一种基于自监督生成对抗网络的气缸盖材料热机疲劳寿命预测方法与流程

本发明属于内燃机气缸盖领域，尤其是涉及一种基于自监督生成对抗网络的气缸盖材料热机疲劳寿命预测方法。

背景技术：

1、作为发动机中结构最复杂、承受机械载荷和热载荷最剧烈的本体结构部件之一，发动机气缸盖材料的承载特性直接影响其疲劳强度可靠性。随着柴油机功率密度和燃烧压力的提高，气缸盖服役工况愈发恶劣，这就大幅加剧了其在高温高压工况下的疲劳损伤概率，也使疲劳失效问题更加显著。掌握热力耦合作用下气缸盖材料的疲劳行为和疲劳寿命，对提高气缸盖服役的耐久性和可靠性具有重要意义。

2、目前较为成熟的气缸盖材料主要为铸铁材料和铝合金材料，这两类材料具有铸造性能优异、综合力学性能较好等优势。由于气缸盖火力面承受周期性热冲击载荷，材料在脉冲载荷下的热机疲劳行为及相关寿命预测更成为关注的重点。获取气缸盖材料耐受温度和应力应变随时间变化行为，是材料研发和气缸盖部件考核评价的重要依据，也是气缸盖疲劳寿命预测的必要前提条件。对气缸盖材料进行本体取样的成本较高，且热机械疲劳试验耗时且复杂，因此，研究利用有限的小样本对气缸盖材料建立准确的寿命预测模型逐渐成为了主流。

3、随着数据驱动算法的发展，采用机器学习和深度学习方法进行复杂条件下的疲劳寿命预测成为人们关注的焦点。当前很多研究人员已经将机器学习框架、回归模型等用于航空航天、重大装备领域的多晶合金缺口疲劳寿命、铝合金疲劳寿命的预测及力学性能、载荷特征等关键特征参数的识别方面。然而，目前常用的机器学习算法主要为有监督学习类，需要大量的试验数据作为支撑，在小样本条件下训练效果不佳。而自监督学习类算法无需标记数据，能够自我生成标签，并根据这些标签进行学习，提高了小样本下的学习效率。通过使用基于生成对抗网络的自监督学习算法，可在小样本条件下提高预测模型的精度。

技术实现思路

1、有鉴于此，本发明旨在提出一种基于自监督生成对抗网络的气缸盖材料热机疲劳寿命预测方法，以解决现有疲劳寿命预测方法所需训练数据量大、预测效率低、预测精度低等问题。

2、为达到上述目的，本发明的技术方案是这样实现的：

3、一种基于自监督生成对抗网络的气缸盖材料热机疲劳寿命预测方法，包括如下步骤：

4、步骤1：根据气缸盖火力面周期性热冲击载荷特性，以机械和热两方面载荷为边界输入，开展应变幅和温度在同/反相位脉冲循环加载条件下，气缸盖材料的热机疲劳行为测试，以此建立寿命预测关系；

5、基于气缸盖材料的热机疲劳行为测试结果，包括以半寿命循环下的温度序列和应变序列作为输入特征、以对数疲劳寿命作为输出特征的样本数据；

6、步骤2：对步骤1获取的样本数据，进行归一化处理；

7、归一化处理公式为：

8、式中，x代表样本数据，是样本数据方差，σ(x)是样本数据标准差，xnor是归一化后的样本特征；

9、步骤3：基于门控神经网络利用步骤2归一化处理后的半寿命循环下温度序列t(t)和应变序列ε(t)，构建生成器，以此进行不同载荷条件下气缸盖材料的疲劳寿命预测；

10、生成对抗网络的生成器损失函数为：

11、

12、式中，d代表判别器，g代表生成器，代表判别器对虚拟样本判断结果的期望；

13、步骤4：基于门控神经网络利用步骤2归一化处理后的半寿命循环下的温度序列t(t)、应变序列ε(t)和对数疲劳寿命lg(nt)，构建判别器，以此判断输入样本为真实试验样本还是虚拟样本；

14、定义如下生成对抗网络的判别器损失函数为：

15、

16、式中，d代表判别器，g代表生成器，代表判别器对真实样本判断结果的期望，代表判别器对虚拟样本判断结果的期望；

17、步骤5：生成器和判别器的训练过程在生成对抗网络模型框架下交替进行，判别器不断对真实样本和虚拟样本进行判断并将判断结果通过误差反向传播给判别器和生成器；

18、步骤6：生成器根据误差改进生成结果；

19、步骤7：预测精度通过均方根误差进行评估；

20、评估公式为：

21、式中，yi，pre为模型预测的对数疲劳寿命，yi，exp为试验获取的对数疲劳寿命。

22、进一步的，步骤1实现方法为：

23、步骤1.1：所述气缸盖材料的热机疲劳试验的应变幅范围为0.3％-0.8％，温度循环范围设计为从100℃升温到考核温度值，按照应变与温度分别在正、反相位的三角波形加载；

