[发明专利]一种基于极限学习机的橡胶材料疲劳寿命预测方法

权利要求书

1.一种基于极限学习机的橡胶材料疲劳寿命预测方法，其特征在于，包括以下步骤：

S1、设置橡胶材料疲劳试验数据，所述试验数据包括不同应变均值和应变幅值下对应的循环寿命次数；

S2、对试验数据进行预处理；

S3、以预处理后的试验数据作为极限学习机模型的输入，确定极限学习机模型中输入层、隐含层、输出层神经元个数，随机生成输入层与隐含层间的输入权值矩阵以及隐含层的阈值矩阵，作为初始值；

S4、对输入权值矩阵和隐含层阈值矩阵进行寻优，确定预测寿命和实际寿命之间均方误差最小的输入权值矩阵和隐含层阈值矩阵；

S5、将最优输入权值矩阵和隐含层阈值矩阵返回极限学习机模型，通过计算隐含层输出矩阵的Moore-Penrose广义逆，获得输出权值矩阵；

S6、结合输入权值矩阵、隐含层阈值矩阵和输出权值矩阵，建立基于极限学习机的橡胶材料疲劳寿命预测模型；

S7、采用极限学习机的橡胶材料疲劳寿命预测模型预测寿命，完成橡胶材料的寿命预测工作。

2.根据权利要求1所述的一种基于极限学习机的橡胶材料疲劳寿命预测方法，其特征在于，所述寿命预测同时考虑应变均值和应变幅值对橡胶材料疲劳寿命的影响。

3.根据权利要求1所述的一种基于极限学习机的橡胶材料疲劳寿命预测方法，其特征在于，所述预处理包括去极值、对数平均、归一化、划分测试集和试验集处理。

4.根据权利要求1所述的一种基于极限学习机的橡胶材料疲劳寿命预测方法，其特征在于，极限学习机模型为单隐含层的神经网络模型，包括输入层与隐含层，输入层与隐含层之间通过输入权值矩阵连接，隐含层中每一个神经元中都有一个阈值，隐含层与输出层之间通过输出权值矩阵连接。

5.根据权利要求1所述的一种基于极限学习机的橡胶材料疲劳寿命预测方法，其特征在于，采用蜻蜓算法对极限学习机的输入权值和隐含层阈值进行寻优，减少随机确定的输入权值和隐含层阈值对模型预测精度影响。

6.根据权利要求1所述的一种基于极限学习机的橡胶材料疲劳寿命预测方法，其特征在于，所述步骤S5中的隐含层输出矩阵为：

其中H_L×1为隐含层输出矩阵，w_Ln为隐含层第L个神经元与输入层第n个神经元之间的连接权值，x_n为第n个样本中输入，b_L为隐含层第n个神经元的阈值，L为隐含层神经元个数。

7.根据权利要求3所述的一种基于极限学习机的橡胶材料疲劳寿命预测方法，其特征在于，所述训练集用于训练极限学习机模型中输入权值和隐含层阈值参数，测试集用于验证模型的预测精度。

8.根据权利要求5所述的一种基于极限学习机的橡胶材料疲劳寿命预测方法，其特征在于，蜻蜓算法对输入权值和隐含层阈值进行寻优包括：将一组输入权值和隐含层阈值赋予蜻蜓个体，作为位置信息，在选定范围内初始化蜻蜓个体位置，通过蜻蜓的分离行为、对齐行为、内聚行为、吸引行为以及躲避行为进行位置的更新，将极限学习机评价指标作为蜻蜓个体的适应度函数，迭代次数达到设定值或有蜻蜓个体找到最优位置时，输出适应度最高的蜻蜓个体，其位置信息即为最优的一组输出权值和隐含层阈值。

9.根据权利要求8所述的一种基于极限学习机的橡胶材料疲劳寿命预测方法，其特征在于，更新蜻蜓位置包括：输入权值和隐含层阈值取值均为5以内的小值，设置影响蜻蜓位置更新的各行为权重系数，需使种群的局部搜索能力优于全局搜索能力。

10.根据权利要求8所述的一种基于极限学习机的橡胶材料疲劳寿命预测方法，其特征在于，极限学习机评价指标中，实际输出与理论输出间的均方误差、平均绝对百分比误差和决定系数三者的加权作为优化算法的适应度函数，以获得在计算与理论输出离散性最小的一组极限学习机参数。