基于优化SVR模型的大跨度样本疲劳寿命预测

doi:10.3969/j.issn.1005-3026.2015.09.023

东北大学学报:自然科学版 ›› 2015, Vol. 36 ›› Issue (9): 1321-1326.DOI: 10.3969/j.issn.1005-3026.2015.09.023

基于优化SVR模型的大跨度样本疲劳寿命预测

杨大炼¹，刘义伦^1,2，周维¹，羿九火¹

(1.中南大学机电工程学院，湖南长沙410083； 2.中南大学轻合金研究院，湖南长沙410083)

收稿日期:2014-02-17 修回日期:2014-02-17 出版日期:2015-09-15 发布日期:2015-09-14
通讯作者: 杨大炼
作者简介:杨大炼(1984-)，男，湖南邵阳人，中南大学博士研究生; 刘义伦(1955-)，男，江西九江人，中南大学教授，博士生导师.
基金资助:
国家自然科学基金资助项目(51375500); 湖南省教育厅项目 (2013SK2001); 中央高校基本科研业务费专项资金资助项目(2013zzts037).

Fatigue Life Prediction of Large-Span Samples Based on the Optimized SVR Model

YANG Da-lian¹， LIU Yi-lun^1,2， ZHOU Wei¹， YI Jiu-huo¹

1.School of Mechanical and Electrical Engineering， Central South University， Changsha 410083， China; 2. Light Alloy Research Institute， Central South University， Changsha 410083， China.

Received:2014-02-17 Revised:2014-02-17 Online:2015-09-15 Published:2015-09-14
Contact: LIU Yi-lun
About author:-
Supported by:
-

摘要/Abstract

摘要： 针对传统方法在大跨度、小样本情况下的疲劳寿命预测准确率不高的问题，研究基于优化SVR模型的寿命预测方法.根据大跨度样本的特点，提出有效的预处理方法、SVR模型的训练方法及参数优化准则.以LY12CZ(2A12)铝合金疲劳寿命预测为实例，分析了高斯核函数、多项式核函数及多层感知核函数对SVR模型训练误差的影响.结果表明高斯核函数更适用于SVR模型的训练，并通过细菌觅食算法对核参数γ及惩罚因子C进行优化选取，LY12CZ(2A12)铝合金疲劳寿命预测结果验证了该方法的有效性.

关键词: 大跨度, 支持向量回归, 疲劳, 寿命预测, 铝合金

Abstract: Aiming at the issue that the prediction accuracy of fatigue life is not high by the traditional methods with large-span and small samples， a new life prediction method based on the optimized SVR model was studied. Considering the traits of large-span samples， the effective sample pretreatment method， the training method for the SVR model and the criterion for parameter optimization were put forward. Taking the life prediction of LY12CZ (2A12) aluminum alloy for example， the effects of the kernel functions of Gauss， polynomial and multilayer perception on the training error of the SVR model were analyzed. The results showed that the Gaussian kernel function is more suitable for SVR model training and the kernel function parameter γ and the penalty factor C can be optimized by the bacterial foraging algorithm. Thus， the life prediction results verify the validity of this method.

Key words: large-span, support vector regression (SVR), fatigue, life prediction, aluminum alloy

中图分类号:

TG146.2+1

杨大炼，刘义伦，周维，羿九火. 基于优化SVR模型的大跨度样本疲劳寿命预测[J]. 东北大学学报:自然科学版, 2015, 36(9): 1321-1326.

YANG Da-lian， LIU Yi-lun， ZHOU Wei， YI Jiu-huo. Fatigue Life Prediction of Large-Span Samples Based on the Optimized SVR Model[J]. Journal of Northeastern University:Natural Science, 2015, 36(9): 1321-1326.

