工程机械寿命确定方法、装置、设备及存储介质与流程

1.本发明涉及计算机技术领域，尤其涉及一种工程机械寿命确定方法、装置、设备及存储介质。


背景技术：

2.目前，许多工程机械的工作环境恶劣，工作级别高，结构复杂且安全性要求较高。然而，随着在工程机械服役年限的延续，其各部件等的寿命将不可避免地退化，相应的，工程机械整机的寿命也随之减少，既会影响正常运行，又会引发安全隐患。适时对各部件修复更换，是延长部件的寿命进而延长整机的寿命的有效途径。为此，工程机械寿命确定是非常重要的环节，其中工程机械寿命确定包括工程机械的部件的寿命确定，进一步的，还包括受部件的寿命影响的整机的寿命确定。但如何评价各部件的情况，以监测部件的寿命，来确定各部件修复更换的最佳准入期，是一个关键问题。
3.现有技术中，主要是在工程机械的危险点粘贴传感器，采集工程机械底盘行驶状态下的危险点的实时应力值和应变值，然后根据损伤累加的方法计算振动危险点的累积损伤，进而监测相应部件的寿命。但是，由于工程机械工作环境恶劣，传感器测量结果的准确性较低，且测量操作复杂，成本高。


技术实现要素：

4.本发明提供一种工程机械寿命确定方法、装置、设备及存储介质，用以解决现有技术中监测工程机械相应部件的寿命时，由于工程机械工作环境恶劣，危险点粘贴的传感器对实时应力值和应变值的测量结果的准确性较低，且测量操作复杂，成本高的缺陷，实现快速准确地得到目标部件的剩余寿命，且实现简单，降低了成本。
5.本发明提供一种工程机械寿命确定方法，包括：
6.获取工程机械的实时载荷信息；
7.将所述实时载荷信息输入至第一机器学习模型，得到所述工程机械中每个目标部件的每个危险点的应力值；所述第一机器学习模型是基于载荷信息样本以及所有所述危险点的应力值样本训练得到的；
8.将所有所述危险点的应力值输入至第二机器学习模型，得到每个所述目标部件的疲劳寿命；所述第二机器学习模型是基于所有所述危险点的应力值样本和所有所述目标部件的疲劳寿命样本训练得到的；
9.基于所述目标部件的疲劳寿命，确定所述目标部件的剩余寿命。
10.根据本发明提供的一种工程机械寿命确定方法，所述第一机器学习模型是通过如下方式获得的：
11.构建所述工程机械的有限元模型；
12.将所述载荷信息样本输入至所述有限元模型，得到所述工程机械中每个部件的每个节点的第一应力值；
13.若所述节点为所述危险点，将所述节点的第一应力值，作为所述危险点的应力值样本；
14.基于所述载荷信息样本和所有所述危险点的应力值样本，对第一初始机器学习模型进行训练，得到所述第一机器学习模型。
15.根据本发明提供的一种工程机械寿命确定方法，所述有限元模型是通过如下方式构建的：
16.构建所述工程机械的初始有限元模型；
17.将预设载荷信息输入至所述初始有限元模型，输出所述节点的第二应力值和第二应变值；
18.若所述节点的第二应力值大于或等于第一阈值，和/或，第二应变值大于或等于第二阈值，确定所述节点为所述危险点且所述节点所在的部件为所述目标部件；
19.采集所述危险点的实际应力值和实际应变值；
20.基于所述危险点的实际应力值和实际应变值，对所述初始有限元模型进行优化，得到所述有限元模型。
21.根据本发明提供的一种工程机械寿命确定方法，所述第二机器学习模型是通过如下方式获得的：
22.将所有所述危险点的应力值样本输入至疲劳模型，计算得到每个所述目标部件的疲劳寿命样本；
23.基于所有所述危险点的应力值样本和所有所述目标部件的疲劳寿命样本，对第二初始机器学习模型进行训练，得到所述第二机器学习模型。
24.根据本发明提供的一种工程机械寿命确定方法，还包括：
25.当所述目标部件的剩余寿命小于或等于第三阈值时，发出用于提示更换所述目标部件的提示信息。
26.根据本发明提供的一种工程机械寿命确定方法，所述第一机器学习模型和所述第二机器学习模型为所述工程机械的当前工况对应的所述第一机器学习模型和所述第二机器学习模型；所述将所述实时载荷信息输入至第一机器学习模型，得到所述工程机械中每个目标部件的每个危险点的应力值之前，还包括：
27.根据所述工程机械的实时工况信息，确定所述工程机械的当前工况。
28.根据本发明提供的一种工程机械寿命确定方法，还包括：
29.将所有所述目标部件的剩余寿命中的最小值，作为所述工程机械整机的剩余寿命。
