一种基于声发射监测和机器学习的疲劳裂纹扩展速率预测方法和系统技术方案

本发明专利技术公开了一种基于声发射监测和机器学习的疲劳裂纹扩展速率预测方法和系统，利用遗传算法对BPNN模型中的学习率、权重矩阵和偏置向量进行优化，通过将疲劳裂纹扩展在线监测过程获得的声发射计数率、幅值率、能量率和信息熵率，与疲劳实验工况参数平均应力和应力比，共同作为GA

【技术实现步骤摘要】
一种基于声发射监测和机器学习的疲劳裂纹扩展速率预测方法和系统


[0001]本专利技术属于结构健康监测与寿命预测领域，涉及一种基于声发射监测和机器学习的疲劳裂纹扩展速率预测方法和系统。

技术介绍

[0002]疲劳断裂是材料与构件在工程服役过程中面临的最主要的失效模式之一。在扰动应力的作用下，材料或构件内部的高应力或高应变集中的部位，比如压力容器接管连接处或筒体环焊缝等，容易形成疲劳损伤，经过疲劳裂纹的萌生、裂纹稳态扩展和失稳快速扩展等三个阶段，最终发生疲劳断裂事故。疲劳裂纹的扩展行为给工程结构的安全可靠性带来了极大的隐患。因此，如何在线监测材料和结构的疲劳裂纹扩展行为，并根据监测数据准确评价与预测其疲劳裂纹扩展速率，是目前学术界和工程界的重点研究课题。
[0003]作为一种结构健康监测技术，声发射技术具备灵敏度高、应用范围广、能实现长期在线监测等独特优点，已被应用于不同材料与结构的疲劳裂纹扩展在线监测与寿命评价中。研究表明，通过提取不同声发射参量如计数、幅值、信息熵等，不仅能够实现疲劳裂纹扩展三个阶段的定性识别和表征，而且通过建立声发射参量与疲劳裂纹扩展速率之间的定量关系，能够进一步实现疲劳裂纹扩展速率和寿命的定量预测。然而，目前基于声发射监测数据的疲劳裂纹扩展速率预测模型，多是基于单一声发射参量与裂纹扩展速率之间的线性经验关系，缺乏严格的理论依据，预测准确率有待提高，且没有充分考虑疲劳载荷因素如应力比的影响。这些因素严重限制了声发射技术在疲劳裂纹扩展定量预测方面的进一步发展和应用。
[0004]近年来，随着人工智能、数据挖掘等技术的快速发展，机器学习方法已被成功应用于材料寿命/性能预测、新材料设计等多个领域，并且在预测性能和时间成本等方面具有显著优势。相比于传统的裂纹扩展速率或寿命预测方法，机器学习方法最大的优势在于，能够出色地建立高维输入变量与输出变量之间的非线性映射关系，从而高效、准确地预测裂纹扩展速率或寿命。

