[發明專利]一種基于機器學習的蠕變疲勞壽命預測方法

在審

• 申請號: 202110072083.5
• 申請日: 2021-01-20
• 公開（公告）號: CN112651164A
• 公開（公告）日: 2021-04-13
• 發明（設計）人: 王潤梓;王棟銘;張顯程;程呂一;李凱尚;張勇;涂善東
• 申請（專利權）人: 華東理工大學
• 主分類號: G06F30/25
• 分類號: G06F30/25;G06F30/27;G06N3/00;G06N3/04;G06N20/00;G06F111/06;G06F119/04;G06F119/14
• 代理公司: 上海智信專利代理有限公司 31002
• 代理人: 鄧琪

1.一種基于機器學習的蠕變疲勞壽命預測方法，其特征在于，包括：

步驟S1：獲取待預測的蠕變疲勞壽命數據組，將其隨機分為70％的訓練集和30％的測試集，每一個蠕變疲勞壽命數據組均包括實驗蠕變疲勞工況參數、中間計算參數和相對應的蠕變疲勞對數壽命；

步驟S2：提供一極限學習機模型，利用訓練集中的數據通過粒子群優化算法得到極限學習機模型的最優權重矩陣、最優偏置向量，進而得到形式為PSO-ELM模型的蠕變疲勞壽命預測模型；

步驟S3：根據測試集中的蠕變疲勞壽命數據組對所述蠕變疲勞壽命預測模型的精度進行驗證。

2.根據權利要求1所述的一種基于機器學習的蠕變疲勞壽命預測方法，其特征在于，所述步驟S1的實驗蠕變疲勞工況參數包括總應變范圍、拉伸保載時間和壓縮保載時間和應變速率；中間計算參數包括總應力幅、非彈性應變率和非彈性應變能密度范圍。

3.根據權利要求1所述的一種基于機器學習的蠕變疲勞壽命預測方法，其特征在于，所述步驟S2包括：

步驟S21：初始化PSO-ELM模型的參數，具體包括：將PSO-ELM模型的輸入層的神經元個數設置為與實驗蠕變疲勞工況參數和中間計算參數的總類別數相同，其輸出層的神經元個數設置為1；通過試參法確定其隱藏層的神經元的個數；設置粒子群優化算法的最大迭代次數和粒子的種群規模；隨機初始化粒子的位置和速度；

步驟S22：將訓練集中的實驗蠕變疲勞工況參數和中間計算參數共同作為輸入數據，將訓練集中的相對應的蠕變疲勞對數壽命作為輸出數據；對輸入數據和輸出數據均進行歸一化操作；

步驟S23：利用歸一化后的輸入數據和輸出數據對極限學習機模型進行訓練，并根據訓練結果來計算粒子的適應度值，粒子的適應度值為蠕變疲勞對數壽命的預測值與蠕變疲勞對數壽命的均方根誤差，并通過粒子群優化算法確定所有粒子的全局極值，將粒子的全局極值所對應的位置作為所述最優權重矩陣和最優偏置向量；

步驟S24：將所述最優權重矩陣設置為所述極限學習機模型的權重矩陣，將所述最優偏置向量設置為所述極限學習機模型的偏置向量，進而得到蠕變疲勞壽命預測模型。

4.根據權利要求3所述的一種基于機器學習的蠕變疲勞壽命預測方法，其特征在于，所述蠕變疲勞對數壽命的預測值與蠕變疲勞對數壽命的均方根誤差為：

其中，m為訓練集中的蠕變疲勞壽命數據組的個數，y_i為訓練集中的蠕變疲勞對數壽命，為為蠕變疲勞對數壽命的預測值。

5.根據權利要求3所述的一種基于機器學習的蠕變疲勞壽命預測方法，其特征在于，所述步驟S23包括：

步驟S231：利用歸一化后的輸入數據和輸出數據對極限學習機模型進行訓練，根據訓練結果確定粒子的適應度值，進而確定初始的每個粒子的個體極值和所有粒子的全局極值；

步驟S232：粒子的迭代次數加一，并使用粒子群優化算法對粒子的位置和速度進行更新；

步驟S233：再次計算粒子的適應度值，更新每個粒子的個體極值和所有粒子的全局極值；

步驟S234：重復所述步驟S232和步驟S233，直到迭代次數滿足預設的最大迭代次數T_max，所得到的所有粒子的全局極值所對應的位置為最優權重矩陣和最優偏置向量。

6.根據權利要求5所述的一種基于機器學習的蠕變疲勞壽命預測方法，其特征在于，在所述步驟S232中，更新公式如下：

其中，是每個粒子第k+1次迭代時的速度，ω(k)是第k次迭代時的慣性權重，是每個粒子第k次迭代時的速度；c₁和c₂是加速度因子，這里均設置為2；r₁和r₂是分布在[0，1]之間的隨機數；是每個粒子在k次迭代中對應適應度最佳的個體的空間位置，是所有粒子在k次迭代中對應的適應度最佳的空間位置；是每個粒子第k次迭代時的空間位置，是每個粒子第k+1次迭代時的空間位置；k為正整數。