本发明涉及机械传动构件疲劳测试技术领域，尤其是涉及一种疲劳耐久性评测方法、装置、电子设备和计算机可读介质。
背景技术：
传动构件往往是机械系统中的主要受力构件，疲劳失效在其中具有广泛性、普遍性、实时性和重要性，且由于相对运动、内封装等特点，增加了其疲劳耐久性检测和评估的复杂性和艰巨性，从而导致抗疲劳设计优化方向难以明确。
目前，在对机械传动构件的疲劳耐久性评测中，机械传动构件疲劳可靠性模型通常缺乏考虑失效模式的相关性、多部位损伤以及多构件之间的关联，未能全面反映载荷历程、强度退化、结构特征等要素，不能较好地表征并描述工程实际中存在的不确定性因素。
技术实现要素：
本发明的目的在于提供一种疲劳耐久性评测方法、装置、电子设备和计算机可读介质，能够全面反映载荷历程、强度退化、结构特征等要素，较好地表征并描述工程实际中存在的不确定性因素。
第一方面，本发明提供的疲劳耐久性测试方法，应用于机械传动构件，包括：
获取被测构件的疲劳失效特性信息和疲劳过程特征信息，其中，所述疲劳失效特性信息用于表征所述被测构件的疲劳极限状态，所述疲劳过程特征信息用于表征所述被测构件在处于疲劳极限状态失效之前的运动过程状态；
获取所述被测构件的应力应变电子散斑图像；根据所述应力应变电子散斑图像得到疲劳失效特征信息和疲劳过程特征信息；
通过目标神经网络模型对所述疲劳失效特征信息、所述疲劳过程特征信息进行分析处理，得到所述被测构件的数据预测结果；以根据所述数据预测结果对所述被测构件的耐久性进行预估。
在可选的实施方式中，获取被测构件的疲劳失效特性信息包括：
构建所述被测构件的多影响参数疲劳失效关系模型；
根据所述多影响参数疲劳失效关系模型确定所述被测构件的疲劳极限状态的特征信息。在可选的实施方式中，多影响参数疲劳失效关系模型包括疲劳失效功能函数线性近似模型和疲劳失效功能函数非线性近似模型，构建所述被测构件的多影响参数疲劳失效关系模型包括：
确定被测对象的单一影响参数的定量关系和多个影响参数的耦合关联非线性关系；
根据所述单一影响参数的定量关系构建所述被测构件的疲劳失效功能函数线性近似模型；
根据所述多个影响参数的耦合关联非线性关系构建所述被测构件的疲劳失效功能函数非线性模型。
在可选的实施方式中，获取被测构件的疲劳过程特征信息包括：
构建所述被测构件的疲劳耐久性通用模型；
根据所述疲劳耐久性通用模型确定所述被测构件的疲劳过程特征信息。
在可选的实施方式中，获取所述被测构件的应力应变电子散斑图像；根据所述应力应变电子散斑图像得到失效特征信息和疲劳过程特征信息包括：
利用基于神经网络的机器视觉模糊算法对所述应力应变电子散斑图像进行识别读取，得到应力和/或应变幅值；
对所述应力应变电子散斑图像进行图像畸变校准处理，修正因采集系统的透镜精度或组装工艺而造成的图像失真，得到校准后的应力应变电子散斑图像；
对所述校准后的应力应变电子散斑图像中的hsv和hls进行颜色空间变换，采用加权平均法得到灰度化处理结果；并利用canny算子对灰度化处理结果进行边缘提取，得到边缘提取结果；
基于所述灰度化处理结果和所述边缘提取结果在颜色空间中选择目标通道；并将所述目标通道确定为二值化的参考通道；以及基于所述二值化的参考通道对所述应力应变电子散斑图像进行二值化处理和透视变换，得到变换结果；
基于所述变换结果进行参数拟合，得到所述应力应变电子散斑图像的重构特征信息，并将所述重构特征信息确定为所述疲劳过程特征信息。
在可选的实施方式中，所述方法还包括：
获取训练样本；
基于所述训练样本对所述目标神经网络模型的初始阶段进行训练，通过损失函数对卷积核的权值和偏置项进行求导和更新，得到所述目标神经网络模型的全局最优权值。
在可选的实施方式中，所述方法还包括：
在基于所述训练样本对所述目标神经网络模型的初始阶段进行训练之后，对训练结果的查全率和/或查准率进行评价，介于两者中获得模型所需的最佳学习率。
第二方面，本发明提供的疲劳耐久性评测装置，应用于机械传动构件，包括：
第一获取模块，用于获取被测构件的疲劳失效特性信息和疲劳过程特征信息，其中，所述疲劳失效特性信息用于表征所述被测构件的疲劳极限状态，所述疲劳过程特征信息用于表征所述被测构件在处于疲劳极限状态失效之前的运动过程状态；第二获取模块，用于获取所述被测构件的应力应变电子散斑图像；根据所述应力应变电子散斑图像得到疲劳失效特征信息和疲劳过程特征信息；
