[发明专利]一种多尺度焊接结构的疲劳寿命预测方法、装置及设备

权利要求书

1.一种多尺度焊接结构疲劳寿命预测方法，其特征在于，包括：

通过实际疲劳试验以及文献数据整理，建立包含不同影响因素下的S-N曲线以及特定应力范围条件下的疲劳寿命的多尺度疲劳性能数据库；

基于层次分析法与Box-plot方法对所述多尺度疲劳性能数据库进行数据清洗；

基于SPDTRS理论，根据所述多尺度疲劳性能数据库确定各疲劳行为影响因素的权重；

根据所述疲劳行为影响因素的权重，确定疲劳行为的训练方法和预测规则；

基于所述疲劳行为的训练方法和预测规则以及BP神经网络结构构建基于SPDTRS-CS-BPNN混合智能算法的疲劳行为预测模型；

根据所述疲劳行为预测模型对待测焊接结构进行寿命行为预测。

2.如权利要求1所述的方法，其特征在于，所述多尺度疲劳性能数据库中的参数包括：焊接方法、板厚、接头类型、应力比、应力范围以及材料常数C和m。

3.如权利要求1所述的方法，其特征在于，所述SPDTRS-CS-BPNN算法的耦合方法为：

以多尺度疲劳性能数据库中的疲劳行为影响因素作为输入，利用SPDTRS算法对其进行分析，得到不同影响因素分别的权重；基于分析得到的影响因素权重作为初始阈值和权重，对BPNN结构进行初始化；在BPNN误差传播过程中，利用CS算法改善其收敛性，并避免神经网络陷入过拟合和局部最优问题。

4.如权利要求1所述的方法，其特征在于，基于SPDTRS理论，根据所述多尺度疲劳性能数据库确定各疲劳行为影响因素的权重，具体包括：

基于SPDTRS理论，对疲劳行为影响因素进行约简，分别得到其影响权重。

5.如权利要求1所述的方法，其特征在于，所述基于SPDTRS理论，根据所述多尺度疲劳性能数据库确定各疲劳行为影响因素的权重，具体包括：

基于单参数决策理论粗糙集(SPDTRS)理论以及所述疲劳性能数据库，对疲劳行为影响因素进行权重分析并获得BPNN的初始权值和阈值；

所述根据所述疲劳行为影响因素的权重，确定疲劳行为的训练方法和预测规则，具体包括：

根据不同疲劳行为影响因素的权重以及分析结果，确定所建模型的疲劳行为的训练方法和预测规则。

6.如权利要求1所述的方法，其特征在于，基于所述疲劳行为的训练方法和预测规则以及BP神经网络结构构建基于SPDTRS-CS-BPNN混合智能算法的疲劳行为预测模型，具体包括：

建立BPNN结构，并利用疲劳行为影响因素及其权重对神经网络进模型行初始化；

对布谷鸟寻优(CS)算法参数进行初始化；

基于CS算法获得当前最优位置；

根据当前最优位置对位置进行小范围更新；

基于莱维(Levy)飞行获得更多新位置；

通过对比所述获得的当前最优位置和新位置判定新的最优位置；

基于动态发现概率决定此最优位置是否保留；

判定当前解是否满足停止条件，若尚未达到则重新基于CS算法获得当前最优位置并循环，若满足则输出最优解；

基于SPDTRS得到的影响因素权重以及分析得到的训练方法和预测规则对BPNN的网络结构进行优化；

建立基于SPDTRS-CS-BPNN算法的疲劳行为预测模型。

7.如权利要求1所述的方法，其特征在于，所述对神经网络模型进行初始化，具体包括：

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，焊接方法、板厚、接头类型、应力比为输入层参数，材料常数C、m为输出层参数，其中，C＝e^mSN，S为应力范围，N为疲劳寿命；

可选的，所述方法通过疲劳寿命影响因素的选取实现该条件下S-N曲线的预测，疲劳寿命通过提取获得，具有更高的稳定性。

8.如权利要求1所述的方法，其特征在于，在根据所述疲劳行为预测模型对待测焊接结构进行寿命行为预测之后，所述方法还包括：

提取相应的S-N曲线以及特定应力范围下的疲劳寿命等疲劳性能数据。