本发明涉及焊接结构的疲劳寿命预报领域，尤其是一种基于深度学习的焊接结构剩余疲劳寿命预测方法及实时预测系统。
背景技术：
1、疲劳失效是许多领域的重要破坏形式，如航空航天、汽车、船舶、建筑等。焊接会导致结构疲劳性能的降低，在焊接结构服役一定时间后，对其剩余疲劳进行预测对保证结构的安全性具有重要意义。传统的疲劳寿命预测方法包括基于s-n曲线法的疲劳寿命预报方法和基于断裂力学的疲劳寿命预报方法。这两种方法更注重在结构设计阶段预测疲劳寿命，对结构受载情况进行了诸多假设，而结构的实际服役情况与假设有较大程度的差异，因此预测的疲劳寿命会与实际的疲劳寿命有较大的差异。
2、近几十年来，随着计算能力的发展和实测数据的不断积累，神经网络(nn)在材料分析领域受到越来越多的关注。深度学习本质上是具有多层神经层的神经网络，它在提取输入变量和输出变量之间的非线性关系方面表现出很好的性能，并已应用于剩余疲劳寿命预测，如卷积神经网络(cnn)、长短期记忆网络(lstm)等。
3、但现有的基于cnn或lstm的裂纹扩展到断裂阶段剩余疲劳寿命预测工作还有待进一步完善。由于cnn专注于提取局部区域的丰富特征，但对于时间序列预测来说，它的优势并不明显；而lstm擅长处理序列依赖性的任务。基于此，本发明利用改进后的cnn和lstm这两种深度学习模型的优势进行疲劳寿命预测，基于实际测量获得的结构响应数据，提出了一种基于深度学习的焊接结构剩余疲劳寿命预测方法及实时预测系统。
技术实现思路
1、本发明人针对上述问题及技术需求，提出了一种基于深度学习的焊接结构剩余疲劳寿命预测方法及实时预测系统，在焊接结构材料成分未知和焊接接头信息未知的情况下，根据疲劳试验过程中采集到的实时响应数据，实现稳定、准确地预测焊接结构的剩余疲劳寿命。本发明的技术方案如下：
2、第一方面，本技术提供了一种基于深度学习的焊接结构剩余疲劳寿命预测方法，包括如下步骤：
3、构建焊接结构在疲劳试验过程中的结构响应数据集，并随机划分为训练集和测试集，所述结构响应数据集包括多个焊接结构在周期疲劳载荷作用下，从健康状态到疲劳破坏状态全过程中随时间变化的应变、位移数据；
4、对于所述训练集和测试集中的结构响应数据，确定每个焊接结构疲劳裂纹扩展的起始点，并对所述起始点之后的响应峰值数据进行归一化处理，再分块存储为响应数据序列；
5、采用数据处理后的训练集对带有注意力块se的卷积神经网络cnn和级联长短期记忆网络lstm构成的cnn-lstm预测模型进行训练，建立结构响应数据序列与健康指标之间的非线性关系，从而获得当前结构响应数据序列对应的健康指标hi；
6、将所述健康指标hi转换为预测的剩余疲劳寿命。
7、其进一步的技术方案为，确定每个焊接结构疲劳裂纹扩展的起始点，包括：
8、遍历每个焊接结构响应数据，提取响应数据的峰值；
9、对于当前疲劳载荷循环次数n，如果整个周期的前10n次循环的响应峰值平均值与后n次循环的响应峰值平均值的绝对差值，与所述前10n次循环的响应峰值平均值的绝对差值大于指定阈值，且两种响应峰值变化趋势相同，则将第10n次标记为焊接结构疲劳裂纹扩展的开始。
10、其进一步的技术方案为，带有注意力块se的卷积神经网络cnn，包括：
11、所述带有注意力块se的卷积神经网络cnn用于提取在线数据特征，其输入为当前响应数据序列，经过所述cnn得到精确序列特征；
12、其中se应用于cnn每一层卷积层之间，为cnn提供了针对时间序列的全局注意力机制，所述se包括squeeze、excitation和scale运算；
