[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

说明书

本发明的目的是为了解决现有技术存在预测结果成本高、可信度低的问题，提供一种基于灰色预测和LSTM神经网络的高温合金疲劳寿命预测方法；本发明首先利用灰色预测，对等间隔时间序列的极少量样本的高温合金损伤因子进行预测，然后利用最小二乘法，将试验值与预测值进行拟合，得到时间序列与损伤因子的拟合函数，即可得到任意时间下的损伤因子，选取固定时间间隔下的损伤因子，通过损伤‑寿命关系计算此时间间隔序列下的疲劳寿命，将此时间序列下的损伤因子与疲劳寿命作为LSTM神经网络的数据集进行训练。此LSTM神经网络可作为基于损伤信息的时间序列神经网络预测模型来预测时序损伤的高温合金疲劳寿命。在无需进行大量试验与仿真的条件下，即可使用少量样本数据进行时间序列相关的疲劳寿命预测，大大降低部件的维修成本。

技术领域

本发明涉及一种基于灰色预测和LSTM的高温合金疲劳性能预测方法，特别涉及基于灰色预测和LSTM长短时神经网络的定向凝固高温合金疲劳性能预测方法，属于定向凝固高温合金相关领域。

背景技术

定向凝固高温合金因其优越的性能常常在航空发动机热端部件涡轮叶片上使用，而涡轮叶片所处的服役环境非常苛刻，叶片在高温下承受长时机械载荷，使得叶片材料出现与时间相关的微组织形貌演化，在服役阶段称为微观损伤。微观损伤显著降低了叶片材料力学性能，影响了材料的使用寿命，从而影响航空发动机安全运行和服役寿命。因此如何快速准确的预测材料性能越来越受到重视。由于服役过程的材料取样工作较难进行，试验数据样本量少，很难利用少量数据准确预测材料性能。

通常使用的预测材料性能的方法有经验公式和有限元法。建立寿命预测经验公式的方法需要进行大量的力学试验，进而分析试验数据来建立预测模型。此方法试验成本较高。有限元法也是常用的一种预测材料性能的有效方法，然而有限元常常不能很好的贴合工程实际，所以其预测结果可信度较低。

发明内容

本发明的目的是为了解决现有技术存在预测成本高、可信度低的问题，提供一种基于灰色预测和LSTM神经网络的高温合金寿命预测方法；本发明首先利用灰色预测，对等间隔时间序列的极少量样本的高温合金损伤因子进行预测，然后利用最小二乘法，将试验值与预测值进行拟合，得到时间序列与损伤因子的拟合函数，即可得到任意时间下的损伤因子，选取固定时间间隔下的损伤因子，通过损伤-寿命关系计算此时间间隔序列下的疲劳寿命，将此时间序列下的损伤因子与疲劳寿命作为LSTM神经网络的数据集进行训练。此LSTM神经网络可作为基于损伤信息的时间序列神经网络预测模型来预测时序相关的高温合金性能。在无需进行大量试验与仿真的条件下，即可使用极少量样本数据进行时间序列相关的疲劳寿命预测。

本发明的目的是通过下述技术方案实现的。

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))