参考文献

[1]孙玉兰，王茂廷.基于灰色模型GM(1，1)的疲劳寿命预测［J］.科学技术与工程， 2011，11(3):560-562.(Sun Yu-lan，Wang Mao-ting.Prediction for fatigue life based on grey model GM (1，1) ［J］.Science Technology and Engineering，2011，11(3):560-562.)
[2]Silva A，Dias J L，Gaspar P L，et al.Statistical models applied to service life prediction of rendered facades ［J］.Automation in Construction， 2013，30(1):151-160.
[3]Xiang K L，Xiang P Y，Wu Y P.Prediction of the fatigue life of natural rubber composites by artificial neural network approaches ［J］.Materials & Design，2014，57(1):180-185.
[4]Ni C C.Prediction of fatigue crack growth of 2024-t351 by grey GM (1，1) model with rolling check ［J］.Advanced Materials Research，2013，690(1):1779-1783.
[5]崔建国，巩俊杰，董世良，等.基于灰色理论的飞机结构疲劳寿命预测［J］.沈阳航空航天大学学报，2011，28(1):23-27.(Cui Jian-guo，Gong Jun-jie，Dong Shi-liang，et al.Fatigue life prediction of aeroplane structures based on grey theory ［J］.Journal of Shenyang Aerospace University，2011，28(1):23-27.)
[6]Vapnik V N.The nature of statistical learning theory ［M］.Berlin:Springer-Verlag，1995:1-50.
[7]Vapnik V，Golowich S E，Smola A.Support vector method for function approximation，regression estimation，and signal processing ［J］.Advances in Neural Information Processing Systems，1997，1(1):281-287.
[8]Pham H T，Yang B S，Nguyen T T.Machine performance degradation assessment and remaining useful life prediction using proportional hazard model and support vector machine ［J］.Mechanical Systems and Signal Processing，2012，32(11):320-330.
[9]邹心遥，姚若河.LSSVM在指数寿命型小子样IC寿命预测的应用［J］.科学技术与工程，2011，11(24):5946- 5949.(Zou Xin-yao，Yao Ruo-he.Application of LSSVM on lifetime prediction of IC with small sample from exponential distribution ［J］.Science Technology and Engineering，2011，11(24):5946-5949.)
[10]Mahdevari S，Shahriar K，Yagiz S，et al.A support vector regression model for predicting tunnel boring machine penetration rates ［J］.International Journal of Rock Mechanics and Mining Sciences，2014，72(12):214-229.
[11]Bagheripour P，Gholami A，Asoodeh M，et al.Support vector regression based determination of shear wave velocity ［J］.Journal of Petroleum Science and Engineering，2015，125(1):95-99.
[12]殷之平.结构疲劳与断裂［M］.西安:西北工业大学出版社，2012:35-36.(Yin Zhi-ping.Structural fatigue and fracture ［M］.Xi’an:Northwestern Polytechnical University Press，2012:35-36.)
[13]杨大炼，李学军，蒋玲莉.一种细菌觅食算法的改进及其应用［J］.计算机工程与应用，2012，48(13):31-34.(Yang Da-lian，Li Xue-jun，Jiang Ling-li.Improved algorithm of bacterium foraging and its application ［J］.Computer Engineering and Applications，2012，48(13):31-34.)
[14]Yang D L，Li X J，Wang K，et al.Support vector machine optimization based on bacterial foraging algorithm and applied in fault diagnosis ［J］.Advanced Materials Research，2011，216(1):153-157.

[1]	朱庆丰，闫渤，冯志鑫，左玉波. 2195铝合金不同速度热轧过程数值模拟及实验研究[J]. 东北大学学报（自然科学版）, 2023, 44(4): 502-509.
[2]	周逸夫，李鹤. 转向节疲劳寿命评价及其局部裂纹尺寸的概率分布[J]. 东北大学学报（自然科学版）, 2022, 43(6): 864-871.
[3]	李钰欣，许开立，王犇，耿丽艳. 铝合金污泥中可燃气体的产生机理[J]. 东北大学学报（自然科学版）, 2022, 43(5): 748-754.
[4]	李朔，雷为民，张伟. 基于KNN-TSVR算法的MIMO-OFDM系统信道估计[J]. 东北大学学报（自然科学版）, 2022, 43(2): 176-182.
[5]	王胤，李勇，钱晓明，张博四. 真空离心铸造冷却速率对7055铝合金组织和力学性能的影响[J]. 东北大学学报（自然科学版）, 2022, 43(12): 1769-1776.
[6]	赵斐，李鑫，郭明. 考虑不完美维护的视情维修和备件订购联合策略优化[J]. 东北大学学报（自然科学版）, 2022, 43(10): 1413-1421.
[7]	谢广明，周立成，骆宗安，王国栋. 高强铝合金特厚板的真空轧制复合制备技术[J]. 东北大学学报（自然科学版）, 2021, 42(5): 633-639.
[8]	冯莹莹，赵双，刘照松，骆宗安. 7075铝合金搅拌摩擦焊模拟与实验研究[J]. 东北大学学报（自然科学版）, 2021, 42(3): 340-346.
[9]	高彩茹，朱长友，张大伟，杜林秀. 车轮轮辐钢S500LF的疲劳性能[J]. 东北大学学报:自然科学版, 2020, 41(8): 1148-1152.
[10]	李彦龙，吴琼，秦晓峰，刘常升. Cr5支承辊接触疲劳损伤及其次表层组织变化[J]. 东北大学学报:自然科学版, 2020, 41(6): 818-823.
[11]	丁明超，张元良，咸宏伟，王金龙. 基于微观划痕的疲劳强度预测[J]. 东北大学学报:自然科学版, 2020, 41(5): 693-699.
[12]	张志强，何长树，赵夙，赵骧. 7075-T6合金超声辅助搅拌摩擦焊接头搅拌区组织与力学性能[J]. 东北大学学报:自然科学版, 2020, 41(12): 1708-1714.
[13]	徐礼胜，张闻勖，庞宇轩，吴承暘. 基于短时心电信号的疲劳驾驶检测算法[J]. 东北大学学报:自然科学版, 2019, 40(7): 937-941.
[14]	范例，谢里阳，张娜. 重卡驱动桥壳疲劳稳健性与轻量化设计[J]. 东北大学学报:自然科学版, 2019, 40(3): 365-369.
[15]	杨周，姜红猛，张义民，姜超. 实况下机械零件的动态可靠性分析[J]. 东北大学学报:自然科学版, 2019, 40(11): 1584-1589.

基于优化SVR模型的大跨度样本疲劳寿命预测

Fatigue Life Prediction of Large-Span Samples Based on the Optimized SVR Model

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价