处理模块，用于通过目标神经网络模型对所述疲劳失效特征信息、所述疲劳过程特征信息进行分析处理，得到所述被测构件的数据预测结果；以根据所述数据预测结果对所述被测构件的耐久性进行预估。
第三方面，实施例提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述前述实施方式任一所述的方法的步骤。
第四方面，实施例提供一种具有处理器可执行的非易失的程序代码的计算机可读介质，所述程序代码使所述处理器执行所述前述实施方式任一所述方法。
本发明提供的一种疲劳耐久性评测方法、装置、电子设备和计算机可读介质，通过获取被测构件的应力应变电子散斑图像，得到疲劳过程特征信息；根据预先训练好的目标神经网络模型对疲劳过程特征信息进行分析处理，得到被测构件的数据预测结果，根据数据预测结果对被测构件的耐久性进行预估；本发明能够全面反映载荷历程、强度退化、结构特征等要素，较好地表征并描述工程实际中存在的不确定性因素。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的疲劳耐久性评测方法的流程图；
图2为本发明实施例提供的疲劳耐久性评测方法的另一个流程图；
图3为本发明实施例提供的疲劳耐久性评测方法的同一坐标系下物体变形前后散斑图；
图4为本发明实施例提供的疲劳耐久性评测方法的畸变图像校准前后对比原理图；
图5为本发明实施例提供的疲劳耐久性评测装置的原理图；
图6为本发明实施例提供的电子设备的系统原理图。
图标：31-第一获取模块；32-第二获取模块；33-处理模块；400-电子设备；401-通信接口；402-处理器；403-存储器；404-总线。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
目前机械传动构件的疲劳耐久性评测技术特征通常表现为：分析方法较为复杂、边界条件难以明确、影响因素交叉耦合、适用性的故障树体系不完善、抗疲劳设计优化方向分散等；试验的参数测点分布庞大、子系统类型众多、时间周期长、耗费资源大、人工参与程度高、测试手段困难；且评测方法不规范和自主任务模式不统一。
传动构件往往是机械系统中的主要受力构件，疲劳失效在其中具有广泛性、普遍性、实时性和重要性，且由于相对运动、内封装等特点，增加了其疲劳耐久性检测和评估的复杂性和艰巨性，从而导致抗疲劳设计优化方向难以明确。目前，现有的疲劳耐久性测试具有如下缺点：
机械传动构件疲劳可靠性模型通常缺乏考虑失效模式的相关性、多部位损伤以及多构件之间的关联，未能全面反映载荷历程、强度退化、结构特征等要素，不能较好地表征并描述工程实际中存在的不确定性因素。
机械传动构件疲劳耐久性技术标准不规范，试验和故障预测手段单一，仍然依赖人工值守的检测方法，缺乏充分的适用性研究和测试验证，寿命分布、失效预测方法未能得到有效的建立；导致机械构件疲劳检测水平低，仪器配套性差，检验结果可靠性低，互相之间缺乏可比性，测试项目不能满足产品质量控制的需要，严重制约机械装备产业的发展。
基于机器视觉的非接触式检测技术和深度学习技术的精确度和实时性有待提高，限制了其在机械传动构件疲劳特征检测和预估的应用扩展，其功能集成和故障预测模型也没有针对性的理论借鉴。
缺乏通用性和精确性的疲劳耐久性评测数据库或专家系统。
基于此，本发明提供一种疲劳耐久性测试方法、装置、电子设备和计算机可读介质，能够全面反映载荷历程、强度退化、结构特征等要素，较好地表征并描述工程实际中存在的不确定性因素。下面通过实施例进行详细介绍。
参照图1，本发实施提供的疲劳耐久性测试方法，应用于机械传动构件，包括如下步骤：
s110，获取被测构件的疲劳失效特性信息和疲劳过程特征信息，其中，所述疲劳失效特性信息用于表征所述被测构件的疲劳极限状态，所述疲劳过程特征信息用于表征所述被测构件在处于疲劳极限状态失效之前的运动过程状态；
s120，获取所述被测构件的应力应变电子散斑图像；根据所述应力应变电子散斑图像得到疲劳失效特征信息和疲劳过程特征信息；
s130，通过目标神经网络模型对所述疲劳失效特征信息、所述疲劳过程特征信息进行分析处理，得到所述被测构件的数据预测结果；以根据所述数据预测结果对所述被测构件的耐久性进行预估。
