[发明专利]一种基于缺陷形态的高周疲劳寿命预测方法

说明书

本发明属于疲劳寿命的技术领域，公开了一种基于缺陷形态的高周疲劳寿命预测方法，先对待测构件上缺陷的尺寸和深度进行测量，再利用如下公式对待测构件的高周疲劳寿命N_f进行预测，其中，area_inc表示缺陷的面积，d表示缺陷的深度，C、P分别为与待测构件的疲劳缺陷扩展特性相关的参数，D表示与缺陷在待测构件上的位置相关的系数，当缺陷是内在时，D＝1.56，当缺陷在表面时，D＝1.43。本发明可以简便有效地完成对待测构件的高周疲劳寿命进行预估，为机械构件的投入使用及研发设计提供指导意见，降低了研发成本，保证产品的质量，提高产品的可靠性。

技术领域

本发明属于疲劳寿命的技术领域，具体涉及一种基于缺陷形态的高周疲劳寿命预测方法。

背景技术

随着对机械设备设计轻量化、高性能和安全性的要求越来越高，许多机械部件需要承受超高循环载荷。在航空航天、生物医学、机械工程等领域，机械部件的实际承载循环已远远超过10⁷加载循环，甚至达到10⁹～10¹⁰加载循环。因此，阐明超长寿命疲劳的失效机理，提出一种合适的超长寿命预测方法，已成为疲劳研究领域的热点，大量实验研究表明，内部缺陷在甚高频循环疲劳中起关键作用，表面硬化金属材料在长寿命区的内部缺陷导致的断裂已成为工程设计中的关键问题。近年来，学者们一直在研究高循环和超高循环疲劳的内部缺陷，现有研究中缺陷深度对高周疲劳寿命的影响是通过总结实验规律得出的，没有具体的数学模型来反映其影响。

发明内容

本发明提供了一种基于缺陷形态的高周疲劳寿命预测方法，解决了现有研究中缺陷深度对高周疲劳寿命的影响是通过总结实验规律得出的，没有具体的数学模型来反映其影响等问题。

本发明可通过以下技术方案实现：

一种基于缺陷形态的高周疲劳寿命预测方法，先对待测构件上缺陷的尺寸和深度进行测量，再利用如下公式对待测构件的高周疲劳寿命N_f进行预测，

其中，area_inc表示缺陷的面积，d表示缺陷的深度，C、P分别为与待测构件的疲劳缺陷扩展特性相关的参数，D表示与缺陷在待测构件上的位置相关的系数，当缺陷是内在时，D＝1.56，当缺陷在表面时，D＝1.43。

进一步，利用测量设备获取一组缺陷的面积数据样本，通过bootstrap方法对所述面积数据样本的处理，获得在误差允许范围内所述面积数据样本的均值、95％的置信区间，从而得到较为准确合理的面积数据。

进一步，利用Bootstrap error circle method of sample value简称BEMSV伽玛方法对所述面积数据样本进行处理，其中，采用威布尔函数或者伽马函数作为描述缺陷面积的分布函数，建立误差圆模型，对应的威布尔分布和伽马分布的概率密度函数表达式如下：

其中，k和λ是威布尔分布的形状和位置参数，α和β是伽玛分布的形状和位置参数。

进一步，利用如下公式，通过测量得到△K_int和的多组数据，结合数据拟合方法，计算得到参数P＝11.31和C＝2.02*10^-18

其中，△K_int表示应力强度因子范围。

本发明有益的技术效果在于：