技术摘要：
本发明公开了一种轴承裂纹预测模型的构建方法及装置，其中方法包括：对多个轴承试件进行疲劳测试，获得裂纹数据集；根据Paris公式对裂纹数据集中的每组数据进行拟合，获得用于预测轴承裂纹的第一预测曲线；根据Forman公式对裂纹数据集中的每组数据进行拟合，获得变应力  全部
背景技术：
随着工业自动化的飞速发展，轨道交通货车车辆等机械设备日趋复杂化、大型化。 货车滚动轴承是列车上最容易危及行车安全的易损件，在铁路的日常运营中一旦出现裂 纹，造成的人员伤亡和经济损失往往都是无法估量的。因此对货车系统轴承设备进行裂纹 状态进行辨识和预测对于保障铁路行车安全至关重要。通常情况下，当货车轴承出现裂纹 时，现场的技术人员往往通过眼睛和耳朵直接观察设备情况并结合设备材料和自身的工作 经验来检查设备的裂纹扩展状况。但是如今铁路机械设备越来越精密复杂化、高度集成、高 度自动化了，一些传统的机械设备裂纹诊断方法和理论已经不再适用。 因此，目前亟需一种新的能够对轴承裂纹情况进行更加精确的诊断预测的方法。
技术实现要素：
鉴于上述问题，本发明提出了一种轴承裂纹预测模型的构建方法及装置，能够对 轴承裂纹情况进行更加精确的诊断预测，可替代人工检测。 第一方面，本申请通过本申请的一实施例提供如下技术方案： 一种轴承裂纹预测模型的构建方法，包括： 对多个轴承试件进行疲劳测试，获得裂纹数据集； 根据Paris公式对所述裂纹数据集中的每组数据进行拟合，获得用于预测轴承裂 纹的第一预测曲线； 根据Forman公式对所述裂纹数据集中的每组数据进行拟合，获得变应力条件下的 用于预测轴承裂纹的第二预测曲线； 根据GBDT数据模型对所述裂纹数据集中的每组数据进行拟合，获得基于决策树预 测轴承裂纹的决策树模型； 对所述第一预测曲线、所述第二预测曲线和所述决策树模型进行加权融合，获得 用于预测轴承裂纹的裂纹预测模型。 可选的，所述对多个轴承试件进行疲劳测试，获得裂纹数据集，包括： 采用材料测试机对所述多个轴承试件进行第一次疲劳测试，记录每个所述轴承试 件在预设的时间范围内的所受压力与时间的数值对和裂纹长度，获得第一测试数据集； 采用材料测试机对所述多个轴承试件进行第二次疲劳测试，记录每个所述轴承试 件在预设的时间范围内的所受压力与时间的数值对和裂纹长度，获得第二测试数据集； 将所述第一测试数据集和所述第二测试数据集进行数据的成对匹配，获得所述轴 承试件的测试数据对集合； 对所述轴承试件的测试数据对集合进行归一化处理，获得所述裂纹数据集。 4 CN 111597705 A 说　明　书 2/10 页 可选的，所述对所述轴承试件的测试数据对集合进行归一化处理，获得所述裂纹 数据集，包括： 基于公式 对测试数据对集合进行归一化处理，获得所述裂纹数据 集；其中，di代表插值处理的间隔距离，n代表一组数据中的插值总数，m代表一组数据中每 个数据点定义的插值次数，m为大于1的整数，Wi表示归一化后的标准数据点值。 可选的，所述根据Paris公式对所述裂纹数据集中的每组数据进行拟合，获得用于 预测轴承裂纹的第一预测曲线，包括： 获取所述裂纹数据集中每组数据的裂纹长度和对应的载荷循环次数；其中，所述 载荷循环次数用于代表所述轴承试件的转动次数； 采用Paris公式对所述每组数据的所述裂纹长度和所述载荷循环次数进行拟合， 获得所述每组数据对应的第一拟合曲线； 根据所述裂纹数据集中的裂纹长度的最大值对所述第一拟合曲线中进行筛选，获 得多组第一裂纹曲线； 根据所述多组第一裂纹曲线的均值，获得所述第一预测曲线。 可选的，所述根据Forman公式对所述裂纹数据集中的每组数据进行拟合，获得变 应力条件下的用于预测轴承裂纹的第二预测曲线，包括： 获取所述裂纹数据集中每组数据的裂纹长度和对应的载荷循环次数；其中，所述 载荷循环次数用于代表所述轴承试件的转动次数； 采用Forman公式对所述每组数据的所述裂纹长度和所述载荷循环次数进行拟合， 获得所述每组数据对应的第二拟合曲线； 根据所述裂纹数据集中的裂纹长度的最大值对所述第二拟合曲线中进行筛选，获 得多组第二裂纹曲线； 根据所述多组第二裂纹曲线的均值，获得所述第二预测曲线。 