一种改进疲劳寿命数据的数据融合方法技术

本发明专利技术属于数据融合技术领域，具体公开了一种改进疲劳寿命数据的数据融合方法，包括：步骤1、获取金属材料不同应力级下的多组疲劳寿命小样本数据；步骤2、通过一致性原理将不同应力级的小样本疲劳寿命数据相互转化，得到各应力级的疲劳寿命大样本数据；步骤3、将所述疲劳寿命大样本数据作为贝叶斯模型的先验信息，利用贝叶斯方法进行进一步的数据融合，得到更新的疲劳寿命大样本数据。本方法适用于聚集的小样本疲劳寿命数据，解决了现有技术在对集中于小区间范围内的小样本数据实施融合时，数据融合质量较低的问题。融合质量较低的问题。融合质量较低的问题。

【技术实现步骤摘要】
一种改进疲劳寿命数据的数据融合方法


[0001]本专利技术属于数据融合
，具体涉及一种改进疲劳寿命数据的数据融合方法。

技术介绍

[0002]在工程实际中，疲劳破坏是一种常见的破坏形式。疲劳破坏即是在材料的断裂强度以下的应力作用下，由于反复的应力作用，材料发生破坏的过程。疲劳寿命是材料的重要性能指标之一。通常我们可以利用疲劳寿命与应力之间的P
‑
S
‑
N曲线来预测疲劳寿命，其中P为疲劳损伤概率，S为疲劳应力，N为疲劳寿命。但是由于疲劳寿命具有很大的离散性，即在同一个应力级下的不同试样实验得到的疲劳寿命也是相差较大。因此往往需要大量实验数据，才能获得可靠的疲劳寿命分布情况。比如常见的成组法，每组应力级下采取10到15个实验数据。但是疲劳寿命实验的成本极大，使得通过实验手段来获得材料的疲劳寿命的实验周期长，成本高。因此，通过小样本来预测材料疲劳寿命可以大幅度降低材料疲劳实验成本。
[0003]小样本疲劳数据一般每组应力级下疲劳数据为3
‑
4个，通过不同应力级下的疲劳寿命关系，采用合适的数学模型，将不同应力级下的疲劳寿命融合为同一应力级下的疲劳寿命，实现小样本到大样本的转变，从而实现对疲劳寿命分布情况的预测。通过疲劳寿命分布情况可以在不同模型下绘制P
‑
S
‑
N曲线，得到不同概率下各个应力状况时的疲劳寿命，再通过P
‑
S
‑
N曲线可以预测材料在不同应力下的疲劳破坏概率，从而指导工程实践操作。
[0004]目前实现疲劳寿命的小样本数据融合有多种方法，比如贝叶斯统计方法，通过先验信息实现参数估计；神经网络预测，通过大样本数据训练神经网络模型，使得模型估计精度达到预计程度；或是利用一致性原理与经验公式，实现快速准确的小样本疲劳寿命数据融合，但是这些模型对小样本数据质量依赖性强，由于疲劳寿命存在离散性，小样本可能存在疲劳寿命分布与经验分布不同，导致小样本数据集中出现在小区间范围，此时上述疲劳寿命数据融合方法的数据融合质量降低。因此，一种针对集中于小区间范围内的小样本数据改进的数据融合方法是具有重大意义的。

