基于Workbench和Matlab构建螺栓疲劳寿命预测模型的方法及装置

摘要

本发明实施例提供了一种基于Workbench和Matlab构建螺栓疲劳寿命预测模型的方法，通过Workbench来绘制螺栓的三维模型，利用Workbench软件对常用螺栓进行参数化分析，得到其在不同工况下的疲劳寿命数据；利用Matlab中BP神经网络对分析得到的数据进行分析并建模，从而得到疲劳寿命预测模型实现螺栓疲劳寿命的预测。应用本发明实施例提供的方案，利用Workbench和Matlab仿真及数据处理分析建立了螺栓疲劳寿命预测模型，通过所建立的模型能够快速预测螺栓的疲劳寿命，提高工作效率并减轻工作量。

说明书

技术领域

本发明涉及机械疲劳寿命计算技术领域，特别是涉及一种基于Workbench和Matlab构建螺栓疲劳寿命预测模型的方法及装置。

背景技术

机械设备中各个零部件都不是孤立的存在，各个零部件之间通过连接件连接成一个整体来实现某种功能，而最常用的联接件就是螺栓。

一部完整机械中螺栓的数量少说有十几个，多说几十个甚至上百个，而且螺栓的型号、受力形式也不近相同。实际应用中，螺栓的破坏形式通常是多种多样，但就破坏性质来说，约有90％的螺栓属于疲劳破坏。

目前，螺栓设计的常用方式为：设计人员根据理论计算结合经验选出螺栓型号，然后建立螺栓的三维模型,最后通过有限元法进行模型仿真校核设计是否合适。但由于一部机器中螺栓数目、型号及载荷形式较多，常常需要大量重复的建模分析，这不仅使工作效率低下，同时也给设计人员增加了工作量。

发明内容

本发明实施例提供了一种基于Workbench和Matlab构建螺栓疲劳寿命预测模型的方法及装置，以达到快速预测螺栓疲劳寿命的技术效果。

本发明实施的一方面，提供了一种基于Workbench和Matlab构建螺栓疲劳寿命预测模型的方法，所述方法包括：

获取螺栓的几何参数，基于几何参数利用Workbench绘制螺栓的三维模型，其中，螺栓几何参数包括：螺栓的公称直径、连接件厚度、螺栓头和螺母的尺寸、螺帽和螺母的厚度以及螺栓的公称长度；

将三维模型进行网格划分得到螺栓的三维网格模型；

获取螺栓的变载荷以及变载荷的调整步长；

向螺栓的三维网格模型施加变载荷，得到在变载荷下螺栓的疲劳寿命；

利用调整步长调整变载荷的大小，向螺栓的三维网格模型施加调整后的变载荷，得到在调整后的变载荷下螺栓的疲劳寿命；

判断是否得到第一数量的同一公称直径和连接件厚度的螺栓在不同变载荷作用下疲劳寿命的数据；

未得到第一数量的数据，返回利用调整步长调整变载荷的大小的步骤；

得到第一数量的数据，调整螺栓的公称直径和/或连接件厚度，并判断是否得到第二数量的不同公称直径和/或不同连接件厚度的螺栓在不同变载荷作用下疲劳寿命的数据；

未得到第二数量的数据，利用调整后的公称直径和/或连接件厚度更新几何参数，并返回基于几何参数利用Workbench绘制螺栓的三维模型的步骤；

得到第二数量的数据，利用所得到的不同公称直径和/或不同连接件厚度的螺栓在不同变载荷作用下疲劳寿命的数据构建样本点数据库，样本点数据库中每一样本点包括：公称直径、连接件厚度、变载荷以及疲劳寿命；

基于Matlab神经网络构建螺栓疲劳寿命预测初始模型，利用样本点数据库中的各个样本点对螺栓疲劳寿命预测初始模型进行训练，得到螺栓疲劳寿命预测模型。

与现有技术相比,本发明的有益效果在于：应用本发明实施例提供的方案，利用Workbench和Matlab仿真及数据处理分析建立了螺栓疲劳寿命预测模型，通过所建立的模型能够快速预测螺栓的疲劳寿命，提高工作效率并减轻工作量。

