【技術實現步驟摘要】
本專利技術屬于金屬材料疲勞壽命預測，涉及一種基于自編碼器和傅里葉變換增強的大模型金屬材料疲勞壽命預測方法。
技術介紹
1、隨著現代工業的快速發展，材料在各個領域的應用日益廣泛，其在服役過程中的可靠性和壽命成為工程技術人員關注的焦點。目前，材料疲勞壽命預測的主要技術手段是s-n曲線，由august?wohler于1870年首次通過機車輪軸試驗提出，該曲線反映了材料在不同應力水平下的疲勞壽命。
2、此后，不斷有研究人員對s-n曲線展開相關研究。1910年，basquin通過分析獲得的σ-n數據，提出了用于材料疲勞壽命預測的指數方程型σ-n曲線模型。1914年，stromeyer分析了wohler的數據，并對各種材料進行了彎曲和扭轉疲勞試驗，提出了σ-n曲線會無限趨近于疲勞極限的概念，并將basquin模型改進為考慮疲勞極限的關系模型。為適用于不同疲勞荷載工況，逐漸衍生出考慮峰值應力和誤差函數的gaussian-σ-n曲線、使用最大似然值的max-σ-n曲線等σ-n曲線模型。20世紀中葉，coffin和manson通過循環熱應力試驗認識到塑性應變對材料疲勞壽命的重要價值，并各自獨立提出了以應變幅值為控制壽命參數的低周疲勞失效模型，即除σ-n曲線以外被廣泛應用的ε-n曲線。直到最近，仍有部分研究人員通過修正或增加參數等方法進一步完善s-n曲線以實現精確預測。
3、此外，目前各領域為防止疲勞失效事故發生，通常會依據s-n曲線制定更換周期。然而根據后期的測試，大多數因達到更換周期而拆卸的元件仍滿足繼續使用條件。此外，
4、s-n曲線的出現在一定程度上減少了疲勞失效事故的發生，但由于材料與荷載分散性的存在，且s-n曲線模型基于線性或近似線性的假設，對于復雜材料或工況下的疲勞壽命預測不夠精確，導致預測結果誤差較大，且難以廣泛應用。
5、因此，亟需一種新的金屬材料疲勞壽命預測方法來解決傳統s-n曲線方法預測精度低和泛化能力弱的問題。
技術實現思路
1、有鑒于此，本專利技術的目的在于提供一種基于自編碼器和傅里葉變換增強的大模型金屬材料疲勞壽命預測方法，解決傳統的s/n曲線方法預測材料疲勞壽命存在的誤差大，穩定性低等問題，提出了一種新型的ae-felm模型，該模型使用自編碼器重構原始輸入數據，并對原始數據特征降維和初步提取。依據數據特征的時間序列屬性，在gpt2大模型的每個特征提取層增加傅里葉變換增強模塊，進一步改善模型對時間序列數據的特征提取能力。
2、為達到上述目的，本專利技術提供如下技術方案：
3、一種基于自編碼器和傅里葉變換增強的大模型金屬材料疲勞壽命預測方法，具體包括以下步驟：
4、s1：數據獲取及預處理：通過實驗獲得材料應力加載形變數據，并對其進行清洗，以去除無效和異常數據；
5、s2：數據分塊：采用滑動窗口技術對數據進行分塊處理；
6、s3：標簽生成；對于每一個數據塊，根據其對應的加載次數與總加載次數的比例，生成一個剩余壽命百分比的標簽；
7、s4：構建并訓練ae-felm模型：將生成的數據塊及其對應標簽輸入至ae-felm模型中訓練，選取最優模型參數，并保存訓練好的最優模型；其中，ae-felm模型表示自編碼器與傅里葉變換增強的大模型，包括自編碼器模塊和傅里葉變換增強模塊，并將gpt2大型預訓練語言模型作為骨干網絡；所述自編碼器模塊包括編碼器和解碼器；
8、s5：預測過程：將分塊處理后的測試集輸入至訓練好的ae-felm模型中，輸出材料剩余壽命預測結果。
9、進一步，步驟s1中，對原始數據進行清洗，具體包括：首先采用周期性聚合方法對數據進行簡化，然后使用z-score對數據進行歸一化，去除不同特征或不同時間點之間的量綱差異，使得所有特征或時間點都具有相同的尺度。
10、進一步，步驟s4中，所述編碼器采用多層感知機(mlp)結構，包含多個隱藏層，并通過dropout技術防止過擬合；編碼器的輸入為時間序列數據的長度，輸出為與gpt2模型隱藏層維度相匹配的特征向量；激活函數選用relu；
11、編碼器的表達式為：
12、
13、其中，h為編碼器的最終輸出，x為輸入序列，和分別表示編碼器第l層的權重和偏置，l為編碼器層數，σ為激活函數。
14、進一步，步驟s4中，編碼器的輸出輸入到位置嵌入層，位置嵌入層的輸出輸入到gpt2單元，gpt2單元輸出的數據輸入到歸一化層；解碼器接收歸一化層的輸出，并嘗試重建原始時間序列數據。
15、進一步，步驟s4中，位置嵌入層是通過正弦和余弦函數來實現位置嵌入的，其表達式為：
16、
17、其中，ppos,i表示位置pos在維度i上的位置嵌入，dmodel是模型中嵌入向量的維度，pos為數據在序列中的位置，i是嵌入向量的維度索引。