具体地，如图2所示，通过本实施例的图像采集系统例如：ccd摄像头、红外热成像摄像头、激光摄像头电子散斑图干涉技术(espi)和数字图像技术(dic)对机械传动构件(即本实施例的被测对象)进行数据采集，采集试验前的基准图像、疲劳失效前微小变形特征图像和疲劳失效特征图像。
在汽车变速箱、传动轴或机器人减速器、机械臂等系统中，传动构件长时间承受周期或非周期性的交变载荷影响，内部应力应变的积累容易导致裂纹的萌生、扩展甚至断裂，这种疲劳损伤造成的破坏被称为疲劳失效。而机械构件受疲劳因素影响下仍能达到相应技术或经济指标极限，完成预定传动功能的能力称为疲劳耐久性。
获取汽车变速箱、传动轴或机器人减速器、机械臂等系统的应力应变电子散斑图像，从而能够获取疲劳失效特征信息和疲劳耐久性信息。
本实施例的目标神经网络模型为卷积神经网络模型，通过ssd模糊算法对早期失效图像进行识别，通过卷积神经网络模型对疲劳过程特征信息进行分析处理，得到被测构件的数据预测结果。
卷积神经网络是一种包括卷积计算且具有深度结构的前馈神经网络，是深度学习的主要算法之一，主要包括卷积层、激活层、池化层、残差层、全连接层或route层等。通过引入卷积的概念，能够实现权值共享，通过控制卷积核的滑动步长和卷积核的个数控制输出图像的大小和维度，进一步将网络的参数个数减小。极大地改善全连接神经网络权值的弊病，同时，也有效避免全连接神经网络过拟合的发生。常用二维卷积神经网络对图像进行处理，但需选取1×1、3×3、5×5等奇数行列式卷积核实现。
目标神经网络模型的构建过程如下：
(1)确定激活函数
在神经网络的传递过程中，大多数条件下输入并不都是线形可分的，所以激活函数(activationfunction)的作用就是引入非线形函数，往往跟在卷积层后。常见的激活函数有sigmoid函数、softmax函数、tanh函数、relu函数等。
sigmoid函数：
softmax函数：
tanh函数：
relu函数：fr(x)＝max(0,x)；
(2)非极大值抑制
在神经网络的传递过程中，大多数条件下输入并不都是线形可分的，所以激活函数(activationfunction)的作用就是引入非线形函数，往往跟在卷积层后。常见的激活函数有sigmoid函数、softmax函数、tanh函数、relu函数等。
sigmoid函数：
softmax函数：
tanh函数：
relu函数：fr(x)＝max(0,x)；
进行网络训练，对于模型的输出，对于一个物体的检测可能会存在多个预选框，此时需要对多个预选框使用非极大值抑制(nonmaximumsuppression，nms)的方法处理。对于相互重叠的预选框，先选取预测概率最大的预选框作为基准框，计算与之相交的预选框进行作交运算面积和作并运算面积的比值，即交并比。若所得大于某一个阈值，即认为该预选框与基准框的重叠度很高并将其删掉，反之保留：
sp1、sp2分别表示两个预测框的面积。
(3)数据结果预测
为了找到平衡点，需要设置不同阈值，找出每一个阈值对应的查准率和查全率，将该点全部绘制成模型的pr曲线。模型越好pr曲线与x轴和y轴所围成的面积便越大。将该面积作为模型的平均准确率(averageprecision，ap)：
该公式可预测某一图像的ap值，对于多分类多信息的问题，需要求得多图像的ap平均值。
本实施例通过疲劳过程特征信息能够全面反映载荷历程、强度退化、结构特征等要素，较好地表征并描述工程实际中存在的不确定性因素。
可选地，上述实施例的疲劳耐久性测试方法中获取被测构件的疲劳失效特性信息包括：
构建所述被测构件的多影响参数疲劳失效关系模型；
根据所述多影响参数疲劳失效关系模型确定所述被测构件的疲劳极限状态的特征信息。
具体地，被测构件的多影响参数疲劳失效关系模型是由单一参数、多参数建立的，由于疲劳是一个过程，疲劳过程受多种参数影响，而部分参数之间具有耦合性，为了评测的便捷性，通常会首先从单一参数进行分析，而其他参数进行特定条件的设置(即假设在此条件下，参数之间的变化不会影响到整体指标的变化)。然后再考虑多参数之间的耦合性和关联性(即多种参数共同作用的效果)，但这种耦合性造成分析难度变得十分困难。因此，本实施例需要获取多影响参数疲劳失效关系模型，以确定疲劳失效特征信息，从而通过本实施例的步骤s110～s120对构件的整个疲劳耐久性试验(周期很久，影响参数耦合复杂)进行检测和评估(即评测)。而所有的疲劳特征都可以反应在应力应变电子散斑图像上，因此需要通过应力应变电子散斑图像得到疲劳失效性信息和疲劳耐久性信息。
