CN112487667B - 基于内外场试验信息融合的板材腐蚀退化寿命预测方法 - Google Patents
基于内外场试验信息融合的板材腐蚀退化寿命预测方法 Download PDFInfo
- Publication number
- CN112487667B CN112487667B CN202011518605.1A CN202011518605A CN112487667B CN 112487667 B CN112487667 B CN 112487667B CN 202011518605 A CN202011518605 A CN 202011518605A CN 112487667 B CN112487667 B CN 112487667B
- Authority
- CN
- China
- Prior art keywords
- degradation
- internal
- external field
- test
- aluminum alloy
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
Abstract
本发明公开了一种基于内外场试验信息融合的板材腐蚀退化寿命预测方法,包括构建铝合金板材内场腐蚀试验不确定退化模型;构建铝合金板材外场环境腐蚀试验不确定退化模型;根据铝合金板材内外场腐蚀环境拉伸强度退化试验数据,构建内外场数据的归一化不确定测度函数;构建内外场总熵函数,融合内外场退化试验数据;构建内外场数据总熵为目标函数、内外场退化模型待定参数为优化变量的优化模型;设计遗传算法求解优化模型中待定参数;计算内外场数据融合后的外场环境下铝合金板材寿命分布及可靠寿命。本发明将铝合金板材内场退化试验数据和外场实际环境下的强度退化数据进行有效融合,有效提升了铝合金板材的日历寿命评估的准确性。
Description
技术领域
本发明属于板材寿命预测技术领域,更具体的说是涉及一种基于内外场试验信息融合的板材腐蚀退化寿命预测方法。
背景技术
铝合金板材日历寿命试验分为在设计定型阶段的内场退化试验和部署使用阶段的外场试验。
内场试验通过在实验室环境下根据其环境谱,令铝合金板材在高于使用条件的、恒定的盐度、湿度或温度下进行腐蚀试验,随后在不同时间对其拉伸强度进行测定,实现对铝合金板材寿命的摸底和评估。设计定型阶段铝合金板材退化试验具有试验样本量小、难度大、成本高的特点。由于受到实验室试验条件的限制,实验室环境只能在一定程度上模拟其使用环境,与实际的环境载荷会存在差异。在实验室环境下仅能针对典型的工作载荷,进行极为有限的试验,这时得到试验数据样本量极为有限,因而内场试验得出退化数据的不确定性较大。
外场试验是在实际外场使用环境下进行的试验,通过对铝合金板材暴露在外场环境后一定时间后的强度进行寿命评估。外场试验通常是在役试验,借助外场试验环境,充分挖掘环境载荷信息,最大限度的耦合使用时的环境应力作用。外场日历寿命试验难度小、成本低,但试验周期长,且受开放环境影响,数据中干扰成分较多。
因此,如何提供一种基于内外场试验信息融合的板材腐蚀退化寿命预测方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明针对铝合金板材在内场实验室退化试验数据拟合外场使用时认知不确定大、外场试验数据包含较多干扰信息的问题,提出了一种基于内外场试验信息融合的板材腐蚀退化寿命预测方法,借助于信息融合技术,将铝合金板材内场退化试验数据和外场实际环境下的强度退化数据进行有效融合,有效提升了铝合金板材的日历寿命评估的准确性。
为了实现上述目的,本发明采用如下技术方案:
一种基于内外场试验信息融合的板材腐蚀退化寿命预测方法,包括如下步骤:
步骤1、构建铝合金板材内场腐蚀试验不确定退化模型;
步骤2、构建铝合金板材外场环境腐蚀试验不确定退化模型;
步骤3、根据收集的铝合金板材内外场腐蚀环境拉伸强度退化试验数据,构建内外场数据的归一化不确定测度函数;
步骤4、以内外场数据归一化不确定测度函数,构建内外场总熵函数,融合内外场退化试验数据;
步骤5、构建内外场数据总熵为目标函数、内外场退化模型待定参数为优化变量的优化模型;
