摘 "要：基于裂紋萌生與擴展的機制及金屬部件疲勞損傷的各種主要因素，結(jié)合模具行業(yè)的特點和需求，開發(fā)了一種基于深度學(xué)習(xí)的壽命預(yù)測模型。仿真結(jié)果表明，該模型在預(yù)測模具金屬部件的壽命方面具有較高的精度和可靠性。這對于模具制造和運行企業(yè)而言，不僅有助于他們更深入地理解金屬部件的疲勞損傷行為，更能幫助他們準(zhǔn)確預(yù)測部件的壽命，從而進行更為合理的工程設(shè)計和優(yōu)化。

關(guān)鍵詞：金屬機械部件；疲勞損傷機制；壽命預(yù)測模型；深度學(xué)習(xí)

中圖分類號：F407.4 """""""文獻標(biāo)志碼：A

Fatigue damage mechanism and life prediction model of metal mechanical components

CHENG Liqin1， WAN Rong1， CHENG Yan2， LIU Nan2

（1. Xian HighTech University， Xian 713700， Shaanxi， China；

（2. The HiTech College of Xian University of Technology， Xian 713700， Shaanxi， China）

Abstract： The article first introduces the particularity and importance of fatigue damage in the mold industry， clarifies the mechanism of crack initiation and propagation， and further analyzes various main factors affecting fatigue damage of mold metal components. On this basis， a deep learning based life prediction model is elaborated， which closely combines the characteristics and needs of the mold industry. Through a series of simulation studies， the article found that the model has high accuracy and reliability in predicting the life of mold metal components， and can effectively reveal the fatigue damage mechanism of these components. For mold manufacturing and operation enterprises， this not only helps them to have a deeper understanding of the fatigue damage behavior of metal components， but also helps them accurately predict the lifespan of components， so as to carry out more reasonable engineering design and optimization.

Key words： metal mechanical components; fatigue damage mechanism; life prediction model; deep learning

0 "引 "言

金屬機械部件在現(xiàn)代工業(yè)體系中扮演著舉足輕重的角色，其應(yīng)用場景涉及航空航天、汽車制造、能源開發(fā)以及鐵路運輸?shù)榷鄠€關(guān)鍵行業(yè)［1］。在模具的日常工作狀態(tài)下，這些部件持續(xù)承受著循環(huán)載荷的作用，不可避免地會導(dǎo)致疲勞損傷的出現(xiàn)，嚴重時甚至可能引發(fā)斷裂和失效，對生產(chǎn)安全構(gòu)成重大威脅［2］。

疲勞損傷是一個在交變應(yīng)力作用下，材料內(nèi)部細微結(jié)構(gòu)逐漸發(fā)生變化，損傷累積并最終導(dǎo)致斷裂的復(fù)雜過程。它具有裂紋緩慢萌生、穩(wěn)定擴展和最終快速斷裂的階段性特征，對模具部件的耐用性和可靠性提出了嚴峻挑戰(zhàn)［3］。因此，針對模具用金屬機械部件的疲勞損傷機制開展深入研究，并構(gòu)建高精度的壽命預(yù)測模型，對于提升模具制造水平、保障生產(chǎn)安全以及延長模具使用壽命具有極其重要的現(xiàn)實意義［4］。

由于模具工作環(huán)境的復(fù)雜性和多變性，現(xiàn)有的壽命預(yù)測模型在應(yīng)對不同模具應(yīng)用場景時已顯得力不從心，其準(zhǔn)確性和適用性有待進一步提高［5］。因此，持續(xù)在這一領(lǐng)域開展深入系統(tǒng)的研究，不僅有助于解決模具行業(yè)面臨的實際工程問題，也將為推動材料科學(xué)和力學(xué)等相關(guān)學(xué)科的發(fā)展做出積極貢獻。