24、步骤1.2：每个温度循环下、控制不同应变幅值，分别进行4-6组试验。

25、进一步的，步骤3实现方法为：

26、所述生成器在门控神经网络框架下搭建，包含两层门控循环单元层，它接收温度序列t(t)和应变序列ε(t)数据，通过门控循环单元进行特征提取，然后经过一层全连接层得到对数寿命预测值lg(nt)。

27、进一步的，步骤4实现方法为：

28、所述判别器在门控神经网络框架下搭建，包含两层门控循环单元层，它接收温度序列t(t)、应变序列ε(t)以及对数寿命预测值lg(nt)作为输入，经过门控循环单元进行特征提取，然后通过两层全连接层，得到真实样本或虚拟样本的判断。

29、进一步的，步骤5的每一次训练迭代的步骤具体为：

30、步骤5.1：生成器根据温度序列t(t)和应变序列ε(t)生成对应的寿命预测值；

31、样本与对应的寿命预测值定义为虚拟样本；样本与对应的寿命真实值定义为真实样本；

32、步骤5.2：判别器根据输入的温度序列t(t)和应变序列ε(t)以及对数寿命值lg(nt)，得到真实样本的和虚拟样本的判断；

33、步骤5.3：根据分类结果计算生成器的损失函数；使用反向传播算法更新生成器的参数；

34、步骤5.4：计算判别器的损失函数；使用反向传播算法更新判别器的参数。

35、进一步的，步骤7实现方法为：

36、若网络模型满足预测精度要求，则保存训练好的网络模型；若不满足精度要求，则返回步骤3调整模型参数，并对模型重新进行训练。

37、相对于现有技术，本发明所述的一种基于自监督生成对抗网络的气缸盖材料热机疲劳寿命预测方法具有以下优势：

38、(1)本发明所述的一种基于自监督生成对抗网络的气缸盖材料热机疲劳寿命预测方法，本发明公开的一种基于自监督生成对抗网络的气缸盖材料热机疲劳寿命预测方法，提出利用有限数量的气缸盖材料热机械疲劳试验，获取有代表性的小样本数据；通过在生成对抗网络框架下搭建生成器和判别器，并利用生成对抗网络的损失函数对判别误差进行反馈，激发网络模型的自发性，弥补监督学习算法依赖数量，容易出现预测精度低、过拟合等问题的不足。

39、(2)本发明所述的一种基于自监督生成对抗网络的气缸盖材料热机疲劳寿命预测方法，本发明公开的一种基于自监督生成对抗网络的气缸盖材料热机疲劳寿命预测方法，采用对抗训练的生成对抗神经网络模型在小样本条件下表现出了较好的预测效果。本发明为气缸盖材料的热机械疲劳寿命预测提供了一种实用、有效的方法，对于开展气缸盖设计和疲劳分析有着极强的指导价值。

技术特征：

1.一种基于自监督生成对抗网络的气缸盖材料热机疲劳寿命预测方法，其特征在于：包括如下步骤：

2.根据权利要求1所述的一种基于自监督生成对抗网络的气缸盖材料热机疲劳寿命预测方法，其特征在于：步骤1实现方法为：

3.根据权利要求1所述的一种基于自监督生成对抗网络的气缸盖材料热机疲劳寿命预测方法，其特征在于：步骤3实现方法为：

4.根据权利要求1所述的一种基于自监督生成对抗网络的气缸盖材料热机疲劳寿命预测方法，其特征在于：步骤4实现方法为：

5.根据权利要求1所述的一种基于自监督生成对抗网络的气缸盖材料热机疲劳寿命预测方法，其特征在于：步骤5的每一次训练迭代的步骤具体为：

6.根据权利要求1所述的一种基于自监督生成对抗网络的气缸盖材料热机疲劳寿命预测方法，其特征在于：步骤7实现方法为：

技术总结
本发明提供了一种基于自监督生成对抗网络的气缸盖材料热机疲劳寿命预测方法，首先以气缸盖本体取样材料的小样本热机械疲劳试验结果作为训练和测试样本，以半寿命循环下的温度序列和应变序列作为输入特征、对数疲劳寿命作为输出特征；然后基于生成对抗网络的自监督学习算法构建生成器和判别器，其中判别器以真实样本与虚拟样本的判断作为输出，并将判断结果通过误差反向传播给判别器和生成器，生成器根据误差改进生成结果。本发明有益效果：通过对抗训练，使判别器无法识别真实样本与虚拟样本，最终达到较低的预测误差。本发明适用于气缸盖材料开发等领域，降低研发试验成本，实现材料热机疲劳寿命快速、高效预测。

技术研发人员：蒲博闻,王根全,周海涛,胡定云,毛郭灵,何晓东
受保护的技术使用者：中国北方发动机研究所
技术研发日：
技术公布日：2024/12/5