一种轴箱转臂橡胶定位节点加速寿命评估方法及其系统与流程

1.本发明涉及轨道交通技术领域，具体涉及一种轴箱转臂橡胶定位节点加速寿命评估方法及其系统。


背景技术：

2.轴箱转臂橡胶定位节点（又称转臂节点）是连接动车组轴箱与构架的重要部件，主要用以传递轮对与构架之间的牵引力和制动力，其刚度参数直接影响高速动车组运行的安全性、稳定性以及运行品质。转臂节点具有高可靠、长寿命的特点，所以传统的寿命试验评估方法难以在可行的时间内完成，消耗人力、物力巨大，并且很难对产品的寿命进行科学合理的评估。实际工程中通常采用加速寿命试验来解决此问题，该方法是在不改变转臂节点失效机理的前提下，通过加大试验应力获取加速环境下的失效数据，并在假设检验和数理统计的基础上，基于物理失效规律，利用相关的统计模型推断出正常应力水平与高应力水平之间的“加速因子”，进而求得转臂节点在额定应力水平下的寿命特征的可靠性试验方法。
3.加速寿命试验按照试验应力加载方式可分为恒定应力试验、步进应力试验和序进应力试验。无论何种应力试验，其关键在于构建转臂节点寿命特征与应力之间的关系，即加速模型，又被称为加速方程，常用的加速模型有arrhenius模型、逆幂率模型、单应力eyring模型和广义eyring模型等。传统的加速模型通常忽略多应力之间的耦合作用，认为各应力之间相互独立、互不影响，且在建模过程中选取合适的单应力模型要求研究人员有较高的先验知识水平。多应力条件下产品失效模式多样、失效机理复杂，通常难以获得泛化性好、预测精度高的模型。此外，鉴于转臂节点加速寿命试验样本量少，在工程实际中通常以小样本为背景，再次加大了构建高精度加速模型开展寿命预测工作的难度。


技术实现要素：

4.针对上述现有技术的不足，本发明所要解决的问题是：如何提供一种轴箱转臂橡胶定位节点加速寿命评估方法及其系统，以解决现有技术中加速寿命试验样本量少且难以在多应力条件下准确分析轴箱转臂橡胶定位节点加速寿命结果的问题。
5.为了解决上述问题，本发明采用了如下的技术方案：一种轴箱转臂橡胶定位节点加速寿命评估方法，包括：s1:利用虚拟增广法对采集的轴箱转臂橡胶定位节点的原始应力数据进行扩容；s2:采用bootstrap法对扩容后的应力数据进行重抽样产生新样本，并根据新样本判断总体的分布特征；s3：利用bso头脑风暴算法获取bp神经网络最优权值和阈值，构建bso
‑
bp神经网络模型；s4：将所述新样本分为训练集和测试集，以训练集的数据训练所述bso
‑
bp神经网络模型，以测试集的数据验证所述bso
‑
bp神经网络模型的预测结果，若所述bso
‑
bp神经网
络模型的预测精度达不到要求，则返回步骤s3，若所述bso
‑
bp神经网络模型的预测精度达到要求，则进行下一步；s5：采用所述bso
‑
bp神经网络模型预测得到轴箱转臂橡胶定位节点加速寿命的结果。
6.由于在原始的加速寿命试验数据中，可用于构建多应力条件下转臂节点加速寿命模型的样本量极其有限，因此难以建立出准确的复合加速模型且参数难以求解。本发明基于bootstrap法和bso
‑
bp神经网络开展，采用虚拟增广法对小样本进行扩容，再使用bootstrap法，可以很好地解决转臂节点加速寿命试验小样本问题；此外，利用头脑风暴优化算法（bso）优化bp神经网络初始连接权值和阈值，提高原有bp神经网络的预测能力，基于该方法强大的数据挖掘、处理能力，利用加速寿命试验样本数据训练并总结试验数据规律，准确表征出转臂节点疲劳寿命和应力水平之间的数学映射关系，精准预测各种不同应力水平下转臂节点疲劳寿命。
