CN116595654A - 一种基于遗传算法的多轴疲劳试验谱编制方法 - Google Patents
一种基于遗传算法的多轴疲劳试验谱编制方法 Download PDFInfo
- Publication number
- CN116595654A CN116595654A CN202310180236.7A CN202310180236A CN116595654A CN 116595654 A CN116595654 A CN 116595654A CN 202310180236 A CN202310180236 A CN 202310180236A CN 116595654 A CN116595654 A CN 116595654A
- Authority
- CN
- China
- Prior art keywords
- load
- value
- multiaxial
- amplitude
- damage
- 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
- 238000001228 spectrum Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000009661 fatigue test Methods 0.000 title claims abstract description 51
- 230000002068 genetic effect Effects 0.000 title claims abstract description 26
- 230000006378 damage Effects 0.000 claims abstract description 83
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 5
- 210000000349 chromosome Anatomy 0.000 claims description 45
- 230000035772 mutation Effects 0.000 claims description 10
- -1 (i) -F Chemical class 0.000 claims description 8
- 208000027418 Wounds and injury Diseases 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 208000014674 injury Diseases 0.000 claims description 6
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 239000000470 constituent Substances 0.000 claims description 2
- 238000010008 shearing Methods 0.000 claims 1
- 238000012360 testing method Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- XEEYBQQBJWHFJM-UHFFFAOYSA-N iron Substances [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Mathematical Optimization (AREA)
- Genetics & Genomics (AREA)
- Pure & Applied Mathematics (AREA)
- Medical Informatics (AREA)
- Computational Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Mathematical Analysis (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
本发明涉及机械结构多参数疲劳试验谱编制技术领域，具体涉及一种基于遗传算法的多轴疲劳试验谱编制方法，包括：随机载荷处理，包括将载荷平均值归0和确定各路载荷的变化范围；随机多轴载荷循环计数统计；随机多轴载荷损伤计算，包括损伤值大小和临界面角度；基于遗传算法反推等幅多轴载荷的参数；给等幅多轴载荷附加平均值，得到等幅多轴疲劳试验谱。本发明基于遗传算法，只要给定足够的迭代次数，便可编制得到考虑工程复杂机械构件载荷特征一致、损伤一致的多参数疲劳试验谱，弥补了之前所有多参数编谱过程中未考虑载荷特征一致和损伤一致的问题，适用范围更广；本发明提出的多轴疲劳试验谱编制方法，通用性强，具有广泛的工程应用价值。
Description
技术领域
本发明涉及机械结构多参数疲劳试验谱编制技术领域，具体涉及一种基于遗传算法的多轴疲劳试验谱编制方法。
背景技术