可选的，向螺栓的三维网格模型施加变载荷，得到在变载荷下螺栓的疲劳寿命的步骤，包括：

根据螺栓材料的屈服极限和螺栓中螺杆的小径预估螺栓的预紧力；

向螺栓的三维网格模型施加变载荷和预紧力；

确定三维网格模型中所承受螺栓拉力最大的网格区域，基于螺栓在预紧力和变载荷下的力-变形规律曲线，计算网格区域承受的螺栓拉力；

基于螺栓材料的疲劳特性，利用螺栓拉力预估螺栓的疲劳寿命。

可选的，根据螺栓材料的屈服极限和螺栓中螺杆的小径预估螺栓的预紧力的步骤，包括：

利用以下表达式根据螺栓材料的屈服极限和螺栓中螺杆的小径预估螺栓的预紧力：

其中，Q

可选的，基于螺栓在预紧力和变载荷下的力-变形规律曲线，计算网格区域承受的螺栓拉力的步骤，包括：

基于螺栓在预紧力和变载荷下的力-变形规律曲线，确定螺栓的螺栓拉力与变载荷之间的计算表达式：

其中，ΔF为螺栓拉力，C

利用所确定的计算表达式计算网格区域承受的螺栓拉力。

可选的，利用螺栓拉力预估螺栓的疲劳寿命的步骤，包括：

通过以下表达式利用螺栓拉力预估螺栓的疲劳寿命：

lgN＝14.3272-3.0831lgσ

其中，N为疲劳寿命，σ为在无限多次变载荷作用下而不会产生破坏的最大拉力。

可选的，利用所得到的不同公称直径和/或不同连接件厚度的螺栓在不同变载荷作用下疲劳寿命的数据构建样本点数据库的步骤之前，还包括：

获取有效应力集中系数、绝对尺寸系数以及表面状态系数，通过以下表达式利用所获取的系数计算疲劳强度影响因子：

其中，K

利用疲劳强度影响因子调整疲劳寿命。

可选的，利用样本点数据库中的各个样本点对螺栓疲劳寿命预测初始模型进行训练，得到螺栓疲劳寿命预测模型的步骤，包括：

在样本点中选取第三数量的训练样本；

将训练样本中包含的公称直径、连接件厚度、变荷载以及疲劳寿命采用最大最小值法分别做归一化处理；

将归一化处理后的公称直径、连接件厚度以及变荷载输入螺栓疲劳寿命预测初始模型，得到疲劳寿命的训练输出值；

利用均方误差函数，计算疲劳寿命的训练输出值与训练样本中归一化处理后的疲劳寿命之间的损失值；

判断损失值是否小于预设阈值；

如果否，利用梯度下降算法调整螺栓疲劳寿命预测初始模型中的参数，并返回将归一化处理后的公称直径、连接件厚度以及变荷载输入螺栓疲劳寿命预测初始模型，得到疲劳寿命的训练输出值的步骤；

如果是，将螺栓疲劳寿命预测初始模型作为螺栓疲劳寿命预测模型。

可选的，还包括：将除训练样本以外的样本点作为验证样本；

将验证样本中的公称直径、连接件厚度、变荷载以及疲劳寿命采用最大最小值法分别做归一化处理；

将归一化处理后的公称直径、连接件厚度以及变荷载载输入螺栓疲劳寿命预测模型，得到疲劳寿命的验证输出值；

判断疲劳寿命的验证输出值与验证样本中归一化处理后的疲劳寿命之间的误差是否在预定误差范围内；

如果否，返回在样本点中选取第三数量的训练样本的步骤；如果是，利用螺栓疲劳寿命预测模型进行螺栓疲劳寿命预测。

本发明实施的又一方面，还提供了一种基于Workbench和Matlab构建螺栓疲劳寿命预测模型的装置，所述装置包括：

模型绘制模块，用于获取螺栓的几何参数，基于几何参数利用Workbench绘制螺栓的三维模型，其中，螺栓几何参数包括：螺栓的公称直径、连接件厚度、螺栓头和螺母的尺寸、螺帽和螺母的厚度以及螺栓的公称长度；

