一种基于疲劳特征域的焊接接头疲劳寿命智能预测方法技术

本发明专利技术提供一种基于疲劳特征域的焊接接头疲劳寿命智能预测方法，包括如下步骤：收集焊接接头疲劳试验样本数据，建立焊接接头疲劳试样数据库；对数据进行预处理，剔除不完整有缺失的数据；建立焊接接头疲劳决策系统；采用邻域粗糙集属性约简的前向贪心算法对疲劳决策系统进行约简，获得焊接接头疲劳寿命影响关键因素集；划定疲劳特征域；依据得到的等效结构应力范围‑寿命表征的试验结果数据，在划定的疲劳特征域内建立SVM模型；依据建立的SVM模型进行焊接接头疲劳寿命预测。本发明专利技术可以综合考虑焊接接头疲劳寿命各关键影响因素的影响，进一步降低疲劳试样分散度水平，提高焊接接头疲劳寿命预测精度。

【技术实现步骤摘要】
一种基于疲劳特征域的焊接接头疲劳寿命智能预测方法
本专利技术涉及一种焊接疲劳分析方法，尤其涉及一种基于疲劳特征域的焊接接头疲劳寿命智能预测方法。
技术介绍
焊接是一种重要的先进制造技术，在工业生产和国民经济建设中起着非常重要的作用。焊接结构具有强度高、密封性好、结构设计灵活性高、工艺简洁、易修复等技术优势，已广泛应用于许多工业部门的金属结构制造中。焊接工艺特点及接头的几何不连续性等致使其疲劳强度远低于母材的疲劳强度，已有的研究结果表明：由疲劳破坏所引起的焊接结构失效是产品使用期内失效的最主要方式。因此，焊接结构的疲劳设计及寿命预测的可靠性直接决定了其使用的安全性，特别对于高速轨道交通装备，随着车辆运行速度的不断提升，在轮轨振动激励、气动冲击等载荷的共同作用下，车辆焊接结构承受的载荷状况较常规铁道车辆变得更为复杂，这对焊接结构疲劳寿命分析的可靠性提出了更高的要求。现有技术中，焊接结构疲劳分析及预测方法主要有名义应力法、热点应力法、断裂力学法和主S-N曲线法。如中国专利(授权公告号为CN103077320B)“一种基于粗糙集理论的焊接疲劳分析方法”中采用的是基于经典粗糙集进行焊接接头疲劳寿命影响因素分析，由于经典粗糙集是基于等价关系基础之上的，不能直接处理取值连续的属性，需要首先对各影响因素进行离散化，离散化的过程难免会造成信息丢失。而本专利技术的方法是基于邻域粗糙集进行焊接接头疲劳寿命影响因素的分析，不需要进行离散化处理，可以直接处理取值连续的属性，避免了离散化带来的信息的丢失。而且，在本专利技术中首次提出了“疲劳特征域”的概念和划定方法。在划定疲劳特征域内建立焊接接头疲劳寿命预测的支持向量机(SupportVectorMachine，SVM)模型，实现对焊接接头疲劳寿命预测。
技术实现思路
根据上述提出的技术问题，而提供一种基于疲劳特征域的焊接接头疲劳寿命智能预测方法。本专利技术主要以邻域粗糙集知识粒度理论属性约简得到的焊接接头疲劳寿命关键影响因素集为依据划定疲劳特征域，在各疲劳特征域内建立焊接接头疲劳寿命预测的支持向量机(SupportVectorMachine,SVM)模型，从而综合考虑焊接接头疲劳寿命各关键影响因素的影响，进一步降低疲劳试样分散度水平，提高焊接接头疲劳寿命预测精度。本专利技术采用的技术手段如下：一种基于疲劳特征域的焊接接头疲劳寿命智能预测方法，其特征在于，包括如下步骤：S1、收集焊接接头疲劳试验样本数据，建立焊接接头疲劳试样数据库；S2、对数据进行预处理，人工剔除其中信息不完整、有缺失的数据；S3、依据预处理之后的数据建立焊接接头疲劳决策系统；S4、采用邻域粗糙集属性约简的前向贪心算法对疲劳决策系统进行约简，获得焊接接头疲劳寿命影响关键因素集；S5、以获得的关键影响因素集为依据，划定疲劳特征域；S6、依据得到的等效结构应力范围-寿命表征的试验结果数据，在划定的疲劳特征域内建立SVM模型；S7、依据建立的SVM模型进行焊接接头疲劳寿命预测。