7.具体的，所述步骤s1中所述虚拟增广法符合：，式中，为试验样本均值；为扩容样本点；a，b为控制系数；为轴箱转臂橡胶定位节点标准差；n为样本总数量；c为待定系数，其取值为：。
8.进一步，所述步骤s2的bootstrap法中，设扩容后的应力数据分布为，期望或标准差为，为的估计，为估计误差，则；从中重新抽样样本，重新抽样的样本服从分布，定义；利用的统计分析逼近，重复上述抽样过程，得到统计量的可能取值，将该值作为的一个样本点，采用数理统计分析的样本，得到其估计值。
9.更优的，将所述步骤s1扩容后的应力数据分为m组，每组样本在扩容后的应力数据的基础上删除第m
‑
p 1项，即每一组都有m
‑
1个样本：
；再利用bootstrap法进行重抽样得到所述新样本。
10.通过上述步骤对bootstrap法进一步改进，可克服再生样本过于集中的问题。
11.进一步，所述步骤s3中利用bso头脑风暴算法获取bp神经网络最优权值和阈值包括：将所述新样本分为组，分组完成后将每组中最优个体作为该组聚类中心，以组为单位进行头脑风暴更新位置，得到bp神经网络最优权值和阈值。
12.更优的，所述分组的方式为随机分组、k
‑
means聚类方法、fuzzy
‑
c
‑
means聚类方法中的一种。
13.具体的，所述k
‑
means聚类方法包括：（1）在所述新样本中随机设置l个聚类中心；（2）所有个体自动归类为距自己最近的中心；（3）更新聚类中心为该聚类的中心；（4）聚类中心不再变动，则进行下一步，否则跳至步骤（2）；（5）输出步骤（4）中得到的聚类中心所划分的聚类。
14.进一步，所述头脑风暴更新位置包括：随机挑选一个聚类中心进行随机思考，再进行独自思考和融合思考；随机思考：随机选择一个聚类中心进行随机思考，在解空间内重置该个体的idea，使求解过程跳出局部最优；独自思考：选择一个个体，并在其idea周围搜索，针对个体的idea进行小幅度修改，产生新的idea，如果新idea优于原来的idea，则替换之，符合以下公式：，式中，表示新产生的第d维个体；为选中的个体；t为最大迭代数，t为当前迭代次数；k为可调节的函数的坡度；为标准正态分布，是[0,1]内的随机数，为权重系数；融合思考：选择两个个体进行融合，并产生一个新的idea，符合以下公式：，式中，和为选定融合的两个个体，如果优于，则用替换，否则比较与，如果优于，则用替换，如若均劣于原有idea，则保持原有idea不变。
[0015]
本发明还提供一种用于所述轴箱转臂橡胶定位节点加速寿命评估方法的系统，包括：数据采集模块，用于轴箱转臂橡胶定位节点的原始应力数据的采集；虚拟增广模块，基于虚拟增广法将所述原始应力数据进行扩容，得到扩容后的应力数据；
重抽样模块，用于将所述扩容后的应力数据进行bootstrap法重抽样，得到所述新样本，并根据新样本判断总体的分布特征；bso
‑
bp神经网络模型构建模块，基于bso头脑风暴算法获取bp神经网络最优权值和阈值，构建bso
‑
bp神经网络模型；bso
‑
bp神经网络模型训练测试模块，用于将所述新样本分为训练集和测试集，以训练集的数据训练所述bso
‑
bp神经网络模型，以测试集的数据验证所述bso
‑
bp神经网络模型的预测结果，且进行预测精度判断。
[0016]
加速寿命分析模块，基于所述bso
‑
bp神经网络模型预测轴箱转臂橡胶定位节点加速寿命的结果。
[0017]
进一步，所述bso
‑
bp神经网络模型构建模块包括：分组单元，采用所述k
‑
means聚类方法将所述新样本进行分组；位置更新单元，用于将所述分组单元分组完成的样本基于头脑风暴算法进行位置更新，得到所述bp神经网络最优权值和阈值。
[0018]
本发明的有益效果在于：1、本发明基于bootstrap法和bso
