CN112651164A - 一种基于机器学习的蠕变疲劳寿命预测方法 - Google Patents

一种基于机器学习的蠕变疲劳寿命预测方法 Download PDF

Info

Publication number
CN112651164A
CN112651164A CN202110072083.5A CN202110072083A CN112651164A CN 112651164 A CN112651164 A CN 112651164A CN 202110072083 A CN202110072083 A CN 202110072083A CN 112651164 A CN112651164 A CN 112651164A
Authority
CN
China
Prior art keywords
creep fatigue
fatigue life
life
particles
iteration
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.)
Pending
Application number
CN202110072083.5A
Other languages
English (en)
Inventor
王润梓
王栋铭
张显程
程吕一
李凯尚
张勇
涂善东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
East China University of Science and Technology
Original Assignee
East China University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by East China University of Science and Technology filed Critical East China University of Science and Technology
Priority to CN202110072083.5A priority Critical patent/CN112651164A/zh
Publication of CN112651164A publication Critical patent/CN112651164A/zh
Priority to PCT/CN2021/096909 priority patent/WO2022156110A1/zh
Pending legal-status Critical Current

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
    • G06F30/25—Design optimisation, verification or simulation using particle-based methods
    • 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
    • G06N20/00—Machine learning
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • 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
    • 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
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Abstract

本发明提供了一种基于机器学习的蠕变疲劳寿命预测方法，包括：获取待预测的蠕变疲劳寿命数据组，分为训练集和测试集，每一个蠕变疲劳寿命数据组均包括实验蠕变疲劳工况参数、中间计算参数和相对应的蠕变疲劳对数寿命；提供ELM模型，利用训练集中的数据通过粒子群优化算法得到ELM模型的最优权重矩阵、最优偏置向量，进而得到蠕变疲劳寿命预测模型；根据测试集中的蠕变疲劳寿命数据组对所述蠕变疲劳寿命预测模型的精度进行验证。本发明弥补了传统方法在预测蠕变疲劳寿命时精度低、成本高的不足，可充分利用变异PSO算法优化ELM模型权重矩阵和偏置向量的优势，具有误差小、成本低、效率高的优点。

