金属材料疲劳是机械装备失效的主要诱因之一，传统检测方法依赖经验或离线实验，存在效率低、实时性差等局限。机器学习技术通过数据驱动的模式识别，为疲劳检测提供了更高效、精准的解决方案，其核心在于构建贴合金属疲劳特性的模型——从数据采集到模型部署，每一步都需结合材料科学与算法原理，以实现对疲劳状态的有效感知与预判。
数据采集与预处理：模型建立的基础支撑
金属疲劳检测的核心数据来自材料在载荷循环中的响应信号，常见类型包括应力应变信号、温度信号、声发射信号（AE）、超声回波信号等。应力应变信号直接反映材料的力学状态，需通过应变片或力传感器采集；声发射信号则对应裂纹萌生与扩展的微观动态，需用高灵敏度的AE传感器捕捉。这些信号在采集过程中易受环境噪声（如设备振动、电磁干扰）、传感器漂移影响，因此预处理是模型建立的第一步。
预处理。差偏征的核心目标是去除噪声、统一数据格式并保留有效信息。针对声发射等非平稳信号，常用小波变换或自适应滤波器进行降噪——小波变换能在时频域同时聚焦信号细节，有效分离噪声与裂纹产生的突发信号；针对温度、应力等慢变信号，可采用移动平均滤波器平滑波动。数据对齐是多传感器系统的关键步骤，需通过时间戳同步不同传感器的采样数据，避免因时序错位导致特征偏差。
缺失值处理与归一化是预处理的最后环节。对于传感器偶尔断连导致的缺失值，常用线性插值或K近邻插值法填补，保持数据的连续性；归一化则将不同尺度的特征（如应力的MPa量级与声发射的mV量级）映射到同一区间（如[0,1]或均值为0、方差为1），避免算法因特征尺度差异赋予不合理权重，确保模型训练的稳定性。
特征工程：从信号到有效特征的转化
原始信号无法直接输入模型，需通过特征工程提取反映疲劳状态的量化指标。时域特征是最基础的特征类型，包括信号的均值、方差、峰峰值（最大值与最小值之差）、均方根（RMS）等，能反映信号的整体强度与波动程度——例如，疲劳裂纹扩展阶段，应力应变信号的峰峰值会因裂纹导致的应力集中而显著增大。
频域特征需通过傅里叶变换（FFT）将时域信号转换为频率域，提取频谱峰值、带宽、重心频率等指标，反映信号的频率分布变化——例如，裂纹萌生时，材料内部的微观滑移会产生特定频率的振动，频域特征能捕捉这种细微变化。时频域特征则结合了时域与频域的优势，通过小波变换或希尔伯特-黄变换（HHT）提取能量熵、小波包分解系数等，适合处理疲劳过程中信号的非平稳特性——例如，裂纹扩展后期，信号的时频图会出现能量向高频段转移的趋势，能量熵能量化这种变化。
特征选择是减少冗余、提升模型效率的关键。常用方法包括相关性分析（剔除与疲劳状态无关的特征，如环境温度的微小波动）、递归特征消除（RFE）（通过迭代删除最不重要的特征）、基于树模型的特征重要性排序（如随机森林的特征贡献度）。例如，通过随机森林分析发现，声发射信号的能量熵与疲劳寿命的相关性高达0.85，可作为核心特征保留；而温度信号的均值相关性仅0.12，可剔除以简化模型。
模型选择与优化：算法适配材料疲劳特性
模型选择需结合疲劳过程的特性与算法的优势。对于基于tabular特征（如时域、频域特征）的疲劳状态分类任务，随机森林、XGBoost等集成树模型是首选——这类模型能自动捕捉特征间的非线性关系，且对特征尺度不敏感，适合处理材料疲劳中复杂的信号关联（如应力、温度与裂纹扩展的交互作用）。例如，某研究用XGBoost模型处理风电齿轮钢的疲劳数据，分类准确率较传统SVM模型提升了15%。
对于时序依赖强的疲劳寿命预测任务，长短期记忆网络（LSTM）是更优选择——LSTM的门控机制能记忆疲劳过程的累积效应，适合处理“循环周次-损伤程度”的时序关系。例如，在铝合金疲劳寿命预测中，LSTM模型能利用前100个循环的应力应变信号，精准预测剩余寿命，RMSE较传统回归模型降低了20%。
模型优化需兼顾性能与复杂度。调参方面，常用贝叶斯优化替代网格搜索，能更高效地找到最优超参数（如XGBoost的学习率、树深度）；正则化（如L2正则）可通过惩罚模型的权重大小防止过拟合；集成学习（如Stacking）则将多个基模型的预测结果结合，提升模型的稳定性——例如，将随机森林与LSTM的预测结果加权融合，能有效降低单一模型的误差。
模型验证与泛化：确保在实际场景的有效性
模型验证的核心是模拟实际应用场景，避免过拟合。与图像识别等任务不同，疲劳数据是时序依赖的，因此不能随机划分训练集与验证集——需采用时间序列分割法，如将前70%的循环周次数据作为训练集，后30%作为验证集，确保模型仅用过去的数据预测未来的状态。
评价指标需结合任务类型选择：分类任务（如判断疲劳状态为“无裂纹”“裂纹萌生”“裂纹扩展”）用准确率、F1-score（平衡精确率与召回率）；回归任务（如预测疲劳寿命）用均方根误差（RMSE）、平均绝对误差（MAE）。例如，某航空铝合金的疲劳状态分类任务中，模型的F1-score需达到0.9以上，才能满足工业级的可靠性要求。
泛化能力提升需通过数据增强与迁移学习实现。数据增强可通过添加不同强度的高斯噪声、调整信号幅值模拟不同载荷工况，扩大数据集的覆盖范围；迁移学习则将实验室标注数据训练的模型，通过微调适应实际工况（如将实验室的静载荷模型迁移到工业现场的动载荷场景），减少现场标注的成本与时间——例如，某汽车弹簧的疲劳检测模型，通过迁移学习将实验室数据的模型准确率从80%提升到现场的92%。
实时检测中的模型部署：从实验室到工业现场
实验室训练的模型需部署到工业现场，才能发挥实际价值。模型轻量化是部署的第一步——通过模型剪枝（删除不重要的权重）、量化（将浮点数权重转换为整数）、知识蒸馏（用大模型训练小模型），将复杂模型（如LSTM）压缩为适合嵌入式设备的轻量模型（如TinyLSTM），确保在算力有限的现场设备（如PLC、边缘网关）上运行。
推理引擎选择直接影响实时性。常用的推理引擎包括TensorRT（NVIDIA）、ONNX Runtime（跨平台），能将模型的推理速度提升2-5倍——例如，某钢铁厂的轧机辊轴疲劳检测模型，用TensorRT优化后，推理时间从500ms缩短到100ms，满足实时预警的要求。
边缘计算是实时检测的关键架构——将模型部署在边缘设备（如传感器节点），直接处理现场信号，避免将大量原始数据传输到云端，减少延迟与带宽消耗。例如，某风电叶片的疲劳检测系统，将轻量LSTM模型部署在叶片根部的边缘节点，能在1秒内完成信号处理与状态判断，并触发预警。
在线学习是保持模型有效性的重要手段。工业现场的工况（如载荷、温度）会随时间变化，需定期用现场新数据微调模型，适应工况漂移——例如，某地铁车轮的疲劳检测模型，每两周用新采集的1000个循环数据更新一次，确保模型在运营一年后仍保持90%以上的准确率。