机械工程学报

作者：付玲, 佘玲娟, 颜镀镭, 张鹏, 龙湘云

单位：1. 中联重科股份有限公司 长沙 410013;2. 起重机械关键技术国家重点实验室 长沙 410013;3. 湖南大学机械与运载工程学院 长沙 410012

关键词：物理信息,深度学习,臂架系统,疲劳损伤,注意力机制；

基金：国家重点研发计划资助项目(2023YFB3408500)。

臂架系统是工程机械的关键承载部件，其结构安全决定了工程建设施工安全。结构疲劳损伤预测可保证臂架系统全生命周期服役安全，但用于预测的应力历程数据难以长期可靠获取，融合深度学习的间接信号反推方法是一种有效方式，但存在输入信号与疲劳损伤之间等效关系难以掌握、预测精度低等问题。针对上述问题，提出一种基于内嵌物理信息与注意力机制BiLSTM神经网络的臂架系统疲劳损伤预测模型。该模型突破了输入信号与疲劳损伤的高精等效映射难题，通过将物理模型与数据模型结果回归融合，并创新提出了一种全新的物理引导损失函数，显著提升了模型疲劳损伤预测能力。研究结果表明，该预测模型对不同工况下臂架系统的疲劳损伤均有较高的预测精度。

来源：2024年第13期

《机械工程学报》期刊编辑部

查看机械工程学报杂志2024年第13期