30.本发明还提供一种工程机械寿命确定装置，包括：
31.载荷信息获取模块，用于获取工程机械的实时载荷信息；
32.应力获得模块，用于将所述实时载荷信息输入至第一机器学习模型，得到所述工程机械中每个目标部件的每个危险点的应力值；所述第一机器学习模型是基于载荷信息样本以及所有所述危险点的应力值样本训练得到的；
33.疲劳获得模块，用于将所有所述危险点的应力值输入至第二机器学习模型，得到每个所述目标部件的疲劳寿命；所述第二机器学习模型是基于所有所述危险点的应力值样本和所有所述目标部件的疲劳寿命样本训练得到的；
34.寿命确定模块，用于基于所述目标部件的疲劳寿命，确定所述目标部件的剩余寿命。
35.本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述工程机械寿命确定方法。
36.本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述工程机械寿命确定方法。
37.本发明提供的工程机械寿命确定方法，通过获取工程机械的实时载荷信息，输入至第一机器学习模型，得到工程机械中每个目标部件的每个危险点的应力值，然后，将所有危险点的应力值输入至第二机器学习模型，得到每个目标部件的疲劳寿命，进而快速得到目标部件的剩余寿命，如此，通过实时载荷信息和第一机器学习模型就可以得到每个危险点的应力值，无需在工程机械上的每个危险点处粘贴传感器来进行实时采集，不仅快速准确，且实现简单，降低了成本。
附图说明
38.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
39.图1是本发明提供的工程机械寿命确定方法的流程示意图之一；
40.图2是本发明提供的工程机械寿命确定方法的流程示意图之二；
41.图3是本发明提供的工程机械寿命确定方法的流程示意图之三；
42.图4是本发明提供的工程机械寿命确定装置的结构示意图；
43.图5是本发明提供的电子设备的结构示意图。
具体实施方式
44.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
45.下面结合图1至图3描述本发明的工程机械寿命确定方法。
46.本发明实施例提供的工程机械寿命确定方法可以由工程机械或者其中的软件和/或硬件执行，也可以由服务器或者其中的软件和/或硬件执行。其中的服务器可以为云服务器或者物理服务器。其中，工程机械可以为起重机，示例性的，可以为汽车起重机、履带起重机或者塔式起重机等等，还可以为泵车、旋挖钻机或者登高车等等。
47.图1是本发明提供的工程机械确定方法的流程示意图之一。
48.如图1所示，本实施例提供的一种工程机械寿命确定方法，至少包括：
49.步骤101、获取工程机械的实时载荷信息。
50.实际应用中，工程机械中设置有数据采集系统，该数据采集系统用于采集工程机
械的各种参数，例如载荷信息。若工程机械为起重机，载荷信息可以是能够表征被工程机械升起重物的质量的信息，例如升起重物所需的力信号。若工程机械寿命确定方法应用于工程机械，可以直接通过数据采集系统获取工程机械的实时载荷信息。若工程机械寿命确定方法应用于服务器，工程机械可以将数据采集系统采集的实时载荷信息上传至服务器，例如云服务器，也即云平台。如此，服务器即可获取工程机械的实时载荷信息。
51.步骤102、将所述实时载荷信息输入至第一机器学习模型，得到所述工程机械中每个目标部件的每个危险点的应力值；所述第一机器学习模型是基于载荷信息样本以及所有所述危险点的应力值样本训练得到的。
52.这里的目标部件是指工程机械的各部件中存在危险点的部件。危险点是指部件中容易产生裂纹等损伤的节点。目标部件中可以有一个危险点，也可以有多个危险点。
53.步骤103、将所有所述危险点的应力值输入至第二机器学习模型，得到每个所述目标部件的疲劳寿命；所述第二机器学习模型是基于所有所述危险点的应力值样本和所有所述目标部件的疲劳寿命样本训练得到的。
54.材料产生疲劳破坏所需的应力循环次数称为疲劳寿命。因此，第二机器学习模型能够输出每个目标部件的应力循环次数。
55.步骤104、基于所述目标部件的疲劳寿命，确定所述目标部件的剩余寿命。
