本发明涉及汽车零部件的寿命预测，尤其涉及一种汽车涡轮增压器管路的疲劳寿命预测方法。
背景技术：
1、随着汽车行业的快速发展，汽车自身性能与安全受到广泛的关注。汽车涡轮增压器管路作为汽车发动机主要零部件之一，在汽车行驶过程中，涡轮增压器管路受到发动机振动的影响、液体对于管道内壁的压力及路面不平产生的激励等，使得涡轮增压器管路长期在这种恶劣的环境中工作，加速了管路的疲劳失效而产生裂纹，这直接影响到发动机的性能和可靠性，甚至会导致涡轮增压器管路发生断裂，引起安全事故。因此汽车涡轮增压器管路寿命的预测不仅仅是一项工程技术问题，更是对汽车性能、安全性和可靠性的重要保证。
2、目前，对汽车涡轮增压器管路的疲劳寿命预测基本都需要大量的实验数据和计算资源来构建模型和验证预测结果。但是这些数据不易获得，如管路的耐久性测试和实际运行中的长期监测都需要大量的时间，且成本昂贵，这都限制了预测方法的实用性和推广应用，使得工程人员无法在短时间内获取不同条件下汽车涡轮增压器管路的疲劳寿命。
技术实现思路
1、本发明所要解决的技术问题是提供一种汽车涡轮增压器管路的疲劳寿命预测方法，其可快速有效地评估不同操作条件下涡轮增压器管路的疲劳寿命，且预测结果的可信度与准确度较高。
2、本发明解决上述技术问题所采用的技术方案为：一种汽车涡轮增压器管路的疲劳寿命预测方法，包括以下具体步骤：
3、（1）、测量并获取汽车涡轮增压器管路的s-n曲线；
4、（2）、基于实测的s-n曲线构建涡轮增压器管路的仿真计算模型，并将仿真计算模型所得疲劳寿命结果与汽车涡轮增压器管路在振动试验台所得疲劳寿命结果进行对比，以验证仿真计算模型的准确性；
5、（3）、基于仿真计算模型分析出对涡轮增压器管路疲劳寿命影响较大的因素，并作为后续预测模型的特征输入，然后对分析结果中影响较大的因素进行不同组合，获得涡轮增压器管路的条件集，通过仿真计算模型计算出各条件下涡轮增压器管路的疲劳寿命值，并将计算得到的疲劳寿命数据与振动台所得的疲劳寿命数据进行整合，得到数据集；
6、（4）、构建mlp神经网络预测模型，将整合好的数据集内的影响因素作为特征输入变量，疲劳寿命周期作为输出；
7、（5）、通过贝叶斯优化算法对mlp神经网络预测模型进行优化，将上述步骤（3）整合好的数据集代入基于贝叶斯算法优化的mlp神经网络预测模型进行训练，寻求最优超参数组合；
8、（6）、将上述步骤（3）整合好的数据集代入最优超参数组合的mlp神经网络预测模型进行训练；
9、（7）、通过步骤（6）训练好的mlp神经网络预测模型预测得到涡轮增压器管路的疲劳寿命值。
10、进一步地，所述的步骤（1）的s-n曲线的具体获取方法为：
11、（1-1）、将汽车涡轮增压器管路装配在拉伸实验台上进行不同位移下的拉伸实验，获取涡轮增压器管路在不同位移下的疲劳周期循环次数；
12、（1-2）、通过仿真计算出涡轮增压器管路在不同位移下所对应的应力幅值；
13、（1-3）、对拉伸实验所得的不同位移下的疲劳周期循环次数与仿真所得的所对应的应力幅值进行拟合，得到s-n曲线，其关系式为：，其中：s表示涡轮增压器管路的应力幅值； n表示涡轮增压器管路的疲劳周期循环次数； m、c分别为涡轮增压器管路的疲劳强度指数与疲劳强度系数。
14、进一步地，所述的步骤（3）中，对涡轮增压器管路疲劳寿命影响较大的因素的具体获得方法为：基于仿真计算模型采用控制变量法，研究管路的结构参数与外部载荷因素对于管路疲劳寿命的影响，分析出对涡轮增压器管路疲劳寿命影响较大的因素。
