金属机械部件的疲劳损伤机制与寿命预测模型

摘 "要：基于裂纹萌生与扩展的机制及金属部件疲劳损伤的各种主要因素，结合模具行业的特点和需求，开发了一种基于深度学习的寿命预测模型。仿真结果表明，该模型在预测模具金属部件的寿命方面具有较高的精度和可靠性。这对于模具制造和运行企业而言，不仅有助于他们更深入地理解金属部件的疲劳损伤行为，更能帮助他们准确预测部件的寿命，从而进行更为合理的工程设计和优化。

关键词：金属机械部件；疲劳损伤机制；寿命预测模型；深度学习

中图分类号：F407.4 """""""文献标志码：A

Fatigue damage mechanism and life prediction model of metal mechanical components

CHENG Liqin1， WAN Rong1， CHENG Yan2， LIU Nan2

（1. Xian HighTech University， Xian 713700， Shaanxi， China；

（2. The HiTech College of Xian University of Technology， Xian 713700， Shaanxi， China）

Abstract： The article first introduces the particularity and importance of fatigue damage in the mold industry， clarifies the mechanism of crack initiation and propagation， and further analyzes various main factors affecting fatigue damage of mold metal components. On this basis， a deep learning based life prediction model is elaborated， which closely combines the characteristics and needs of the mold industry. Through a series of simulation studies， the article found that the model has high accuracy and reliability in predicting the life of mold metal components， and can effectively reveal the fatigue damage mechanism of these components. For mold manufacturing and operation enterprises， this not only helps them to have a deeper understanding of the fatigue damage behavior of metal components， but also helps them accurately predict the lifespan of components， so as to carry out more reasonable engineering design and optimization.

Key words： metal mechanical components; fatigue damage mechanism; life prediction model; deep learning

0 "引 "言

金属机械部件在现代工业体系中扮演着举足轻重的角色，其应用场景涉及航空航天、汽车制造、能源开发以及铁路运输等多个关键行业［1］。在模具的日常工作状态下，这些部件持续承受着循环载荷的作用，不可避免地会导致疲劳损伤的出现，严重时甚至可能引发断裂和失效，对生产安全构成重大威胁［2］。

疲劳损伤是一个在交变应力作用下，材料内部细微结构逐渐发生变化，损伤累积并最终导致断裂的复杂过程。它具有裂纹缓慢萌生、稳定扩展和最终快速断裂的阶段性特征，对模具部件的耐用性和可靠性提出了严峻挑战［3］。因此，针对模具用金属机械部件的疲劳损伤机制开展深入研究，并构建高精度的寿命预测模型，对于提升模具制造水平、保障生产安全以及延长模具使用寿命具有极其重要的现实意义［4］。

由于模具工作环境的复杂性和多变性，现有的寿命预测模型在应对不同模具应用场景时已显得力不从心，其准确性和适用性有待进一步提高［5］。因此，持续在这一领域开展深入系统的研究，不仅有助于解决模具行业面临的实际工程问题，也将为推动材料科学和力学等相关学科的发展做出积极贡献。

随着国内工业化的快速推进和模具制造行业的蓬勃发展，对金属机械部件的性能要求也在不断提高。同时，我国在材料科学和工程力学等领域的研究水平也取得了显著进步，为深入研究金属材料的疲劳行为奠定了坚实基础［6］。但与国际先进水平相比，我国在模具金属机械部件的疲劳损伤机制和寿命预测模型研究方面还存在一定差距。因此，加大这一领域的研究投入，对于提升我国模具行业的国际竞争力、推动相关学科的创新发展具有深远意义。

模具金属机械部件的疲劳损伤机制是一个涉及多学科知识的复杂问题［7］，需要从材料学、力学、物理学等多个角度出发，深入探讨材料内部的微观结构变化、应力集中现象以及裂纹萌生和扩展的机理。同时，还需要考虑模具实际工作过程中所面临的复杂载荷和环境条件对疲劳损伤的影响。寿命预测模型作为评估模具金属机械部件疲劳性能的重要工具，其准确性和可靠性直接关系到模具的设计优化和维护决策［8］。通过建立精确的寿命预测模型，可以预测模具部件在不同工作条件下的使用寿命，从而制定更加科学合理的维护策略，降低生产成本，提高生产效率。