步骤6、设计遗传算法求解优化模型中待定参数;
步骤7、将解出的参数代入到外场环境腐蚀试验不确定退化模型,计算内外场数据融合后的外场环境下铝合金板材寿命分布及可靠寿命。
优选的,步骤1中,构建铝合金板材内场腐蚀试验不确定退化模型的方法为:铝合金材料与时间相关的强度性能参数在内场试验中的退化量Xt为一个不确定的独立增量过程,对任意时间t和s,Xt+s-Xs~Φt(z)且与Xs相互独立,其中
上式中,μ为铝合金材料在内场试验中强度退化率,σt为在t时刻退化量不确定正态分布的标准差。
优选的,步骤2中,构建铝合金板材外场环境腐蚀试验不确定退化模型的方法为:
记外场退化过程为Yt,其分布为
上式中,μk1为外场退化速率,(σ+k2)t为标准差,k1、k2为内、外场试验退化模型间的校准系数。
优选的,步骤3中,铝合金板材内外场腐蚀环境拉伸强度退化试验数据为,在试验一段时间后的一组强度退化量和对应的测试时间。
优选的,步骤3中,构建内外场数据的归一化不确定测度函数的方法为:
设(x1,t1),(x2,t2),…,(xm,tm)为一组内场试验数据,其中的x1,x2,…,xm内场试验中铝合金板材的强度退化量,t1,t2,…,tm为对应的退化时间;按照铝合金板材内场腐蚀试验不确定退化模型,第i个退化数据(xi,ti)对应的不确定测度为
将α1,α2,…,αm归一化,得到归一化的内场试验数据不确定测度,即
同样,对于外场试验数据(y1,t′1),(y2,t′2),…,(yn,t′n),y1,y2,…,yn为外场的退化量,t′1,t′2,…,t′n为对应的退化时间;将试验数据带入式(2)的导数,计算外场试验数据不确定测度为
然后再归一化得到
优选的,步骤4中,构建内外场总熵函数的方法为:
上式中Θ=(μ,σ,k1,k2),其中e为待定退化速率,σ为退化过程的待定标准差,k1、k2为内、外场试验退化模型间的校准系数。
上式中:
μ>0,σ>0为保证退化速率、方差为正数;
-σ<k2<0表示由于在外场中退化中的退化时间数据远大于内场。
优选的,步骤6中遗传算法的流程如下:
①选取一定数量的初代种群G0:种群数为预设参数,且在遗传算法中每一代种群数不变;根据式(4)的约束条件,确定每个参数的上下界,按照均匀分布随机选取0到该参数上限值之间的数;共组成等于种群数的随机参数向量组作为初代种群;
②计算第l代种群Gl的适应度函数:用目标函数式(3)带入指数函数中作为适应度函数
据选择算子确定能够存活并遗传的父母代染色体,根据交叉算子生成子代染色体,并根据变异算子确定子代染色体变异,由能够存活并遗传的父母代染色体与子代染色体构成新一代种群Gl+1;
③不断重复计算种群Gl适应度,经过选择、交叉、变异算子生成新一代种群Gl+1,直到达到预设的代数上限或适应度收敛条件。
优选的,选择算子:根据式(4)的约束确定Gt种群中个体是否满足约束,剔除不能满足约束的个体;然后将种群的适应度归一化,按照轮盘赌博的方式选取父母染色体:
交叉算子:首先编码:对待确定参数Θ=(μ,σ,k1,k2)中的参数的二进制编码,二进制的编码长度由该参数的上限θH和参数的精确小数位c决定,将θH×10c向下取整后转为二进制数,这个二进制数的位数即作为该参数的编码长度,所有参数的二进制编码按Θ=(μ,σ,k1,k2)的顺序排列构成染色体;然后,在父代、母代染色体的一个随机编码位置进行交叉,选取父代染色体在该编码位置前的编码、母代染色体在该编码位置后的编码构成子代染色体编码;不断重复这个交叉过程,直到子代染色体数量达到种群数,构成子代染色体池;
变异算子:遍历子代染色体池中的染色体,根据变异率,判定变异的发生,变异发生在随机编码位置,导致该编码位置的数字由0变为1或1变为0。
优选的,在步骤7中铝合金板材寿命分布为经过最大熵优化模型融合内外场退化数据得到的铝合金板材在外场环境应力下的退化寿命的可靠性分布:
记融合内外场退化数据得到的铝合金板材在外场环境应力下退化过程为Zt,服从
根据不确定Liu过程的首达时间计算方法,Zt由初始状态Z0到达退化阈值D的时间既为铝合金板材在外场环境应力下的退化寿命,其可靠度分布为
