1.本发明涉及焊接疲劳分析技术领域，具体涉及一种多级加载下焊接接头疲劳寿命预测方法及系统。
背景技术：2.为满足现代机械装备轻量化的发展需求，焊接结构被广泛地应用到实际工程。在服役期间，焊接结构往往受多级变幅载荷作用，极易发生疲劳失效，并且疲劳断裂机理也十分复杂，传统疲劳寿命评估方法难以精确估算其疲劳寿命，对结构的设计与维护造成极大困难。
3.传统的疲劳寿命评估方法以miner线性累积损伤模型为代表，其优势在于形式简单并易于计算，在工程中得到广泛应用。虽然miner法则有表达形式简洁且易于使用等优势，但因其过度简化疲劳失效机理与准则，导致计算精度较差，往往不能满足工程实际需要。
4.针对miner法则的不足，通过改进损伤演化形式，结合疲劳失效基本机理，相关学者提出了损伤累积理论的另一种模式，即非线性损伤累积理论。其中，richart和newmark最早提出了损伤曲线的概念，基于该理论marco和strakey建立了一种基于损伤非线性寿命评估模型，之后由manson和halford给出了模型中损伤指数的具体表达形式，并基于有效裂纹增长模型加以完善。manson-halford模型(简记为m-h模型)基于损伤曲线方法，给出材料裂纹与循环比存在的关系，以及参数的计算方法。m-h模型能较好的考虑载荷次序效应对寿命的影响，其改进模型—修正m-h模型能考虑载荷交互作用的影响，但由于其表达形式复杂，在解决实际工程中的复杂疲劳问题时存在计算效率不高，工程实用性不强等不足之处。
5.由于变幅载荷过程中存在大量的随机性，传统的累积损伤模型未能考虑到载荷间的次序效应以及载荷间的相互作用效应，从而导致在预测疲劳寿命时，预测精度较低。如何在小样本条件下，建立高精度的疲劳寿命预测及非线性累计损伤模型，是现有疲劳寿命预测方法研究中的瓶颈问题。
技术实现要素：6.为此，本发明提供一种多级加载下焊接接头疲劳寿命预测方法及系统，以解决现有疲劳寿命预测方法存在的预测精度低，不能满足工程实际需要的问题。
7.为了实现上述目的，本发明提供如下技术方案：
8.根据本发明实施例的第一方面，提出了一种多级加载下焊接接头疲劳寿命预测方法，所述方法包括：
9.收集多级加载下焊接接头疲劳数据，建立焊接接头疲劳分析数据库，并构建训练集和测试集；
10.使用所述训练集对构建的支持向量回归机预测模型进行训练，训练过程中基于鲸鱼优化算法对预测模型参数进行寻优，得到参数优化后的预测模型，并使用所述测试集对
参数优化后的预测模型进行测试；
11.基于得到的参数优化后的预测模型对多级加载下焊接接头疲劳寿命进行预测。
12.进一步地，建立焊接接头疲劳分析数据库，具体包括：
13.通过搜集、整理国内外焊接疲劳分析机构和企业的疲劳试验数据，并进行实验室疲劳试验，获取多级加载下焊接接头疲劳分析数据，构建焊接接头疲劳分析数据库。
14.进一步地，所述数据库中包括各级加载应力水平及应力均值、试件在加载应力作用下的循环次数、试件在加载应力作用下的剩余疲劳寿命。
15.进一步地，构建训练集和测试集，具体还包括：
16.对样本数据进行归一化处理。
17.进一步地，使用所述训练集对构建的支持向量回归机预测模型进行训练，具体包括：
18.将包括各级加载应力水平及应力均值、试件在加载应力作用下的循环次数的疲劳参数数据作为预测模型的输入，试件的剩余疲劳寿命作为预测模型的期望输出，对预测模型进行训练。
19.进一步地，训练过程中基于鲸鱼优化算法对预测模型参数进行寻优，得到参数优化后的预测模型，具体包括：
20.设置svr模型参数的搜索范围及鲸鱼优化算法参数，鲸鱼优化算法参数包括鲸鱼种群的规模n、搜索空间的维度d以及最大迭代次数t
max
；设置初始迭代次数t＝1，采用随机方法初始化种群位置，第i只鲸鱼在第d维空间中的位置表示为最优鲸鱼位置即捕食猎物的位置代表问题的全局最优解；
21.根据训练过程中得到的预测值与试验值计算均方误差mse，将其作为适应度函数，计算每个鲸鱼的适应度值，选择适应度值最小的鲸鱼位置作为当前最优的位置；