进一步地，所述步骤S3中，所述疲劳决策系统定义为五元组：(U,C,D,V,f)，其中，U是有限非空对象集合{x1,x2,x3,…,xn}，称为论域；C是非空属性集合{a1,a2,…,am}，称为条件属性；D是非空属性集合{d}，称为决策属性；Va表示属性a的值域；f:U×(C∪D)→V是信息函数，指定U中每一个对象x的属性值，即对x∈U，a∈(C∪D)，f(x,a)∈Va。进一步地，步骤S4中的前向贪心算法包括如下步骤：S41、输入焊接接头疲劳寿命决策系统<U,C,D,V,f>和属性重要度阈值ε，ε为取值大于0的小正数；S42、对于条件属性集合，即焊接接头疲劳寿命影响因素集中每一个条件属性ai，计算属性ai的邻域半径δ(ai)＝STD(ai)/λ，其中，STD(ai)代表属性ai的平均值，λ是邻域半径计算参数，其取值范围通常为：2～4；S43、置属性约简结果集合Red初始值为空；S44、对于条件属性集合中每个条件属性ai∈C-Red，计算其属性重要度SIG(ai,Red,D)＝γRedUai(D)-γRed(D)，其中，是属性依赖度；称为下近似集；S45、选择所有条件属性集合中属性重要度值最大的属性ak；S46、判断属性ak的重要度值是否大于给定的阈值ε，是则转到步骤S44，否则继续步骤S47；S47、返回属性约简结果集Red，获得结果并结束。进一步地，涉及焊接接头疲劳寿命的主要影响因素包括a1(材料类型)、a2(焊接方法)、a3(板厚)、a4(应力比)、a5(载荷类型)、a6(接头类型)和a7(等效结构应力范围)。进一步地，约简后得到的焊接接头疲劳寿命影响关键因素集为{a1(材料类型)，a4(应力比)，a7(等效结构应力范围)}。进一步地，依据焊接接头疲劳寿命影响关键因素集进行疲劳特征域的划定，得到六个疲劳特征域：S1～S6：疲劳特征域一，S1：{X∈U∣XC1＝5083H11andXC4＝0.1}；疲劳特征域二，S2：{X∈U∣XC1＝5083H11andXC4＝0.5}；疲劳特征域三，S3：{X∈U∣XC1＝AlMg4MnCrandXC4＝0.1}；疲劳特征域四，S4：{X∈U∣XC1＝AlMgSi1andXC4＝0}；疲劳特征域五，S5：{X∈U∣XC1＝NP5/6andXC4＝0}；疲劳特征域六，S6：{X∈U∣XC1＝HP30andXC4＝0}；其中，X∈U代表疲劳试验样本点；XC1＝5083H11andXC4＝0.1表示材料类型是5083H11且应力比的取值是0.1的所有疲劳试验样本点，其他参数含义定义规则相同。进一步地，在步骤S6中，建立焊接接头疲劳寿命预测的SVM模型包括如下步骤：S61、设置SVM模型参数的搜索范围和PSO的种群规模、学习因子、惯性权重、最大迭代次数和最大速度；S62、初始化粒子群，随机产生每个粒子的初始位置，并随机初始化每个粒子的初始速度；S63、设定适应度函数为疲劳试验数据分布的标准方差，计算每个粒子的适应度值，初始化粒子的个体和全局最优位置；S64、更新所有粒子的速度和位置，并更新粒子的个体最优和全局最优位置；S65、判断是否满足给定的最大迭代次数，如果满足，则停止寻优，并返回当前最优的SVM模型参数；否则转到步骤S64；S66、将SVM拟合所得结果与试验中获得真实寿命值及最小二乘拟合的结果进行对比分析，验证基于支持向量机的焊接接头疲劳寿命预测模型的有效性。本专利技术使用邻域粗糙集前向贪心属性约简算法对焊接接头疲劳寿命影响因素进行属性约简，获取焊接接头疲劳寿命关键影响因素集。邻域粗糙集属性约简的结果是从焊接接头疲劳试验样本数据中获得的，能够反应在相同试验条件下影响焊接接头疲劳寿命的关键因素。在关键因素属性上取值相同的焊接接头疲劳试验样本点分布在相对独立的区域，称为疲劳特征域。由焊接接头疲劳寿命影响因素分析的过程中可以发现(参考文献：基于邻域粗糙集的铝合金焊接接头疲劳寿命影响因素分析，吉林大学学报，2017(6):1848-1853)，权重的计算，是各个关键影响因素对疲劳寿命影响程度的一个定量刻画。如果邻域粗糙集属性约简的结果中包含的疲劳寿命关键影响因素较多，可以通过增加关键影响因素重要度阈值本文档来自技高网...

