金属多轴疲劳寿命预测方法、系统、存储介质及电子设备与流程

本发明属于金属多轴疲劳寿命预测，特别是涉及金属多轴疲劳寿命预测方法、系统、存储介质及电子设备。

背景技术：

1、金属构件在长期服役过程中不可避免地承受循环载荷作用，在汽车制造、机械工程等行业中，金属材料的疲劳行为直接影响到结构件的安全性与可靠性，金属在长期循环载荷作用下容易发生微裂纹扩展与最终断裂，导致灾难性故障；据文献统计，机械结构失效案例中约80%源于疲劳破坏。因此，在结构设计阶段及服役全生命周期内，对金属构件疲劳寿命进行高精度、高鲁棒性的预测，对于保障关键装备安全、优化维护策略以及降低运维成本均具有重要意义。

2、传统金属疲劳寿命预测方法主要基于经验-解析模型与断裂力学准则，典型代表包括四类：以basquin方程、coffin-manson关系以及morrow、smith-watson-topper等修正参数为代表的应力-寿命（s-n）与应变-寿命（ε-n）模型；以paris定律、forman方程为代表的裂纹扩展寿命模型；基于临界平面理论的findley、fatemi-socie、smith-watson-topper多轴疲劳准则；以名义应力法、热点应力法及局部应力应变法为核心的传统有限元-疲劳耦合分析流程。尽管上述方法在工程实践中已得到广泛应用，但其固有缺陷日益凸显：模型假设严格依赖理想化载荷谱、均质材料属性及二维裂纹扩展路径，难以准确捕捉复杂多轴非比例加载下的非线性耦合效应；经验参数需通过大量标定试验获取，预测精度受试样尺寸效应、表面质量及环境工况差异限制；对微观缺陷、晶粒取向、残余应力等细观静态特征及载荷序列、载荷-时间历程等动态时序特征缺乏有效表征能力，寿命评估结果分散性大、置信区间宽；模型更新机制缺失，难以实时融合运行监测数据，无法适应数字孪生框架下对寿命预测的在线更新需求。

3、近年来，随着传感器技术与人工智能算法的快速发展，数据驱动的金属疲劳寿命预测方法逐渐成为研究热点。该类方法无需依赖复杂的物理模型，可直接通过挖掘监测数据中蕴含的潜在规律构建预测模型，在多轴疲劳等复杂载荷条件下预测精度与适应性较传统方法有明显提升。例如，灰色lstm神经网络组合模型能有效预测金属轴零件循环寿命，明显降低预测寿命与实际寿命间的相对误差；cnn-lstm模型结合黏菌优化算法自动确定网络超参数，适合各种多轴加载条件下的寿命预测；基于人工神经网络（ann）的模型对铝合金疲劳寿命预测r2>0.9，然而，现有数据驱动研究仍存在明显局限：较少有模型能够系统性地同时建模静态特征与时序动态特征，大多数研究仅关注单一类型特征，或仅对两类特征进行简单的拼接或线性加权融合，难以充分挖掘异构数据间深层的、复杂的相互作用关系，限制了模型预测性能的进一步提升。

4、从技术实现角度看，现有方法在静态-动态异构特征协同建模方面存在显著的组合难度。静态特征通常为低维物理参数，动态特征则为多轴加载路径下的应力-应变响应序列，二者在数据形态、时间尺度、物理量纲和统计分布上均存在本质差异。若将两类特征直接拼接后统一编码，静态特征容易被长时序动态特征稀释，动态特征亦可能受到静态量纲干扰，导致特征相互污染；简单叠加静态特征提取网络、动态特征提取网络与注意力融合模块，并不能自然形成高精度、高鲁棒性的寿命预测模型，其组合方式本身即构成技术难点。

5、因此，本发明提供一种金属多轴疲劳寿命预测方法、系统、存储介质及电子设备，以突破现有数据驱动方法在多轴疲劳寿命预测中的性能瓶颈。

技术实现思路

1、本发明的目的在于提供金属多轴疲劳寿命预测方法、系统、存储介质及电子设备，通过静态-动态特征协同的双分支架构与并行transformer编码模块（ptem），实现跨模态特征的自适应加权融合，能够深度融合静态-动态多层次特征、具备自适应特征选择与权重分配机制的深度学习框架，以突破现有数据驱动方法在多轴疲劳寿命预测中的性能瓶颈，提高金属多轴疲劳寿命预测的精度与可解释性，解决复杂非比例加载下金属多轴疲劳寿命预测精度不足、传统模型难以耦合静-动异构特征的问题。

2、为解决上述技术问题，本发明是通过以下技术方案实现的：

3、作为本发明提供的第一个方面，本发明为金属多轴疲劳寿命预测方法，包括以下步骤：

4、获取金属构件的静态特征数据与动态载荷-响应时序数据，静态特征数据包括金属材料的静力学参数，动态载荷-响应时序数据包括多轴加载路径下的应力-应变响应序列；

5、构建双分支特征提取网络：

6、通过静态特征提取分支对静态特征数据进行高阶抽象处理，输出静态特征向量；

7、通过动态特征提取分支捕获动态载荷-响应时序数据的双向长期依赖，输出动态特征向量；

8、通过并行transformer编码模块对静态特征向量、动态特征向量分别经相互独立的编码支路进行编码，再通过多头注意力机制完成静态特征向量、动态特征向量的自适应加权融合后按通道维度拼接，得到加权融合特征向量；

