CN105300819A - 基于支持向量机算法的合金钢疲劳极限检测方法及其*** - Google Patents
基于支持向量机算法的合金钢疲劳极限检测方法及其*** Download PDFInfo
- Publication number
- CN105300819A CN105300819A CN201510650168.1A CN201510650168A CN105300819A CN 105300819 A CN105300819 A CN 105300819A CN 201510650168 A CN201510650168 A CN 201510650168A CN 105300819 A CN105300819 A CN 105300819A
- Authority
- CN
- China
- Prior art keywords
- alloy steel
- fatigue limit
- support vector
- vector machine
- algorithm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
一种基于支持向量机算法的合金钢疲劳极限检测方法,包括:以多种合金钢的常规机械性能参数作为训练样本集的输入参数,以所述多种合金钢对应的疲劳极限值作为输出参数,建立训练样本集;将所述训练样本集输入到支持向量机算法中,建立基于支持向量机算法的疲劳极限计算模型;将待测合金钢的常规机械性能参数进行归一化预处理;将所述待测合金钢归一化预处理后的常规机械性能参数输入所述疲劳极限计算模型,获得该待测合金钢的疲劳极限值。本发明利用较少的合金钢疲劳性能数据,不需进行材料疲劳实验即可得到疲劳极限,能够取得精度较高的效果,节省大量的试验费用和时间,本发明对于计算合金钢的疲劳寿命具有重要的理论意义和实际应用价值。
Description
技术领域
本发明材料疲劳极限检测技术领域,尤其涉及一种基于支持向量机算法的合金钢疲劳极限检测方法及其***。
背景技术
合金钢在低于材料屈服极限的交变应力(或应变)的反复作用下,经过一定的循环次数以后,会在应力集中部位萌生裂纹。裂纹在一定条件下扩展,最终突然断裂,这一失效过程称为疲劳破坏。疲劳破坏是工程结构中常见的一种失效形式。
在疲劳试验中,应力交变循环大至无限次而试样仍不破损时的最大应力叫疲劳极限。一般当用循环次数达到10的7次方而试样尚有90%不破坏情况下的应力表示疲劳极限。在疲劳问题的研究中,知道材料的疲劳极限,对于预防材料的疲劳断裂至关重要。试验是确切知道材料疲劳极限的主要途径,但疲劳试验设备昂贵,试验周期冗长且花费巨大。
发明内容
基于此,针对上述技术问题,本发明提供一种基于支持向量机算法的合金钢疲劳极限检测方法及其***。
为解决上述技术问题,本发明采用如下的技术方案:
一种基于支持向量机算法的合金钢疲劳极限检测方法,包括:
以多种合金钢的常规机械性能参数作为训练样本集的输入参数,以所述多种合金钢对应的疲劳极限值作为输出参数,建立训练样本集;
将所述训练样本集输入到支持向量机算法中,建立基于支持向量机算法的疲劳极限计算模型;
将待测合金钢的常规机械性能参数进行归一化预处理;
将所述待测合金钢归一化预处理后的常规机械性能参数输入所述疲劳极限计算模型,获得该待测合金钢的疲劳极限值。
所述常规机械性能参数包括弹性模量、屈服极限、抗拉强度、延伸率以及断面收缩率。
所述支持向量机算法的核函数采用径向基函数。
本方案还涉及一种基于支持向量机算法的合金钢疲劳极限检测***,包括:
训练样本集建立单元,用于以多种合金钢的常规机械性能参数作为训练样本集的输入参数,以所述多种合金钢对应的疲劳极限值作为输出参数,建立训练样本集;
模型建立单元,用于将所述训练样本集输入到支持向量机算法中,建立基于支持向量机算法的疲劳极限计算模型;
预处理单元,用于将待测合金钢的常规机械性能参数进行归一化预处理;
疲劳极限值计算单元,用于将所述待测合金钢归一化预处理后的常规机械性能参数输入所述疲劳极限计算模型,获得该待测合金钢的疲劳极限值。
所述常规机械性能参数包括弹性模量、屈服极限、抗拉强度、延伸率以及断面收缩率。
所述支持向量机算法的核函数采用径向基函数。
本发明利用较少的合金钢疲劳性能数据,不需进行材料疲劳实验即可得到疲劳极限,能够取得精度较高的效果,节省大量的试验费用和时间,本发明对于计算合金钢的疲劳寿命具有重要的理论意义和实际应用价值。
附图说明
下面结合附图和具体实施方式本发明进行详细说明:
图1为本发明的基于支持向量机算法的合金钢疲劳极限检测方法的流程图;
图2为本发明的基于支持向量机算法的合金钢疲劳极限检测***的结构示意图。
具体实施方式
如图1所示,一种基于支持向量机算法的合金钢疲劳极限检测方法,包括:
S110、以多种合金钢的常规机械性能参数作为训练样本集的输入参数,以所述多种合金钢对应的疲劳极限值作为输出参数,建立训练样本集。
其中,常规机械性能参数包括弹性模量E、屈服极限σs、抗拉强度σb、延伸率δ以及断面收缩率ψ。
本实施例根据《机械工程材料性能数据手册》(机械工业出版社,1994),选取34种合金钢来建立训练样本集,合金钢训练样本性能数据见表1:
表1
S120、将训练样本集输入到支持向量机算法中,建立基于支持向量机算法的疲劳极限计算模型。