Description

一种基于机器学习的蠕变疲劳寿命预测方法
技术领域
本发明涉及一种基于机器学习的蠕变疲劳寿命预测方法，属于材料寿命预测领域。
背景技术
现代超超临界发电机组、燃气机、航空发动机等设备的工作环境越来越复杂。除了装置稳态运行的恒定负荷外，关键的限寿部件还承受着装置启停和温度波动等因素引起的交变载荷作用。其服役过程伴随着严重的蠕变-疲劳相互作用，这对构件寿命设计和预测方法提出了新的挑战。
虽然高温合金的蠕变疲劳寿命可以通过实验方法确定，但由于长期蠕变试验和昂贵合金制造，需要大量的时间成本和实验成本。尽管目前存在几种加速预测合金蠕变疲劳寿命的理论方法，如时间-温度参数法，但其缺乏严格的理论依据，且没有充分考虑蠕变疲劳过程中的微观组织演化信息。
近年来，数据驱动的机器学习方法已成功应用于材料性能预测、新材料发现或其他目的中，并在时间效率和预测性能方面具有显著的优势。基于此，期望获得一种新的蠕变疲劳寿命预测方法，以较高的计算效率和较低的时间成本，较为准确地预测高温合金的蠕变疲劳寿命。
发明内容
本发明的目的在于提供一种基于机器学习的蠕变疲劳寿命预测方法，以实现误差小、成本低、效率高的优点。
为了实现上述目的，本发明提供一种基于机器学习的蠕变疲劳寿命预测方法，包括：
S1：获取待预测的蠕变疲劳寿命数据组，将其随机分为70％的训练集和30％的测试集，每一个蠕变疲劳寿命数据组均包括实验蠕变疲劳工况参数、中间计算参数和相对应的蠕变疲劳对数寿命；
S2：提供一ELM模型，利用训练集中的数据通过粒子群优化算法得到ELM模型的最优权重矩阵、最优偏置向量，进而得到形式为PSO-ELM模型的蠕变疲劳寿命预测模型；
S3：根据测试集中的蠕变疲劳寿命数据组对所述蠕变疲劳寿命预测模型的精度进行验证。
所述步骤S1的实验蠕变疲劳工况参数包括总应变范围、拉伸保载时间和压缩保载时间和应变速率；中间计算参数包括总应力幅、非弹性应变率和非弹性应变能密度范围。
所述步骤S2包括：
S21：设置PSO-ELM模型的参数，具体包括：将PSO-ELM模型的输入层的神经元个数设置为与实验蠕变疲劳工况参数和中间计算参数的总类别数相同，其输出层的神经元个数设置为1；通过试参法确定其隐藏层的神经元的个数；设置粒子群优化算法的最大迭代次数和粒子的种群规模；随机初始化粒子的位置和速度；
S22：将训练集中的实验蠕变疲劳工况参数和中间计算参数共同作为输入数据，将训练集中的相对应的蠕变疲劳对数寿命作为输出数据；对输入数据和输出数据均进行归一化操作；
S23：利用归一化后的输入数据和输出数据对ELM模型进行训练，并根据训练结果来计算粒子的适应度值，粒子的适应度值为蠕变疲劳对数寿命的预测值与蠕变疲劳对数寿命的均方根误差，并通过粒子群优化算法确定所有粒子的全局极值，将粒子的全局极值所对应的位置作为所述最优权重矩阵和最优偏置向量；
S24：将所述最优权重矩阵设置为所述ELM模型的权重矩阵，将所述最优偏置向量设置为所述ELM模型的偏置向量，进而得到蠕变疲劳寿命预测模型。
所述蠕变疲劳对数寿命的预测值与蠕变疲劳对数寿命的均方根误差为：
Figure BDA0002906252730000021
其中，m为训练集中的蠕变疲劳寿命数据组的个数，yi为训练集中的蠕变疲劳对数寿命，
Figure BDA0002906252730000031
为为蠕变疲劳对数寿命的预测值。
所述步骤S23包括：
S231：利用归一化后的输入数据和输出数据对ELM模型进行训练，根据训练结果确定粒子的适应度值，进而确定初始的每个粒子的个体极值和所有粒子的全局极值；
S232：粒子的迭代次数加一，并使用粒子群优化算法对粒子的位置和速度进行更新；
S233：再次计算粒子的适应度值，更新每个粒子的个体极值和所有粒子的全局极值；
S234：重复所述步骤S232和步骤S233，直到迭代次数满足预设的最大迭代次数Tmax，所得到的所有粒子的全局极值所对应的位置为最优权重矩阵和最优偏置向量。
在所述步骤S232中，更新公式如下：
Figure BDA0002906252730000032
Figure BDA0002906252730000033
其中，
Figure BDA0002906252730000034
是每个粒子第k+1次迭代时的速度，ω(k)是第k次迭代时的惯性权重，
Figure BDA0002906252730000035
是每个粒子第k次迭代时的速度；c1和c2是加速度因子，这里均设置为2；r1和r2是分布在[0，1]之间的随机数；
