一种基于生成对抗网络和小样本数据的疲劳寿命预测方法

1.本发明涉及疲劳寿命预测领域，具体是一种基于生成对抗网络和小样本数据的疲劳寿命预测方法。


背景技术：

2.机械零部件疲劳寿命曲线是支撑高端装置的高可靠、长寿命设计的重要基础数据，其准确绘制依赖于大量疲劳试验数据。然而疲劳试验具有试验周期长、试验成本高等特点，机械零部件疲劳试验数据通常是小样本数据。因此，如何根据小样本机械零部件疲劳数据绘制较好地反映齿轮疲劳寿命关系的曲线至关重要。


技术实现要素：

3.本发明的目的是提供一种基于生成对抗网络和小样本数据的疲劳寿命预测方法，包括以下步骤：
4.1)获取机械零部件疲劳试验数据；
5.进一步，所述机械零部件疲劳试验数据通过对机械零部件试验点进行不同可靠度下的应力试验监测得到。
6.进一步，所述机械零部件疲劳试验数据为小样本数据，监测的机械零部件试验点数量小于等于5。
7.进一步，所述机械零部件疲劳试验数据包括不同可靠度下的应力-寿命数据，二者关系如下：
8.σm·nl,r
＝c(1)
9.式中，σ为应力，n
l,r
为可靠度r下的疲劳寿命，m和c为材料参数。
10.2)建立基于生成对抗网络的机械零部件疲劳数据增强模型；
11.3)利用机械零部件疲劳数据增强模型建立疲劳生成数据集；
12.进一步，所述基于生成对抗网络的机械零部件疲劳数据增强模型包括生成器和判别器；
13.所述生成器和判别器均为全连接神经网络模型，层间选用leakyrelu函数进行参数传递，采用rmsprop优化算法更新机械零部件疲劳数据增强模型权重。
14.进一步，利用机械零部件疲劳数据增强模型建立疲劳生成数据集的步骤包括：
15.3.1)将高斯随机噪声数据z输入到生成器中，生成器产生疲劳生成数据；
16.3.2)将疲劳生成数据和机械零部件疲劳试验数据输入到判别器中，所述判别器基于wasserstein距离算法计算疲劳生成数据和机械零部件疲劳试验数据的相似度，若相似度大于阈值，则输出疲劳生成数据集，否则更新生成器参数，并返回步骤3.1)。
17.4)对疲劳生成数据集进行清洗，得到优化疲劳生成数据，并将优化疲劳生成数据与机械零部件疲劳试验数据混合，得到疲劳曲线绘制数据集；
18.进一步，对疲劳生成数据集进行清洗的步骤包括：保留机械零部件小样本数据试
验应力级附近
±
0.2％以内应力波动的生成疲劳数据。
19.5)利用最小二乘法对疲劳曲线绘制数据集进行寿命分布的拟合与优度检验，得到定应力级下可靠度和寿命之间的关系；
20.进一步，所述定应力级下可靠度和寿命之间的关系如下所示：
[0021][0022]
式中，p(n
l
)为经验分布函数；μ
ln n
是对数正态分布的平均值；σ
ln n
为对数正态分布的方差；φ-1
(p(n
l
))表示寿命分布；n
l
为疲劳寿命。
[0023]
其中，经验分布函数p(n
l
)如下所示：
[0024][0025]
式中，if为给定试验应力级下总的疲劳曲线绘制数据顺序数，nf为给定试验应力级下总的疲劳曲线绘制数据量。
[0026]
6)根据定应力级下可靠度和寿命之间的关系，绘制机械零部件疲劳寿命曲线；
[0027]
7)监测当前机械零部件应力，根据机械零部件疲劳寿命曲线确定当前机械零部件应力对应的疲劳寿命预测结果。
[0028]
本发明的技术效果是毋庸置疑的，本发明通过生成与疲劳试验数据类似的数据，解决了机械零部件疲劳曲线绘制过程中数据样本不足的问题，进而实现了对小样本机械零部件疲劳数据增强和疲劳寿命曲线绘制。
附图说明
[0029]
图1为基于生成对抗网络的机械零部件疲劳数据增强模型；
[0030]
图2为齿轮弯曲疲劳生成数据集；
[0031]
图3为不同可靠度下机械零部件疲劳寿命曲线。
具体实施方式
[0032]
下面结合实施例对本发明作进一步说明，但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下，根据本领域普通技术知识和惯用手段，做出各种替换和变更，均应包括在本发明的保护范围内。
[0033]
实施例1：
[0034]
参见图1至图3，一种基于生成对抗网络和小样本数据的疲劳寿命预测方法，包括以下步骤：
[0035]
1)获取机械零部件疲劳试验数据；
[0036]
所述机械零部件疲劳试验数据通过对机械零部件试验点进行不同可靠度下的应力试验监测得到。
