一种工业装备零部件剩余寿命的动态无损预测方法及装置与流程

1.本发明涉及工业装备零部件的剩余寿命检测技术，具体涉及一种工业装备零部件剩余寿命的动态无损预测方法及装置。


背景技术：

2.随着智能制造时代的到来，信息化化技术在工业领域发挥着越来越重要的作用，特别是人工智能的兴起为工业领域中机械设备的智能化管理提供了有效的技术手段。工业装备在生产和服役过程中，其中一种设备或零部件故障将会中断生产过程造成生产链崩坏、会加速零部件失效发生断裂减低其服役寿命，带来重大损失，甚至重大故障会威胁人们的安全，造成不可逆的结果。服役过程中的工业装备剩余使用寿命的精确预测是制定良好的预测性维护策略的前提和必要条件。为了预测服役过程中的工业装备零部件的剩余寿命，减少不必要的事故，降低经济损失和人员伤亡，以数字化、网络化、智能化为基础的工业装备零部件服役虚拟仿真技术应运而生，并成为零部件剩余寿命预测领域的研究热点。
3.零部件服役剩余寿命的预测在现代工程方面具有广阔的应用前景和市场价值，而且剩余寿命预测的手段已经从有损向无损的方向发展。然而,现有的零部件剩余寿命预测方法主要采用离线的方式对单个零部件进行，这种方式没有考虑工业装备零部件实际的服役工况，无法对零部件产生失效的具体位置进行有效预测，同时还缺乏实时的动态交互，难以对服役过程中的工业装备零部件的剩余寿命进行实时动态预测。


技术实现要素：

4.本发明要解决的技术问题：针对现有技术的上述问题，提供一种工业装备零部件剩余寿命的动态无损预测方法及装置，本发明旨在对服役过程中的工业装备零部件的剩余寿命进行实时、准确的无损预测，为工业装备零部件的服役提供数据基础。
5.为了解决上述技术问题，本发明采用的技术方案为：一种工业装备零部件剩余寿命的动态无损预测方法，包括：s101，测量目标零部件上疲劳损伤位置的表面粗糙度ra；s102，将表面粗糙度ra与基于数值模拟确定的疲劳损伤位置的表面粗糙度ra-剩余寿命曲线进行比较，从而得到目标零部件的剩余寿命，所述疲劳损伤位置的表面粗糙度ra-剩余寿命曲线包含目标零部件的不同剩余寿命、疲劳损伤位置的表面粗糙度ra之间的映射关系；所述疲劳损伤位置的表面粗糙度ra-剩余寿命曲线的生成包括：s201，分别采集零部件样本在标准拉压疲劳试验下的各项试验参数的数据，包括：（1）对零部件样本所采用的材料进行标准拉压疲劳试验获得零部件样本的材料的s-n曲线方程，并检测零部件样本所采用的材料在不同循环周次下的表面粗糙度ra1和损伤值，所述s-n曲线方程为零部件样本的材料的应变幅值、循环周次之间的映射关系，根据s-n曲线方程确定零部件样本的总循环周次以及不同循环周次下的应变幅值，并将总循环周次
减去循环周次得到不同循环周次的剩余寿命，最终得到零部件样本所采用的材料在标准拉压疲劳试验下不同循环周次下的表面粗糙度、应变幅值、剩余寿命和损伤值；（2）基于目标零部件的实际服役受载，采用数值模拟方法提取零部件的典型工况及各典型工况下的疲劳载荷，并采用通过标准对称拉压疲劳试验获得的疲劳参数进行零部件样本服役过程的数值模拟，确定零部件样本的总循环周次和疲劳损伤位置，疲劳损伤位置初始和失效时的表面粗糙度，以及疲劳损伤位置在不同循环周次下的峰值应力、剩余寿命和损伤值；s202，将疲劳损伤位置在不同循环周次下的表面粗糙度作为输出参数、剩余的试验参数作为输入参数，构建训练数据集并采用训练数据集训练机器学习模型；s203，利用训练好的机器学习模型预测不同剩余寿命下的表面粗糙度ra，从而得到目标零部件的疲劳损伤位置的表面粗糙度ra-剩余寿命曲线。
6.可选地，步骤s101中测量目标零部件上疲劳损伤位置的表面粗糙度ra是指采用白光干涉粗糙度测量仪测量目标零部件上疲劳损伤位置的表面粗糙度ra。