22.更新参数a,a,c,l，其中a为收敛因子，在鲸群捕食迭代过程中由2线性减小到0，计算公式为a＝2-2
·
t/t
max
，式中t∈[t,t
max
]代表当前迭代次数，t
max
表示最大迭代次数；a和c为系数向量，随着a的变化来实现，其中a为[-a,a]中的随机值，c为[0,a]中的随机值，二者用于平衡算法的全局探索和局部开发能力，通过调整a和c的值，实现最佳位置相对于当前位置的各种位置，计算公式为a＝2
·a·
rand
1-a,c＝2
·
rand2，式中的rand1,rand2是[0,1]之间的随机数；l是一个随机数，范围在[-1,1]之间；p是算法选择攻击或包围猎物的概率，通过算法语句随机生成，范围在[0,1]之间；
[0023]
如果p≥0.5，则按照预设公式以螺旋运动方式对猎物进行攻击，更新鲸鱼位置；如果p＜0.5，则判断参数|a|是否小于1，如果是，则按照预设公式对猎物进行收缩包围，更新鲸鱼位置，否则按照预设公式进行全局搜索，更新鲸鱼位置；此时完成位置更新，再次计算优化后鲸鱼种群的适应度值，并与之前保留的最优位置x
*
进行比较，如果优于x
*
，则对x
*
位置进行更新；
[0024]
迭代次数达到最大时，结束寻优，输出当前优化的参数，否则迭代次数t+1；将优化后的参数输入到预测模型中，得到优化后的预测模型。
[0025]
进一步地，所述方法还包括：
[0026]
如果p≥0.5，则按照公式：x(t+1)＝(|x
*
(t)-x(t)|)
·ebl
·
cos(2πl)+x
*
(t)以螺
旋运动方式对猎物进行攻击，更新鲸鱼位置，式中x(t+1)为更新后鲸鱼位置，x
*
(t)表示当前鲸群中最优的鲸鱼位置，x(t)代表当前鲸鱼的位置，|x
*
(t)-x(t)|表示第t次迭代中当前鲸鱼位置与最优鲸鱼位置之间距离的绝对值，b是用来限定对数螺旋形式的常量系数；
[0027]
如果p＜0.5，则判断参数|a|是否小于1，如果是，则按照公式：x(t+1)＝x
*
(t)-a
·
(|c
·
x
*
(t)-x(t)|)对猎物进行收缩包围，更新鲸鱼位置；否则按照公式：x(t+1)＝x
rand
(t)-a
·
(|c
·
x
rand
(t)-x(t)|)进行全局搜索，更新鲸鱼位置，式中的x
rand
是从当前鱼群中随机选择的一个鲸鱼个体位置。
[0028]
根据本发明实施例的第二方面，提出了一种多级加载下焊接接头疲劳寿命预测系统，所述系统包括：
[0029]
数据集构建模块，用于收集多级加载下焊接接头疲劳数据，建立焊接接头疲劳分析数据库，并构建训练集和测试集；
[0030]
模型训练优化模块，用于使用所述训练集对构建的支持向量回归机预测模型进行训练，训练过程中基于鲸鱼优化算法对预测模型参数进行寻优，得到参数优化后的预测模型，并使用所述测试集对参数优化后的预测模型进行测试；
[0031]
预测模块，用于基于得到的参数优化后的预测模型对多级加载下焊接接头疲劳寿命进行预测。
[0032]
进一步地，所述模型训练优化模块，具体用于：
[0033]
将包括各级加载应力水平及应力均值、试件在加载应力作用下的循环次数的疲劳参数数据作为预测模型的输入，试件的剩余疲劳寿命作为预测模型的期望输出，对预测模型进行训练。
[0034]
根据本发明实施例的第三方面，提出了一种计算机存储介质，所述计算机存储介质中包含一个或多个程序指令，所述一个或多个程序指令用于被一种多级加载下焊接接头疲劳寿命预测系统执行如上任一项所述的方法。
[0035]
本发明具有如下优点：
[0036]
本发明提出的一种多级加载下焊接接头疲劳寿命预测方法及系统，收集多级加载下焊接接头疲劳数据，建立焊接接头疲劳分析数据库，并构建训练集和测试集；使用所述训练集对构建的支持向量回归机预测模型进行训练，训练过程中基于鲸鱼优化算法对预测模型参数进行寻优，得到参数优化后的预测模型，并使用所述测试集对参数优化后的预测模型进行测试；基于得到的参数优化后的预测模型对多级加载下焊接接头疲劳寿命进行预测。其精度优于传统的累积损伤模型，能够更好地评估铝合金焊接接头的疲劳寿命。
