LSTM-PHNN疲劳预测模型

小样本预测疲劳寿命

针对小样本低周疲劳问题，通过并行分层结构和循环加载时序特征重构，实现了比现有神经网络模型更准确、稳健的寿命预测。

Hongguang, Zhou · Ziming, Wang · Yunpeng, Zhao · Kang, Congjie · Xiaohui, Yu

International Journal of Fatigue 2025

参数信息

测试集预测准确率

0.954

预测数据分散带范围

1.5 times

技术优势

充分考虑循环加载条件

针对不同加载参数重构一个完整循环内的波形特征，从而表征时序循环加载条件对疲劳寿命的影响。

利用特征异质性

根据物理意义和分布特征将输入特征分为三类，分别处理以提高模型对复杂输入的适应性。

小样本表现好

在316L不锈钢小样本数据集上，几乎所有预测数据落在1.5倍分散带内，测试集预测准确率达0.954。

应用场景

• 机械构件疲劳寿命评估：用模型预测部件的低周疲劳寿命，减少试验次数。
• 不锈钢结构安全评估：基于小样本数据评估不锈钢结构的疲劳安全性。
• 航空发动机部件寿命预测：利用模型预测发动机热端部件的低周疲劳寿命。
• 工业设备剩余寿命预测：根据服役载荷预测工业设备的剩余寿命。