56.具体的，可以直接将目标部件的应力循环次数作为目标部件的剩余寿命，也可以基于目标部件的应力循环数与单位时间的应力循环次数的比值，确定目标部件的剩余寿命。其中的单位时间可以为年等等。示例性的，目标部件的应力循环次数为10000次，每年的应力循环次数为1000，那么，目标部件的剩余寿命为10000/1000＝10年。
57.数字孪生体是物理世界和数字空间交互的概念体系，是以一种虚拟数字化形式呈现真实世界物理实体的数字孪生技术。本实施例中，第一机器学习模型和第二机器学习模型是数字空间中的模型，针对工程机械的物理实体的目标部件的危险点，第一机器学习模型和第二机器学习模型都能够得到与工程机械的物理实体的目标部件的危险点对应的应力值及疲劳寿命，可以认为上述第一机器学习模型和第二机器学习模型构成了工程机械在数字空间的数字孪生体。参见图2，示例性的，云平台将获取的实时载荷信息输入数字孪生体，输出目标部件的疲劳寿命。
58.本实施例中，通过获取工程机械的实时载荷信息，输入至第一机器学习模型，得到工程机械中每个目标部件的每个危险点的应力值，然后，将所有危险点的应力值输入至第二机器学习模型，得到每个目标部件的疲劳寿命，进而快速得到目标部件的剩余寿命，如此，通过实时载荷信息和第一机器学习模型就可以得到每个危险点的应力值，无需在工程机械上的每个危险点处粘贴传感器来进行实时采集，不仅快速准确，且实现简单，降低了成本。
59.如前所述，工程机械寿命确定除目标部件的寿命确定之外，还包括工程机械整机的寿命确定，基于此，本实施例提供的工程机械寿命确定方法还可以包括：将所有所述目标部件的剩余寿命中的最小值，作为所述工程机械整机的剩余寿命。实际应用中，可以主要关注影响工程机械整机寿命的部件的危险点，相应的，这里的目标部件可以是影响工程机械重机的寿命的部件，那么，在工程机械的所有目标部件中，其中一个目标部件的寿命终止，则工程机械整机的寿命终止，基于此，所有所述目标部件中剩余寿命最小的目标部件的剩
余寿命可以作为工程机械整机的剩余寿命，从而准确得到工程机械整机的剩余寿命。
60.基于以上实施例，所述第一机器学习模型和所述第二机器学习模型为所述工程机械的当前工况对应的所述第一机器学习模型和所述第二机器学习模型。实际应用中，可以针对工程机械的不同工况，例如强夯、吊载工况，分别训练每种工况对应的所述第一机器学习模型和所述第二机器学习模型。
61.基于此，所述将所述实时载荷信息输入至第一机器学习模型，得到所述工程机械中每个目标部件的每个危险点的应力值之前，本实施例的工程机械寿命确定方法还可以包括：根据所述工程机械的实时工况信息，确定所述工程机械的当前工况。示例性的，若工程机械为起重机，实时工况信息可以包括实时载荷信息等等，还可以包括臂架组合信息，工作半径，地面坡度等等。其中臂架组合信息为用户输入的信息。实际应用中，可以提供输入控件。用户可以通过输入控件预先输入臂架组合信息等工况信息。基于此，将所述实时载荷信息输入至当前工况对应的第一机器学习模型，将所有所述危险点的应力值输入至当前工况对应的第二机器学习模型。如此，第一机器学习模型和第二机器学习模型与具体的工况相匹配，最终得到的目标部件的剩余寿命更加准确。
62.基于以上实施例，所述第一机器学习模型是通过如下方式获得的：
63.第一步、构建所述工程机械的有限元模型。
64.实际应用中，可以针对工程机械的每种工况，构建该工况对应的有限元模型。这里的有限元模型为三维仿真模型。
65.有限元模型用于基于载荷信息，通过有限元分析方法对工程机械当前工况进行瞬态动力学分析，得到工程机械的每个部件的每个节点的应力值和应变值。
66.有限元分析方法是使用有限元方法来分析静态或动态的物理物体或物理系统进行的分析方法，也称有限元法，该方法是一种为求解偏微分方程边值问题近似解的数值技术。在这种方法中一个物体或系统被分解为由多个相互联结的、简单部分组成的几何模型，这些简单部分的数量是有限的，因此被称为有限元。
67.瞬态动力学分析是用于确定承受任意的随时间变化载荷结构的动力学响应的一种方法，能够输出随时间变化的应力值和应变值等。
68.另外，有限元模型中还需要输入当前工况的工作环境(例如地面坡度)，整机重量重心和动作规划，等等。
69.第二步、将所述载荷信息样本输入至所述有限元模型，得到所述工程机械中每个部件的每个节点的第一应力值。
