基于优化 SVR 模型的大跨度样本疲劳寿命预测.pdfVIP

第36卷第9期 东 北 大 学 学 报 （ 自 然 科 学 版 ） Vo l.36，No.9 2015 年 9 月 Journal of Northeastern University（Natural Science） Sep. 20 1 5 doi :10.3969/j .issn.1005 -3026.2015.09.023 基于优化SVR模型的大跨度样本疲劳寿命预测 1 1，2 1 1 杨大炼 ，刘义伦 ，周 维 ，羿九火 (1.中南大学 机电工程学院,湖南 长沙 410083;2.中南大学 轻合金研究院,湖南 长沙 410083) 摘 要：针对传统方法在大跨度、小样本情况下的疲劳寿命预测准确率不高的问题,研究基于优化SVR 模型的寿命预测方法.根据大跨度样本的特点,提出有效的预处理方法、SVR 模型的训练方法及参数优化准 则.以LY12CZ(2 12)铝合金疲劳寿命预测为实例,分析了高斯核函数、多项式核函数及多层感知核函数对 SVR 模型训练误差的影响.结果表明高斯核函数更适用于SVR 模型的训练,并通过细菌觅食算法对核参数γ 及惩罚因子C进行优化选取,LY12CZ(2 12)铝合金疲劳寿命预测结果验证了该方法的有效性. 关 词：大跨度;支持向量回归;疲劳;寿命预测;铝合金 中图分类号：TG 146.2 +1 文献标志码： 文章编号：1005 -3026(2015)09 -1321 -06 Fatigue Life Prediction of Large-Span Samples Based on the Optimized SVR Model 1 1,2 1 1 YANGDa-lian ,LIU Yi-lun ,ZHOU Wei ,YIJiu-huo (1.School of Mechanical and Electrical Engineering ,Central South University ,Changsha 410083,China; 2.Light lloy Research Institute ,Central South University ,Changsha 410083,China.Corresponding author: LIU Yi-lun,E-mail :ylliu@) Abstract: iming at the issue that the prediction accuracy of fatigue life is not high by the traditional methods with large-span and small samples ,a new life prediction method based on the optimized SVR model was studied.Considering the traits of large-span samples ,the effective sample pretreatment method ,the training method for the SVR model and the criterion for parameter optimization were put forward.Taking the life prediction of LY12CZ (2 12) aluminum alloy for example ,the effects of the kernel functions of Gauss ,polynomial and multilayer perception on the training error of the SVR model were analyzed.The results showed that the Gaussian kernel functi