摘 要：傳統(tǒng)方法在預測精度和適用性方面有局限性，因此本研究采用深度學習技術(shù)對起重機金屬結(jié)構(gòu)的疲勞壽命進行分析與評估，通過構(gòu)建卷積神經(jīng)網(wǎng)絡（CNN）和長短期記憶網(wǎng)絡（LSTM）的混合模型，處理顯微結(jié)構(gòu)圖像和應力應變時間序列數(shù)據(jù)，對疲勞裂紋特征進行自動提取和壽命預測。研究結(jié)果顯示，模型預測的相對誤差較小，驗證了其在復雜應力狀態(tài)下的高預測精度。本研究將深度學習應用于特種設備領(lǐng)域，提高了預測的準確性和可靠性，為起重機金屬結(jié)構(gòu)的設計優(yōu)化和維護策略提供了科學依據(jù)，具有重要的工程應用價值和推廣前景。

關(guān)鍵詞：起重機；金屬結(jié)構(gòu)；疲勞壽命；深度學習

中圖分類號：TH 21 " 文獻標志碼：A

隨著工業(yè)化進程的不斷推進，起重機在各類工程中的應用越來越廣泛。在長期使用過程中，起重機金屬結(jié)構(gòu)會承受循環(huán)載荷，因此容易發(fā)生疲勞破壞。疲勞破壞是金屬結(jié)構(gòu)最常見的失效形式之一，對起重機的安全運行和使用壽命有至關(guān)重要的影響[1]。因此，研究起重機金屬結(jié)構(gòu)的疲勞壽命具有重要的現(xiàn)實意義。

1 起重機金屬結(jié)構(gòu)疲勞破壞機理

起重機金屬結(jié)構(gòu)的疲勞破壞主要是金屬材料在循環(huán)載荷作用下逐漸積累損傷，最終導致斷裂的過程[2]。這個過程可以分為疲勞裂紋萌生、裂紋擴展和最終的疲勞斷裂3個階段，具體見表1。

盡管疲勞破壞機理已有廣泛研究，但深度學習技術(shù)為進一步揭示金屬結(jié)構(gòu)在微觀層面的疲勞行為提供了新的視角。通過分析大量顯微結(jié)構(gòu)圖像，深度學習模型能夠識別與疲勞裂紋萌生和擴展相關(guān)的微觀特征，從而為理解疲勞破壞機理提供參考。

2 影響起重機金屬結(jié)構(gòu)疲勞壽命的因素

當分析起重機金屬結(jié)構(gòu)的疲勞壽命時，必須深入探討影響其疲勞行為的主要因素。這些因素包括材料特性、結(jié)構(gòu)設計、制造工藝以及工作載荷[3]。

2.1 材料特性

材料的特性對金屬結(jié)構(gòu)的疲勞壽命有直接影響，主要包括材料的成分、微觀結(jié)構(gòu)、機械性能和表面狀態(tài)等。

材料成分：合金元素的種類和含量直接影響材料的疲勞性能。例如適量的鉻、鎳可以提高鋼材的疲勞強度，而碳含量過多可能使材料變脆。

微觀結(jié)構(gòu)：材料的晶粒大小和分布、相變等微觀結(jié)構(gòu)特征對疲勞壽命影響顯著。細小均勻的晶粒結(jié)構(gòu)通常能夠延長材料的疲勞壽命。

機械性能：抗拉強度、屈服強度、延展性等機械性能參數(shù)對疲勞壽命有直接關(guān)系。通常情況下，較高的抗拉強度和良好的延展性能夠增強材料的抗疲勞性能。

表面狀態(tài)：表面粗糙度、殘余應力和表面缺陷都會影響疲勞壽命。表面光滑、無缺陷且有壓應力殘余的材料，通常疲勞壽命更長。

2.2 結(jié)構(gòu)設計

結(jié)構(gòu)設計對疲勞壽命的影響主要體現(xiàn)在應力集中、結(jié)構(gòu)形狀和連接方式等方面。

應力集中：設計中存在的應力集中部位，例如孔洞、焊縫、突變截面等，往往是疲勞裂紋的萌生點。采取圓滑過渡和合理地加強措施，可以減少應力集中效應。

結(jié)構(gòu)形狀：復雜的結(jié)構(gòu)形狀會導致應力分布不均，進而影響疲勞壽命。優(yōu)化結(jié)構(gòu)形狀，均勻分布應力，有助于延長疲勞壽命。