网格划分模块，用于将三维模型进行网格划分得到螺栓的三维网格模型；

载荷获取模块，用于获取螺栓的变载荷以及变载荷的调整步长；

第一载荷施加模块，向螺栓的三维网格模型施加变载荷，得到在变载荷下螺栓的疲劳寿命；

第二载荷施加模块，用于利用调整步长调整变载荷的大小，向螺栓的三维网格模型施加调整后的变载荷，得到在调整后的变载荷下螺栓的疲劳寿命；

用于判断是否得到第一数量的同一公称直径和连接件厚度的螺栓在不同变载荷作用下疲劳寿命的数据；

未得到第一数量的数据，触发第二载荷施加模块；

得到第一数量的数据，调整螺栓的公称直径和/或连接件厚度，并判断是否得到第二数量的不同公称直径和/或不同连接件厚度的螺栓在不同变载荷作用下疲劳寿命的数据；

未得到第二数量的数据，利用调整后的公称直径和/或连接件厚度更新几何参数，并触发模型构建模块；

得到第二数量的数据，触发数据库构建模块；

数据库构建模块，用于利用所得到的不同公称直径和/或不同连接件厚度的螺栓在不同变载荷作用下疲劳寿命的数据构建样本点数据库，样本点数据库中每一样本点包括：公称直径、连接件厚度、变载荷以及疲劳寿命；

模型构建模块，用于基于Matlab神经网络构建螺栓疲劳寿命预测初始模型，利用样本点数据库中的各个样本点对螺栓疲劳寿命预测初始模型进行训练，得到螺栓疲劳寿命预测模型。

本发明实施的又一方面，还提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；

存储器，用于存放处理器可执行指令；

处理器，用于执行存储器上所存放的指令时，实现上述基于Workbench和Matlab构建螺栓疲劳寿命预测模型的方法。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的限定。在附图中：

图1为本发明实施例提供的一种基于Workbench和Matlab构建螺栓疲劳寿命预测模型方法的流程示意图；

图2为本发明实施例提供的一种螺栓几何参数示意图；

图3为本发明实施例提供的一种三维网格模型示意图；

图4为本发明实施例提供的一种目标预紧力和变载荷下的力-变形规律曲线；

图5为本发明实施例提供的一种应力云图；

图6为本发明实施例提供的一种应变云图；

图7为本发明实施例提供的一种基于Workbench和Matlab构建螺栓疲劳寿命预测模型装置的结构示意图；

图8为本发明实施例提供的一种电子设备的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施方式和附图，对本发明做进一步详细说明。在此，本发明的示意性实施方式及其说明用于解释本发明，但并不作为对本发明的限定。

参见图1，本发明实施例提供的一种基于Workbench和Matlab构建螺栓疲劳寿命预测模型的方法，包括：

S100，获取螺栓的几何参数，基于几何参数利用Workbench绘制螺栓的三维模型，

其中，螺栓几何参数包括：螺栓的公称直径、连接件厚度、螺栓头和螺母的尺寸、螺帽和螺母的厚度以及螺栓的公称长度。

如图2所示螺栓几何参数示意图，图中，1为螺栓，2为联接件1，3为联接件2，4为螺母；其中，P1为螺栓的公称直径、P2为连接件的厚度、P3为螺栓头和螺母的尺寸、P4，P6分别为螺帽和螺母的厚度、P5为螺栓的公称长度。

模型中主要包含有4个接触对，即如图2中结构1-2、2-3、3-4、1-4的联接部分，分析时1-4为螺栓和螺母的接触，其接触力为接触面的摩擦作用来抵抗工作载荷，所以设置螺栓和螺母之间的螺纹接触类型为Frictional，摩擦因子大小为0.15，其余的接触类型设置为绑定。

S110，将三维模型进行网格划分得到螺栓的三维网格模型。

在实施中，如图3所示，对三维模型网格化分析时，螺栓采用四面体网格，其余采用六面体网格，网格大小为1mm，相应的，三维网格模型中共有101089个节点，34120个单元。

