团论文网
团论文网
-
摘要：在使用机器学习的方法对25CrMo4合金进行疲劳寿命预测时，特征变量对疲劳寿命的决策行为一直是关注的重点。基于此，以89组25CrMo4合金高周循环对称疲劳试验样本作为研究对象，使用XGBoost算法预测其疲劳寿命，再使用LIME（Local Interpretable Model-agnostic Explanations）及其改进方法（ElasticNet-LIME）分析各特征变量在不同数值范围内对疲劳寿命的正负增益。结果表明，经过微喷丸强化后25CrMo4合金表面残余应力减小，表面粗糙度增大，疲劳寿命增大，ElasticNet-LIME对此判断比LIME更为合理。研究结果可为25CrMo4合金疲劳性能优化提供依据。
关键词：25CrMo4；LIME；机器学习可解释性分析
25CrMo4合金是一种高强度、高耐磨、高韧性的合金钢，广泛应用于汽车、火车等交通运载体的传动系统，是列车车轴的首选材料。然而25CrMo4合金所处服役环境复杂，存在多种因素影响其疲劳寿命，采用传统预测模型难以预测其疲劳寿命，且难以解释特征变量对疲劳寿命的决策行为。为解决上述问题，本研究基于机器学习可解释性方法，先用XGBoost预测模型训练25CrMo4合金疲劳试验样本数据，在此基础之上，再采用LIME方法［1］将预测变量与黑盒模型联系起来，并提出了ElasticNet-LIME方法，为单个样本（局部）特征变量对疲劳寿命的作用提供了解释。
1数据和方法
1.1数据来源
基于诸多影响疲劳寿命的参数，文章根据Li Hang等人［2］关于25CrMo4合金常温高周疲劳试验数据，先使用XGBoost算法建立其疲劳寿命预测模型，然后调整模型的超参数提高其预测精度，再采用LIME方法对其疲劳寿命进行可解释分析。在该研究中，共开展了89组25CrMo4合金高周循环对称疲劳试验，涉及的疲劳寿命影响参数主要有平均应力(σa）、表面残余应力(σrs）、半宽度（FWHM）、平均粗糙度（Ra）和等效缺口尺寸(√area）。
1.2 LIME改进
原LIME模型以最小绝对值收敛和选择算子算法（LASSO）为代理模型来逼近复杂模型。LASSO算法通过引入L1正则化（即LASSO惩罚项），可以将系数向量中小的权重变为0，从而实现特征选择和模型稀疏性，其损失函数表达式如下：
式中：X为所有样本组成的特征矩阵；w为权重向量；α为惩罚系数。
虽然LASSO有良好的特征选择性和模型稀疏性，但是其对于解决变量间存在共线性的问题表现较弱，而25CrMo4合金数据集中微喷丸强化同时明显地改变了表面残余应力和平均粗糙度这两个特征变量，为使LIME方法更适应对数据集特征的理解，文章将使用含L2正则化项的弹性网络（ElasticNet）回归模型去近似复杂模型在关注样本附近的决策行为。ElasticNet回归与LASSO回归相比，添加了L2正则化项，以此解决变量相关联的问题，其损失函数表达式如下：
式中：X为所有样本组成的特征矩阵；w为权重向量；α与β均为惩罚系数；β通常取β=1。
由于LIME通过特征扰动构造一批和待解释的样本相似却又不完全相同的邻近样本，文章将以Elastic Net回归模型为代理模型，通过拟合复杂模型（本文为XGBoost回归模型）对这些模拟生成的邻近样本的预测结果，以达到更为精确地解释复杂模型对单一实例的预测结果。
2实验结果及分析
2.1 LIME结果分析
