[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

说明书

本说明书实施例公开了一种多尺度焊接结构的疲劳寿命预测方法、装置及设备。通过对S‑N曲线的预测，提高疲劳行为预测的适用性、精确度以及稳定性，同时降低常规疲劳行为研究方法所需要耗费的大量人力物力。并且能够满足综合考虑焊接方法、板厚、应力比、接头类型以及应力范围五种疲劳行为影响因素的综合影响，更真实地预测并反映不同条件下的疲劳行为。

技术领域

本申请涉及焊接结构的疲劳寿命预测技术领域，尤其涉及一种多尺度焊接结构的疲劳寿命预测方法、装置及设备。

背景技术

随着当代工业水平的不断提高，焊接技术在加工制造领域的重要性不断提高，焊接结构的疲劳性能越来越成为制约工业产品使用性能的关键性因素。有统计表明，目前70％-90％的工业事故都是由疲劳失效导致的，焊接结构的疲劳寿命远低于母材结构。而焊接结构的疲劳过程是一个多物理场耦合，随机性强，多变量且非线性的过程，研究者已经提出了很多疲劳行为研究方法。其中，名义应力法、热点应力法、局部应力应变法、断裂力学法以及基于网格不敏感的结构应力法等手段均能在不同场合下实现较为可靠的疲劳寿命预测。但是所述经典方法随着当前服役环境更加恶劣，已经难以实现复杂结构的准确预测，并且常规疲劳试验往往伴随着大量的人力物力消耗。

随着人工智能技术的不断发展和成熟，研究人员开始将其用于疲劳行为的研究，并提出了一系列基于某种或多种人工智能技术的疲劳行为研究方法。比如BP神经网络(BPNN)、遗传算法(GA)、支持向量机(SVM)等方法已经得到了广泛应用，但是目前所提出的基于单一人工智能技术的疲劳行为研究方法普遍存在适用性差、精确度不高的问题，限制了焊接结构疲劳行为的进一步深入研究。因此产生了基于复合人工智能技术的疲劳行为预测方法，但是由于疲劳寿命具有较高的离散性，对其直接预测难以获得令人满意的结果。

发明内容

为解决上述技术问题，本说明书实施例是这样实现的：

第一方面，本说明书实施例提供了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，去除数据库中的缺失值、重复值以及逻辑错误数据，使所建立的数据库成为能够满足算法需求的干净数据；

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。

可选的，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。

可选的，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。

可选的，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。

可选的，所述方法还包括：