本文围绕模具金属机械部件的疲劳损伤机制和寿命预测模型展开研究。首先介绍了疲劳损伤的基本概念和影响因素；然后详细阐述了基于深度学习的寿命预测模型的构建过程，并通过仿真实验验证了其有效性；接着探讨了如何进一步优化寿命预测模型以提高其准确性和可靠性；最后总结了全文的主要研究成果和实际应用价值，并指出了未来研究的方向和挑战。

1 "金属机械部件疲劳损伤机制

1.1 "疲劳损伤的基本概念

疲劳损伤是一个在机械工程领域中广泛存在的现象，指的是金属材料在受到循环载荷作用时，其内部微观结构发生不可逆的变化，进而引发裂纹的萌生和扩展，最终导致材料断裂的一种失效形式［9］。这种损伤通常并非瞬间发生，而是一个逐步累积、渐进恶化的过程。开始时，材料表面或内部可能仅出现微小的裂纹或缺陷，但随着载荷循环次数的不断增加，这些裂纹或缺陷会逐渐扩展、合并，形成更大的裂纹，最终导致材料的断裂或失效。

1.2 "裂纹萌生与扩展机制

裂纹萌生是疲劳损伤的起始阶段，通常发生在材料的高应力或应力集中区域。这些区域由于局部应力超过了材料的屈服强度，使得材料发生微小的塑性变形。随着载荷的反复作用，这些塑性变形区域逐渐累积，形成微小的裂纹。这些裂纹在初始阶段可能非常微小，甚至难以用肉眼观察，但它们却是疲劳损伤的起点［10］。

裂纹扩展则是疲劳损伤的发展阶段。在循环载荷的作用下，裂纹尖端会发生应力集中，使得裂纹以一定的速率向前扩展［11］。这个扩展速率受到多种因素的影响，包括应力幅值、平均应力、材料的力学性能以及环境条件等。在裂纹扩展过程中，材料的剩余截面面积不断减小，导致材料的承载能力逐渐下降。当裂纹扩展到一定程度时，材料的剩余截面无法承受外部载荷，最终导致材料的断裂。

1.3 "影响疲劳损伤的主要因素

金属机械部件疲劳损伤受到众多因素的交织影响。这些因素相互作用，共同决定了材料的疲劳性能和整体寿命。以下是对其中一些主要影响因素的深入探讨：

首先是材料本身的特性。材料的化学成分、微观组织结构以及力学性能等都是影响其疲劳损伤的关键因素［12］。例如，在模具制造中，通过添加特定的合金元素，可以改变材料的硬度和韧性，进而提升其抗疲劳性能。同时，材料的晶粒大小也与其疲劳寿命密切相关，通常晶粒越细，材料的抗疲劳性能越好。

其次是模具所承受的载荷情况。载荷的大小、作用频率以及波形等都会对模具材料的疲劳损伤产生显著影响［13］。一般来说，载荷幅值越大、频率越高，模具材料的疲劳寿命就越短。此外，不同的载荷波形也会导致不同的裂纹扩展速率和疲劳寿命。例如，在模具的冲压过程中，交变载荷的作用往往比恒定载荷更容易引发材料的疲劳损伤。

再者是模具的工作环境。温度、湿度以及可能存在的腐蚀介质等环境因素都会对模具材料的疲劳性能产生影响［14］。例如，在高温的注塑环境中，模具材料的力学性能可能会发生变化，导致其疲劳强度降低。同时，如果模具长时间暴露在腐蚀介质中，其表面可能发生腐蚀或氧化反应，从而加速裂纹的扩展和材料的疲劳失效。

此外，还有一些其他因素也不容忽视。比如模具的表面粗糙度、加工过程中产生的残余应力，以及具体的加工工艺等都可能对模具材料的疲劳性能和寿命产生影响。虽然这些因素单独作用时可能影响较小，但在多种因素共同作用下，它们可能会对模具的疲劳性能和寿命产生显著影响。因此，在模具设计和制造过程中，需要综合考虑这些因素，以优化模具的抗疲劳性能并延长其使用寿命。