可选地，多影响参数疲劳失效关系模型包括疲劳失效功能函数线性近似模型和疲劳失效功能函数非线性近似模型，上述实施例中的构建所述被测构件的多影响参数疲劳失效关系模型包括：
确定被测对象的单一影响参数的定量关系和多个影响参数的耦合关联非线性关系；
根据所述单一影响参数的定量关系构建所述被测构件的疲劳失效功能函数线性近似模型；
根据所述多个影响参数的耦合关联非线性关系构建所述被测构件的疲劳失效功能函数非线性模型。
具体地，单一影响参数至少包括：材料自身属性、尺寸结构、表面粗糙度、应力集中和热处理等。通过miner法则进行单一影响参数的定量分析。具体地，根据下式进行分析：
其中，假设单一参数对应应力si之间互相独立。ni为疲劳累积循环次数。ni为在应力si下的疲劳极限寿命。sf为疲劳强度，其中低碳金刚取0.69；一般钢材取0.68；高碳钢取0.67。f()为疲劳强度函数，s为加载应力，kt为理论应力集中系数，ε为光滑试样尺寸系数，β1为零件表面加工系数。
线性累积疲劳失效是指在循环应力作用下，疲劳与载荷循环次数呈线性关系，各级应力之间的疲劳损伤相互独立，互不影响，不同大小载荷的疲劳失效总和等于各个载荷作用的线性累加。当突破某一极限值时，构件就会失效。构建的被测构件的疲劳失效功能函数线性近似模型如下式所示：
对于多个影响参数，传动构件疲劳极限受到多种外界不确定因素影响，在整个工作过程中，因应力情况、加工质量、外形结构尺寸、表面质量、载荷加载次序等参数的不同，必然会导致疲劳失效具有一定的“模糊特征”。
引入模糊miner法则的通用表达式，并考虑概率s-n曲线，可得到模糊概率miner法则：
其中si(i＝1,2,3,…,k)为承受k类不同的应力水平。k-m级低于疲劳极限。npi为第i级应力单独作用下可靠度为p的疲劳失效寿命。
其中高载荷-低加载时：
低载荷-高加载时时：
其中sr为疲劳极限。(sr)h-l表示在高-低加载作用下疲劳极限的模糊下界。(sr)l-h表示在低-高加载作用下疲劳极限的模糊上界。
载荷之间相互影响，具有显著的非线性特征，导致疲劳失效的功能函数也具有非线性。为便于工程应用，引入的分析模型不但要考虑载荷间的次序对疲劳强度的影响，还要考虑了互相作用对疲劳寿命预测的影响，且计算参数应当简约，因此，通过下式构建被测构件的疲劳失效功能函数非线性模型：
其中
可选地，上述实施例的疲劳耐久性测试方法还包括：
构建所述被测构件的疲劳耐久性通用模型；
根据所述疲劳耐久性通用模型确定所述被测构件的疲劳渐变过程特征信息。
具体地，通过名义应力法(s-n法)和局部应力应变法(e-n法)构建疲劳耐久性通用模型。
s-n法：
e-n法：
其中εa为应变幅值。
可选地，上述实施例中的步骤s110包括：
利用基于神经网络的机器视觉模糊算法对所述应力应变电子散斑图像进行识别读取，得到应力和/或应变幅值；
对所述应力应变电子散斑图像进行图像畸变校准处理，修正因采集系统的透镜精度或组装工艺而造成的图像失真；
对所述应力应变电子散斑图像中的hsv和hls进行颜色空间变换，采用加权平均法得到灰度化处理结果；并利用canny算子对灰度化处理结果进行边缘提取，得到边缘提取结果；
基于所述灰度化处理结果和所述边缘提取结果在颜色空间中选择目标通道；并将所述目标通道确定为二值化的参考通道；以及基于所述二值化的参考通道对所述应力应变电子散斑图像进行二值化处理和透视变换，得到变换结果；
基于所述变换结果进行参数拟合，得到所述应力应变电子散斑图像的重构特征信息，并将所述重构特征信息确定为所述疲劳过程特征信息。
具体地，基于神经网络的机器视觉模糊算法主要包括：数字散斑测量相关算法、图像畸变校准、颜色空间变换及边缘提取、图像二值化及透视变换、参数拟合。
其中，参照图3，散斑图上的每一点周围的小区域散斑分布与其他点不一样，从而形成子集。以某点为中心的子集可作为该点位移的信息载体，通过分析和搜索该子集的移动和变化，便可获得相应的变形、应力或应变等信息。
物体由s1(x,y)变形到s2(x′,y′)处，取变形前某像素(m×m)区域a作为匹配模板，对变形后相应的像素(m×m)区域b作相关运算：
c为两子集的相关系数。fa(xi,yj)、fb(x′i,y′j)为区域a和b的灰度集函数。