Figure BDA0002906252730000036
是每个粒子在k次迭代中对应适应度最佳的个体的空间位置，
Figure BDA0002906252730000037
是所有粒子在k次迭代中对应的适应度最佳的空间位置；
Figure BDA0002906252730000038
是每个粒子第k次迭代时的空间位置，
Figure BDA0002906252730000039
是每个粒子第k+1次迭代时的空间位置；k为正整数；
优选地，直接通过以下公式来获得所述惯性权重ω(k)：
ω(k)＝ω1-(ω1-ω2)×k/Tmax，
其中，ω(k)为每次迭代的惯性权重，ω1＝0.9为初始惯性权重，ω2＝0.4为最终惯性权重，k为当前迭代次数，Tmax为最大迭代次数；
或者，在每一轮迭代中，在[0,1)范围内设置一个随机数，如果该随机数大于0.9，则将该次迭代的惯性权重ω(k)设置为该随机数；否则，通过以下公式来获得所述惯性权重ω(k)：
ω(k)＝ω1-(ω1-ω2)×k/Tmax，
其中，ω(k)为每次迭代的惯性权重，ω1＝0.9为初始惯性权重，ω2＝0.4为最终惯性权重，k为当前迭代次数，Tmax为最大迭代次数。
所述ELM模型采用Sigmoid函数作为激活函数。
所述步骤S3包括：将测试集中的实验蠕变疲劳工况参数和中间计算参数共同作为蠕变疲劳寿命预测模型的输入数据，利用得到的蠕变疲劳寿命预测模型对输入数据进行预测，与相对应的蠕变疲劳对数寿命进行比较，计算蠕变疲劳寿命预测模型在测试集中的平均绝对百分比误差和决定系数R2，验证模型的精度。
优选地，所述平均绝对百分比误差为：
Figure BDA0002906252730000041
决定系数R2为：
Figure BDA0002906252730000042
其中，ntest为测试集中的蠕变疲劳寿命数据组的个数，yi为测试集中的蠕变疲劳对数寿命，
Figure BDA0002906252730000043
为蠕变疲劳寿命预测模型预测的蠕变疲劳对数寿命，
Figure BDA0002906252730000044
为测试集中的所有蠕变疲劳寿命数据组中的蠕变疲劳对数寿命的平均值。
本发明采用以上技术方案，利用PSO算法对ELM模型的权重矩阵和偏置向量进行优化，将实验蠕变疲劳工况参数、总应力幅、非弹性应变率、非弹性应变能密度范围共同作为变异PSO-ELM模型的输入数据，以预测相对应的蠕变疲劳对数寿命，具有误差小、成本低、效率高的优点。此外，PSO算法经过变异，可以让粒子以一定的概率跳出当前搜索到的最优解位置，在更大的空间中开展搜索，从而提高算法寻找到最优解的可能性。
附图说明
图1为根据本发明的一个实施例的一种基于机器学习的蠕变疲劳寿命预测方法的流程图；
图2为本发明的基于机器学习的蠕变疲劳寿命预测方法的所得到的PSO-ELM模型的流程示意图；
图3为本发明的基于机器学习的蠕变疲劳寿命预测方法的测试集中的基于变异PSO-ELM模型的预测蠕变疲劳寿命和相对应的实际蠕变疲劳寿命的对比图，其中ELM模型的隐含层神经元个数设置为10。
具体实施方式
本发明的基于机器学习的蠕变疲劳寿命预测方法具体是基于224组镍基高温合金的蠕变疲劳对数寿命进行变异的PSO(粒子群优化)-ELM(极限学习机)模型训练和预测的方法。本实施例基于MATLAB软件平台，将原始的蠕变疲劳寿命数据组随机分为156组数据组成的训练集和68组数据组成的测试集，利用训练集对变异PSO-ELM模型进行训练，随后将测试集的输入数据输入到训练完成后的变异PSO-ELM模型，得到相对应的预测值，将预测值与测试集的对数输出值进行比较，验证变异PSO-ELM模型的精度。
请参阅图1，本发明的蠕变疲劳寿命预测方法，其包括以下步骤：
步骤S1：获取多个待预测的蠕变疲劳寿命数据组，将其随机分为70％的训练集和30％的测试集，每一个所述蠕变疲劳寿命数据组均包括实验蠕变疲劳工况参数(其数量为4个，包括总应变范围、拉伸保载时间、压缩保载时间和应变速率)、中间计算参数(其数量为3个，包括总应力幅、非弹性应变率、非弹性应变能密度范围)和相对应的蠕变疲劳对数寿命8个特征；
其中，实验蠕变疲劳工况参数是在做实验前人为设定的；总应力幅通过峰值应力减谷值应力得到，非弹性应变率通过保载期间的应力松弛除以保载时间得到，非弹性应变能密度范围是半寿命滞后回线的面积；蠕变疲劳对数寿命则通过实验确定待测材料的寿命并取对数来得到，在本实施例中，蠕变疲劳对数寿命是在MTS809 A/T万能试验机上实验得到的。