7.可选地，步骤s202中采用训练数据集训练机器学习模型时，包括构建多种不同的机器学习模型，并针对每一种机器学习模型采用多种不同的损失函数，采用训练数据集训练每一种机器学习模型、损失函数的组合，并最终测试每一种机器学习模型、损失函数的组合的准确度，最终选择准确度最优的机器学习模型、损失函数的组合作为训练得到的机器学习模型。
8.可选地，所述多种不同的机器学习模型包括支持向量机模型、k-近邻模型、朴素贝叶斯模型、梯度增强模型和随机森林模型中的部分或全部。
9.可选地，所述多种不同的损失函数包括均方误差、均方根误差和平均绝对误差中的一种。
10.此外，本发明还提供一种工业装备零部件剩余寿命的动态无损预测装置，包括相互连接的微处理器和存储器，所述微处理器被编程或配置以执行所述工业装备零部件剩余寿命的动态无损预测方法。
11.此外，本发明还提供一种计算机可读存储介质，其中存储有计算机程序，所述计算机程序用于被微处理器编程或配置以执行所述工业装备零部件剩余寿命的动态无损预测方法。
12.和现有技术相比，本发明主要具有下述优点：1、本发明工业装备零部件剩余寿命的动态无损预测方法能够实现对服役过程中的工业装备零部件的剩余寿命进行实时、准确的预测，为工业装备零部件的服役提供数据基础。
13.2、本发明能够基于主要损伤位置（疲劳损伤位置）处的表面粗糙度ra实现实时无损检测，通过对比疲劳损伤位置的表面粗糙度ra-剩余寿命曲线，实现对零部件剩余寿命的动态无损预测。
附图说明
14.图1为本发明实施例方法的基本流程示意图。
15.图2为本发明实施例中生成表面粗糙度ra-剩余寿命曲线的流程示意图。
16.图3为本发明实施例中多牌号的铝合金的真应力-真塑性应变的曲线。
17.图4为本发明实施例中的应变幅值-疲劳失效寿命曲线。
具体实施方式
18.下文将以铝合金挤压型材结构的前防撞横梁总成作为零部件的实例，对本发明进行进一步的详细说明。该前防撞横梁总成的总质量为3.2kg，前横梁和拖钩套筒为6061-t6铝合金，吸能盒、底板和支架为6082-t6铝合金。
19.如图1所示，本实施例工业装备零部件剩余寿命的动态无损预测方法包括：s101，测量目标零部件上疲劳损伤位置的表面粗糙度ra；s102，将表面粗糙度ra与基于数值模拟确定的疲劳损伤位置的表面粗糙度ra-剩余寿命曲线进行比较，从而得到目标零部件的剩余寿命，所述疲劳损伤位置的表面粗糙度ra-剩余寿命曲线包含目标零部件的不同剩余寿命、疲劳损伤位置的表面粗糙度ra之间的映射关系。
20.本实施例步骤s101中测量目标零部件上疲劳损伤位置的表面粗糙度ra是指采用白光干涉粗糙度测量仪测量目标零部件上疲劳损伤位置的表面粗糙度ra。
21.如图2所示，步骤s102之前还包括生成疲劳损伤位置的表面粗糙度ra-剩余寿命曲线：s201，分别采集零部件样本在标准拉压疲劳试验下的各项试验参数的数据并构建训练数据集，所述试验参数包括零部件样本所采用的材料在标准拉压疲劳试验下不同循环周次下的表面粗糙度、应变幅值、剩余寿命和损伤值，零部件样本的疲劳损伤位置，以及疲劳损伤位置在不同循环周次下的应变幅值、剩余寿命和损伤值，以及零部件样本的初始和失效时的表面粗糙度数据；s202，将疲劳损伤位置在不同循环周次下的表面粗糙度作为输出参数、剩余的试验参数作为输入参数，构建训练数据集并采用训练数据集训练机器学习模型；s203，利用训练好的机器学习模型预测不同剩余寿命下的表面粗糙度ra，从而得到目标零部件的疲劳损伤位置的表面粗糙度ra-剩余寿命曲线。
