置中,PC通过实现因特网对设备或者装置远程控制,精准的控制设备或者装置每个操作的步骤。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样实现本发明的程序可以存储在计算机可读介质上,并且程序产生的文件或文档具有可统计性,产生数据报告和cpk报告等,能对功放进行批量测试并统计。应该注意的是上述实施方式对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施方式。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种喷涂层接触疲劳寿命预测方法,其特征在于,包括:
S1、获取多组样本数据,所述多组样本数据为以涂层厚度和工况参数为变量,对多个喷涂有涂层的试验基体进行接触疲劳试验获取的;
S2、按照预设划分规则,将所述多组样本数据划分为训练集和测试集;
S3、采用支持向量机原理,根据所述训练集构建预测模型;
S4、根据所述预测模型对待预测的喷涂层进行寿命预测,获取所述待预测的喷涂层的预测寿命。
2.根据权利要求1所述的方法,其特征在于,所述样本数据包括试验基体的试验寿命;
相应地,在步骤S2之前,步骤S1之后,所述方法还包括:
对各组样本数据中的试验寿命进行正态化处理;
判断各组样本数据中的试验寿命的正态分布是否满足预设条件;若是,则执行所述步骤S2;若否,则执行所述步骤S1。
3.根据权利要求2所述的方法,其特征在于,所述步骤S2包括:
采用黄金分割法,结合样本数据的组数获取构建初始预测模型所需的最小样本数;
分别对各组样本数据进行分析,获取各组样本数据中试验寿命对应的信息熵;
以各组样本数据中试验寿命对应的信息熵为选取标准,从所述多组样本数据中选取出与所述最小样本数相同组数的样本数据组成训练集,并将剩余的样本数据作为测试集。
4.根据权利要求2所述的方法,其特征在于,所述样本数据还包括:试验基体的转速、滑差率和接触应力;
相应地,所述步骤S3包括:
以训练集中各组样本数据的试验基体的转速、滑差率、接触应力以及喷涂层厚度为输入值,试验基体的试验寿命为响应值,采用支持向量机原理,构建初始预测模型。
5.根据权利要求1-4任一项所述的方法,其特征在于,在步骤S3之后和步骤S4之前,所述方法还包括:
通过所述测试集对所述预测模型进行测试,获取所述测试集中各组样本数据对应的测试寿命;
根据所述测试集中每组样本数据对应的试验寿命和测试寿命判断所述预测模型是否合格;
若是,则执行步骤S4;
若否,则执行步骤S2-S3,直至构建的预测模型合格为止。
6.一种喷涂层接触疲劳寿命预测装置,其特征在于,包括:
获取模块,用于获取多组样本数据,所述多组样本数据为以涂层厚度和工况参数为变量,对多个喷涂有涂层的试验基体进行接触疲劳试验获取的;
划分模块,用于按照预设划分规则,将所述多组样本数据划分为训练集和测试集;
建模模块,用于采用支持向量机原理,根据所述训练集构建预测模型;
预测模块,用于根据所述预测模型对待预测的喷涂层进行寿命预测,获取所述待预测的喷涂层的预测寿命。
7.根据权利要求6所述的装置,其特征在于,所述样本数据包括试验基体的试验寿命;
相应地,所述装置还包括:第一优化模块;
所述第一优化模块,用于对各组样本数据中的试验寿命进行正态化处理;判断各组样本数据中的试验寿命的正态分布是否满足预设条件;若是,则触发所述划分模块;若否,则触发所述获取模块。
8.根据权利要求7所述的装置,其特征在于,所述划分模块,用于采用黄金分割法,结合样本数据的组数获取构建初始预测模型所需的最小样本数;分别对各组样本数据进行分析,获取各组样本数据中试验寿命对应的信息熵;以各组样本数据中试验寿命对应的信息熵为选取标准,从所述多组样本数据中选取出与所述最小样本数相同组数的样本数据组成训练集,并将剩余的样本数据作为测试集。
9.根据权利要求7所述的装置,其特征在于,所述样本数据还包括:试验基体的转速、滑差率和接触应力;
相应地,所述建模模块,用于以训练集中各组样本数据的试验基体的转速、滑差率、接触应力以及喷涂层厚度为输入值,试验基体的试验寿命为响应值,采用支持向量机原理,构建初始预测模型。
10.根据权利要求6-9任一项所述的装置,其特征在于,所述装置还包括:第二优化模块;
所述第二优化模块,用于通过所述测试集对所述预测模型进行测试,获取所述测试集中各组样本数据对应的测试寿命;根据所述测试集中每组样本数据对应的试验寿命和测试寿命判断所述预测模型是否合格;
若是,则触发预测模块;
若否,则触发划分模块,直至所述建模模块构建的预测模型合格为止。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710237621.5A CN107194146B (zh) | 2017-04-12 | 2017-04-12 | 一种喷涂层接触疲劳寿命预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710237621.5A CN107194146B (zh) | 2017-04-12 | 2017-04-12 | 一种喷涂层接触疲劳寿命预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107194146A true CN107194146A (zh) | 2017-09-22 |
CN107194146B CN107194146B (zh) | 2020-05-19 |
Family
ID=59871108
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710237621.5A Active CN107194146B (zh) | 2017-04-12 | 2017-04-12 | 一种喷涂层接触疲劳寿命预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107194146B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108254410A (zh) * | 2017-12-27 | 2018-07-06 | 中国人民解放军陆军装甲兵学院 | 基于红外检测的喷涂层接触疲劳寿命预测方法及装置 |