隨著國內(nèi)工業(yè)化的快速推進和模具制造行業(yè)的蓬勃發(fā)展，對金屬機械部件的性能要求也在不斷提高。同時，我國在材料科學(xué)和工程力學(xué)等領(lǐng)域的研究水平也取得了顯著進步，為深入研究金屬材料的疲勞行為奠定了堅實基礎(chǔ)［6］。但與國際先進水平相比，我國在模具金屬機械部件的疲勞損傷機制和壽命預(yù)測模型研究方面還存在一定差距。因此，加大這一領(lǐng)域的研究投入，對于提升我國模具行業(yè)的國際競爭力、推動相關(guān)學(xué)科的創(chuàng)新發(fā)展具有深遠意義。

模具金屬機械部件的疲勞損傷機制是一個涉及多學(xué)科知識的復(fù)雜問題［7］，需要從材料學(xué)、力學(xué)、物理學(xué)等多個角度出發(fā)，深入探討材料內(nèi)部的微觀結(jié)構(gòu)變化、應(yīng)力集中現(xiàn)象以及裂紋萌生和擴展的機理。同時，還需要考慮模具實際工作過程中所面臨的復(fù)雜載荷和環(huán)境條件對疲勞損傷的影響。壽命預(yù)測模型作為評估模具金屬機械部件疲勞性能的重要工具，其準(zhǔn)確性和可靠性直接關(guān)系到模具的設(shè)計優(yōu)化和維護決策［8］。通過建立精確的壽命預(yù)測模型，可以預(yù)測模具部件在不同工作條件下的使用壽命，從而制定更加科學(xué)合理的維護策略，降低生產(chǎn)成本，提高生產(chǎn)效率。

本文圍繞模具金屬機械部件的疲勞損傷機制和壽命預(yù)測模型展開研究。首先介紹了疲勞損傷的基本概念和影響因素；然后詳細闡述了基于深度學(xué)習(xí)的壽命預(yù)測模型的構(gòu)建過程，并通過仿真實驗驗證了其有效性；接著探討了如何進一步優(yōu)化壽命預(yù)測模型以提高其準(zhǔn)確性和可靠性；最后總結(jié)了全文的主要研究成果和實際應(yīng)用價值，并指出了未來研究的方向和挑戰(zhàn)。

1 "金屬機械部件疲勞損傷機制

1.1 "疲勞損傷的基本概念

疲勞損傷是一個在機械工程領(lǐng)域中廣泛存在的現(xiàn)象，指的是金屬材料在受到循環(huán)載荷作用時，其內(nèi)部微觀結(jié)構(gòu)發(fā)生不可逆的變化，進而引發(fā)裂紋的萌生和擴展，最終導(dǎo)致材料斷裂的一種失效形式［9］。這種損傷通常并非瞬間發(fā)生，而是一個逐步累積、漸進惡化的過程。開始時，材料表面或內(nèi)部可能僅出現(xiàn)微小的裂紋或缺陷，但隨著載荷循環(huán)次數(shù)的不斷增加，這些裂紋或缺陷會逐漸擴展、合并，形成更大的裂紋，最終導(dǎo)致材料的斷裂或失效。

1.2 "裂紋萌生與擴展機制

裂紋萌生是疲勞損傷的起始階段，通常發(fā)生在材料的高應(yīng)力或應(yīng)力集中區(qū)域。這些區(qū)域由于局部應(yīng)力超過了材料的屈服強度，使得材料發(fā)生微小的塑性變形。隨著載荷的反復(fù)作用，這些塑性變形區(qū)域逐漸累積，形成微小的裂紋。這些裂紋在初始階段可能非常微小，甚至難以用肉眼觀察，但它們卻是疲勞損傷的起點［10］。

裂紋擴展則是疲勞損傷的發(fā)展階段。在循環(huán)載荷的作用下，裂紋尖端會發(fā)生應(yīng)力集中，使得裂紋以一定的速率向前擴展［11］。這個擴展速率受到多種因素的影響，包括應(yīng)力幅值、平均應(yīng)力、材料的力學(xué)性能以及環(huán)境條件等。在裂紋擴展過程中，材料的剩余截面面積不斷減小，導(dǎo)致材料的承載能力逐漸下降。當(dāng)裂紋擴展到一定程度時，材料的剩余截面無法承受外部載荷，最終導(dǎo)致材料的斷裂。