2 "金属机械部件寿命预测模型

金属机械部件的寿命预测一直是一个备受关注的工程问题。精准的寿命预测对于确保模具设备的安全、稳定运行至关重要，同时也有助于企业优化维修策略，降低不必要的运维成本［15］。为了有效预测金属机械部件的寿命，工程师们经过不懈努力，开发出了多种寿命预测模型。这些模型基于不同的力学理论、材料科学原理以及实际工程经验，各具特色，有着各自的优缺点和适用场景。例如，某些模型可能更适用于高周疲劳的情况，而另一些则可能在低周疲劳或特定环境条件下表现更佳。寿命预测模型，从本质上说，是一种数学或物理模型，被用来描述金属机械部件在特定工作条件下的疲劳行为。这些模型通常依赖于大量的实验数据或理论假设，通过建立部件应力、应变、载荷等关键参数与疲劳寿命之间的数学关系，来预测部件在真实工作环境中的可能寿命。

裂纹的扩展速率da/dN与应力强度因子范围ΔK之间的关系可以用Paris公式表示：

dadN=C·ΔKm，（1）

其中，a是裂纹长度，N是载荷循环次数，C和m是材料常数，ΔK是应力强度因子范围，它描述了裂纹尖端应力场的强弱。

在损伤力学中，通常用一个标量参数D来表示材料的损伤程度。D的取值范围从0（无损伤）到1（完全破坏）。损伤变量D的演化规律可以通过实验或理论分析得到，一般表示为应力、应变、温度等参数的函数。

一个常用的损伤演化方程是基于连续损伤力学框架建立的，可以表示为：

D·=f（σ， ε， T， D），（2）

其中，D·是损伤变量的变化率，σ 是应力，ε是应变，T是温度，而f是一个描述损伤演化的函数。这个函数通常通过实验确定，并且依赖于特定的材料和加载条件。

在循环载荷作用下，材料的损伤会不断累积。假设每个循环造成的损伤是独立的，则总损伤可以通过对每个循环造成的损伤进行累加得到：

Dtotal=∑ni=1ΔDi，（3）

其中，Dtotal是总损伤，n是循环次数，ΔDi 是第i个循环造成的损伤。

当总损伤Dtotal达到临界值Dc（通常通过实验确定）时，认为材料发生疲劳破坏。因此，基于损伤力学的寿命预测方法可以通过模拟材料的损伤演化过程来预测部件在给定载荷谱下的剩余寿命。

本研究采用卷积神经网络（CNN）算法对金属机械部件在疲劳加载过程中的数据进行特征提取。CNN算法能够有效地捕捉金属部件在不同加载条件下的空间信息，如应力分布和微观结构变化。为了处理加载过程中的时间相关性信息，研究引入了循环神经网络（RNN）算法。RNN算法特别适用于处理时间序列数据，能够捕捉应力等参数随时间的变化趋势。在这个集成的深度神经网络模型中，CNN负责初步的特征提取，而RNN则负责对这些特征进行时序上的进一步处理与预测。为了提高模型的预测精度和可靠性，研究还对深度神经网络模型进行了全面的优化和调整，包括激活函数的选择、网络层数的确定以及优化器的配置等。深度学习模型结构如图1所示。

处理机器学习中的类别不均衡问题时，平衡损失函数是一种有效的策略。它通过给予不同类别的错误分类以不同的权重，来提高模型的整体性能。在本文中，采用了一种基于交叉熵损失的方法，并通过加权yk函数来进一步调整平衡损失：

BL（y， y）=－∑Nk=1tk1γ+1（1－yk）γlogyk，（4）

其中，BL为平衡损失（Balance loss），γ被用作非负性的调整参数。在网络进行训练时，每个通道都遵循相同的总损失函数计算方法。这个函数由平衡损失BL和回归损失MSE共同构成，其计算公式如下所示：

ML=BL（y， y）+αMSE（y′－y′），（5）

其中，α作为一个关键的权重系数，主要作用是调整分类损失与回归损失之间的比例。而针对复合热机械疲劳载荷的网络模型，则采用了一种迭代预测的方式进行计算，具体的预测方法如下所述：