目前国内外关于疲劳试验谱的研究，大多集中于单参数疲劳试验载荷谱的编制，并且已广泛应用于航空航天、车辆、工程机械等工业领域。然而在实际工程应用中，大多数机械构件都长期承受着随机多参数载荷的作用，并且构件往往极易产生多轴疲劳损伤进而失效。例如航空发动机机匣类构件、汽车万向节与前悬架等复杂构件在实际服役时往往承受着典型的随机非比例多轴载荷。因此，单参数疲劳试验谱已不再适用于对这类承受复杂多参数载荷的构件进行疲劳考核，为对这类构件进行充分的、科学的寿命考核，必须发展一种多参数疲劳试验谱的编制方法。
对复杂机械构件进行寿命考核试验时，其加载的载荷谱必须在一定程度上反映构件的实际工作特征。然而构件所承受的随机载荷不易进行试验加载，程序疲劳试验谱不仅在一定程度上保留载荷特征，而且形式简单、操作性强，得到了广泛应用。高镇同院士基于载荷均幅值的二维概率统计编制了歼击机疲劳试验程序谱；高云凯也基于此提出了一种车身台架疲劳试验的程序载荷谱编制方法。但目前对于多参数疲劳试验程序谱并没有一个普遍认可的编制理论和方法，仅有少部分学者对其进行的一定程度的研究，杨艳红、赵勇铭等人分别从多轴疲劳损伤的角度进行多参数疲劳试验谱的编制工作，但对载荷幅值、相位等参数的取值有一定的主观性，标志雪铁龙公司提出并采用的等效疲劳载荷方法为保证损伤一致进行优化搜索取值而忽略了实际载荷均幅值分布，这就导致编制的疲劳试验谱与实际服役载荷在载荷特征与多轴疲劳寿命表现上有一定的差别。
综上所述，目前现有的多参数疲劳试验谱的编制方法仍有一定的局限性，并没有明确、普遍认可的构件多参数疲劳试验谱编制方法，对疲劳损伤一致性的编谱要求也有不同程度上的满足。在多参数载荷作用下，编制与实际载荷谱下构件载荷特征一致、损伤等效、失效模式一致的疲劳试验谱仍是一个迫切需要解决的关键工程问题，这也对工程实际中复杂机械构件的疲劳损伤分析和疲劳试验的研究具有重要意义。
因此，有必要发展一种能够考虑工程复杂机械构件载荷特征一致、损伤一致的多参数疲劳试验谱编制方法，为复杂工程机械及其零部件的定寿奠定基础。
发明内容
针对现有多参数疲劳试验谱的编制方法具有局限性，缺乏与实际载荷谱下构件载荷特征已知、损伤等效、失效模式一致的疲劳试验谱的问题，提出了一种基于遗传算法的多轴疲劳试验谱编制方法。
为了实现上述目的，本发明通过如下的技术方案来实现：
一种基于遗传算法的多轴疲劳试验谱编制方法，具体包括如下步骤：
S1：随机载荷处理，包括将载荷平均值归0和确定各路载荷的变化范围；
S2：随机多轴载荷循环计数统计；
S3：随机多轴载荷损伤计算，包括损伤值大小和临界面角度；
S4：基于遗传算法反推等幅多轴载荷的参数；
S5：给等幅多轴载荷附加平均值，得到等幅多轴疲劳试验谱。
作为本发明的一种优选方案，所述步骤S1具体包括：计算每路载荷的平均值，然后将每路载荷值减去对应的平均值，得到平均值归0的随机多轴载荷；然后统计各路载荷的变化范围。
作为本发明的一种优选方案，所述步骤S2具体包括：
S21：对随机多轴载荷进行峰谷值检测并提取；
峰谷值检测即对每路载荷时间历程进行峰值点或谷值点判断，若是对应载荷点有一路载荷值是峰谷值则保留，否则去除；所述峰值点或谷值点判断具体为：
对数据进行三点法判断，即读取三个相邻的数据点F(i-1)、F(i)、F(i+1)，若满足：
[F(i)-F(i-1)][F(i+1)-F(i)]≥0且F(i)-F(i-1)≠0
则F(i)是峰值点或谷值点；
S22：选择一路载荷作为主通道进行雨流计数，具体包括：
连续读取载荷历程中的四个点，即两个峰值点和两个谷值点，全循环选取依据为：中间两点差的绝对值要小于等于前面两点差的绝对值和后面两点差的绝对值，即满足：
|F(i+2)-F(i+1)|≤|F(i+1)-F(i)|
|F(i+2)-F(i+1)|≤|F(i+3)-F(i+2)|
由此得到各路载荷的载荷全循环峰谷值统计结果；
进而得到载荷全循环均幅值统计信息，计算表达式如下：
Camp＝(Fpeak-Fvalley)/2
Cmean＝(Fpeak+Fvalley)/2
式中，Fpeak、Fvalley分别表示雨流计数循环的峰值和谷值；Camp、Cmean分别表示雨流计数循环的幅值和均值；同时统计各循环对应的载荷下标信息；
S23：基于S22中主通道的雨流计数结果，将另一路载荷作为辅通道进行循环载荷识别；
具体为：基于主通道的各循环对应的载荷下标信息，索引得到辅通道载荷下标在所述载荷下标信息范围内的所有载荷值，同时计算索引到载荷值的载荷范围作为对应的辅通道循环；依次识别主通道各循环对应的辅通道循环，得到多轴载荷循环结果并统计。
作为本发明的一种优选方案，所述步骤S3具体包括：
S31：以步长为1°或者增量从0°变化到180°，计算每个平面上的损伤值D；所述损伤值D的计算公式如下：
式中，n为多轴载荷通过坐标转换到各角度平面上的循环数，基于步骤S2进行识别统计；Nfk为第k个循环所对应的疲劳寿命，由Shang-Wang多轴疲劳寿命预测模型或Von-Mises等效应变联立Manson-Coffin公式进行计算；
S32：取损伤值的最大值Dmax所在平面作为随机多轴载荷下的临界面，随机多轴载荷下的临界面角度记为αR；
随机多轴载荷下的损伤值DR等于损伤值的最大值Dmax。
作为本发明的一种优选方案，所述步骤S4具体为：
S41：拉-扭形式的等幅多轴载荷的一个循环由正弦函数表示：