其中,支持向量机算法(SupportVcetorMachine,SVM),在样本量较少的情况下亦能获得很好的学习效果;同时,由于支持向量机算法是一个二次优化问题,所得到的解就是全局最优解,避免了神经网络等方法结构难于确定、过学习以及局部极小化等问题。合金钢疲劳极限的检测作为典型的小样本问题,很适合支持向量机算法的应用。
为了提高支持向量机算法的计算精度,需要选择合适的核函数。一般常用的核函数有线性核函数、多项式核函数以及径向基核函数等,通过计算发现采取径向基函数能够取得较好的预测效果。故本发明的支持向量机算法的核函数采用径向基函数,径向基函数参数的选择,利用交叉检验方法自动寻优得到。
S130、将待测合金钢的常规机械性能参数进行归一化预处理。
S140、将待测合金钢归一化预处理后的常规机械性能参数输入疲劳极限计算模型,获得该待测合金钢的疲劳极限值。
如图2所示,本发明还涉及一种基于支持向量机算法的合金钢疲劳极限检测***,包括训练样本集建立单元110、模型建立单元120、预处理单元130以及疲劳极限值计算单元140。
其中,训练样本集建立单元110,用于以多种合金钢的常规机械性能参数作为训练样本集的输入参数,以多种合金钢对应的疲劳极限值作为输出参数,建立训练样本集。
其中,常规机械性能参数包括弹性模量E、屈服极限σs、抗拉强度σb、延伸率δ以及断面收缩率ψ。
本实施例根据《机械工程材料性能数据手册》(机械工业出版社,1994),选取34种合金钢来建立训练样本集,合金钢训练样本性能数据见表1:
表1
模型建立单元120,用于将训练样本集输入到支持向量机算法中,建立基于支持向量机算法的疲劳极限计算模型。
其中,支持向量机算法(SupportVcetorMachine,SVM),在样本量较少的情况下亦能获得很好的学习效果;同时,由于支持向量机算法是一个二次优化问题,所得到的解就是全局最优解,避免了神经网络等方法结构难于确定、过学习以及局部极小化等问题。合金钢疲劳极限的检测作为典型的小样本问题,很适合支持向量机算法的应用。
为了提高支持向量机算法的计算精度,需要选择合适的核函数。一般常用的核函数有线性核函数、多项式核函数以及径向基核函数等,通过计算发现采取径向基函数能够取得较好的预测效果。故本发明的支持向量机算法的核函数采用径向基函数,径向基函数参数的选择,利用交叉检验方法自动寻优得到。
预处理单元130,用于将待测合金钢的常规机械性能参数进行归一化预处理。
疲劳极限值计算单元140,用于将待测合金钢归一化预处理后的常规机械性能参数输入疲劳极限计算模型,获得该待测合金钢的疲劳极限值。
为了检验本发明方法的精度,本实施例选择了常用的12种合金钢材料作为测试样本,检测疲劳极限,表2为合金钢测试样本性能数据:
表2
同时,采用传统检测方法进行疲劳检测,该检测方法根据抗拉强度σb来计算:
σ-1=0.35σb+12.2
σ-1=0.5σb
更进一步,采用材料的强度系数K和应***化指数n估算:
该方法需要先计算单位真应变下的真应力σ1.0。这种方法所采用的强度系数K和应***化指数n不是常规力学参量,还需要进一步的试验确定。
上述两种方法的检测结果对比见表3:
表3
故与现有检测方法相比,本发明利用较少的合金钢疲劳性能数据,不需进行材料疲劳实验即可得到疲劳极限,能够取得精度较高的效果,节省大量的试验费用和时间,本发明对于计算合金钢的疲劳寿命具有重要的理论意义和实际应用价值。
但是,本领域技术人员应该认识到,上述的具体实施方式只是示例性的,是为了更好的使本领域技术人员能够理解本专利,不能理解为是对本专利保护范围的限制,只要是根据本专利所揭示精神的所作的任何等同变更或修饰,均落入本专利保护的范围。
Claims (6)
1.一种基于支持向量机算法的合金钢疲劳极限检测方法,其特征在于,包括:
以多种合金钢的常规机械性能参数作为训练样本集的输入参数,以所述多种合金钢对应的疲劳极限值作为输出参数,建立训练样本集;
将所述训练样本集输入到支持向量机算法中,建立基于支持向量机算法的疲劳极限计算模型;
将待测合金钢的常规机械性能参数进行归一化预处理;
将所述待测合金钢归一化预处理后的常规机械性能参数输入所述疲劳极限计算模型,获得该待测合金钢的疲劳极限值。
2.根据权利要求1所述的一种基于支持向量机算法的合金钢疲劳极限检测方法,其特征在于,所述常规机械性能参数包括弹性模量、屈服极限、抗拉强度、延伸率以及断面收缩率。
3.根据权利要求1或2所述的一种基于支持向量机算法的合金钢疲劳极限检测方法,其特征在于,所述支持向量机算法的核函数采用径向基函数。
4.一种基于支持向量机算法的合金钢疲劳极限检测***,其特征在于,包括:
训练样本集建立单元,用于以多种合金钢的常规机械性能参数作为训练样本集的输入参数,以所述多种合金钢对应的疲劳极限值作为输出参数,建立训练样本集;
模型建立单元,用于将所述训练样本集输入到支持向量机算法中,建立基于支持向量机算法的疲劳极限计算模型;
预处理单元,用于将待测合金钢的常规机械性能参数进行归一化预处理;
疲劳极限值计算单元,用于将所述待测合金钢归一化预处理后的常规机械性能参数输入所述疲劳极限计算模型,获得该待测合金钢的疲劳极限值。
5.根据权利要求4所述的一种基于支持向量机算法的合金钢疲劳极限检测***,其特征在于,所述常规机械性能参数包括弹性模量、屈服极限、抗拉强度、延伸率以及断面收缩率。