1.3 "影響疲勞損傷的主要因素

金屬機械部件疲勞損傷受到眾多因素的交織影響。這些因素相互作用，共同決定了材料的疲勞性能和整體壽命。以下是對其中一些主要影響因素的深入探討：

首先是材料本身的特性。材料的化學(xué)成分、微觀組織結(jié)構(gòu)以及力學(xué)性能等都是影響其疲勞損傷的關(guān)鍵因素［12］。例如，在模具制造中，通過添加特定的合金元素，可以改變材料的硬度和韌性，進而提升其抗疲勞性能。同時，材料的晶粒大小也與其疲勞壽命密切相關(guān)，通常晶粒越細，材料的抗疲勞性能越好。

其次是模具所承受的載荷情況。載荷的大小、作用頻率以及波形等都會對模具材料的疲勞損傷產(chǎn)生顯著影響［13］。一般來說，載荷幅值越大、頻率越高，模具材料的疲勞壽命就越短。此外，不同的載荷波形也會導(dǎo)致不同的裂紋擴展速率和疲勞壽命。例如，在模具的沖壓過程中，交變載荷的作用往往比恒定載荷更容易引發(fā)材料的疲勞損傷。

再者是模具的工作環(huán)境。溫度、濕度以及可能存在的腐蝕介質(zhì)等環(huán)境因素都會對模具材料的疲勞性能產(chǎn)生影響［14］。例如，在高溫的注塑環(huán)境中，模具材料的力學(xué)性能可能會發(fā)生變化，導(dǎo)致其疲勞強度降低。同時，如果模具長時間暴露在腐蝕介質(zhì)中，其表面可能發(fā)生腐蝕或氧化反應(yīng)，從而加速裂紋的擴展和材料的疲勞失效。

此外，還有一些其他因素也不容忽視。比如模具的表面粗糙度、加工過程中產(chǎn)生的殘余應(yīng)力，以及具體的加工工藝等都可能對模具材料的疲勞性能和壽命產(chǎn)生影響。雖然這些因素單獨作用時可能影響較小，但在多種因素共同作用下，它們可能會對模具的疲勞性能和壽命產(chǎn)生顯著影響。因此，在模具設(shè)計和制造過程中，需要綜合考慮這些因素，以優(yōu)化模具的抗疲勞性能并延長其使用壽命。

2 "金屬機械部件壽命預(yù)測模型

金屬機械部件的壽命預(yù)測一直是一個備受關(guān)注的工程問題。精準(zhǔn)的壽命預(yù)測對于確保模具設(shè)備的安全、穩(wěn)定運行至關(guān)重要，同時也有助于企業(yè)優(yōu)化維修策略，降低不必要的運維成本［15］。為了有效預(yù)測金屬機械部件的壽命，工程師們經(jīng)過不懈努力，開發(fā)出了多種壽命預(yù)測模型。這些模型基于不同的力學(xué)理論、材料科學(xué)原理以及實際工程經(jīng)驗，各具特色，有著各自的優(yōu)缺點和適用場景。例如，某些模型可能更適用于高周疲勞的情況，而另一些則可能在低周疲勞或特定環(huán)境條件下表現(xiàn)更佳。壽命預(yù)測模型，從本質(zhì)上說，是一種數(shù)學(xué)或物理模型，被用來描述金屬機械部件在特定工作條件下的疲勞行為。這些模型通常依賴于大量的實驗數(shù)據(jù)或理論假設(shè)，通過建立部件應(yīng)力、應(yīng)變、載荷等關(guān)鍵參數(shù)與疲勞壽命之間的數(shù)學(xué)關(guān)系，來預(yù)測部件在真實工作環(huán)境中的可能壽命。