附图说明
[0037]
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式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，下面描述中的附图仅仅是示例性的，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，还可以根据提供的附图引伸获得其它的实施附图。
[0038]
图1为本发明实施例1提供的一种多级加载下焊接接头疲劳寿命预测方法的流程示意图；
[0039]
图2为本发明实施例1提供的一种多级加载下焊接接头疲劳寿命预测方法的具体
实施流程示意图；
[0040]
图3为本发明实施例1提供的一种多级加载下焊接接头疲劳寿命预测方法中适应度曲线示意图；
[0041]
图4为本发明实施例1提供的一种多级加载下焊接接头疲劳寿命预测方法中不同模型疲劳寿命预测误差均值。
具体实施方式
[0042]
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，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。
[0043]
实施例1
[0044]
实际工程中的焊接结构，在其工作期间，往往承受多级变幅载荷作用。由于变幅载荷过程中存在大量的随机性，传统的累积损伤模型未能考虑到载荷间的次序效应以及载荷间的相互作用效应，从而导致在预测疲劳寿命时，预测精度较低。如何在小样本条件下，建立高精度的疲劳寿命预测及非线性累计损伤模型，是现有疲劳寿命预测方法研究中的瓶颈问题。
[0045]
支持向量回归机(support vector regression，svr)以统计学习理论的vc维和结构风险最小化原理为基础，借助核函数将线性不可分问题转换为线性问题，克服“维数灾难”和“过学习”。在处理小样本下机器学习问题以及非线性特征的相互作用问题时，具有独特优势。在使用svr模型进行回归预测时，惩罚参数以及核函数参数两者之间相互影响，共同决定svr模型的复杂度与泛化能力。鲸鱼优化算法(whale optimizationalgorithm，woa)是自然界座头鲸独特的气泡网捕食行为推演出来的全局搜索算法，具有参数少、易实现、收敛性强的特点。woa算法已被证明相较于粒子群优化算法、引力搜索算法等同类算法，具有很强的竞争力，在非线性参数优化问题中表现出良好的性能。可以实现对支持向量机模型中的惩罚参数和核函数参数进行全局搜索寻优。
[0046]
针对传统的累积损伤模型存在的问题和现有疲劳寿命预测方法研究中的瓶颈问题，提出一种基于鲸鱼算法优化支持向量机的多级加载下焊接接头疲劳寿命预测方法。
[0047]
如图1所示，本实施例提出了一种多级加载下焊接接头疲劳寿命预测方法，所述方法包括以下步骤：
[0048]
s100、收集多级加载下焊接接头疲劳数据，建立焊接接头疲劳分析数据库，并构建训练集和测试集；
[0049]
s200、使用所述训练集对构建的支持向量回归机预测模型进行训练，训练过程中基于鲸鱼优化算法对预测模型参数进行寻优，得到参数优化后的预测模型，并使用所述测试集对参数优化后的预测模型进行测试；
[0050]
s300、基于得到的参数优化后的预测模型对多级加载下焊接接头疲劳寿命进行预测。
[0051]
如图2所示，具体实施流程如下：
[0052]
step1：通过搜集、整理国内外焊接疲劳分析机构和企业的疲劳试验数据，并进行
实验室疲劳试验，获取多级加载下焊接接头数据试验数据，构建焊接接头疲劳分析数据库。为说明方便，以下均以两级加载下疲劳分析为例进行说明。疲劳分析数据库中的数据属性包括：σ1，σ
m1
，r1，σ2，σ
m2
，r2，n1，n2。其中，σ1为第一级加载应力水平，σ
m1
为第一级加载应力均值，r1为第一级加载应力比，σ2为第二级加载应力水平，σ