参照图4，对所述应力应变电子散斑图像进行图像畸变校准处理的原理为：
相机的成像过程实际上是将空间中的点由“世界坐标系”转化到“相机坐标系”，然后再投影到图像的“物理坐标系”。但由于透镜存在精度及组装工艺问题，会造成拍摄图像产生畸变，从而导致图像失真。为此，需在识别图像前对其进行校准。根据畸变产生原因的不同，可分为径向畸变和切向畸变。
径向畸变：光线在透镜中心的地方比中心周围更加弯曲导致的。
取中心点坐标(xc,yc)周围的泰勒级数展开式：
其中(x,y)为畸变原图的某点坐标。(xc,yc)为畸变校准后的中心点坐标。(xca,yca)为校准后(x,y)对应的点坐标，
切向畸变：由于透镜和相机的传感器平面不平行而产生的。
其中p1、p2为镜头切向畸变系数。
颜色空间变换的原理为：
对于电子散斑图像中的hsv(色相hue、饱和度saturation、色调value)和hls(色相hue、亮度lightness、饱和度saturation)颜色空间的灰度化，通常可由rgb(红色red、green绿色、blue蓝色)通道进行转化。
假设max(r,g,b)为r,g,b三者中的最大值，min(r,g,b)为最小值。
rgb-hsv：
v＝max(r,g,b)；
rgb-hls，色相h相同：
采用加权平均法来得到灰度图：
f(i,j)＝0.3r(i,j) 0.59g(i,j) 0.11b(i,j)；
其中，r(i,j)为通道r在坐标(i,j)处的值，g(i,j)、b(i,j)同上。
边缘提取的原理为：
选取canny算子进行边缘提取，这是一种双阈值边缘检测算法。首先利用高斯公式产生二维卷积核：
然后对前面灰度化后的图像进行卷积滤波：
fs(x,y)＝f(x,y) g(x,y)；
利用一阶差分对卷积图像求梯度值：
其中，dx[i,j]为[i,j]处的x梯度。dy[i,j]为y梯度。m[i,j]为该点的梯度幅值。θ[i,j]为梯度方向。
寻找像素点的局部最大值，沿梯度方向，比较前后梯度幅值，若最大，保留，否则，进行非极大值抑制。经过抑制后的梯度值大于大阈值时，定义为强边缘点。处于大小阈值间的部分为弱边缘点。小于阈值的部分不是边缘点，其灰度值为0。
二值化处理及透视变换的原理为：
根据图像在颜色空间中的表现和边缘提取中的效果，选取颜色空间中rgb的r通道、hls的s通道和hsv的v通道作为二值化的参考通道。
通过二值化后，能够完全提取出显著的目标信息，但由于边缘检测的缘故，不可避免地将接近于目标的类似信息检测出来。因此需要将图像从单一的摄像头视角转化为其他视角，即透视变换。首先通过变换矩阵将平面图形立体化到三维空间中，然后再通过透视化转变为相应的视角。
对所述第三预处理图像进行参数拟合，得到应力应变图像的原理为：
数字散斑技术用于疲劳耐久性应力应变图像的测量具有较高的精度，通过合理的参数拟合获得的应力应变曲线或者变形量信息与实际测量值的吻合程度较理想。拟合参数在模板区域内有最大值，通过亚像素插值来搜索变形前后的准确位置，从而确定对应点之间的相对位移，而应变是位移的导数，转化后可得到应变值。
在散斑图像系列中取出待相关运算的图像，并在图像特定的区域选取待相关运算的模块，用此模板对每帧散斑图做相关匹配，从而确定检测鲁棒性。
可选地，上述实施例中的疲劳耐久性评测方法还包括：
获取训练样本；
基于所述训练样本对所述目标神经网络模型的初始阶段进行训练，通过损失函数对卷积核的权值和偏置项进行求导和更新，得到所述目标神经网络模型的全局最优权值。
具体地，损失函数是用来衡量模型的预测值与实际值的指标，常用的损失函数为交叉熵损失函数：
当分类正确时，y＝1，分类不正确时，y＝0。a为对应的输出概率。
在进行一次反向传播并且对卷积核参数进行更新时，对其卷机核中的权值wj进行求梯度：
σ(z)为sigmoid函数，σ′(z)＝σ(z)(1-σ(z))。
同理，卷积核中偏置荐的梯度公式为：
模型训练主要是指对卷积核的参数进行更新，即通过损失函数对卷积核的权值和偏置项进行求导并更新：
wn为经过n次迭代后更新的权重向量。α是学习率，范围在(0，1)之间。
对于学习率的选取，往往随着迭代次数的增加而不同，模型训练初始阶段往往需要较大的学习率，来使模型快速收敛，而在经过多次迭代以后，模型的权值已经接近全局最优，此时需要有较低的学习率，以免使模型错过全局最优点。对学习率的选择常常采用线形衰减和指数衰减的策略。