SI=ρI（F， SI－1， LI－1）， t≥2，（6）

L′=Φt（F， St－1， Lt－1）， t≥2。（7）

CNN的运算原理是遵循传递函数下降速度最快的方向，即负梯度方向，来计算网络权重和阈值：

xk+1=xk+（－gk）×αk，（8）

其中，xk代表权重与阈值所构成的矩阵，而－gk则对应于函数的负梯度。另外，αk被用来表示模型的学习速度，即学习速率。

3 "寿命预测模型的比较与优化

本研究致力于运用深度学习技术深入探究模具行业中金属机械部件在循环载荷作用下的疲劳损伤机制，并据此构建一个高精度的寿命预测模型。选取了具有代表性的模具金属部件样本，利用专业的力学加载设备对其施加循环载荷，并通过高精度的传感器实时采集部件在受力过程中的应变、应力等关键数据。这些数据将作为后续分析和建模的基础。借助CNN和RNN算法有效提取模具金属部件的空间结构信息和时序特征。CNN擅长捕捉图像或数据的空间结构信息，而RNN则擅长处理具有时序依赖性的数据。结合这两种算法，将构建一个全面、可靠的寿命预测模型，以期能够准确预测模具金属部件在复杂工作条件下的疲劳寿命。

图2展示了算法模型预测结果与实际模拟数据的对比情况。从结果可以看出，该算法模型在预测金属机械部件在疲劳加载下的性能变化（如应变、应力等）方面表现出色。实际模拟数据与模型预测结果高度吻合，从而验证了模型的准确性。

实验数据与仿真结果的良好一致性进一步证明了模型的可靠性。通过使用丰富的金属机械部件疲劳载荷数据对模型进行训练，确保了模型具有良好的通用性，能够适应不同类型和工况下的金属部件性能预测需求。

在神经网络训练过程中，采用了梯度下降法进行优化，并针对其可能遇到的挑战（如参数空间中的陡峭区域），引入了“带动量梯度下降”方法。这种方法通过利用历史梯度信息来更有效地探索参数空间，从而提高了收敛速度和模型性能。网络训练的具体情况如图3所示。

该算法在短时间内实现了快速收敛，表明它不仅能够对已知的金属机械部件进行准确预测，还具备对未知部件的预测潜力，具有广泛的应用前景。

为了进一步验证本模型的优越性，将其与不同算法的预测误差和精度进行了比较。比较结果分别如图4和图5所示。

与传统CNN算法和RNN算法相比，本研究所提出的算法在预测精度上提高了10%以上，且误差更低。这一显著优势主要得益于神经网络算法的创新设计，通过将CNN和RNN相结合，成功构建了一个能够全面捕捉金属机械部件在疲劳过程中空间和时间信息的寿命预测模型。

为了提高寿命预测模型的准确性和可靠性，可以从多个关键方面进行优化。在数据获取与处理环节，需要改进实验方法和技术，确保实验数据的精确性和可信赖度，同时开发新的数据处理手段，从有限的数据中挖掘出更多有价值的信息。模型参数的确定是至关重要的，这要求我们发展新的理论和实验方法，以更精确地界定模型中的核心参数。模型的耦合与集成也是一个不容忽视的方面，通过将不同的模型进行耦合和集成，可以充分利用它们各自的优点，相互补充不足。此外，还需要在模型中综合考虑多种实际因素的影响，包括温度、湿度、腐蚀介质等环境因素，以及材料的老化、蠕变等时变因素。模型的验证与更新也是确保模型长期有效的关键步骤，这需要通过与实际工程应用的对比验证来不断修正和完善模型，并及时更新模型以适应新的应用需求。

4 "结 "论

本研究深入探究了模具行业中金属机械部件在循环载荷作用下的疲劳损伤机制。通过结合CNN和RNN算法，构建了一个能够全方位捕捉模具金属部件在疲劳过程中空间和时间信息的模型，并提出了一种基于深度学习的寿命预测模型。

带动量梯度下降的优化方法，更加高效地探索参数空间，从而加速了模型的训练过程，可以显著提升模型的收敛速度和预测精度。与传统的CNN和RNN算法相比，所提出的算法在预测精度上取得了显著突破，误差率更低。

该算法模型能够精准地追踪部件在受力过程中的应变、应力等关键参数的变化，具有卓越的泛化能力，可以较准确地预测模具金属机械部件的性能变化趋势。有望为模具金属机械部件的设计优化、寿命预测和性能提升提供坚实的理论支撑和实践指导。

参考文献：

［1］杨波.汽车零部件冲压模具若干问题研究［J］.科技创新导报， 2019， 16（4）：12-21.

YANG B. Research on Several Issues of Automotive Component Stamping Dies ［J］. Science and Technology Innovation Guide， 2019，16（4）：12-21.

［2］张立昌，杨根.基于UG_CAM模块非标零件的模具设计与数控加工［J］.舰船电子工程， 2019， 39（8）：190-193.