[0037]
所述机械零部件疲劳试验数据为小样本数据，监测的机械零部件试验点数量小于等于5。
[0038]
所述机械零部件疲劳试验数据包括不同可靠度下的应力-寿命数据，二者关系如下：
[0039]
σm·nl，r
＝c(1)
[0040]
式中，σ为应力，n
l，r
为可靠度r下的疲劳寿命，r为可靠度，m和c为材料参数。
[0041]
2)建立基于生成对抗网络的机械零部件疲劳数据增强模型；
[0042]
3)利用机械零部件疲劳数据增强模型建立疲劳生成数据集；
[0043]
所述基于生成对抗网络的机械零部件疲劳数据增强模型包括生成器和判别器；
[0044]
所述生成器和判别器均为全连接神经网络模型，层间选用leakyrelu函数进行参数传递，采用rmsprop优化算法更新机械零部件疲劳数据增强模型权重。
[0045]
利用机械零部件疲劳数据增强模型建立疲劳生成数据集的步骤包括：
[0046]
3.1)将高斯随机噪声数据z输入到生成器中，生成器产生疲劳生成数据；
[0047]
3.2)将疲劳生成数据和机械零部件疲劳试验数据输入到判别器中，所述判别器基于wasserstein距离算法计算疲劳生成数据和机械零部件疲劳试验数据的相似度，若相似度大于阈值，则输出疲劳生成数据集，否则更新生成器参数，并返回步骤3.1)。
[0048]
4)对疲劳生成数据集进行清洗，得到优化疲劳生成数据，并将优化疲劳生成数据与机械零部件疲劳试验数据混合，得到疲劳曲线绘制数据集；
[0049]
对疲劳生成数据集进行清洗的步骤包括：保留机械零部件小样本数据试验应力级附近
±
0.2％以内应力波动的生成疲劳数据。
[0050]
5)利用最小二乘法对疲劳曲线绘制数据集进行寿命分布的拟合与优度检验，得到定应力级下可靠度和寿命之间的关系；
[0051]
所述定应力级下可靠度和寿命之间的关系如下所示：
[0052][0053]
式中，p(n
l
)为经验分布函数；μ
lnn
是对数正态分布的平均值；σ
lnn
为对数正态分布的方差；φ-1
(p(n
l
))表示寿命分布；n
l
为疲劳寿命。
[0054]
其中，经验分布函数p(n
l
)如下所示：
[0055][0056]
式中，if为给定试验应力级下总的疲劳曲线绘制数据顺序数，nf为给定试验应力级下总的疲劳曲线绘制数据量。
[0057]
6)根据定应力级下可靠度和寿命之间的关系，绘制机械零部件疲劳寿命曲线；
[0058]
7)监测当前机械零部件应力，根据机械零部件疲劳寿命曲线确定当前机械零部件应力对应的疲劳寿命预测结果。
[0059]
实施例1：
[0060]
一种基于生成对抗网络和小样本数据的疲劳寿命预测方法，包括以下内容：
[0061]
1)获取齿轮弯曲疲劳试验数据，如表1所示，不同可靠度下的应力-寿命曲线关系可通过basquin模型表示：
[0062]
σm·nl，r
＝c(1)
[0063]
式中，σ为应力，n
l
为疲劳寿命，r为可靠度，m和c为材料参数。
[0064]
表1齿轮弯曲疲劳寿命数据
[0065]
齿轮弯曲应力/mpa对数弯曲疲劳寿命676.276.47712676.275.71158676.275.15246750.755.90008750.754.8023750.755.33053825.645.07593825.644.72722825.644.36696951.354.70944951.354.37585951.354.00996
[0066]
2)建立基于生成对抗网络的机械零部件疲劳数据增强模型：
[0067]
以高斯随机噪声数据z为生成器的输入，经过生成器产生生成数据，将生成器数据与机械零部件疲劳试验小样本数据一同进入判别器判别相似度。当相似度较高时，形成最终的生成疲劳数据。反之，则更新生成器模型参数。
[0068]
其中生成器和判别器均为全连接神经网络模型，层间选用leakyrelu函数进行参数传递，疲劳试验数据维度为2，采用rmsprop优化算法更新网络权重。
[0069]
3)建立生成数据集：每次训练结束后，取3000个生成疲劳数据建立疲劳生成数据集，如图2所示。
[0070]
4)生成数据集清洗与混合：取机械零部件小样本数据试验应力级
±
1mpa以内的生成疲劳数据，与小样本试验数据混合，建立疲劳曲线绘制数据集；
[0071]