m2
为第二级加载应力均值，r2为第二级加载应力比，n1为试件在σ1作用下的循环次数，n2为试件在σ2作用下的剩余疲劳寿命。
[0053]
step2：以焊接接头疲劳分析数据库中的疲劳试验样本作为训练svr的数据样本，划分训练集与测试集，并对数据进行归一化处理。归一化处理的计算公式为：
[0054]
x
new
＝(x-x
max
)/(x
max-x
min
)
[0055]
其中，x为归一化之前样本数据值，x
max
，x
min
分别为疲劳试验样本在某一数据属性上的最大值与最小值，x
new
为归一化后的样本数据值。
[0056]
step3：以疲劳分析数据库中的σ1，σ
m1
，r1，σ2，σ
m2
，r2，n1等属性值为svr模型的输入，以n2属性值为svr模型的期望输出，进行svr模型训练。
[0057]
step4：在svr模型训练过程中，基于woa算法对svr模型参数(c，g)进行寻优，得到参数优化后的svr模型，其中核函数参数g、惩罚参数c。此模型实现了从σ1，σ
m1
，r1，σ2，σ
m2
，r2，n1到n
2p
的非线性映射，即
[0058]n2p
＝f(σ1,σ
m1
,r1,σ2,σ
m2
,r2,n1)
[0059]
其中，n
2p
为试件在σ2作用下的剩余疲劳寿命预测值。
[0060]
其中，step4的详细步骤包括：
[0061]
step:4.1：设置svr模型参数的搜索范围及woa算法参数，包括鲸鱼种群的规模n,搜索空间的维度d，以及最大迭代次数t
max
。设置初始迭代次数t＝1，采用随机方法初始化种群位置，第i只鲸鱼在第d维空间中的位置可表示为最优鲸鱼位置(捕食猎物的位置)代表问题的全局最优解。
[0062]
step4.2：根据训练过程中得到的预测值与试验值计算均方误差mse，将其作为适应度函数，计算每个鲸鱼的适应度值，计算公式如下所示。选择适应度值最小的鲸鱼位置作为当前最优的位置
[0063][0064]
式中，为第i个样本的预测值，yi为第i个样本的试验值。
[0065]
step4.3：更新参数a,a,c,l，其中a为收敛因子，在鲸群捕食迭代过程中由2线性减小到0，计算公式为a＝2-2
·
t/t
max
，式中t∈[t,t
max
]代表当前迭代次数，t
max
表示最大迭代次数。a和c为系数向量，随着a的变化来实现，其中a为[-a,a]中的随机值，c为[0,a]中的随机值，二者用于平衡算法的全局探索和局部开发能力，通过调整a和c的值，可以实现最佳位置相对于当前位置的各种位置，计算公式为a＝2
·a·
rand
1-a,c＝2
·
rand2，式中的rand1,rand2是[0,1]之间的随机数。l是一个随机数，范围在[-1,1]之间。p是算法选择攻击或包围猎物的概率，通过算法语句随机生成，范围在[0,1]之间。
[0066]
如果p小于0.5，则转入step4.4。否则按照公式：x(t+1)＝(|x
*
(t)-x(t)|)
·ebl
·
cos(2πl)+x
*
(t)以螺旋运动方式对猎物进行攻击，更新鲸鱼位置，式中x(t+1)为更新后鲸鱼位置，x
*
(t)表示当前鲸群中最优的鲸鱼位置，x(t)代表当前鲸鱼的位置，|x
*
(t)-x(t)|表
示第t次迭代中当前鲸鱼位置与最优鲸鱼位置之间距离的绝对值，b是用来限定对数螺旋形式的常量系数，取值为1。
[0067]
step4.4：判断参数|a|是否小于1，如果是，则按照公式：x(t+1)＝x
*
(t)-a
·
(|c
·
x
*
(t)-x(t)|)对猎物进行收缩包围，更新鲸鱼位置。否则按照公式：x(t+1)＝x
rand
(t)-a
·
(|c
·
x
rand
(t)-x(t)|)进行全局搜索，更新鲸鱼位置，式中的x
rand
是从当前鱼群中随机选择的一个鲸鱼个体位置。
[0068]
step4.5：此时完成位置更新，再次计算优化后鲸鱼种群的适应度值，并与之前保留的最优位置x
*
进行比较，如果优于x
*
，则对x
