一种基于机器学习的疲劳性能预测方法技术

本发明专利技术公开了一种基于机器学习的疲劳性能预测方法，首先收集材料数据形成初始样本数据，采用Sobol全局灵敏度分析方法评估各特征变量对输出变量方差的贡献度，并对特征变量的重要性进行排序，进而筛选出关键特征变量，形成训练样本数据；将训练样本数据划分为训练集、验证集和测试集用于训练模型；基于训练集与验证集数据进行模型训练学习，获取对应模型参数，输出基于现有训练集/验证集学习训练的模型，采用决定系数R

【技术实现步骤摘要】
一种基于机器学习的疲劳性能预测方法
本专利技术属于疲劳性能评估
，尤其涉及一种基于机器学习的疲劳性能预测方法。
技术介绍
在汽车、航空航天等工业领域中，疲劳失效是关键结构零件失效的主要模式。中国《机械工程手册》“结构疲劳强度设计”章节中指出：机械零构件80％以上为疲劳破坏。材料疲劳性能数据是产品研发的重要设计信息，然而材料耐久性试验的成本高、周期长(单条疲劳曲线测试周期为1个月以上，测试成本在10万人民币以上(不含材料费和加工费))。自1870年以来，金属材料疲劳强度与拉伸性能之间的联系被广泛探索，主要目的是利用测试成本较低的拉伸测试快速预测材料的疲劳强度，但是这种技术路线存在明显的缺陷。首先，拉伸变形的变形均匀性明显高于疲劳变形，事实上，大部分的疲劳变形源于局部缺陷或者应力集中，对于应力幅较小的疲劳变形尤为显著；其次，疲劳变形和拉伸变形的变形机理存在复杂关联，仅在特定情况下二者性能存在关联，一般需要用除拉伸性能外更多的参数来预测疲劳性能；第三，成分和工艺参数的改变对于拉伸性能和疲劳性能的影响以及影响程度不一定相同或相近。随着计算机技术与数据分析技术的迅猛发展以及材料试验和仿真数据规模的高速增长，“材料信息学(MaterialsInformatics)”概念备受关注。其中，先进的现代数据分析统计和建模方法逐渐走入传统的材料研发领域，在降低开发成本、缩短开发周期等方面开始初显价值。探索一种基于材料基础信息(成分、工艺、硬度、组织等信息)并完全依托数据驱动的方法准确和快速地预估材料疲劳寿命，对于新材料研发、材料试验加速和工业产品的正向优化设计意义重大。公开号为CN109855959A的专利公开了一种金属材料疲劳强度的预测方法，其实施步骤如下：1.选择同系列材料进行拉伸性能测试；2.疲劳性能测试；3.参数拟合：利用测得的拉伸与疲劳数据，求得材料的σy/σb与σw/σy值(注：σy是屈服强度，σb是抗拉强度，σw是疲劳强度)，然后以σy/σb值为横坐标、以σw/σy值为纵坐标绘制σw/σy—σy/σb关系图，并通过线性拟合求得参数ω与C(分别为斜率和截距)；4.通过待预测材料的拉伸性能确定材料的σy/σb值，通过所拟合的直线可进一步确定材料的σw/σy值，从而求得相应材料的疲劳强度σw预测值。该方法通过建立疲劳强度与屈服强度和拉伸强度之间的对应关系模型实现利用拉伸测试和少量疲劳测试预测同系列金属材料疲劳强度目的。然而，该技术仅仅建立了疲劳强度与拉伸性能的对应关系，且其关系模型采用最为简单的线性拟合，受制造工艺、宏观偏析、成分调整等因素影响，该方法往往不能得到令人满意的预测结果、模型的泛化能力也较差。
技术实现思路
为了解决现有技术中存在的不足，本专利技术提出了一种基于机器学习的疲劳性能预测方法，利用更加全面的材料信息建立其与疲劳性能的非线性对应关系并应用于更高精度和泛化环境的疲劳性能预测中。本专利技术所采用的技术方案如下：一种基于机器学习的疲劳性能预测方法，包括如下步骤，收集材料数据，材料数据包括材料成分、显微组织参数、热处理工艺参数、加工工艺参数、材料力学性能和材料物理性能的相关数据形成初始样本数据，表示为S＝{(x1，y1)；(x2，y2)；…(xn，yn)}，xi为第i组样本的特征变量，i＝1，2，...，n；yi为为第i组试样在106循环寿命下的疲劳强度，且xi作为机器学习的输入向量，yi作为机器学习的输出向量；并对样本数据进行归一化处理；采用Sobol全局灵敏度分析方法评估各特征变量对输出变量方差的贡献度，通过方差分析得出各个特征变量的变化对标签变量方差的贡献量；对特征变量的重要性进行排序，进一步筛选出关键特征变量，形成训练样本数据；将训练样本数据划分为训练集、验证集和测试集用于训练模型；基于训练集与验证集数据进行模型训练学习，获取对应模型参数，输出基于现有训练集/验证集学习训练的模型，采用决定系数R2来定量评估模型预测表现，完成模型的建立，利用训练好的模型进行疲劳性能预测。进一步，所述初始样本数据中的特征变量xi的维度v为13，分别为C、Si、Mn、P、S、Cr、Ni和Cu这8种元素的重量百分含量、屈服强度、抗拉强度、延伸率、断面收缩率和布氏硬度。进一步，采用极差变换法对样本数据中的特征值进行归一化处理，表示为：其中，xi，j为第i组样本中第j个特征归一化后的值，和分别为所有样本数据中第j个特征的最小值和最大值。进一步，采用主成分分析法对归一化后的样本数据进行核主成分分析，将初始样本数据中的特征变量矩阵从低维空间映射到高维线性空间实现非线性数的线性化，压缩并去除数据中部分冗余的噪声信息。进一步，通过RBF核函数将现有的特征变量矩阵从低维空间映射到高维线性空间实现非线性数的线性化：RBF核函数：其中，核参数σ是提前预定义的实数,xi和xj为归一化后的第i组和第j组的样本数据。进一步，通过Sobol采样在给定的特征变量分析空间生成大量的样本，分析出与106循环寿命下的疲劳强度密切相关的特征变量，根据计算机的计算能力确定样本量，推荐值为10v，v为特征变量的总数。进一步，所述模型选用BP神经网络模型，两层前馈网络包含S型隐藏神经元和线性输出神经元，适用于解决多维映射问题；设置隐藏神经元数量为10，对训练集与验证集数据进行训练学习，获取对应模型参数，输出基于现有训练集/验证集学习训练的NNF模型。进一步，所述模型选用线性回归、精细树、二次支持向量机回归或有理二次高斯过程回归。本专利技术的有益效果：1.本专利技术的疲劳性能预测方法与传统疲劳性能预测方法相比，本专利技术所采用的方法主要依赖于材料数据库中的已有数据，结合少量疲劳测试即可获得准确性较高的疲劳性能预测结果。本专利技术的这个特点不仅在工程应用上节约大量测试成本，而且可以充分发挥已有数据库的作用，帮助工程技术人员理解和掌握不同材料数据间的联系与规律。2.与单一依靠机器学习的疲劳性能预测方法相比，本专利技术所采用的多保真度优化方法具有更高的可信度和性价比。尽管机器学习可以在材料的不同信息间建立非线性对应关系，但是这些信息间的关联性较低时，常常会造成过拟合等问题，导致模型的泛化能力较差，实际预测效果不佳。本专利技术的多保真度优化方法对这个问题进行了弥补和优化，将数据库数据训练获得的机器学习模型限定为低保真度模型，而通过少量真实测试的疲劳性能作为高保真度数据并用于低保真度模型的校准，很好地平衡了机器学习过拟合和疲劳测试成本高的矛盾。3.本专利技术可用于优化材料制备工艺。本专利技术当前以疲劳性能作为标签，事实上可以以任何性能或者组织参数作为标签。由于材料的制备工艺参数可以作为模型输入，反之可以通过优化标签结果来优化制备工艺参数，进而实现提高材料制备水平的工业应用目标。附图说明图1是基于机器学习的疲劳性能预测流程图。图2KPCA主成分分析结果图。图3特征变量重要性排序图。图4训练集和测试集的取样分布图。图5本文档来自技高网...