裂紋的擴展速率da/dN與應(yīng)力強度因子范圍ΔK之間的關(guān)系可以用Paris公式表示：

dadN=C·ΔKm，（1）

其中，a是裂紋長度，N是載荷循環(huán)次數(shù)，C和m是材料常數(shù)，ΔK是應(yīng)力強度因子范圍，它描述了裂紋尖端應(yīng)力場的強弱。

在損傷力學(xué)中，通常用一個標(biāo)量參數(shù)D來表示材料的損傷程度。D的取值范圍從0（無損傷）到1（完全破壞）。損傷變量D的演化規(guī)律可以通過實驗或理論分析得到，一般表示為應(yīng)力、應(yīng)變、溫度等參數(shù)的函數(shù)。

一個常用的損傷演化方程是基于連續(xù)損傷力學(xué)框架建立的，可以表示為：

D·=f（σ， ε， T， D），（2）

其中，D·是損傷變量的變化率，σ 是應(yīng)力，ε是應(yīng)變，T是溫度，而f是一個描述損傷演化的函數(shù)。這個函數(shù)通常通過實驗確定，并且依賴于特定的材料和加載條件。

在循環(huán)載荷作用下，材料的損傷會不斷累積。假設(shè)每個循環(huán)造成的損傷是獨立的，則總損傷可以通過對每個循環(huán)造成的損傷進行累加得到：

Dtotal=∑ni=1ΔDi，（3）

其中，Dtotal是總損傷，n是循環(huán)次數(shù)，ΔDi 是第i個循環(huán)造成的損傷。

當(dāng)總損傷Dtotal達到臨界值Dc（通常通過實驗確定）時，認為材料發(fā)生疲勞破壞。因此，基于損傷力學(xué)的壽命預(yù)測方法可以通過模擬材料的損傷演化過程來預(yù)測部件在給定載荷譜下的剩余壽命。

本研究采用卷積神經(jīng)網(wǎng)絡(luò)（CNN）算法對金屬機械部件在疲勞加載過程中的數(shù)據(jù)進行特征提取。CNN算法能夠有效地捕捉金屬部件在不同加載條件下的空間信息，如應(yīng)力分布和微觀結(jié)構(gòu)變化。為了處理加載過程中的時間相關(guān)性信息，研究引入了循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）算法。RNN算法特別適用于處理時間序列數(shù)據(jù)，能夠捕捉應(yīng)力等參數(shù)隨時間的變化趨勢。在這個集成的深度神經(jīng)網(wǎng)絡(luò)模型中，CNN負責(zé)初步的特征提取，而RNN則負責(zé)對這些特征進行時序上的進一步處理與預(yù)測。為了提高模型的預(yù)測精度和可靠性，研究還對深度神經(jīng)網(wǎng)絡(luò)模型進行了全面的優(yōu)化和調(diào)整，包括激活函數(shù)的選擇、網(wǎng)絡(luò)層數(shù)的確定以及優(yōu)化器的配置等。深度學(xué)習(xí)模型結(jié)構(gòu)如圖1所示。

處理機器學(xué)習(xí)中的類別不均衡問題時，平衡損失函數(shù)是一種有效的策略。它通過給予不同類別的錯誤分類以不同的權(quán)重，來提高模型的整體性能。在本文中，采用了一種基于交叉熵損失的方法，并通過加權(quán)yk函數(shù)來進一步調(diào)整平衡損失：

BL（y， y）=－∑Nk=1tk1γ+1（1－yk）γlogyk，（4）

其中，BL為平衡損失（Balance loss），γ被用作非負性的調(diào)整參數(shù)。在網(wǎng)絡(luò)進行訓(xùn)練時，每個通道都遵循相同的總損失函數(shù)計算方法。這個函數(shù)由平衡損失BL和回歸損失MSE共同構(gòu)成，其計算公式如下所示：