15、进一步地，所述的步骤（3）中，涡轮增压器管路的条件集通过实施最优拉丁超立方采样方法获得。
16、进一步地，所述的步骤（5）的具体过程为：
17、（5-1）、将步骤（3）整合好的数据集分成训练集与测试集两部分；
18、（5-2）、将mlp神经网络预测模型作为待优化的目标函数，将超参数：mlp神经网络隐藏层层数、每层隐藏层神经元个数、学习率、学习衰减系数、训练次数以及正则化系数作为自变量，将预测模型对测试集预测的管路疲劳寿命值与测试集内的管路疲劳寿命值的平均相对误差作为目标结果；
19、（5-3）、随机选择几组超参数组作为初始样本点，从目标函数中获取其对应的函数值，并采用高斯过程拟合代理概率函数模型，建立函数的概率分布，得到每个超参数组的期望均值和方差，其中：均值代表该超参数组最终的期望效果，方差表示该超参数组的效果不确定性，方差越大表示该超参数组的效果不确定性越大；
20、（5-4）、根据上述拟合的代理概率函数，进一步精确地拟合代理概率函数，通过在方差较大的区域进行采样，逐步逼近目标函数，使得代理概率函数不断地逼近目标函数；
21、（5-5）、重复步骤（5-3）和（5-4），直至达到停止条件为止；
22、（5-6）、通过拟合的代理概率函数得出最优超参数组合。
23、进一步地，所述的步骤（7）的预测方法为：将全新的涡轮增压器管路模型的结构参数和外部载荷输入mlp神经网络预测模型，计算得到涡轮增压器管路的疲劳寿命值。
24、与现有技术相比，本发明的优点是：
25、（1）、本方法从涡轮增压器管路实际测量的s-n曲线出发，基于真实成型管路测量的数据构建仿真计算模型，使得仿真计算模型计算出的在不同结构参数与外部载荷下的数据样本可信度与准确度较高。
26、（2）、本方法采用贝叶斯优化算法对mlp神经网络预测模型进行参数调优，贝叶斯算法会根据以往搜索过的参数的表现调整搜索空间，集中精力于可能性更高的参数组合，提高了搜索效率；并且能够考虑不同超参数之间的依赖关系，从而更加智能地进行参数搜索和调整。改善了对mlp神经网络超参数选取过于随机的问题，能够提供更高效、更智能的搜索策略，使得mlp神经网络预测模型可快速有效地评估不同操作条件下涡轮增压器管路的疲劳寿命，且预测结果的可信度与准确度较高。
1.一种汽车涡轮增压器管路的疲劳寿命预测方法，其特征在于包括以下具体步骤：
2.如权利要求1所述的一种汽车涡轮增压器管路的疲劳寿命预测方法，其特征在于：所述的步骤（1）的s-n曲线的具体获取方法为：
3.如权利要求1所述的一种汽车涡轮增压器管路的疲劳寿命预测方法，其特征在于：所述的步骤（3）中，对涡轮增压器管路疲劳寿命影响较大的因素的具体获得方法为：基于仿真计算模型采用控制变量法，研究管路的结构参数与外部载荷因素对于管路疲劳寿命的影响，分析出对涡轮增压器管路疲劳寿命影响较大的因素。
4.如权利要求1所述的一种汽车涡轮增压器管路的疲劳寿命预测方法，其特征在于：所述的步骤（3）中，涡轮增压器管路的条件集通过实施最优拉丁超立方采样方法获得。
5.如权利要求1所述的一种汽车涡轮增压器管路的疲劳寿命预测方法，其特征在于：所述的步骤（5）的具体过程为：
6.如权利要求1所述的一种汽车涡轮增压器管路的疲劳寿命预测方法，其特征在于：所述的步骤（7）的预测方法为：将全新的涡轮增压器管路模型的结构参数和外部载荷输入mlp神经网络预测模型，计算得到涡轮增压器管路的疲劳寿命值。