可选地，上述实施例的疲劳耐久性评测方法还包括：
在基于所述训练样本对所述目标神经网络模型的初始阶段进行训练之后，对训练结果的查全率和/或查准率进行评价，介于两者中获得模型所需的最佳学习率。
具体地，对训练结果的查全率re和查准率pr进行评价：
模型预测值是对物体是否为正例的概率，预测出的概率大于某一阈值时，模型便将该物体预测为正例，反之即将其预测为反例。当阈值越大时，模型的查准率便越大，查全率便越小。当阈值越小时，模型的查准率越小，但是查全率越大。查准率和查全率是一对矛盾的量，当一个越大时，另一个便越小。因此模型便需要在查准率和查全率之间找到一个平衡点。
疲劳极限表征材料对周期应力/应变的承受能力，是指经过无穷多次应力循环而不发生破坏时的最大应力/应变值，又称为持久极限。为了使得构件具有足够的可靠度，就必须保证构件强度与外载荷之间有足够的安全域。任意疲劳失效模式下的构件整体安全系数为：
γ＝r/l；
r为构件的强度。l为构件的安全寿命。
引入分项系数法即使用名义值代替极限状态方程中的变量，并为每一个名义值乘以对应的分项系数，用名义值和分项系数来表示构件的功能函数，其中名义值可设为变量的均值或其他分位值。
βt为给定目标可靠性指标。rn为强度的名义值，均值为μr。sn为应力的名义值，均值为μs，λ＝μr/μs。d＝0.5θ-0.4为设计常量，θ＝(d0/w)≥6，d0为构件外径，w为壁厚。
构件系统性能与疲劳特征的关系函数中，包含大量的不确定参数，这些参数特性对构件的疲劳耐久性有着不同程度的影响。通常构件的设计过程中就能够保证设计参数与应用目标间的对应关系。因此，需要借由一种确定的方法，使所设计的构件参数能够满足疲劳耐久性要求。而对于失效模式间的相关性问题，在过往研究中，大都使用线性相关系数来描述失效模式间的相关程度，当性能函数为线性或近似线性时，该系数可以较为准确地描述相关性，而当性能函数呈非线性时，该系数的准确程度需要进一步解析。
当构件存在多失效模式时，对各模式之间进行相互独立性假设，即将各疲劳失效特征定义为串联关系，可以降低分析难度，并能较快地获得构件性能与各疲劳特征之间明确的映射关系。
对于含不确定参数的构件疲劳特征，需要在设计和匹配应用过程中考虑参数之间的不确定相关性及相关程度。因此，根据疲劳耐久性要求对构件参数的表现形式进行表征。
p为失效概率。gi(x1,x2,…,xn)为失效模式中的随机变量参数。n为失效模式数量。c(p1,ph,…,pn)为copula函数。
当失效模式的个数很大时，求解构件的可靠度和可靠性灵敏度需要耗费大量的计算时间。因此，在对疲劳耐久性分析时，应当充分利用其失效模式相对结构系统较少的特点，适当简化分析的过程，提高解决问题的效率。
传动构件的疲劳寿命受到多种因素的影响，参数之间具有显著的相关性，在多数情况下共同交互作用，直至发生疲劳破坏，不仅平均应力对疲劳寿命产生影响，频率、载荷的保持时间、温度等都会对疲劳寿命产生影响。传统疲劳试验通常要求样本容量足够大以获得全面准确的有用数据，但对于某些几何形状和工艺较为复杂、加工精度要求高的传动构件而言，采用全寿命试验无疑需要投入大量人力、物力，财力，显然不现实。因此，采用合理的加速试验和数量统计方法，可充分利用有限样本反映疲劳耐久性特征的规律。疲劳特征加速试验是在保持疲劳失效机理不变的条件下，通过加大试验激励条件来缩短试验周期的一种试验方法。达到缩短试验时间，提高试验效率，降低试验成本的目的。
引入频域法的疲劳特征加速试验方法：
t为疲劳寿命。m为材料常数。σrms为响应应力水平,(mpa)。grms为不同激励谱量级。k为构件固有特性有关的一个常数，
本实施例实现了多系统联合监测，把多种不同传感测试装置接入到同一个测试平台进行系统集成控制、能够进行长时段试验监测、数据采集、视觉识别、热成像检测等，便于实现综合性试验，充分利用试验资源。
本实施例实现了无人值守的智能预测，机械传动构件疲劳耐久性试验智能预测系统以自主、网络甚至云端控制的方式，在无人值守或少人值守的长时段进行试验监测，可及时发现传动构件试验中的疲劳、长时段无故障极限、失效等异常现象，自动报警或进行预先设置好的故障处理。它运行精确，避免人工评测方式存在劳动强度大、工作效率低、检测质量分散、手段单一，以及检测的数据无法准确、及时地接入管理信息系统等不足。真正起到减员增效的作用。能很好地保证评测准确度和及时性，推进智能评测无人值守的进程。