在步骤7中铝合金板材可靠寿命为根据铝合金板材以不小于α∈(0,1)的置信度相信该铝合金板材能够使用的最大寿命值,表达为对应可靠度α的铝合金板材寿命:
本发明的有益效果在于:
(1)本发明针对铝合金板材在内场实验室退化试验数据拟合外场使用时认知不确定大、外场试验数据包含较多干扰信息的问题,提出了一种基于内外场试验信息融合的板材腐蚀退化寿命预测方法,融合了铝合金板材在内场退化试验和外场环境试验数据,能够应对内场试验数据量小、不确定度大及外场试验数据存在干扰因素的问题,降低内外场数据各自的缺陷,提高数据拟合的准确率,有效提升了铝合金板材的日历寿命评估的准确性。
(2)本发明以基于不确定Liu过程模型为基础的铝合金板材退化模型,以内外场试验应力为参数,能够针对内外场数据分布在小样本时的非概率特征,尤其在内外场数据量都偏小时预测铝合金板材的退化寿命发挥重要作用。
(3)本发明基于数据熵的参数优化方法,给出了一种铝合金板材内外场数据融合模型的参数选择指标和最优参数计算方法。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明的方法流程图。
图2为基于遗传算法的最大熵优化模型求解算法流程。
图3为求解本发明的遗传算法各代种群的适应度分布情况图。
图4为融合表1数据得到的铝合金板材外场退化寿命可靠性分布图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,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。
请参阅附图1,本发明提供了一种基于内外场试验信息融合的板材腐蚀退化寿命预测方法,包括如下步骤:
步骤1、构建铝合金板材内场腐蚀试验不确定退化模型;
步骤2、构建铝合金板材外场环境腐蚀试验不确定退化模型;
步骤3、根据收集的铝合金板材内外场腐蚀环境拉伸强度退化试验数据,构建内外场数据的归一化不确定测度函数;
步骤4、以内外场数据归一化不确定测度函数,构建内外场总熵函数,融合内外场退化试验数据;
步骤5、构建内外场数据总熵为目标函数、内外场退化模型待定参数为优化变量的优化模型;
步骤6、设计遗传算法求解优化模型中待定参数;
步骤7、将解出的参数代入到外场环境腐蚀试验不确定退化模型,计算内外场数据融合后的外场环境下铝合金板材寿命分布及可靠寿命。
步骤1中,构建铝合金板材内场腐蚀试验不确定退化模型的方法为:假定内场试验中铝合金材料腐蚀环境下强度退化过程服从平稳的不确定Liu过程,即铝合金材料与时间相关的强度性能参数在内场试验中的退化量Xt为一个不确定的独立增量过程,对任意时间t和s,Xt+s-Xs~Φt(z)且与Xs相互独立,其中
上式中,μ为铝合金材料在内场试验中强度退化率,σt为在t时刻退化量不确定正态分布的标准差。
步骤2中,构建铝合金板材外场环境腐蚀试验不确定退化模型的方法为:
假定外场试验中铝合金板材在腐蚀环境下的强度退化过程与内场试验服从相同类型的不确定退化过程,不同之处在于退化参数。记外场退化过程为Yt,其分布为
上式中,μk1为外场退化速率,(σ+k2)t为标准差,k1、k2为内、外场试验退化模型间的校准系数,通过系数k1体现外场与内场退化速率的比例,通过k2反映外场数据与内场数据的散度的不同。
步骤3中,铝合金板材内外场腐蚀环境拉伸强度退化试验数据为在试验一段时间后铝合金板材试件拉伸强度与初始测定的拉伸强度相比的减少值,因此退化试验数据是一组强度退化量和对应的测试时间。
步骤3中,构建内外场数据的归一化不确定测度函数的方法为:
设(x1,t1),(x2,t2),…,(xm,tm)为一组内场试验数据,其中的x1,x2,…,xm内场试验中铝合金板材的强度退化量,t1,t2,…,tm为对应的退化时间;按照铝合金板材内场腐蚀试验不确定退化模型,第i个退化数据(xi,ti)对应的不确定测度为
将α1,α2,…,αm归一化,得到归一化的内场试验数据不确定测度,即
同样,对于外场试验数据(y1,t′1),(y2,t′2),…,(yn,t′n),y1,y2,…,yn为外场的退化量,t′1,t′2,…,t′n为对应的退化时间;将试验数据带入式(2)的导数,计算外场试验数据不确定测度为