ML=BL（y， y）+αMSE（y′－y′），（5）

其中，α作為一個關(guān)鍵的權(quán)重系數(shù)，主要作用是調(diào)整分類損失與回歸損失之間的比例。而針對復(fù)合熱機械疲勞載荷的網(wǎng)絡(luò)模型，則采用了一種迭代預(yù)測的方式進行計算，具體的預(yù)測方法如下所述：

SI=ρI（F， SI－1， LI－1）， t≥2，（6）

L′=Φt（F， St－1， Lt－1）， t≥2。（7）

CNN的運算原理是遵循傳遞函數(shù)下降速度最快的方向，即負梯度方向，來計算網(wǎng)絡(luò)權(quán)重和閾值：

xk+1=xk+（－gk）×αk，（8）

其中，xk代表權(quán)重與閾值所構(gòu)成的矩陣，而－gk則對應(yīng)于函數(shù)的負梯度。另外，αk被用來表示模型的學(xué)習(xí)速度，即學(xué)習(xí)速率。

3 "壽命預(yù)測模型的比較與優(yōu)化

本研究致力于運用深度學(xué)習(xí)技術(shù)深入探究模具行業(yè)中金屬機械部件在循環(huán)載荷作用下的疲勞損傷機制，并據(jù)此構(gòu)建一個高精度的壽命預(yù)測模型。選取了具有代表性的模具金屬部件樣本，利用專業(yè)的力學(xué)加載設(shè)備對其施加循環(huán)載荷，并通過高精度的傳感器實時采集部件在受力過程中的應(yīng)變、應(yīng)力等關(guān)鍵數(shù)據(jù)。這些數(shù)據(jù)將作為后續(xù)分析和建模的基礎(chǔ)。借助CNN和RNN算法有效提取模具金屬部件的空間結(jié)構(gòu)信息和時序特征。CNN擅長捕捉圖像或數(shù)據(jù)的空間結(jié)構(gòu)信息，而RNN則擅長處理具有時序依賴性的數(shù)據(jù)。結(jié)合這兩種算法，將構(gòu)建一個全面、可靠的壽命預(yù)測模型，以期能夠準(zhǔn)確預(yù)測模具金屬部件在復(fù)雜工作條件下的疲勞壽命。

圖2展示了算法模型預(yù)測結(jié)果與實際模擬數(shù)據(jù)的對比情況。從結(jié)果可以看出，該算法模型在預(yù)測金屬機械部件在疲勞加載下的性能變化（如應(yīng)變、應(yīng)力等）方面表現(xiàn)出色。實際模擬數(shù)據(jù)與模型預(yù)測結(jié)果高度吻合，從而驗證了模型的準(zhǔn)確性。

實驗數(shù)據(jù)與仿真結(jié)果的良好一致性進一步證明了模型的可靠性。通過使用豐富的金屬機械部件疲勞載荷數(shù)據(jù)對模型進行訓(xùn)練，確保了模型具有良好的通用性，能夠適應(yīng)不同類型和工況下的金屬部件性能預(yù)測需求。

在神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中，采用了梯度下降法進行優(yōu)化，并針對其可能遇到的挑戰(zhàn)（如參數(shù)空間中的陡峭區(qū)域），引入了“帶動量梯度下降”方法。這種方法通過利用歷史梯度信息來更有效地探索參數(shù)空間，從而提高了收斂速度和模型性能。網(wǎng)絡(luò)訓(xùn)練的具體情況如圖3所示。

該算法在短時間內(nèi)實現(xiàn)了快速收斂，表明它不僅能夠?qū)σ阎慕饘贆C械部件進行準(zhǔn)確預(yù)測，還具備對未知部件的預(yù)測潛力，具有廣泛的應(yīng)用前景。