連接方式：不同的連接方式，例如焊接、鉚接、螺栓連接等，會產(chǎn)生不同的應力分布和殘余應力，影響疲勞壽命。優(yōu)化連接方式和工藝，可以改善疲勞性能。

2.3 制造工藝

制造工藝對金屬結(jié)構(gòu)的疲勞壽命有重要影響，主要包括焊接、熱處理和加工方法等。

焊接工藝：焊接過程中產(chǎn)生的熱影響區(qū)和殘余應力會顯著影響疲勞壽命。采用合理的焊接參數(shù)和后續(xù)處理（例如焊后熱處理、噴丸處理等），可以改善焊接接頭的疲勞性能。

熱處理工藝：適當?shù)臒崽幚砉に嚕ɡ绱慊稹⒒鼗?、退火等）可以?yōu)化材料的微觀結(jié)構(gòu)，提高其抗疲勞性能。

加工方法：機械加工中的切削參數(shù)、冷加工方式等會影響表面粗糙度和殘余應力，從而影響疲勞壽命?？梢詢?yōu)化加工參數(shù)，采用高精度加工方法，可以提高疲勞性能。

3 疲勞壽命分析方法

傳統(tǒng)疲勞壽命分析方法，例如應力壽命法（S-N曲線法）和應變壽命法，依賴于經(jīng)驗公式和試驗數(shù)據(jù)，可能在復雜或未知的工作條件下準確性受限。相比之下，深度學習方法能夠通過學習大量數(shù)據(jù)，自動提取特征并建立更為精確的預測模型。特別是在處理多變量、非線性和高維數(shù)據(jù)方面，深度學習展現(xiàn)出了卓越的能力，顯著提高了預測的適用性和準確性[4]。

3.1 應力壽命法

應力壽命法是疲勞分析中最常用的一種方法，主要通過試驗得到S-N曲線（應力-壽命曲線）來描述材料在不同應力幅值下的疲勞壽命。S-N曲線是基于試驗數(shù)據(jù)繪制的雙對數(shù)坐標圖，其中，橫坐標為疲勞壽命（循環(huán)次數(shù)），縱坐標為應力幅值。在實際應用中，可以通過S-N曲線預測結(jié)構(gòu)在特定應力幅值下的疲勞壽命，如公式（1）所示。

σa=σ'f（2Nf）b （1）

式中：σa為應力幅值；σ'f為疲勞強度系數(shù)；Nf為疲勞壽命（循環(huán)次數(shù)）；b為疲勞強度指數(shù)。

在試驗中，須對材料進行疲勞測試，測定不同應力幅值下的疲勞壽命，試驗結(jié)果見表2。

將這些數(shù)據(jù)點繪制在雙對數(shù)坐標系中，并擬合S-N曲線。以鋼材為例，假設通過試驗得到數(shù)據(jù)點，將這些數(shù)據(jù)點繪制在雙對數(shù)坐標系中，并進行線性擬合，得到擬合直線的方程，如公式（2）所示。

logσa=logσ'f+blog（2Nf） " （2）

通過擬合得到疲勞強度系數(shù)σ'f和疲勞強度指數(shù)b。擬合結(jié)果σ'f=500 MPa，b=-0.12。則S-N曲線方程：σa=500（2Nf）-0.12。

因此，當應力幅值為220 MPa時，該材料的疲勞壽命約為875000次。

3.2 應變壽命法

通常用應變壽命法分析塑性變形占主導地位的疲勞問題。該方法通過應變-壽命（ε-N）曲線來描述材料在不同應變幅值下的疲勞壽命[5]。應變壽命法考慮材料的彈性和塑性應變，能夠更準確地反映材料在高應變幅值下的疲勞行為，如公式（3）所示。

εa=εe+εp " （3）

式中：εa為總應變幅值；εe為彈性應變幅值；εp為塑性應變幅值?？刹捎霉剑?）描述應變壽命關(guān)系。

（4）

式中：σ'為疲勞強度系數(shù)；E為彈性模量；ε'為疲勞延性系數(shù)；c為疲勞延性指數(shù)。

通過試驗得到某種材料的疲勞強度系數(shù)σ'、疲勞強度指數(shù)b、疲勞延性系數(shù)ε'和疲勞延性指數(shù)c分別為700 MPa、-0.09、0.5、-0.5。則應變壽命的計算過程如公式（5）所示。

（5）

彈性模量為210 GPa。當應變幅值為0.005時，代入公式（5），得到：。通過迭代法或數(shù)值求解方法，計算疲勞壽命Nf的值。假設通過數(shù)值求解，得出Nf≈10000，那么當應變幅值為0.005時，該材料的疲勞壽命約為10000次循環(huán)。