S120，获取螺栓的变载荷以及变载荷的调整步长。

在实施中，可以在Workbench输入变载荷以及变载荷的调整步长，如表一所示为本发明实施例提供的一组不同公称直径的螺栓对应的变载荷P8以及调整步长的数据：

表一

S130，向螺栓的三维网格模型施加变载荷，得到在变载荷下螺栓的疲劳寿命。

具体的，S130包括：

步骤1，根据螺栓材料的屈服极限和螺栓中螺杆的小径预估螺栓的预紧力。

螺栓联接时为了保证螺栓联接的可靠性和紧密型，通常会对螺栓施加预紧力，且预紧力通常为恒定常值，有预紧力的螺栓在受载荷时其拉力的变化与载荷不等，而影响螺栓疲劳寿命的主要因素为由于拉力变化形成的应力幅，在对螺栓施加变载荷时需要考虑预紧力的影响。

具体的，可以利用以下表达式根据螺栓材料的屈服极限和螺栓中螺杆的小径预估螺栓的预紧力：

其中，Q

步骤2，向螺栓的三维网格模型施加变载荷和预紧力。

由于螺栓联接件的多样性，导致螺栓联接的工作载荷形式也比较复杂，且螺栓通常受到趋于周期性脉动变化的工作载荷，如气缸盖的螺栓联接。因此为了研究不同规格螺栓在恒定预紧力和不同工作载荷下的疲劳寿命，而不是针对某一种特定的工况，分析时可以在施加恒定预紧力的同时，设定施加的变载荷为研究的变化参数，变载荷设为P8如表一中所示。

施加预紧力和变载荷时，预紧力恒定不变，根据变载荷确定工作载荷的峰值之后，以(0°-180°)的正弦变化规律的形式进行施加；具体的，以P1＝10mm，P2＝15mm，P8＝4000N，预紧力为6000N的情况为例，向三维网格模型施加预紧力和变载荷时，可以在三维网格模型的螺纹连接副上施加大小为6000N的预紧力；在两个连接件的接触面上分别施加方向相反的两个变载荷，其工作载荷峰值为2000N，变化规律可设为(0°-180°)的正弦变化规律，并将两个变载荷标记为变化参数；这种施加变载荷方法可以不用对模型施加约束条件，进而可以避免因为引入约束条件而增加螺栓的刚度，使得分析结果更准确。

步骤3，确定三维网格模型中所承受螺栓拉力最大的网格区域，基于螺栓在预紧力和变载荷下的力-变形规律曲线，计算网格区域承受的螺栓拉力。

参见图5所示的应力云图，可见螺栓的最大应力出现在螺栓与螺母配合的第一圈螺纹处，并且螺纹配合处的应力逐步递减至零。螺栓帽和螺母的应力分布呈“扇形”分布，螺栓和螺母所夹部分的应力呈上下对称的“三角形”分布，图6中最大应变分布形式与应力分布形式相似。

在实施中，确定了所承受螺栓拉力最大的网格区域，则可以确定网格区域所承受的螺栓拉力的变化范围，具体的，参见图4所示的螺栓在目标预紧力和变载荷下的力-变形规律曲线，可以得知

