本说明书实施例公开了一种多尺度焊接疲劳寿命预测方法、装置及设备。方案包括：结合不同算法的特点实现焊接接头疲劳寿命的准确预测。其中，利用粗糙集算法对材料、板厚、接头类型、焊接方法、应力比、应力范围以及服役环境等疲劳寿命的多个影响因素进行分析，并得到其权重系数；基于BP神经网络算法，通过训练进行疲劳寿命预测；利用粒子群优化算法，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，得到多尺度疲劳寿命预测模型。基于人工智能技术的多尺度焊接疲劳寿命预测方法可以改善疲劳性能研究所需要的大量人力物力，在保证疲劳寿命预测精度的同时提供新的思路。路。路。
【技术实现步骤摘要】
一种多尺度焊接疲劳寿命预测方法、装置及设备
[0001]本申请涉及焊接结构的疲劳寿命预测
，尤其涉及一种多尺度焊接疲劳寿命预测方法、装置及设备。
技术介绍
[0002]随着世界经济与工业制造技术的快速发展，当前社会对关键零部件与大型工程结构的使用安全性能提出了更高要求。目前影响安全性能的因素主要为疲劳失效现象，而疲劳性能的研究通常需要耗费大量的人力物力。同时，焊接件的疲劳性能受到材料、板厚、接头类型、焊接方法、应力比、应力范围以及服役环境等多个因素的综合影响，从而在焊接件的疲劳失效试验中难以综合考虑并分析不同影响因素的综合作用。
技术实现思路
[0003]有鉴于此，本申请实施例提供了一种多尺度焊接疲劳寿命预测方法、装置及设备，用于提高疲劳寿命的预测精度，同时避免神经网络的局部最优问题并降低计算成本。
[0004]为解决上述技术问题，本说明书实施例是这样实现的：
[0005]本说明书实施例提供的一种多尺度焊接疲劳寿命预测方法，包括：
[0006]基于文献与疲劳性能数据，建立多尺度疲劳性能数据库，所述多尺度疲劳性能数据库包括不同疲劳寿命影响因素下的S
‑
N曲线数据；
[0007]对所述多尺度疲劳性能数据库中的数据进行预处理，去除噪声点；
[0008]基于影响疲劳寿命的不同因素，对经过预处理后的所述多尺度疲劳性能数据库中的S
‑
N曲线数据进行选取，建立疲劳性能分析决策系统；
[0009]利用粗糙集算法，根据所述疲劳性能分析决策系统确定不同疲劳寿命影响因素的权重系数；
[0010]根据所述疲劳寿命影响因素的权重系数，确定疲劳寿命的预测规则；
[0011]基于所述疲劳寿命的预测规则和BP神经网络算法构建多尺度疲劳寿命预测模型；
[0012]根据所述多尺度疲劳寿命预测模型对待测焊接件进行寿命预测。
[0013]可选的，所述疲劳寿命影响因素包括：材料、板厚、接头类型、焊接方法、应力比、应力范围以及服役环境。
[0014]可选的，利用粗糙集算法，根据所述疲劳性能分析决策系统确定不同疲劳寿命影响因素的权重系数，具体包括：
[0015]基于粗糙集算法，对所述疲劳性能分析决策系统的参数值进行离散化，实现疲劳寿命影响因素的约减；
[0016]基于粗糙集算法，通过疲劳寿命影响因素的约减得到不同疲劳寿命影响因素的权重系数。
[0017]可选的，基于所述疲劳寿命的预测规则和BP神经网络算法构建多尺度疲劳寿命预测模型，具体包括：
[0018]对神经网络模型进行初始化，并对训练精度与最大迭代次数进行设置；
[0019]初始化粒子群优化算法的参数，并对最大迭代次数及惯性因子进行设置，将神经网络的权重与阈值作为粒子群优化算法位置向量；
[0020]基于适应度函数获得不同粒子的适应度值；
[0021]基于所述适应度值确定粒子与种群的最优位置；
[0022]基于所述最优位置对粒子群优化算法中的粒子位置与速度、惯性因子及学习因子进行更新；
[0023]对训练精度或最大迭代次数进行判定，若满足条件，将算法停止时刻得到的最优位置作为神经网络的最优参数实现网络模型的优化；
[0024]基于所述最优参数与所述疲劳寿命的预测规则，对训练数据进行训练，满足训练精度时即得到多尺度疲劳寿命预测模型；
[0025]可选的，所述方法还包括：
[0026]对所述S
‑
N曲线数据进行预处理，并通过输入到多尺度疲劳寿命预测模型，对其精确度进行验证；
[0027]输入需要预测的试验参数，实现多尺度焊接疲劳寿命的智能预测。
[0028]可选的，利用粒子群优化算法的全局寻优功能增强神经网络的收敛性并避免其陷入局部最优。
[0029]可选的，所述适应度函数采用以下公式：
[0030][0031]其中，M表示粒子群的粒子数目，N表示目标空间维数，Y
i,j
表示实际输出，O
i,j
表示期望输出。
[0032]可选的，所述对神经网络模型进行初始化，具体包括：
[0033]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，材料、板厚、接头类型、焊接方法、应力比以及服役环境为输入层参数，m、C为输出层参数，其中，C＝e
mS
N，S为应力幅，N为疲劳寿命。
[0034]本说明书实施例提供的一种多尺度焊接疲劳寿命预测装置，包括：
