一种基于多源信息融合与长短期记忆网络的钢结构焊接残余应力演化预测方法与流程

本发明属于钢结构应力演化领域，尤其涉及一种基于多源信息融合与长短期记忆网络的钢结构焊接残余应力演化预测方法。

背景技术：

1、钢结构焊接残余应力的精确预测直接关系到结构的长期安全性与服役寿命。焊接过程中局部高温加热与快速冷却引发的残余应力分布不均，是导致结构开裂、变形甚至失效的重要诱因。现有残余应力预测方法多依赖有限元数值模拟或经验公式计算，此类方法基于热弹塑性理论或固有应变理论，通过建立焊接热源模型、材料本构方程及边界条件，在给定工艺参数下求解特定时刻的应力场分布。随着传感技术的发展，部分研究开始尝试将温度监测数据或形变监测数据作为输入特征，结合神经网络等数据驱动模型进行残余应力预测，在一定程度上提升了预测效率。这些方法已在实验室环境或离线分析中取得了较为稳定的静态预测结果，为焊接工艺优化提供了参考依据。

2、然而，上述现有方法仍存在以下显著技术问题：第一，有限元模拟和经验公式本质上属于静态计算方法，仅能提供焊接过程中某一特定时刻或焊后终态的应力分布结果，难以刻画焊接全过程中应力场随温度变化、材料相变及结构收缩持续累积与释放的连续演化轨迹，导致预测结果与实际焊接现场的应力演化路径存在显著偏差。第二，焊接残余应力的演化受到温度场与形变场等多物理场的交叉耦合影响，在加热阶段温度梯度主导热应力积累，而在冷却阶段结构收缩变形逐渐成为应力演化的控制因素，这种不同阶段主导因素的动态切换使得单一物理量无法全程准确表征应力演化状态，现有方法缺乏针对阶段差异的自适应处理机制。第三，现有技术未能实现对温度场与形变场信息的时序协同处理，无法根据焊接过程的实时演化状态动态调整多源传感数据的权重贡献，导致各物理场的有效信息无法被充分融合利用，进一步降低了应力预测的精度与鲁棒性。因此，如何在焊接残余应力预测中实现多物理场信息的时序协同与阶段自适应融合，准确捕捉应力场从加热到冷却全周期的连续演化特征，成为亟待解决的技术难题。

技术实现思路

1、为解决上述技术问题，本发明提供了一种基于多源信息融合与长短期记忆网络的钢结构焊接残余应力演化预测方法，包括：

2、获取焊接过程的温度场传感数据与形变场传感数据，对所述温度场传感数据与所述形变场传感数据进行多物理场时序特征提取，得到第一时序特征集合；

3、根据所述第一时序特征集合，计算相邻时间节点的温度差值与形变差值，获得多物理场变化率序列；

4、根据所述多物理场变化率序列中的温度梯度变化率与预设的梯度阈值的比较结果，判定当前所处的焊接阶段，并从所述第一时序特征集合中提取与所述焊接阶段对应的阶段特征子集；

5、根据所述阶段特征子集，确定与所述焊接阶段对应的应力积累状态矩阵；

6、获取加热阶段对应的第一应力积累状态矩阵与冷却阶段对应的第二应力积累状态矩阵，根据所述第一应力积累状态矩阵与所述第二应力积累状态矩阵计算动态权重分配矩阵，并根据所述动态权重分配矩阵对所述第一应力积累状态矩阵和所述第二应力积累状态矩阵进行融合，得到融合应力特征张量；

7、根据所述融合应力特征张量进行残余应力映射，获得全周期连续演化的残余应力分布矩阵。

8、可选地，所述获取焊接过程的温度场传感数据与形变场传感数据，对所述温度场传感数据与所述形变场传感数据进行多物理场时序特征提取，得到第一时序特征集合，包括：

9、获取传感端采集的焊接件温度场传感数据与形变场传感数据，进行同步对齐处理，得到第一多物理场数据；

10、通过长短期记忆网络对所述第一多物理场数据进行时序段解析，提取多物理场时序特征，获得第一时序特征集合。

11、可选地，在所述通过长短期记忆网络对所述第一多物理场数据进行时序段解析，提取多物理场时序特征，获得第一时序特征集合之后，还包括：

12、根据所述第一时序特征集合计算温度场与形变场之间的融合项指标，确定第一融合项数值；

13、若所述第一融合项数值大于预设的判定值，则对所述第一时序特征集合执行降维处理，得到第二时序特征集合；

14、获取所述第二时序特征集合中的偏差量，根据所述偏差量生成对应的补偿项参数；

15、采用所述补偿项参数对所述第二时序特征集合进行修正，获得目标时序特征集合。

16、可选地，根据所述第一时序特征集合，计算相邻时间节点的温度差值与形变差值，获得多物理场变化率序列，包括：

17、提取所述第一时序特征集合中的相邻时间节点，得到相邻时间节点集合；

18、根据所述相邻时间节点集合，计算所述相邻时间节点集合对应的温度差值与形变差值，获得第一差值项；

19、通过所述第一差值项，采用支持向量机算法对所述第一差值项进行分类处理，得到多物理场变化率序列。

20、可选地，在所述通过所述第一差值项，采用支持向量机算法对所述第一差值项进行分类处理，得到多物理场变化率序列之后，还包括：

21、提取所述多物理场变化率序列中的异常波动数据，获得第一异常序列值；

22、若所述第一异常序列值大于预设的波动阈值，则截取所述第一异常序列值对应的物理量，得到目标物理量；

23、根据所述目标物理量，计算所述目标物理量在预设时间窗口内的累积偏移数值，确定最终状态值。

24、可选地，根据所述多物理场变化率序列中的温度梯度变化率与预设的梯度阈值的比较结果，判定当前所处的焊接阶段，并从所述第一时序特征集合中提取与所述焊接阶段对应的阶段特征子集，包括：