22.本实施例中，步骤s201中采集零部件样本在标准拉压疲劳试验下的各项试验参数的数据时包括：对零部件样本所采用的材料进行标准拉压疲劳试验获得零部件样本的材料的s-n曲线方程，并检测零部件样本的材料在不同循环周次下的表面粗糙度ra1和损伤值，所述s-n曲线方程为零部件样本的材料的应变幅值、循环周次之间的映射关系，根据s-n曲线方程确定零部件样本的总循环周次以及不同循环周次下的应变幅值，并将总循环周次减去循环周次得到不同循环周次的剩余寿命，最终得到零部件样本所采用的材料在标准拉压疲劳试验下不同循环周次下的表面粗糙度、应变幅值、剩余寿命和损伤值，如表1所示。
23.表1：标准拉压疲劳试验下的数据表。
24.上表中，n为总循环周次，δσ为应力，δε
t
为应变幅值，且循环周次的步长为2（可根据实际需要选择）。
25.本实施例中，步骤s201中采集零部件样本在标准拉压疲劳试验下的各项试验参数的数据时包括：基于目标零部件的实际服役受载，采用数值模拟方法提取零部件的典型工况及各典型工况下的疲劳载荷，并采用通过标准对称拉压疲劳试验获得的疲劳参数进行零部件样本服役过程的数值模拟，确定零部件样本的总循环周次和疲劳损伤位置，疲劳损伤位置初始和失效时的表面粗糙度，以及疲劳损伤位置在不同循环周次下的峰值应力、剩余寿命和损伤值，如表2所示。
26.表2：任意疲劳损伤位置k的数值模拟数据表。
27.上表中，nk为疲劳损伤位置k的总循环周次，σk为疲劳损伤位置k的峰值应力，εk为疲劳损伤位置k的应变，且疲劳损伤位置k的循环周次的步长为2（可根据实际需要选择）。
28.本实施例中进行标准拉压疲劳试验时，拉伸应变速率为0.01 s-1
。每个应变速率下取3个合格测试数据，并对其进行归一化处理，6061-t6、6082-t6和6063-t6三种牌号的铝合金的真应力-真塑性应变的曲线如图3所示。基于准静态力学参数，采用数值模拟获得零部件的应力分布，确定各工况下的高应力区域，从而可以以此确定疲劳损伤位置。然后，采用标准拉压疲劳采用的应变控制，试验的应变幅为0.002、0.004、0.006、0.008和0.01，应变速率为6
×
10-3
s-1
。每个应变幅下取3个合格测试数据，某材料的应变幅值-疲劳失效寿命曲线
如图4所示，图中分别包含总应变幅、弹性应变幅和塑性应变幅。基于材料的标准拉压疲劳参数通过疲劳组合工况下疲劳损伤等的数值模拟，可确定零部件主要疲劳损伤位置的疲劳损伤值及疲劳寿命。采用白光干涉粗糙度测量仪，可采集获得高应力区域和疲劳损伤位置的原始（循环周次为0）和疲劳试验失效后（循环周次为nk）表面的粗糙度ra数据库。
29.疲劳寿命nf指材料或构件在发生疲劳破坏时所经历的循环变形周次，称为材料或构件的疲劳寿命；2nf代表循环失效时已发生的循环反向次数，其值为疲劳寿命的两倍。剩余疲劳寿命指材料或构件在一定循环载荷条件下累计运行一段时间后，继续在该条件下运行至失效时的疲劳寿命，其值为材料或构件在该条件下疲劳寿命与累计服役寿命的差。总应变幅δε
t
/2指循环变形过程中，最大总应变与最小总应变差的一半，其中拉伸应变为正，压缩应变为负，总应变幅等于塑性应变幅与弹性应变幅的和，以符号ε
t
、ε
p
和εe分别表示总应变、塑性应变和弹性应变。弹性应变幅δεe/2指循环变形过程中，最大弹性应变与最小弹性应变差的一半，拉伸应变为正，压缩应变为负。塑性应变幅δε
p
/2指循环变形过程中，最大塑性应变与最小塑性应变差的一半，拉伸应变为正，压缩应变为负。疲劳寿命曲线图中，横坐标（x）为恒定应变幅载荷下的疲劳寿命，是以幂（真数）为自变量，指数为因变量，底数为10的常用对数函数，其值为：x=lg2nf。纵坐标（y）为应变幅δε（总应变幅δε
t
/2、塑性应变幅δε
p
/2和弹性应变幅δεe/2），同样是以幂（真数）为自变量，指数为因变量，底数为10的常用对数函数，其值分别为：y=lgδε
