本发明涉及试验机控制，尤其涉及一种电液伺服动态疲劳试验机的控制方法及系统。
背景技术：
1、疲劳试验是一种模拟材料或构件在实际使用中经历的反复加载和卸载过程的实验方法。该试验主要用于评估材料在长期应力作用下的疲劳寿命和疲劳强度。疲劳试验对于保障结构件的安全性、可靠性至关重要，特别是在航空、汽车、桥梁建设和机械制造等领域。通过疲劳试验，可以预测材料的疲劳破坏行为，避免潜在的安全隐患。
2、传统的疲劳试验机控制方案通常包括手动或半自动的控制系统。这些系统能够根据预设的疲劳试验参数（如载荷类型、频率、幅度和循环次数）进行基本的试验操作。在疲劳试验中，随着试验频率的增加，试验机对试件施加的实际载荷幅值会出现衰减现象，载荷幅值偏差可能由多种因素引起，包括试验机的机械磨损、控制系统的不精确、试样的非理想行为、环境变化等。这些偏差可能导致试验结果与实际材料性能不符，影响试验的准确性和可靠性。
3、目前的疲劳试验机多采用在发现载荷幅值偏差后进行调整的方法。这通常涉及到中断试验，手动调整设备设置或更换试样，然后重新启动试验。这种方法虽然可以在一定程度上补偿偏差，但由于是在偏差发生后才进行调整，因此无法预防偏差对试验结果的影响，存在反应滞后的问题。
技术实现思路
1、有鉴于此，本发明实施例提供了一种电液伺服动态疲劳试验机的控制方法及系统，用以解决现有技术中疲劳试验中载荷幅值偏差出现后才进行调整，存在反应滞后的问题。
2、第一方面，本发明实施例提供了一种电液伺服动态疲劳试验机的控制方法，所述电液伺服动态疲劳试验机包括：基座、上压盘、下压盘、力传感器、液压作动器，其中，所述下压盘安装于所述基座并且所述下压盘可拆卸地设有用于固定试样的固定装置，所述上压盘和下压盘相对设置，所述液压作动器的活塞杆与所述上压盘连接，所述力传感器设置于所述液压作动器和所述上压盘之间，用于测量施加于试样上的压力值；所述控制方法包括：
3、根据所述试样的材料特性参数，获取疲劳试验参数，其中，所述疲劳试验参数包括：载荷类型、载荷施加频率、载荷幅值和循环次数；
4、将输入参数输入预先构建的载荷幅值偏差预测模型，获取载荷幅值偏差发生的第一偏差时间和预测偏差数据，其中，所述载荷幅值偏差预测模型基于预设机器学习算法构建，所述输入参数包括所述疲劳试验参数以及所述疲劳试验机的性能参数；
5、根据所述疲劳试验参数，控制所述电液伺服动态疲劳试验机对所述试样进行疲劳测试，其包括：
6、根据与所述载荷类型对应的固定装置对所述试样进行固定；
7、根据所述载荷施加频率和所述载荷幅值，控制所述液压作动器按照循环次数对所述试样施加压力；
8、根据所述预测偏差数据、所述第一偏差时间和预设波形补偿算法，对所述疲劳测试中的实际载荷幅值偏差进行补偿；
9、在所述疲劳测试结束后，根据所述力传感器在所述疲劳测试的压力值读数，获取所述试样的疲劳测试结果。
10、优选地，所述将输入参数输入预先构建的载荷幅值偏差预测模型，获取载荷幅值偏差发生的第一偏差时间和预测偏差数据，包括：
11、获取历史疲劳测试数据集，其中，所述历史疲劳测试数据集包括预定数量的历史测试数据，各所述历史测试数据包括历史疲劳测试的对应的所述疲劳试验参数以及所使用的疲劳测试机的性能参数，每一所述历史测试数据标注有载荷幅值偏差发生的实际偏差时间和实际偏差值；
12、根据所述历史疲劳测试数据集对基于预设机器学习算法构建的初始预测模型进行训练，得到所述载荷幅值偏差预测模型，其中，所述预设机器学习算法包括随机森林算法、支持向量机算法和梯度提升机算法；