步骤S2：提供一极限学习机(ELM)模型，利用训练集中的数据通过变异的粒子群优化(PSO)算法得到ELM模型的最优权重矩阵、最优偏置向量，进而得到形式为PSO-ELM模型的蠕变疲劳寿命预测模型；
其中，ELM模型的权重矩阵和偏置向量作为变异PSO算法中粒子的位置，ELM模型的预测值(即蠕变疲劳对数寿命的预测值)和实际值(即步骤S1获取的蠕变疲劳对数寿命)之间的均方根误差就是粒子的适应度值，从而通过变异粒子群优化算法得到ELM模型的最优权重矩阵、最优偏置向量。在本实施例中，由于PSO算法经过变异，因此可以让粒子以一定的概率跳出当前搜索到的最优解位置，在更大的空间中开展搜索，从而提高PSO算法寻找到最优解的可能性。
如图2所示，所述步骤S2具体包括：
步骤S21：初始化PSO-ELM模型的参数；在本实施例中，PSO算法经过变异，因此所述PSO-ELM模型是变异PSO-ELM模型。
步骤S21具体包括：将PSO-ELM模型的输入层的神经元个数设置为与实验蠕变疲劳工况参数和中间计算参数的总类别数相同(即神经元个数设置为7)，其输出层的神经元个数设置为1(对应于蠕变疲劳对数寿命)；通过试参法确定其隐藏层的神经元的个数，即，在5、10、15、20四个数值之间进行试验，结果表明个数为10时，模型的均方根误差最小，因此在本实施例中隐藏层神经元的个数为10；选择Sigmoid函数作为ELM模型的激活函数；将PSO算法的最大迭代次数设置为500，PSO算法中粒子的种群规模设置为20；随机初始化粒子的位置和速度；
步骤S22：将训练集中的实验蠕变疲劳工况参数和中间计算参数(即总应力幅、非弹性应变率、非弹性应变能密度范围)共同作为输入数据，将训练集中的相对应的蠕变疲劳对数寿命作为输出数据；对所有数据(即输入数据和输出数据)均进行归一化操作；
其中，归一化操作可以避免具有不同物理意义和量纲的输入变量不能平等使用，防止输入数据的绝对值过大，保证输出数据中数值小的不被“吞食”；该归一化操作需要在对模型进行训练之前使用。
归一化后的输入数据和输出数据为：
Figure BDA0002906252730000061
其中，x是归一化后的输入数据或输出数据，xold是归一化前的输入数据或输出数据，xmin是归一化前的输入数据或输出数据的最小值，xmax是归一化前的输入数据或输出数据的最大值。其中，这里的输入数据指的是上文所述的实验蠕变疲劳工况参数和中间计算参数中的任意一维变量，输出数据指的是蠕变疲劳对数寿命，其含义与上文相同。
步骤S23：利用归一化后的输入数据和输出数据对ELM模型进行训练，并根据训练结果来计算粒子的适应度值，粒子的适应度值为蠕变疲劳对数寿命的预测值与真实的蠕变疲劳对数寿命的均方根误差，并通过PSO算法确定所有粒子的全局极值，将粒子的全局极值所对应的位置作为所述ELM模型的最优权重矩阵和最优偏置向量；
在本实施例中，得到的训练结果为蠕变疲劳对数寿命的预测值。
蠕变疲劳对数寿命的预测值与真实的蠕变疲劳对数寿命的均方根误差(RMSE)为：
Figure BDA0002906252730000071
其中，m为训练集中的蠕变疲劳寿命数据组的个数，yi为训练集中的真实的蠕变疲劳对数寿命；
Figure BDA0002906252730000072
为蠕变疲劳对数寿命的预测值，也就是上文所述的PSO-ELM模型根据输入数据所预测得到的输出结果。
所述步骤S23具体包括：
步骤S231：利用归一化后的输入数据和输出数据对ELM模型进行训练，根据训练结果确定粒子的适应度值，进而确定初始的每个粒子的个体极值和所有粒子的全局极值；
其中，初始的每个粒子的个体极值就是它自身的适应度值，初始的所有粒子的全局极值就是所有粒子(这里设置为20)中适应度最佳(即适应度值最小)的粒子所表示的适应度值。因为适应度值就是均方根误差(RMSE)，误差要越小越好，所以适应度值最小的粒子可以描述为所有粒子中适应度最佳的粒子。
步骤S232：粒子的迭代次数加一，并使用PSO算法对粒子的位置和速度进行更新；
在所述步骤S232中，更新公式如下：
Figure BDA0002906252730000081
Figure BDA0002906252730000082
其中，
Figure BDA0002906252730000083
是每个粒子第k+1次迭代时的速度，ω(k)是第k次迭代时的惯性权重，