70.实际应用中，可以将工程机械的额定载荷信息作为载荷信息样本，当然还可以基于额定载荷信息，构造更多的载荷信息样本。将所述载荷信息样本输入至所述有限元模型，输出所述工程机械中每个部件的每个节点的第一应力值和第一应变值。其中各节点的应力值形成应力云图。
71.第三步、若所述节点为所述危险点，将所述节点的第一应力值，作为所述危险点的应力值样本。
72.第四步、基于所述载荷信息样本和所有所述危险点的应力值样本，对第一初始机器学习模型进行训练，得到所述第一机器学习模型。
73.具体的，可以将所述载荷信息样本输入至第一初始机器学习模型，得到所有危险
点的预测应力值，基于危险点的预测应力值与应力值样本，确定第一损失函数，当第一损失函数小于或者等于第一预设值时，停止训练，得到第一机器学习模型。
74.其中的第一初始机器学习模型可以为神经网络模型。其中第一预设值的具体值可以根据实际情况设置，此处不做具体限定。
75.实际应用中，参见图3，示例性的，将危险点的载荷信息样本随时间的曲线和危险点的应力值样本随时间的曲线导入ansys twinbuilder，将有限元模型降阶，得到有限元模型的降阶模型，即第一机器学习模型，该模型为一维仿真模型。ansys twinbuilder是一种有限元分析软件，能够在设置参数下进行自动的机器学习，将三维仿真模型降阶为一维仿真模型。
76.本实施例中，利用有限元模型的输入和输出，结合机器学习技术，训练得到了第一机器学习模型，也即对有限元模型进行了降阶，该第一机器学习模型也即有限元模型的降阶模型。因为有限元模型虽然也能准确计算出危险点的应力值，但是，如前所述，有限元分析的本质是求解偏微分方程，高阶偏微分方程只有近似解，求解近似解的过程是需要不断的迭代的，这个过程需要大量的时间，不适应实时计算，而对有限元模型进行降阶后得到的第一机器学习模型，则可以快速得到危险点的应力值，从而实现实时计算危险点的应力值，进而适应确定目标部件的剩余寿命的实时性的需求。
77.示例性的，所述有限元模型是通过如下方式构建的：
78.第一步、构建所述工程机械的初始有限元模型。
79.第二步、将预设载荷信息输入至所述初始有限元模型，输出所述节点的第二应力值和第二应变值。
80.第三步、若所述节点的第二应力值大于或等于第一阈值，和/或，第二应变值大于或等于第二阈值，确定所述节点为所述危险点且所述节点所在的部件为所述目标部件。
81.本步骤中，将第二应力值大于或等于第一阈值，和/或，第二应变值大于或等于第二阈值的节点选为危险点，可以覆盖更多的危险点，也就是说，危险点覆盖更全面。
82.其中，第一阈值和第二阈值的具体值可以根据实际情况设置，此处不做具体限定。
83.第四步、采集所述危险点的实际应力值和实际应变值。
84.实际应用中，可以预先在工程机械的各危险点处设置传感器，例如应变片，采集各危险点的实际应力值和实际应变值。同一型号的工程机械的危险点情况相似，因此可以对同一型号的工程机械中的一台工程机械，采集一次各危险点的实际应力值和实际应变值即可，得到的采集结果可以在同一型号的各工程机械中通用。
85.第五步、基于所述危险点的实际应力值和实际应变值，对所述初始有限元模型进行优化，得到所述有限元模型。
86.其中，可以采用选择不同单元类型、单元尺寸大小、部件之间的连接方式以及焊缝的建模等已有的方式来优化初始有限元模型，具体可以参考相关技术，此处不做赘述。优化的有限元模型，输出的危险点的应力值和应变值，更接近实际应力值和实际应变值。
87.本实施例中，利用构建的初始有限元模型输出的节点的应力值和应变值，进行危险点的确定，能够覆盖到更多的危险点，更加全面，并且利用采集的危险点的实际应力值和实际应变值，对初始有限元模型进行优化，得到了更准确的有限元模型。
88.基于以上实施例，所述第二机器学习模型是通过如下方式获得的：
89.第一步、将所有所述危险点的应力值样本输入至疲劳模型，计算得到每个所述目标部件的疲劳寿命样本。
90.疲劳模型也采用有限元法，基于危险点的应力值样本计算危险点所在目标部件的疲劳寿命样本，若目标部件的危险点有多个，则以多个危险点对应的疲劳寿命样本中的最小值为最终的目标部件的疲劳寿命样本。基于此，将所有所述危险点的应力值样本输入至疲劳模型，输出每个所述目标部件的疲劳寿命样本。