為了進一步驗證本模型的優(yōu)越性，將其與不同算法的預(yù)測誤差和精度進行了比較。比較結(jié)果分別如圖4和圖5所示。

與傳統(tǒng)CNN算法和RNN算法相比，本研究所提出的算法在預(yù)測精度上提高了10%以上，且誤差更低。這一顯著優(yōu)勢主要得益于神經(jīng)網(wǎng)絡(luò)算法的創(chuàng)新設(shè)計，通過將CNN和RNN相結(jié)合，成功構(gòu)建了一個能夠全面捕捉金屬機械部件在疲勞過程中空間和時間信息的壽命預(yù)測模型。

為了提高壽命預(yù)測模型的準(zhǔn)確性和可靠性，可以從多個關(guān)鍵方面進行優(yōu)化。在數(shù)據(jù)獲取與處理環(huán)節(jié)，需要改進實驗方法和技術(shù)，確保實驗數(shù)據(jù)的精確性和可信賴度，同時開發(fā)新的數(shù)據(jù)處理手段，從有限的數(shù)據(jù)中挖掘出更多有價值的信息。模型參數(shù)的確定是至關(guān)重要的，這要求我們發(fā)展新的理論和實驗方法，以更精確地界定模型中的核心參數(shù)。模型的耦合與集成也是一個不容忽視的方面，通過將不同的模型進行耦合和集成，可以充分利用它們各自的優(yōu)點，相互補充不足。此外，還需要在模型中綜合考慮多種實際因素的影響，包括溫度、濕度、腐蝕介質(zhì)等環(huán)境因素，以及材料的老化、蠕變等時變因素。模型的驗證與更新也是確保模型長期有效的關(guān)鍵步驟，這需要通過與實際工程應(yīng)用的對比驗證來不斷修正和完善模型，并及時更新模型以適應(yīng)新的應(yīng)用需求。

4 "結(jié) "論

本研究深入探究了模具行業(yè)中金屬機械部件在循環(huán)載荷作用下的疲勞損傷機制。通過結(jié)合CNN和RNN算法，構(gòu)建了一個能夠全方位捕捉模具金屬部件在疲勞過程中空間和時間信息的模型，并提出了一種基于深度學(xué)習(xí)的壽命預(yù)測模型。

帶動量梯度下降的優(yōu)化方法，更加高效地探索參數(shù)空間，從而加速了模型的訓(xùn)練過程，可以顯著提升模型的收斂速度和預(yù)測精度。與傳統(tǒng)的CNN和RNN算法相比，所提出的算法在預(yù)測精度上取得了顯著突破，誤差率更低。

該算法模型能夠精準(zhǔn)地追蹤部件在受力過程中的應(yīng)變、應(yīng)力等關(guān)鍵參數(shù)的變化，具有卓越的泛化能力，可以較準(zhǔn)確地預(yù)測模具金屬機械部件的性能變化趨勢。有望為模具金屬機械部件的設(shè)計優(yōu)化、壽命預(yù)測和性能提升提供堅實的理論支撐和實踐指導(dǎo)。

參考文獻：

［1］楊波.汽車零部件沖壓模具若干問題研究［J］.科技創(chuàng)新導(dǎo)報， 2019， 16（4）：12-21.

YANG B. Research on Several Issues of Automotive Component Stamping Dies ［J］. Science and Technology Innovation Guide， 2019，16（4）：12-21.

［2］張立昌，楊根.基于UG_CAM模塊非標(biāo)零件的模具設(shè)計與數(shù)控加工［J］.艦船電子工程， 2019， 39（8）：190-193.

ZHANG L C， YANG G. Mold design and CNC machining of nonstandard parts based on UG-CAM module ［J］. Ship Electronics Engineering， 2019，39 （8）： 190-193.

［3］孫飛，李鑫鋒，牛靈凱，等.頂棚模具疲勞壽命分析及結(jié)構(gòu)優(yōu)化［J］.模具工業(yè)， 2023， 49（7）：14-17.

SUN F， LI X F ， NIU L K， et al. Fatigue life analysis and structural optimization of ceiling molds ［J］. Mold Industry， 2023，49（7）：14-17

［4］梅益，楊幸雨，曲玥明，等.機械接觸式薄壁鍵帽注塑件雙色注塑模具設(shè)計［J］.工程塑料應(yīng)用， 2018， 46（2）：31-35.