t
/2，y=lgδε
p
/2和y=lgδεe/2。
30.本实施例中，步骤s202中采用训练数据集训练机器学习模型时，包括构建多种不同的机器学习模型，并针对每一种机器学习模型采用多种不同的损失函数，采用训练数据集训练每一种机器学习模型、损失函数的组合，并最终测试每一种机器学习模型、损失函数的组合的准确度，最终选择准确度最优的机器学习模型、损失函数的组合作为训练得到的机器学习模型。本实施例中，将训练数据集导入python，通过编程将数据随机划分为训练数据（80%）和测试数据（20%），采用z-score标准化处理方法将原始数据样本转换映射成均值为0、标准差为1的数据；然后即可采用训练数据集训练每一种机器学习模型、损失函数的组合，并最终测试每一种机器学习模型、损失函数的组合的准确度，最终选择准确度最优的机器学习模型、损失函数的组合作为训练得到的机器学习模型。输入测试数据进行性质指标预测，优化优化模型训练的学习率、迭代次数、batch size（批大小）等超参数，提升机器学习模型的预测精度和泛化能力；从而可以利用构建的机器学习模型建立生成疲劳损伤位置的表面粗糙度ra-剩余寿命曲线。其中，多种不同的机器学习模型包括支持向量机模型、k-近邻模型、朴素贝叶斯模型、梯度增强模型和随机森林模型中的部分或全部，且不限于上述列举的类型。其中，多种不同的损失函数包括均方误差、均方根误差和平均绝对误差中的一种，且不限于上述列举的类型。
31.综上所述，本实施例工业装备零部件剩余寿命的动态无损预测方法能够基于标准拉压疲劳试样的表面形貌检测、服役组合工况的应力和损伤数值模拟和深度学习的剩余寿命预测，通过对服役过程中的服役过程中的工业装备零部件关键部位的表面粗糙度ra参数进行实时的无损检测，对比标准化的疲劳损伤位置的表面粗糙度ra-剩余寿命曲线，来实现对服役过程中的工业装备零部件剩余寿命的准确预测。
32.此外，本实施例还提供一种工业装备零部件剩余寿命的动态无损预测装置，包括相互连接的微处理器和存储器，该微处理器被编程或配置以执行前述工业装备零部件剩余
寿命的动态无损预测方法。此外，本实施例还提供一种计算机可读存储介质，其中存储有计算机程序，该计算机程序用于被微处理器编程或配置以执行前述工业装备零部件剩余寿命的动态无损预测方法。
33.本领域内的技术人员应明白，本技术的实施例可提供为方法、装置、或计算机可读存储介质。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可读存储介质（包括但不限于磁盘存储器、cd-rom、光学存储器等）上实施的计算机程序的形式。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。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。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。
34.以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

技术特征：
