一种裂纹扩展速率预测方法、系统、存储介质及计算设备

1.本发明涉及机械设备零部件疲劳失效研究技术领域，特别是关于一种基于pso-bpnn算法的裂纹扩展速率预测方法、系统、存储介质及计算设备。


背景技术：

2.随着世界经济与工业制造技术的快速发展，当前社会对关键零部件与大型工程结构的使用安全性能提出了更高要求。据报道，目前影响其使用安全性能的因素主要为疲劳失效现象，而对服役过程中裂纹的萌生与扩展的研究是疲劳失效研究的关键环节。对裂纹扩展的研究始于上世纪30年代，各国学者做了大量针对性工作，并分别提出大量有效的裂纹扩展模型。
3.基于试验手段研究疲劳裂纹的扩展速率时，由于裂纹长度、应力水平、材料不均匀性、试验装置以及人为错误等因素导致试验数据中存在固有噪声，而神经网络非常适合处理大型复杂数据集，并从中提取关键特征。此外，pso(粒子群优化算法)全局寻优算法对于改善bp神经网络收敛较慢与局部最优问题效果很好。
4.目前，基于pso-bpnn算法的裂纹扩展速率研究方法的发展仍具有一定的局限性，而此研究方法的发展有利于降低裂纹扩展速率研究过程中所需要耗费的大量人力物力，同时对于研究裂纹扩展速率新思路的开发与发展具有重要的理论与工程意义。


