一种基于生成对抗网络和小样本数据的疲劳寿命预测方法技术

本发明专利技术公开一种基于生成对抗网络和小样本数据的疲劳寿命预测方法，包括以下步骤：1)获取机械零部件疲劳试验数据；2)建立机械零部件疲劳数据增强模型；3)建立疲劳生成数据集；4)对疲劳生成数据集进行清洗，得到优化疲劳生成数据，并将优化疲劳生成数据与机械零部件疲劳试验数据混合，得到疲劳曲线绘制数据集；5)利用最小二乘法对疲劳曲线绘制数据集进行寿命分布的拟合与优度检验，得到定应力级下可靠度和寿命之间的关系；6)绘制机械零部件疲劳寿命曲线；7)监测当前机械零部件应力，根据机械零部件疲劳寿命曲线确定当前机械零部件应力对应的疲劳寿命预测结果。本发明专利技术实现了对小样本机械零部件疲劳数据增强和疲劳寿命曲线绘制。制。制。

【技术实现步骤摘要】
一种基于生成对抗网络和小样本数据的疲劳寿命预测方法


[0001]本专利技术涉及疲劳寿命预测领域，具体是一种基于生成对抗网络和小样本数据的疲劳寿命预测方法。

技术介绍

[0002]机械零部件疲劳寿命曲线是支撑高端装置的高可靠、长寿命设计的重要基础数据，其准确绘制依赖于大量疲劳试验数据。然而疲劳试验具有试验周期长、试验成本高等特点，机械零部件疲劳试验数据通常是小样本数据。因此，如何根据小样本机械零部件疲劳数据绘制较好地反映齿轮疲劳寿命关系的曲线至关重要。