Figure BDA0002906252730000084
是每个粒子第k次迭代时的速度；c1和c2是加速度因子，这里均设置为2；r1和r2是分布在[0，1]之间的随机数；
Figure BDA0002906252730000085
是每个粒子在k次迭代中对应适应度最佳的个体的空间位置，称为个体极值，
Figure BDA0002906252730000086
是所有粒子在k次迭代中对应的适应度最佳的空间位置，称为全局极值；
Figure BDA0002906252730000087
是每个粒子第k次迭代时的空间位置，
Figure BDA0002906252730000088
是每个粒子第k+1次迭代时的空间位置；k为正整数。
在每一轮迭代中，根据公式(5)来获得PSO算法每次迭代的惯性权重ω(k)：
ω(k)＝ω1-(ω1-ω2)×k/Tmax (5)
其中，ω(k)为每次迭代的惯性权重，ω1＝0.9为初始惯性权重，ω2＝0.4为最终惯性权重，k为当前迭代次数，Tmax为最大迭代次数。
优选地，在所述步骤S232中，还对PSO算法进行变异操作，具体为：在每一轮迭代中，在[0,1)范围内设置一个随机数，如果该随机数大于0.9，则将该次迭代的ωk)设置为该随机数；否则，则根据公式(5)来获得PSO算法每次迭代的惯性权重ω(k)。这样设置可以让粒子以一定的概率跳出当前搜索到的最优解位置，在更大的空间中开展搜索，从而提高算法寻找到最优解的可能性。
步骤S233：再次计算粒子的适应度值，更新每个粒子的个体极值和所有粒子的全局极值；
具体来说，经过第k+1次迭代后，每个粒子每次迭代就会更新一次位置，就要计算一次适应度值；然后通过比较经过第k+1次迭代后的每个新粒子的适应度值和前k次迭代确定的每个粒子各自的个体极值和所有粒子的全局极值的适应度值，如果经过第k+1次迭代后的新粒子的适应度值优于前k次迭代确定的该粒子的个体极值，则更新该粒子的个体极值，否则就不更新；如果经过第k+1次迭代后存在一个粒子的适应度值优于前k次迭代确定的所有粒子的全局极值，则更新该群体的全局极值，否则就不更新。
步骤S234：重复所述步骤S232和步骤S233(进行一次步骤S232和步骤S233就是进行一轮迭代)，直到迭代次数满足预设的最大迭代次数Tmax，所得到的所有粒子的全局极值所对应的位置为最优权重矩阵和最优偏置向量，此时进行步骤S24。
步骤S24：将最优权重矩阵设置为所述ELM模型的权重矩阵，将最优偏置向量设置为所述ELM模型的偏置向量，进而得到蠕变疲劳寿命预测模型。
步骤S3：根据测试集中的蠕变疲劳寿命数据组对建立的蠕变疲劳寿命预测模型的精度进行验证。
步骤S3具体包括：将测试集中的实验蠕变疲劳工况参数和中间计算参数共同作为蠕变疲劳寿命预测模型的输入数据，利用得到的蠕变疲劳寿命预测模型对输入数据进行预测，与相对应的蠕变疲劳对数寿命进行比较，计算变异PSO-ELM模型在测试集中的平均绝对百分比误差(MAPE)和决定系数R2，验证模型的精度；其中平均绝对百分比误差(MAPE)的数学表达式为公式(6)，决定系数R2的数学表达式为公式(7)：
Figure BDA0002906252730000091
Figure BDA0002906252730000092
其中，ntest为测试集中的蠕变疲劳寿命数据组的个数，yi为测试集中真实的蠕变疲劳对数寿命，
Figure BDA0002906252730000093
为蠕变疲劳寿命预测模型预测的蠕变疲劳对数寿命，
Figure BDA0002906252730000094
为测试集中的所有蠕变疲劳寿命数据组中的蠕变疲劳对数寿命的平均值。
实验结果：
通过本实施例，能够获得如下预测结果：
图3为ELM模型的隐含层神经元个数设置为10时，基于变异PSO-ELM模型的预测的蠕变疲劳对数寿命和相对应的实际的蠕变疲劳对数寿命的对比图。预测精度以对数寿命的平均绝对百分比误差(MAPE)和决定系数R2体现，经计算，模型的预测的蠕变疲劳对数寿命和实际蠕变疲劳对数寿命的MAPE为1.61％，R2为0.9855。另外，由图3可见，变异PSO-ELM模型预测的蠕变疲劳对数寿命点大部分落在1.5倍误差带之内，且全部寿命点均落在2倍误差带之内，预测效果较好。
以上记载的，仅为本发明的较佳实施例，并非用以限定本发明的范围，本发明的上述实施例还可以做出各种变化。即凡是依据本发明申请的权利要求书及说明书内容所作的简单、等效变化与修饰，皆落入本发明专利的权利要求保护范围。

Claims (10)

1.一种基于机器学习的蠕变疲劳寿命预测方法，其特征在于，包括：
步骤S1：获取待预测的蠕变疲劳寿命数据组，将其随机分为70％的训练集和30％的测试集，每一个蠕变疲劳寿命数据组均包括实验蠕变疲劳工况参数、中间计算参数和相对应的蠕变疲劳对数寿命；
步骤S2：提供一极限学习机模型，利用训练集中的数据通过粒子群优化算法得到极限学习机模型的最优权重矩阵、最优偏置向量，进而得到形式为PSO-ELM模型的蠕变疲劳寿命预测模型；
步骤S3：根据测试集中的蠕变疲劳寿命数据组对所述蠕变疲劳寿命预测模型的精度进行验证。
2.根据权利要求1所述的一种基于机器学习的蠕变疲劳寿命预测方法，其特征在于，所述步骤S1的实验蠕变疲劳工况参数包括总应变范围、拉伸保载时间和压缩保载时间和应变速率；中间计算参数包括总应力幅、非弹性应变率和非弹性应变能密度范围。
3.根据权利要求1所述的一种基于机器学习的蠕变疲劳寿命预测方法，其特征在于，所述步骤S2包括：
步骤S21：初始化PSO-ELM模型的参数，具体包括：将PSO-ELM模型的输入层的神经元个数设置为与实验蠕变疲劳工况参数和中间计算参数的总类别数相同，其输出层的神经元个数设置为1；通过试参法确定其隐藏层的神经元的个数；设置粒子群优化算法的最大迭代次数和粒子的种群规模；随机初始化粒子的位置和速度；
步骤S22：将训练集中的实验蠕变疲劳工况参数和中间计算参数共同作为输入数据，将训练集中的相对应的蠕变疲劳对数寿命作为输出数据；对输入数据和输出数据均进行归一化操作；
步骤S23：利用归一化后的输入数据和输出数据对极限学习机模型进行训练，并根据训练结果来计算粒子的适应度值，粒子的适应度值为蠕变疲劳对数寿命的预测值与蠕变疲劳对数寿命的均方根误差，并通过粒子群优化算法确定所有粒子的全局极值，将粒子的全局极值所对应的位置作为所述最优权重矩阵和最优偏置向量；
步骤S24：将所述最优权重矩阵设置为所述极限学习机模型的权重矩阵，将所述最优偏置向量设置为所述极限学习机模型的偏置向量，进而得到蠕变疲劳寿命预测模型。
4.根据权利要求3所述的一种基于机器学习的蠕变疲劳寿命预测方法，其特征在于，所述蠕变疲劳对数寿命的预测值与蠕变疲劳对数寿命的均方根误差为：
Figure FDA0002906252720000021
其中，m为训练集中的蠕变疲劳寿命数据组的个数，yi为训练集中的蠕变疲劳对数寿命，
Figure FDA0002906252720000022
为为蠕变疲劳对数寿命的预测值。
5.根据权利要求3所述的一种基于机器学习的蠕变疲劳寿命预测方法，其特征在于，所述步骤S23包括：
步骤S231：利用归一化后的输入数据和输出数据对极限学习机模型进行训练，根据训练结果确定粒子的适应度值，进而确定初始的每个粒子的个体极值和所有粒子的全局极值；
步骤S232：粒子的迭代次数加一，并使用粒子群优化算法对粒子的位置和速度进行更新；
步骤S233：再次计算粒子的适应度值，更新每个粒子的个体极值和所有粒子的全局极值；
步骤S234：重复所述步骤S232和步骤S233，直到迭代次数满足预设的最大迭代次数Tmax，所得到的所有粒子的全局极值所对应的位置为最优权重矩阵和最优偏置向量。
6.根据权利要求5所述的一种基于机器学习的蠕变疲劳寿命预测方法，其特征在于，在所述步骤S232中，更新公式如下：
Figure FDA0002906252720000023
Figure FDA0002906252720000024
其中，
Figure FDA0002906252720000025
是每个粒子第k+1次迭代时的速度，ω(k)是第k次迭代时的惯性权重，
Figure FDA0002906252720000026
是每个粒子第k次迭代时的速度；c1和c2是加速度因子，这里均设置为2；r1和r2是分布在[0，1]之间的随机数；
Figure FDA0002906252720000027
是每个粒子在k次迭代中对应适应度最佳的个体的空间位置，
Figure FDA0002906252720000031
是所有粒子在k次迭代中对应的适应度最佳的空间位置；
Figure FDA0002906252720000032
是每个粒子第k次迭代时的空间位置，
Figure FDA0002906252720000033
是每个粒子第k+1次迭代时的空间位置；k为正整数。
7.根据权利要求6所述的一种基于机器学习的蠕变疲劳寿命预测方法，其特征在于，直接通过以下公式来获得所述惯性权重ω(k)：
ω(k)＝ω1-(ω1-ω2)×k/Tmax，
其中，ω(k)为每次迭代的惯性权重，ω1＝0.9为初始惯性权重，ω2＝0.4为最终惯性权重，k为当前迭代次数，Tmax为最大迭代次数；
或者，在每一轮迭代中，在[0,1)范围内设置一个随机数，如果该随机数大于0.9，则将该次迭代的惯性权重ω(k)设置为该随机数；否则，通过以下公式来获得所述惯性权重ω(k)：
ω(k)＝ω1-(ω1-ω2)×k/Tmax，
其中，ω(k)为每次迭代的惯性权重，ω1＝0.9为初始惯性权重，ω2＝0.4为最终惯性权重，k为当前迭代次数，Tmax为最大迭代次数。
8.根据权利要求1所述的一种基于机器学习的蠕变疲劳寿命预测方法，其特征在于，所述极限学习机模型采用Sigmoid函数作为激活函数。
9.根据权利要求1所述的一种基于机器学习的蠕变疲劳寿命预测方法，其特征在于，所述步骤S3包括：将测试集中的实验蠕变疲劳工况参数和中间计算参数共同作为蠕变疲劳寿命预测模型的输入数据，利用得到的蠕变疲劳寿命预测模型对输入数据进行预测，与相对应的蠕变疲劳对数寿命进行比较，计算蠕变疲劳寿命预测模型在测试集中的平均绝对百分比误差和决定系数R2，验证模型的精度。
10.根据权利要求9所述的一种基于机器学习的蠕变疲劳寿命预测方法，其特征在于，所述平均绝对百分比误差为：
Figure FDA0002906252720000034
所述决定系数R2为：
Figure FDA0002906252720000035
其中，ntest为测试集中的蠕变疲劳寿命数据组的个数，yi为测试集中的蠕变疲劳对数寿命，
Figure FDA0002906252720000041
为蠕变疲劳寿命预测模型预测的蠕变疲劳对数寿命，
Figure FDA0002906252720000042
为测试集中的所有蠕变疲劳寿命数据组中的蠕变疲劳对数寿命的平均值。
CN202110072083.5A 2021-01-20 2021-01-20 一种基于机器学习的蠕变疲劳寿命预测方法 Pending CN112651164A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110072083.5A CN112651164A (zh) 2021-01-20 2021-01-20 一种基于机器学习的蠕变疲劳寿命预测方法
PCT/CN2021/096909 WO2022156110A1 (zh) 2021-01-20 2021-05-28 一种基于机器学习的蠕变疲劳寿命预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110072083.5A CN112651164A (zh) 2021-01-20 2021-01-20 一种基于机器学习的蠕变疲劳寿命预测方法

Publications (1)

Publication Number Publication Date
CN112651164A true CN112651164A (zh) 2021-04-13

Family

ID=75370716

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110072083.5A Pending CN112651164A (zh) 2021-01-20 2021-01-20 一种基于机器学习的蠕变疲劳寿命预测方法

Country Status (2)

Country Link
CN (1) CN112651164A (zh)
WO (1) WO2022156110A1 (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113361025A (zh) * 2021-04-28 2021-09-07 华东理工大学 一种基于机器学习的蠕变疲劳概率损伤评定方法
CN113569504A (zh) * 2021-09-02 2021-10-29 天津内燃机研究所（天津摩托车技术中心） 航空发动机燃烧室蠕变疲劳寿命预测方法及预测系统
CN114021481A (zh) * 2021-11-19 2022-02-08 华东理工大学 一种基于融合物理神经网络的蠕变疲劳寿命预测方法
CN114741922A (zh) * 2022-04-11 2022-07-12 西安交通大学 一种基于Attention机制的透平叶片蠕变-疲劳寿命预测方法
WO2022156110A1 (zh) * 2021-01-20 2022-07-28 华东理工大学 一种基于机器学习的蠕变疲劳寿命预测方法
WO2023188477A1 (ja) * 2022-03-31 2023-10-05 三菱パワー株式会社 余寿命予測装置、余寿命予測方法、及びプログラム