然后再归一化得到
步骤4中,构建内外场总熵函数的方法为:
上式中Θ=(μ,σ,k1,k2),其中e为待定退化速率,σ为退化过程的待定标准差,k1、k2为内、外场试验退化模型间的校准系数。
上式中:
μ>0,σ>0为保证退化速率、方差为正数;
-σ<k2<0表示由于在外场中退化中的退化时间数据远大于内场,但退化量相近,导致外场退化分布的方差参数一般小于内场,即校准系数k2小于0且,另外要保证外场退化分布方差(σ+k2)t大于0。
步骤6中遗传算法为以关于总熵S的exp(S)函数为适应度,以轮盘赌、约束条件过虑为选择算子、单点交叉算子、单点变异算子迭代种群的参数优化算法。流程如下:
①选取一定数量的初代种群G0:种群数为预设参数,且在遗传算法中每一代种群数不变;根据式(4)的约束条件,确定每个参数的上下界,按照均匀分布随机选取0到该参数上限值之间的数(其中k2按其绝对值随机选取,在相关计算时取其负值);共组成等于种群数的随机参数向量组作为初代种群;
②计算第l(l=0,1,…)代种群Gl的适应度函数:由于优化问题是最大化问题,且由于目标函数在接近峰值时变化率较小,因此用目标函数式(3)带入指数函数中作为适应度函数
据选择算子确定能够存活并遗传的父母代染色体,根据交叉算子生成子代染色体,并根据变异算子确定子代染色体变异,由能够存活并遗传的父母代染色体与子代染色体构成新一代种群Gl+1;
选择算子:根据式(4)的约束确定Gt种群中个体是否满足约束,剔除不能满足约束的个体;然后将种群的适应度归一化,按照轮盘赌博的方式选取父母染色体:
交叉算子:首先编码:对待确定参数Θ=(μ,σ,k1,k2)中的参数的二进制编码,二进制的编码长度由该参数的上限θH和参数的精确小数位c决定,将θH×10c向下取整后转为二进制数,这个二进制数的位数即作为该参数的编码长度,所有参数的二进制编码按Θ=(μ,σ,k1,k2)的顺序排列构成染色体;然后,在父代、母代染色体的一个随机编码位置进行交叉,选取父代染色体在该编码位置前的编码(包括该位置)、母代染色体在该编码位置后的编码(不包括该位置)构成子代染色体编码;不断重复这个交叉过程,直到子代染色体数量达到种群数,构成子代染色体池;
变异算子:遍历子代染色体池中的染色体,根据变异率,判定变异的发生,变异发生在随机编码位置,导致该编码位置的数字由0变为1或1变为0。
③不断重复计算种群Gl适应度,经过选择、交叉、变异算子生成新一代种群Gl+1,直到达到预设的代数上限或适应度收敛条件。
在步骤7中铝合金板材寿命分布为经过最大熵优化模型融合内外场退化数据得到的铝合金板材在外场环境应力下的退化寿命的可靠性分布:
记融合内外场退化数据得到的铝合金板材在外场环境应力下退化过程为Zt,服从
根据不确定Liu过程的首达时间计算方法,Zt由初始状态Z0到达退化阈值D的时间既为铝合金板材在外场环境应力下的退化寿命,其可靠度分布为
在步骤7中铝合金板材可靠寿命为根据铝合金板材以不小于α∈(0,1)的置信度相信该铝合金板材能够使用的最大寿命值,表达为对应可靠度α的铝合金板材寿命:
常用的可靠寿命有BL(0.9)和BL(0.5)等。
表1本发明中出现的参数说明
(1)本发明针对铝合金板材在内场实验室退化试验数据拟合外场使用时认知不确定大、外场试验数据包含较多干扰信息的问题,提出了一种基于内外场试验信息融合的板材腐蚀退化寿命预测方法,融合了铝合金板材在内场退化试验和外场环境试验数据,能够应对内场试验数据量小、不确定度大及外场试验数据存在干扰因素的问题,降低内外场数据各自的缺陷,提高数据拟合的准确率,有效提升了铝合金板材的日历寿命评估的准确性。
(2)本发明以基于不确定Liu过程模型为基础的铝合金板材退化模型,以内外场试验应力为参数,能够针对内外场数据分布在小样本时的非概率特征,尤其在内外场数据量都偏小时预测铝合金板材的退化寿命发挥重要作用。
(3)本发明基于数据熵的参数优化方法,给出了一种铝合金板材内外场数据融合模型的参数选择指标和最优参数计算方法。
实施例
本实施例提供了一种基于内外场试验信息融合的铝合金板材腐蚀退化寿命预测方法。实施步骤如下:
步骤1,构建铝合金板材内场腐蚀试验退化模型。具体做法是,按如下公式构建内场试验退化模型分布函数为
