论文部分内容阅读
焊接作为一种有效的连接方法,在石油化工、轨道车辆、海洋船舶等机械工程领域均有广泛应用。在动态承载条件下,容易引起焊接接头破坏,疲劳断裂是其主要失效形式。金属材料、焊接工艺和焊接结构的特性,使得焊接接头的设计和疲劳寿命评价更为复杂。人工智能技术可以在没有任何先验知识的前提下,通过完全的自学,具备知识获取、分类和预测能力,从而为焊接接头疲劳寿命评价提供新的途径。在对焊接接头疲劳寿命分析方法研究现状进行总结和分析的基础之上,论文将人工智能技术应用到焊接接头疲劳寿命分析评价过程中,对焊接接头疲劳寿命影响因素评价、疲劳设计主S-N曲线拟合、焊接接头疲劳寿命智能预测模型的建立和应力-寿命关系的表征等方面进行了深入研究。论文主要研究工作如下:(1)提出一种基于粗糙集理论的焊接接头疲劳寿命影响因素评价方法:利用邻域粗糙集理论不需要进行离散化,可以直接处理取值连续型属性信息的特点,建立焊接接头疲劳寿命影响因素分析的邻域粗糙集模型。通过搜集整理相关文献中的疲劳试验数据,建立焊接接头疲劳数据库,确定邻域粗糙集分析流程,使用前向贪心算法完成属性约简,获得焊接接头疲劳寿命关键影响因素集。并深入研究各相关因素和疲劳寿命间的关联关系,确定其对疲劳寿命影响的权重。(2)提出一种基于疲劳特征域的主S-N曲线拟合方法:以邻域粗糙集属性约简得到的焊接接头疲劳寿命关键影响因素集为依据,实现对焊接接头疲劳样本的“自动”分类,关键影响因素值不同的样本点隶属于不同的域。据此,提出疲劳特征域的概念,并给出疲劳特征域的划定办法。以铝合金焊接接头疲劳试验数据为依据,进行主S-N曲线的拟合和基于疲劳特征域的主S-N曲线拟合,拟合优度统计结果表明,划定疲劳特征域之后,疲劳数据样本的分散度水平和疲劳寿命预测误差均有了进一步降低。(3)基于疲劳特征域的疲劳寿命评定方法试验验证:进行5A06和5083两种铝合金材料T型焊接接头的实验室疲劳试验,建立两种接头的有限元模型,完成结构应力计算和等效结构应力转化,得到疲劳设计主S-N曲线和基于疲劳特征域的主S-N曲线簇。通过5A06+5A06同种材料T型焊接接头疲劳寿命评定的案例分析验证基于疲劳特征域的疲劳寿命评定方法得到的疲劳寿命更接近于实际疲劳寿命。(4)建立两种用于焊接接头疲劳寿命预测的优化神经网络模型:以粗糙集知识约简为系统前置,获得焊接接头疲劳寿命关键影响因素集。将得到的关键影响因素集作为输入,构建用于焊接接头疲劳寿命预测的RS_RBF神经网络模型。为进一步提高神经网络模型的预测精度,又建立粒子群算法优化的RS__PSO_BPNN神经网络模型。基于钛合金焊接接头疲劳试验数据对两种模型进行对比分析。分析结果表明,所建立的两种模型均可用于焊接接头疲劳寿命预测,在训练样本数目相同的情况下,RS__PSO__BPNN模型较RS_RBF模型的预测精度更高。(5)建立一种基于粒子群算法优化支持向量机的应力-寿命关系模型:由于疲劳试验耗时长、成本高,一般情况下很难获取焊接接头疲劳寿命大样本数据。因此,充分利用支持向量机处理小样本数据的优势及粒子群算法的全局优化性能,建立粒子群算法优化的支持向量机模型(PSO_SVM),实现对应力-寿命关系的表征。建模仿真结果表明,所建立的模型具有较好的抗噪声能力和较高的预测精度。在划定疲劳特征域的情况下,PSO_SVM模型的预测精度有了进一步提高。对焊接接头疲劳寿命智能评价方法进行深入研究,提出基于粗糙集理论的焊接接头疲劳寿命影响因素综合评价方法和基于疲劳特征域的主S-N曲线拟合方法、建立焊接接头疲劳寿命智能预测模型和应力-寿命关系表征模型,对于提高焊接接头疲劳寿命预测精度,降低焊接接头疲劳寿命预测过程的复杂度,改进焊接结构抗疲劳设计方法,具有重要意义。