一种机械结构部件性能测试改造系统及方法与流程

本发明涉及机械加工，尤其涉及一种机械结构部件性能测试改造系统及方法。

背景技术：

1、金属材料制件在工作时，常常受到各种外力的作用。金属材料在外力作用下抵抗破坏的能力，我们统称为金属材料的机械性能。一般机械制造中主要考虑的常温机械性能指标包括：强度、塑性、硬度、冲击韧度、耐磨性以及耐疲劳性等.机械性能测试是机械设计中非常重要的一环，通过对各种机械性能进行准确测量，可以评估其性能特点和质量水平。机械性能包括疲劳强度、屈服强度、剥离强度等。其中疲劳强度是零件在交变应力作用下工作的能力，是零件长时间运转后发生断裂的不可预测的现象；屈服强度是金属材料受到屈服现象后的应力极限，是抵抗微量塑性变形的应力；剥离强度是胶带材料在经过拉伸作用后产生的应力，是零件被拉伸时的载荷。

2、许多机械零件是在交变应力作用下工作的，虽然零件所承受的交变应力数值小于材料的屈服强度，但在长时间运转后也会发生断裂，这种现象叫疲劳断裂。疲劳断裂不管是脆性材料还是韧性材料，都是突然发生的，事先均无明显的塑性变形，具有很大的危险性，会造成严重事故，现有的机械结构在进行强度测试时往往会采用一种针对性的测试方式，但是对于有些适用于多种场景的机械结构需要结合多种测试方式进行综合评估，但是若采用不同的测试方式各自对应的评估标准，容易导致结果有偏差；

3、针对上述的技术缺陷，现提出一种解决方案。

技术实现思路

1、本发明的目的在于：通过测试数据获取单元将若干个不同的机械结构部件的强度数据，通过卷积神经网络训练得到性能分析模型，将性能测试样本录入性能分析模型，输出性能结果kli，同时将各环境数据作为影响计算因子，经过公式化计算得到环境综合影响系数，将性能结果结合环境综合影响系数计算机械结构部件的实际性能值与应用性能值的偏差，判断偏差程度后生成偏差信号输出，可直观得知机械结构部件的机械强度是否符合实际应用所需，获取偏差信号后可进行性能改进。

2、为了实现上述目的，本发明采用了如下技术方案：一种机械结构部件性能测试改造系统，包括测试数据获取单元、数据集算单元、性能结果输出单元、应用影响判断单元和性能偏差计算单元；其中

3、测试数据获取单元将若干个不同的机械结构部件作为训练对象，通过静态加载试验法依次获取机械结构部件的承载强度数据e1，通过冲击试验法依次获取机械结构部件的耐冲击强度数据e2,通过振动试验法依次获取机械结构部件的抗震强度数据e3，通过旋转磨损筒试验测定机械结构部件的耐磨强度数据e4，将承载强度数据e1、耐冲击强度数据e2、抗震强度数据e3和耐磨强度数据e4发生至数据集算单元；

4、数据集算单元分别将承载强度数据e1、耐冲击强度数据e2、抗震强度数据e3和耐磨强度数据e4进行去差值处理，得到对应的均值数据结果，将各均值数据列为训练样本，对于卷积神经网络进行初始化作为卷积神经网络的输入数据，将训练样本分别输入卷积神经网络，训练得到性能分析模型，并评估性能分析模型模型的分析效果；

5、性能结果输出单元依次获取待评估机械结构部件的承载强度数据e1、耐冲击强度数据e2、抗震强度数据e3和耐磨强度数据e4，作为性能测试样本，将性能测试样本录入性能分析模型，输出性能结果kli；

6、应用影响判断单元获取待评估机械结构部件的应用环境中的空气湿度范围、温度范围、振动范围和机械功率范围，将各环境数据作为影响计算因子，经过公式化计算得到环境综合影响系数η；

7、性能偏差计算单元获取性能结构输出单元输出的性能结果，并结合环境综合影响系数计算机械结构部件的实际性能值与应用性能值的偏差，判断偏差程度后生成偏差信号输出。

8、进一步的，通过卷积神经网络得到性能分析模型的具体方法如下：

9、s1、按照比例7：1：2将训练样本分为训练集、验证集和测试集，其中训练集作为性能分析模型的训练，验证集用于交叉验证以避免过拟合，测试集用于评估训练后评价模型的实际准确率；