文章用XGBoost在25CrMo4合金疲劳寿命试验数据集上训练了一个预测模型，并选择第89组数据作为关注样本，再用原始的LIME模型对XGBoost在该样本点附近的行为进行解释。图1为原LIME模型在第89组样本点附近生成拟合数据集上的局部信息，从图1中左侧一栏可以看出XGBoost模型对于第89组样本的疲劳寿命预测值为1421149圈，XGBoost对于整个数据集的预测最小值为114684.88圈，最大值为3178178.75圈；图1右侧一栏可看出该样本的特征变量的原始数据信息，平均应力为230MPa，表面残余应力为-405.5MPa，等效缺口尺寸为924.18μm，半宽度为3.87。，平均粗糙度为2.21μm。对于图1中间栏，表示第89组样本附近的特征重要性和特征变量对疲劳寿命的正负增益，详细信息如图2所示。在图2中，因为第89组的平均应力为230.00MPa，而由代理模型LASSO回归提取到的平均应力对疲劳寿命的决策行为是“当平均应力小于290.00MPa时，该特征对于疲劳寿命为正增益”，其余特征变量同理。
根据图3可知，第45组的平均应力为500MPa，而在图4中由代理模型LASSO回归提取到的平均应力对疲劳寿命的决策行为是“当平均应力大于385MPa时，该特征对于疲劳寿命为负增益”，相比于图2中“当平均应力小于290MPa时，该特征对于疲劳寿命为正增益”的判定，表明了LIME方法更关注样本局部的特征，不受复杂模型XGBoost全局判定的影响，所以LIME方法对特征变量的分析与模型无关。
2.2 ElasticNet-LIME方法结果分析
在使用ElasticNet回归替代LASSO回归之后，局部的线性模型增加了L2正则项，将会更好地保留待样本特征变量对疲劳寿命的局部决策行为信息，图5和图6列出了ElasticNet-LIME输出的第89组样本点特征变量局部信息。由于第89组样本经过微喷丸强化，平均粗糙度有较大幅度的增大，而表面残余应力的绝对值也有较大的提升，故表面残余应力对疲劳寿命应为正增益，平均粗糙度对疲劳寿命应为负增益。从图2中可以看出，LIME为改进前对平均粗糙度影响疲劳寿命决策行为判定为正增益；而从图6中可以看出，Elastic Net-LIME对平均粗糙度影响疲劳寿命决策行为判定为负增益，根据朱守东等人［3］的研究，经过微喷丸强化后表面残余应力减小，表面粗糙度增大，故ElasticNet-LIME的判断更为合理。
3结束语
影响25CrMo4合金疲劳寿命的因素是多维复杂的，且影响因素之间存在着关联性，传统的机器学习预测模型可能难以作出精确地预测。ElasticNet-LIME相比于LIME，引入了L2正则化项，提高了特征解耦能力，对观测样本邻近范围有更好的特征行为理解，能更精确地判断经过微喷丸强化后，表面残余应力和平均粗糙度对25CrMo4合金疲劳寿命的正负增益。这种机器学习局部可解释性分析方法，为25CrMo4合金经过不同工艺处理后的疲劳寿命预测提供了有力的理论支持。
参考文献
［1］苏凯新，张继旺，李行，等.基于神经网络的喷丸25CrMo合金疲劳寿命及残余应力松弛行为预测研究［J］..稀有金属材料与工程，2020，49（8）：2697-2705.
［2］任民，冯伟.德国低合金调制钢25CrMo4的焊接［J］.石油化工建设，2007（4）：52-53.
［3］朱守东，张继旺，易科尖，等.微粒子喷丸工艺对EA4T车轴钢表面性能和疲劳强度的影响［J］.材料导报，2020，34（14）：14181-14186.后台-系统设置-扩展变量-手机广告位-内容正文底部 -
本文标签：
25CrMo4合金疲劳寿命预测局部可解释性分析论文
人参与 2024-10-11 09:51:02 分类 : 理学 点这评论 作者：团论文网 来源：https://www.tuanlunwen.com/
-
站内搜索
-
随机文章
-
标签列表
-
-
最近发表
-
-
热门文章 | 最新文章 | 随机文章
-
-
最新留言
-
首页 论文知识 教育论文 毕业论文 教学论文 经济学 管理学 职称论文 法学 理学 医学 社会学 物理学 文献 工程论文 学位论文 研究论文
Powered 团论文网 版权所有 备案号：鄂ICP备2022005557号统计代码
全站搜索