上式中Θ=(e,σ,k1,k2),其中e为待定退化速率,σ为退化过程的待定标准差,均在步骤6中的优化模型算法中求解获得。k1、k2在内场退化模型中不涉及,仅为统一内外场退化模型形式。
步骤2,构建铝合金板材外场环境腐蚀试验退化模型。具体为如下公式构建外场试验退化模型分布函数为
上式中Θ=(e,σ,k1,k2),其中的e、σ与步骤1中的参数相同,参数k1、k2分别为外场退化速率和标准差相对于内场的校准系数,也将在步骤6中的优化模型算法中求解获得。
步骤3,根据收集的铝合金板材内外场腐蚀环境拉伸强度退化数据,计算内外场数据的归一化不确定测度。将表2中的不同时间的拉伸强度数据与初始数据做差,得到退化数据(注:退化数据为(退化量/MPa,退化时间/月)格式的数据,退化量=初始强度-当前强度),带入步骤1、步骤2的退化模型分布函数的导数中得到数据的不确定测度,然后归一化得到每组试验数据的归一化不确定测度。具体做法为:
表2某铝合金材料内外场腐蚀试验拉伸强度退化数据
内场试验的退化数据为(102,0.27),(135,0.53),(153,0.8),(86,1.07),将其带入到内场试验的退化模型分布函数的导数,即
可得到如下4个内场数据的不确定测度
归一化得到
外场试验的退化数据为(95,6),(198,12),(55,15),(93,18),将其带入到外场试验的退化模型分布函数的导数,即
可得到如下4个内场#1数据的不确定测度
归一化得到
步骤4,计算内外场数据的总熵,完成内外场数据的融合。根据如下公式,即将步骤3计算得到归一化的内外场数据不确定测度带入熵函数中,并求和,得到内外场数据的总熵:
步骤5,构建内外场数据融合总熵优化模型。模型目标为确定最大的内外场数据总熵值,模型的解为最大总熵值时的Θ=(μ,σ,k1,k2)参数值。
步骤6,构建求解步骤5中的优化模型参数值的遗传算法。
遗传算法比较适用于求解非线性、非凸目标函数的约束优化问题,算法能够避免收敛到局部最优解,并高效地搜索全局最优解。本遗传算法与一般遗传算法相比,不存在创新性改进。算法共包括:生成初始种群、计算适应度函数、通过选择、交叉、变异算子迭代种群。算法流程见图2。在本实施例算法流程如下:
步骤601,随机地生成初始种群,种群包括N个个体,N为算法设定参数,本实例取N=100。个体即为一个可带入熵函数计算内外场数据总熵的参数向量Θ=(e,σ,k1,k2)。
下面给出一个具体参数向量Θ个体的示例:
Θ1=(120,63,0.160,-42)
其中4个参数的精确度除均k1取3位小数外均为整数。
步骤602,计算当前种群中所有个体的适应度。算法中取个体适应度Fitness为该参数对应的总熵,即为如下公式:
另外,种群中不满足约束的个体其适应度为0。
如参数Θ1的适应度函数值为Fitness(Θ1)=5.8448。
步骤603,按照选择算子选择参与遗传的个体。本实例中应用轮盘赌算法,即每个个体被抽取的概率正比于该个体的适应度。轮盘赌算法在大多数遗传算法中都有应用,是比较成熟的选择算子。
步骤604,按照交叉算子生成新的子代个体。将步骤6.3中选择2个个体转为二进制码,随机在二进制码中选取一个位置进行交叉生成一个子代个体。不断重复这个过程,生成N个子代个体二进制编码。下面给出具体的2个个体二进制编码和交叉的示例:
Θ1=(120,63,0.160,-42)和Θ2=(98,57,0.166,-20)
参数向量个体的二进制编码首先要通过乘10的幂次将小数调整为整数,在反编码之后再按精确位数调整回来。根据总熵优化模型的约束条件及步骤601规定的精度要求,所有参数的二进制编码长度均为9位,于是两个参数向量二进制编码分别为:
[001111000-000111111-010100000-000101010]
[001100010-000111001-010100110-000010100]
然后随机选取一个编码位置,比如在第3个参数的右数第5位,选择第一个编码在该位置和左边的所有编码(第一个编码的下划线部分)与第二个编码在该位置右边的所有编码(第二个编码的下划线部分)组成新的编码。