式中，γa表示剪切应变幅值；εa表示法向应变幅值；ω表示频率，设置为同频的多轴载荷；表示相位差；
S42：生成M组个体；个体染色体由剪切应变幅值γa、法向应变幅值εa和相位差三个参数组成，剪切应变幅值γa、法向应变幅值εa的取值范围是步骤S1中对应各路载荷变化范围最大值的10倍至最小值10倍这个区间，相位差/>在0到90°之间随机产生；
第一代的个体染色体在上述取值范围内随机生成，每个个体对应一个染色体，由基于临界面法的等幅多轴疲劳寿命预测模型及Miner准则计算每个个体对应的等幅多轴载荷的损伤，所述每个个体对应的等幅多轴载荷的损伤包括等幅多轴载荷损伤值DC和等幅多轴载荷的临界面角度αC；
S43：适应度函数评估；适应度函数F如下式所示：
F＝min[|DR-n·DC|]&min[|αR-αC|]
该式表示随机多轴载荷的损伤值DR和n倍的等幅多轴载荷损伤值DC之差取最小值，以及随机多轴载荷的临界面角度αR和等幅多轴载荷的临界面角度αC之差取最小值；
S44：生成初始种群后，采用锦标赛选择算法进行亲代选择过程，计算出亲代所有个体对应的等幅多轴载荷损伤值DC和等幅多轴载荷的临界面角度αC，从亲代中选择适应度高的染色体，丢弃适应度低的染色体，也就是删除对应的组成个体染色体的剪切应变幅值γa、法向应变幅值εa和相位差
S45：交叉和变异；交叉具体为：随机选择一对染色体作为亲代，随机选择一个交叉点，所述交叉点之后的亲代染色体随机交换以形成两个新的后代，所述交叉随机发生的概率记为Pc；变异过程是为了防止问题的最优解陷入局部最优化，在剪切应变幅值γa、法向应变幅值εa和相位差三个参数的取值范围内，将任意一个参数重新随机生成得到一个新的染色体，变异发生的概率记为Pm；
S46：当达到最大迭代次数Gen时，遗传算法停止。
作为本发明的一种优选方案，所述步骤S5具体为：反推得到损伤等效的等幅多轴载荷，循环数为n，最后给各路载荷波形附加步骤S1计算的平均值，得到等幅多轴疲劳试验谱。
与现有技术相比，本发明具有的有益效果是：本发明实现了随机多轴载荷向等幅多轴疲劳试验载荷谱的损伤等效转换，为工程构件在设计阶段的疲劳可靠性试验提供了便捷的加载谱形；基于遗传算法，只要给定足够的迭代次数，便可编制得到考虑工程复杂机械构件载荷特征一致、损伤一致的多参数疲劳试验谱，适用范围更广，弥补了之前所有多参数编谱过程中未考虑载荷特征一致和损伤一致的问题；本发明提出的多轴疲劳试验谱编制方法，通用性强，因此，在现有的技术条件下，利用本发明可以将复杂的随机多轴载荷合理的通过损伤等效转换得到一个等幅的多轴载荷，由此便可用于试验多轴疲劳试验谱上，具有广泛的工程应用价值。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
其中：
图1为本发明的方法流程图；
图2为本发明实施例中的亲代群体染色体构建示意图；
图3为本发明实施例中的染色体交叉过程示意图；
图4为本发明实施例中的染色体变异过程示意图；
图5为本发明实施例中的原始随机多轴载荷谱；
图6为本发明实施例中的均值归0的随机多轴载荷谱；
图7为本发明实施例中的附加平均值后的等幅多轴载荷谱。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
如图1所示，为本发明的一个实施例，该实施例提供了一种基于遗传算法的多轴疲劳试验谱编制方法，以拉扭形式的双轴应变载荷为例，具体包括如下步骤：
S1：随机载荷处理，包括将载荷平均值归0和确定各路载荷的变化范围；
具体包括：计算每路载荷的平均值，然后将每路载荷值减去对应的平均值，得到平均值归0的随机多轴载荷；然后统计各路载荷的变化范围。
S2：随机多轴载荷循环计数统计；具体包括：
S21：对随机多轴载荷进行峰谷值检测并提取；
其中峰谷值检测即对每路载荷时间历程进行峰值点或谷值点判断，若是对应载荷点有一路载荷值是峰谷值则保留，否则去除；峰值点或谷值点判断具体为：
对数据进行三点法判断，即读取三个相邻的数据点F(i-1)、F(i)、F(i+1)，若满足：
[F(i)-F(i-1)][F(i+1)-F(i)]≥0且F(i)-F(i-1)≠0
则F(i)是峰值点或谷值点；
S22：选择一路载荷作为主通道进行雨流计数；
连续读取载荷历程中的四个点，即两个峰值点和两个谷值点，全循环选取依据为：中间两点差的绝对值要小于等于前面两点差的绝对值和后面两点差的绝对值，即满足：
|F(i+2)-F(i+1)|≤|F(i+1)-F(i)|
|F(i+2)-F(i+1)|≤|F(i+3)-F(i+2)|
由此得到各路载荷的载荷全循环峰谷值统计结果；
进而得到载荷全循环均幅值统计信息，计算表达式如下：
Camp＝(Fpeak-Fvalley)/2
Cmean＝(Fpeak+Fvalley)/2
式中，Fpeak、Fvalley分别表示雨流计数循环的峰值和谷值；Camp、Cmean分别表示雨流计数循环的幅值和均值；同时统计各循环对应的载荷下标信息；
S23：基于S22中主通道的雨流计数结果，将另一路载荷作为辅通道进行循环载荷识别；
