基于因果和图注意力的电弧增材低碳钢疲劳裂纹预测方法

1.一种基于因果和图注意力的电弧增材低碳钢疲劳裂纹预测方法，其特征在于，其包括以下步骤：S1、提取电弧增材低碳钢材料AE信号数据的低维隐藏特征：采集电弧增材低碳钢材料的原始AE信号数据作为输入数据，采用一维卷积自动编码器在样本维度上对电弧增材低碳钢材料的AE信号数据进行重构，学习能够表征高维AE信号状态的低维隐藏特征；一维卷积自动编码器包括卷积层和反卷积层，卷积层包括前N-1层卷积层和第N层卷积层，反卷积层包括前N-1层反卷积层和第N层反卷积层，前N-1层卷积层均采用ReLU激活函数，前N-1层反卷积层均采用ReLU激活函数，第N层反卷积层采用Sigmoid激活函数；S2、平滑低维隐藏特征，获得平滑低维特征：对一维卷积自动编码器得到的针对电弧增材低碳钢材料的低维隐藏特征在特征维度上进行数据平滑处理，降低随机性对提出特征质量的影响，获得平滑低维特征；S3、构建因果关系网络：采用因果发现算法挖掘针对电弧增材低碳钢材料的平滑低维特征之间所存在的因果关系，构建因果关系网络；S4、基于图注意力网络模型，获得电弧增材低碳钢材料的退化裂纹大小：以平滑低维特征数据和因果关系网络作为输入，利用通过图注意力层聚合因果关系网络图中节点与边之间的信息，构建电弧增材低碳钢材料裂纹表征向量，进而通过全连接层映射到退化裂纹大小样本空间，获得退化裂纹大小；所有图注意力层均采用ReLU激活函数，最后一层全连接层采用Sigmoid激活函数；S5、训练获得电弧增材低碳钢材料退化裂纹大小评估网络权重：针对电弧增材低碳钢材料试件的AE信号数据，基于步骤S1至步骤S4进行训练，获得退化裂纹大小评估网络权重；S6、基于迁移学习，获得电弧增材低碳钢材料有限数据量的新试件的退化裂纹大小：针对电弧增材低碳钢材料有限数据量的新试件的AE信号数据，基于迁移学习，将步骤S5得到的电弧增材低碳钢材料退化裂纹大小评估网络权重及结果迁移到新试件的裂纹大小预测中，并通过微调获得新试件上的退化裂纹大小；S61、退化裂纹大小评估网络权重中，基于步骤S1训练好的一维卷积自动编码器，直接迁移到新试件上进行电弧增材低碳钢材料原始AE信号数据的降维，所提取的低维隐藏特征基于步骤S2中的数据平滑获得平滑低维特征；S62、退化裂纹大小评估网络权重中，基于步骤S3训练好的因果关系网络，直接迁移到新试件上作为步骤S4中的图注意力网络模型的输入；S63、退化裂纹大小评估网络权重中，基于步骤S4训练好的图注意力网络模型与全连接层迁移到新试件上后，基于新试件的AE信号数据采用迁移策略进行微调训练：迁移策略包括第一迁移策略、第二迁移策略、第三迁移策略和第四迁移策略。 2.根据权利要求1的基于因果和图注意力的电弧增材低碳钢疲劳裂纹预测方法，其特征在于，步骤S63中第一迁移策略仅对全连接网络进行微调训练，命名为2L；第二迁移策略对全连接网络和图注意力网络的最后一层进行微调训练，命名为2L+1G；第三迁移策略对全连接网络和图注意力网络的最后两层进行微调训练，命名为2L+2G；第四迁移策略对全连接网络和图注意力网络进行微调训练，命名为2L+3G。 3.根据权利要求1的基于因果和图注意力的电弧增材低碳钢疲劳裂纹预测方法，其特征在于，步骤S1中一维卷积自动编码器的卷积层设有六层，反卷积层设有六层；第一层卷积层和第六层反卷积层的卷积核大小均设为80，第二层、第三层和第四层卷积层与第三层、第四层和第五层反卷积层的卷积核大小均设为60，第五层卷积层与第二层反卷积层的卷积核大小均设为40，第六层卷积层与第一层反卷积层的卷积核大小均设为20；第二层、第三层、第四层、第五层和第六层卷积层与第一层、第二层、第三层、第四层和第五层反卷积层的步幅大小均设为2，第一层卷积层与第六层反卷积层的步幅大小均设为4；第一层和第五层卷积层与第一层和第五层反卷积层的输出通道数均设为8，第二层和第四层卷积层与第二层和第四层反卷积层的输出通道数均设为16，第三层卷积层与第三层反卷积层的输出通道数均设为32，第六层卷积层与第六层反卷积层的输出通道数均设为1；步骤S4中图注意力网络模型中的图注意力层设有3层，全连接层设有2层，第一层图注意力层的输出通道数设为2，第二层和第三层图注意力层的输出通道数均设为3；第一层、第二层和第三层图注意力层的注意力机制头数均设为10。 4.根据权利要求1的基于因果和图注意力的电弧增材低碳钢疲劳裂纹预测方法，其特征在于，步骤S1中一维卷积自动编码器的隐含层输出维度数远小于隐含层输入维度数，强迫一维卷积自动编码器学习最能表征原始AE信号数据的低维隐藏特征。 5.根据权利要求1的基于因果和图注意力的电弧增材低碳钢疲劳裂纹预测方法，其特征在于，步骤S2中数据平滑采用Savitzky-Golay滤波器；步骤S3中因果发现算法采用GOLEM算法。 6.根据权利要求5的基于因果和图注意力的电弧增材低碳钢疲劳裂纹预测方法，其特征在于，Savitzky-Golay滤波器的多项式阶数设为3，平滑窗口长度设为正奇整数。 7.根据权利要求1的基于因果和图注意力的电弧增材低碳钢疲劳裂纹预测方法，其特征在于，步骤S4中图注意力网络模型中的优化器采用Adam，损失函数采用平均绝对误差MAE。