步骤605,按照变异算子对二进制编码进行改变,防止算法陷入局部最优解时过早收敛。具体操作为,根据在一个随机编码位置,改变该处编码的数值,0变为1或1变为0。
步骤606,重复步骤602-605,直到遗传代数到达上限。
本示例中,遗传算法的种群适应度与遗传代数的结果见图3。可以看出种群适应度基本收敛,选取其中最大适应度个体参数向量为:
Θ*=(135,56,0.048,47)
步骤7,结合上一步得到的最优参数Θ*,计算该铝合金材料在外场环境下的寿命分布和可靠寿命。
将Θ*带入铝合金板材寿命分布函数,并设拉伸强度退化阈值D=300、初始拉伸强度Z0=600,则该铝合金在外场环境的可靠性寿命分布为:
其函数图像见图4。并根据式可靠寿命分布函数,可得0.9可靠寿命为BL(0.9)=17个月,0.5可靠寿命为BL(0.5)=46个月。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种基于内外场试验信息融合的板材腐蚀退化寿命预测方法,其特征在于,包括如下步骤:
步骤1、构建铝合金板材内场腐蚀试验不确定退化模型;
步骤2、构建铝合金板材外场环境腐蚀试验不确定退化模型;
步骤3、根据收集的铝合金板材内外场腐蚀环境拉伸强度退化试验数据,构建内外场数据的归一化不确定测度函数;
步骤4、以内外场数据归一化不确定测度函数,构建内外场总熵函数,融合内外场退化试验数据;
步骤5、构建内外场数据总熵为目标函数、内外场退化模型待定参数为优化变量的优化模型;
步骤6、设计遗传算法求解优化模型中待定参数;
其中,μ为待定退化速率,σ为退化过程的待定标准差,k1、k2为内、外场试验退化模型间的校准系数,Θ*表示总熵S最大时参数向量取值,表示中各参数的取值,m为内场试验退化个数,n为外场试验退化个数,和为内场和外场熵函数,和分别为归一化后的内场和外场退化数据的不确定测度;
上式中:
μ>0,σ>0为保证退化速率、方差为正数;
-σ<k2<0表示由于在外场中退化中的退化时间数据远大于内场;
步骤7、将解出的参数代入到外场环境腐蚀试验不确定退化模型,计算内外场数据融合后的外场环境下铝合金板材寿命分布及可靠寿命。
4.根据权利要求3所述的一种基于内外场试验信息融合的板材腐蚀退化寿命预测方法,其特征在于,步骤3中,铝合金板材内外场腐蚀环境拉伸强度退化试验数据为,在试验一段时间后的一组强度退化量和对应的测试时间。
5.根据权利要求4所述的一种基于内外场试验信息融合的板材腐蚀退化寿命预测方法,其特征在于,步骤3中,构建内外场数据的归一化不确定测度函数的方法为:
设(x1,t1),(x2,t2),…,(xm,tm)为一组内场试验数据,其中的x1,x2,…,xm内场试验中铝合金板材的强度退化量,t1,t2,…,tm为对应的退化时间;按照铝合金板材内场腐蚀试验不确定退化模型,第i个退化数据(xi,ti)对应的不确定测度为
将α1,α2,…,αm归一化,得到归一化的内场试验数据不确定测度,即
同样,对于外场试验数据(y1,t′1),(y2,t′2),…,(yn,t′n),y1,y2,…,yn为外场的退化量,t′1,t′2,…,t′n为对应的退化时间;将试验数据带入式(2)的导数,计算外场试验数据不确定测度为
然后再归一化得到
7.根据权利要求6所述的一种基于内外场试验信息融合的板材腐蚀退化寿命预测方法,其特征在于,步骤6中遗传算法的流程如下:
①选取一定数量的初代种群G0:种群数为预设参数,且在遗传算法中每一代种群数不变;根据式(4)的约束条件,确定每个参数的上下界,按照均匀分布随机选取0到该参数上限值之间的数;共组成等于种群数的随机参数向量组作为初代种群;
②计算第l代种群Gl的适应度函数:用目标函数式(3)带入指数函数中作为适应度函数
据选择算子确定能够存活并遗传的父母代染色体,根据交叉算子生成子代染色体,并根据变异算子确定子代染色体变异,由能够存活并遗传的父母代染色体与子代染色体构成新一代种群Gl+1;
③不断重复计算种群Gl适应度,经过选择、交叉、变异算子生成新一代种群Gl+1,直到达到预设的代数上限或适应度收敛条件。
8.根据权利要求7所述的一种基于内外场试验信息融合的板材腐蚀退化寿命预测方法,其特征在于,