【技术保护点】
一种基于疲劳特征域的焊接接头疲劳寿命智能预测方法，其特征在于，包括如下步骤：S1、收集焊接接头疲劳试验样本数据，建立焊接接头疲劳试样数据库；S2、对数据进行预处理，人工剔除其中信息不完整、有缺失的数据；S3、依据预处理之后的数据建立焊接接头疲劳决策系统；S4、采用邻域粗糙集属性约简的前向贪心算法对疲劳决策系统进行约简，获得焊接接头疲劳寿命影响关键因素集；S5、以获得的关键影响因素集为依据，划定疲劳特征域；S6、依据得到的等效结构应力范围‑寿命表征的试验结果数据，在划定的疲劳特征域内建立SVM模型；S7、依据建立的SVM模型进行焊接接头疲劳寿命预测。

【技术特征摘要】
1.一种基于疲劳特征域的焊接接头疲劳寿命智能预测方法，其特征在于，包括如下步骤：S1、收集焊接接头疲劳试验样本数据，建立焊接接头疲劳试样数据库；S2、对数据进行预处理，人工剔除其中信息不完整、有缺失的数据；S3、依据预处理之后的数据建立焊接接头疲劳决策系统；S4、采用邻域粗糙集属性约简的前向贪心算法对疲劳决策系统进行约简，获得焊接接头疲劳寿命影响关键因素集；S5、以获得的关键影响因素集为依据，划定疲劳特征域；S6、依据得到的等效结构应力范围-寿命表征的试验结果数据，在划定的疲劳特征域内建立SVM模型；S7、依据建立的SVM模型进行焊接接头疲劳寿命预测。2.根据权利要求1所述的基于疲劳特征域的焊接接头疲劳寿命智能预测方法，其特征在于，所述步骤S3中，所述疲劳决策系统定义为五元组：(U,C,D,V,f)，其中，U是有限非空对象集合{x1,x2,x3,…,xn}，称为论域；C是非空属性集合{a1,a2,…,am}，称为条件属性；D是非空属性集合{d}，称为决策属性；Va表示属性a的值域；f:U×(C∪D)→V是信息函数，指定U中每一个对象x的属性值，即对x∈U，a∈(C∪D)，f(x,a)∈Va。3.根据权利要求2所述的基于疲劳特征域的焊接接头疲劳寿命智能预测方法，其特征在于，步骤S4中的前向贪心算法包括如下步骤：S41、输入焊接接头疲劳寿命决策系统<U,C,D,V,f>和属性重要度阈值ε，ε为取值大于0的小正数；S42、对于条件属性集合，即焊接接头疲劳寿命影响因素集中每一个条件属性ai，计算属性ai的邻域半径δ(ai)＝STD(ai)/λ，其中，STD(ai)代表属性ai的平均值，λ是邻域半径计算参数，其取值范围通常为：2～4；S43、置属性约简结果集合Red初始值为空；S44、对于条件属性集合中每个条件属性ai∈C-Red，计算其属性重要度SIG(ai,Red,D)＝γRedUai(D)-γRed(D)，其中，是属性依赖度；称为下近似集；S45、选择所有条件属性集合中属性重要度值最大的属性ak；S46、判断属性ak的重要度值是否大于给定的阈值ε，是则转到步骤S44，否则继续步骤S47；S47、返回属性约简结果集Red，获得结果并结束。4.根据权利要求3所述的基于疲劳特征域的焊...

【专利技术属性】
技术研发人员：邹丽，杨鑫华，
申请(专利权)人：大连交通大学，
类型：发明
国别省市：辽宁,21