10、s2、加载强度影响权重文件到相应的卷积神经网络用于初始化网络参数，修改网络的最后一层全连接层，保持输入不变，将输出设置为强度数据的种类数量；

11、s3、对最后一层进行权重初始化，使用梯度下降算法进行学习，并采用固定步长衰减来优化训练参数，然后重新训练整个网络，使用测试集测试训练效果，得到性能分析模型。

12、进一步的，所述s1中每一组训练样本的数值集合为a＝{ae1，ae2，ae3，ae4}，其中ae1、ae2、ae3、ae4分别是承载强度数据e1、耐冲击强度数据e2、抗震强度数据e3和耐磨强度数据e4的均值数据集合，而ae1、ae2、ae3、ae4可以是空集；训练过程中从训练集中随机不重复抽取ae1、ae2、ae3、ae4的任意一组数据进行训练，抽完所有数据集合为一个训练周期，迭代到一定周期完成训练，得到性能分析模型。

13、进一步的，根据环境数据经过公式化得到环境综合影响系数η的过程如下：

14、sa、获取待评估机械结构部件的应用环境中的空气湿度范围(nmin,nmax)、温度范围(tmin,tmax)、振动范围(amin,amax)和机械功率范围(wmin,wmax)；

15、sb、根据公式计算空气湿度的影响系数

16、根据公式计算空气湿度的影响系数

17、根据公式计算空气湿度的影响系数

18、根据公式计算空气湿度的影响系数

19、sc、计算环境数据在对于机械结构部件在应用中的环境综合影响系数η：

20、其中β为机械结构部件的表面质量系数，其中λσ为零件的有效应力集中系数。

21、进一步的，结合环境综合影响系数计算机械结构部件的实际性能值与应用性能值的偏差具体方法如下：

22、sⅰ、获取性能输出结果单元输出的性能结果kli，kli表示在当前加工条件下加工生产所得的机械结构部件的机械强度综合性能指数；

23、s2、结合环境综合影响系数计算机械结构部件的实际性能值：其中β为机械结构部件的表面质量系数，γ为性能结果的去误差系数；

24、s3、计算实际性能值与应用性能值的偏差值：其中δ为机械结构部件的性能偏差系数；

25、sⅳ、判断偏差程度：当v＞vlim时，生成第一复核信号，经过复核验证后获得同样的判断结果，生成偏差信号；

26、当v＜vlim时，生成第二复核信号，经过复核验证后获得同样的判断结果，不生成偏差信号。

27、本发明还提供了机械结构部件性能测试改造方法，包括以下步骤：

28、步骤一、将若干个不同的机械结构部件作为训练对象，通过静态加载试验法依次获取机械结构部件的承载强度数据e1，通过冲击试验法依次获取机械结构部件的耐冲击强度数据e2,通过振动试验法依次获取机械结构部件的抗震强度数据e3，通过旋转磨损筒试验测定机械结构部件的耐磨强度数据e4；

29、步骤二、分别将承载强度数据e1、耐冲击强度数据e2、抗震强度数据e3和耐磨强度数据e4进行去差值处理，得到对应的均值数据结果，将各均值数据列为训练样本，对于卷积神经网络进行初始化作为卷积神经网络的输入数据，将训练样本分别输入卷积神经网络，训练得到性能分析模型，并评估性能分析模型模型的分析效果；

30、步骤三、依次获取待评估机械结构部件的承载强度数据es1、耐冲击强度数据es2、抗震强度数据es3和耐磨强度数据es4作为性能测试样本，将性能测试样本录入性能分析模型，输出性能结果kli；

31、步骤四、获取待评估机械结构部件的应用环境中的空气湿度范围、温度范围、振动范围和机械功率范围，将各环境数据作为影响计算因子，经过公式化计算得到环境综合影响系数；

32、步骤五、获取待评估机械结构部件的的测试结果，并结合环境综合影响系数计算机械结构部件的实际性能值与应用性能值的偏差，判断偏差程度后生成偏差信号输出。

33、综上所述，由于采用了上述技术方案，本发明的有益效果是：

34、该机械结构部件性能测试改造系统及方法，通过测试数据获取单元将若干个不同的机械结构部件的强度数据，通过卷积神经网络训练得到性能分析模型，将性能测试样本录入性能分析模型，输出性能结果kli，同时将各环境数据作为影响计算因子，经过公式化计算得到环境综合影响系数，将性能结果结合环境综合影响系数计算机械结构部件的实际性能值与应用性能值的偏差，判断偏差程度后生成偏差信号输出，能够客观性对机械结构部件作出性能结果分析，且可直观得知机械结构部件的机械强度是否符合实际应用所需，获取偏差信号后可进行性能改进。