技术实现思路

[0005]本专利技术的目的在于克服上述现有技术的缺点，提供一种基于声发射监测和机器学习的疲劳裂纹扩展速率预测方法和系统，以解决现有技术中声发射技术在疲劳裂纹扩展定量预测方面预测准确率低，未充分考虑疲劳载荷因素如应力比的影响问题，从而实现高效、准确地预测疲劳裂纹扩展行为。
[0006]为达到上述目的，本专利技术采用以下技术方案予以实现：
[0007]一种基于声发射监测和机器学习的疲劳裂纹扩展速率预测方法，包括以下步骤：
[0008]步骤1，获取声发射参数和疲劳工况参数；
[0009]步骤2，基于声发射参数和疲劳工况参数，通过疲劳裂纹扩展速率预测模型预测疲
劳裂纹扩展速率值；所述疲劳裂纹扩展速率模型为GA
‑
BPNN模型，所述GA
‑
BPNN模型的学习率、权重矩阵和偏置向量均通过遗传算法训练获得；遗传算法训练过程中适应度值最大的染色体对应的最优学习率、权重矩阵和偏置向量为GA
‑
BPNN模型的学习率、权重矩阵和偏置向量；
[0010]步骤3，输出疲劳裂纹扩展速率值。
[0011]本专利技术的进一步改进在于：
[0012]优选的，所述声发射参数包括计数率、幅值率、能量率和信息熵率；所述声发射参数均通过割线法计算获得。
[0013]优选的，所述疲劳工况参数包括平均应力和应力比。
[0014]优选的，所述GA
‑
BPNN模型中输入层的神经元个数为声发射参数和疲劳工况参数数量的总和。
[0015]优选的，步骤2中，通过试参法确定GA
‑
BPNN模型中隐含层的层数以及每层神经元的个数；GA
‑
BPNN模型的激活函数为LeakyReLU函数。
[0016]优选的，步骤2中，遗传算法训练GP
‑
BPNN模型的步骤为：
[0017]步骤2.1，设置遗传算法的参数；将训练集中的声发射参数和疲劳工况参数作为GA
‑
BPNN模型的输入数据，将训练集中疲劳裂纹扩展速率值作为GA
‑
BPNN模型的输出数据；
[0018]步骤2.2，通过输入数据和输出数据对GA
‑
BPNN模型训练，根据训练结果计算初始种群中每个染色体的适应度值，根据适应度大小从高到低对染色体排序；
[0019]步骤2.3，重复步骤2.2，对染色体重新编码，根据适应度大小对染色体进行选择、交叉和变异操作，得到新一代种群；
[0020]步骤2.4，对新一代种群中的染色体解码，利用解码得到的学习率，权重矩阵和偏置向量训练GA
‑
BPNN模型，根据训练结果计算新一代种群中所有染色体的适应度值；
[0021]步骤2.5，重复步骤2.3～步骤2.4，直至迭代次数满足预设的最大迭代次数，选出适应度最大的染色体为最优染色体。
[0022]优选的，步骤2.1前，设置的遗传算法参数包括最大迭代次数、初始种群规模、交叉概率和变异概率。
[0023]优选的，所述适应度值的计算公式为：
[0024][0025]其中，n是训练集中的样本数量，y
i
是训练集中疲劳裂纹扩展对数速率的真实值，f(x
i
)是疲劳裂纹扩展对数速率的预测值。
[0026]优选的，步骤2中，通过训练集的参数对GA
‑
BPNN模型训练后，通过测试集的参数进行测试，通过测试集的参数计算出均方根误差RMSE和决定系数R2，判断模型是否符合要求。
[0027]一种基于声发射监测和机器学习的疲劳裂纹扩展速率预测系统，包括：
[0028]输入模型，获取声发射参数和疲劳工况参数；
[0029]预测模型，基于声发射参数和疲劳工况参数，通过疲劳裂纹扩展速率预测模型预测疲劳裂纹扩展速率值；所述疲劳裂纹扩展速率模型为GA
‑
BPNN模型，所述GA
‑
BPNN模型的学习率、权重矩阵和偏置向量均通过遗传算法训练获得；遗传算法训练过程中适应度值最大的染色体对应的最优学习率、权重矩阵和偏置向量为GA
‑
BPNN模型的学习率、权重矩阵和
偏置向量；
[0030]输出模型，输出疲劳裂纹扩展速率值。
[0031]与现有技术相比，本专利技术具有以下有益效果：
[0032]本专利技术公开了一种基于声发射监测和机器学习的疲劳裂纹扩展速率预测方法和系统，利用遗传算法对BPNN模型中的学习率、权重矩阵和偏置向量进行优化，通过将疲劳裂纹扩展在线监测过程获得的声发射计数率、幅值率、能量率和信息熵率，与疲劳实验工况参数平均应力和应力比，共同作为GA
‑
BPNN模型的输入数据，从而预测相对应的疲劳裂纹扩展速率。与传统的基于单一声发射参量与裂纹扩展速率之间的线性关系进行预测的方法相比，本专利技术所提出的方法考虑了多元声发射特征参量以及疲劳实验工况参数的影本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于声发射监测和机器学习的疲劳裂纹扩展速率预测方法，其特征在于，包括以下步骤：步骤1，获取声发射参数和疲劳工况参数；步骤2，基于声发射参数和疲劳工况参数，通过疲劳裂纹扩展速率预测模型预测疲劳裂纹扩展速率值；所述疲劳裂纹扩展速率模型为GA
‑
BPNN模型，所述GA
‑
BPNN模型的学习率、权重矩阵和偏置向量均通过遗传算法训练获得；遗传算法训练过程中适应度值最大的染色体对应的最优学习率、权重矩阵和偏置向量为GA
‑
BPNN模型的学习率、权重矩阵和偏置向量；步骤3，输出疲劳裂纹扩展速率值。2.根据权利要求1所述的一种基于声发射监测和机器学习的疲劳裂纹扩展速率预测方法，其特征在于，所述声发射参数包括计数率、幅值率、能量率和信息熵率；所述声发射参数均通过割线法计算获得。3.根据权利要求1所述的一种基于声发射监测和机器学习的疲劳裂纹扩展速率预测方法，其特征在于，所述疲劳工况参数包括平均应力和应力比。4.根据权利要求1所述的一种基于声发射监测和机器学习的疲劳裂纹扩展速率预测方法，其特征在于，所述GA
‑
BPNN模型中输入层的神经元个数为声发射参数和疲劳工况参数数量的总和。5.根据权利要求1所述的一种基于声发射监测和机器学习的疲劳裂纹扩展速率预测方法，其特征在于，步骤2中，通过试参法确定GA
‑
BPNN模型中隐含层的层数以及每层神经元的个数；GA
‑
BPNN模型的激活函数为LeakyReLU函数。6.根据权利要求1所述的一种基于声发射监测和机器学习的疲劳裂纹扩展速率预测方法，其特征在于，步骤2中，遗传算法训练GP
‑
BPNN模型的步骤为：步骤2.1，设置遗传算法的参数；将训练集中的声发射参数和疲劳工况参数作为GA
‑
BPNN模型的输入数据，将训练集中疲劳裂纹扩展速率值作为GA
‑
BPNN模型的输出数据；步骤2.2，通过输入数据和输出数据对GA
‑
BPNN模型训...

【专利技术属性】
技术研发人员：柴孟瑜，刘攀，宋岩，段权，张早校，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：