技术实现思路

[0003]本专利技术的目的是提供一种基于生成对抗网络和小样本数据的疲劳寿命预测方法，包括以下步骤：
[0004]1)获取机械零部件疲劳试验数据；
[0005]进一步，所述机械零部件疲劳试验数据通过对机械零部件试验点进行不同可靠度下的应力试验监测得到。
[0006]进一步，所述机械零部件疲劳试验数据为小样本数据，监测的机械零部件试验点数量小于等于5。
[0007]进一步，所述机械零部件疲劳试验数据包括不同可靠度下的应力
‑
寿命数据，二者关系如下：
[0008]σ
m
·
N
L,R
＝C(1)
[0009]式中，σ为应力，N
L,R
为可靠度R下的疲劳寿命，m和C为材料参数。
[0010]2)建立基于生成对抗网络的机械零部件疲劳数据增强模型；
[0011]3)利用机械零部件疲劳数据增强模型建立疲劳生成数据集；
[0012]进一步，所述基于生成对抗网络的机械零部件疲劳数据增强模型包括生成器和判别器；
[0013]所述生成器和判别器均为全连接神经网络模型，层间选用LeakyReLU函数进行参数传递，采用RMSprop优化算法更新机械零部件疲劳数据增强模型权重。
[0014]进一步，利用机械零部件疲劳数据增强模型建立疲劳生成数据集的步骤包括：
[0015]3.1)将高斯随机噪声数据z输入到生成器中，生成器产生疲劳生成数据；
[0016]3.2)将疲劳生成数据和机械零部件疲劳试验数据输入到判别器中，所述判别器基于Wasserstein距离算法计算疲劳生成数据和机械零部件疲劳试验数据的相似度，若相似度大于阈值，则输出疲劳生成数据集，否则更新生成器参数，并返回步骤3.1)。
[0017]4)对疲劳生成数据集进行清洗，得到优化疲劳生成数据，并将优化疲劳生成数据与机械零部件疲劳试验数据混合，得到疲劳曲线绘制数据集；
[0018]进一步，对疲劳生成数据集进行清洗的步骤包括：保留机械零部件小样本数据试
验应力级附近
±
0.2％以内应力波动的生成疲劳数据。
[0019]5)利用最小二乘法对疲劳曲线绘制数据集进行寿命分布的拟合与优度检验，得到定应力级下可靠度和寿命之间的关系；
[0020]进一步，所述定应力级下可靠度和寿命之间的关系如下所示：
[0021][0022]式中，P(N
L
)为经验分布函数；μ
ln N
是对数正态分布的平均值；σ
ln N
为对数正态分布的方差；Φ
‑1(P(N
L
))表示寿命分布；N
L
为疲劳寿命。
[0023]其中，经验分布函数P(N
L
)如下所示：
[0024][0025]式中，i
F
为给定试验应力级下总的疲劳曲线绘制数据顺序数，n
F
为给定试验应力级下总的疲劳曲线绘制数据量。
[0026]6)根据定应力级下可靠度和寿命之间的关系，绘制机械零部件疲劳寿命曲线；
[0027]7)监测当前机械零部件应力，根据机械零部件疲劳寿命曲线确定当前机械零部件应力对应的疲劳寿命预测结果。
[0028]本专利技术的技术效果是毋庸置疑的，本专利技术通过生成与疲劳试验数据类似的数据，解决了机械零部件疲劳曲线绘制过程中数据样本不足的问题，进而实现了对小样本机械零部件疲劳数据增强和疲劳寿命曲线绘制。
附图说明
[0029]图1为基于生成对抗网络的机械零部件疲劳数据增强模型；
[0030]图2为齿轮弯曲疲劳生成数据集；
[0031]图3为不同可靠度下机械零部件疲劳寿命曲线。
具体实施方式
[0032]下面结合实施例对本专利技术作进一步说明，但不应该理解为本专利技术上述主题范围仅限于下述实施例。在不脱离本专利技术上述技术思想的情况下，根据本领域普通技术知识和惯用手段，做出各种替换和变更，均应包括在本专利技术的保护范围内。
[0033]实施例1：
[0034]参见图1至图3，一种基于生成对抗网络和小样本数据的疲劳寿命预测方法，包括以下步骤：
[0035]1)获取机械零部件疲劳试验数据；
[0036]所述机械零部件疲劳试验数据通过对机械零部件试验点进行不同可靠度下的应力试验监测得到。
[0037]所述机械零部件疲劳试验数据为小样本数据，监测的机械零部件试验点数量小于等于5。
[0038]所述机械零部件疲劳试验数据包括不同可靠度下的应力
‑
寿命数据，二者关系如下：
[0039]σ
m
·
N
L，R
＝C(1)
[0040]式中，σ为应力，N
L，R
为可靠度R下的疲劳寿命，R为可靠度，m和C为材料参数。
[0041]2)建立基于生成对抗网络的机械零部件疲劳数据增强模型；
[0042]3)利用机械零部件疲劳数据增强模型建立疲劳生成数据集；
[0043]所述基于生成对抗网络的机械零部件疲劳数据增强模型包括生成器和判别器；
[0044]所述生成器和判别器均为全连接神经网络模型，层间选用LeakyReLU函数进行参数传递，采用RMSprop优化算法更新机械零部件疲劳数据增强模型权重。
[0045]利用机械零部件疲劳数据增强模型建立疲劳生成数据集的步骤包括：
[0046]3.1)将高斯随机噪声数据z输入到生成器中，生成器产生疲劳生成数据；
[0047]3.2)将疲劳生成数据和机械零部件疲劳试验数据输入到判别器中，所述判别器基于Wasserstein距离算法计算疲劳生成数据和机械零部件疲劳试验数据的相似度，若相似度大于阈值，则输出疲劳生成数据集，否则更新生成器参数，并返回步骤3.1)。
[0048]4)对疲劳生成数据集进行清洗，得到优化疲劳生成数据，并将优化疲劳生成数据与机械零部件疲劳试验数据混合，得到疲劳曲线绘制数据集；
[0049]对疲劳生成数据集进行清洗的步骤包括：保留机械零部件小样本数据试验应力级附近
±
0.2％以内应力波动的生成疲劳数据。
[0050]5)利用最小二乘法对疲劳曲线绘制数据集进行寿命分布的拟合与优度检验，得到定应本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于生成对抗网络和小样本数据的疲劳寿命预测方法，其特征在于，包括以下步骤：1)获取所述机械零部件疲劳试验小样本数据；2)建立基于生成对抗网络的机械零部件疲劳数据增强模型。3)利用机械零部件疲劳数据增强模型建立疲劳生成数据集；4)对疲劳生成数据集进行清洗，得到优化疲劳生成数据，并将优化疲劳生成数据与机械零部件疲劳试验数据混合，得到疲劳曲线绘制数据集；5)利用最小二乘法对疲劳曲线绘制数据集进行寿命分布的拟合与优度检验，得到定应力级下可靠度和寿命之间的关系；6)根据定应力级下可靠度和寿命之间的关系，绘制机械零部件疲劳寿命曲线；7)监测当前机械零部件应力，根据机械零部件疲劳寿命曲线确定当前机械零部件应力对应的疲劳寿命预测结果。2.根据权利要求1所述的一种基于生成对抗网络和小样本数据的疲劳寿命预测方法，其特征在于：所述机械零部件疲劳试验数据通过对机械零部件试验点进行不同可靠度下的应力试验监测得到。3.根据权利要求2所述的一种基于生成对抗网络和小样本数据的疲劳寿命预测方法，其特征在于：所述机械零部件疲劳试验数据为小样本数据，监测的机械零部件试验点数量小于等于5。4.根据权利要求1所述的一种基于生成对抗网络和小样本数据的疲劳寿命预测方法，其特征在于，所述机械零部件疲劳试验数据包括不同可靠度下的应力
‑
寿命数据，二者关系如下：σ
m
·
N
L,R
＝C(1)式中，σ为应力，N
L,R
为可靠度R下的疲劳寿命，m和C为材料参数。5.根据权利要求1所述的一种基于生成对抗网络和小样本数据的疲劳寿命预测方法，其特征在于：所述基于生成对抗网络的机械零部件疲劳数据增强模型包括生成器和判别...

【专利技术属性】
技术研发人员：卢泽华，刘怀举，魏沛堂，贾晨帆，李扬，
申请(专利权)人：重庆大学，
类型：发明
国别省市：