一种基于机器学习的材料断裂参数的识别方法及系统与流程

本发明涉及材料分析，更具体地，涉及一种基于机器学习的材料断裂参数的识别方法及系统。

背景技术：

1、材料断裂是指由于材料的化学成分、结构和工艺等方面的原因，在使用过程中，当零件受到载荷或外力作用时，由于材料内部的缺陷或外界载荷作用产生裂纹或裂纹扩展而使零件发生断裂，主要表现为脆性断裂、塑性断裂、疲劳断裂等形式。

2、在本发明技术之前，现有的材料断裂主要材料事后人工识别的方式，一般情况下虽然能够获知断裂的具体情况，但是无法改变材料断裂造成的影响，也无法避免新的材料断裂等情况的发生，导致材料断裂问题一直是一个难以解决的问题，长期困扰着材料使用。

技术实现思路

1、鉴于上述问题，本发明提出了一种基于机器学习的材料断裂参数的识别方法及系统，提供了一个实际应用的基于机器学习的材料断裂参数在线识别的方法，实现快速、可靠的对不同类型材料进行学习，形成切实有效的材料断裂的参数识别方案。

2、根据本发明实施例第一方面，提供一种基于机器学习的材料断裂参数的识别方法。

3、在一个或多个实施例中，优选地，所述一种基于机器学习的材料断裂参数的识别方法包括：

4、设置试验平台形式，装配传感采集设备；

5、设置材料的材料断裂参数的学习过程，形成材料断裂数据组；

6、设置异常设计约束集合，判断当前的材料设计过程中是否存在超过约束集合的情况；

7、根据所述试验平台上传感设备提取历史生产数据，对当前材料进行断裂风险分析，形成实时断裂风险指数；

8、提取所述断裂风险指数，基于历史生产数据进行在线的提示改进；

9、提取所述断裂风险指数，对可能存在缺陷的装备步骤进行标记。

10、在一个或多个实施例中，优选地，所述设置试验平台形式，装配传感采集设备，具体包括：

11、设置一个试验平台的形式，用于对待测试的材料进行在线监视；

12、所述试验平台上传感设备至少包括一个用于材料断裂采集的视频采集设备；

13、所述试验平台上传感设备至少包括一个用于存储材料型号与额定参数的存储数据库；

14、所述试验平台上传感设备至少包括一个用于进行材料工艺性能分析的历史生产数据提取设备；

15、所述试验平台上传感设备至少包括一个用于装备过程合规性分析的历史视频分析设备；

16、对全部的所述试验平台上的传感采集设备进行装配，并启动上电。

17、在一个或多个实施例中，优选地，所述设置材料的材料断裂参数的学习过程，形成材料断裂数据组，具体包括：

18、在所述试验平台上布设待检测材料；

19、提取所述待检测材料的预先设置运行状态，其中，所述预先设置运行状态包括承压大小与承受应力大小；

20、启动试验平台对所述待检测材料进行按照所述预先设置运行状态进行在线测试；

21、通过所述用于材料断裂采集的视频采集设备提取当前设备的运行状态，当出现断裂痕迹时，记录对应的断裂时间，存储到所述材料断裂数据组。

22、在一个或多个实施例中，优选地，所述设置异常设计约束集合，判断当前的材料设计过程中是否存在超过约束集合的情况，具体包括：

23、设计异常情况约束集合，所述异常情况约束集合包括设计性能集合、设计选材集合、设计使用环境集合、力学性能集合和设计尺寸集合；

24、根据所述异常情况约束集合设置为若干个判定裕度；

25、根据用于存储材料型号与额定参数的存储数据库中的数据与所述判定裕度进行比较，若存储超出判定裕度的情况，则认为设计存在缺陷。

26、在一个或多个实施例中，优选地，所述根据所述试验平台上传感设备提取历史生产数据，对当前材料进行断裂风险分析，形成实时断裂风险指数，具体包括：

27、在历史生产数据中提取对应材料的标准品，在断裂情况下的历史生产数据与性能数据；

28、利用第一计算公式计算裕度差值比例；

29、利用第二计算公式计算断裂情况下的每个性能参数的断裂差值；

30、利用第三计算公式计算当次断裂情况下的核心关注参数；

31、存储在历史生产数据中每个性能参数的成为核心关注参数的次数；

32、利用第四计算公式计算断裂风险指数；