MEI Y， YANG X Y， QU Y M， et al. Dual color injection mold design for mechanical contact thinwalled keycap injection molded parts ［J］. Engineering Plastics Application， 2018，46（2）：31-35.

［5］侯沛云.軌道交通用車輪分體式鍛造模具的結(jié)構(gòu)改進［J］.鍛壓技術(shù)， 2023， 48（7）：170-176.

HOU P Y. Structural Improvement of Split Forging Dies for Rail Transit Wheels ［J］. Forging Technology， 2023， 48 （7）： 170-176.

［6］BHALLA S， KAUR N. Prognosis of lowstrain fatigue induced damage in reinforced concrete structures using embedded piezotransducers［J］. International Journal of Fatigue， 2018， 113（8）：98-112.

［7］王萬哲.香皂盒模具設(shè)計與開模溫度的數(shù)值模擬分析［J］.機械研究與應(yīng)用， 2021， 34（3）：11-17.

WANG W Z. Numerical simulation analysis of soap box mold design and opening temperature ［J］. Mechanical Research and Application， 2021，34（3）：11-17.

［8］NOR N M， SALIAH S N M， IBRAHIM A. Fatigue damage severity assessment of RC beam ［J］. International Journal of Structural Integrity， 2019， 10（5）：612-620.

［9］KOSCHELLA K， KRUPP U. Investigations of fatigue damage in tempered martensitic steel in the HCF regime ［J］. International Journal of Fatigue， 2019， 124（7）：113-122.

［10］HOU C Y， LEE Y F， PENG Y H. Fatigue damage analysis of steel components subjected to earthquake loadings ［J］. International Journal of Structural Integrity， 2019， 10（1）：25-40.

［11］胡海明，王芹.輪胎模具底座有限元模擬及疲勞分析［J］.橡膠工業(yè)， 2020， 67（1）：65-68.

HU H M， WANG Q， Analysis of the simulation and fatigue of the wheel tire mold base［J］.Rubber industry， 2020， 67（1）：65-68.

［12］PARAFOROS D S， GRIEPENTROG H W， VOUGIOUKAS S G. Modeling and simulation of a fourrotor rake loading for predicting accumulated fatigue damage： a markov regimeswitching approach ［J］. Applied Engineering in Agriculture， 2018， 34（2）：317-325.

［13］HONG H， CAI Z， WANG W. An online monitoring method for creepfatigue life consumption with realtime damage accumulation： ［J］. International Journal of Damage Mechanics， 2021， 30（5）：764-785.

［14］張永強，徐國財，左鵬鵬，等.H13熱作模具鋼熱-機械疲勞損傷和壽命的預(yù)測［J］.上海金屬， 2020， 42（3）：111-115.

ZHANG Y Q， XU G C， ZUO P P， etc Prediction of Thermal Mechanical Fatigue Damage and Life of H13 Hot Work Mold Steel ［J］. Shanghai Metal，2020，42（3）：111-115.

［15］張彥敏，張帥帥，韓文奎，等.基于應(yīng)變損傷的熱擠壓模具疲勞失效預(yù)測模型及驗證［J］.塑性工程學(xué)報， 2019， 26（6）：66-69.

ZHANG Y M， ZHANG S S， HAN W K， et al. A fatigue failure prediction model and validation of hot extrusion molds based on strain damage ［J］. Journal of Plastic Engineering， 2019，26（6）：66-69.

基金項目：《顆粒增強高鉻鑄鐵耐磨件及離心復(fù)合鑄造工藝的關(guān)鍵技術(shù)》（編號：18JK1050）

作者簡介：程麗琴，工程師，主要從事機械金屬材料方面的研究。

（1.西安高新科技職業(yè)學(xué)院，陜西 "西安 "713700;2.西安理工大學(xué)高科學(xué)院，陜西 "西安 "713700）