6.根据权利要求4或5所述的一种基于支持向量机算法的合金钢疲劳极限检测***,其特征在于,所述支持向量机算法的核函数采用径向基函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510650168.1A CN105300819A (zh) | 2015-10-09 | 2015-10-09 | 基于支持向量机算法的合金钢疲劳极限检测方法及其*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510650168.1A CN105300819A (zh) | 2015-10-09 | 2015-10-09 | 基于支持向量机算法的合金钢疲劳极限检测方法及其*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105300819A true CN105300819A (zh) | 2016-02-03 |
Family
ID=55198333
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510650168.1A Pending CN105300819A (zh) | 2015-10-09 | 2015-10-09 | 基于支持向量机算法的合金钢疲劳极限检测方法及其*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105300819A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190767A (zh) * | 2018-07-27 | 2019-01-11 | 东华大学 | 一种基于机器学习的阻燃面料性能老化预测方法 |
CN109855960A (zh) * | 2017-11-30 | 2019-06-07 | 中国科学院金属研究所 | 一种通过拉伸性能确定金属材料疲劳强度的方法 |
CN109931231A (zh) * | 2017-12-19 | 2019-06-25 | 北京金风科创风电设备有限公司 | 风力发电机组润滑***的疲劳极限测试***和方法 |
CN114781250A (zh) * | 2022-04-11 | 2022-07-22 | 西南交通大学 | 一种基于机器学习的多因素影响环境疲劳寿命预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090093976A1 (en) * | 2006-03-07 | 2009-04-09 | Airbus France | Method for characterizing the endurance limit of a part from its surface profile |
CN101994001A (zh) * | 2010-09-14 | 2011-03-30 | 上海海事大学 | 基于支持向量机算法的振动时效效果预测方法 |
CN102081020A (zh) * | 2010-01-26 | 2011-06-01 | 上海海事大学 | 基于支持向量机的材料疲劳寿命预测方法 |
CN102324040A (zh) * | 2011-09-09 | 2012-01-18 | 太原科技大学 | 桥式起重机当量载荷谱获取及疲劳剩余寿命估算方法 |
CN103217280A (zh) * | 2013-03-18 | 2013-07-24 | 西安交通大学 | 航空发动机转子剩余寿命的多变量支持向量机预测方法 |
-
2015
- 2015-10-09 CN CN201510650168.1A patent/CN105300819A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090093976A1 (en) * | 2006-03-07 | 2009-04-09 | Airbus France | Method for characterizing the endurance limit of a part from its surface profile |
CN102081020A (zh) * | 2010-01-26 | 2011-06-01 | 上海海事大学 | 基于支持向量机的材料疲劳寿命预测方法 |
CN101994001A (zh) * | 2010-09-14 | 2011-03-30 | 上海海事大学 | 基于支持向量机算法的振动时效效果预测方法 |
CN102324040A (zh) * | 2011-09-09 | 2012-01-18 | 太原科技大学 | 桥式起重机当量载荷谱获取及疲劳剩余寿命估算方法 |
CN103217280A (zh) * | 2013-03-18 | 2013-07-24 | 西安交通大学 | 航空发动机转子剩余寿命的多变量支持向量机预测方法 |
Non-Patent Citations (3)
Title |
---|
乔艳江 等: "合金钢与铝合金疲劳极限的理论估算方法分析", 《力学与实践》 * |
张忠平 等: "一种利用支持向量机描述应力-寿命关系的新方法", 《空军工程大学学报(自然科学版)》 * |