基于主通道的各循环对应的载荷下标信息，索引得到辅通道载荷下标在载荷下标信息范围内的所有载荷值，同时计算索引到载荷值的载荷范围作为对应的辅通道循环；依次识别主通道各循环对应的辅通道各循环，得到多轴载荷循环结果并统计。
S3：随机多轴载荷损伤计算，包括损伤值大小和临界面角度；
S31：以步长为1°或者更精确的增量从0°变化到180°，计算每个平面上的损伤值D；损伤值D的计算公式如下：
式中，n为多轴载荷通过坐标转换到各角度平面上的循环数，基于步骤S2进行识别统计；Nfk为第k个循环所对应的疲劳寿命，由Shang-Wang多轴疲劳寿命预测模型或Von-Mises等效应变联立Manson-Coffin公式进行计算；
S32：取损伤值的最大值Dmax所在平面作为随机多轴载荷下的临界面，随机多轴载荷下的临界面角度记为αR；
随机多轴载荷下的损伤值DR等于损伤值的最大值Dmax。
S4：基于遗传算法反推等幅多轴载荷的参数；
S41：拉-扭形式的等幅多轴载荷的一个循环由正弦函数表示：
式中，γa表示剪切应变幅值；εa表示法向应变幅值；ω表示频率，设置为同频的多轴载荷；表示相位差；
一个确定的等幅多轴试验谱需要确定4个未知参数，分别是γa剪切应变幅值、εa法向应变幅值、ω频率以及相位差。由于应变控制多轴疲劳试验的频率在0.1-1Hz之间，所以频率对疲劳寿命的影响可以忽略，可以根据试验条件及相关标准，设置为同频的多轴载荷，那么就只剩下3个待定参数；
S42：生成M组个体；个体染色体由待定的三个参数γa、εa和组成，γa与εa的取值范围是步骤S1中对应各路载荷变化范围最大值的10倍至最小值10倍这个区间，/>在0到90°之间随机产生；亲代群体染色体构建示意图如图2所示。
第一代的个体染色体在一定范围内随机生成，每个个体对应一个染色体，由基于临界面法的等幅多轴疲劳寿命预测模型及Miner准则计算每个个体对应的等幅多轴载荷的损伤，每个个体对应的等幅多轴载荷的损伤包括等幅多轴载荷损伤值DC和等幅多轴载荷的临界面角度αC；
S43：适应度函数评估；适应度函数用于评估损伤等效近似程度，并从基因集合中获得损伤最近似的待定参数染色体；适应度函数F如下式所示：
F＝min[DR-n·DC|]&min[αR-αC|]
该式表示随机多轴载荷的损伤值DR和n倍的等幅多轴载荷损伤值DC之差取最小值，以及随机多轴载荷的临界面角度αR和等幅多轴载荷的临界面角度αC之差取最小值；
S44：生成初始种群后，便可进行亲代选择过程；
关于选择的算法有很多，可以使用轮盘赌、排序、比较等算法来实现择优选择，该实施例采用锦标赛选择算法，计算出亲代所有个体对应的等幅多轴载荷损伤值DC和等幅多轴载荷的临界面角度αC，从亲代中选择适应度高的染色体，丢弃适应度低的染色体，也就是删除对应的组成个体染色体的γa、εa和
S45：交叉和变异；随机选择一对染色体作为亲代，随机选择一个交叉点，该交叉点之后的部分亲代染色机交换以形成两个新的后代；交叉并不是每个亲代都要进行的，只是随机发生且随机发生的概率记为Pc；染色体交叉过程示意图如图3所示；
变异过程是为了防止问题的最优解陷入局部最优化，所以会在待定参数的限制范围内，将其中某个参数重新随机生成得到一个新的染色体；变异发生的概率记为Pm；染色体变异过程示意图如图4所示；
S46：当达到最大迭代次数Gen时，遗传算法停止；
因为该算法本就是在一定范围内全局搜索最优解，有时可能并不得得到一个精确的方法，但却是最优的答案，即损伤最接近的方案。
S5：给等幅多轴载荷附加平均值，得到等幅多轴疲劳试验谱；
反推得到损伤等效的等幅多轴载荷，循环数为n，最后给各路载荷波形附加步骤S1计算的平均值，得到等幅多轴疲劳试验谱。
如图5所示，为本发的另一实施例，该实施例以随机拉扭应变载荷谱对本发明进行实例分析。
S1：随机载荷处理，包括将载荷平均值归0和确定各路载荷的变化范围；
计算每路载荷的平均值，然后将每路载荷值减去对应的平均值，得到平均值归0的随机多轴载荷；然后统计各路载荷的变化范围；
图5所示的随机多轴载荷预处理，计算得到两路载荷的平均值分别为： 各载荷值减去平均值得到归0后的随机谱块如图6所示；并且统计两路载荷的变化范围：γmin＝-0.0019、γmax＝0.0024、εmin＝0.000664、εmax＝0.000804。
S2：随机多轴载荷循环计数统计；
对随机多轴载荷进行峰谷值检测并提取；其中峰谷值检测即对每路载荷时间历程进行峰值点或谷值点判断，若是对应载荷点有一路载荷值是峰谷值则保留，否则去除；
峰值点或谷值点判断具体为：
对数据进行三点法判断，即读取三个相邻的数据点F(i-1)、F(i)、F(i+1)，若满足：
[F(i)-F(i-1)][F(i+1)-F(i)]≥0且F(i)-F(i-1)≠0
则F(i)是峰值点或谷值点；
选择剪切应变载荷作为主通道进行雨流计数；
连续读取载荷历程中的四个点，即两个峰值点和两个谷值点，全循环选取依据为：中间两点差的绝对值要小于等于前面两点差的绝对值和后面两点差的绝对值，即满足：
|F(i+2)-F(i+1)|≤|F(i+1)-F(i)|
|F(i+2)-F(i+1)|≤|F(i+3)-F(i+2)|
由此得到各路载荷的载荷全循环峰谷值统计结果；
进而得到载荷全循环均幅值统计信息，计算表达式如下：