5)按照递增顺序对小样本数据试验应力级下的疲劳曲线绘制数据点排列，确定各应力水平下的寿命分布情况，采用最小二乘法进行寿命分布的拟合与优度检验，拟合公式可表示为：
[0072][0073]
式中，p(n
l
)为经验分布函数，μ
ln n
是对数正态分布的平均值，其中p(n
l
)中位秩公式近似表达为
[0074][0075]
式中，if为给定试验应力级下总的疲劳曲线绘制数据顺序数，nf为给定试验应力级下总的疲劳曲线绘制数据量；
[0076]
6)疲劳寿命曲线绘制：根据式(2)得给定应力级下可靠度和寿命之间的关系，进一步通过最小二乘法即可绘制不同可靠度下机械零部件疲劳寿命曲线，如图3所示。
[0077]
实施例3：
[0078]
一种基于生成对抗网络和小样本数据的疲劳寿命预测方法，包括以下步骤：
[0079]
1)获取机械零部件疲劳试验小样本数据；
[0080]
2)建立基于生成对抗网络的机械零部件疲劳数据增强模型；
[0081]
3)利用机械零部件疲劳数据增强模型建立疲劳生成数据集；
[0082]
4)对疲劳生成数据集进行清洗，得到优化疲劳生成数据，并将优化疲劳生成数据与机械零部件疲劳试验数据混合，得到疲劳曲线绘制数据集；
[0083]
5)利用最小二乘法对疲劳曲线绘制数据集进行寿命分布的拟合与优度检验，得到定应力级下可靠度和寿命之间的关系；
[0084]
6)根据定应力级下可靠度和寿命之间的关系，绘制机械零部件疲劳寿命曲线；
[0085]
7)监测当前机械零部件应力，根据机械零部件疲劳寿命曲线确定当前机械零部件应力对应的疲劳寿命预测结果。
[0086]
实施例4：
[0087]
一种基于生成对抗网络和小样本数据的疲劳寿命预测方法，主要内容见实施例3，所述机械零部件疲劳试验数据通过对机械零部件试验点进行不同可靠度下的应力试验监测得到。
[0088]
实施例5：
[0089]
一种基于生成对抗网络和小样本数据的疲劳寿命预测方法，主要内容见实施例3，所述机械零部件疲劳试验数据为小样本数据，监测的机械零部件试验点数量小于等于5。
[0090]
实施例6：
[0091]
一种基于生成对抗网络和小样本数据的疲劳寿命预测方法，主要内容见实施例3，所述机械零部件疲劳试验数据包括不同可靠度下的应力-寿命数据，二者关系如下：
[0092]
σm·nl,r
＝c(1)
[0093]
式中，σ为应力，n
l,r
为可靠度r下的疲劳寿命，m和c为材料参数。
[0094]
实施例7：
[0095]
一种基于生成对抗网络和小样本数据的疲劳寿命预测方法，主要内容见实施例3，所述基于生成对抗网络的机械零部件疲劳数据增强模型包括生成器和判别器；
[0096]
所述生成器和判别器均为全连接神经网络模型，层间选用leakyrelu函数进行参数传递，采用rmsprop优化算法更新机械零部件疲劳数据增强模型权重。
[0097]
实施例8：
[0098]
一种基于生成对抗网络和小样本数据的疲劳寿命预测方法，主要内容见实施例3，利用机械零部件疲劳数据增强模型建立疲劳生成数据集的步骤包括：
[0099]
1)将高斯随机噪声数据z输入到生成器中，生成器产生疲劳生成数据；
[0100]
2)将疲劳生成数据和机械零部件疲劳试验数据输入到判别器中，所述判别器基于wasserstein距离算法计算疲劳生成数据和机械零部件疲劳试验数据的相似度，若相似度大于阈值，则输出疲劳生成数据集，否则更新生成器参数，并返回步骤1)。
[0101]
实施例9：
[0102]
一种基于生成对抗网络和小样本数据的疲劳寿命预测方法，主要内容见实施例3，对疲劳生成数据集进行清洗的步骤包括：保留机械零部件小样本数据试验应力级
±
0.2％以内应力波动的生成疲劳数据。
[0103]
实施例10：
[0104]
一种基于生成对抗网络和小样本数据的疲劳寿命预测方法，主要内容见实施例3，所述定应力级下可靠度和寿命之间的关系如下所示：
[0105][0106]
式中，p(n
l
)为经验分布函数；μ
ln n
是对数正态分布的平均值；σ
ln n
为对数正态分布的方差；φ-1
(p(n
l
))表示寿命分布；n
l
为疲劳寿命。
[0107]
其中，经验分布函数p(n
l
)如下所示：
[0108][0109]
式中，if为给定试验应力级下总的疲劳曲线绘制数据顺序数，nf为给定试验应力级下总的疲劳曲线绘制数据量。