13、将所述疲劳试验参数输入所述载荷幅值偏差预测模型，得到所述第一偏差时间和预测偏差数据。
14、优选地，所述预设机器学习算法为随机森林算法，所述根据所述历史疲劳测试数据集对基于预设机器学习算法构建的初始预测模型进行训练，得到所述载荷幅值偏差预测模型的步骤，包括：
15、对所述历史疲劳测试数据集进行预处理，得到目标数据集；
16、根据预设划分比例将所述目标数据集进行划分，得到训练集和测试集；
17、根据所述训练集对所述初始预测模型进行训练，得到中间预测模型；
18、根据所述测试集对所述中间预测模型进行测试，得到所述中间预测模型的测试结果，其中，所述测试结果包括准确率、召回率和f1分数；
19、根据所述测试结果，对所述中间预测模型的模型参数进行调整，得到所述载荷幅值偏差预测模型，其中，所述模型参数包括决策树的数量、最大深度。
20、优选地，所述根据所述训练集对所述初始预测模型进行训练，得到中间预测模型，包括：
21、对所述训练集进行分析，得到数据集信息，其中，所述数据集信息包括样本数量、特征数量、特征类型和特征分布；
22、根据所述样本数量、所述特征数量和所使用的疲劳测试机的性能参数，确定初始预测模型中决策树的数量，其中，所述决策树的数量与样本数量和所述特征数量成正比，所述性能参数包括所使用的疲劳测试集的计算资源，所述决策树的数量和所述计算资源成正比；
23、根据所述特征类型和所述样本数量，确定初始预测模型的最大深度；
24、根据所述样本数量和所述特征分布，确定初始预测模型的最小分割样本数；
25、根据所述决策树的数量、最大深度、最小分割样本数、最小叶子结点样本数和所述随机森林算法，构建初始预测模型；
26、通过所述训练集对所述初始预测模型进行训练，得到中间预测模型。
27、优选地，所述根据所述预测偏差数据、所述第一偏差时间和预设波形补偿算法，对所述疲劳测试中的实际载荷幅值偏差进行补偿，包括：
28、对所述预测偏差数据进行分析，获取偏差类型，其中，所述偏差类型包括静态偏差和动态偏差；
29、根据所述偏差类型和所述预设波形补偿算法，获取目标波形补偿算法，其中，所述预设波形补偿算法包括比例控制算法、pid控制器算法、自适应控制算法和模型预测控制算法；
30、根据所述目标波形波长算法和所述预测偏差数据，获取所述实际载荷幅值偏差的第一补偿因子；
31、根据所述第一补偿因子和所述第一偏差时间，对所述疲劳测试中的实际载荷幅值偏差进行补偿。
32、优选地，所述根据所述偏差类型和所述预设波形补偿算法，获取目标波形补偿算法，包括：
33、若所述偏差类型为静态偏差，则所述目标波形补偿为比例控制算法；
34、若所述偏差类型为动态偏差，获取所述疲劳试验机的性能参数，其中，所述性能参数包括响应时间、系统复杂度和计算资源；
35、将所述响应时间与预设响应时间阈值进行对比；
36、若所述响应时间小于等于所述预设响应时间阈值，则所述目标波形补偿算法为模型预测控制算法；
37、若所述响应时间大于所述预设响应时间阈值，将所述系统复杂度和预设复杂度阈值进行对比；
38、若所述系统复杂度大于等于预设复杂度阈值，则所述目标波形补偿算法为自适应控制算法；
39、若所述系统复杂度小于预设复杂度阈值，则将所述计算资源和预设计算资源阈值进行对比；