Camp＝(Fpeak-Fvalley)/2
Cmean＝(Fpeak+Fvalley)/2
式中，Fpeak、Fvalley分别表示雨流计数循环的峰值和谷值；Camp、Cmean分别表示雨流计数循环的幅值和均值；同时统计各循环对应的载荷下标信息；
基于主通道的雨流计数结果，将法向应变作为辅通道进行循环载荷识别；
基于主通道的各循环对应的载荷下标信息，索引得到辅通道载荷下标在载荷下标信息范围内的所有载荷值，同时计算索引到载荷值的载荷范围作为对应的辅通道循环；依次识别主通道各循环对应的辅通道各循环，得到多轴载荷循环结果并统计；
图6所示的载荷，总循环数n＝24。
S3：随机多轴载荷损伤计算，包括损伤值大小和临界面角度；
以步长为1°或者更精确的增量从0°变化到180°，计算每个平面上的损伤值D；损伤值D的计算公式如下：
式中，n为多轴载荷通过坐标转换到各角度平面上的循环数，基于步骤S2进行识别统计；Nfk为第k个循环所对应的疲劳寿命，由Shang-Wang多轴疲劳寿命预测模型或Von-Mises等效应变联立Manson-Coffin公式进行计算；
S32：取损伤值的最大值Dmax所在平面作为随机多轴载荷下的临界面，随机多轴载荷下的临界面角度记为αR；
随机多轴载荷下的损伤值DR等于损伤值的最大值Dmax；
图6所示的载荷计算得到的αR＝82°，DR＝2.56e-11。
S4：基于遗传算法反推等幅多轴载荷的参数；
一个确定的等幅多轴试验谱需要确定4个未知参数，分别是γa剪切应变幅值、εa法向应变幅值、ω频率以及相位差。由于应变控制多轴疲劳试验的频率在0.1-1Hz之间，所以频率对疲劳寿命的影响可以忽略，可以根据试验条件及相关标准，设置为同频的多轴载荷，那么就只剩下3个待定参数；
生成M组个体；个体染色体由待定的三个参数γa、εa和组成，γa与εa的取值范围是步骤S1中对应各路载荷变化范围最大值的10倍至最小值10倍这个区间，/>在0到90°之间随机产生；亲代群体染色体构建示意图如图2所示；
第一代的个体染色体在一定范围内随机生成，每个个体对应一个染色体，由基于临界面法的等幅多轴疲劳寿命预测模型及Miner准则计算每个个体对应的等幅多轴载荷的损伤，每个个体的损伤包括等幅多轴载荷损伤值DC和等幅多轴载荷的临界面角度αC；
适应度函数评估；适应度函数用于评估损伤等效近似程度，并从基因集合中获得损伤最近似的待定参数染色体；适应度函数F如下式所示：
F＝min[|DR-n·DC|]&min[|αR-αC|]
该式表示随机多轴载荷的损伤值DR和n倍的等幅多轴载荷损伤值DC之差取最小值，以及随机多轴载荷的临界面角度αR和等幅多轴载荷的临界面角度αC之差取最小值；
生成初始种群后，便可进行亲代选择过程；
关于选择的算法有很多，可以使用轮盘赌、排序、比较等算法来实现择优选择，该实施例采用“锦标赛”选择的算法，计算出亲代所有个体对应的邓福多轴载荷损伤值DC和等幅多轴载荷的临界面角度αC，从亲代中选择适应度高的染色体，丢弃适应度低的染色体，也就是删除对应的组成个体染色体的γa、εa和
交叉和变异；随机选择一对染色体作为亲代，随机选择一个交叉点，该交叉点之后的部分亲代染色机交换以形成两个新的后代；交叉并不是每个亲代都要进行的，只是随机发生且随机发生的概率记为Pc；变异过程是为了防止问题的最优解陷入局部最优化，所以会在待定参数的限制范围内，将其中某个参数重新随机生成得到一个新的染色体；变异发生的概率记为Pm；
当达到最大迭代次数Gen时，遗传算法停止；因为该算法本就是在一定范围内全局搜索最优解，有时可能并不得得到一个精确的方法，但却是最优的答案，即损伤最接近的方案；
该实施例设置M＝200，ω可以根据试验条件及相关标准设置，交叉发生的概率Pc＝80％，变异发生的概率Pm＝90％，最大迭代次数Gen＝300；迭代完成得到的反推结果为εa＝0.0017，γa＝0.0038，αC＝85°，损伤值差值ΔD＝|DR-n·DC|＝2.76e-33。
S5：给等幅多轴载荷附加平均值，得到等幅多轴疲劳试验谱；
反推得到损伤等效的等幅多轴载荷，循环数为n＝24，最后给各路载荷波形附加步骤S1计算的平均值；
图5所示的随机多轴载荷基于本发明的方法得到的等幅多轴疲劳试验谱如图7所示。
综上所述，本发明提供的一种基于遗传算法的多轴疲劳试验谱编制方法，实现了随机多轴载荷向等幅多轴疲劳试验载荷谱的损伤等效转换，为工程构件在设计阶段的疲劳可靠性试验提供了便捷的加载谱形；基于遗传算法，只要给定足够的迭代次数，便可编制得到考虑工程复杂机械构件载荷特征一致、损伤一致的多参数疲劳试验谱，适用范围更广，弥补了之前所有多参数编谱过程中未考虑载荷特征一致和损伤一致的问题；本发明提出的多轴疲劳试验谱编制方法，通用性强，因此，在现有的技术条件下，利用本发明可以将复杂的随机多轴载荷合理的通过损伤等效转换得到一个等幅的多轴载荷，由此便可用于试验多轴疲劳试验谱上，具有广泛的工程应用价值。
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限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (6)