[0035]多尺度疲劳性能数据库建立模块，用于基于文献与疲劳性能数据，建立多尺度疲劳性能数据库，所述多尺度疲劳性能数据库包括不同疲劳寿命影响因素下的S
‑
N曲线数据；
[0036]预处理模块，用于对所述多尺度疲劳性能数据库中的数据进行预处理，去除噪声点；
[0037]疲劳性能分析决策系统模块，用于基于影响疲劳寿命的不同因素，对经过预处理后的所述多尺度疲劳性能数据库中的S
‑
N曲线数据进行选取，建立疲劳性能分析决策系统；
[0038]权重系数确定模块，用于利用粗糙集算法，根据所述疲劳性能分析决策系统确定不同疲劳寿命影响因素的权重系数；
[0039]预测规则确定模块，用于根据所述疲劳寿命影响因素的权重系数，确定疲劳寿命的预测规则；
[0040]多尺度疲劳寿命预测模型构建模块，用于基于所述疲劳寿命的预测规则和BP神经网络算法构建多尺度疲劳寿命预测模型；
[0041]寿命预测模块，用于根据所述多尺度疲劳寿命预测模型对待测焊接件进行寿命预测。
[0042]本说明书实施例提供的一种多尺度焊接疲劳寿命预测设备，包括：
[0043]至少一个处理器；以及，
[0044]与所述至少一个处理器通信连接的存储器；其中，
[0045]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：
[0046]基于文献与疲劳性能数据，建立多尺度疲劳性能数据库，所述多尺度疲劳性能数据库包括不同疲劳寿命影响因素下的S
‑
N曲线数据；
[0047]对所述多尺度疲劳性能数据库中的数据进行预处理，去除噪声点；
[0048]基于影响疲劳寿命的不同因素，对经过预处理后的所述多尺度疲劳性能数据库中的S
‑
N曲线数据进行选取，建立疲劳性能分析决策系统；
[0049]利用粗糙集算法，根据所述疲劳性能分析决策系统确定不同疲劳寿命影响因素的权重系数；
[0050]根据所述疲劳寿命影响因素的权重系数，确定疲劳寿命的预测规则；
[0051]基于所述疲劳寿命的预测规则和BP神经网络算法构建多尺度疲劳寿命预测模型；
[0052]根据所述多尺度疲劳寿命预测模型对待测焊接件进行寿命预测。
[0053]本说明书实施例采用的上述至少一个技本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种多尺度焊接疲劳寿命预测方法，其特征在于，包括：基于文献与疲劳性能数据，建立多尺度疲劳性能数据库，所述多尺度疲劳性能数据库包括不同疲劳寿命影响因素下的S
‑
N曲线数据；对所述多尺度疲劳性能数据库中的数据进行预处理，去除噪声点；基于影响疲劳寿命的不同因素，对经过预处理后的所述多尺度疲劳性能数据库中的S
‑
N曲线数据进行选取，建立疲劳性能分析决策系统；利用粗糙集算法，根据所述疲劳性能分析决策系统确定不同疲劳寿命影响因素的权重系数；根据所述疲劳寿命影响因素的权重系数，确定疲劳寿命的预测规则；基于所述疲劳寿命的预测规则和BP神经网络算法构建多尺度疲劳寿命预测模型；根据所述多尺度疲劳寿命预测模型对待测焊接件进行寿命预测。2.如权利要求1所述的方法，其特征在于，所述疲劳寿命影响因素包括：材料、板厚、接头类型、焊接方法、应力比、应力范围以及服役环境。3.如权利要求1所述的方法，其特征在于，利用粗糙集算法，根据所述疲劳性能分析决策系统确定不同疲劳寿命影响因素的权重系数，具体包括：基于粗糙集算法，对所述疲劳性能分析决策系统的参数值进行离散化，实现疲劳寿命影响因素的约减；基于粗糙集算法，通过疲劳寿命影响因素的约减得到不同疲劳寿命影响因素的权重系数。4.如权利要求1所述的方法，其特征在于，基于所述疲劳寿命的预测规则和BP神经网络算法构建多尺度疲劳寿命预测模型，具体包括：对神经网络模型进行初始化，并对训练精度与最大迭代次数进行设置；初始化粒子群优化算法的参数，并对最大迭代次数及惯性因子进行设置，将神经网络的权重与阈值作为粒子群优化算法位置向量；基于适应度函数获得不同粒子的适应度值；基于所述适应度值确定粒子与种群的最优位置；基于所述最优位置对粒子群优化算法中的粒子位置与速度、惯性因子及学习因子进行更新；对训练精度或最大迭代次数进行判定，若满足条件，将算法停止时刻得到的最优位置作为神经网络的最优参数实现网络模型的优化；基于所述最优参数与所述疲劳寿命的预测规则，对训练数据进行训练，满足训练精度时即得到多尺度疲劳寿命预测模型。5.如权利要求4所述的方法，其特征在于，所述方法还包括：对所述S
‑
N曲线数据进行预处理，并通过输入到多尺度疲劳寿命预测模型，对其精确度进行验证；输入需要预测的试验参数，实现多尺度焊接疲劳寿命的智能预测。6.如权利要求4所述的方法，其特征在于，利用粒子群优化算法的全局寻优功能增强神经网络的收敛性并避免其陷入局部最优。7.如权利要求4所述的方法，其特征在于，所述适应度函数采用以下公...
【专利技术属性】
技术研发人员：徐连勇，冯超，赵雷，韩永典，
申请(专利权)人：天津大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。