91.实际应用中，可以采用已有的疲劳分析软件来实现，该疲劳分析软件中构建有疲劳模型，将所有危险点的应力值读入疲劳分析软件，并输入各目标部件的材料sn曲线，确定进行疲劳评估的应力时间历程，设置疲劳求解参数进行疲劳求解，即可输出目标部件的疲劳寿命。
92.材料的疲劳性能以作用的应力范围s与到破坏时的寿命n之间的关系描述，即s(应力)-n(寿命)曲线。
93.第二步、基于所有所述危险点的应力值样本和所有所述目标部件的疲劳寿命样本，对第二初始机器学习模型进行训练，得到所述第二机器学习模型。
94.具体的，可以将所有所述危险点的应力值样本输入至第二初始机器学习模型，得到所有所述目标部件的预测疲劳寿命，基于目标部件的预测疲劳寿命与疲劳寿命样本，确定第二损失函数，当第二损失函数小于或者等于第二预设值时，停止训练，得到第二机器学习模型。
95.其中的第二初始机器学习模型可以为神经网络模型。其中第二预设值的具体值可以根据实际情况设置，此处不做具体限定。
96.本实施例中，利用疲劳模型的输入和输出，结合机器学习技术，训练得到了第二机器学习模型，也即对疲劳模型进行了降阶，该第二机器学习模型也即疲劳模型的降阶模型。因为疲劳模型虽然也能准确计算出目标部件的疲劳寿命，但是，计算过程也需要大量的时间，不适应实时计算，而对疲劳模型进行降阶后得到的第二机器学习模型，则可以快速得到目标部件的疲劳寿命，进而适应确定目标部件的剩余寿命的实时性的需求。实施中，在精度降低不到10％的情况下，计算速度从30小时降到了3秒内。
97.基于以上实施例，本实施例提供的工程机械寿命确定方法还可以包括：当所述目标部件的剩余寿命小于或等于第三阈值时，发出用于提示更换所述目标部件的提示信息。实际应用中，可以根据实际需要设置第三阈值的具体值，此处不做具体限定。具体的，可以向工程机械发出上述提示信息，以便作业人员查看。本实施例中，在目标部件的剩余寿命较小时，提示更换目标部件，实现了提前预警，以便及时处理。
98.本发明提供了一种基于数字孪生的工程机械寿命确定方法，该方法通过有限元对正常工作的所有工况进行分析，进而确定出目标部件和危险点所处位置，基于传感器的分布式数据采集系统，采集危险点处的应力值和应变值，对有限元模型进行优化，将优化后的有限元模型的结果输入疲劳分析软件，进行疲劳分析，通过机器学习对有限元模型和疲劳模型进行降阶，从而构建出数字孪生体，基于工程机械的物理实体的数据采集系统，采集表征载荷信息的力信号，实现危险点的疲劳寿命实时输出，当输出目标部件的疲劳寿命小于或者等于第三阈值时，提示用户更换目标部件。并且将所有目标部件的剩余寿命中的最小值，作为工程机械整机的剩余寿命。
99.下面对本发明提供的工程机械寿命确定装置进行描述，下文描述的工程机械寿命确定装置与上文描述的工程机械寿命确定方法可相互对应参照。
100.图4是本发明提供的工程机械寿命确定装置的结构示意图。
101.如图4所示，本实施例提供一种工程机械寿命确定装置，包括：
102.载荷信息获取模块401，用于获取工程机械的实时载荷信息；
103.应力获得模块402，用于将所述实时载荷信息输入至第一机器学习模型，得到所述工程机械中每个目标部件的每个危险点的应力值；所述第一机器学习模型是基于载荷信息样本以及所有所述危险点的应力值样本训练得到的；
104.疲劳获得模块403，用于将所有所述危险点的应力值输入至第二机器学习模型，得到每个所述目标部件的疲劳寿命；所述第二机器学习模型是基于所有所述危险点的应力值样本和所有所述目标部件的疲劳寿命样本训练得到的；
105.寿命确定模块404，用于基于所述目标部件的疲劳寿命，确定所述目标部件的剩余寿命。
106.基于以上实施例，所述第一机器学习模型是通过如下方式获得的：
107.构建所述工程机械的有限元模型；
108.将所述载荷信息样本输入至所述有限元模型，得到所述工程机械中每个部件的每个节点的第一应力值；
109.若所述节点为所述危险点，将所述节点的第一应力值，作为所述危险点的应力值样本；
110.基于所述载荷信息样本和所有所述危险点的应力值样本，对第一初始机器学习模型进行训练，得到所述第一机器学习模型。
111.基于以上实施例，所述有限元模型是通过如下方式构建的：
112.构建所述工程机械的初始有限元模型；
113.将预设载荷信息输入至所述初始有限元模型，输出所述节点的第二应力值和第二应变值；
