[发明专利]基于灰色预测和LSTM的高温合金疲劳性能预测方法

权利要求书

1.一种基于灰色预测和LSTM的高温合金疲劳寿命预测方法，包括如下步骤：

步骤一，数据集的获取：构建待预测合金的微观组织损伤信息参数以及力学性能试验数据的数据集；微观组织损伤信息参数包括：γ′强化相、γ基体相、γ′强化相体积分数、碳化物以及拓扑密排相等；所述力学性能试验数据包括：疲劳寿命、屈服强度、疲劳强度以及抗拉强度；

步骤二，灰色预测模型的构建：根据灰色系统理论，构建GM(1，1)模型；

S21已知元素原始序列数据：

X⁽⁰⁾＝(x⁽⁰⁾(1)，x⁽⁰⁾(2)，x⁽⁰⁾(3)，...，x⁽⁰⁾(n))

其中X⁽⁰⁾表示原始序列，且x⁽⁰⁾(k)≥0，k＝1，2，...，n；原始序列数据的累加生成序列为：

X⁽¹⁾＝(x⁽¹⁾(1)，x⁽¹⁾(2)，x⁽¹⁾(3)，…，x⁽¹⁾(n))

其中X⁽¹⁾表示生成序列，且

X⁽¹⁾的紧邻均值生成序列为：

Z⁽¹⁾＝(z⁽¹⁾(2)，z⁽¹⁾(3)，...，z⁽¹⁾(n))

其中Z⁽¹⁾为紧邻均值生成序列，且

z⁽¹⁾(k)＝0.5x⁽¹⁾(k)+0.5x⁽¹⁾(k-1)，k＝1，2，…，n

S22建立GM(1，1)的灰微分方程模型：

x⁽⁰⁾(k)+az⁽¹⁾(k)＝c

其中，a为发展系数，c为灰色作用量；

S23为待估参数向量，即则灰微分方程的最小二乘估计参数列满足

其中B为均值序列向量，Y为常数相向量，分别为：

S24建立灰微分方程的白化方程：

白化方程的解是一个时间响应函数，为：

S25累减还原得到灰色预测模型：

步骤三，根据灰色预测模型，进行基于时间序列的微组织损伤因子预测，得到相同时间间隔下的未来时间预测值；

步骤四，利用最小二乘法，对步骤一得到的数据集中的试验值和步骤三得到的预测值进行拟合，得到拟合函数；

步骤五，利用步骤四得到的拟合函数，求得任意时间下的损伤因子值；给定时间序列间隔，得到每一个时间间隔点的损伤因子值，即得到时间序列相关的损伤因子数据集；利用损伤因子与疲劳寿命关系计算出每一个时间点对应的疲劳寿命；

步骤六，LSTM神经网络预测模型的构建；该模型由记忆存储单元构成，经过更新门，遗忘门和输出门调控记忆存储单元，即记忆细胞，由门控单元控制输入数据集的数据传播；

S61加载数据集：将步骤五中损伤因子值和疲劳寿命值分别作为输入和输出，利用LSTM长短时记忆神经网络对疲劳寿命进行预测；

S62基于Keras框架构建LSTM神经网络预测模型：

遗忘门：遗忘掉过去t-1时刻积累的无用记忆，即在损伤信息中，删除无用的信息，

f_t＝σ(W_xfx_t+W_hfh_t-1+b_f)

式中x为LSTM的输入数据集，h为状态值，W为权重矩阵，b为偏置矩阵，σ表示激活函数sigmoid，f为遗忘门；

更新门：对t时刻的新内容进行更新，将损伤信息中有关的知识保留到记忆细胞内，更新记忆细胞内的信息，

i_t＝σ(W_xix_t+W_hih_t-1+b_i)

g_t＝tanh(W_xgx_t+W_hgh_t-1+b_g)

式中i和g为更新门的两个函数运算，tanh表示激活函数tanh；

记忆存储单元(即记忆细胞)：在LSTM的每个时间步里，都有一个记忆细胞，给予了LSTM选择记忆功能，使得LSTM有能力自由选择每个时间步里面记忆的内容；

c_t＝c_t-1⊙f_t+g_l⊙i_t

其中⊙为Hadamard积，c为记忆细胞；

输出门：运用t时刻有用的知识进行计算，得到：

O_t＝σ(W_xox_t+W_hoh_t-1+b_o)

m_t＝tanh(c_t)

h_t＝o_t⊙m_t

y_t＝W_ghh_t+b_g

式中O为输出门，m为记忆细胞与输出门的tanh计算，m能够将记忆细胞中有用的记忆内容转换为输出，y为输出值，即合金性能预测值；

S63编译LSTM神经网络预测模型，定义平均绝对误差为损失函数：

其中y_i为预测值，x_i为真实值。

步骤七，利用构建好的LSTM神经网络预测时序相关的定向凝固高温合金疲劳寿命。