选择算子:根据式(4)的约束确定Gt种群中个体是否满足约束,剔除不能满足约束的个体;然后将种群的适应度归一化,按照轮盘赌博的方式选取父母染色体:
交叉算子:首先编码:对待确定参数Θ=(μ,σ,k1,k2)中的参数的二进制编码,二进制的编码长度由该参数的上限θH和参数的精确小数位c决定,将θH×10c向下取整后转为二进制数,这个二进制数的位数即作为该参数的编码长度,所有参数的二进制编码按Θ=(μ,σ,k1,k2)的顺序排列构成染色体;然后,在父代、母代染色体的一个随机编码位置进行交叉,选取父代染色体在该编码位置前的编码、母代染色体在该编码位置后的编码构成子代染色体编码;不断重复这个交叉过程,直到子代染色体数量达到种群数,构成子代染色体池;
变异算子:遍历子代染色体池中的染色体,根据变异率,判定变异的发生,变异发生在随机编码位置,导致该编码位置的数字由0变为1或1变为0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011518605.1A CN112487667B (zh) | 2020-12-21 | 2020-12-21 | 基于内外场试验信息融合的板材腐蚀退化寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011518605.1A CN112487667B (zh) | 2020-12-21 | 2020-12-21 | 基于内外场试验信息融合的板材腐蚀退化寿命预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112487667A CN112487667A (zh) | 2021-03-12 |
CN112487667B true CN112487667B (zh) | 2022-10-28 |
Family
ID=74915020
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011518605.1A Active CN112487667B (zh) | 2020-12-21 | 2020-12-21 | 基于内外场试验信息融合的板材腐蚀退化寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112487667B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113204896B (zh) * | 2021-06-01 | 2022-07-01 | 北京航空航天大学 | 基于渐近方差枪械产品内外场等效加速寿命试验设计方法 |
CN113720702B (zh) * | 2021-08-08 | 2023-08-04 | 中国飞机强度研究所 | 一种基于等效性理论的材料外场低温试验响应等效方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112069697A (zh) * | 2020-09-23 | 2020-12-11 | 中国人民解放军国防科技大学 | 多应力多失效模式相依竞争条件下加速退化试验统计分析方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663516B (zh) * | 2012-03-28 | 2015-02-11 | 北京航空航天大学 | 产品外场寿命及可靠性模型构建及评估方法 |
US20180292465A1 (en) * | 2017-04-07 | 2018-10-11 | Board Of Regents, The University Of Texas System | Systems and methods for degradation analysis |
CN107766628B (zh) * | 2017-09-29 | 2019-11-08 | 北京航空航天大学 | 一种基于寿命信息融合的动态退化可靠性评估方法 |
-
2020
