(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111330477.2 (22)申请日 2021.11.11 (71)申请人 天津大学 地址 300350 天津市津南区海河教育园雅 观路135号天津大 学北洋园校区 (72)发明人 徐连勇　冯超　赵雷　韩永典　 (74)专利代理 机构 北京瑞盛铭杰知识产权代理 事务所(普通 合伙) 11617 代理人 李绩 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 119/04(2020.01) (54)发明名称 一种多尺度焊接结构的疲劳寿命预测方法、 装置及设备 (57)摘要 本说明书实施例公开了一种多尺度焊接结 构的疲劳寿命预测方法、 装置及设备。 通过对S ‑N 曲线的预测， 提高疲劳行为预测的适用性、 精确 度以及稳定性， 同时降低常规疲 劳行为研究方法 所需要耗费的大量人力物力。 并且能够满足综合 考虑焊接方法、 板厚、 应力比、 接头类型以及应力 范围五种疲 劳行为影响因素的综合影 响， 更真实 地预测并反映不同条件下的疲劳行为。 权利要求书2页 说明书9页 附图5页 CN 114021468 A 2022.02.08 CN 114021468 A 1.一种多尺度焊接结构疲劳寿命预测方法， 其特 征在于， 包括： 通过实际疲劳试验以及文献数据整理， 建立包含不同影响因素下的S ‑N曲线以及特定 应力范围条件下的疲劳寿命的多尺度疲劳性能数据库； 基于层次分析法与Box ‑plot方法对所述多尺度疲劳性能数据库进行 数据清洗； 基于SPDTRS理论， 根据所述多尺度疲劳性能数据库确定各疲劳行为影响因素的权 重； 根据所述 疲劳行为影响因素的权 重， 确定疲劳行为的训练方法和预测规则； 基于所述疲劳行为的训练方法和预测规则以及BP神经网络结构构建基于SPDTRS ‑CS‑ BPNN混合智能算法的疲劳行为预测模型； 根据所述 疲劳行为预测模型对待测焊接结构进行寿命行为预测。 2.如权利要求1所述的方法， 其特征在于， 所述多尺度疲劳性能数据库中的参数包括： 焊接方法、 板厚、 接 头类型、 应力比、 应力范围以及材 料常数C和m。 3.如权利要求1所述的方法， 其特 征在于， 所述S PDTRS‑CS‑BPNN算法的耦合方法为： 以多尺度疲劳性能数据库中的疲劳行为影响因素作为输入， 利用SPDTRS算法对其进行 分析， 得到不同影响因素分别的权重； 基于 分析得到的影响因素权重作为初始阈值和权重， 对BPNN结构进行初始化； 在BPNN误差传播过程中， 利用CS算法改善其收敛性， 并避免神经网 络陷入过拟合和 局部最优问题。 4.如权利要求1所述的方法， 其特征在于， 基于SPDTRS理论， 根据所述多尺度疲劳性能 数据库确定各疲劳行为影响因素的权 重， 具体包括： 基于SPDTRS理论， 对疲劳行为影响因素进行约简， 分别得到其影响权 重。 5.如权利要求1所述的方法， 其特征在于， 所述基于SPDTRS理论， 根据所述多尺度疲劳 性能数据库确定各疲劳行为影响因素的权 重， 具体包括： 基于单参数决策理论粗糙集(SPDTRS)理论以及所述疲劳性能数据库， 对疲劳行为影响 因素进行权 重分析并获得BPN N的初始权值和阈值； 所述根据所述疲劳行为影响因素的权重， 确定疲劳行为的训练方法和预测规则， 具体 包括： 根据不同疲劳行为影响因素的权重以及 分析结果， 确定所建模型的疲劳行为的训练方 法和预测规则。 6.