‑
bp神经网络开展，其中，bootstrap法可以很好地解决转臂节点加速寿命试验小样本问题，并在此基础之上对bootstrap法进一步改进，克服再生样本过于集中的问题；此外，利用头脑风暴优化算法（bso）优化bp神经网络初始连接权值和阈值，提高原有bp神经网络的预测能力；基于该方法强大的数据挖掘、处理能力，利用加速寿命试验样本数据训练并总结试验数据规律，准确表征出转臂节点疲劳寿命和应力水平之间的数学映射关系，精准预测各种不同应力水平下转臂节点疲劳寿命。
[0019]
2、相较于传统的基于物理加速模型的寿命预测模型，以神经网络构建的机器学习非参数预测模型具有以下优点：无需知晓具体的加速模型和产品寿命分布特征；建立并训练机器学习模型操作简单、泛化性好、预测精度高；机器学习算法不断创新，将不断提高基于机器学习的预测模型的预测能力。
附图说明
[0020]
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：图1为本发明轴箱转臂橡胶定位节点加速寿命评估方法流程示意图；图2为本发明bp神经网络最优权值和阈值获取示意图；图3为本发明轴箱转臂橡胶定位节点加速寿命分析系统示意图；图4为本发明bso
‑
bp神经网络模型与传统bp神经网络模型预测误差图。
具体实施方式
[0021]
下面结合具体实施例对本发明作进一步的详细说明。
[0022]
需要说明的是，这些实施例仅用于说明本发明，而不是对本发明的限制，在本发明的构思前提下本方法的简单改进，都属于本发明要求保护的范围。
[0023]
参见图1，本发明实施例提供一种轴箱转臂橡胶定位节点加速寿命评估方法，包括：
s1:利用虚拟增广法对采集的轴箱转臂橡胶定位节点的原始应力数据进行扩容。
[0024]
作为一种可实施方式，步骤s1中虚拟增广法符合：，式中，为试验样本均值；为扩容样本点；a，b为控制系数；为轴箱转臂橡胶定位节点标准差；n为样本总数量；c为待定系数，其取值为：。
[0025]
转臂节点由芯轴、橡胶层和外套组成，其结构性能具有较强的非线性特征。原始的加速寿命试验数据中，可用于构建多应力条件下转臂节点加速寿命模型的样本量极其有限，因此难以建立出准确的复合加速模型且参数难以求解。假设已筛选出可用构建加速寿命模型的试验数据，利用虚拟增广法对此样本数据进行扩容，有效解决小样本问题。
[0026]
s2:采用bootstrap法对扩容后的应力数据进行重抽样产生新样本，并根据新样本判断总体的分布特征。
[0027]
具体的，步骤s2的bootstrap法中，设扩容后的应力数据分布为，期望或标准差为，为的估计，为估计误差，则；从中重新抽样样本，假设重新抽样的样本服从分布，定义；利用的统计分析逼近，重复上述抽样过程，得到统计量的可能取值，将该值作为的一个样本点，采用数理统计分析的样本，得到其估计值。
[0028]
更优的，将步骤s1扩容后的应力数据分为m组，每组样本在扩容后的应力数据的基础上删除第m
‑
p 1项，即每一组都有m
‑
1个样本：；再利用bootstrap法进行重抽样得到新样本。
[0029]
通过上述步骤对bootstrap法进一步改进，可克服再生样本过于集中的问题。
[0030]
s3：利用bso头脑风暴算法获取bp神经网络最优权值和阈值，构建bso
‑
bp神经网络模型。
[0031]
参见图2，作为一种优选实施方式，步骤s3中利用bso头脑风暴算法获取bp神经网络最优权值和阈值包括：将新样本分为组，分组完成后将每组中最优个体作为该组聚类中心，以组为单位进行头脑风暴更新位置，得到bp神经网络最优权值和阈值。
[0032]