技术实现要素：

5.针对上述现有对裂纹扩展行为研究方面的局限性问题，本发明的目的是提供一种裂纹扩展速率预测方法、系统、存储介质及计算设备，其能对裂纹扩展行为进行有效的预测，并有利于降低裂纹扩展行为研究过程中所需要耗费的大量人力物力。
6.为实现上述目的，本发明采取以下技术方案：一种裂纹扩展速率预测方法，其包括：根据预先建立的数据库，构建反向传播神经网络模型，确定所述神经网络的权重；利用粒子群优化算法进行全局寻优，得到的最优位置作为所述神经网络的最优初始权值与阈值，实现所述神经网络模型的优化；对优化后的所述神经网络进行训练，满足训练精度时则得到裂纹扩展速率预测模型，由所述裂纹扩展速率预测模型得到预测结果。
7.进一步，所述预先建立的数据库为：综合考虑裂纹长度、板厚、应力比、应力范围以及应力强度因子数据，建立裂纹扩展速率多尺度数据库；并对该数据库进行预处理。
8.进一步，所述对该数据库进行预处理，包括：采用基于层次分析法进行预处理。
9.进一步，以裂纹长度、板厚、应力比、应力范围四个参数作为所述神经网络输入，应力强度因子
△
k作为输出建立神经网络模型，包括：
10.通过给定外加应力水平下裂纹以及输出单元的数量确定输入单元的数量，不同训练集每个新的随机权重向量所产生的隐含单元以及迭代次数的差别导致误差的产生，通过对其检验检验确定隐含单元数量；
11.将神经网络的单元利用参数ω进行连接，参数ωjn(1)表示在第一层将n输入到隐
含层j的权值，参数ωj0(1)表示在第一层时隐含层j的偏差值，同时将一个额外的输入值x0永久设置为1；
12.通过设置偏差值并对所有输入值的加权值进行线性组合，确定隐藏单元的输出值；
13.采用非线性激活函数，利用将输出值传递至隐含层的单元的线性关系及其变换来实现隐含单元的激活，将所有输出单元激活，实现神经网络的反向传播；
14.在监督学习过程中，通过比较实际输出和期望输出，采用误差函数计算所有输出单元的误差；
15.误差通过神经网络进行反向传播，进而确定隐含单元内的误差，并相应调整权重向量。
16.进一步，所述利用粒子群优化算法进行全局寻优，得到的最优位置作为所述神经网络的最优初始权值与阈值，实现所述神经网络模型的优化，包括：
17.获得不同粒子的适应度值并确定粒子与种群的最优位置；
18.基于最优位置对pso算法中的粒子位置与速度、参数ω以及学习因子进行更新；
19.判定是否满足终止条件，若满足则终止；
20.若不满足则将算法停止时刻得到的最优解作为神经网络的最优初始权值与阈值，实现bpnn结构的优化。
21.进一步，所述终止条件为：是否达到预设的训练精度或最大迭代次数，达到，则满足终止条件。
22.进一步，所述由所述裂纹扩展速率预测模型得到预测结果，包括：将实际裂纹扩展数据进行预处理后，输入所述裂纹扩展速率预测模型，得到相应的预测结果。
23.一种裂纹扩展速率预测系统，其包括：第一处理模块，根据预先建立的数据库，构建反向传播神经网络模型，确定所述神经网络的权重；第二处理模块，利用粒子群优化算法进行全局寻优，得到的最优位置作为所述神经网络的最优初始权值与阈值，实现所述神经网络模型的优化；预测模块，对优化后的所述神经网络进行训练，满足训练精度时则得到裂纹扩展速率预测模型，由所述裂纹扩展速率预测模型得到预测结果。
24.一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行上述方法中的任一方法。
25.一种计算设备，其包括：一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行上述方法中的任一方法的指令。
26.本发明由于采取以上技术方案，其具有以下优点：
27.本发明采用pso-bpnn算法对疲劳裂纹扩展过程中的演化行为进行研究，通过对其多个影响因素的综合分析，建立基于pso-bpnn算法的疲劳短裂纹扩展速率研究模型，为疲劳裂纹的扩展行为提供有效的预测，并有利于降低裂纹扩展行为研究过程中所需要耗费的大量人力物力。
附图说明
28.图1是本发明一实施例中基于pso-bpnn算法的裂纹扩展速率预测方法流程图；
29.图2是本发明一实施例中基于本发明预测方法所得到的预测结果。
具体实施方式
30.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例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的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
31.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
32.本发明提供一种基于pso-bpnn算法的裂纹扩展速率预测方法、系统、存储介质及计算设备，通过对裂纹扩展行为的多个影响因素的综合分析，建立基于pso-bpnn算法的疲劳短裂纹扩展速率预测模型，为疲劳裂纹的扩展行为提供有效的预测。此外，本发明有利于降低裂纹扩展行为研究过程中所需要耗费的大量人力物力，并解决bp神经网络算法的收敛性差与局部最优问题，同时有利于推动裂纹扩展行为研究新思路的开发与发展，进而为工程材料的疲劳性能评估提供重要理论依据。
33.在本发明的一个实施例中，提供一种裂纹扩展速率预测方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，如图1所示，该方法包括以下步骤：
34.1)根据预先建立的数据库，构建反向传播神经网络模型，确定神经网络的权重；
35.2)利用粒子群优化算法进行全局寻优，得到的最优位置作为神经网络的最优初始权值与阈值，实现反向传播神经网络模型的优化；
36.3)对优化后的神经网络进行训练，满足训练精度时则得到裂纹扩展速率预测模型，由裂纹扩展速率预测模型得到预测结果。
37.上述步骤1)中，预先建立的数据库为：综合考虑裂纹长度、板厚、应力比、应力范围以及应力强度因子数据，建立裂纹扩展速率多尺度数据库；并对该数据库进行预处理。
38.其中，采用基于层次分析法对该数据库进行预处理。对数据库进行格式整理并进行数据清洗。
39.在本实施例中，通过疲劳试验与文献查阅建立中碳钢(0.4％)的多尺度裂纹扩展行为数据库，通过将神经网络配置为0-1范围内的向量，实现数据库中总裂纹长度和裂纹扩展速率等数据的归一化。
40.上述步骤1)中，以裂纹长度、板厚、应力比、应力范围四个参数作为神经网络输入，应力强度因子
△
k作为输出建立反向传播神经网络模型，该神经网络同时包含增益和动量权重适应项。具体建立方法包括以下步骤：
41.1.1)通过给定外加应力水平下裂纹以及输出单元的数量确定输入单元的数量，不同训练集每个新的随机权重向量所产生的隐含单元以及迭代次数的差别导致误差的产生，通过对其检验检验确定隐含单元数量；