40、若所述计算资源大于等于预设计算资源阈值，则所述目标波形波长算法为pid控制器算法；
41、若所述计算资源小于预设计算资源阈值，则所述目标波形波长算法为比例控制算法。
42、优选地，所述根据所述第一补偿因子和所述第一偏差时间，对所述疲劳测试中的实际载荷幅值偏差进行补偿，包括：
43、根据所述第一偏差时间，确定补偿开启时间，其中，所述补偿开启时间早于所述所述第一偏差时间；
44、根据所述补偿开启时间，控制所述疲劳试验机开启实时监控，以得到实际载荷幅值偏差；
45、当实际载荷幅值偏差出现时，根据实时载荷幅值和预设的所述载荷幅值，对所述第一补偿因子进行调整得到实际载荷幅值偏差的第二补偿因子；
46、根据所述第二补偿因子，控制所述疲劳试验机对所述实际载荷幅值偏差进行补偿。
47、优选地，在所述根据所述第一补偿因子和所述第一偏差时间，对所述疲劳测试中的实际载荷幅值偏差进行补偿之后，所述控制方法还包括：
48、当所述第一偏差时间和实际载荷幅值偏差出现时间的差值大于预设时间差值，和/或，所述实际载荷幅值偏差和预测偏差数据的差值大于预设偏差阈值，根据所述预测偏差数据和所述实际载荷幅值偏差，获取模型预测偏差信息；
49、根据所述模型预测偏差信息，对所述载荷幅值偏差预测模型进行调整。
50、优选地，所述根据所述试样的材料特性参数，获取疲劳试验参数，包括：
51、获取所述试样的材料特性参数，其中，所述材料特性参数包括材料类型、几何形状、尺寸数据、材料密度和动态特性，所述动态特性包括弹性模量和阻尼比；
52、根据所述材料类型、所述几何形状和所述尺寸数据，获取所述试样的所述载荷类型；
53、根据所述载荷类型和所述材料类型，确定所述试样的载荷幅值；
54、根据所述材料密度和所述动态特性，确定所述试样的载荷施加频率，其中，所述载荷施加频率通过以下公式计算：
55、式中，f为所述载荷施加频率，fn为所述试样的自然频率，e为所述弹性模量，ζ为所述阻尼比，ρ为所述材料密度；
56、根据所述材料类型，获取所述试样的应力-寿命曲线；
57、根据所述载荷幅值和所述试样的应力-寿命曲线，确定初始循环次数；
58、根据所述几何形状和尺寸数据调整所述初始循环次数，得到循环次数；
59、根据所述载荷类型、载荷施加频率、载荷幅值和循环次数，得到所述疲劳试验参数。
60、第二方面，本发明实施例提供了一种电液伺服动态疲劳试验机的控制系统，其特征在于，所述控制系统包括：控制模块、加载模块、传感器模块和电源模块，所述加载模块用于对待测试样施加疲劳载荷，传感器模块用于实时监测施加在试样上的载荷，所述电源模块用于对所述控制系统进行供能，所述控制模块用于执行第一方面所述的电液伺服动态疲劳试验机的控制方法。
61、综上所述，本发明的有益效果如下：
62、本发明实施例提供的电液伺服动态疲劳试验机的控制方法及系统，通过根据与试样对应的疲劳试验参数，控制疲劳试验机对所述试样进行疲劳测试，其中，所述疲劳试验参数包括：载荷类型、载荷施加频率、载荷幅值和循环次数，通过精确控制载荷类型、频率、幅度和循环次数，可以模拟出更接近实际使用条件的疲劳环境：确保疲劳测试严格根据试样的特性和预定的实验条件进行，提高试验的适用性和准确性；将输入参数输入预先构建的载荷幅值偏差预测模型，获取载荷幅值偏差发生的第一偏差时间和预测偏差数据，其中，所述预测模型基于预设机器学习算法构建，所述输入参数包括所述疲劳试验参数以及所述疲劳试验机的性能参数，基于机器学习的预测模型可以根据历史数据和当前的试验参数，提供更准确的偏差预测，通过提前识别可能出现的载荷幅值偏差，允许测试在偏差出现前就做好准备；根据所述预测偏差数据、所述第一偏差时间和预设波形补偿算法，对所述疲劳测试中的实际载荷幅值偏差进行补偿，通过实时调整试验机的控制参数来补偿预测的载荷幅值偏差，提高试验的连续性和准确性。