【技术实现步骤摘要】
本专利技术属于金属材料疲劳寿命评估方法领域，尤其涉及一种金属疲劳寿命评估预测方法。
技术介绍
1、金属构件常被使用在受力较大的关键部位，例如车床主轴轴承、飞机发动机转子叶片、各种管道和火车轨道等，其在长时间的高强度作业下，难免会存在故障甚至发生疲劳损伤破坏，金属材料的疲劳破坏已经成为机械结构最常见的破坏形式之一。工程中的安全问题与机械结构的寿命存在直接的联系，很多灾难性的事故都起因于关键构件的寿命终结。因此，对工程中关键构件的寿命进行有效预测是工程领域的重要研究内容。
2、目前对金属材料疲劳寿命的预测研究都基于大量的疲劳实验，通过对实验结果的统计分析得到疲劳失效规律，但是疲劳失效的过程和原因的分析都依赖于研究人员的知识与经验，而且分析多限于疲劳裂纹扩展阶段，并不能对早期疲劳情况进行准确评估。近些年来结合机器学习的声发射技术被广泛应用于金属材料的疲劳寿命预测，声发射能够捕获疲劳演化过程的源信息，通过机器学习方法处理后，可以对疲劳失效演化过程进行分析，寻找疲劳疲劳寿命与其他因素的隐式关系。
3、传统的预测方法，往往基于简单的线性或非线性模型，预测能力较弱；往往仅限于单一特征进行评估预测，可靠性不高。并且评估仅限于疲劳裂纹扩展阶段的问题。
技术实现思路
1、本专利技术的目的在于克服现有技术的不足，提供一种金属疲劳寿命评估预测方法，解决了现有技术存在的预测能力弱、可靠性低、评估仅限于疲劳裂纹扩展阶段的问题。
2、为了达到上述目的，本专利技术通过以下方案予
3、本专利技术采用声发射检测设备对金属试件的寿命损耗进行监测，为了对疲劳全过程(包括疲劳早期等)的寿命状态进行评估预测，设计了动静结合的声发射采集方案。在数据采集试验的基础上设计了一种基于声发射和机器学习的金属疲劳寿命评估预测方法。
4、具体包括以下步骤：
5、步骤1，设计用于研究金属疲劳寿命的试验方案；
6、步骤2，按照设计的试验方案，通过疲劳试验制造不同疲劳寿命程度的试件，并通过拉伸试验对不同寿命的金属试件进行拉伸断裂并同步采集过程声发射信号，获取声发射参数和疲劳工况及拉伸过程参数；
7、步骤3，预处理声发射数据，构建数据集。使用机器学习模型构建声发射信号与金属疲劳寿命之间的映射关系，根据数据集结构，设计模型结构用于训练学习数据规则，所述的寿命预测模型为多维长短时记忆神经网络模型(mlstm)；
8、步骤4，使用没经过训练的声发射数据进行模型测试，并根据测试结果进行参数调整，最后得到寿命预测模型。
9、步骤5，输出疲劳寿命情况。
10、进一步的，步骤1所设计的动静声发射检测试验方案具体步骤如下：
11、(1)材料试样准备，将试验所用金属材料加工成标准试样的形状，通过动态疲劳试验进行不同疲劳寿命的试件。首先确定合适的疲劳试验参数，如加载载荷、加载应力比和加载频率，随后进行多次疲劳实验确定健康试件疲劳断裂所需要的疲劳循环次数，求平均值并以此为基准进行不同寿命试件的制作。比如健康试件疲劳断裂需要疲劳循环30万次，那么10％寿命损耗的试件需要疲劳3万次，以此类推一共制作10％到80％的8组寿命试件。
12、(2)制作完成不同寿命的试样后，搭载声发射采集系统，在金属试样的两端距中心线10mm处的正反两面贴两个声发射传感器，以保证采集数据的完整性，金属试样与声发射传感器之间涂抹耦合剂，保证两者之间的接触有效性，根据静态拉伸空载试验和材料特性等确定声发射设备的采集参数。
13、(3)在准备工作完成后，先进行断铅试验保证声发射设备正常工作后开始静态拉伸试验，拉伸过程中同步进行声发射信号的采集工作，并将实验参数保存在存储设备中。
14、进一步的，步骤3的具体步骤如下：
15、(1)数据预处理，对数据进行异常值检测，去除突发型的离散数据，通过统计分析发现声发射累积计数与疲劳寿命之间存在一定的函数关系，所以选用声发射累积计数作为目标特征来对疲劳寿命进行表征，利用relieff算法评估各输入特征(能量、幅值、上升时间等)与声发射累积计数的相关性，并利用结果的平均值筛选出高于平均值的特征变量，也就是输入模型训练的特征，达到降维的效果。筛选出的用于表征疲劳寿命程度的特征参数为累积计数，与该参数相关性较高的参数包括：能量、累积能量、持续时间、平均频率、信号强度、绝对能量、中心频率和峰频。
16、(2)数据集的构建，利用公式将选出的数据特征进行归一化，处理后的数据全部缩放到[0,1]之间，便于数据处理与计算，公式如下；
17、
18、式中，x为归一化后的特征值，x为归一化前的特征值。