*
位置进行更新。
[0069]
step4.6：迭代次数达到最大时，结束寻优，输出当前优化的参数，否则t＝t+1，返回step4.2。
[0070]
step4.7：将优化后的参数输入到svr模型中，得到优化后的svr模型。
[0071]
step5：已知σ1，σ
m1
，r1，σ2，σ
m2
，r2，n1等焊接接头疲劳试验参数的情况下，基于参数优化后的svr模型即可实现对第二级加载应力水平下焊接接头疲劳剩余寿命的预测。
[0072]
实验例：
[0073]
以搜集整理得到的两级加载下高速动车组铝合金车体焊接接头疲劳试验数据构建焊接疲劳分析数据库，进行模型实验与分析。焊接接头试件母材选用crh2型高速动车组铝合金车体材料enaw6005，接头形式包括对接和角接两种形式，疲劳试验机为plg-200型高频疲劳试验机。试验采取高-低、低-高加载方式。对接接头在应力水平104mpa、89mpa、74mpa下对应的疲劳寿命分别为549300、880500、1540100次。角接接头在应力水平93mpa、83mpa、73mpa作用下对应的疲劳寿命分别为为619800、952300、1546100次。
[0074]
构建的焊接接头疲劳分析数据库中包含的部分数据如下表1所示：
[0075]
表1焊接接头疲劳分析数据库
[0076][0077]
设置svr模型核函数参数g∈[0.01,100]、惩罚参数c∈[0.01,100]，最大迭代次数tm＝50，种群最大数量为n＝30。在经过归一化处理之后的焊接接头疲劳分析数据库的基础之上，使用woa算法对svr模型的核函数参数g和惩罚参数c进行训练和寻优(具体步骤参见step4.1～step4.6)。训练过程中得到基于对接接头和角接接头疲劳试验数据的适应度曲线如图3所示。训练结束之后，得到对接接头svr模型最佳核函数参数g＝2.15、最佳惩罚参数c＝27.4043。角接接头svr模型最佳核函数参数g＝1.3068、最佳惩罚参数c＝7.6782。
[0078]
参数优化后的svr模型即可用来对角接接头和对接接头两级加载下的疲劳寿命进行预测：将σ1，σ
m1
，r1，σ2，σ
m2
，r2，n1等铝合金对接和角接焊接接头疲劳试验参数输入到参数优化后的svr模型中，对第二级加载应力水平下焊接接头疲劳寿命进行预测，得到的预测值记为n
2p
。
[0079]
为了检验woa-svr模型的预测效果，将疲劳试验过程中，第二级加载应力水平下焊接接头的真实疲劳寿命记为n2。得到对应8组对接和角接焊接接头高-低和低-高两种载荷模式下，woa-svr模型得到的疲劳试验样本在第二级应力水平下的疲劳寿命预测值n
2p
和真实试验值n2对比如表2所示。表中，疲劳寿命预测误差和误差百分比的计算公式分别为：
[0080]
误差＝|n
2-n
2p
|
[0081]
误差百分比＝|n
2-n
2p
|/n2×
100％.
[0082]
表2两级加载下woa-svr模型疲劳寿命预测结果
[0083][0084]
将woa-svr预测模型得到的累积损伤与miner、m-h、修正m-h模型进行比较，其结果如表3所示，使用不同模型进行疲劳寿命预测，累积损伤误差均值对比如图4所示。其中，累积损伤误差百分比计算公式为：
[0085][0086]
表3两级载荷下不同模型累积损伤结果对比
[0087][0088]
由表3和图4可知，对于两级加载下铝合金对接接头，采用miner模型、m-h模型、改进m-h模型进行疲劳寿命估算的平均误差为31.98％、14.05、14.22％，所提出的woa-svr模型的平均误差为0.62％，远低于传统的累积损伤模型。对于两级加载下的铝合金角接接头，miner模型进行疲劳寿命预测的误差最大，平均误差为20.56％，m-h模型与修正m-h模型预测结果更符合试验数据，平均误差分别为2.58、2.47％，而本文所提出的模型的预测平均误差为0.58％，预测精度进一步提升。因此，通过两级载荷下不同接头类型铝合金焊接接头疲劳试验分析可知，woa-svr模型预测结果与试验结果更相符，其精度优于传统的miner模型、m-h模型、修正m-h模型，能够更好地评估铝合金焊接接头的疲劳寿命。