1.一种基于遗传算法的多轴疲劳试验谱编制方法，其特征在于，所述方法包括如下步骤：
S1：随机载荷处理，包括将载荷平均值归0和确定各路载荷的变化范围；
S2：随机多轴载荷循环计数统计；
S3：随机多轴载荷损伤计算，包括损伤值大小和临界面角度；
S4：基于遗传算法反推等幅多轴载荷的参数；
S5：给等幅多轴载荷附加平均值，得到等幅多轴疲劳试验谱。
2.根据权利要求1所述的一种基于遗传算法的多轴疲劳试验谱编制方法，其特征在于，所述步骤S1具体包括：计算每路载荷的平均值，然后将每路载荷值减去对应的平均值，得到平均值归0的随机多轴载荷；然后统计各路载荷的变化范围。
3.根据权利要求2所述的一种基于遗传算法的多轴疲劳试验谱编制方法，其特征在于，所述步骤S2具体包括：
S21：对随机多轴载荷进行峰谷值检测并提取；
峰谷值检测即对每路载荷时间历程进行峰值点或谷值点判断，若是对应载荷点有一路载荷值是峰谷值则保留，否则去除；所述峰值点或谷值点判断具体为：
对数据进行三点法判断，即读取三个相邻的数据点F(i-1)、F(i)、F(i+1)，若满足：
[F(i)-F(i-1)][F(i+1)-F(i)]≥0且F(i)-F(i-1)≠0
则F(i)是峰值点或谷值点；
S22：选择一路载荷作为主通道进行雨流计数，具体包括：
连续读取载荷历程中的四个点，即两个峰值点和两个谷值点，全循环选取依据为：中间两点差的绝对值要小于等于前面两点差的绝对值和后面两点差的绝对值，即满足：
|F(i+2)-F(i+1)|≤|F(i+1)-F(i)|
|F(i+2)-F(i+1)|≤|F(i+3)-F(i+2)|
由此得到各路载荷的载荷全循环峰谷值统计结果；
进而得到载荷全循环均幅值统计信息，计算表达式如下：
Camp＝(Fpeak-Fvalley)/2
Cmean＝(Fpeak+Fvalley)/2
式中，Fpeak、Fvalley分别表示雨流计数循环的峰值和谷值；Camp、Cmean分别表示雨流计数循环的幅值和均值；同时统计各循环对应的载荷下标信息；
S23：基于S22中主通道的雨流计数结果，将另一路载荷作为辅通道进行循环载荷识别；
基于主通道的各循环对应的载荷下标信息，索引得到辅通道载荷下标在所述载荷下标信息范围内的所有载荷值，同时计算索引到载荷值的载荷范围作为对应的辅通道循环；依次识别主通道各循环对应的辅通道循环，得到多轴载荷循环结果并统计。
4.根据权利要求3所述的一种基于遗传算法的多轴疲劳试验谱编制方法，其特征在于，所述步骤S3具体包括：
S31：以步长为1°或者增量从0°变化到180°，计算每个平面上的损伤值D；所述损伤值D的计算公式如下：
式中，n为多轴载荷通过坐标转换到各角度平面上的循环数，基于步骤S2进行识别统计；Nfk为第k个循环所对应的疲劳寿命，由Shang-Wang多轴疲劳寿命预测模型或Von-Mises等效应变联立Manson-Coffin公式进行计算；
S32：取损伤值的最大值Dmax所在平面作为随机多轴载荷下的临界面，随机多轴载荷下的临界面角度记为αR；
随机多轴载荷下的损伤值DR等于损伤值的最大值Dmax。
5.根据权利要求4所述的一种基于遗传算法的多轴疲劳试验谱编制方法，其特征在于，所述步骤S4具体为：
S41：拉-扭形式的等幅多轴载荷的一个循环由正弦函数表示：
式中，γa表示剪切应变幅值；εa表示法向应变幅值；ω表示频率，设置为同频的多轴载荷；表示相位差；
S42：生成M组个体；个体染色体由剪切应变幅值γa、法向应变幅值εa和相位差三个参数组成，剪切应变幅值γa、法向应变幅值εa的取值范围是步骤S1中各路载荷变化范围最大值的10倍至最小值10倍这个区间，相位差/>在0到90°之间随机产生；
第一代的个体染色体在上述取值范围内随机生成，每个个体对应一个染色体，由基于临界面法的等幅多轴疲劳寿命预测模型及Miner准则计算每个个体对应的等幅多轴载荷的损伤，所述每个个体对应的等幅多轴载荷的损伤包括等幅多轴载荷损伤值DC和等幅多轴载荷的临界面角度αC；
S43：适应度函数评估；适应度函数F如下式所示：
F＝min[|DR-n·DC|]&min[|αR-αC|]
该式表示随机多轴载荷的损伤值DR和n倍的等幅多轴载荷损伤值DC之差取最小值，以及随机多轴载荷的临界面角度αR和等幅多轴载荷的临界面角度αC之差取最小值；
S44：生成初始种群后，采用锦标赛选择算法进行亲代选择过程，计算出亲代所有个体对应的等幅多轴载荷损伤值DC和等幅多轴载荷的临界面角度αC，从亲代中选择适应度高的染色体，丢弃适应度低的染色体，也就是删除对应的组成个体染色体的剪切应变幅值γa、法向应变幅值εa和相位差
S45：交叉和变异；交叉具体为：随机选择一对染色体作为亲代，随机选择一个交叉点，所述交叉点之后的亲代染色体随机交换以形成两个新的后代，所述交叉随机发生的概率记为Pc；变异过程是为了防止问题的最优解陷入局部最优化，在剪切应变幅值γa、法向应变幅值εa和相位差三个参数的取值范围内，将任意一个参数重新随机生成得到一个新的染色体，变异发生的概率记为Pm；
S46：当达到最大迭代次数Gen时，遗传算法停止。
