[发明专利]一种基于机器学习的蠕变疲劳寿命预测方法

权利要求书

1.一种基于机器学习的蠕变疲劳寿命预测方法，其特征在于，包括：

步骤S1：获取待预测的蠕变疲劳寿命数据组，将其随机分为70％的训练集和30％的测试集，每一个蠕变疲劳寿命数据组均包括实验蠕变疲劳工况参数、中间计算参数和相对应的蠕变疲劳对数寿命；

步骤S2：提供一极限学习机模型，利用训练集中的数据通过粒子群优化算法得到极限学习机模型的最优权重矩阵、最优偏置向量，进而得到形式为PSO-ELM模型的蠕变疲劳寿命预测模型；

步骤S3：根据测试集中的蠕变疲劳寿命数据组对所述蠕变疲劳寿命预测模型的精度进行验证。

2.根据权利要求1所述的一种基于机器学习的蠕变疲劳寿命预测方法，其特征在于，所述步骤S1的实验蠕变疲劳工况参数包括总应变范围、拉伸保载时间和压缩保载时间和应变速率；中间计算参数包括总应力幅、非弹性应变率和非弹性应变能密度范围。

3.根据权利要求1所述的一种基于机器学习的蠕变疲劳寿命预测方法，其特征在于，所述步骤S2包括：

步骤S21：初始化PSO-ELM模型的参数，具体包括：将PSO-ELM模型的输入层的神经元个数设置为与实验蠕变疲劳工况参数和中间计算参数的总类别数相同，其输出层的神经元个数设置为1；通过试参法确定其隐藏层的神经元的个数；设置粒子群优化算法的最大迭代次数和粒子的种群规模；随机初始化粒子的位置和速度；

步骤S22：将训练集中的实验蠕变疲劳工况参数和中间计算参数共同作为输入数据，将训练集中的相对应的蠕变疲劳对数寿命作为输出数据；对输入数据和输出数据均进行归一化操作；

步骤S23：利用归一化后的输入数据和输出数据对极限学习机模型进行训练，并根据训练结果来计算粒子的适应度值，粒子的适应度值为蠕变疲劳对数寿命的预测值与蠕变疲劳对数寿命的均方根误差，并通过粒子群优化算法确定所有粒子的全局极值，将粒子的全局极值所对应的位置作为所述最优权重矩阵和最优偏置向量；

步骤S24：将所述最优权重矩阵设置为所述极限学习机模型的权重矩阵，将所述最优偏置向量设置为所述极限学习机模型的偏置向量，进而得到蠕变疲劳寿命预测模型。

4.根据权利要求3所述的一种基于机器学习的蠕变疲劳寿命预测方法，其特征在于，所述蠕变疲劳对数寿命的预测值与蠕变疲劳对数寿命的均方根误差为：

其中，m为训练集中的蠕变疲劳寿命数据组的个数，y_i为训练集中的蠕变疲劳对数寿命，为为蠕变疲劳对数寿命的预测值。

5.根据权利要求3所述的一种基于机器学习的蠕变疲劳寿命预测方法，其特征在于，所述步骤S23包括：

步骤S231：利用归一化后的输入数据和输出数据对极限学习机模型进行训练，根据训练结果确定粒子的适应度值，进而确定初始的每个粒子的个体极值和所有粒子的全局极值；

步骤S232：粒子的迭代次数加一，并使用粒子群优化算法对粒子的位置和速度进行更新；

步骤S233：再次计算粒子的适应度值，更新每个粒子的个体极值和所有粒子的全局极值；

步骤S234：重复所述步骤S232和步骤S233，直到迭代次数满足预设的最大迭代次数T_max，所得到的所有粒子的全局极值所对应的位置为最优权重矩阵和最优偏置向量。

6.根据权利要求5所述的一种基于机器学习的蠕变疲劳寿命预测方法，其特征在于，在所述步骤S232中，更新公式如下：

其中，是每个粒子第k+1次迭代时的速度，ω(k)是第k次迭代时的惯性权重，是每个粒子第k次迭代时的速度；c₁和c₂是加速度因子，这里均设置为2；r₁和r₂是分布在[0，1]之间的随机数；是每个粒子在k次迭代中对应适应度最佳的个体的空间位置，是所有粒子在k次迭代中对应的适应度最佳的空间位置；是每个粒子第k次迭代时的空间位置，是每个粒子第k+1次迭代时的空间位置；k为正整数。