如权利要求1所述的方法， 其特征在于， 基于所述疲劳行为的训练方法和预测规则以 及BP神经网络结构构建基于SPDTRS ‑CS‑BPNN混合智能算法的疲劳行为预测模型， 具体包 括： 建立BPNN结构， 并利用疲劳行为影响因素及其权 重对神经网络进模型 行初始化； 对布谷鸟寻优(CS)算法参数进行初始化； 基于CS算法获得当前最优位置； 根据当前最优位置对位置进行小范围更新； 基于莱维(Levy)飞行获得 更多新位置； 通过对比所述获得的当前最优位置和新 位置判定新的最优位置； 基于动态发现概 率决定此最优位置是否保留； 判定当前解是否满足停止条件， 若尚未达到则 重新基于CS算法获得当前最优位置并循 环， 若满足则输出最优解；权　利　要　求　书 1/2 页 2 CN 114021468 A 2基于SPDTRS得到的影响因素权重以及分析得到的训练方法和预测规则对BPNN的网络 结构进行优化； 建立基于S PDTRS‑CS‑BPNN算法的疲劳行为预测模型。 7.如权利要求1所述的方法， 其特 征在于， 所述对神经网络模型进行初始化， 具体包括： 对神经网络模型的输入层、 隐含层与输出层的参数进行设置， 其中， 焊接方法、 板厚、 接 头类型、 应力比为输入层参 数， 材料常数C、 m为输出层参 数， 其中， C ＝emSN， S为应力范围， N为 疲劳寿命； 可选的， 所述方法通过疲劳寿命影响因素的选取实现该条件下S ‑N曲线的预测， 疲劳寿 命通过提取获得， 具有更高的稳定性。 8.如权利要求1所述的方法， 其特征在于， 在根据 所述疲劳行为预测模型对待测焊接结 构进行寿命行为预测之后， 所述方法还 包括： 提取相应的S ‑N曲线以及特定应力范围下的疲劳寿命等 疲劳性能数据。 9.一种多尺度焊接结构疲劳寿命预测装置， 其特 征在于， 包括： 多尺度疲劳性能数据库建立模块， 用于通过实 际疲劳试验以及文献数据整理， 建立包 含不同影响因素下的S ‑N曲线以及特定应力范围条件下的疲劳寿命的多尺度疲劳性能数据 库； 数据清洗模块， 用于基于层次分析法与Box ‑plot方法对所述多尺度 疲劳性能数据库进 行数据清洗； 疲劳影响因素权重分析模块， 用于基于SPDTRS理论， 根据所述多尺度疲劳性能数据库 确定各疲劳行为影响因素的权 重； 训练方法和预测规则模块， 用于根据所述疲劳行为影响因素的权重， 确定疲劳行为的 训练方法和预测规则； 疲劳行为预测模块， 用于基于所述疲劳行为的训练方法和预测规则以及BP神经网络结 构构建基于S PDTRS‑CS‑BPNN混合智能算法的疲劳行为预测模型； 根据所述 疲劳行为预测模型对待测焊接结构进行寿命行为预测。 10.一种多尺度焊接结构疲劳寿命预测设备， 其特 征在于， 包括： 至少一个处 理器； 以及， 与所述至少一个处 理器通信连接的存 储器； 其中， 所述存储器存储有可被所述至少一个处理器执行的指令， 所述指令被所述至少一个处 理器执行， 以使所述至少一个处 理器能够： 通过实际疲劳试验以及文献数据整理， 建立包含不同影响因素下的S ‑N曲线以及特定 应力范围条件下的疲劳寿命的多尺度疲劳性能数据库； 基于层次分析法与Box ‑plot方法对所述多尺度疲劳性能数据库进行 数据清洗； 基于SPDTRS理论， 根据所述多尺度疲劳性能数据库确定各疲劳行为影响因素的权 重； 根据所述 疲劳行为影响因素的权 重， 确定疲劳行为的训练方法和预测规则； 基于所述疲劳行为的训练方法和预测规则以及BP神经网络结构构建基于SPDTRS ‑CS‑ BPNN混合智能算法的疲劳行为预测模型； 根据所述 疲劳行为预测模型对待测焊接结构进行寿命行为预测。权　利　要　求　书 2/2 页 3 CN 114021468 A 3