ΔF＝Δl·tanγ

P8-ΔF＝Δl·tanγ

联立上述两个表达式可以得出螺栓的螺栓拉力与变载荷之间的计算表达式：

其中，ΔF为螺栓拉力，C

利用所确定的计算表达式计算网格区域承受的螺栓拉力。

步骤4，基于螺栓材料的疲劳特性，利用螺栓拉力预估螺栓的疲劳寿命。

在实施中，可以通过以下表达式利用螺栓拉力预估螺栓的疲劳寿命：

lgN＝14.3272-3.0831lgσ

其中，N为预估疲劳寿命，σ为在无限多次变载荷作用下而不会产生破坏的最大拉力。

S140，利用调整步长调整变载荷的大小，向螺栓的三维网格模型施加调整后的变载荷，得到在调整后的变载荷下螺栓的疲劳寿命。

S150，判断是否得到第一数量的同一公称直径和连接件厚度的螺栓在不同变载荷作用下疲劳寿命的数据；

未得到第一数量的数据，返回S140；

得到第一数量的数据，调整螺栓的公称直径和/或连接件厚度，并判断是否得到第二数量的不同公称直径和/或不同连接件厚度的螺栓在不同变载荷作用下疲劳寿命的数据；

未得到第二数量的数据，利用调整后的公称直径和/或连接件厚度更新几何参数，并返回基于几何参数利用Workbench绘制螺栓的三维模型的步骤；

得到第二数量的数据，则执行S160。

以下表二为本发明实施例提供的一组样本点，其中，P8为变载荷，P9为疲劳寿命

表二

S160，利用所得到的不同公称直径和/或不同连接件厚度的螺栓在不同变载荷作用下疲劳寿命的数据构建样本点数据库。

样本点数据库中每一样本点包括：公称直径、连接件厚度、变载荷以及疲劳寿命。

在实施中，实际零件的疲劳寿命与仿真得到的试件的疲劳寿命是存在差异的，因此，在构建样本点数据库之前可以通过设置疲劳强度影响因子将试件的疲劳寿命转换为零件的疲劳寿命。

具体的，可以获取有效应力集中系数、绝对尺寸系数以及表面状态系数，通过以下表达式利用所获取的系统计算疲劳强度影响因子：

其中，K

在实施中，在得到疲劳强度影响因子之后，可以在应力和应变分析结果基础上添加疲劳寿命分析选项Fatigue Tool Life，设置疲劳强度影响因子，实现利用疲劳强度影响因子进行调整从而得到最终的螺栓的疲劳寿命。

S170，基于Matlab神经网络构建螺栓疲劳寿命预测初始模型，利用样本点数据库中的各个样本点对螺栓疲劳寿命预测初始模型进行训练，得到螺栓疲劳寿命预测模型。

在实施中，可以采用Matlab中提供的神经网络工具箱建立前馈型神经网络，训练函数为BFGS准牛顿BP算法函数，学习函数为梯度下降动量函数，性能评估函数为均方误差(MSE)函数，传递函数为TANSIG，网络的隐层数为4，神经元数为20。

在实施中，训练过程包括：在在样本点中选取第三数量的训练样本；

将训练样本中包含的公称直径、连接件厚度、变荷载以及疲劳寿命采用最大最小值法分别做归一化处理；其中，归一化处理表达式为：

将归一化处理后的公称直径、连接件厚度以及变荷载输入螺栓疲劳寿命预测初始模型，得到疲劳寿命的训练输出值；

利用均方误差函数，计算疲劳寿命的训练输出值与训练样本中归一化处理后的疲劳寿命之间的损失值；

判断损失值是否小于预设阈值；

如果否，利用梯度下降算法调整螺栓疲劳寿命预测初始模型中的参数，并返回将归一化处理后的公称直径、连接件厚度以及变荷载输入螺栓疲劳寿命预测初始模型，得到疲劳寿命的训练输出值的步骤；

如果是，将螺栓疲劳寿命预测初始模型作为螺栓疲劳寿命预测模型。

在训练得到螺栓疲劳寿命预测模型，还可以对螺栓疲劳寿命预测模型预测的精准度进行验证，具体的，包括：将除训练样本以外的样本点作为验证样本；

将验证样本中的公称直径、连接件厚度、变荷载以及疲劳寿命采用最大最小值法分别做归一化处理；

将归一化处理后的公称直径、连接件厚度以及变荷载输入螺栓疲劳寿命预测模型，得到疲劳寿命的验证输出值；

判断疲劳寿命的验证输出值与验证样本中归一化处理后的疲劳寿命之间的误差是否在预定误差范围内；

如果否，返回在样本点中选取第三数量的训练样本的步骤重新进行模型训练；如果是，利用螺栓疲劳寿命预测模型进行螺栓疲劳寿命预测。

表三为本发明实施例提供的一组验证结果数据：

表三

由表三可知，预测结果与仿真结果之间最大相对误差为5.97％，最小误差为0.18％。证明所构建的螺栓疲劳寿命预测模型可以精准的预测螺栓的疲劳寿命。

应用本发明实施例提供的方案，利用Workbench和Matlab仿真及数据处理分析建立了螺栓疲劳寿命预测模型，通过所建立的模型能够快速预测螺栓的疲劳寿命，提高工作效率并减轻工作量。