其中，分组的方式为随机分组、k
‑
means聚类方法、fuzzy
‑
c
‑
means聚类方法中的一种。
[0033]
具体的，k
‑
means聚类方法包括：（1）在新样本中随机设置l个聚类中心；（2）所有个体自动归类为距自己最近的中心；（3）更新聚类中心为该聚类的中心；（4）聚类中心不再变动，则进行下一步，否则跳至步骤（2）；（5）输出步骤（4）中得到的聚类中心所划分的聚类。
[0034]
头脑风暴更新位置包括：随机挑选一个聚类中心进行随机思考，再进行独自思考和融合思考；随机思考：在解空间内重置该个体的idea，使求解过程跳出局部最优；独自思考：选择一个个体，并在其idea周围搜索，针对个体的idea进行小幅度修改，产生新的idea，如果新idea优于原来的idea，则替换之，符合以下公式：，式中，表示新产生的第d维个体；为选中的个体；t为最大迭代数，t为当前迭代次数；k为可调节的函数的坡度；为标准正态分布，是[0,1]内的随机数，为权重系数；融合思考：选择两个个体进行融合，并产生一个新的idea，符合以下公式：，式中，和为选定融合的两个个体，如果优于，则用替换，否则比较与，如果优于，则用替换，如若均劣于原有idea，则保持原有idea不变。
[0035]
s4：将新样本分为训练集和测试集，以训练集的数据训练bso
‑
bp神经网络模型，以测试集的数据验证bso
‑
bp神经网络模型的预测结果，若bso
‑
bp神经网络模型的预测精度达不到要求，则返回步骤s3，若bso
‑
bp神经网络模型的预测精度达到要求，则进行下一步；s5：采用bso
‑
bp神经网络模型预测得到轴箱转臂橡胶定位节点加速寿命的结果。
[0036]
本发明基于bootstrap法和bso
‑
bp神经网络开展。原始的加速寿命试验数据中，可用于构建多应力条件下转臂节点加速寿命模型的样本量极其有限，因此难以建立出准确的复合加速模型且参数难以求解。本发明采用虚拟增广法对小样本进行扩容，再使用bootstrap法，可以很好地解决转臂节点加速寿命试验小样本问题；此外，利用头脑风暴优化算法（bso）优化bp神经网络初始连接权值和阈值，提高原有bp神经网络的预测能力，基于该方法强大的数据挖掘、处理能力，利用加速寿命试验样本数据训练并总结试验数据规律，
准确表征出转臂节点疲劳寿命和应力水平之间的数学映射关系，精准预测各种不同应力水平下转臂节点疲劳寿命。
[0037]
参见图3，本发明还提供一种用于上述轴箱转臂橡胶定位节点加速寿命评估方法的系统，包括：数据采集模块1，用于轴箱转臂橡胶定位节点的原始应力数据的采集。
[0038]
虚拟增广模块2，基于虚拟增广法将原始应力数据进行扩容，得到扩容后的应力数据。
[0039]
作为一种可实施方式，虚拟增广法符合：，式中，为试验样本均值；为扩容样本点；a，b为控制系数；为轴箱转臂橡胶定位节点标准差；n为样本总数量；c为待定系数，其取值为：。
[0040]
作为更为优化的实施方式，将虚拟增广模块2中将扩容后的应力数据分为m组，每组样本在扩容后的应力数据的基础上删除第m
‑
p 1项，即每一组都有m
‑
1个样本：；将上述数据导入重抽样模块3进行重抽样得到新样本。
[0041]
重抽样模块3，用于将扩容后的应力数据进行bootstrap法重抽样，得到新样本，并根据新样本判断总体的分布特征。
[0042]
bootstrap法重抽样包括：设原始应力数据分布为，期望或标准差为，为的估计，为估计误差，则；从中重新抽样样本，假设重新抽样的样本服从分布，定义；利用的统计分析逼近，重复上述抽样过程，得到统计量的可能取值，将该值作为的一个样本点，采用数理统计分析的样本，得到其估计值。
