[发明专利]一种基于人工神经网络的微动疲劳性能预测方法

说明书

本发明公开了一种基于人工神经网络的微动疲劳性能预测方法，通过一系列的实验获得相应的数据参数，构造微动疲劳数值模型和人工神经网络，根据人工神经网络预测结果与微动疲劳数值计算结果的误差，利用反向传播算法对人工神经网络进行优化，使其达到全局最优，最终完成对微动疲劳性能的准确预测；本发明通过在现有人工神经网络的基础上进行改进，获得低成本和全局最优的人工神经网络，最后根据改进的人工神经网络进行微动疲劳性能预测，解决了采用现有人工神经网络预测微动疲劳性能时的高成本和无法达到全局最优的问题，降低了实验和数值计算成本，提高了预测精度。

技术领域：

本发明涉及人工智能技术领域，特别是涉及一种基于人工神经网络的微动疲劳性能预测方法。

背景技术：

微动是指在机械振动、疲劳载荷等交变载荷作用下，发生在接触表面间极小幅值的相对切向运动，上述接触表面名义上是静止的。虽然对于微动的位移幅值没有严格的定义，但是通常认为该幅值在100μm以内。微动破坏的形式包括微动疲劳、微动磨损、微动腐蚀。微动疲劳指的是接触表面的相对运动是由一接触体承受外界交变疲劳应力引起变形而产生的微动。与没有接触关系存在的常规疲劳相比，微动增加了接触区域的拉伸应力和剪切应力并且使得接触区域产生缺陷，导致裂纹过早萌生，因此微动降低了零件的疲劳强度，导致零件的疲劳寿命大幅降低，甚至在低于材料的疲劳极限时零件也会发生破坏。对于遭受微动疲劳的零件，其寿命会降低30％～80％。

研究某一因素如法向载荷对微动疲劳性能的影响时，通常采取改变该因素如法向载荷的大小而保持其他因素不变的方法，如果需要确定某一未知法向载荷下试件的微动疲劳寿命，由于已有的研究没有包括该法向载荷下的实验或数值计算结果，因此，需要在该未知法向载荷下重新进行实验或数值计算，通常需要进行数万甚至几十万次的微动循环，并且影响微动过程的因素多达50个，一旦对上述因素均开展研究，时间成本和金钱成本将会大幅增加。如果首先对已有的微动疲劳实验或数值计算数据进行机器学习，然后对未知的微动疲劳性能进行预测，将会大幅提高解决微动疲劳问题的效率，人工神经网络能够胜任这项工作。

人工神经网络类似人类大脑，包括输入层、隐藏层和输出层。输入层数据到达输出层之前，需要经过隐藏层处理。除输出层外，输入层和隐藏层的每个神经元首先与权重相乘，然后与偏置相加，最后经过激活函数处理后作为后一层的神经元。

当下用于研究微动疲劳的人工神经网络存在如下问题：人工神经网络为了获得良好的预测性能，需要大量的实验数据进行训练和验证，成本过高；此外，当下的人工神经网络只能达到局部最优，无法达到全局最优，直接影响人工神经网络的预测精度。

发明内容：

本发明所要解决的技术问题是：克服现有技术的不足，通过在现有人工神经网络的基础上进行改进，获得低成本和全局最优的人工神经网络，解决采用现有人工神经网络预测微动疲劳性能时的高成本和无法达到全局最优的问题，获得高预测精度的基于人工神经网络的微动疲劳性能预测方法。

本发明的技术方案是：一种基于人工神经网络的微动疲劳性能预测方法，通过一系列的实验获得相应的数据参数，构造微动疲劳数值模型和人工神经网络，根据人工神经网络预测结果与微动疲劳数值计算结果的误差，利用反向传播算法对人工神经网络进行优化，使其达到全局最优，最终完成对微动疲劳性能的准确预测，其具体步骤是：

步骤一：采用圆形截面试件进行单轴拉伸实验和轴向等幅疲劳实验，获得材料弹性模量、泊松比和应力应变曲线及材料疲劳强度系数和疲劳强度指数；

步骤二：采用紧凑拉剪试件进行断裂力学实验，获得疲劳裂纹扩展阶段材料常数；

步骤三：基于双振子微动疲劳实验装置对采用圆柱压头和平板试件的不完全接触副进行微动疲劳实验，获得微动疲劳试件的裂纹萌生位置、裂纹萌生角度、裂纹萌生寿命、裂纹扩展路径、裂纹扩展寿命；