一种基于深度学习的疲劳裂纹扩展寿命预测方法及系统

摘要: 本发明涉及结构健康监测、疲劳损伤评估、设备剩余寿命预测与深度学习时序建模,尤其涉及一种融合长短期记忆网络、蒙特卡洛dropout和贝叶斯近似推理的疲劳裂纹扩展寿...
一种基于深度学习的疲劳裂纹扩展寿命预测方法及系统

本发明涉及结构健康监测、疲劳损伤评估、设备剩余寿命预测与深度学习时序建模,尤其涉及一种融合长短期记忆网络、蒙特卡洛dropout和贝叶斯近似推理的疲劳裂纹扩展寿命预测方法及系统。

背景技术:

1、疲劳裂纹扩展是航空发动机、压力容器、桥梁钢结构、轨道交通承载构件以及大型机械装备在交变载荷作用下常见的失效形式之一。裂纹一旦进入快速扩展阶段,结构剩余安全裕度会迅速降低,因此,准确预测裂纹扩展趋势和剩余寿命,对于制定检修策略、避免灾难性失效和保障重大装备安全运行具有重要意义。

2、现有疲劳裂纹扩展寿命预测方法主要包括基于断裂力学的模型方法、疲劳试验外推方法以及常规机器学习方法。基于断裂力学的方法通常依赖paris公式等经验关系,能够提供明确的物理解释,但其预测效果容易受到材料均匀性、载荷谱变化、边界条件和裂纹观测噪声的影响。在复杂工况下,单一物理模型往往难以准确描述裂纹扩展的非线性演化过程。

3、疲劳试验方法虽然能够得到较为直接的裂纹扩展数据,但试验周期长、成本高,且难以覆盖工程现场全部载荷和环境条件。常规机器学习方法可以在一定程度上利用历史数据进行预测,但其通常依赖人工特征设计,对高维时序数据和长程依赖关系的表达能力不足,尤其在裂纹扩展后期的非线性加速阶段容易出现趋势跟踪不足。

4、长短期记忆网络能够通过门控结构捕捉较长时间跨度内的时序依赖关系,适合用于裂纹扩展序列预测。然而,普通lstm模型通常输出确定性的单点预测结果,无法给出预测可信程度。在工程维护场景中,仅有点预测结果难以支撑风险决策,因为同一预测值在不同不确定性水平下对应的安全策略可能完全不同。贝叶斯深度学习能够将模型参数视作随机变量,并通过后验分布表达模型不确定性,但完整贝叶斯神经网络训练复杂、计算量大,不利于工程部署。

5、因此,需要一种能够兼顾长时序预测精度、工程可部署性和预测不确定性量化能力的疲劳裂纹扩展寿命预测方案,使其既能够充分利用裂纹扩展时序监测数据,又能够在预测结果中给出置信区间和剩余寿命评估结果。

技术实现思路

1、本发明旨在解决现有疲劳裂纹扩展寿命预测方法在复杂工况下长时序建模能力不足、预测结果仅为确定性点估计、预测可信程度难以量化以及裂纹长度预测与寿命输出衔接不清的问题,提供一种基于深度学习的疲劳裂纹扩展寿命预测方法及系统。

2、本发明的技术方案包括:获取疲劳裂纹扩展时序监测数据;对数据进行物理合理性核验、异常值处理、标准化处理和滑动窗口样本构建;构建双层lstm与双重dropout融合的lstm-bayes预测模型;在训练阶段利用时序样本学习裂纹扩展长期依赖关系;在预测阶段保持dropout开启,对同一待预测样本执行多次前向传播,以蒙特卡洛采样方式近似贝叶斯预测分布;根据多个预测值计算预测均值、标准差和置信区间;再通过递归多步预测得到未来裂纹扩展序列,并与临界裂纹长度进行比较,从而输出疲劳裂纹扩展寿命预测结果。

3、本发明采用的技术方案为一种基于深度学习的疲劳裂纹扩展寿命预测方法,包括如下步骤:

4、s1、获取疲劳裂纹扩展时序监测数据,所述时序监测数据至少包括以载荷循环次数为索引的裂纹长度数据,并对所述时序监测数据进行物理合理性核验和数据预处理;

5、s2、基于预处理后的时序监测数据构建时序样本,所述时序样本以滑动窗口内的历史裂纹扩展序列作为模型输入,以窗口之后的裂纹长度或裂纹扩展状态作为预测目标;

6、s3、构建lstm-bayes融合预测模型,所述lstm-bayes融合预测模型包括依次连接的输入层、第一lstm层、第一dropout层、第二lstm层、第二dropout层、全连接层和输出层,其中所述第一dropout层和所述第二dropout层在训练阶段与预测阶段均保持开启;

7、s4、利用所述时序样本训练所述lstm-bayes融合预测模型,使所述lstm-bayes融合预测模型学习裂纹长度随载荷循环次数演化的长期时序依赖关系;

8、s5、在预测阶段,将待预测时序样本输入训练后的lstm-bayes融合预测模型,保持所述第一dropout层和所述第二dropout层开启,对同一待预测时序样本执行多次前向传播,得到多个裂纹长度预测值,并根据所述多个裂纹长度预测值计算预测均值、预测标准差和置信区间;

9、s6、基于所述预测均值进行递归多步预测,得到未来裂纹扩展序列,并将所述未来裂纹扩展序列与预设临界裂纹长度进行比较,确定裂纹达到临界状态对应的载荷循环次数,从而输出疲劳裂纹扩展寿命预测结果及其不确定性量化结果。

10、进一步地,步骤s1中的物理合理性核验包括:基于paris裂纹扩展关系对裂纹扩展速率与应力强度因子幅值之间的变化趋势进行校验,识别与疲劳裂纹扩展规律明显不一致的数据点,并将所述数据点作为异常值修正、剔除或降权处理的依据。