【技术保护点】
1.一种基于机器学习的疲劳性能预测方法，其特征在于，收集材料数据，所述材料数据包括材料成分、显微组织参数、热处理工艺参数、加工工艺参数、材料力学性能和材料物理性能的相关数据形成初始样本数据，表示为S＝{(x

【技术特征摘要】
1.一种基于机器学习的疲劳性能预测方法，其特征在于，收集材料数据，所述材料数据包括材料成分、显微组织参数、热处理工艺参数、加工工艺参数、材料力学性能和材料物理性能的相关数据形成初始样本数据，表示为S＝{(x1，y1)；(x2，y2)；…(xn，yn)}，xi为第i组样本的特征变量，i＝1，2，...，n；yi为为第i组试样在106循环寿命下的疲劳强度，且xi作为机器学习的输入向量，yi作为机器学习的输出向量；并对样本数据进行归一化处理；
采用Sobol全局灵敏度分析方法评估各特征变量对输出变量方差的贡献度，通过方差分析得出各个特征变量的变化对标签变量方差的贡献量；对特征变量的重要性进行排序，进而筛选出关键特征变量，形成训练样本数据；
将训练样本数据划分为训练集、验证集和测试集用于训练模型；基于训练集与验证集数据进行模型训练学习，获取对应模型参数，输出基于现有训练集/验证集学习训练的模型，采用决定系数R2来定量评估模型预测表现，完成模型的建立，利用训练好的模型进行疲劳性能预测。


2.根据权利要求1所述的一种基于机器学习的疲劳性能预测方法，其特征在于，所述初始样本数据中的特征变量xi的维度v为13，分别为C、Si、Mn、P、S、Cr、Ni和Cu这8种元素的重量百分含量、屈服强度、抗拉强度、延伸率、断面收缩率和布氏硬度。


3.根据权利要求1所述的一种基于机器学习的疲劳性能预测方法，其特征在于，采用极差变换法对样本数据中的特征值进行归一化处理，表示为：



其中，xi,j为第i组样本中第j个特征归一化后的值...

【专利技术属性】
技术研发人员：黄理，赵海龙，刘如学，方宇东，吴赛楠，刘钊，李钼石，李大永，韩维建，
申请(专利权)人：集萃新材料研发有限公司，长三角先进材料研究院，
类型：发明
国别省市：江苏;32