42.1.2)将神经网络的单元利用参数ω进行连接，参数ωjn(1)表示在第一层将n输入到隐含层j的权值，参数ωj0(1)表示在第一层时隐含层j的偏差值，同时将一个额外的输入值x0永久设置为1；
43.1.3)通过设置偏差值并对所有输入值的加权值进行线性组合，确定隐藏单元的输出值；
44.1.4)采用非线性激活函数，利用将输出值传递至隐含层的单元的线性关系及其变换来实现隐含单元的激活，将所有输出单元激活，实现神经网络的反向传播；
45.1.5)在监督学习过程中，通过比较实际输出和期望输出，采用误差函数计算所有输出单元的误差；
46.其中，误差函数可以采用标准平方和函数等。
47.1.6)误差通过神经网络进行反向传播，进而确定隐含单元内的误差，并相应调整权重向量。
48.对每个训练样本重复上述步骤，然后对所有训练样本产生的误差求和，来确定总误差e。
49.在本实施例中，裂纹长度、板厚、应力比、应力范围四个参数作为输入，应力强度因子
△
k作为输出，设置包含7个单元的一个隐含层。通过对应力强度因子
△
k的预测，避免直接预测裂纹扩展速率，有利于保证其预测结果的稳定性以及良好的泛化能力。
50.上述步骤2)中，利用粒子群优化算法进行全局寻优，得到的最优位置作为神经网络的最优初始权值与阈值，实现神经网络模型的优化，包括以下步骤：
51.2.1)获得不同粒子的适应度值并确定粒子与种群的最优位置；
52.2.2)基于最优位置对pso算法中的粒子位置与速度、参数ω以及学习因子进行更新；
53.2.3)判定是否满足终止条件，若满足则终止；若不满足则将算法停止时刻得到的最优解作为神经网络的最优初始权值与阈值，实现bpnn(反向传播神经网络)结构的优化。
54.其中，终止条件为：是否达到预设的训练精度或最大迭代次数，达到，则满足终止条件。
55.上述步骤2.1)之前，还包括对pso算法中参数的初始化步骤，将bpnn的初始权重与初始阈值作为输入，利用pso算法输出优化过的权重与阈值。
56.上述步骤3)中，由裂纹扩展速率预测模型得到预测结果，具体为：将实际裂纹扩展数据进行预处理后，输入裂纹扩展速率预测模型，得到相应的预测结果。
57.综上，本发明基于pso对bpnn算法进行优化，避免其陷入过拟合与局部最优等问题。有利于降低裂纹扩展行为研究过程中所需要耗费的大量人力物力，并解决bp神经网络算法的收敛性差与局部最优问题，同时有利于推动裂纹扩展行为研究新思路的开发与发展，进而为工程材料的疲劳性能评估提供重要理论依据。
58.如图2所示，在板厚为18mm，应力比为0.1，应力范围为639mpa条件下，迭代次数为5000次时总误差e＝0.00058，能够实现良好的预测效果，能够为合理研究裂纹扩展行为提供有效工具。
59.在本发明的一个实施例中，提供一种裂纹扩展速率预测系统，其包括：
60.第一处理模块，根据预先建立的数据库，构建反向传播神经网络模型，确定神经网
络的权重；
61.第二处理模块，利用粒子群优化算法进行全局寻优，得到的最优位置作为神经网络的最优初始权值与阈值，实现神经网络模型的优化；
62.预测模块，对优化后的神经网络进行训练，满足训练精度时则得到裂纹扩展速率预测模型，由裂纹扩展速率预测模型得到预测结果。
63.本实施例提供的系统是用于执行上述各方法实施例的，具体流程和详细内容请参照上述实施例，此处不再赘述。
64.本发明一实施例中提供的计算设备结构，该计算设备可以是终端，其可以包括：处理器(processor)、通信接口(communications interface)、存储器(memory)、显示屏和输入装置。其中，处理器、通信接口、存储器通过通信总线完成相互间的通信。该处理器用于提供计算和控制能力。该存储器包括非易失性存储介质、内存储器，该非易失性存储介质存储有操作系统和计算机程序，该计算机程序被处理器执行时以实现一种裂纹扩展速率预测方法；该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、管理商网络、nfc(近场通信)或其他技术实现。该显示屏可以是液晶显示屏或者电子墨水显示屏，该输入装置可以是显示屏上覆盖的触摸层，也可以是计算设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。处理器可以调用存储器中的逻辑指令，以执行如下方法：根据预先建立的数据库，构建反向传播神经网络模型，确定神经网络的权重；利用粒子群优化算法进行全局寻优，得到的最优位置作为神经网络的最优初始权值与阈值，实现神经网络模型的优化；对优化后的神经网络进行训练，满足训练精度时则得到裂纹扩展速率预测模型，由裂纹扩展速率预测模型得到预测结果。
65.此外，上述的存储器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。
66.本领域技术人员可以理解，上述计算设备的结构，仅仅是与本技术方案相关的部分结构，并不构成对本技术方案所应用于其上的计算设备的限定，具体的计算设备可以包括更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
67.在本发明的一个实施例中，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实施例所提供的方法，例如包括：根据预先建立的数据库，构建反向传播神经网络模型，确定神经网络的权重；利用粒子群优化算法进行全局寻优，得到的最优位置作为神经网络的最优初始权值与阈值，实现神经网络模型的优化；对优化后的神经网络进行训练，满足训练精度时则得到裂纹扩展速率预测模型，由裂纹扩展速率预测模型得到预测结果。
68.在本发明的一个实施例中，提供一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储服务器指令，该计算机指令使计算机执行上述各实施例提供的方法，例如包括：根据预先建立的数据库，构建反向传播神经网络模型，确定神经网络的权重；利用粒子群优化算法进行全局寻优，得到的最优位置作为神经网络的最优初始权值与阈值，实现神经网络模型的优化；对优化后的神经网络进行训练，满足训练精度时则得到裂纹扩展速率预测模型，由裂纹扩展速率预测模型得到预测结果。
69.上述实施例提供的一种计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
70.本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
71.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
72.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
73.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。