CN109023209A (zh) * | 2018-09-21 | 2018-12-18 | 北京联合涂层技术有限公司 | 一种基于人工智能的热喷涂方法及系统 |
CN109609887A (zh) * | 2019-02-11 | 2019-04-12 | 北京联合涂层技术有限公司 | 一种热喷涂方法及系统 |
CN110348646A (zh) * | 2019-07-19 | 2019-10-18 | 蕴硕物联技术(上海)有限公司 | 预测喷涂质量的方法及装置 |
CN111638148A (zh) * | 2020-07-07 | 2020-09-08 | 一汽解放汽车有限公司 | 一种测试同类金属材料s-n曲线的方法 |
CN112434449A (zh) * | 2020-08-08 | 2021-03-02 | 中车长春轨道客车股份有限公司 | 一种参数化的吊装结构疲劳寿命智能预测方法 |
CN113092485A (zh) * | 2021-04-06 | 2021-07-09 | 广东剑鑫科技股份有限公司 | 一种三防漆涂覆质量检测系统及方法 |
CN113850022A (zh) * | 2021-09-26 | 2021-12-28 | 中国人民解放军陆军装甲兵学院 | 一种基于声热信号的喷涂层接触疲劳寿命预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102169531A (zh) * | 2011-05-05 | 2011-08-31 | 北京航空航天大学 | 一种带热障涂层的圆管的热疲劳寿命预测方法 |
CN104504399A (zh) * | 2015-01-05 | 2015-04-08 | 哈尔滨工业大学 | 一种结合线性相关信息熵的多光谱数据有监督分类方法 |
CN106295005A (zh) * | 2016-08-11 | 2017-01-04 | 中国人民解放军装甲兵工程学院 | 喷涂层接触疲劳寿命的多因素预测方法和装置 |
-
2017
- 2017-04-12 CN CN201710237621.5A patent/CN107194146B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102169531A (zh) * | 2011-05-05 | 2011-08-31 | 北京航空航天大学 | 一种带热障涂层的圆管的热疲劳寿命预测方法 |
CN104504399A (zh) * | 2015-01-05 | 2015-04-08 | 哈尔滨工业大学 | 一种结合线性相关信息熵的多光谱数据有监督分类方法 |
CN106295005A (zh) * | 2016-08-11 | 2017-01-04 | 中国人民解放军装甲兵工程学院 | 喷涂层接触疲劳寿命的多因素预测方法和装置 |
Non-Patent Citations (3)
Title |
---|
PETER HARRINGTON ET.AL: "《机器学习实战》", 30 June 2013, 北京:人民邮电出版社 * |
杨大炼 等: "基于优化SVR 模型的大跨度样本疲劳寿命预测", 《东北大学学报(自然科学版)》 * |
马润波 等: "基于中心复合设计的热喷涂层接触疲劳寿命预测研究", 《兵工学报》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108254410A (zh) * | 2017-12-27 | 2018-07-06 | 中国人民解放军陆军装甲兵学院 | 基于红外检测的喷涂层接触疲劳寿命预测方法及装置 |
CN108254410B (zh) * | 2017-12-27 | 2020-04-03 | 中国人民解放军陆军装甲兵学院 | 基于红外检测的喷涂层接触疲劳寿命预测方法及装置 |
CN109023209A (zh) * | 2018-09-21 | 2018-12-18 | 北京联合涂层技术有限公司 | 一种基于人工智能的热喷涂方法及系统 |
CN109609887B (zh) * | 2019-02-11 | 2021-01-12 | 北京联合涂层技术有限公司 | 一种热喷涂方法及系统 |
CN109609887A (zh) * | 2019-02-11 | 2019-04-12 | 北京联合涂层技术有限公司 | 一种热喷涂方法及系统 |
CN110348646A (zh) * | 2019-07-19 | 2019-10-18 | 蕴硕物联技术(上海)有限公司 | 预测喷涂质量的方法及装置 |
CN111638148A (zh) * | 2020-07-07 | 2020-09-08 | 一汽解放汽车有限公司 | 一种测试同类金属材料s-n曲线的方法 |
CN111638148B (zh) * | 2020-07-07 | 2022-08-12 | 一汽解放汽车有限公司 | 一种测试同类金属材料s-n曲线的方法 |
CN112434449A (zh) * | 2020-08-08 | 2021-03-02 | 中车长春轨道客车股份有限公司 | 一种参数化的吊装结构疲劳寿命智能预测方法 |
CN112434449B (zh) * | 2020-08-08 | 2022-11-08 | 中车长春轨道客车股份有限公司 | 一种参数化的吊装结构疲劳寿命智能预测方法 |
CN113092485A (zh) * | 2021-04-06 | 2021-07-09 | 广东剑鑫科技股份有限公司 | 一种三防漆涂覆质量检测系统及方法 |
CN113850022A (zh) * | 2021-09-26 | 2021-12-28 | 中国人民解放军陆军装甲兵学院 | 一种基于声热信号的喷涂层接触疲劳寿命预测方法 |