25、若所述温度梯度变化率大于所述预设的梯度阈值，则判定当前处于加热阶段，从所述第一时序特征集合中提取加热阶段特征子集；

26、若所述温度梯度变化率小于或等于所述预设的梯度阈值，则判定当前处于冷却阶段，从所述第一时序特征集合中提取冷却阶段特征子集。

27、可选地，根据所述阶段特征子集，确定与所述焊接阶段对应的应力积累状态矩阵，包括：

28、当判定当前处于所述加热阶段时，采用随机森林提取所述加热阶段特征子集中的温度主导特征，并根据所述温度主导特征确定第一应力积累状态矩阵；

29、当判定当前处于所述冷却阶段时，对所述冷却阶段特征子集进行结构收缩特征解析，确定形变主导特征，并根据所述形变主导特征得到第二应力积累状态矩阵。

30、可选地，所述采用随机森林提取所述加热阶段特征子集中的温度主导特征，并根据所述温度主导特征确定第一应力积累状态矩阵，包括：

31、采用预先建立的随机森林模型对所述加热阶段特征子集进行处理，计算所述随机森林模型中各个决策树分支节点的基尼指数，得到节点纯度值；

32、根据所述节点纯度值计算所述加热阶段特征子集中各个特征的分类贡献度，按照所述分类贡献度从大到小的顺序进行排列，提取排在首位的特征，确定温度主导特征；

33、获取所述温度主导特征对应的历史应力采集记录，从所述历史应力采集记录中提取与所述温度主导特征处于同一时间窗口的应力数值，构建初始应力向量；

34、通过对多个所述初始应力向量进行逐行拼接处理，生成第一应力积累状态矩阵。

35、可选地，对所述冷却阶段特征子集进行结构收缩特征解析，确定形变主导特征，并根据所述形变主导特征得到第二应力积累状态矩阵，包括：

36、采用主成分分析算法对所述冷却阶段特征子集进行降维处理，得到第一结构收缩量；

37、若所述第一结构收缩量大于预设的收缩阈值量，则对所述第一结构收缩量进行截断处理，获得第二结构收缩量；

38、提取所述第二结构收缩量中的形变量，根据所述形变量确定第一形变主导项；

39、采用支持向量机算法对所述第一形变主导项进行分类，得到第二形变主导项；

40、获取所述第二形变主导项对应的第一应力值，根据所述第一应力值计算应力积累量，通过所述应力积累量得到第二应力积累状态矩阵。

41、可选地，根据所述第一应力积累状态矩阵与所述第二应力积累状态矩阵计算动态权重分配矩阵，并根据所述动态权重分配矩阵对所述第一应力积累状态矩阵和所述第二应力积累状态矩阵进行融合，得到融合应力特征张量，包括：

42、计算所述第一应力积累状态矩阵与所述第二应力积累状态矩阵的差异值；

43、若所述差异值大于预设的阈值量，则采用奇异值分解算法对所述第一应力积累状态矩阵与所述第二应力积累状态矩阵进行分解，得到第一奇异值矩阵与第二奇异值矩阵；

44、根据所述第一奇异值矩阵与所述第二奇异值矩阵计算协方差，获得协方差矩阵；

45、根据所述协方差矩阵计算所述第一应力积累状态矩阵与所述第二应力积累状态矩阵的相似度，得到相似度矩阵；

46、根据所述相似度矩阵计算动态权重，获得动态权重分配矩阵；

47、根据所述动态权重分配矩阵对所述第一应力积累状态矩阵与所述第二应力积累状态矩阵进行加权计算，得到乘积项；

48、根据所述乘积项构建张量值，获得所述融合应力特征张量。

49、另一方面，本发明还提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并且可在所述处理器上运行的计算程序，所述处理器执行所述计算程序时实现所述方法。

50、另一方面，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述方法。

51、与现有技术相比，本发明具有如下优点和技术效果：

52、本发明通过长短期记忆网络对温度场与形变场传感数据进行时序特征提取，并计算多物理场变化率序列，实现了焊接全过程应力演化信息的完整保留，克服了传统静态方法无法刻画应力连续演化轨迹的缺陷。通过将温度梯度变化率与预设阈值比较，自动识别加热阶段与冷却阶段，并针对加热阶段采用随机森林提取温度主导特征、针对冷却阶段通过结构收缩特征解析确定形变主导特征，解决了不同阶段主导因素动态切换导致单一物理量表征失效的问题。进一步通过计算动态权重分配矩阵对两阶段应力状态矩阵进行自适应融合，实现了多物理场信息的时序协同与贡献度动态调整，有效提升了焊接残余应力预测的精度与工程适用性，为钢结构焊接质量智能监控提供了可靠的技术支撑。