【技术实现步骤摘要】
本专利技术属于大数据分析及应用，涉及基于多模态物理信息的疲劳寿命预测领域，特别是复杂多轴载荷下的低周疲劳寿命预测技术，尤其涉及一种多模态数据驱动的金属多轴疲劳寿命预测方法。
技术介绍
1、现有多轴载荷下的疲劳寿命的预测方法有两个瓶颈问题亟待解决，即多轴载荷下的疲劳失效物理关系复杂，预测难度大；基于统计方法或是试验方法的预测成本花费较高。在只考虑平载(如比例或恒定振幅循环载荷)的多轴疲劳情况下，可使用屈服准则来替代等效应力，即等效应力-应变准则。一些学者根据最大棱柱体和最小弗罗贝尼斯准则定义了外相和非比例情况下的多个等效参数。然而，对于更多的复杂载荷情况，这种方法给出的预期寿命并不可靠。后来发现沿剪切方向的应力会显著增加疲劳裂纹的扩展速度，因此提出了临界面法。临界面法是根据应力和/或应变分量计算出的损伤参数来评估多轴疲劳的，因其在多轴疲劳问题上的有效性而成为流行的方法。临界面法还可确定各种循环疲劳状态下的疲劳裂纹发生位置。
2、随着技术的发展，现有技术公开的有：利用内置物理准则的有限元法进行多轴载荷下的疲劳分析。有限元分析(fea)是一种在疲劳分析中广泛使用的基于物理定律的方法。有限元分析方法能够模拟编译加载谱下的疲劳条件，如全多轴非比例加载下的应力应变分布。表面的疲劳状态也可根据粗糙度和几何特性得到很好的描述。除机械分析外，许多研究还关注裂纹扩展。基于断裂力学的扩展有限元法(xfea)可以揭示金属部件的裂纹扩展趋势。此外，利用有限元分析输出的应力应变信息，可以使用fe-safe等疲劳分析软件直接进行寿命评估。为了提高
3、虽然基于统计知识的方法可以高精度、高效率地预测疲劳寿命，但在实施过程和预测结果方面仍存在一些局限性：(i)难以获得足够数量的统计数据；(ii)与基于物理的方法相比，可解释性和保真度较低；(iii)在不确定性相当大的情况下，计算成本昂贵。因此，对疲劳预测的需求日益增长，这就需要新颖的混合方法。物理信息机器学习(piml)是一种新兴范式，它将物理原理作为“先验”知识，从而显著提高机器学习模型的性能。piml的一种方法是将物理或经验法则(如常微分方程)嵌入机器学习网络。因此，在实际工程应用中，数据维度和数量不足将严重影响piml的训练性能。如上所述，有限元分析可以作为基于物理定律的数据采集的适当替代方法，这在很多工程项目中都很普遍。事实证明，在缺乏数据的情况下，基于有限元分析的piml是一种非常可靠且高效的方法。
4、由于多轴疲劳寿命预测十分复杂，设计到多种因素，尤其是含有多模态特征的输入因素。材料的基础物理属性决定了材料在外界复杂载荷下的疲劳行为和变化过程，而外界载荷具有时序性，又会通过几何效应迭代性影响结构响应。大量研究已经证明，物理响应与疲劳寿命具有强相关性，然而研究中却缺少同时利用具有离散特征与时序特征进行预测的手段。
5、综上，现有技术主要存在如下不足：
6、1、数据驱动方法缺乏物理引导；
7、2、数据驱动方法在复杂载荷领域缺乏数据来源；
8、3、疲劳寿命预测成本高、速度慢、准确性低。
技术实现思路
1、专利技术目的：针对上述现有技术的不足问题，本专利技术提供一种多模态数据驱动的金属多轴疲劳寿命预测方法。
2、为了实现上述的专利技术目的，本专利技术采用如下的技术方案。
3、一种多模态数据驱动的金属多轴疲劳寿命预测方法，包括如下步骤：
4、s1、基于前置试验建立需分析航空航天材料的性质数据库，通过试验数据拟合工程方程，获得该材料的物理性质，将这些性质将作为具有离散特征性质的数据添加进数据集；
5、s2、基于材料的物理性质建立有限元模型，通过组合有限元分析与实际试验对比，确定疲劳寿命作为标签建立基于仿真的高可靠训练数据集，该训练数据集用于机器学习算法训练物理关系的学习；
6、s3、数据集包括具有时序特征的多轴载荷谱、时序物理响应与具有离散特征的材料与外界环境信息；