这种预先的补偿措施有助于避免因偏差修正而导致的试验中断，同时减少人工干预的需求；在所述疲劳测试结束后，获取所述试样的疲劳测试结果，在试验完成后，可以获得关于试样疲劳行为的详尽数据，这些数据对于理解材料性能和预测其寿命至关重要。通过准确的疲劳测试结果，可以对材料或构件的设计和使用寿命做出更准确的评估；
63、整个控制方法使得疲劳试验过程更加智能化和自动化，大大提高了试验的效率和可靠性。通过预测偏差并提前进行调整，该方法减少了由于非预期偏差而导致的试验失误和重复，从而节约了时间和资源。
1.一种电液伺服动态疲劳试验机的控制方法，其特征在于，所述电液伺服动态疲劳试验机包括：基座、上压盘、下压盘、力传感器、液压作动器，其中，所述下压盘安装于所述基座并且所述下压盘可拆卸地设有用于固定试样的固定装置，所述上压盘和下压盘相对设置，所述液压作动器的活塞杆与所述上压盘连接，所述力传感器设置于所述液压作动器和所述上压盘之间，用于测量施加于试样上的压力值；所述控制方法包括：
2.根据权利要求1所述的电液伺服动态疲劳试验机的控制方法，其特征在于，所述将输入参数输入预先构建的载荷幅值偏差预测模型，获取载荷幅值偏差发生的第一偏差时间和预测偏差数据，包括：
3.根据权利要求2所述的电液伺服动态疲劳试验机的控制方法，其特征在于，所述预设机器学习算法为随机森林算法，所述根据所述历史疲劳测试数据集对基于预设机器学习算法构建的初始预测模型进行训练，得到所述载荷幅值偏差预测模型，包括：
4.根据权利要求3所述的电液伺服动态疲劳试验机的控制方法，其特征在于，所述根据所述训练集对所述初始预测模型进行训练，得到中间预测模型，包括：
5.根据权利要求1所述的电液伺服动态疲劳试验机的控制方法，其特征在于，所述根据所述预测偏差数据、所述第一偏差时间和预设波形补偿算法，对所述疲劳测试中的实际载荷幅值偏差进行补偿，包括：
6.根据权利要求5所述的电液伺服动态疲劳试验机的控制方法，其特征在于，所述根据所述偏差类型和所述预设波形补偿算法，获取目标波形补偿算法，包括：
7.根据权利要求5所述的电液伺服动态疲劳试验机的控制方法，其特征在于，所述根据所述第一补偿因子和所述第一偏差时间，对所述疲劳测试中的实际载荷幅值偏差进行补偿，包括：
8.根据权利要求7所述的电液伺服动态疲劳试验机的控制方法，其特征在于，在所述根据所述第一补偿因子和所述第一偏差时间，对所述疲劳测试中的实际载荷幅值偏差进行补偿之后，所述控制方法还包括：
9.根据权利要求1-8任一项所述的电液伺服动态疲劳试验机的控制方法，其特征在于，所述根据所述试样的材料特性参数，获取疲劳试验参数，包括：
10.一种电液伺服动态疲劳试验机的控制系统，其特征在于，所述控制系统包括：控制模块、加载模块、传感器模块和电源模块，所述加载模块用于对待测试样施加疲劳载荷，传感器模块用于实时监测施加在试样上的载荷，所述电源模块用于对所述控制系统进行供能，所述控制模块用于执行权利要求1-9任一项所述的电液伺服动态疲劳试验机的控制方法。