- 2020-12-21 CN CN202011518605.1A patent/CN112487667B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112069697A (zh) * | 2020-09-23 | 2020-12-11 | 中国人民解放军国防科技大学 | 多应力多失效模式相依竞争条件下加速退化试验统计分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112487667A (zh) | 2021-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112487667B (zh) | 基于内外场试验信息融合的板材腐蚀退化寿命预测方法 | |
CN106055775B (zh) | 一种粒子滤波与机理模型相结合的二次电池寿命预测方法 | |
CN112819225A (zh) | 基于bp神经网络和arima模型的碳市场价格预测方法 | |
CN105867341A (zh) | 一种烟草加工设备的在线设备健康状态自检方法及系统 | |
CN115392139A (zh) | 一种燃料电池参数辨识方法 | |
CN115983485A (zh) | 一种发电厂碳排放的预测方法及系统 | |
Baccarini | The maturing concept of estimating project cost contingency: A review | |
CN115345297A (zh) | 一种基于生成对抗网络的台区样本生成方法及系统 | |
CN114897264A (zh) | 一种基于迁移学习的小样本场景下光伏出力区间预测方法 | |
Perišić et al. | Development index: analysis of the basic instrument of Croatian regional policy. | |
Ahmed et al. | Integrating function point project information for improving the accuracy of effort estimation | |
CN108305103A (zh) | 一种基于参数优化的支持向量机模型的产品销售预测方法 | |
CN108960522A (zh) | 一种光伏发电量预测分析方法 | |
CN115796341A (zh) | 一种基于碳效码的企业低碳经济表现的协同测度方法 | |
CN116385203A (zh) | 电力市场对“双碳”目标贡献度的评价方法 | |
CN115032544A (zh) | 数据不完备场景下的动力锂电池剩余寿命预测方法 | |
CN115526393A (zh) | 一种基于变电工程关键影响因素筛选的造价预测方法 | |
CN112508280B (zh) | 一种综合能源系统实时性能的评价和优化方法及系统 | |
CN114611803A (zh) | 基于退化特征的开关器件寿命预测方法 | |
CN113869646A (zh) | 设计洪水综合不确定性下的水库防洪风险调度方法 | |
CN113793077A (zh) | 一种配电网用户故障停电影响分析方法和系统 | |
Gamst et al. | Time aggregation techniques applied to a capacity expansion model for real-life sector coupled energy systems | |
Wang | Sensitivity analysis and evolutionary optimization for building design | |
CN116822183B (zh) | 一种将环境因素纳入铝合金材料设计的实现方法及装置 | |
CN117114885B (zh) | 一种用于电力交易的数据交互模型构建方法及系统 |
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 |