参见图7，为本发明实施例提供的一种基于Workbench和Matlab构建螺栓疲劳寿命预测模型装置的结构示意图，包括：

模型绘制模块700，用于获取螺栓的几何参数，基于几何参数利用Workbench绘制螺栓的三维模型，其中，螺栓几何参数包括：螺栓的公称直径、连接件厚度、螺栓头和螺母的尺寸、螺帽和螺母的厚度以及螺栓的公称长度；

网格划分模块710，用于将三维模型进行网格划分得到螺栓的三维网格模型；

载荷获取模块720，用于获取螺栓的变载荷以及变载荷的调整步长；

第一载荷施加模块730，向螺栓的三维网格模型施加变载荷，得到在变载荷下螺栓的疲劳寿命；

第二载荷施加模块740，用于利用调整步长调整变载荷的大小，向螺栓的三维网格模型施加调整后的变载荷，得到在调整后的变载荷下螺栓的疲劳寿命；

数量判断模块750，用于判断是否得到第一数量的同一公称直径和连接件厚度的螺栓在不同变载荷作用下疲劳寿命的数据；

未得到第一数量的数据，触发第二载荷施加模块740；

得到第一数量的数据，调整螺栓的公称直径和/或连接件厚度，并判断是否得到第二数量的不同公称直径和/或不同连接件厚度的螺栓在不同变载荷作用下疲劳寿命的数据；

未得到第二数量的数据，利用调整后的公称直径和/或连接件厚度更新几何参数，并触发模型构建模块700；

得到第二数量的数据，触发数据库构建模块760；

数据库构建模块760，用于利用所得到的不同公称直径和/或不同连接件厚度的螺栓在不同变载荷作用下疲劳寿命的数据构建样本点数据库，样本点数据库中每一样本点包括：公称直径、连接件厚度、变载荷以及疲劳寿命；

模型构建模块770，用于基于Matlab神经网络构建螺栓疲劳寿命预测初始模型，利用样本点数据库中的各个样本点对螺栓疲劳寿命预测初始模型进行训练，得到螺栓疲劳寿命预测模型。

在实施中，第一载荷施加模块730，包括：

第一预估单元，用于根据螺栓材料的屈服极限和螺栓中螺杆的小径预估螺栓的预紧力；

施加单元，用于向螺栓的三维网格模型施加变载荷和预紧力；

确定单元，用于确定三维网格模型中所承受螺栓拉力最大的网格区域，基于螺栓在预紧力和变载荷下的力-变形规律曲线，计算网格区域承受的螺栓拉力；

第二预估单元，用于基于螺栓材料的疲劳特性，利用螺栓拉力预估螺栓的疲劳寿命。

在实施中，第一预估单元，还用于利用以下表达式根据螺栓材料的屈服极限和螺栓中螺杆的小径预估螺栓的预紧力：

其中，Q

在实施中，确定单元，还用于基于螺栓在预紧力和变载荷下的力-变形规律曲线，确定螺栓的螺栓拉力与变载荷之间的计算表达式：

其中，ΔF为螺栓拉力，C

利用所确定的计算表达式计算网格区域承受的螺栓拉力。

在实施中，第二预估单元，还用于通过以下表达式利用螺栓拉力预估螺栓的疲劳寿命：

lgN＝14.3272-3.0831lgσ

其中，N为疲劳寿命，σ为在无限多次变载荷作用下而不会产生破坏的最大拉力。

在实施中，还包括：调整模块，用于获取有效应力集中系数、绝对尺寸系数以及表面状态系数，通过以下表达式利用所获取的系数计算疲劳强度影响因子：

其中，K

利用疲劳强度影响因子调整疲劳寿命。

在实施中，模型构建模块770，还用于在样本点中选取第三数量的训练样本；

将训练样本中包含的螺栓的公称直径、连接件厚度、变荷载以及疲劳寿命采用最大最小值法分别做归一化处理；

将归一化处理后的公称直径、连接件厚度以及变荷载输入螺栓疲劳寿命预测初始模型，得到疲劳寿命的训练输出值；

利用均方误差函数，计算疲劳寿命的训练输出值与训练样本中归一化处理后的疲劳寿命之间的损失值；

判断损失值是否小于预设阈值；

如果否，利用梯度下降算法调整螺栓疲劳寿命预测初始模型中的参数，并返回将归一化处理后的公称直径、连接件厚度以及变荷载输入螺栓疲劳寿命预测初始模型，得到疲劳寿命的训练输出值的步骤；