本实施例实现了早期故障特征感知的疲劳失效实时检测，采集并模拟出大量的早期应力应变云图数据集，使用实时性、运算速度快的深度学习神经网络模型对疲劳试验过程的故障微小变化、结构变形以及热成像变形图像进行提取。使用鲁棒性高的深度学习方法进行故障预测，能够实时性地判断失效准则。
参照图5，本实施例提供的疲劳耐久性评测装置，应用于机械传动构件，包括：
第一获取模块31，用于获取被测构件的疲劳失效特性信息和疲劳过程特征信息，其中，所述疲劳失效特性信息用于表征所述被测构件的疲劳极限状态，所述疲劳过程特征信息用于表征所述被测构件在处于疲劳极限状态失效之前的运动过程状态；
第二获取模块32，用于获取所述被测构件的应力应变电子散斑图像；根据所述应力应变电子散斑图像得到疲劳失效特征信息和疲劳过程特征信息；
处理模块33，用于通过目标神经网络模型对所述疲劳失效特征信息、所述疲劳过程特征信息进行分析处理，得到所述被测构件的数据预测结果；以根据所述数据预测结果对所述被测构件的耐久性进行预估。
可选地，第一获取模块31包括：
多影响参数疲劳失效关系模型模块，用于构建所述被测构件的多影响参数疲劳失效关系模型；
疲劳失效特性信息模块，用于根据所述多影响参数疲劳失效关系模型确定所述被测构件的疲劳极限状态的特征信息。
可选地，多影响参数疲劳失效关系模型包括疲劳失效功能函数线性近似模型和疲劳失效功能函数非线性近似模型，多影响参数疲劳失效关系模型模块包括：
第一确定模块，用于确定被测对象的单一影响参数的定量关系和多个影响参数的耦合关联非线性关系；
疲劳失效功能函数线性近似模型模块，用于根据所述单一影响参数的定量关系构建所述被测构件的疲劳失效功能函数线性近似模型；
疲劳失效功能函数非线性近似模型模块，用于根据所述多个影响参数的耦合关联非线性关系构建所述被测构件的疲劳失效功能函数非线性模型。
可选地，第一获取模块31包括：
通用模型模块，用于构建所述被测构件的疲劳耐久性通用模型；
第二确定模块，用于根据所述疲劳耐久性通用模型确定所述被测构件的疲劳过程特征信息。
可选地，第二获取模块32包括：
幅值计算模块，用于利用基于神经网络的机器视觉模糊算法对所述应力应变电子散斑图像进行识别读取，得到应力和/或应变幅值；
校准模块，用于对所述应力应变电子散斑图像进行图像畸变校准处理，修正因采集系统的透镜精度或组装工艺而造成的图像失真，得到校准后的应力应变电子散斑图像；
颜色空间变换及边缘提取模块，用于对所述校准后的应力应变电子散斑图像中的hsv和hls进行颜色空间变换，采用加权平均法得到灰度化处理结果；并利用canny算子对灰度化处理结果进行边缘提取，得到边缘提取结果；
二值化处理和透视变换模块，用于基于所述灰度化处理结果和所述边缘提取结果在颜色空间中选择目标通道；并将所述目标通道确定为二值化的参考通道；以及基于所述二值化的参考通道对所述应力应变电子散斑图像进行二值化处理和透视变换，得到变换结果；
参数拟合模块，用于基于所述变换结果进行参数拟合，得到所述应力应变电子散斑图像的重构特征信息，并将所述重构特征信息确定为所述疲劳过程特征信息。
可选地，上述疲劳耐久性评测装置还包括：
训练样本模块，用于获取训练样本；
训练模块，用于基于所述训练样本对所述目标神经网络模型的初始阶段进行训练，通过损失函数对卷积核的权值和偏置项进行求导和更新，得到所述目标神经网络模型的全局最优权值。
可选地，上述疲劳耐久性评测装置还包括：
最佳学习率模块，用于在基于所述训练样本对所述目标神经网络模型的初始阶段进行训练之后，对训练结果的查全率和/或所述查准率进行评价，介于两者中获得模型所需的最佳学习率。
参见图6，本发明实施例还提供了一种电子设备400，包括通信接口401、处理器402、存储器403以及总线404，处理器402、通信接口401和存储器403通过总线404连接；上述存储器403用于存储支持处理器402执行上述疲劳耐久性评测方法的计算机程序，上述处理器402被配置为用于执行该存储器403中存储的程序。
可选地，本发明实施例还提供一种具有处理器可执行的非易失的程序代码的计算机可读介质，程序代码使处理器执行如上述实施例中的疲劳耐久性评测方法。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