9、将加权融合特征向量输入预测头，输出金属多轴疲劳寿命预测结果。

10、进一步地，进行高阶抽象处理的方法包括：

11、通过静态特征提取分支依次堆叠维度为n、200、100的线性层，n为输入特征维度；

12、通过多层非线性变换将输入维度为n的静态特征数据映射为维度为100的静态特征向量；

13、其中，静态特征提取分支为深度神经网络dnn分支，所述静态特征提取分支的线性层的维度依次为静态特征维度n、200和100，输出维度为100的静态特征向量。

14、进一步地，捕获动态载荷-响应时序数据的双向长期依赖的方法包括：

15、将动态特征提取分支中lstm的层数设置为2、隐藏层维度设置为5；

16、动态特征提取分支的输出结果经flatten操作，再由维度为100的线性层转换后，得到与静态特征向量维度相匹配的动态特征向量；

17、其中，所述动态特征提取分支为双向长短期记忆网络bilstm分支，所述双向长短期记忆网络输出经flatten操作与维度为100的线性层转换，形成维度为100的动态特征向量。

18、进一步地，并行transformer编码模块采用并行双编码层结构，静态特征向量与动态特征向量在编码阶段相互独立，编码完成后再执行自适应加权融合。

19、进一步地，自适应加权融合的方法包括：

20、对静态特征向量与动态特征向量分别进行输入嵌入并添加可学习位置编码；

21、通过多头注意力机制分别计算静态特征提取分支和动态特征提取分支的查询矩阵q、键矩阵k和值矩阵v；

22、得到静态分支编码器处理后的特征向量zs和动态分支编码器处理后的特征向量zd；

23、对静态分支编码器处理后的特征向量和动态分支编码器处理后的特征向量分别进行输出嵌入，再进行加权并将加权后的特征向量按通道维度拼接，得到加权融合特征向量。

24、进一步地，还包括端到端的模型训练步骤：

25、通过最小化预测寿命与实测寿命之间的差异自动优化网络各模块参数，实现多源异构数据到疲劳寿命的直接映射。

26、进一步地，模型训练的超参数配置为：epoch设置为3000，batch size为128，随机种子设置为42，优化器为adamw，损失函数为mse，学习率范围为0.0001～0.01，采用单周期学习率调度及余弦退火下降策略，最优学习率为0.001。

27、进一步地，还包括可解释性分析步骤：

28、采用积分梯度方法量化动态载荷-响应时序数据中不同时间步对预测结果的影响程度，识别影响寿命预测的关键时间步；

29、采用shap方法量化各静态特征数据对预测结果的贡献度，识别关键材料特征。

30、作为本发明提供的第二个方面，本发明为金属多轴疲劳寿命预测系统，所述预测系统用于实现第一个方面所述的预测方法，所述预测系统包括：

31、数据获取模块，用于获取金属材料的静态特征数据与动态载荷-响应时序数据；

32、静态特征提取模块，用于通过静态特征提取分支对静态特征数据进行高阶抽象，得到静态特征向量；

33、动态特征提取模块，用于通过动态特征提取分支捕获动态载荷-响应时序数据的双向长期依赖，得到动态特征向量；

34、特征加权融合模块，用于通过并行transformer编码模块对静态特征向量与动态特征向量进行独立编码及自适应加权融合，得到加权融合特征向量；所述并行transformer编码模块采用并行双编码层结构，所述静态特征向量与所述动态特征向量在编码阶段分别经相互独立的编码支路进行处理，各支路分别通过多头注意力机制计算自注意力权重，经编码后的静态分支特征向量与动态分支特征向量再进行加权融合与拼接；

35、寿命预测模块，用于将加权融合特征向量输入预测头，输出金属多轴疲劳寿命预测结果。

36、作为本发明提供的第三个方面，本发明为一种电子设备，包括处理器和存储器，所述存储器存储有可被所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现第一个方面所述的金属多轴疲劳寿命预测方法的步骤。

37、作为本发明提供的第四个方面，本发明为一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现第一个方面所述的金属多轴疲劳寿命预测方法的步骤。

38、本发明具有以下有益效果：

39、本发明通过在特征提取过程中使用静态特征提取分支高阶抽象材料静力学参数，动态特征提取分支捕获载荷-响应长序依赖，采用并行transformer 编码模块对静态特征向量、动态特征向量分别经相互独立的编码支路进行编码，通过“独立编码-加权融合”机制实现跨模态特征自适应加权，既保留静态特征的语义稳定性与动态特征的时序变化性，又降低联合序列处理的计算复杂度。

40、当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。