[0043]
bso
‑
bp神经网络模型构建模块4，基于bso头脑风暴算法获取bp神经网络最优权值
和阈值，构建bso
‑
bp神经网络模型。
[0044]
bso
‑
bp神经网络模型构建模块4中利用bso头脑风暴算法获取bp神经网络最优权值和阈值包括：将新样本分为组，分组完成后将每组中最优个体作为该组聚类中心，以组为单位进行头脑风暴更新位置，得到bp神经网络最优权值和阈值。
[0045]
其中，bso
‑
bp神经网络模型构建模块4包括：分组单元41，采用k
‑
means聚类方法将新样本进行分组；其中，k
‑
means聚类方法包括：（1）在新样本中随机设置l个聚类中心；（2）所有个体自动归类为距自己最近的中心；（3）聚类中心为该聚类的中心；（4）聚类中心不再变动，则进行下一步，否则跳至步骤（2）；（5）输出步骤（4）中得到的聚类中心所划分的聚类。
[0046]
位置更新单元42，用于将分组单元41分组完成的新样本基于头脑风暴算法进行位置更新，得到bp神经网络最优权值和阈值。
[0047]
其中，头脑风暴更新位置包括：随机挑选一个聚类中心进行随机思考，再进行独自思考和融合思考；随机思考：在解空间内重置该个体的idea，使求解过程跳出局部最优；独自思考：选择一个个体，并在其idea周围搜索，针对个体的idea进行小幅度修改，产生新的idea，如果新idea优于原来的idea，则替换之，符合以下公式：，式中，表示新产生的第d维个体；为选中的个体；t为最大迭代数，t为当前迭代次数；k为可调节的函数的坡度；为标准正态分布，是[0,1]内的随机数，为权重系数；融合思考：选择两个个体进行融合，并产生一个新的idea，符合以下公式：，式中，和为选定融合的两个个体，如果优于，则用替换，否则比较与，如果优于，则用替换，如若均劣于原有idea，则保持原有idea不变。
[0048]
bso
‑
bp神经网络模型训练测试模块，用于将新样本分为训练集和测试集，以训练集的数据训练bso
‑
bp神经网络模型，以测试集的数据验证bso
‑
bp神经网络模型的预测结果，且进行预测精度判断。
[0049]
加速寿命分析模块，基于bso
‑
bp神经网络模型预测轴箱转臂橡胶定位节点加速寿命的结果。
[0050]
效果验证：
根据上述内容，对转臂节点加速寿命试验数据进行扩容处理并构建基于bso
‑
bp的加速寿命预测模型。首先，依据实验台进行转臂节点加速寿命试验，试验结果见表1。
[0051]
表1 转臂节点加速寿命试验数据根据上述给出的虚拟增广法对样本进行扩容，公式中控制系数按照工程经验取值，具体结果见表2。
[0052]
表2 虚拟增广法控制系数取值然后对增广法处理后的样本运用改进后的bootstrap法进行分布估计，以方便抽样并通过bso
‑
bp模型进行加速寿命预测。
[0053]
将数据代入算法中，设置训练集和测试集，确定神经网络结构，构建bp神经网络模型，利用bso算法获得最优权值阈值，完成转臂节点加速寿命预测模型，数据预测结果如图4所示。由图可以看出bso
‑
bp预测误差相较于传统bp神经网络模型预测误差的波动较小，证明bso
‑
bp的预测精度更高，可以较为准确的对转臂节点加速寿命进行预测。
[0054]
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管通过参照本发明的优选实施例已经对本发明进行了描述，但本领域的普通技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离所附权利要求书所限定的本发明的精神和范围。