金属材。述阐细料疲劳失效是航空、机械、风电等领域设备故障的核心诱因，传统检测依赖手工特征提取或单一物理模型，难以应对复杂工况下的多源数据解析需求。深度学习凭借自动特征学习与时序关联捕捉能力，为疲劳检测的数据分析提供了新范式——通过挖掘振动、应力、温度等数据中的隐含规律，实现更精准的状态识别与寿命预测。本文聚焦深度学习在该领域的关键数据分析环节，从数据处理、特征提取到模型优化展开详细阐述。
多源障保础基的习学度深：数据采集与预处理：深度学习的基础保障
金属疲劳检测的核心是获取“全。息信度尺全的”动维度”数据，常见采集维度包括：振动（加速度传感器，采样率1kHz-25.6kHz）反映结构动态响应，应力（应变片）直接关联载荷累积，温度（热电偶）影响材料力学性能，声发射（AE传感器）捕捉裂纹扩展的微观冲击。例如航空发动机叶片检测中，需同步采集25.6kHz振动数据与1kHz应变数据，覆盖“微观应力集中”到“宏观结构振动”的全尺度信息。
原始数据需转换为易分析的形式：时域信号（如应力-时间序列）通过FFT转换为频域数据，揭示“特征频率偏移”（如裂纹引发的振动频率下降）；非平稳信号（如裂纹扩展的突变）则用STFT或小波变换转换为时频域数据，保留“时间-频率”联合信息。例如小波变换可将振动信号分解为不同尺度子信号，高频子信号对应裂纹萌生的微小冲击，低频子信号对应结构整体振动。
降噪需针对性选择方法：周期性噪声（如齿轮啮合）用自适应滤波（LMS算法）去除，随机噪声（如电磁干扰）用小波阈值降噪——将低于阈值的小波系数置零，保留有效信号的高频系数。例如风电塔筒振动数据处理中，小波降噪可将信噪比从15dB提升至30dB，清晰保留裂纹扩展的“脉冲型”特征。
数据分割采用滑动窗口策略：将长时序切分为固定长度样本（如1秒窗口、50%重叠），平衡“特征完整性”与“计算效率”。例如25.6kHz振动数据的1秒窗口含25600个点，覆盖多个振动周期；50%重叠避免相邻窗口特征丢失，尤其适合裂纹萌生阶段的微小变化检测。
深度学习驱动的特征提取：从手工到自动的跨越
传统疲劳特征依赖人工经验（如均方根、峭度），但难以捕捉“动态演化”——例如裂纹扩展阶段峭度先升后降，传统指标无法区分是裂纹冲击还是环境噪声，易误判。深度学习则能自动提取隐含特征，解决这一局限。
CNN擅长处理二维时频图：将STFT或小波谱图视为“图像”，卷积层提取局部特征（如谱图中的“能量条带”“频率峰值”），池化层压缩冗余。例如不锈钢板材振动谱图分析中，CNN可识别“1000Hz能量峰的分裂”，对应“主裂纹+分支裂纹”形成，而传统特征无法捕捉这一细节。
LSTM适合时序数据的长期依赖：通过记忆单元存储载荷循环的损伤累积信息，输出反映损伤状态的隐含特征。例如汽车曲轴检测中，LSTM提取的时序特征与实际损伤的Pearson系数达0.92，远高于传统峰值因子的0.65。
Transformer解决多源关联问题：自注意力机制计算不同数据源（振动、应力、温度）的权重，突出关键组合特征。例如航空起落架检测中，Transformer发现“150Hz振动分量+80℃以上温度”对裂纹萌生的贡献度达70%，而传统方法忽略了这种交互。
疲劳寿命预测：模型构建与损失函数优化
疲劳寿命预测的核心是“剩余使用寿命（RUL）”估计，常用监督学习框架——以多源数据为输入，以实测RUL为标签，训练端到端模型。混合模型（如CNN-LSTM）是主流：CNN提取时频特征，LSTM处理时序依赖，拼接后通过全连接层输出RUL。
模型设计需匹配数据类型：对于时频图数据，用CNN（如简化版ResNet）提取空间特征；对于时序数据，用LSTM捕捉长期依赖；多源数据则用“CNN+LSTM+Transformer”的混合结构，整合空间、时序与关联特征。例如汽车钢板弹簧预测中，CNN提取振动谱图特征，LSTM处理应力时序，两者拼接后输出RUL，误差较传统Miner法则降低40%。
损失函数选择需适配数据分布：均衡数据用MSE（均方误差），不平衡数据（如寿命末期样本少）用加权MSE——对末期样本赋予更高权重，避免模型偏向寿命初期的预测。例如某车企钢板弹簧数据中，末期样本仅占10%，加权MSE使末期预测误差从15%降至5%。
数据增强与泛化性优化：解决样本稀缺与跨场景适配
疲劳检测常面临“样本稀缺”问题——完整的“裂纹萌生-扩展-断裂”序列少，尤其末期失效数据珍贵。数据增强是关键解决方案：时序数据可通过翻转、缩放、加高斯噪声生成新样本；时频图可通过旋转、裁剪、亮度调整扩充数据集；生成式模型（GAN、VAE）能生成虚拟数据，匹配真实数据的分布。
例如风电塔筒数据仅10组完整序列，研究人员用GAN生成50组虚拟数据，其“峭度- kurtosis”分布与真实数据重合度达92%，有效缓解过拟合，预测准确率提升15%。
泛化性优化需解决“跨材质/工况”适配：迁移学习用已知材质（如45号钢）的预训练模型，微调新材质（如铝合金6061）的数据——冻结CNN卷积层（保留通用特征），仅微调全连接层（适配新材料参数），使铝合金数据的准确率从55%提升至88%。
领域自适应用域对抗网络（DAN）对齐源域（已知工况）与目标域（新工况）的特征分布，减少场景差异。例如将“实验室工况”模型迁移到“户外风电工况”时，DAN可将特征分布差异从20%降至5%，预测误差降低25%。
异常数据处理：提升模型鲁棒性
实际工况中，传感器易受油污、电磁干扰影响，产生数据缺失、跳变或异常值，需针对性处理：缺失数据用LSTM插值（利用时序连续性填补），比均值填补更精准；异常值用Autoencoder检测——重构误差超过阈值（均值+3σ）则判定为异常，再用线性插值填补。
例如钢铁厂轧机辊轴数据中，10%的应力跳变（从200MPa到1000MPa）会导致模型误判，Autoencoder检测后插值填补，使准确率仅下降3%，远低于未处理的18%。
模型鲁棒性可通过对抗训练优化：在输入数据中添加微小扰动（如0.1%的高斯噪声），迫使模型学习更稳定的特征。例如航空叶片振动数据的对抗训练，使模型在含5%噪声的测试集中，识别准确率保持在90%以上，而未训练模型仅75%。