33、所述第一计算公式为：

34、ci＝(ai-bi)÷bi

35、其中，ai为第i个性能参数，bi为第i个性能参数的超标阈值，ci为裕度差值比例，i为性能参数的编号；

36、所述第二计算公式为：

37、di＝ci0-ci1

38、其中，di为第i个性能参数的断裂差值，ci0为断裂情况下材料的裕度差值比例，ci1为全部未断裂情况下材料的裕度差值比例的平均值；

39、e＝maxt(di)

40、其中，e为核心关注参数，maxt(di)为当次断裂情况下的所有的性能参数对应的断裂差值最大值情况下，提取当前的性能参数编号的函数；

41、所述第四计算公式为：

42、f＝∑ii＝＝1n[gi×(1-(hi-bi)÷bi)]

43、其中，f为断裂风险指数，gi为第i个性能参数对应的核心关注参数的次数，hi为实时采集的当前材料的第i个性能参数对应的材料性能，n为性能参数编号i的总数。

44、在一个或多个实施例中，优选地，所述提取所述断裂风险指数，基于历史生产数据进行在线的提示改进，具体包括：

45、提取所述断裂风险指数，判断是否满足第五计算公式，若满足则认为存在异常的断裂风险，提取历史生产数据，判断对应材料生产过程中全部的工艺不良操作；

46、对全部的工艺不良操作出现第二次时，则通过手机短信对操作员进行单独的提示改进；

47、所述第五计算公式为：

48、f>y0

49、其中，y0为预设的异常风险判定裕度。

50、在一个或多个实施例中，优选地，所述提取所述断裂风险指数，对可能存在缺陷的装备步骤进行标记，具体包括：

51、预先设置一个装配过程监督缺陷映射表；

52、获取所述断裂风险指数，当所述断裂风险指数满足第五计算公式时，提取出当前所述断裂风险指数计算过程中所有的性能参数大于0对应的性能参数编号；

53、利用性能参数编号和所述装配过程监督缺陷映射表提取出缺陷类型，其中，所述缺陷类型对应了若干个装备步骤；

54、对当前装备步骤进行额外的人工巡检监视。

55、根据本发明实施例第二方面，提供一种基于机器学习的材料断裂参数的识别系统。

56、在一个或多个实施例中，优选地，所述一种基于机器学习的材料断裂参数的识别系统包括：

57、设置平台形式模块，用于设置试验平台形式，装配传感采集设备；

58、启动断裂采集模块，用于设置材料的材料断裂参数的学习过程，形成材料断裂数据组；

59、第一分析指数模块，用于设置异常设计约束集合，判断当前的材料设计过程中是否存在超过约束集合的情况；

60、第一分析指数模块，用于根据所述试验平台上传感设备提取历史生产数据，对当前材料进行断裂风险分析，形成实时断裂风险指数；

61、在线识别不良模块，用于提取所述断裂风险指数，基于历史生产数据进行在线的提示改进；

62、缺陷监测模块，用于提取所述断裂风险指数，对可能存在缺陷的装备步骤进行标记。

63、根据本发明实施例第三方面，提供一种计算机可读存储介质，其上存储计算机程序指令，所述计算机程序指令在被处理器执行时实现如本发明实施例第一方面中任一项所述的方法。

64、根据本发明实施例第四方面，提供一种电子设备，包括存储器和处理器，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现本发明实施例第一方面中任一项所述的方法。

65、本发明的实施例提供的技术方案可以包括以下有益效果：

66、本发明方案中，通过快速地进行结构、材料、制造工艺因素的分类，实现对于工艺约束的筛选，明确一个综合的断裂识别参数，并根据参数提示对应的可能的断裂关注重点。

67、本发明方案中，通过装备、操作两个方面单独分析预计需要对该材料使用过程中关注的断裂风险，从而全面给出对于当前监测材料的识别方案与风险范围。

68、本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

69、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。