19、然后将归一化后的数据进行分段打包，将每一种寿命状态下的数据整理为如为实现能够对疲劳全过程(包括疲劳裂纹萌生)的寿命研究，最后将所有寿命情况的数据集整合起来，如p＝(d1,d2,d3,…,d8)，即寿命10％-80％的声发射数据。其中，p为制作的训练数据集，由8组寿命状态的单一数据集组成，并且每一组寿命数据各不相通，d为单一寿命状态的数据集，n为单一寿命中包含的样本数量，m为特征个数，包含声发射参数及试验工况变量(力，位移)，使用多传感器融合数据可以提高模型预测的精度。
20、(3)神经网络模型设计，根据设计的数据集情况，针对于疲劳早期寿命难以预测的问题，设计了8组叠加的长短时记忆神经网络，这里称为多维长短时记忆神经网络(mlstm)，每一个长短时记忆神经网络为子模型，每一个子模型单独训练一种寿命状态的数据，这样就保证不同寿命之间的数据是不互通的，避免了数据污染，最后结果通过比较8组子模型的预测拟合程度选择出最佳的预测子模型，该子模型的编号即该数据相对应的寿命。
21、进一步的，步骤4的具体步骤如下：
22、选用均方根误差rmse作为比较子模型的性能指标对预测结果和模型性能进行评估，具体计算公式如下：
23、均方根误差：
24、
25、其中n表示数据集样本数，yi表示真实累积计数，表示预测累积计数，表示真实累积计数的平均值。
26、将测试数据集根据训练数据集的构建方式进行预处理，输入到训练完成的网络模型中进行结果评估，对比模型输出的结果是否与实际结果相符合，根据对比结果对网络结构的层数、学习率等进行微调，提高其预测准确度。
27、与现有的寿命预测方法相比，本方法具有以下的技术优势：
28、1.本专利技术针对于复杂工况等情况，同时考虑多种影响寿命的因素，所设计的数据集融合了加载工况的实验数据，增强了模型的鲁棒性，降低了预测误差，提高了预测精度。
29、2.本专利技术设计的寿命评估方法可以对疲劳前期的寿命进行评估而不仅限疲劳裂纹扩展阶段。
30、3.本专利技术机器学习模型可以发现声发射信号中复杂的数据模式和关系，从而对试件损伤演化过程的学习，进而对疲劳寿命做出更准确的本文档来自技高网...
【技术保护点】
1.一种金属疲劳寿命评估预测方法，其特征在于，步骤如下：
2.根据权利要求1所述的预测方法，其特征在于，选用声发射累积计数作为目标特征来对疲劳寿命进行表征。
3.根据权利要求1所述的预测方法，其特征在于，筛选出的用于表征疲劳寿命程度的特征参数为累积计数，与该参数相关性较高的参数包括：能量、累积能量、持续时间、平均频率、信号强度、绝对能量、中心频率和峰频。
4.根据权利要求3所述的预测方法，其特征在于，将筛选出的数据特征进行归一化，处理后的数据全部缩放到[0,1]之间。
5.根据权利要求4所述的预测方法，其特征在于，将归一化后的数据进行分段打包，将每一种寿命状态下的数据整理为将所有寿命情况的数据集整合起来，P＝(D1,D2,D3,…,D8)，为寿命10％-80％的声发射数据；其中，P为制作的训练数据集，由8组寿命状态的单一数据集组成，并且每一组寿命数据各不相通，D为单一寿命状态的数据集，n为单一寿命中包含的样本数量，m为特征个数，包含声发射参数及试验工况变量。
6.根据权利要求5所述的预测方法，其特征在于，每一个子长短时记
7.根据权利要求6所述的预测方法，其特征在于，选用均方根误差RMSE作为比较子长短时记忆神经网络的性能指标，对预测结果和模型性能进行评估。
...【技术特征摘要】
1.一种金属疲劳寿命评估预测方法，其特征在于，步骤如下：
2.根据权利要求1所述的预测方法，其特征在于，选用声发射累积计数作为目标特征来对疲劳寿命进行表征。
3.根据权利要求1所述的预测方法，其特征在于，筛选出的用于表征疲劳寿命程度的特征参数为累积计数，与该参数相关性较高的参数包括：能量、累积能量、持续时间、平均频率、信号强度、绝对能量、中心频率和峰频。
4.根据权利要求3所述的预测方法，其特征在于，将筛选出的数据特征进行归一化，处理后的数据全部缩放到[0,1]之间。
5.根据权利要求4所述的预测方法，其特征在于，将归一化后的数据进行分段打包，将每一种寿命状态下的数据整理为将所有寿命情况的数据集整...
【专利技术属性】
技术研发人员：朱应利，周峰，李华峰，李建宇，
申请(专利权)人：天津科技大学，
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。