11、进一步地,步骤s1中的数据预处理包括异常值识别与修正、缺失值补齐、裂纹长度数据标准化、时频融合特征构建以及训练集、验证集和测试集划分;其中,所述时频融合特征至少包括裂纹长度、载荷循环次数、裂纹扩展速率、相邻监测点变化量中的一种或多种。

12、进一步地,步骤s2中采用长度为l的滑动窗口构建时序样本,将第i个窗口内的历史特征序列作为输入样本,将该窗口后一时刻或后续多个时刻的裂纹长度作为预测目标,并通过滑动窗口沿载荷循环方向移动形成多个监督学习样本。

13、进一步地,所述第一lstm层设置为64个隐藏单元,激活函数为tanh并返回完整序列;所述第二lstm层设置为32个隐藏单元,激活函数为tanh并返回最终时间步输出;所述第一dropout层和所述第二dropout层的丢失率均为0.2。

14、进一步地,步骤s5中的多次前向传播次数为m次,优选为100次;将m次前向传播得到的预测值的算术平均值作为裂纹长度最终预测值,将m次预测值的标准差作为预测不确定性度量,并按照预测均值加减1.96倍预测标准差构建95%置信区间。

15、进一步地,步骤s6中,将当前历史监测序列输入所述lstm-bayes融合预测模型得到下一时刻裂纹长度预测值,再将所述下一时刻裂纹长度预测值并入输入窗口以更新历史监测序列,重复执行预测与窗口更新,直至预测裂纹长度达到预设临界裂纹长度,并根据达到临界裂纹长度时的载荷循环次数与当前载荷循环次数之差确定剩余寿命。

16、一种基于深度学习的疲劳裂纹扩展寿命预测系统,包括:数据获取与预处理模块,用于获取疲劳裂纹扩展时序监测数据,并执行异常值处理、标准化处理、物理合理性核验和时序样本构建;模型构建与训练模块,用于构建并训练所述方法中的lstm-bayes融合预测模型;贝叶斯预测模块,用于在预测阶段保持dropout开启并执行多次前向传播,以计算裂纹长度预测均值、预测标准差和置信区间;寿命评估模块,用于基于递归多步预测得到未来裂纹扩展序列,并根据预设临界裂纹长度输出疲劳裂纹扩展寿命预测结果。

17、一种电子设备,包括存储器、处理器以及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述的方法。

18、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所述的方法。

19、本发明中,paris裂纹扩展关系作为物理合理性校验和物理基准,不直接限定为唯一拟合模型,而用于辅助识别与疲劳裂纹扩展规律明显不一致的异常数据,并为后续深度学习预测提供物理一致性约束。所述paris裂纹扩展关系可表示为:

20、da/dn = c(δk)m

21、其中,da/dn表示单次载荷循环下的裂纹扩展速率,δk表示应力强度因子幅值,c和m表示材料相关试验常数。该关系用于判断裂纹扩展速率是否随载荷强度变化呈现合理趋势,从而避免纯数据模型在异常监测点附近产生物理失真。

22、所述lstm-bayes融合预测模型包括输入层、第一lstm层、第一dropout层、第二lstm层、第二dropout层、全连接层和输出层。第一lstm层用于提取裂纹扩展序列的浅层时序变化和短期波动特征,第二lstm层用于捕捉跨多个载荷循环区间的长期依赖关系。lstm单元通过细胞状态更新实现历史信息保留,其细胞状态更新关系可表示为:

23、ct = ft ⊙ ct-1 + it ⊙ ĉt

24、其中,表示当前时刻细胞状态,表示上一时刻细胞状态,表示遗忘门权重,表示输入门权重,表示候选细胞信息,表示哈达玛逐元素乘积。通过上述门控更新,模型能够筛除测量噪声和无用扰动,同时保留对裂纹扩展趋势具有贡献的历史信息。

25、本发明的贝叶斯近似推理以网络参数后验分布为理论基础。设θ表示lstm-bayes融合预测模型中的权重与偏置参数,d表示裂纹实测数据集,则参数后验分布可表示为:

26、p(θ|d) = p(d|θ)p(θ) / p(d)

27、其中,p(θ)表示参数先验分布,p(d|θ)表示数据似然,p(θ|d)表示在裂纹实测数据集d条件下更新得到的参数后验分布。普通lstm模型通常将θ训练为确定性参数,而本发明通过预测阶段持续开启dropout,使每次前向传播等价于从近似后验分布中采样一个子模型。

28、对于待预测输入时序特征x*及裂纹长度预测值y*,贝叶斯预测分布可表示为:

29、

30、由于上述积分难以解析求解,本发明在预测阶段保持dropout开启,并对同一输入执行m次前向传播,采用蒙特卡洛采样结果近似预测分布。预测均值、预测标准差和95%置信区间分别可表示为:

31、

32、其中,m表示蒙特卡洛前向传播次数,优选为100;y(j)表示第j次前向传播输出的裂纹长度预测值;ŷ表示裂纹长度预测均值;s表示预测标准差;ci95%表示95%置信区间。

33、与现有技术相比,本发明至少具有以下有益效果:第一,通过双层lstm结构增强对疲劳裂纹扩展长周期、非线性演化规律的捕捉能力;第二,通过预测阶段持续开启dropout并进行蒙特卡洛采样,在不显著增加部署复杂度的情况下实现贝叶斯近似推理;第三,输出裂纹长度预测均值的同时给出置信区间,使预测结果具有可解释的可靠性度量;第四,通过递归多步预测与临界裂纹长度比较,将裂纹长度预测直接转化为剩余寿命和寿命风险评估结果,更适合结构健康监测和预测性维护场景。