13、squeeze运算是对输入特征图的空间信息进行压缩，得到一个通道维度的向量，基于全局平均池化来实现；excitation运算是对压缩后的向量进行两次全连接层的变换，得到一个通道权重向量；scale运算是将所述通道权重向量乘以所述输入特征图，得到输出特征图，基于逐通道乘法来实现。
14、其进一步的技术方案为，级联长短期记忆网络lstm包括：
15、两个全连接层和包含m个隐藏层的二层lstm，通过一个全连接层将所述cnn提取的特征转换为特征序列，然后使用包含m个隐藏层的二层lstm和另一个全连接层输出预测的健康指标。
16、其进一步的技术方案为，将所述健康指标hi转换为预测的剩余疲劳寿命，包括：
17、采用三次函数将采用训练集预测的所有hi进行拟合，其中a、b、c、d为拟合函数的参数，n为从裂纹扩展到断裂阶段开始计数的疲劳载荷循环次数；
18、基于拟合函数取值为1时的疲劳载荷循环次数计算当前时刻所预测的剩余疲劳寿命。
19、其进一步的技术方案为，基于拟合函数取值为1时的疲劳载荷循环次数计算当前时刻所预测的剩余疲劳寿命，包括：
20、初始化迭代次数h＝0，以及参数a、b、c、d，记为a[0]、b[0]、c[0]、d[0]；
21、当输入预测的新hi时，采用粒子滤波算法对所述拟合函数的参数进行迭代更新，记为a[h]、b[h]、c[h]、d[h]；
22、根据更新后的拟合函数计算hi达到故障阈值1时的疲劳载荷循环次数n，用计算得到的n减去当前疲劳载荷循环次数得到焊接结构的剩余疲劳寿命，作为预测值；
23、令h＝h+1，若预测到新的hi，则重新执行所述采用粒子滤波算法对所述拟合函数的参数进行迭代更新的步骤，否则终止进程。
24、其进一步的技术方案为，健康指标是一个虚拟的中间变量，用来表征焊接结构的疲劳损伤程度，具有如下特征：
25、在每个疲劳循环周期，所述焊接结构对应存在一个hi值；从所述疲劳裂纹扩展的起始点开始到结构最终断裂结束，hi值在0和1之间呈线性变化；当hi达到1时，所述焊接结构发生疲劳断裂破坏，结构的剩余疲劳寿命为0；以所述健康指标作为所述cnn-lstm预测模型的输出，间接表征焊接结构的剩余疲劳寿命，实现剩余疲劳寿命预测。
26、其进一步的技术方案为，该方法还包括，对构建的结构响应数据集进行预处理：
27、识别断裂阶段以后的结构响应数据并去除；
28、计算每个疲劳循环周期内结构响应数据极小值的个数；从数据起始点开始，以周期t为步长，逐步判断极小值点是否落在同一周期长度内，并获取落在同一周期长度内的极小值点的个数count；若count>2，说明位移/应变数据在周期内存在多个极小值，为波动异常数据，用已有正常响应数据替换所述波动异常数据；
29、非同步数据的同步化处理方法包括：计算应变数据和载荷数据之间的最小循环周期，并删除多余的不能对应上的循环周期；在截取的最小循环周期内，对所述应变数据进行插值计算，使得每个循环周期的载荷、应变数据、位移数据的个数相同且对应同一个时刻点。
30、第二方面，本技术还提供了一种基于深度学习的焊接结构剩余疲劳寿命实时预测系统，包括：
31、结构响应数据集构建模块，用于构建焊接结构在疲劳试验过程中的结构响应数据集，所述结构响应数据集包括多个焊接结构在周期疲劳载荷作用下，从健康状态到疲劳破坏状态全过程中随时间变化的应变、位移数据；
32、基于深度学习的焊接结构剩余疲劳寿命预测模块，用于建立结构响应数据序列与健康指标之间的非线性关系；
33、数据实时采集模块，用于疲劳试验过程中焊接结构响应实时数据的采集，包括对应变时序信号和位移时序信号的采集；
34、数据实时传输模块，用于将所述数据实时采集模块采集到的数据传输至搭载有所述基于深度学习的焊接结构剩余疲劳寿命预测模块的计算机服务器；