6.根据权利要求5所述的一种基于遗传算法的多轴疲劳试验谱编制方法，其特征在于，所述步骤S5具体为：反推得到损伤等效的等幅多轴载荷，循环数为n，最后给各路载荷波形附加步骤S1计算的平均值，得到等幅多轴疲劳试验谱。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310180236.7A CN116595654B (zh) | 2023-02-28 | 2023-02-28 | 一种基于遗传算法的多轴疲劳试验谱编制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310180236.7A CN116595654B (zh) | 2023-02-28 | 2023-02-28 | 一种基于遗传算法的多轴疲劳试验谱编制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116595654A true CN116595654A (zh) | 2023-08-15 |
| CN116595654B CN116595654B (zh) | 2024-01-23 |
Family
ID=87605018
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310180236.7A Active CN116595654B (zh) | 2023-02-28 | 2023-02-28 | 一种基于遗传算法的多轴疲劳试验谱编制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116595654B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107862036A (zh) * | 2017-11-03 | 2018-03-30 | 上海海事大学 | 一种基于遗传算法的岸桥载荷状态检测方法 |
| WO2021227925A1 (zh) * | 2020-05-09 | 2021-11-18 | 清华大学 | 基于主载荷模式的缺口件疲劳寿命预测方法及预测装置 |
| CN114036654A (zh) * | 2021-10-11 | 2022-02-11 | 南京航空航天大学 | 一种基于损伤等效的随机多参数疲劳试验谱编制方法 |
| CN114139307A (zh) * | 2021-11-22 | 2022-03-04 | 南京航空航天大学 | 一种基于主成分分析的随机多参数载荷谱编制方法 |
| CN114239229A (zh) * | 2021-11-24 | 2022-03-25 | 华南理工大学 | 一种汽车驱动轴载荷谱采集和编制方法 |
| CN115031983A (zh) * | 2022-04-14 | 2022-09-09 | 上海理工大学 | 一种前桥耐久性快速试验载荷谱编制方法 |
| CN115329544A (zh) * | 2022-07-21 | 2022-11-11 | 北京联合大学 | 一种多轴变幅载荷下的疲劳寿命预测方法 |
-
2023
- 2023-02-28 CN CN202310180236.7A patent/CN116595654B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107862036A (zh) * | 2017-11-03 | 2018-03-30 | 上海海事大学 | 一种基于遗传算法的岸桥载荷状态检测方法 |
| WO2021227925A1 (zh) * | 2020-05-09 | 2021-11-18 | 清华大学 | 基于主载荷模式的缺口件疲劳寿命预测方法及预测装置 |
| CN114036654A (zh) * | 2021-10-11 | 2022-02-11 | 南京航空航天大学 | 一种基于损伤等效的随机多参数疲劳试验谱编制方法 |
| CN114139307A (zh) * | 2021-11-22 | 2022-03-04 | 南京航空航天大学 | 一种基于主成分分析的随机多参数载荷谱编制方法 |
| CN114239229A (zh) * | 2021-11-24 | 2022-03-25 | 华南理工大学 | 一种汽车驱动轴载荷谱采集和编制方法 |
| CN115031983A (zh) * | 2022-04-14 | 2022-09-09 | 上海理工大学 | 一种前桥耐久性快速试验载荷谱编制方法 |
| CN115329544A (zh) * | 2022-07-21 | 2022-11-11 | 北京联合大学 | 一种多轴变幅载荷下的疲劳寿命预测方法 |
Non-Patent Citations (4)
| Title |
|---|
| YONGZHEN WANG: "Inverse design of shell-based mechanical metamaterial with customized loading curves based on machine learning and genetic algorithm", COMPUTER METHODS IN APPLIED MECHANICS AND ENGINEERING, vol. 401 * |