可选的，所述载荷循环次数的获取方法，包括： 获取材料测试机对所述轴承试件进行疲劳测试的测试频率； 根据所述测试频率和所述裂纹数据集中记录每条数据的时间之积，获得载荷循环 次数。 可选的，所述对所述第一预测曲线、所述第二预测曲线和所述决策树模型进行加 权融合，获得用于预测轴承裂纹的裂纹预测模型，包括： 根据公式Pall＝∩(Pp,Pf)*r1 PG*r2，对所述第一预测曲线、所述第二预测曲线和所 述决策树模型进行加权融合，获得综合预测曲线；其中，将所述综合预测曲线作为所述预测 模型；Pall为所述综合预测曲线，Pp为所述第一预测曲线，Pf为所述第二预测曲线，PG为所述 决策树模型，r1、r2为权重系数。 第二方面，基于同一发明构思，本申请通过本申请的一实施例提供如下技术方案： 一种轴承裂纹预测模型的构建装置，包括： 数据获取模块，用于对多个轴承试件进行疲劳测试，获得裂纹数据集； 第一预测曲线获取模块，用于根据Paris公式对所述裂纹数据集中的每组数据进 5 CN 111597705 A 说　明　书 3/10 页 行拟合，获得用于预测轴承裂纹的第一预测曲线； 第二预测曲线获取模块，用于根据Forman公式对所述裂纹数据集中的每组数据进 行拟合，获得变应力条件下的用于预测轴承裂纹的第二预测曲线； 决策树模型获取模块，用于根据GBDT数据模型对所述裂纹数据集中的每组数据进 行拟合，获得基于决策树预测轴承裂纹的决策树模型； 预测模型获取模块，用于对所述第一预测曲线、所述第二预测曲线和所述决策树 模型进行加权融合，获得用于预测轴承裂纹的裂纹预测模型。 可选的，所述数据获取模块，具体用于： 采用材料测试机对所述多个轴承试件进行第一次疲劳测试，记录每个所述轴承试 件在预设的时间范围内的所受压力与时间的数值对和裂纹长度，获得第一测试数据集； 采用材料测试机对所述多个轴承试件进行第二次疲劳测试，记录每个所述轴承试 件在预设的时间范围内的所受压力与时间的数值对和裂纹长度，获得第二测试数据集； 将所述第一测试数据集和所述第二测试数据集进行数据的成对匹配，获得所述轴 承试件的测试数据对集合； 对所述轴承试件的测试数据对集合进行归一化处理，获得所述裂纹数据集。 第三方面，基于同一发明构思，本申请通过本申请的一实施例提供如下技术方案： 一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现 上述第一方面中任一项所述方法的步骤。 在发明本实施例中提供的一种轴承裂纹预测模型的构建方法及装置，对多个轴承 试件进行疲劳测试，获得裂纹数据集；根据Paris公式对裂纹数据集中的每组数据进行拟 合，获得用于预测轴承裂纹的第一预测曲线；根据Forman公式对裂纹数据集中的每组数据 进行拟合，获得变应力条件下的用于预测轴承裂纹的第二预测曲线；根据GBDT数据模型对 裂纹数据集中的每组数据进行拟合，获得基于决策树预测轴承裂纹的决策树模型；最后，对 第一预测曲线、第二预测曲线和决策树模型进行加权融合，就可获得用于预测轴承裂纹的 裂纹预测模型。本发明得到的裂纹预测模型结合了物理模型与数据驱动方式，综合Paris模 型与Forman模型，考虑到了部件间位置关系，从而确保精度；同时结合GBDT数据模型在精度 与稳定性特点，实现了对变应力、定应力等条件下的裂纹扩展情况进行准确的预测，避免了 现有的人工观测方式。 上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段， 而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够 更明显易懂，以下特举本发明的