1.一种工业装备零部件剩余寿命的动态无损预测方法，其特征在于，包括：s101，测量目标零部件上疲劳损伤位置的表面粗糙度ra；s102，将表面粗糙度ra与基于数值模拟确定的疲劳损伤位置的表面粗糙度ra-剩余寿命曲线进行比较，从而得到目标零部件的剩余寿命，所述疲劳损伤位置的表面粗糙度ra-剩余寿命曲线包含目标零部件的不同剩余寿命、疲劳损伤位置的表面粗糙度ra之间的映射关系；所述疲劳损伤位置的表面粗糙度ra-剩余寿命曲线的生成包括：s201，分别采集零部件样本在标准拉压疲劳试验下的各项试验参数的数据，包括：（1）对零部件样本所采用的材料进行标准拉压疲劳试验获得零部件样本的材料的s-n曲线方程，并检测零部件样本所采用的材料在不同循环周次下的表面粗糙度ra1和损伤值，所述s-n曲线方程为零部件样本的材料的应变幅值、循环周次之间的映射关系，根据s-n曲线方程确定零部件样本的总循环周次以及不同循环周次下的应变幅值，并将总循环周次减去循环周次得到不同循环周次的剩余寿命，最终得到零部件样本所采用的材料在标准拉压疲劳试验下不同循环周次下的表面粗糙度、应变幅值、剩余寿命和损伤值；（2）基于目标零部件的实际服役受载，采用数值模拟方法提取零部件的典型工况及各典型工况下的疲劳载荷，并采用通过标准对称拉压疲劳试验获得的疲劳参数进行零部件样本服役过程的数值模拟，确定零部件样本的总循环周次和疲劳损伤位置，疲劳损伤位置初始和失效时的表面粗糙度，以及疲劳损伤位置在不同循环周次下的峰值应力、剩余寿命和损伤值；s202，将疲劳损伤位置在不同循环周次下的表面粗糙度作为输出参数、剩余的试验参数作为输入参数，构建训练数据集并采用训练数据集训练机器学习模型；s203，利用训练好的机器学习模型预测不同剩余寿命下的表面粗糙度ra，从而得到目标零部件的疲劳损伤位置的表面粗糙度ra-剩余寿命曲线。2.根据权利要求1所述的工业装备零部件剩余寿命的动态无损预测方法，其特征在于，步骤s101中测量目标零部件上疲劳损伤位置的表面粗糙度ra是指采用白光干涉粗糙度测量仪测量目标零部件上疲劳损伤位置的表面粗糙度ra。3.根据权利要求1所述的工业装备零部件剩余寿命的动态无损预测方法，其特征在于，步骤s202中采用训练数据集训练机器学习模型时，包括构建多种不同的机器学习模型，并针对每一种机器学习模型采用多种不同的损失函数，采用训练数据集训练每一种机器学习模型、损失函数的组合，并最终测试每一种机器学习模型、损失函数的组合的准确度，最终选择准确度最优的机器学习模型、损失函数的组合作为训练得到的机器学习模型。4.根据权利要求3所述的工业装备零部件剩余寿命的动态无损预测方法，其特征在于，所述多种不同的机器学习模型包括支持向量机模型、k-近邻模型、朴素贝叶斯模型、梯度增强模型和随机森林模型中的部分或全部。5.根据权利要求3所述的工业装备零部件剩余寿命的动态无损预测方法，其特征在于，所述多种不同的损失函数包括均方误差、均方根误差和平均绝对误差中的一种。6.一种工业装备零部件剩余寿命的动态无损预测装置，包括相互连接的微处理器和存储器，其特征在于，所述微处理器被编程或配置以执行权利要求1～5中任意一项所述工业装备零部件剩余寿命的动态无损预测方法。
7.一种计算机可读存储介质，其中存储有计算机程序，其特征在于，所述计算机程序用于被微处理器编程或配置以执行权利要求1～5中任意一项所述工业装备零部件剩余寿命的动态无损预测方法。

技术总结
本发明公开了一种工业装备零部件剩余寿命的动态无损预测方法及装置，本发明工业装备零部件剩余寿命的动态无损预测方法包括：测量目标零部件上疲劳损伤位置的表面粗糙度Ra；将表面粗糙度Ra与基于数值模拟确定的疲劳损伤位置的表面粗糙度Ra-剩余寿命曲线进行比较，从而得到目标零部件的剩余寿命，所述疲劳损伤位置的表面粗糙度Ra-剩余寿命曲线包含目标零部件的不同剩余寿命、疲劳损伤位置的表面粗糙度Ra之间的映射关系。本发明旨在对服役过程中的工业装备零部件的剩余寿命进行实时、准确的无损预测，为工业装备零部件的服役提供数据基础。础。础。


技术研发人员：肖罡 郭鹏程 朱必武 万可谦 刘筱 刘小兰 杨钦文
受保护的技术使用者：江西科骏实业有限公司
技术研发日：2023.04.17
技术公布日：2023/7/28