[0089]
实施例2
[0090]
与上述实施例1相对应的，本实施例提出了一种多级加载下焊接接头疲劳寿命预测系统，所述系统包括：
[0091]
数据集构建模块，用于收集多级加载下焊接接头疲劳数据，建立焊接接头疲劳分析数据库，并构建训练集和测试集；
[0092]
模型训练优化模块，用于使用所述训练集对构建的支持向量回归机预测模型进行训练，训练过程中基于鲸鱼优化算法对预测模型参数进行寻优，得到参数优化后的预测模型，并使用所述测试集对参数优化后的预测模型进行测试；
[0093]
预测模块，用于基于得到的参数优化后的预测模型对多级加载下焊接接头疲劳寿命进行预测。
[0094]
进一步地，所述模型训练优化模块，具体用于：
[0095]
将包括各级加载应力水平及应力均值、试件在加载应力作用下的循环次数的疲劳参数数据作为预测模型的输入，试件的剩余疲劳寿命作为预测模型的期望输出，对预测模型进行训练。
[0096]
本发明实施例提供的一种多级加载下焊接接头疲劳寿命预测系统中各部件所执行的功能均已在上述实施例1中做了详细介绍，因此这里不做过多赘述。
[0097]
实施例3
[0098]
与上述实施例相对应的，本实施例提出了一种计算机存储介质，计算机存储介质中包含一个或多个程序指令，一个或多个程序指令用于被一种多级加载下焊接接头疲劳寿命预测系统执行如实施例1的方法。
[0099]
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。
技术特征：1.一种多级加载下焊接接头疲劳寿命预测方法，其特征在于，所述方法包括：收集多级加载下焊接接头疲劳数据，建立焊接接头疲劳分析数据库，并构建训练集和测试集；使用所述训练集对构建的支持向量回归机预测模型进行训练，训练过程中基于鲸鱼优化算法对预测模型参数进行寻优，得到参数优化后的预测模型，并使用所述测试集对参数优化后的预测模型进行测试；基于得到的参数优化后的预测模型对多级加载下焊接接头疲劳寿命进行预测。2.根据权利要求1所述的一种多级加载下焊接接头疲劳寿命预测方法，其特征在于，建立焊接接头疲劳分析数据库，具体包括：通过搜集、整理国内外焊接疲劳分析机构和企业的疲劳试验数据，并进行实验室疲劳试验，获取多级加载下焊接接头疲劳分析数据，构建焊接接头疲劳分析数据库。3.根据权利要求1所述的一种多级加载下焊接接头疲劳寿命预测方法，其特征在于，所述数据库中包括各级加载应力水平及应力均值、试件在加载应力作用下的循环次数、试件在加载应力作用下的剩余疲劳寿命。4.根据权利要求1所述的一种多级加载下焊接接头疲劳寿命预测方法，其特征在于，构建训练集和测试集，具体还包括：对样本数据进行归一化处理。5.根据权利要求1所述的一种多级加载下焊接接头疲劳寿命预测方法，其特征在于，使用所述训练集对构建的支持向量回归机预测模型进行训练，具体包括：将包括各级加载应力水平及应力均值、试件在加载应力作用下的循环次数的疲劳参数数据作为预测模型的输入，试件的剩余疲劳寿命作为预测模型的期望输出，对预测模型进行训练。6.根据权利要求1所述的一种多级加载下焊接接头疲劳寿命预测方法，其特征在于，训练过程中基于鲸鱼优化算法对预测模型参数进行寻优，得到参数优化后的预测模型，具体包括：设置svr模型参数的搜索范围及鲸鱼优化算法参数，鲸鱼优化算法参数包括鲸鱼种群的规模n、搜索空间的维度d以及最大迭代次数t
max
；设置初始迭代次数t＝1，采用随机方法初始化种群位置，第i只鲸鱼在第d维空间中的位置表示为最优鲸鱼位置即捕食猎物的位置代表问题的全局最优解；根据训练过程中得到的预测值与试验值计算均方误差mse，将其作为适应度函数，计算每个鲸鱼的适应度值，选择适应度值最小的鲸鱼位置作为当前最优的位置；更新参数a,a,c,l，其中a为收敛因子，在鲸群捕食迭代过程中由2线性减小到0，计算公式为a＝2-2
·