CN113850022B (zh) * | 2021-09-26 | 2024-05-28 | 中国人民解放军陆军装甲兵学院 | 一种基于声热信号的喷涂层接触疲劳寿命预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107194146B (zh) | 2020-05-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107194146A (zh) | 一种喷涂层接触疲劳寿命预测方法及装置 | |
Zacharov et al. | “Zhores”—Petaflops supercomputer for data-driven modeling, machine learning and artificial intelligence installed in Skolkovo Institute of Science and Technology | |
Han et al. | Endpoint prediction model for basic oxygen furnace steel-making based on membrane algorithm evolving extreme learning machine | |
CN108881110B (zh) | 一种安全态势评估与防御策略联合决策方法及系统 | |
CN106408120B (zh) | 一种局部区域滑坡预测装置及方法 | |
Habibifar et al. | Performance optimisation of a pharmaceutical production line by integrated simulation and data envelopment analysis | |
CN113762486B (zh) | 换流阀故障诊断模型的构建方法、装置和计算机设备 | |
CN112257745B (zh) | 基于隐马尔可夫的煤矿井下系统健康度预测方法及装置 | |
CN112070357A (zh) | 一种基于改进bp神经网络的雷达辐射源威胁评估方法 | |
CN105678438A (zh) | 一种基于语言加权几何算子与模糊优先序的改进fmea方法 | |
Chen et al. | Optimization of a multilayer neural network by using minimal redundancy maximal relevance-partial mutual information clustering with least square regression | |
CN109542585B (zh) | 一种支持不规则时间间隔的虚拟机工作负载预测方法 | |
Kutschenreiter-Praszkiewicz | Application of artificial neural network for determination of standard time in machining | |
Chan et al. | Modelling and optimization of fluid dispensing for electronic packaging using neural fuzzy networks and genetic algorithms | |
Sivakumar et al. | Forecasting the equipment effectiveness in total productive maintenance using an intelligent hybrid conceptual model | |
Pereira et al. | Artificial neural networks for radiation dose prediction in nuclear emergencies-preliminary investigations | |
Kekulanadara et al. | Machine learning approach for predicting air quality index | |
JPWO2020161835A1 (ja) | 管理システム及びそのための機械学習装置並びに管理方法 | |
CN106950933B (zh) | 质量一致性控制方法及装置、计算机存储介质 | |
Liansheng et al. | SDR: Sensor data recovery for system condition monitoring | |
Brightman | Optimization through experimentation: applying response surface methodology | |
Yang et al. | Design of command effectiveness evaluation software for overseas anti-terrorism operation command system | |
Dong et al. | Enhancing data monitoring scheme based on reinforcement learning in IIoT systems | |
WO2023105858A1 (ja) | 化学プラント管理装置、化学プラント管理システム及び化学プラント管理方法 | |
RU2665256C1 (ru) | Способ прогнозирования динамики изменения количественного и качественного состояния парка радиотехнических систем специального назначения |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |