CN114021468B - 一种多尺度焊接结构的疲劳寿命预测方法、装置及设备 - Google Patents
一种多尺度焊接结构的疲劳寿命预测方法、装置及设备 Download PDFInfo
- Publication number
- CN114021468B CN114021468B CN202111330477.2A CN202111330477A CN114021468B CN 114021468 B CN114021468 B CN 114021468B CN 202111330477 A CN202111330477 A CN 202111330477A CN 114021468 B CN114021468 B CN 114021468B
- Authority
- CN
- China
- Prior art keywords
- fatigue
- bpnn
- spdtrs
- fatigue behavior
- algorithm
- 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
- 238000000034 method Methods 0.000 title claims abstract description 145
- 238000003466 welding Methods 0.000 title claims abstract description 37
- 230000006399 behavior Effects 0.000 claims abstract description 168
- 239000000463 material Substances 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims description 43
- 238000013528 artificial neural network Methods 0.000 claims description 28
- 230000008569 process Effects 0.000 claims description 28
- 238000004458 analytical method Methods 0.000 claims description 19
- 238000009661 fatigue test Methods 0.000 claims description 15
- 238000004140 cleaning Methods 0.000 claims description 14
- 238000003062 neural network model Methods 0.000 claims description 10
- 238000010168 coupling process Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 8
- 241000544061 Cuculus canorus Species 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000011160 research Methods 0.000 abstract description 10
- 238000013473 artificial intelligence Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 9
- 238000012360 testing method Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000010006 flight Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003032 molecular docking Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 206010000372 Accident at work Diseases 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 239000010953 base metal Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
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
- G06F30/27—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
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06N3/08—Learning methods
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书实施例公开了一种多尺度焊接结构的疲劳寿命预测方法、装置及设备。通过对S‑N曲线的预测，提高疲劳行为预测的适用性、精确度以及稳定性，同时降低常规疲劳行为研究方法所需要耗费的大量人力物力。并且能够满足综合考虑焊接方法、板厚、应力比、接头类型以及应力范围五种疲劳行为影响因素的综合影响，更真实地预测并反映不同条件下的疲劳行为。
Description
技术领域
本申请涉及焊接结构的疲劳寿命预测技术领域，尤其涉及一种多尺度焊接结构的疲劳寿命预测方法、装置及设备。
背景技术
随着当代工业水平的不断提高，焊接技术在加工制造领域的重要性不断提高，焊接结构的疲劳性能越来越成为制约工业产品使用性能的关键性因素。有统计表明，目前70％-90％的工业事故都是由疲劳失效导致的，焊接结构的疲劳寿命远低于母材结构。而焊接结构的疲劳过程是一个多物理场耦合，随机性强，多变量且非线性的过程，研究者已经提出了很多疲劳行为研究方法。其中，名义应力法、热点应力法、局部应力应变法、断裂力学法以及基于网格不敏感的结构应力法等手段均能在不同场合下实现较为可靠的疲劳寿命预测。但是所述经典方法随着当前服役环境更加恶劣，已经难以实现复杂结构的准确预测，并且常规疲劳试验往往伴随着大量的人力物力消耗。
随着人工智能技术的不断发展和成熟，研究人员开始将其用于疲劳行为的研究，并提出了一系列基于某种或多种人工智能技术的疲劳行为研究方法。比如BP神经网络(BPNN)、遗传算法(GA)、支持向量机(SVM)等方法已经得到了广泛应用，但是目前所提出的基于单一人工智能技术的疲劳行为研究方法普遍存在适用性差、精确度不高的问题，限制了焊接结构疲劳行为的进一步深入研究。因此产生了基于复合人工智能技术的疲劳行为预测方法，但是由于疲劳寿命具有较高的离散性，对其直接预测难以获得令人满意的结果。
发明内容
为解决上述技术问题，本说明书实施例是这样实现的：
第一方面，本说明书实施例提供了一种多尺度焊接结构疲劳寿命预测方法，其特征在于，包括：
通过实际疲劳试验以及文献数据整理，建立包含不同影响因素下的S-N曲线以及特定应力范围条件下的疲劳寿命的多尺度疲劳性能数据库；
基于层次分析法与Box-plot方法对所述多尺度疲劳性能数据库进行数据清洗，去除数据库中的缺失值、重复值以及逻辑错误数据，使所建立的数据库成为能够满足算法需求的干净数据；
基于SPDTRS理论，根据所述多尺度疲劳性能数据库确定各疲劳行为影响因素的权重；
根据所述疲劳行为影响因素的权重，确定疲劳行为的训练方法和预测规则；
基于所述疲劳行为的训练方法和预测规则以及BP神经网络结构构建基于SPDTRS-CS-BPNN混合智能算法的疲劳行为预测模型；
根据所述疲劳行为预测模型对待测焊接结构进行寿命行为预测。
可选的，所述多尺度疲劳性能数据库中的参数包括：焊接方法、板厚、接头类型、应力比、应力范围以及材料常数C和m。
可选的，所述SPDTRS-CS-BPNN算法的耦合方法为：
以多尺度疲劳性能数据库中的疲劳行为影响因素作为输入，利用SPDTRS算法对其进行分析，得到不同影响因素分别的权重；基于分析得到的影响因素权重作为初始阈值和权重，对BPNN结构进行初始化；在BPNN误差传播过程中，利用CS算法改善其收敛性，并避免神经网络陷入过拟合和局部最优问题。
可选的，基于SPDTRS理论，根据所述多尺度疲劳性能数据库确定各疲劳行为影响因素的权重，具体包括：
基于SPDTRS理论，对疲劳行为影响因素进行约简，分别得到其影响权重。
可选的，所述方法还包括：
将所述疲劳性能数据库输入到所述疲劳行为预测模型检验其可靠性，最后输入需要预测的疲劳行为影响条件，实现焊接结构疲劳行为的智能预测。
可选的，所述基于SPDTRS理论，根据所述多尺度疲劳性能数据库确定各疲劳行为影响因素的权重，具体包括：
基于单参数决策理论粗糙集(SPDTRS)理论以及所述疲劳性能数据库，对疲劳行为影响因素进行权重分析并获得BPNN的初始权值和阈值；
所述根据所述疲劳行为影响因素的权重，确定疲劳行为的训练方法和预测规则，具体包括：
根据不同疲劳行为影响因素的权重以及分析结果，确定所建模型的疲劳行为的训练方法和预测规则。
可选的，基于所述疲劳行为的训练方法和预测规则以及BP神经网络结构构建基于SPDTRS-CS-BPNN混合智能算法的疲劳行为预测模型，具体包括：
建立BPNN结构，并利用疲劳行为影响因素及其权重对神经网络进模型行初始化；
对布谷鸟寻优(CS)算法参数进行初始化；
基于CS算法获得当前最优位置；
根据当前最优位置对位置进行小范围更新；
基于Levy飞行获得更多新位置；
通过对比所述获得的当前最优位置和新位置判定新的最优位置；
基于动态发现概率决定此最优位置是否保留；
判定当前解是否满足停止条件，若尚未达到则重新基于CS算法获得当前最优位置并循环，若满足则输出最优解；
基于SPDTRS得到的影响因素权重以及分析得到的训练方法和预测规则对BPNN的网络结构进行优化；
建立基于SPDTRS-CS-BPNN算法的疲劳行为预测模型。
可选的，所述对神经网络模型进行初始化，具体包括：
对神经网络模型的输入层、隐含层与输出层的参数进行设置，其中，焊接方法、板厚、接头类型、应力比为输入层参数，材料常数C、m为输出层参数，其中，C＝emSN，S为应力范围，N为疲劳寿命；
可选的，所述方法通过疲劳寿命影响因素的选取实现该条件下S-N曲线的预测，疲劳寿命通过提取获得，具有更高的稳定性。
可选的，在根据所述疲劳行为预测模型对待测焊接结构进行寿命行为预测之后，所述方法还包括：
提取相应的S-N曲线以及特定应力范围下的疲劳寿命等疲劳性能数据。
第二方面，本说明书实施例提供了一种多尺度焊接结构疲劳寿命预测装置，其特征在于，包括：
多尺度疲劳性能数据库建立模块，用于通过实际疲劳试验以及文献数据整理，建立包含不同影响因素下的S-N曲线以及特定应力范围条件下的疲劳寿命的多尺度疲劳性能数据库；
数据清洗模块，用于基于层次分析法与Box-plot方法对所述多尺度疲劳性能数据库进行数据清洗，去除数据库中的缺失值、重复值以及逻辑错误数据，使所建立的数据库成为能够满足算法需求的干净数据；
疲劳影响因素权重分析模块，用于基于SPDTRS理论，根据所述多尺度疲劳性能数据库确定各疲劳行为影响因素的权重；
训练方法和预测规则模块，用于根据所述疲劳行为影响因素的权重，确定疲劳行为的训练方法和预测规则；
疲劳行为预测模块，用于基于所述疲劳行为的训练方法和预测规则以及BP神经网络结构构建基于SPDTRS-CS-BPNN混合智能算法的疲劳行为预测模型；
根据所述疲劳行为预测模型对待测焊接结构进行寿命行为预测。
第三方面，本说明书实施例提供了一种多尺度焊接结构疲劳寿命预测设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
通过实际疲劳试验以及文献数据整理，建立包含不同影响因素下的S-N曲线以及特定应力范围条件下的疲劳寿命的多尺度疲劳性能数据库；
基于层次分析法与Box-plot方法对所述多尺度疲劳性能数据库进行数据清洗，去除数据库中的缺失值、重复值以及逻辑错误数据，使所建立的数据库成为能够满足算法需求的干净数据；
基于SPDTRS理论，根据所述多尺度疲劳性能数据库确定各疲劳行为影响因素的权重；
根据所述疲劳行为影响因素的权重，确定疲劳行为的训练方法和预测规则；
基于所述疲劳行为的训练方法和预测规则以及BP神经网络结构构建基于SPDTRS-CS-BPNN混合智能算法的疲劳行为预测模型；
根据所述疲劳行为预测模型对待测焊接结构进行寿命行为预测。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：
基于SPDTRS-CS-BPNN混合人工智能技术的智能算法实现焊接结构疲劳行为的预测，降低利用常规疲劳试验研究疲劳行为所耗费的人力物力。利用多种人工智能技术耦合的方法，增强所建立疲劳行为预测模型的适用性以及预测结果的可靠度。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本说明书实施例提供的一种多尺度焊接结构疲劳寿命预测方法的流程示意图；
图2为本说明书实施例提供的一种基于SPDTRS-CS-BPNN混合人工智能技术的智能算法的疲劳行为预测模型的实施例一的流程示意图；
图3是本说明书实施例二所述建立的疲劳性能数据库中的S-N曲线数据；
图4是基于本说明书实施例二所述基于SPDTRS理论得到的各疲劳行为影响因素对材料常数C、m的影响权重，其中图(a)为材料常数C，图(b)为材料常数m，a2表示焊接方法，a3表示板厚，a4表示接头类型，a5表示应力比。
图5是基于本说明书实施例二得到的S-N曲线预测结果；
图6是基于本说明书实施例二得到的特定应力范围条件下的疲劳寿命预测结果；
图7是基于本说明书实施例二得到的特定应力范围条件下的疲劳寿命预测结果的误差水平。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
随着计算机人工智能技术的不断发展，将混合人工智能技术的方法应用于疲劳行为的预测方面，可以在保证研究质量的同时降低常规疲劳试验所需耗费的人力物力，对于关键零部件与大型工程结构疲劳性能的研究具有重要的理论与工程意义。
本发明利用计算机科学领域的SPDTRS、CS以及BPNN的混合智能算法实现焊接结构疲劳行为预测，通过多种算法耦合的方法，增强基于人工智能技术疲劳行为预测模型适用性、稳定性的同时提高预测精度。
具体的，通过对焊接方法、板厚、接头类型、应力比以及应力范围等多个因素的综合考虑，分别得到其在疲劳断裂过程中的影响权重，进而通过有效的训练实现疲劳行为的智能预测，进而为结构件疲劳性能的研究提供一种有效手段。
以下结合附图，详细说明本申请各实施例提供的技术方案。
图1为本说明书实施例提供的一种多尺度焊接结构疲劳寿命预测方法的流程示意图。
如图1所示，该流程可以包括以下步骤：
步骤101：通过实际疲劳试验以及文献数据整理，建立包含不同影响因素下的S-N曲线以及特定应力范围条件下的疲劳寿命的多尺度疲劳性能数据库。
步骤102：基于层次分析法与Box-plot方法对所述多尺度疲劳性能数据库进行数据清洗，去除数据库中的缺失值、重复值以及逻辑错误数据，使所建立的数据库成为能够满足算法需求的干净数据。
步骤103：基于SPDTRS理论，根据所述多尺度疲劳性能数据库确定各疲劳行为影响因素的权重。
步骤104：根据所述疲劳行为影响因素的权重，确定疲劳行为的训练方法和预测规则。
步骤105：基于所述疲劳行为的训练方法和预测规则以及BP神经网络结构构建基于SPDTRS-CS-BPNN混合智能算法的疲劳行为预测模型。
步骤106：根据所述疲劳行为预测模型对待测焊接结构进行寿命行为预测。
本申请提出一种基于单参数决策理论粗糙集(SPDTRS)-布谷鸟寻优(CS)-BP神经网络(BPNN)混合智能算法的疲劳行为预测模型，通过对S-N曲线的预测，提高疲劳行为预测的适用性、精确度以及稳定性，同时降低常规疲劳行为研究方法所需要耗费的大量人力物力。并且能够满足综合考虑焊接方法、板厚、应力比、接头类型以及应力范围五种疲劳行为影响因素的综合影响，更真实地预测并反映不同条件下的疲劳行为。
实施例一
图2为本说明书实施例提供的一种尺度焊接疲劳寿命预测方法的实施例一的流程示意图。从程序角度而言，流程的执行主体可以为搭载于应用服务器的程序或应用客户端。
如图2所示，该流程可以包括以下步骤：
步骤1：基于实际疲劳试验以及文献中的疲劳试验获得的S-N曲线等疲劳性能数据，建立EH36高强钢焊接接头的多尺度疲劳性能数据库；
步骤2：对所述多尺度疲劳性能数据库中进行预处理，整理数据格式并删除明显错误数据；
步骤3：基于层次分析法与Box-plot方法对数据库进行数据清洗，去除数据库中的缺失值、重复值以及逻辑错误数据，使所建立的数据库成为能够满足算法需求的干净数据；
步骤4：基于SPDTRS理论以及所述疲劳性能数据库，对疲劳行为影响因素进行约简并分析其影响权重；
步骤5：根据不同疲劳行为影响因素的权重，确定所建模型的疲劳行为的训练方法和预测规则；
步骤6：建立BPNN结构，并利用疲劳行为影响因素及其权重对神经网络进行初始化；
步骤7：对CS算法的参数进行初始化；
步骤8：基于CS算法获得当前最优位置；
步骤9：根据当前最优位置对位置进行小范围更新；
步骤10：基于Levy飞行获得更多新位置；
步骤11：通过对比所述获得的当前最优位置和新位置判定新的最优位置；
步骤12：基于动态发现概率决定此最优位置是否保留；
步骤13：判定当前解是否满足停止条件，若尚未达到则重新基于CS算法获得当前最优位置并循环，若满足则输出最优解；
步骤14：基于SPDTRS得到的影响因素权重以及分析得到的训练方法和预测规则对BPNN的网络结构进行优化；
步骤15：建立基于SPDTRS-CS-BPNN算法的疲劳行为预测模型；
步骤16：通过输入不同的疲劳行为影响因素条件，输出相应S-N曲线或者疲劳寿命等疲劳行为数据。
可选的，所述SPDTRS-CS-BPNN算法的耦合方法为：以疲劳性能数据库中的疲劳行为影响因素作为输入，利用SPDTRS算法对其进行分析，得到不同影响因素分别的权重；基于分析得到的影响因素权重，对BPNN结构进行初始化作为初始阈值和权重；在BPNN误差传播过程中，利用CS算法改善其收敛性，并避免神经网络陷入过拟合和局部最优问题。
可选的，所述疲劳行为影响因素包括：焊接方法、板厚、接头类型、应力比、应力范围以及材料常数C和m。
可选的，基于SPDTRS理论，对疲劳行为影响因素进行约简，分别得到其影响权重；
可选的，基于所述神经网络的训练方法和预测规则以及所述BPNN结构建立基于SPDTRS-CS-BPNN算法的疲劳行为预测模型；
可选的，所述方法还包括：
对所述疲劳性能数据库进行预处理，并输入到所述疲劳行为预测模型检验其可靠性，最后输入需要预测的疲劳行为影响条件，实现焊接结构疲劳行为的智能预测。
可选的，所述对神经网络模型进行初始化，具体包括：
对神经网络模型的输入层、隐含层与输出层的参数进行设置，其中，焊接方法、板厚、接头类型、应力比为输入层参数，材料常数C、m为输出层参数，其中，C＝emSN，S为应力幅，N为疲劳寿命；
可选的，所述方法通过疲劳寿命影响因素的选取实现该条件下S-N曲线的预测，疲劳寿命通过提取获得，具有更高的稳定性。
实施例二
本发明提供了一种基于SPDTRS-CS-BPNN混合智能算法的疲劳行为预测模型，结合不同算法各自优势，实现焊接结构疲劳行为的可靠预测。其中，利用SPDTRS理论对焊接方法、板厚、接头类型、应力比以及应力范围等疲劳行为影响因素进行分析，并分别得到其影响权重；利用CS算法，改善BP神经网络收敛较慢与局部最优问题，对所建BP神经网络进行优化，得到基于SPDTRS-CS-BPNN混合智能算法的疲劳行为预测模型。
所述方法具体步骤如下：
通过疲劳试验、有限元数值模拟与现有文献查阅获得不同焊接方法、板厚、接头类型、应力比以及应力范围条件下的S-N曲线等疲劳性能数据，建立多尺度疲劳性能数据库并进行预处理和数据清洗，整理其格式并删除其中的缺失值、重复值以及逻辑错误的数据，得到疲劳性能数据库如图3所示。
基于SPDTRS理论，实现疲劳行为影响因素的约减，得到不同影响因素分别对于材料常数C和m的影响权重，如图4所示。
根据疲劳行为影响因素的权重，制定疲劳寿命的训练方法和预测规则，并体现在基于SPDTRS-CS-BPNN混合智能算法的疲劳行为预测模型中。
通过输入层、隐含层与输出层等参数的设置进行神经网络的初始化，并对训练精度与最大迭代次数进行设置。其中，焊接方法、板厚、接头类型、应力比为输入层，材料常数C和m为输出层。
初始化布谷鸟寻优(CS)算法的参数，基于CS算法获得当前最优位置，根据当前最优位置对位置进行更新，基于Levy飞行获得新位置，通过对比所述获得的当前最优位置和新位置判定新的最优位置，基于动态发现概率决定此最优位置是否保留，判定当前解是否满足停止条件，若尚未达到则重新基于CS算法获得当前最优位置并循环，若满足则输出最优解并将得到的最优位置作为神经网络的最优初始权值与阈值实现网络模型的优化。
基于所得到的最优参数以及训练方法和预测规则，对BP神经网络进行训练，满足训练精度时即得到多尺度疲劳寿命预测模型。
其中，所述SPDTRS-CS-BPNN算法的耦合方法为：以疲劳性能数据库中的疲劳行为影响因素作为输入，利用SPDTRS算法对其进行分析，得到不同影响因素分别的权重；基于分析得到的影响因素权重，对BPNN结构进行初始化作为初始阈值和权重；在BPNN误差传播过程中，利用CS算法改善其收敛性，并避免神经网络陷入过拟合和局部最优问题，所述方法通过疲劳寿命影响因素的选取实现该条件下S-N曲线的预测，疲劳寿命通过提取获得，具有更高的稳定性。
最后通过输入需要预测的试验参数如表1所示，实现多尺度焊接疲劳行为的智能预测，得到的S-N曲线的预测结果如图5所示，可以得到所建基于SPDTRS-CS-BPNN混合智能算法的疲劳行为预测模型的输出结果与实际试验结果有良好的一致性，两条S-N曲线之间的下降趋势都是相仿的，并且S-N曲线的预测结果均处于试验结果的1.1倍误差带以内，对比结果表明所建立的疲劳行为预测模型可以比较真实的对焊接结构的S-N曲线进行预测。
表1
| 试样编号 | 焊接方法 | 板厚(mm) | 接头类型 | 应力比 |
| T1 | 熔化极气体保护焊 | 16 | T型 | 0.1 |
| T2 | 熔化极气体保护焊 | 25 | 十字形 | 0.1 |
| T3 | 激光焊 | 20 | 对接 | -1 |
| T4 | 药芯焊丝电弧焊 | 25 | 对接 | 0.1 |
从每条S-N曲线上选取五个应力范围的疲劳寿命值进行对比，得到的结果如柱状图6所示，并分别分析其误差，得到的结果如图7所示。可以看到，所建基于SPDTRS-CS-BPNN混合智能算法的疲劳行为预测模型在不同参数匹配的特定应力范围条件下得到的疲劳寿命预测值与实际值均具有良好的一致性，不同应力水平等条件下的误差均不大于15％，同时结果还表明所建模型的预测能力强于GA算法。疲劳行为预测结果表明，所建立的基于SPDTRS-CS-BPNN混合智能算法的疲劳行为预测模型在不同影响因素匹配条件下均能对S-N曲线和特定应力范围的疲劳寿命实现准确的预测，且可适用范围广，能够为焊接结构的疲劳设计提供新的研究方法。
另外，本说明书实施例提供了一种多尺度焊接结构疲劳寿命预测装置，其特征在于，包括：
多尺度疲劳性能数据库建立模块，用于通过实际疲劳试验以及文献数据整理，建立包含不同影响因素下的S-N曲线以及特定应力范围条件下的疲劳寿命的多尺度疲劳性能数据库；
数据清洗模块，用于基于层次分析法与Box-plot方法对所述多尺度疲劳性能数据库进行数据清洗，去除数据库中的缺失值、重复值以及逻辑错误数据，使所建立的数据库成为能够满足算法需求的干净数据；
疲劳影响因素权重分析模块，用于基于SPDTRS理论，根据所述多尺度疲劳性能数据库确定各疲劳行为影响因素的权重；
训练方法和预测规则模块，用于根据所述疲劳行为影响因素的权重，确定疲劳行为的训练方法和预测规则；
疲劳行为预测模块，用于基于所述疲劳行为的训练方法和预测规则以及BP神经网络结构构建基于SPDTRS-CS-BPNN混合智能算法的疲劳行为预测模型；
根据所述疲劳行为预测模型对待测焊接结构进行寿命行为预测。
另外，本说明书实施例提供了一种多尺度焊接结构疲劳寿命预测设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
通过实际疲劳试验以及文献数据整理，建立包含不同影响因素下的S-N曲线以及特定应力范围条件下的疲劳寿命的多尺度疲劳性能数据库；
基于层次分析法与Box-plot方法对所述多尺度疲劳性能数据库进行数据清洗，去除数据库中的缺失值、重复值以及逻辑错误数据，使所建立的数据库成为能够满足算法需求的干净数据；
基于SPDTRS理论，根据所述多尺度疲劳性能数据库确定各疲劳行为影响因素的权重；
根据所述疲劳行为影响因素的权重，确定疲劳行为的训练方法和预测规则；
基于所述疲劳行为的训练方法和预测规则以及BP神经网络结构构建基于SPDTRS-CS-BPNN混合智能算法的疲劳行为预测模型；
根据所述疲劳行为预测模型对待测焊接结构进行寿命行为预测。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (8)
1.一种多尺度焊接结构疲劳寿命预测方法，其特征在于，包括：
通过实际疲劳试验以及文献数据整理，建立包含不同影响因素下的S-N曲线以及特定应力范围条件下的疲劳寿命的多尺度疲劳性能数据库；
基于层次分析法与Box-plot方法对所述多尺度疲劳性能数据库进行数据清洗；
基于单参数决策理论粗糙集SPDTRS理论，根据所述多尺度疲劳性能数据库确定各疲劳行为影响因素的权重；
根据所述疲劳行为影响因素的权重，确定疲劳行为的训练方法和预测规则；
基于所述疲劳行为的训练方法和预测规则以及BP神经网络BPNN结构构建基于SPDTRS-CS-BPNN混合智能算法的疲劳行为预测模型；
根据所述疲劳行为预测模型对待测焊接结构进行寿命行为预测；
所述SPDTRS-CS-BPNN算法的耦合方法为：
以多尺度疲劳性能数据库中的疲劳行为影响因素作为输入，利用SPDTRS算法对其进行分析，得到不同影响因素分别的权重；基于分析得到的影响因素权重作为初始阈值和权重，对BPNN结构进行初始化；在BPNN误差传播过程中，利用CS算法改善其收敛性，并避免神经网络陷入过拟合和局部最优问题；
基于所述疲劳行为的训练方法和预测规则以及BP神经网络结构构建基于SPDTRS-CS-BPNN混合智能算法的疲劳行为预测模型，具体包括：
建立BPNN结构，并利用疲劳行为影响因素及其权重对神经网络进模型行初始化；
对布谷鸟寻优CS算法参数进行初始化；
基于CS算法获得当前最优位置；
根据当前最优位置对位置进行小范围更新；
基于莱维Levy飞行获得更多新位置；
通过对比所述获得的当前最优位置和新位置判定新的最优位置；
基于动态发现概率决定此最优位置是否保留；
判定当前解是否满足停止条件，若尚未达到则重新基于CS算法获得当前最优位置并循环，若满足则输出最优解；
基于SPDTRS得到的影响因素权重以及分析得到的训练方法和预测规则对BPNN的网络结构进行优化；
建立基于SPDTRS-CS-BPNN算法的疲劳行为预测模型。
2.如权利要求1所述的方法，其特征在于，所述多尺度疲劳性能数据库中的参数包括：焊接方法、板厚、接头类型、应力比、应力范围以及材料常数C和m。
3.如权利要求1所述的方法，其特征在于，基于SPDTRS理论，根据所述多尺度疲劳性能数据库确定各疲劳行为影响因素的权重，具体包括：
基于SPDTRS理论，对疲劳行为影响因素进行约简，分别得到其影响权重。
4.如权利要求1所述的方法，其特征在于，所述基于SPDTRS理论，根据所述多尺度疲劳性能数据库确定各疲劳行为影响因素的权重，具体包括：
基于单参数决策理论粗糙集SPDTRS理论以及所述疲劳性能数据库，对疲劳行为影响因素进行权重分析并获得BPNN的初始权值和阈值；
所述根据所述疲劳行为影响因素的权重，确定疲劳行为的训练方法和预测规则，具体包括：
根据不同疲劳行为影响因素的权重以及分析结果，确定所建模型的疲劳行为的训练方法和预测规则。
5.如权利要求1所述的方法，其特征在于，所述对神经网络模型进行初始化，具体包括：
对神经网络模型的输入层、隐含层与输出层的参数进行设置，其中，焊接方法、板厚、接头类型、应力比为输入层参数，材料常数C、m为输出层参数，其中，C＝emSN，S为应力范围，N为疲劳寿命；
所述方法通过疲劳寿命影响因素的选取实现该条件下S-N曲线的预测，疲劳寿命通过提取获得，具有更高的稳定性。
6.如权利要求1所述的方法，其特征在于，在根据所述疲劳行为预测模型对待测焊接结构进行寿命行为预测之后，所述方法还包括：
提取相应的S-N曲线以及特定应力范围下的疲劳寿命等疲劳性能数据。
7.一种多尺度焊接结构疲劳寿命预测装置，其特征在于，包括：
多尺度疲劳性能数据库建立模块，用于通过实际疲劳试验以及文献数据整理，建立包含不同影响因素下的S-N曲线以及特定应力范围条件下的疲劳寿命的多尺度疲劳性能数据库；
数据清洗模块，用于基于层次分析法与Box-plot方法对所述多尺度疲劳性能数据库进行数据清洗；
疲劳影响因素权重分析模块，用于基于单参数决策理论粗糙集SPDTRS理论，根据所述多尺度疲劳性能数据库确定各疲劳行为影响因素的权重；
训练方法和预测规则模块，用于根据所述疲劳行为影响因素的权重，确定疲劳行为的训练方法和预测规则；
疲劳行为预测模块，用于基于所述疲劳行为的训练方法和预测规则以及BP神经网络BPNN结构构建基于SPDTRS-CS-BPNN混合智能算法的疲劳行为预测模型；
根据所述疲劳行为预测模型对待测焊接结构进行寿命行为预测；
所述SPDTRS-CS-BPNN算法的耦合方法为：
以多尺度疲劳性能数据库中的疲劳行为影响因素作为输入，利用SPDTRS算法对其进行分析，得到不同影响因素分别的权重；基于分析得到的影响因素权重作为初始阈值和权重，对BPNN结构进行初始化；在BPNN误差传播过程中，利用CS算法改善其收敛性，并避免神经网络陷入过拟合和局部最优问题；
基于所述疲劳行为的训练方法和预测规则以及BP神经网络结构构建基于SPDTRS-CS-BPNN混合智能算法的疲劳行为预测模型，具体包括：
建立BPNN结构，并利用疲劳行为影响因素及其权重对神经网络进模型行初始化；
对布谷鸟寻优CS算法参数进行初始化；
基于CS算法获得当前最优位置；
根据当前最优位置对位置进行小范围更新；
基于莱维Levy飞行获得更多新位置；
通过对比所述获得的当前最优位置和新位置判定新的最优位置；
基于动态发现概率决定此最优位置是否保留；
判定当前解是否满足停止条件，若尚未达到则重新基于CS算法获得当前最优位置并循环，若满足则输出最优解；
基于SPDTRS得到的影响因素权重以及分析得到的训练方法和预测规则对BPNN的网络结构进行优化；
建立基于SPDTRS-CS-BPNN算法的疲劳行为预测模型。
8.一种多尺度焊接结构疲劳寿命预测设备，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
通过实际疲劳试验以及文献数据整理，建立包含不同影响因素下的S-N曲线以及特定应力范围条件下的疲劳寿命的多尺度疲劳性能数据库；
基于层次分析法与Box-plot方法对所述多尺度疲劳性能数据库进行数据清洗；
基于单参数决策理论粗糙集SPDTRS理论，根据所述多尺度疲劳性能数据库确定各疲劳行为影响因素的权重；
根据所述疲劳行为影响因素的权重，确定疲劳行为的训练方法和预测规则；
基于所述疲劳行为的训练方法和预测规则以及BP神经网络BPNN结构构建基于SPDTRS-CS-BPNN混合智能算法的疲劳行为预测模型；
根据所述疲劳行为预测模型对待测焊接结构进行寿命行为预测；
所述SPDTRS-CS-BPNN算法的耦合方法为：
以多尺度疲劳性能数据库中的疲劳行为影响因素作为输入，利用SPDTRS算法对其进行分析，得到不同影响因素分别的权重；基于分析得到的影响因素权重作为初始阈值和权重，对BPNN结构进行初始化；在BPNN误差传播过程中，利用CS算法改善其收敛性，并避免神经网络陷入过拟合和局部最优问题；
基于所述疲劳行为的训练方法和预测规则以及BP神经网络结构构建基于SPDTRS-CS-BPNN混合智能算法的疲劳行为预测模型，具体包括：
建立BPNN结构，并利用疲劳行为影响因素及其权重对神经网络进模型行初始化；
对布谷鸟寻优CS算法参数进行初始化；
基于CS算法获得当前最优位置；
根据当前最优位置对位置进行小范围更新；
基于莱维Levy飞行获得更多新位置；
通过对比所述获得的当前最优位置和新位置判定新的最优位置；
基于动态发现概率决定此最优位置是否保留；
判定当前解是否满足停止条件，若尚未达到则重新基于CS算法获得当前最优位置并循环，若满足则输出最优解；
基于SPDTRS得到的影响因素权重以及分析得到的训练方法和预测规则对BPNN的网络结构进行优化；
建立基于SPDTRS-CS-BPNN算法的疲劳行为预测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111330477.2A CN114021468B (zh) | 2021-11-11 | 2021-11-11 | 一种多尺度焊接结构的疲劳寿命预测方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111330477.2A CN114021468B (zh) | 2021-11-11 | 2021-11-11 | 一种多尺度焊接结构的疲劳寿命预测方法、装置及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114021468A CN114021468A (zh) | 2022-02-08 |
| CN114021468B true CN114021468B (zh) | 2024-05-07 |
Family
ID=80063297
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111330477.2A Active CN114021468B (zh) | 2021-11-11 | 2021-11-11 | 一种多尺度焊接结构的疲劳寿命预测方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114021468B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010156668A (ja) * | 2008-05-09 | 2010-07-15 | Nippon Steel Corp | 溶接構造物の疲労寿命推定装置、溶接構造物の疲労寿命推定方法、及びコンピュータプログラム |
| CN106526486A (zh) * | 2016-08-30 | 2017-03-22 | 郑州轻工业学院 | 一种锂电池健康寿命模型构建方法 |
| CN109005670A (zh) * | 2016-04-04 | 2018-12-14 | 罗姆股份有限公司 | 功率模块及其制造方法 |
| CN113434971A (zh) * | 2021-06-07 | 2021-09-24 | 天津大学 | 一种多尺度焊接疲劳寿命预测方法、装置及设备 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10705848B2 (en) * | 2018-05-24 | 2020-07-07 | Arm Limited | TAGE branch predictor with perceptron predictor as fallback predictor |
-
2021
- 2021-11-11 CN CN202111330477.2A patent/CN114021468B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010156668A (ja) * | 2008-05-09 | 2010-07-15 | Nippon Steel Corp | 溶接構造物の疲労寿命推定装置、溶接構造物の疲労寿命推定方法、及びコンピュータプログラム |
| CN109005670A (zh) * | 2016-04-04 | 2018-12-14 | 罗姆股份有限公司 | 功率模块及其制造方法 |
| CN106526486A (zh) * | 2016-08-30 | 2017-03-22 | 郑州轻工业学院 | 一种锂电池健康寿命模型构建方法 |
| CN113434971A (zh) * | 2021-06-07 | 2021-09-24 | 天津大学 | 一种多尺度焊接疲劳寿命预测方法、装置及设备 |
Non-Patent Citations (2)
| Title |
|---|
| 基于ADEGWO-SVM的机载燃油泵寿命预测研究;焦晓璇;景博;李娟;孙萌;王;;仪器仪表学报;20180820(第08期);全文 * |
| 考虑应力梯度的缺口疲劳寿命预测方法;王延荣;李宏新;袁善虎;魏大盛;石亮;航空动力学报;20130617;第28卷(第6期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114021468A (zh) | 2022-02-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Khoshgoftaar et al. | Classification tree models of software quality over multiple releases | |
| Xia et al. | Collective personalized change classification with multiobjective search | |
| Malhotra¹ et al. | Software maintainability prediction using machine learning algorithms | |
| Tsiptsis et al. | Structural optimization employing isogeometric tools in Particle Swarm Optimizer | |
| Lagaros et al. | Neurocomputing strategies for solving reliability‐robust design optimization problems | |
| Zhu et al. | Optimization of load-carrying hierarchical stiffened shells: comparative survey and applications of six hybrid heuristic models | |
| CN114741946B (zh) | 一种航空发动机典型机构多构件失效相关的可靠性仿真方法 | |
| CN113434971A (zh) | 一种多尺度焊接疲劳寿命预测方法、装置及设备 | |
| Lupuleac et al. | Optimization of fastener pattern in airframe assembly | |
| Heymann et al. | Guideline for deployment of machine learning models for predictive quality in production | |
| Song et al. | Machine learning approach for determining feasible plans of a remanufacturing system | |
| CN118153952A (zh) | 注意力机制优化下的电力资源基建项目风险等级评估方法 | |
| Siddharth et al. | A multiple-domain matrix support to capture rationale for engineering design changes | |
| CN114021468B (zh) | 一种多尺度焊接结构的疲劳寿命预测方法、装置及设备 | |
| Xie et al. | Optimum prioritisation and resource allocation based on fault tree analysis | |
| Bouckaert et al. | Online Bayesian analysis with BEAST 2 | |
| Gräßler et al. | Method for analysing requirement change propagation based on a modified pagerank algorithm | |
| Alajlan et al. | Optimization of COCOMO-II Model for Effort and Development Time Estimation using Genetic Algorithms | |
| Liu et al. | An intelligent system for estimating full product Life Cycle Cost at the early design stage | |
| Chen et al. | Parameter optimisation of a carrier-based UAV drawbar based on strain fatigue analysis | |
| Mathai et al. | Some inferences on a mixture of exponential and Rayleigh distributions based on fuzzy data | |
| Yun et al. | Metaheuristic-based inspection policy for a one-shot system with two types of units | |
| Sharma et al. | Stochastic behavior analysis of the feeding system in a paper mill using NGABLT technique | |
| Xia et al. | A novel fractional order variable structure multivariable grey prediction model with optimal differential background-value coefficients and its performance comparison analysis | |
| Byun et al. | Structural system reliability, reloaded |
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 |