| 平学成: "基于能量密度法预测微动疲劳寿命", 中国机械工程, vol. 27, no. 1, pages 85 * |
| 袭著有: "基于遗传算法的动态载荷识别优化方法", 基于遗传算法的动态载荷识别优化方法, vol. 37, no. 4, pages 594 - 595 * |
| 赵勇铭: "基于损伤等效的多轴疲劳试验谱编制研究", 机航空动力学报, vol. 24, no. 9, pages 2026 - 2032 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116595654B (zh) | 2024-01-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Möller et al. | Fuzzy structural analysis using α-level optimization | |
| CN113361197B (zh) | 一种锂电池剩余使用寿命预测方法及系统 | |
| Gong et al. | Evolutionary generation of test data for many paths coverage based on grouping | |
| CN112858917B (zh) | 基于遗传算法优化神经网络的电池系统多故障诊断方法 | |
| CN110795780B (zh) | 一种基于XGBoost算法的斜拉桥有限元修正方法 | |
| CN109241601B (zh) | 一种基于改进型拉开档次法的数控机床综合性能评价方法 | |
| CN109670714B (zh) | 基于隶属度分析的船舶燃气轮机综合状态评估方法 | |
| CN111159827B (zh) | 一种高铁轴承概率疲劳可靠性评估方法 | |
| CN114036654A (zh) | 一种基于损伤等效的随机多参数疲劳试验谱编制方法 | |
| CN116595654B (zh) | 一种基于遗传算法的多轴疲劳试验谱编制方法 | |
| Parnianifard et al. | A new approach for low-dimensional constrained engineering design optimization using design and analysis of simulation experiments | |
| CN109214075B (zh) | 杆件长度误差允许值确定方法及索杆预张力结构验证方法 | |
| CN114048819A (zh) | 基于注意力机制和卷积神经网络的配电网拓扑辨识方法 | |
| CN110210072B (zh) | 基于近似模型及差分进化算法求解高维优化问题的方法 | |
| Zhang et al. | Generating optimal class integration test orders using genetic algorithms | |
| Shokr et al. | A common weight data envelopment analysis approach for material selection | |
| Orkisz et al. | On improved evolutionary algorithms application to the physically based approximation of experimental data | |
| CN110287619A (zh) | 一种多轴随机载荷疲劳寿命预测方法 | |
| CN114665986B (zh) | 一种蓝牙钥匙的测试系统及方法 | |
| Dineva et al. | Insulation state assessment of rotating electrical machines by employing generalized additive models | |
| Rajkumari et al. | Automatic test data generation using genetic algorithm and program dependence graph | |
| CN114997065B (zh) | 基于改进随机配置网络的同步发电机励磁电流预测方法 | |
| CN112214888B (zh) | 一种基于索力监测的支承索健康监测方法 | |
| CN117786821B (zh) | 一种基于静态响应损失参数识别的传感器优化布置方法 | |
| Lu et al. | An adaptive Kriging reliability analysis method based on novel condition likelihood function |
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 |