114.若所述节点的第二应力值大于或等于第一阈值，和/或，第二应变值大于或等于第二阈值，确定所述节点为所述危险点且所述节点所在的部件为所述目标部件；
115.采集所述危险点的实际应力值和实际应变值；
116.基于所述危险点的实际应力值和实际应变值，对所述初始有限元模型进行优化，得到所述有限元模型。
117.基于以上实施例，所述第二机器学习模型是通过如下方式获得的：
118.将所有所述危险点的应力值样本输入至疲劳模型，计算得到每个所述目标部件的疲劳寿命样本；
119.基于所有所述危险点的应力值样本和所有所述目标部件的疲劳寿命样本，对第二初始机器学习模型进行训练，得到所述第二机器学习模型。
120.基于以上实施例，还包括：
121.寿命提示模块，用于当所述目标部件的剩余寿命小于或等于第三阈值时，发出用于提示更换所述目标部件的提示信息。
122.基于以上实施例，所述第一机器学习模型和所述第二机器学习模型为所述工程机
械的当前工况对应的所述第一机器学习模型和所述第二机器学习模型；还包括：
123.工况确定模块，用于根据所述工程机械的实时工况信息，确定所述工程机械的当前工况。
124.基于以上实施例，寿命确定模块还用于：
125.将所有所述目标部件的剩余寿命中的最小值，作为所述工程机械整机的剩余寿命。
126.图5示例了一种电子设备的实体结构示意图，如图5所示，该电子设备可以包括：处理器(processor)510、通信接口(communications interface)520、存储器(memory)530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令，以执行工程机械寿命确定方法，该方法包括：
127.获取工程机械的实时载荷信息；
128.将所述实时载荷信息输入至第一机器学习模型，得到所述工程机械中每个目标部件的每个危险点的应力值；所述第一机器学习模型是基于载荷信息样本以及所有所述危险点的应力值样本训练得到的；
129.将所有所述危险点的应力值输入至第二机器学习模型，得到每个所述目标部件的疲劳寿命；所述第二机器学习模型是基于所有所述危险点的应力值样本和所有所述目标部件的疲劳寿命样本训练得到的；
130.基于所述目标部件的疲劳寿命，确定所述目标部件的剩余寿命。
131.此外，上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
132.另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的工程机械寿命确定方法，该方法包括：
133.获取工程机械的实时载荷信息；
134.将所述实时载荷信息输入至第一机器学习模型，得到所述工程机械中每个目标部件的每个危险点的应力值；所述第一机器学习模型是基于载荷信息样本以及所有所述危险点的应力值样本训练得到的；
135.将所有所述危险点的应力值输入至第二机器学习模型，得到每个所述目标部件的疲劳寿命；所述第二机器学习模型是基于所有所述危险点的应力值样本和所有所述目标部件的疲劳寿命样本训练得到的；
136.基于所述目标部件的疲劳寿命，确定所述目标部件的剩余寿命。
137.又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的工程机械寿命确定方法，该方法包括：
138.获取工程机械的实时载荷信息；
139.将所述实时载荷信息输入至第一机器学习模型，得到所述工程机械中每个目标部件的每个危险点的应力值；所述第一机器学习模型是基于载荷信息样本以及所有所述危险点的应力值样本训练得到的；
140.将所有所述危险点的应力值输入至第二机器学习模型，得到每个所述目标部件的疲劳寿命；所述第二机器学习模型是基于所有所述危险点的应力值样本和所有所述目标部件的疲劳寿命样本训练得到的；
141.基于所述目标部件的疲劳寿命，确定所述目标部件的剩余寿命。
142.以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
143.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
144.最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。