[发明专利]基于支持向量机算法的合金钢疲劳极限检测方法及其系统

说明书

技术领域

本发明材料疲劳极限检测技术领域，尤其涉及一种基于支持向量机算法的合金钢疲劳极限检测方法及其系统。

背景技术

合金钢在低于材料屈服极限的交变应力(或应变)的反复作用下，经过一定的循环次数以后,会在应力集中部位萌生裂纹。裂纹在一定条件下扩展，最终突然断裂，这一失效过程称为疲劳破坏。疲劳破坏是工程结构中常见的一种失效形式。

在疲劳试验中，应力交变循环大至无限次而试样仍不破损时的最大应力叫疲劳极限。一般当用循环次数达到10的7次方而试样尚有90％不破坏情况下的应力表示疲劳极限。在疲劳问题的研究中，知道材料的疲劳极限，对于预防材料的疲劳断裂至关重要。试验是确切知道材料疲劳极限的主要途径，但疲劳试验设备昂贵，试验周期冗长且花费巨大。

发明内容

基于此，针对上述技术问题，本发明提供一种基于支持向量机算法的合金钢疲劳极限检测方法及其系统。

为解决上述技术问题，本发明采用如下的技术方案：

一种基于支持向量机算法的合金钢疲劳极限检测方法，包括：

以多种合金钢的常规机械性能参数作为训练样本集的输入参数，以所述多种合金钢对应的疲劳极限值作为输出参数，建立训练样本集；

将所述训练样本集输入到支持向量机算法中，建立基于支持向量机算法的疲劳极限计算模型；

将待测合金钢的常规机械性能参数进行归一化预处理；

将所述待测合金钢归一化预处理后的常规机械性能参数输入所述疲劳极限计算模型，获得该待测合金钢的疲劳极限值。

所述常规机械性能参数包括弹性模量、屈服极限、抗拉强度、延伸率以及断面收缩率。

所述支持向量机算法的核函数采用径向基函数。

本方案还涉及一种基于支持向量机算法的合金钢疲劳极限检测系统，包括：

训练样本集建立单元，用于以多种合金钢的常规机械性能参数作为训练样本集的输入参数，以所述多种合金钢对应的疲劳极限值作为输出参数，建立训练样本集；

模型建立单元，用于将所述训练样本集输入到支持向量机算法中，建立基于支持向量机算法的疲劳极限计算模型；

预处理单元，用于将待测合金钢的常规机械性能参数进行归一化预处理；

疲劳极限值计算单元，用于将所述待测合金钢归一化预处理后的常规机械性能参数输入所述疲劳极限计算模型，获得该待测合金钢的疲劳极限值。

所述常规机械性能参数包括弹性模量、屈服极限、抗拉强度、延伸率以及断面收缩率。

所述支持向量机算法的核函数采用径向基函数。

本发明利用较少的合金钢疲劳性能数据，不需进行材料疲劳实验即可得到疲劳极限，能够取得精度较高的效果，节省大量的试验费用和时间，本发明对于计算合金钢的疲劳寿命具有重要的理论意义和实际应用价值。

附图说明

下面结合附图和具体实施方式本发明进行详细说明：

图1为本发明的基于支持向量机算法的合金钢疲劳极限检测方法的流程图；

图2为本发明的基于支持向量机算法的合金钢疲劳极限检测系统的结构示意图。

具体实施方式

如图1所示，一种基于支持向量机算法的合金钢疲劳极限检测方法，包括：

S110、以多种合金钢的常规机械性能参数作为训练样本集的输入参数，以所述多种合金钢对应的疲劳极限值作为输出参数，建立训练样本集。

其中，常规机械性能参数包括弹性模量E、屈服极限σ_s、抗拉强度σ_b、延伸率δ以及断面收缩率ψ。

本实施例根据《机械工程材料性能数据手册》(机械工业出版社，1994)，选取34种合金钢来建立训练样本集，合金钢训练样本性能数据见表1：

表1

S120、将训练样本集输入到支持向量机算法中，建立基于支持向量机算法的疲劳极限计算模型。

其中，支持向量机算法(SupportVcetorMachine，SVM)，在样本量较少的情况下亦能获得很好的学习效果；同时，由于支持向量机算法是一个二次优化问题，所得到的解就是全局最优解，避免了神经网络等方法结构难于确定、过学习以及局部极小化等问题。合金钢疲劳极限的检测作为典型的小样本问题，很适合支持向量机算法的应用。