1.一种疲劳耐久性评测方法，应用于机械传动构件，其特征在于，包括：
获取被测构件的疲劳失效特性信息和疲劳过程特征信息，其中，所述疲劳失效特性信息用于表征所述被测构件的疲劳极限状态，所述疲劳过程特征信息用于表征所述被测构件在处于疲劳极限状态失效之前的运动过程状态；
获取所述被测构件的应力应变电子散斑图像；根据所述应力应变电子散斑图像得到疲劳失效特征信息和疲劳过程特征信息；
通过目标神经网络模型对所述疲劳失效特征信息、所述疲劳过程特征信息进行分析处理，得到所述被测构件的数据预测结果；以根据所述数据预测结果对所述被测构件的耐久性进行预估。
2.根据权利要求1所述的方法，其特征在于，获取被测构件的疲劳失效特性信息，包括：
构建所述被测构件的多影响参数疲劳失效关系模型；
根据所述多影响参数疲劳失效关系模型确定所述被测构件的疲劳极限状态的特征信息。
3.根据权利要求2所述的方法，其特征在于，多影响参数疲劳失效关系模型包括疲劳失效功能函数线性近似模型和疲劳失效功能函数非线性近似模型，构建所述被测构件的多影响参数疲劳失效关系模型包括：
确定被测对象的单一影响参数的定量关系和多个影响参数的耦合关联非线性关系；
根据所述单一影响参数的定量关系构建所述被测构件的疲劳失效功能函数线性近似模型；
根据所述多个影响参数的耦合关联非线性关系构建所述被测构件的疲劳失效功能函数非线性模型。
4.根据权利要求1所述的方法，其特征在于，获取被测构件的疲劳失效特性信息，包括：
构建所述被测构件的疲劳耐久性通用模型；
根据所述疲劳耐久性通用模型确定所述被测构件的疲劳过程特征信息。
5.根据权利要求1所述的方法，其特征在于，获取所述被测构件的应力应变电子散斑图像；根据所述应力应变电子散斑图像得到疲劳失效特征信息和疲劳过程特征信息包括：
利用基于神经网络的机器视觉模糊算法对所述应力应变电子散斑图像进行识别读取，得到应力和/或应变幅值；
对所述应力应变电子散斑图像进行图像畸变校准处理，修正因采集系统的透镜精度或组装工艺而造成的图像失真，得到校准后的应力应变电子散斑图像；
对所述校准后的应力应变电子散斑图像中的hsv和hls进行颜色空间变换，采用加权平均法得到灰度化处理结果；并利用canny算子对灰度化处理结果进行边缘提取，得到边缘提取结果；
基于所述灰度化处理结果和所述边缘提取结果在颜色空间中选择目标通道；并将所述目标通道确定为二值化的参考通道；以及基于所述二值化的参考通道对所述应力应变电子散斑图像进行二值化处理和透视变换，得到变换结果；
基于所述变换结果进行参数拟合，得到所述应力应变电子散斑图像的重构特征信息，并将所述重构特征信息确定为所述疲劳过程特征信息。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取训练样本；
基于所述训练样本对所述目标神经网络模型的初始阶段进行训练，通过损失函数对卷积核的权值和偏置项进行求导和更新，得到所述目标神经网络模型的全局最优权值。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
在基于所述训练样本对所述目标神经网络模型的初始阶段进行训练之后，对训练结果的查全率和/或查准率进行评价，介于两者中获得模型所需的最佳学习率。
8.一种疲劳耐久性评测装置，应用于机械传动构件，其特征在于，包括：
第一获取模块，用于获取被测构件的疲劳失效特性信息和疲劳过程特征信息，其中，所述疲劳失效特性信息用于表征所述被测构件的疲劳极限状态，所述疲劳过程特征信息用于表征所述被测构件在处于疲劳极限状态失效之前的运动过程状态；
第二获取模块，用于获取所述被测构件的应力应变电子散斑图像；根据所述应力应变电子散斑图像得到疲劳失效特征信息和疲劳过程特征信息；
处理模块，用于通过目标神经网络模型对所述疲劳失效特征信息、所述疲劳过程特征信息进行分析处理，得到所述被测构件的数据预测结果；以根据所述数据预测结果对所述被测构件的耐久性进行预估。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至7任一项所述的方法的步骤。
10.一种具有处理器可执行的非易失的程序代码的计算机可读介质，其特征在于，所述程序代码使所述处理器执行所述权利要求1至7任一项所述方法。
技术总结