t/t
max
，式中t∈[t,t
max
]代表当前迭代次数，t
max
表示最大迭代次数；a和c为系数向量，随着a的变化来实现，其中a为[-a,a]中的随机值，c为[0,a]中的随机值，二者用于平衡算法的全局探索和局部开发能力，通过调整a和c的值，实现最佳位置相对于当前位置的各种位置，计算公式为a＝2
·
a
·
rand
1-a,c＝2
·
rand2，式中的rand1,rand2是[0,1]之间的随机数；l是一个随机数，范围在[-1,1]之间；p是算法选择攻击或包围猎物的概率，通过
算法语句随机生成，范围在[0,1]之间；如果p≥0.5，则按照预设公式以螺旋运动方式对猎物进行攻击，更新鲸鱼位置；如果p＜0.5，则判断参数|a|是否小于1，如果是，则按照预设公式对猎物进行收缩包围，更新鲸鱼位置，否则按照预设公式进行全局搜索，更新鲸鱼位置；此时完成位置更新，再次计算优化后鲸鱼种群的适应度值，并与之前保留的最优位置x
*
进行比较，如果优于x
*
，则对x
*
位置进行更新；迭代次数达到最大时，结束寻优，输出当前优化的参数，否则迭代次数t+1；将优化后的参数输入到预测模型中，得到优化后的预测模型。7.根据权利要求1所述的一种多级加载下焊接接头疲劳寿命预测方法，其特征在于，所述方法还包括：如果p≥0.5，则按照公式：x(t+1)＝(|x
*
(t)-x(t)|)
·
e
bl
·
cos(2πl)+x
*
(t)以螺旋运动方式对猎物进行攻击，更新鲸鱼位置，式中x(t+1)为更新后鲸鱼位置，x
*
(t)表示当前鲸群中最优的鲸鱼位置，x(t)代表当前鲸鱼的位置，|x
*
(t)-x(t)|表示第t次迭代中当前鲸鱼位置与最优鲸鱼位置之间距离的绝对值，b是用来限定对数螺旋形式的常量系数；如果p＜0.5，则判断参数|a|是否小于1，如果是，则按照公式：x(t+1)＝x
*
(t)-a
·
(|c
·
x
*
(t)-x(t)|)对猎物进行收缩包围，更新鲸鱼位置；否则按照公式：x(t+1)＝x
rand
(t)-a
·
(|c
·
x
rand
(t)-x(t)|)进行全局搜索，更新鲸鱼位置，式中的x
rand
是从当前鱼群中随机选择的一个鲸鱼个体位置。8.一种多级加载下焊接接头疲劳寿命预测系统，其特征在于，所述系统包括：数据集构建模块，用于收集多级加载下焊接接头疲劳数据，建立焊接接头疲劳分析数据库，并构建训练集和测试集；模型训练优化模块，用于使用所述训练集对构建的支持向量回归机预测模型进行训练，训练过程中基于鲸鱼优化算法对预测模型参数进行寻优，得到参数优化后的预测模型，并使用所述测试集对参数优化后的预测模型进行测试；预测模块，用于基于得到的参数优化后的预测模型对多级加载下焊接接头疲劳寿命进行预测。9.根据权利要求8所述的一种多级加载下焊接接头疲劳寿命预测系统，其特征在于，所述模型训练优化模块，具体用于：将包括各级加载应力水平及应力均值、试件在加载应力作用下的循环次数的疲劳参数数据作为预测模型的输入，试件的剩余疲劳寿命作为预测模型的期望输出，对预测模型进行训练。10.一种计算机存储介质，其特征在于，所述计算机存储介质中包含一个或多个程序指令，所述一个或多个程序指令用于被一种多级加载下焊接接头疲劳寿命预测系统执行如权利要求1-7任一项所述的方法。
技术总结本发明公开了一种多级加载下焊接接头疲劳寿命预测方法及系统，收集多级加载下焊接接头疲劳数据，建立焊接接头疲劳分析数据库，并构建训练集和测试集；使用所述训练集对构建的支持向量回归机预测模型进行训练，训练过程中基于鲸鱼优化算法对预测模型参数进行寻优，得到参数优化后的预测模型，并使用所述测试集对参数优化后的预测模型进行测试；基于得到的参数优化后的预测模型对多级加载下焊接接头疲劳寿命进行预测。其精度优于传统的累积损伤模型，能够更好地评估铝合金焊接接头的疲劳寿命。命。命。
技术研发人员：邹丽 杨鑫华 杨一波 孙屹博
受保护的技术使用者：大连交通大学
技术研发日：2022.07.18
技术公布日：2022/11/1