ZHANG L C， YANG G. Mold design and CNC machining of nonstandard parts based on UG-CAM module ［J］. Ship Electronics Engineering， 2019，39 （8）： 190-193.

［3］孙飞，李鑫锋，牛灵凯，等.顶棚模具疲劳寿命分析及结构优化［J］.模具工业， 2023， 49（7）：14-17.

SUN F， LI X F ， NIU L K， et al. Fatigue life analysis and structural optimization of ceiling molds ［J］. Mold Industry， 2023，49（7）：14-17

［4］梅益，杨幸雨，曲玥明，等.机械接触式薄壁键帽注塑件双色注塑模具设计［J］.工程塑料应用， 2018， 46（2）：31-35.

MEI Y， YANG X Y， QU Y M， et al. Dual color injection mold design for mechanical contact thinwalled keycap injection molded parts ［J］. Engineering Plastics Application， 2018，46（2）：31-35.

［5］侯沛云.轨道交通用车轮分体式锻造模具的结构改进［J］.锻压技术， 2023， 48（7）：170-176.

HOU P Y. Structural Improvement of Split Forging Dies for Rail Transit Wheels ［J］. Forging Technology， 2023， 48 （7）： 170-176.

［6］BHALLA S， KAUR N. Prognosis of lowstrain fatigue induced damage in reinforced concrete structures using embedded piezotransducers［J］. International Journal of Fatigue， 2018， 113（8）：98-112.

［7］王万哲.香皂盒模具设计与开模温度的数值模拟分析［J］.机械研究与应用， 2021， 34（3）：11-17.

WANG W Z. Numerical simulation analysis of soap box mold design and opening temperature ［J］. Mechanical Research and Application， 2021，34（3）：11-17.

［8］NOR N M， SALIAH S N M， IBRAHIM A. Fatigue damage severity assessment of RC beam ［J］. International Journal of Structural Integrity， 2019， 10（5）：612-620.

［9］KOSCHELLA K， KRUPP U. Investigations of fatigue damage in tempered martensitic steel in the HCF regime ［J］. International Journal of Fatigue， 2019， 124（7）：113-122.

［10］HOU C Y， LEE Y F， PENG Y H. Fatigue damage analysis of steel components subjected to earthquake loadings ［J］. International Journal of Structural Integrity， 2019， 10（1）：25-40.

［11］胡海明，王芹.轮胎模具底座有限元模拟及疲劳分析［J］.橡胶工业， 2020， 67（1）：65-68.

HU H M， WANG Q， Analysis of the simulation and fatigue of the wheel tire mold base［J］.Rubber industry， 2020， 67（1）：65-68.

［12］PARAFOROS D S， GRIEPENTROG H W， VOUGIOUKAS S G. Modeling and simulation of a fourrotor rake loading for predicting accumulated fatigue damage： a markov regimeswitching approach ［J］. Applied Engineering in Agriculture， 2018， 34（2）：317-325.

［13］HONG H， CAI Z， WANG W. An online monitoring method for creepfatigue life consumption with realtime damage accumulation： ［J］. International Journal of Damage Mechanics， 2021， 30（5）：764-785.

［14］张永强，徐国财，左鹏鹏，等.H13热作模具钢热-机械疲劳损伤和寿命的预测［J］.上海金属， 2020， 42（3）：111-115.

ZHANG Y Q， XU G C， ZUO P P， etc Prediction of Thermal Mechanical Fatigue Damage and Life of H13 Hot Work Mold Steel ［J］. Shanghai Metal，2020，42（3）：111-115.

［15］张彦敏，张帅帅，韩文奎，等.基于应变损伤的热挤压模具疲劳失效预测模型及验证［J］.塑性工程学报， 2019， 26（6）：66-69.

ZHANG Y M， ZHANG S S， HAN W K， et al. A fatigue failure prediction model and validation of hot extrusion molds based on strain damage ［J］. Journal of Plastic Engineering， 2019，26（6）：66-69.

基金项目：《颗粒增强高铬铸铁耐磨件及离心复合铸造工艺的关键技术》（编号：18JK1050）

作者简介：程丽琴，工程师，主要从事机械金属材料方面的研究。

（1.西安高新科技职业学院，陕西 "西安 "713700;2.西安理工大学高科学院，陕西 "西安 "713700）