3.3 累積損傷模型

累積損傷模型基于Miner法則，可以假設材料在每個應力循環(huán)中的損傷可以累積，并且當累積損傷達到某一臨界值時，材料發(fā)生疲勞破壞，計算流程如圖1所示。Miner法則如公式（6）所示。

（6）

式中：D為累積損傷值；ni為在應力幅值σi下經(jīng)歷的循環(huán)次數(shù)；Ni為在該應力幅值下的疲勞壽命。當D=1時，材料發(fā)生疲勞破壞。

3.4 基于深度學習的疲勞壽命預測

隨著深度學習技術(shù)的發(fā)展，基于深度學習的疲勞壽命預測方法展現(xiàn)出了極大的潛力和優(yōu)勢。采用構(gòu)建卷積神經(jīng)網(wǎng)絡（CNN）和長短期記憶網(wǎng)絡（LSTM）的混合模型，可以處理顯微結(jié)構(gòu)圖像和應力應變時間序列數(shù)據(jù)，實現(xiàn)疲勞裂紋特征自動提取和壽命預測[6]。

為了充分利用不同深度學習模型的優(yōu)勢，本研究設計了一個混合模型架構(gòu)，將卷積神經(jīng)網(wǎng)絡（CNN）與長短期記憶網(wǎng)絡（LSTM）結(jié)合起來。CNN擅長處理二維圖像數(shù)據(jù)，可以提取顯微結(jié)構(gòu)圖像中的局部特征，LSTM擅長處理時間序列數(shù)據(jù)，可以捕捉應力和應變數(shù)據(jù)中的時間依賴性特征。

在模型的實現(xiàn)過程中，將顯微結(jié)構(gòu)圖像數(shù)據(jù)輸入CNN中，并進行處理。CNN由多個卷積層、池化層和全連接層組成，采用卷積層提取圖像中的局部特征，通過池化層減少特征維度并提高模型的魯棒性。卷積層使用ReLU激活函數(shù)，池化層使用最大池化操作。在經(jīng)過多個卷積和池化層后，將得到的高維特征向量輸入全連接層中，進行進一步處理，用最終輸出表示后續(xù)步驟的特征。與此同時，將應力和應變的時間序列數(shù)據(jù)輸入LSTM網(wǎng)絡進行處理。LSTM網(wǎng)絡由多個LSTM單元組成，每個單元包括輸入門、遺忘門和輸出門，通過這些門控機制能夠捕捉時間序列數(shù)據(jù)中的長短期依賴關(guān)系。在經(jīng)過LSTM網(wǎng)絡處理輸入數(shù)據(jù)后，輸出一個時間序列的特征向量。將CNN和LSTM提取到的特征向量進行拼接，形成一個綜合特征向量，輸入全連接層中，對疲勞壽命進行預測。為了提高模型的預測能力，在模型訓練過程中使用了Adam優(yōu)化器，并選擇均方誤差作為損失函數(shù)。通過網(wǎng)格搜索優(yōu)化模型的超參數(shù)，找到最佳的參數(shù)組合。為了提高模型的泛化能力，本文采用交叉驗證技術(shù)，并采用數(shù)據(jù)增強方法擴充訓練數(shù)據(jù)集。在模型訓練完成后，通過獨立的驗證集評估其性能，結(jié)果表明模型的預測誤差較小，具有較高的預測精度。試驗結(jié)果顯示，混合模型在疲勞壽命預測中的表現(xiàn)優(yōu)于單一的CNN或LSTM模型，結(jié)果見表3。

從表3可以看出，混合模型在各項評估指標上均優(yōu)于單一模型，特別是在均方誤差和平均絕對誤差上表現(xiàn)突出，R2值也達到了0.95，表明其在復雜應力狀態(tài)下具有較高的預測精度。

4 起重機金屬結(jié)構(gòu)的疲勞壽命評估

起重機金屬結(jié)構(gòu)的疲勞壽命評估是保障其安全運行和延長使用壽命的關(guān)鍵步驟。為了提高評估的準確性和可靠性，本文采用深度學習方法對起重機金屬結(jié)構(gòu)的疲勞壽命進行分析。綜合利用試驗數(shù)據(jù)和現(xiàn)場監(jiān)測數(shù)據(jù)，建立深度學習模型，預測疲勞壽命，并進行試驗驗證和評估。