纪冬梅 等: "基于支持向量机的P91钢蠕变-疲劳寿命预测", 《压力容器》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109855960A (zh) * | 2017-11-30 | 2019-06-07 | 中国科学院金属研究所 | 一种通过拉伸性能确定金属材料疲劳强度的方法 |
CN109855960B (zh) * | 2017-11-30 | 2021-06-01 | 中国科学院金属研究所 | 一种通过拉伸性能确定金属材料疲劳强度的方法 |
CN109931231A (zh) * | 2017-12-19 | 2019-06-25 | 北京金风科创风电设备有限公司 | 风力发电机组润滑***的疲劳极限测试***和方法 |
CN109931231B (zh) * | 2017-12-19 | 2020-01-31 | 北京金风科创风电设备有限公司 | 风力发电机组润滑***的疲劳极限测试***和方法 |
CN109190767A (zh) * | 2018-07-27 | 2019-01-11 | 东华大学 | 一种基于机器学习的阻燃面料性能老化预测方法 |
CN114781250A (zh) * | 2022-04-11 | 2022-07-22 | 西南交通大学 | 一种基于机器学习的多因素影响环境疲劳寿命预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN100533119C (zh) | 机械结构的裂纹扩展率和裂纹扩展寿命预测方法 | |
CN102081020B (zh) | 基于支持向量机的材料疲劳寿命预测方法 | |
Ham et al. | Forming limit curves in single point incremental forming | |
Zhang et al. | Global optimization of reliability design for large ball mill gear transmission based on the Kriging model and genetic algorithm | |
CN105300819A (zh) | 基于支持向量机算法的合金钢疲劳极限检测方法及其*** | |
CN110414140A (zh) | 木材损伤的模型训练和测试方法、装置、设备和存储介质 | |
CN108133082B (zh) | 一种基于有限元模拟确定压痕应变法中应力测量常数的方法 | |
CN103868692A (zh) | 基于核密度估计和k-l散度的旋转机械故障诊断方法 | |
CN109933925B (zh) | 一种金属板材的冲压成形性能预测方法 | |
Smith et al. | A stress-weighted ductile fracture model for steel subjected to ultra low cycle fatigue | |
CN106289947B (zh) | 一种轻质高强梁结构损伤识别方法 | |
CN109726411B (zh) | 风力机机舱结构疲劳强度的计算方法 | |
US20200209126A1 (en) | Evaluation of applications using digital image correlation techniques | |
Chencho et al. | Development and application of random forest technique for element level structural damage quantification | |
CN117233347B (zh) | 一种碳钢球化等级测量方法、***及设备 | |
Liu et al. | Hydraulic system fault diagnosis of the chain jacks based on multi-source data fusion | |
CN114186489A (zh) | 基于排序网络的成品油管道异常检测方法、***及设备 | |
CN110362947A (zh) | 一种油气管道上凹痕缺陷回复的反演方法 | |
CN109766637B (zh) | 基于Krigng代理模型的桥式起重机结构可靠性优化方法 | |
CN114398805B (zh) | 一种水岩耦合作用下裂隙岩石蠕变模型构建方法及*** | |
CN105424554A (zh) | 一种基于比重测量的金属材料疲劳损伤程度确定方法 | |
Li et al. | Multichannel intelligent fault diagnosis of hoisting system using differential search algorithm‐variational mode decomposition and improved deep convolutional neural network | |
CN114996914A (zh) | 基于跨点频响固有阻尼特征识别金属构件疲劳损伤的方法 | |
CN104077444B (zh) | 一种压痕数据分析方法 | |
CN107908825A (zh) | 基于振动测量的钢筋混凝土简支梁火灾损伤识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20160203 |