7、该步骤包括构建基于动态回归选择的混合预测算法dl-lgbm-drs，由此实现多模态输入特征下金属材料多轴疲劳寿命的预测，该算法建立步骤包括：
8、s31、通过引入基于梯度的单边采样方法与互斥特征合并方法，实现构建lightgbm模型，然后利用gbdt算法对多重决策树进行组合，用于处理密集离散数据，达到高解释性和泛化性；
9、s32、基于循环神经网络构建基于长短期记忆网络的深度学习模型，其中长短期记忆网络通过遗忘门、输入门与输出门进行构建，用于实现长期记忆功能；
10、s33、构建动态回归选择算法，用于融合lightgbm模型和深度学习模型，形成处理多模态输入的疲劳寿命预测算法；
11、其中动态回归网络具体如下：
12、输入集合群f、训练集t、测试集s、权重向量w，对临近邻居定义为k，独立模型编号为n；
13、输出首先定义mae为平均绝对误差：
14、
15、式中，y为训练样本的实际值，为样本的预测值；
16、初始化平均绝对误差，定义误差error＝0与空集a，此时对于每个测试集s中的样本xi，对应训练集t找到样本的竞争区间ψ，对于每个集合群f中的每个独立模型预测的值计算关于竞争区间ψ的平均绝对误差，计算过程包括：
17、定义an＝w×maen，此时a＝a∪an，直到所有模型预测结果及误差均值为：
18、
19、和表示集合的更新，对于集合群中的每个预测值如果an＞(amax-amin)/2，那么就进行模型选择，执行如下的更新：
20、
21、定义n为集合群平均值的大小，对于每个an进行模型组合，即：
22、
23、此时定义：
24、
25、则最终的误差为errorfin＝error/|x|；
26、动态回归选择算法在最终对每个模型权重评估，即由以上最终误差errorfin进行定义，f(xj)为测试集中对应样本的观测值，为归一化后的结果；
27、对于每个样本，具有更小误差的数值被判定为最优，局部最优预测结果为动态回归网络算法的最终预测结果。
28、进一步地，步骤s3的动态回归选择的混合预测模型dl-lgbm-drs建立步骤包括：
29、s31、利用gbdt算法对多重决策树进行组合，用于处理密集离散数据，达到高解释性和泛化性，计算如下：
30、标准决策树如本文档来自技高网...
【技术保护点】
1.一种多模态数据驱动的金属多轴疲劳寿命预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的多模态数据驱动的金属多轴疲劳寿命预测方法，其特征在于，步骤S31中处理输入离散部分的GBDT算法的计算步骤包括：
3.根据权利要求1所述的多模态数据驱动的金属多轴疲劳寿命预测方法，其特征在于，步骤S1包括采用准静态单轴拉伸试验、单轴拉压试验、纯扭转试验与多轴疲劳试验对需求航空材料进行物理性质初步估计，利用Manson-Coffin方程与Ramberg-Osgood方程对试验数据进行拟合，然后提取方程特征得到材料的单轴与循环疲劳性质。
4.根据权利要求1所述的多模态数据驱动的金属多轴疲劳寿命预测方法，其特征在于，步骤S2所述的组合有限元分析法具体包括如下的操作：
5.根据权利要求1多模态数据驱动的金属多轴疲劳寿命预测方法，其特征在于，步骤S1所述的具有离散性质的数据包括：
【技术特征摘要】
1.一种多模态数据驱动的金属多轴疲劳寿命预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的多模态数据驱动的金属多轴疲劳寿命预测方法，其特征在于，步骤s31中处理输入离散部分的gbdt算法的计算步骤包括：
3.根据权利要求1所述的多模态数据驱动的金属多轴疲劳寿命预测方法，其特征在于，步骤s1包括采用准静态单轴拉伸试验、单轴拉压试验、纯扭转试验与多轴疲劳试验对需求航空材料进行物理...
【专利技术属性】
技术研发人员：赵旭峰，李不同，朱俊杰，王路兵，陈颖，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。