35、显示模块，用于显示采集的结构响应数据信息和剩余疲劳寿命预测结果，包括实时模式和回放模式；
36、所述焊接结构剩余疲劳寿命预测模块包括：
37、起始点判别单元，用于基于所述结构响应数据，确定每个焊接结构疲劳裂纹扩展的起始点，并对所述起始点之后的响应峰值数据进行归一化处理，再分块存储为响应数据序列；
38、cnn-lstm预测模型，用于采用所述响应数据序列对带有注意力块se的卷积神经网络cnn和级联长短期记忆网络lstm构成的cnn-lstm预测模型进行训练，得到当前结构响应数据序列对应的健康指标hi；
39、剩余疲劳寿命转换单元，用于将所述健康指标hi转换为预测的剩余疲劳寿命。
40、其进一步的技术方案为，系统还包括结构响应数据集预处理模块，用于对所述结构响应数据集中异常数据的预处理，包括对断裂阶段以后的结构响应数据的识别和去除、波动异常数据的识别与替换和非同步数据的同步化处理。
41、本发明的有益技术效果是：
42、1、本技术提出的基于深度学习的焊接结构剩余疲劳寿命实时预测系统，可实现在焊接结构材料成分未知和焊接接头信息未知的情况下，仅根据当前传感器采集的响应信息在线稳定、准确地预测焊接试样的剩余疲劳寿命。在测试时，预测剩余疲劳寿命与实际剩余疲劳寿命的平均相对偏差随着扩展和断裂过程逐渐减小，最后1/4阶段的平均相对偏差小于4％，整个过程的平均散射分数小于1.4，表明了本技术预测的精度高、稳定性好。
43、2、本技术以健康指标作为cnn-lstm预测模型的输出，间接预测结构剩余疲劳寿命，有助于模型处理疲劳寿命差异较大的结构的剩余疲劳寿命预测。
44、3、本技术将注意力块se嵌入到cnn，为cnn提供了针对时间序列的全局注意力机制，弥补了cnn在全局特征上的劣势，提高了特征提取能力；采用结合带有注意力块的cnn和级联lstm优势的cnn-lstm预测模型进行健康指标的预测，可以监测采集到的真实数据的微小变化，获得较高的预测精度。
1.一种基于深度学习的焊接结构剩余疲劳寿命预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于深度学习的焊接结构剩余疲劳寿命预测方法，其特征在于，所述确定每个焊接结构疲劳裂纹扩展的起始点，包括：
3.根据权利要求1所述的基于深度学习的焊接结构剩余疲劳寿命预测方法，其特征在于，所述带有注意力块se的卷积神经网络cnn，包括：
4.根据权利要求3所述的基于深度学习的焊接结构剩余疲劳寿命预测方法，其特征在于，所述级联长短期记忆网络lstm包括：
5.根据权利要求1所述的基于深度学习的焊接结构剩余疲劳寿命预测方法，其特征在于，将所述健康指标hi转换为预测的剩余疲劳寿命，包括：
6.根据权利要求5所述的基于深度学习的焊接结构剩余疲劳寿命预测方法，其特征在于，所述基于拟合函数取值为1时的疲劳载荷循环次数计算当前时刻所预测的剩余疲劳寿命，包括：
7.根据权利要求1所述的基于深度学习的焊接结构剩余疲劳寿命预测方法，其特征在于，所述健康指标是一个虚拟的中间变量，用来表征焊接结构的疲劳损伤程度，具有如下特征：
8.根据权利要求1所述的基于深度学习的焊接结构剩余疲劳寿命预测方法，其特征在于，所述方法还包括，对构建的结构响应数据集进行预处理：
9.一种基于深度学习的焊接结构剩余疲劳寿命实时预测系统，其特征在于，包括：
10.根据权利要求9所述的基于深度学习的焊接结构剩余疲劳寿命实时预测系统，其特征在于，还包括结构响应数据集预处理模块，用于对所述结构响应数据集中异常数据的预处理，包括对断裂阶段以后的结构响应数据的识别和去除、波动异常数据的识别与替换和非同步数据的同步化处理。