4.1 試驗數(shù)據(jù)和監(jiān)測數(shù)據(jù)的獲取

在進行疲勞壽命評估前，需要收集大量高質(zhì)量的試驗數(shù)據(jù)和現(xiàn)場監(jiān)測數(shù)據(jù)。試驗數(shù)據(jù)包括不同應力水平下的疲勞試驗數(shù)據(jù)、材料的機械性能參數(shù)以及顯微結(jié)構(gòu)圖像等。現(xiàn)場監(jiān)測數(shù)據(jù)則包括起重機在實際工作中的應力、應變、載荷循環(huán)次數(shù)等。

為了建立有效的深度學習模型，須對數(shù)據(jù)進行預處理。將應力和應變數(shù)據(jù)標準化，去除噪聲和異常值，對顯微結(jié)構(gòu)圖像進行圖像增強處理，提取裂紋、孔隙等微觀特征。這些預處理步驟可以提高模型的泛化能力和預測精度。

4.2 深度學習模型構(gòu)建與訓練

在數(shù)據(jù)預處理完成后，構(gòu)建深度學習模型。本文采用卷積神經(jīng)網(wǎng)絡（CNN）和長短期記憶網(wǎng)絡（LSTM）相結(jié)合的方法，分別處理顯微結(jié)構(gòu)圖像和應力應變時間序列數(shù)據(jù)。

用CNN部分提取顯微結(jié)構(gòu)圖像中的特征，通過多層卷積和池化操作，獲取材料微觀結(jié)構(gòu)與疲勞壽命之間的關(guān)系。用LSTM部分處理應力和應變的時間序列數(shù)據(jù)，通過捕捉長時間依賴關(guān)系，預測未來的疲勞壽命。

在模型訓練過程中，將均方誤差作為損失函數(shù)，使用Adam優(yōu)化器進行優(yōu)化。訓練數(shù)據(jù)集和驗證數(shù)據(jù)集按照7∶3的比例進行劃分，采用交叉驗證的方法，評估模型的性能。

4.3 疲勞壽命預測與評估

在訓練完成后，將實際的監(jiān)測數(shù)據(jù)輸入模型，對其進行疲勞壽命預測。為了驗證模型的準確性和可靠性，選取一部分試驗數(shù)據(jù)作為測試集，比較模型預測結(jié)果與實際測量值之間的誤差。表4展示了部分測試數(shù)據(jù)的實際疲勞壽命和模型預測值。

從表4可以看出，深度學習模型的預測值與實際值之間的相對誤差較小，說明模型具有較高的預測精度。通過預測結(jié)果進行統(tǒng)計分析，可以評估起重機金屬結(jié)構(gòu)的疲勞壽命分布情況。

為了更直觀地展示疲勞壽命預測的效果，可以繪制實際值與預測值的散點圖，如圖2所示。

從散點圖中可以看出，大多數(shù)預測值與實際值接近，進一步驗證了模型的準確性。

5 結(jié)語

采用深度學習方法對起重機金屬結(jié)構(gòu)的疲勞壽命進行評估，能夠提高預測的準確性和可靠性。本文結(jié)合試驗數(shù)據(jù)和現(xiàn)場監(jiān)測數(shù)據(jù)建立的深度學習模型在復雜應力狀態(tài)和多軸加載條件下表現(xiàn)出色。試驗結(jié)果表明，該方法可以有效預測起重機金屬結(jié)構(gòu)的疲勞壽命，為設計優(yōu)化和維護策略提供了重要依據(jù)。未來的研究可以進一步優(yōu)化模型結(jié)構(gòu)，增加更多特征數(shù)據(jù)，提高疲勞壽命預測的精度和適用性。

參考文獻

[1] 李磊. 國內(nèi)起重機的發(fā)展研究[J]. 中國設備工程，2017（15）：212-213.

[2] 張小麗，陳雪峰，李兵，等. 機械重大裝備壽命預測綜述[J].機械工程學報，2011，47（11）：100-116.

[3] 李婷婷.橋式起重機橋架結(jié)構(gòu)靜動態(tài)分析及多目標優(yōu)化[D].太原：中北大學，2016.

[4] 唐方雄，丁克勤，魏化中，等.基于 ANSYS/FE-safe 的橋式起重主梁疲勞壽命分析[J].重型機械，2015（3）：62-65.

[5] 葉南海.機械疲勞壽命預測與可靠性設計關(guān)鍵技術(shù)研究[D].長沙：湖南大學，2012.

[6] 孟飛，徐增丙，王志剛.基于Yu范數(shù)深度遷移度量學習的夾送輥剩余壽命預測[J].農(nóng)業(yè)裝備與車輛工程，2024，62（1）：157-161.