如果是，将螺栓疲劳寿命预测初始模型作为螺栓疲劳寿命预测模型。

在实施中，还包括：模型验证模块，用于将除训练样本以外的样本点作为验证样本；

将验证样本中的公称直径、连接件厚度、变荷载以及疲劳寿命采用最大最小值法分别做归一化处理；

将归一化处理后的公称直径、连接件厚度以及变荷载输入螺栓疲劳寿命预测模型，得到疲劳寿命的验证输出值；

判断疲劳寿命的验证输出值与验证样本中归一化处理后的疲劳寿命之间的误差是否在预定误差范围内；

如果否，返回在样本点中选取第三数量的训练样本的步骤；如果是，利用螺栓疲劳寿命预测模型进行螺栓疲劳寿命预测。

应用本发明实施例提供的方案，利用Workbench和Matlab仿真及数据处理分析建立了螺栓疲劳寿命预测模型，通过所建立的模型能够快速预测螺栓的疲劳寿命，提高工作效率并减轻工作量。

本发明实施例还提供了一种电子设备，如图3所示，包括处理器001、通信接口002、存储器003和通信总线004，其中，处理器001，通信接口002，存储器003通过通信总线004完成相互间的通信，

存储器003，用于存放计算机程序；

处理器001，用于执行存储器003上所存放的程序时，实现本发明实施例提供的基于Workbench和Matlab构建螺栓疲劳寿命预测模型的方法，具体的，该方法包括：

获取螺栓的几何参数，基于几何参数利用Workbench绘制螺栓的三维模型，其中，螺栓几何参数包括：螺栓的公称直径、连接件厚度、螺栓头和螺母的尺寸、螺帽和螺母的厚度以及螺栓的公称长度；

将三维模型进行网格划分得到螺栓的三维网格模型；

获取螺栓的变载荷以及变载荷的调整步长；

向螺栓的三维网格模型施加变载荷，得到在变载荷下螺栓的疲劳寿命；

利用预定的调整步长调整变载荷的大小，向螺栓的三维网格模型施加调整后的变载荷，得到在调整后的变载荷下螺栓的疲劳寿命；

判断是否得到第一数量的同一公称直径和连接件厚度的螺栓在不同变载荷作用下疲劳寿命的数据；

未得到第一数量的数据，返回利用调整步长调整变载荷的大小的步骤；

得到第一数量的数据，调整螺栓的公称直径和/或连接件厚度，并判断是否得到第二数量的不同公称直径和/或不同连接件厚度的螺栓在不同变载荷作用下疲劳寿命的数据；

未得到第二数量的数据，利用调整后的公称直径和/或连接件厚度更新几何参数，并返回基于几何参数利用Workbench绘制螺栓的三维模型的步骤；

得到第二数量的数据，利用所得到的不同公称直径和/或不同连接件厚度的螺栓在不同变载荷作用下疲劳寿命的数据构建样本点数据库，样本点数据库中每一样本点包括：公称直径、连接件厚度、变载荷以及疲劳寿命；

基于Matlab神经网络构建螺栓疲劳寿命预测初始模型，利用样本点数据库中的各个样本点对螺栓疲劳寿命预测初始模型进行训练，得到螺栓疲劳寿命预测模型。

应用本发明实施例提供的方案，利用Workbench和Matlab仿真及数据处理分析建立了螺栓疲劳寿命预测模型，通过所建立的模型能够快速预测螺栓的疲劳寿命，提高工作效率并减轻工作量。

上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

通信接口用于上述电子设备与其他设备之间的通信。

存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。

上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。