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117278338A (zh) * 2023-11-23 2023-12-22 江苏君立华域信息安全技术股份有限公司 一种基于深度学习优化的网络入侵检测方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106650920A (zh) * 2017-02-19 2017-05-10 郑州大学 一种基于优化极限学习机的预测模型
CN109165793A (zh) * 2018-09-14 2019-01-08 东北大学 一种基于pso-elm算法的混匀矿烧结基础特性预报方法
CN111324989A (zh) * 2020-03-19 2020-06-23 重庆大学 一种基于ga-bp神经网络的齿轮接触疲劳寿命预测方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103761423B (zh) * 2013-12-31 2016-06-29 中南大学 一种基于pso-elm的热轧板材组织-性能预测方法
CN106202913B (zh) * 2016-07-07 2018-03-06 华东理工大学 时间相关的蠕变疲劳损伤评定方法
CN112651164A (zh) * 2021-01-20 2021-04-13 华东理工大学 一种基于机器学习的蠕变疲劳寿命预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106650920A (zh) * 2017-02-19 2017-05-10 郑州大学 一种基于优化极限学习机的预测模型
CN109165793A (zh) * 2018-09-14 2019-01-08 东北大学 一种基于pso-elm算法的混匀矿烧结基础特性预报方法
CN111324989A (zh) * 2020-03-19 2020-06-23 重庆大学 一种基于ga-bp神经网络的齿轮接触疲劳寿命预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
HAN DU ET AL.: "Prediction model oriented for landslide displacement with step-like curve by applying ensemble empirical mode decomposition and the PSO-ELM method", 《JOURNAL OF CLEANER PRODUCTION》 *
王海斗 等: "《再制造零件与产品的疲劳寿命评估技术》", 30 June 2019 *
纪冬梅 等: "基于支持向量机的P91钢蠕变-疲劳寿命预测", 《压力容器》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022156110A1 (zh) * 2021-01-20 2022-07-28 华东理工大学 一种基于机器学习的蠕变疲劳寿命预测方法
CN113361025A (zh) * 2021-04-28 2021-09-07 华东理工大学 一种基于机器学习的蠕变疲劳概率损伤评定方法
CN113361025B (zh) * 2021-04-28 2024-03-29 华东理工大学 一种基于机器学习的蠕变疲劳概率损伤评定方法
CN113569504A (zh) * 2021-09-02 2021-10-29 天津内燃机研究所（天津摩托车技术中心） 航空发动机燃烧室蠕变疲劳寿命预测方法及预测系统
CN113569504B (zh) * 2021-09-02 2024-04-16 天津内燃机研究所（天津摩托车技术中心） 航空发动机燃烧室蠕变疲劳寿命预测方法及预测系统
CN114021481A (zh) * 2021-11-19 2022-02-08 华东理工大学 一种基于融合物理神经网络的蠕变疲劳寿命预测方法
CN114021481B (zh) * 2021-11-19 2024-03-08 华东理工大学 一种基于融合物理神经网络的蠕变疲劳寿命预测方法
WO2023188477A1 (ja) * 2022-03-31 2023-10-05 三菱パワー株式会社 余寿命予測装置、余寿命予測方法、及びプログラム
CN114741922A (zh) * 2022-04-11 2022-07-12 西安交通大学 一种基于Attention机制的透平叶片蠕变-疲劳寿命预测方法
CN114741922B (zh) * 2022-04-11 2024-02-23 西安交通大学 一种基于Attention机制的透平叶片蠕变-疲劳寿命预测方法

Also Published As

Publication number Publication date
WO2022156110A1 (zh) 2022-07-28

Similar Documents

Publication Publication Date Title
CN112651164A (zh) 一种基于机器学习的蠕变疲劳寿命预测方法
Kim et al. Length-adaptive transformer: Train once with length drop, use anytime with search
CN105973594B (zh) 一种基于连续深度置信网络的滚动轴承故障预测方法
CN111177974B (zh) 基于双层嵌套寻优和子集模拟的结构小失效概率计算方法
CN106991212B (zh) 基于ga_pso优化grnn网络算法的叶根强度预测方法
CN110046379B (zh) 一种基于空间-频率信息的结构整体损伤识别方法
Gao et al. Rolling bearing fault diagnosis based on intelligent optimized self-adaptive deep belief network
CN114969995B (zh) 一种基于改进麻雀搜索与声发射的滚动轴承早期故障智能诊断方法
CN111275252A (zh) 基于rga-bpnng的爆破峰值速度预测方法、装置及介质
CN109190270A (zh) 一种基于apso-bp的双配重盘自动平衡控制方法
CN107016239B (zh) 一种汽轮机阀门流量特性分析方法
CN111753751A (zh) 一种改进烟花算法的风机故障智能诊断方法
CN115062528A (zh) 一种针对工业过程时序数据的预测方法
CN111400964B (zh) 一种故障发生时间预测方法及装置
CN110363232B (zh) 基于bp神经网络的毫米波探测器干扰效果评估方法
CN117012315A (zh) 一种优化rbf神经网络的混凝土强度预测方法
Bechrakis et al. Wind speed prediction using artificial neural networks
CN112597687B (zh) 一种基于少样本学习的涡轮盘结构混合可靠性分析方法
CN115994491A (zh) 一种灭火弹挂飞温度补偿方法和系统
CN108509684B (zh) 舵机与动态负载模拟器匹配设计方法
CN115270983A (zh) 一种基于AdaBoost-RBF算法的开关柜故障预测方法
Kumari et al. Remaining useful life prediction using hybrid neural network and genetic algorithm approaches
Gong et al. BP neural network optimized by PSO algorithm on ammunition storage reliability prediction
Frissou et al. A Combined DE Algorithm with SARIMA for Modeling and Predicting the Incidence of Zoonotic Cutaneous Leishmaniasis in Msila Province, Algeria
Yu et al. Prediction Method for Rolling Bearing Remaining Useful Life Based on the RFHD Model and ALSTM

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210413