起重機金屬結構疲勞壽命分析與評估

摘 要：傳統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對起重機金屬結構的疲勞壽命進行分析與評估，通過構建卷積神經網絡（CNN）和長短期記憶網絡（LSTM）的混合模型，處理顯微結構圖像和應力應變時間序列數據，對疲勞裂紋特征進行自動提取和壽命預測。研究結果顯示，模型預測的相對誤差較小，驗證了其在復雜應力狀態下的高預測精度。本研究將深度學習應用于特種設備領域，提高了預測的準確性和可靠性，為起重機金屬結構的設計優化和維護策略提供了科學依據，具有重要的工程應用價值和推廣前景。

關鍵詞：起重機；金屬結構；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，起重機金屬結構會承受循環載荷，因此容易發生疲勞破壞。疲勞破壞是金屬結構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重要的影響[1]。因此，研究起重機金屬結構的疲勞壽命具有重要的現實意義。

1 起重機金屬結構疲勞破壞機理

起重機金屬結構的疲勞破壞主要是金屬材料在循環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，但深度學習技術為進一步揭示金屬結構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構圖像，深度學習模型能夠識別與疲勞裂紋萌生和擴展相關的微觀特征，從而為理解疲勞破壞機理提供參考。

2 影響起重機金屬結構疲勞壽命的因素

當分析起重機金屬結構的疲勞壽命時，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、結構設計、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構的疲勞壽命有直接影響，主要包括材料的成分、微觀結構、機械性能和表面狀態等。

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。

微觀結構：材料的晶粒大小和分布、相變等微觀結構特征對疲勞壽命影響顯著。細小均勻的晶粒結構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對疲勞壽命有直接關系。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：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 結構設計

結構設計對疲勞壽命的影響主要體現在應力集中、結構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。

結構形狀：復雜的結構形狀會導致應力分布不均，進而影響疲勞壽命。優化結構形狀，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，會產生不同的應力分布和殘余應力，影響疲勞壽命。優化連接方式和工藝，可以改善疲勞性能。

2.3 制造工藝

制造工藝對金屬結構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：焊接過程中產生的熱影響區和殘余應力會顯著影響疲勞壽命。采用合理的焊接參數和后續處理（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：適當的熱處理工藝（例如淬火、回火、退火等）可以優化材料的微觀結構，提高其抗疲勞性能。

加工方法：機械加工中的切削參數、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。可以優化加工參數，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，依賴于經驗公式和試驗數據，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據，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、非線性和高維數據方面，深度學習展現出了卓越的能力，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曲線是基于試驗數據繪制的雙對數坐標圖，其中，橫坐標為疲勞壽命（循環次數），縱坐標為應力幅值。在實際應用中，可以通過S-N曲線預測結構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；Nf為疲勞壽命（循環次數）；b為疲勞強度指數。

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，試驗結果見表2。

將這些數據點繪制在雙對數坐標系中，并擬合S-N曲線。以鋼材為例，假設通過試驗得到數據點，將這些數據點繪制在雙對數坐標系中，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σ'f和疲勞強度指數b。擬合結果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。可采用公式（4）描述應變壽命關系。

（4）

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

通過試驗得到某種材料的疲勞強度系數σ'、疲勞強度指數b、疲勞延性系數ε'和疲勞延性指數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：。通過迭代法或數值求解方法，計算疲勞壽命Nf的值。假設通過數值求解，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。

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下經歷的循環次數；Ni為在該應力幅值下的疲勞壽命。當D=1時，材料發生疲勞破壞。

3.4 基于深度學習的疲勞壽命預測

隨著深度學習技術的發展，基于深度學習的疲勞壽命預測方法展現出了極大的潛力和優勢。采用構建卷積神經網絡（CNN）和長短期記憶網絡（LSTM）的混合模型，可以處理顯微結構圖像和應力應變時間序列數據，實現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勢，本研究設計了一個混合模型架構，將卷積神經網絡（CNN）與長短期記憶網絡（LSTM）結合起來。CNN擅長處理二維圖像數據，可以提取顯微結構圖像中的局部特征，LSTM擅長處理時間序列數據，可以捕捉應力和應變數據中的時間依賴性特征。

在模型的實現過程中，將顯微結構圖像數據輸入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，池化層使用最大池化操作。在經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步驟的特征。與此同時，將應力和應變的時間序列數據輸入LSTM網絡進行處理。LSTM網絡由多個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據中的長短期依賴關系。在經過LSTM網絡處理輸入數據后，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優化器，并選擇均方誤差作為損失函數。通過網格搜索優化模型的超參數，找到最佳的參數組合。為了提高模型的泛化能力，本文采用交叉驗證技術，并采用數據增強方法擴充訓練數據集。在模型訓練完成后，通過獨立的驗證集評估其性能，結果表明模型的預測誤差較小，具有較高的預測精度。試驗結果顯示，混合模型在疲勞壽命預測中的表現優于單一的CNN或LSTM模型，結果見表3。

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

4 起重機金屬結構的疲勞壽命評估

起重機金屬結構的疲勞壽命評估是保障其安全運行和延長使用壽命的關鍵步驟。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構的疲勞壽命進行分析。綜合利用試驗數據和現場監測數據，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 試驗數據和監測數據的獲取

在進行疲勞壽命評估前，需要收集大量高質量的試驗數據和現場監測數據。試驗數據包括不同應力水平下的疲勞試驗數據、材料的機械性能參數以及顯微結構圖像等。現場監測數據則包括起重機在實際工作中的應力、應變、載荷循環次數等。

為了建立有效的深度學習模型，須對數據進行預處理。將應力和應變數據標準化，去除噪聲和異常值，對顯微結構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 深度學習模型構建與訓練

在數據預處理完成后，構建深度學習模型。本文采用卷積神經網絡（CNN）和長短期記憶網絡（LSTM）相結合的方法，分別處理顯微結構圖像和應力應變時間序列數據。

用CNN部分提取顯微結構圖像中的特征，通過多層卷積和池化操作，獲取材料微觀結構與疲勞壽命之間的關系。用LSTM部分處理應力和應變的時間序列數據，通過捕捉長時間依賴關系，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，使用Adam優化器進行優化。訓練數據集和驗證數據集按照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，將實際的監測數據輸入模型，對其進行疲勞壽命預測。為了驗證模型的準確性和可靠性，選取一部分試驗數據作為測試集，比較模型預測結果與實際測量值之間的誤差。表4展示了部分測試數據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。通過預測結果進行統計分析，可以評估起重機金屬結構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，大多數預測值與實際值接近，進一步驗證了模型的準確性。

5 結語

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

參考文獻

[1] 李磊. 國內起重機的發展研究[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.橋式起重機橋架結構靜動態分析及多目標優化[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鍵技術研究[D].長沙：湖南大學，2012.

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