[發明專利]基于灰色預測和LSTM的高溫合金疲勞性能預測方法

在審

• 申請號: 202210258972.5
• 申請日: 2022-03-09
• 公開（公告）號: CN114708927A
• 公開（公告）日: 2022-07-05
• 發明（設計）人: 黃渭清;李冬偉;劉金祥;左正興
• 申請（專利權）人: 北京理工大學
• 主分類號: G16C20/30
• 分類號: G16C20/30;G16C20/70;G16C60/00;G06F30/27;G06N3/04;G06F119/04;G06F119/14
• 代理公司: 北京正陽理工知識產權代理事務所(普通合伙) 11639
• 代理人: 鄔曉楠

本發明的目的是為了解決現有技術存在預測結果成本高、可信度低的問題，提供一種基于灰色預測和LSTM神經網絡的高溫合金疲勞壽命預測方法；本發明首先利用灰色預測，對等間隔時間序列的極少量樣本的高溫合金損傷因子進行預測，然后利用最小二乘法，將試驗值與預測值進行擬合，得到時間序列與損傷因子的擬合函數，即可得到任意時間下的損傷因子，選取固定時間間隔下的損傷因子，通過損傷?壽命關系計算此時間間隔序列下的疲勞壽命，將此時間序列下的損傷因子與疲勞壽命作為LSTM神經網絡的數據集進行訓練。此LSTM神經網絡可作為基于損傷信息的時間序列神經網絡預測模型來預測時序損傷的高溫合金疲勞壽命。在無需進行大量試驗與仿真的條件下，即可使用少量樣本數據進行時間序列相關的疲勞壽命預測，大大降低部件的維修成本。

技術領域

本發明涉及一種基于灰色預測和LSTM的高溫合金疲勞性能預測方法，特別涉及基于灰色預測和LSTM長短時神經網絡的定向凝固高溫合金疲勞性能預測方法，屬于定向凝固高溫合金相關領域。

背景技術

定向凝固高溫合金因其優越的性能常常在航空發動機熱端部件渦輪葉片上使用，而渦輪葉片所處的服役環境非常苛刻，葉片在高溫下承受長時機械載荷，使得葉片材料出現與時間相關的微組織形貌演化，在服役階段稱為微觀損傷。微觀損傷顯著降低了葉片材料力學性能，影響了材料的使用壽命，從而影響航空發動機安全運行和服役壽命。因此如何快速準確的預測材料性能越來越受到重視。由于服役過程的材料取樣工作較難進行，試驗數據樣本量少，很難利用少量數據準確預測材料性能。

通常使用的預測材料性能的方法有經驗公式和有限元法。建立壽命預測經驗公式的方法需要進行大量的力學試驗，進而分析試驗數據來建立預測模型。此方法試驗成本較高。有限元法也是常用的一種預測材料性能的有效方法，然而有限元常常不能很好的貼合工程實際，所以其預測結果可信度較低。

發明內容

本發明的目的是為了解決現有技術存在預測成本高、可信度低的問題，提供一種基于灰色預測和LSTM神經網絡的高溫合金壽命預測方法；本發明首先利用灰色預測，對等間隔時間序列的極少量樣本的高溫合金損傷因子進行預測，然后利用最小二乘法，將試驗值與預測值進行擬合，得到時間序列與損傷因子的擬合函數，即可得到任意時間下的損傷因子，選取固定時間間隔下的損傷因子，通過損傷-壽命關系計算此時間間隔序列下的疲勞壽命，將此時間序列下的損傷因子與疲勞壽命作為LSTM神經網絡的數據集進行訓練。此LSTM神經網絡可作為基于損傷信息的時間序列神經網絡預測模型來預測時序相關的高溫合金性能。在無需進行大量試驗與仿真的條件下，即可使用極少量樣本數據進行時間序列相關的疲勞壽命預測。

本發明的目的是通過下述技術方案實現的。

一種基于灰色預測和LSTM的高溫合金疲勞壽命預測方法，包括如下步驟：

步驟一，數據集的獲取：構建待預測合金的微觀組織損傷信息參數以及力學性能試驗數據的數據集。微觀組織損傷信息參數包括：γ′強化相、γ基體相、γ′強化相體積分數、碳化物以及拓撲密排相等；所述力學性能試驗數據包括：疲勞壽命、屈服強度、疲勞強度以及抗拉強度。

步驟二，灰色預測模型的構建：根據灰色系統理論，構建GM(1，1)模型。

S21已知元素原始序列數據：

X⁽⁰⁾＝(x⁽⁰⁾(1)，x⁽⁰⁾(2)，x⁽⁰⁾(3)，...，x⁽⁰⁾(n))

其中X⁽⁰⁾表示原始序列，且x⁽⁰⁾(k)≥0，k＝1，2，...，n。原始序列數據的累加生成序列為：

X⁽¹⁾＝(x⁽¹⁾(1)，x⁽¹⁾(2)，x⁽¹⁾(3)，...，x⁽¹⁾(n))