18、進一步，步驟s4中，gpt2單元在模型中存在循環鏈接12個，其接收到位置嵌入層的數據，會通過一個歸一化層，然后分別進入注意力機制模塊和傅里葉變換模塊，通過考慮歸一化層提供的歸一化特征，注意力機制能夠更好地建模序列中的上下文關系，捕捉到長距離的依賴關系；注意力機制的輸出和傅里葉變換模塊的輸出會進行融合，然后通過一個前饋神經網絡，最后再經過一個高斯誤差性單元激活函數。
19、進一步，步驟s4中，gpt2單位中所用的歸一化層的表達式為：
20、
21、其中，是第i個樣本中第h個特征，h是特征數目，μ(i)是第i個樣本的所有特征平均值，σ2(i)是第i個樣本的所有特征的方差，ε是一個很小的常數用于數值穩定；γ(i)和β(i)是可學習參數，分別用于縮放和偏移歸一化的數值；是歸一化后的值，是歸一化層的輸出。
22、進一步，步驟s4中，解碼器接收歸一化層的輸出，并嘗試重建原始時間序列數據；解碼器的表達式為：
23、
24、其中，為解碼器的最終輸出，為預訓練模型的輸出，和分別表示解碼器第l層的權重和偏置，l為解碼器層數，σ為激活函數。
25、本專利技術的有益效果在于：本專利技術構建的ae-felm模型采用了深度學習中的自編碼器結構，實現了對時間序列數據的高效特征提取。其次，引入傅里葉變換技術，捕捉材料疲勞過程中的頻域特征，從而增強模型對材料疲勞行為的理解。解決傳統s-n曲線方法的預測精度低和泛化能力弱的問題。此外，本專利技術模型利用預訓練的gpt2大模型的序列建模能力進一步提升了預測的準確性。ae-felm模型能夠有效提取時間序列數據中的特征，并結合傅里葉變換深入挖掘頻域信息，提高了預測的準確性。此外，該模型在各個數據集上展現了良好的收斂性，避免了過擬合現象，顯示出較強的泛化能力。相較于傳統方法，ae-felm模型在保持高預測精度的同時本文檔來自技高網...
【技術保護點】
1.一種基于自編碼器和傅里葉變換增強的大模型金屬材料疲勞壽命預測方法，其特征在于，該方法具體包括以下步驟：
2.根據權利要求1所述的大模型金屬材料疲勞壽命預測方法，其特征在于，步驟S1中，對原始數據進行清洗，具體包括：首先采用周期性聚合方法對數據進行簡化，然后使用Z-Score對數據進行歸一化，去除不同特征或不同時間點之間的量綱差異，使得所有特征或時間點都具有相同的尺度。
3.根據權利要求1所述的大模型金屬材料疲勞壽命預測方法，其特征在于，步驟S4中，所述編碼器采用多層感知機結構，包含多個隱藏層，并通過dropout技術防止過擬合；編碼器的輸入為時間序列數據的長度，輸出為與GPT2模型隱藏層維度相匹配的特征向量；激活函數選用ReLu；
4.根據權利要求3所述的大模型金屬材料疲勞壽命預測方法，其特征在于，步驟S4中，編碼器的輸出輸入到位置嵌入層，位置嵌入層的輸出輸入到GPT2單元，GPT2單元輸出的數據輸入到歸一化層；解碼器接收歸一化層的輸出，并嘗試重建原始時間序列數據。
5.根據權利要求4所述的大模型金屬材料疲勞壽命預測方法，其特征
6.根據權利要求4所述的大模型金屬材料疲勞壽命預測方法，其特征在于，步驟S4中，GPT2單元在模型中存在循環鏈接12個，其接收到位置嵌入層的數據，會通過一個歸一化層，然后分別進入注意力機制模塊和傅里葉變換模塊，通過考慮歸一化層提供的歸一化特征，注意力機制能夠更好地建模序列中的上下文關系，捕捉到長距離的依賴關系；注意力機制的輸出和傅里葉變換模塊的輸出會進行融合，然后通過一個前饋神經網絡，最后再經過一個高斯誤差性單元激活函數。
7.根據權利要求6所述的大模型金屬材料疲勞壽命預測方法，其特征在于，步驟S4中，GPT2單位中所用的歸一化層的表達式為：
8.根據權利要求4所述的大模型金屬材料疲勞壽命預測方法，其特征在于，步驟S4中，解碼器接收歸一化層的輸出，并嘗試重建原始時間序列數據；解碼器的表達式為：
...【技術特征摘要】
1.一種基于自編碼器和傅里葉變換增強的大模型金屬材料疲勞壽命預測方法，其特征在于，該方法具體包括以下步驟：
2.根據權利要求1所述的大模型金屬材料疲勞壽命預測方法，其特征在于，步驟s1中，對原始數據進行清洗，具體包括：首先采用周期性聚合方法對數據進行簡化，然后使用z-score對數據進行歸一化，去除不同特征或不同時間點之間的量綱差異，使得所有特征或時間點都具有相同的尺度。
3.根據權利要求1所述的大模型金屬材料疲勞壽命預測方法，其特征在于，步驟s4中，所述編碼器采用多層感知機結構，包含多個隱藏層，并通過dropout技術防止過擬合；編碼器的輸入為時間序列數據的長度，輸出為與gpt2模型隱藏層維度相匹配的特征向量；激活函數選用relu；
4.根據權利要求3所述的大模型金屬材料疲勞壽命預測方法，其特征在于，步驟s4中，編碼器的輸出輸入到位置嵌入層，位置嵌入層的輸出輸入到gpt2單元，gpt2單元輸出的數據輸入到歸一化層；解碼器接收歸一化層的輸出，并嘗試重建原始時...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。