技术实现思路

[0005]本专利技术的目的是提供一种稳定性高的金属材料疲劳寿命的小样本数据融合方法，适用于聚集的小样本疲劳寿命数据，以解决现有技术在对集中于小区间范围内的小样本数据实施融合时，数据融合质量较低的问题。
[0006]本专利技术通过下述技术方案实现；
[0007]一种改进疲劳寿命数据的数据融合方法，包括：
[0008]步骤1、获取金属材料不同应力级下的多组疲劳寿命小样本数据；
[0009]步骤2、通过一致性原理将不同应力级的小样本疲劳寿命数据相互转化，得到各应力级的疲劳寿命大样本数据；
[0010]步骤3、将所述疲劳寿命大样本数据作为贝叶斯模型的先验信息，利用贝叶斯方法进行进一步的数据融合，得到更新的疲劳寿命大样本数据。
[0011]进一步的，各疲劳寿命小样本数据中至少包括三组实验数据。
[0012]进一步的，通过一致性原理将不同应力级的小样本疲劳寿命数据相互转化的过程如下：
[0013]步骤2
‑
1，建立如下的各应力级下的对数疲劳寿命间的关系：
[0014][0015]其中，N
kj
为转换到k应力级下的j试样的疲劳寿命，
[0016]N
ij
为i应力级下的j试样的疲劳寿命，
[0017]σ
k
为k应力级下的对数疲劳寿命标准差，
[0018]σ
i
为i应力级下的对数疲劳寿命标准差，
[0019]μ
k
为k应力级下的对数疲劳寿命均值，
[0020]μ
i
为i应力级下的对数疲劳寿命均值；
[0021]步骤2
‑
2，选定一个应力量级为融合方向应力级，计算融合方向应力级下对数疲劳寿命标准差σ1，并建立以下关系计算各非融合方向应力级下的对数疲劳寿命标准差；
[0022]σ
i
＝σ1+k(s1‑
s
i
)，
[0023]其中，σ
i
为第i应力级下的对数疲劳寿命标准差，
[0024]s
i
为第i应力级大小，
[0025]s1为所选融合方向应力级大小，
[0026]K为待定系数，具有给定的取值范围；
[0027]步骤2
‑
3，根据正态分布的性质，建立利用标准差σ
i
求得均值各应力级下的对数疲劳寿命均值μ
i
的计算关系；
[0028]步骤2
‑
4，在待定系数k的取值范围内进行采样，得到多个k值；
[0029]步骤2
‑
5，利用步骤2
‑
1中建立的各应力级下的对数疲劳寿命间的关系，求得每个K值所对应的，由非融合方向应力级下的对数疲劳寿命转换到融合方向应力级的对数疲劳寿命；
[0030]步骤2
‑
6，以如下收敛条件验证基于不同k值得到的融合数据：
[0031][0032]其中σ
right
为数据融后，融合方向应力级下的对数疲劳寿命标准差；
[0033]步骤2
‑
5、将满足收敛条件的融合数据输出。
[0034]进一步的，步骤2
‑
2中，待定系数k的取值范围为(
‑
1，+1)。
[0035]进一步的，步骤2
‑
4中的采样为在取值范围内，以0.00002为间隔的均匀采样。
[0036]进一步的，步骤3包括：
[0037]步骤3
‑
1，创建Gibbs采样器，采用前述融合过程得到的融合数据作为先验信息进行多次Gibbs采样，得到融合数据相关的马尔可夫链以及融合数据分布预测结果；
[0038]步骤3
‑
2，基于得到融合数据相关的马尔可夫链以及融合数据分布预测结果，对融合数据进行多重插补，形成新的融合数据。
[0039]进一步的，Gibbs采样器的采样过程如下：
[0040]给定平稳分布Π(x1,x2)，随机得到初始值从条件概率分布中采样
[0041]不断重复上述过程直至采取到指定数量样本，得到马尔可夫链。
[0042]本专利技术的优点在于，对于聚集的疲劳寿命数据，通过一致性原理下的融合数据作为贝叶斯模型的先验信息，得到的融合数据具有更好的融合效果。该方法既降低了贝叶斯模型对先验信息的依赖以及基于一致性原理的融合过程中对数据质量的依赖，又提高了融合数据质量。本专利技术的目的是提供一种稳定性高的金属材料疲劳寿命的小样本数据融合方法，适用于聚集的小样本疲劳寿命数据。该方法先通过一致性原理实现小样本数据扩充本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种改进疲劳寿命数据的数据融合方法，其特征在于，包括：步骤1、获取金属材料不同应力级下的多组疲劳寿命小样本数据；步骤2、通过一致性原理将不同应力级的小样本疲劳寿命数据相互转化，得到各应力级的疲劳寿命大样本数据；步骤3、将所述疲劳寿命大样本数据作为贝叶斯模型的先验信息，利用贝叶斯方法进行进一步的数据融合，得到更新的疲劳寿命大样本数据。2.根据权利要求1所述的方法，其特征在于，各疲劳寿命小样本数据中至少包括三组实验数据。3.根据权利要求1所述的方法，其特征在于，通过一致性原理将不同应力级的小样本疲劳寿命数据相互转化的过程如下：步骤2
‑
1，建立如下的各应力级下的对数疲劳寿命间的关系：其中，N
kj
为转换到k应力级下的j试样的疲劳寿命，N
ij
为i应力级下的j试样的疲劳寿命，σ
k
为k应力级下的对数疲劳寿命标准差，σ
i
为i应力级下的对数疲劳寿命标准差，μ
k
为k应力级下的对数疲劳寿命均值，μ
i
为i应力级下的对数疲劳寿命均值；步骤2
‑
2，选定一个应力量级为融合方向应力级，计算融合方向应力级下对数疲劳寿命标准差σ1，并建立以下关系计算各非融合方向应力级下的对数疲劳寿命标准差；σ
i
＝σ1+k(s1‑
s
i
)，其中，σ
i
为第i应力级下的对数疲劳寿命标准差，s
i
为第i应力级大小，s1为所选融合方向应力级大小，K为待定系数，具有给定的取值范围；步骤2
‑
3，根据正态分布的性质，建立利用标准...

【专利技术属性】
技术研发人员：刘许旸，高友智，姚建尧，张旭，韦良晓，王常印，
申请(专利权)人：重庆大学，
类型：发明
国别省市：