一种基于优化的数据增强算法和自适应采样模型的疲劳寿命预测方法

《Fatigue & Fracture of Engineering Materials & Structures》：A Fatigue Life Prediction Method Based on Optimized Data Augmentation Algorithm and Adaptive Sampling Model

　　

**摘要**

基于机器学习的疲劳寿命预测至关重要；然而其数据集通常包含少于50个样本，对预测建模提出了严峻挑战。本研究提出了一种集成了模拟退火（SA）引导数据增强与残差驱动自适应采样（RAS）Bagging集成方法的框架。SA优化识别出能够最大化RAS-Bagging性能的数据增强参数，而RAS则自适应地对自助采样进行重新加权，使其偏向高残差区域，从而增强集成模型的多样性。重复嵌套交叉验证（十折交叉验证，30次重复，使用相同的划分）结果显示，与经典Bagging相比，该框架在CFRP（$n=36$）和DH36（$n=32$）数据集上均表现出显著改善（Wilcoxon符号秩检验，所有$p<0.001$；大效应量，Cliff's $\delta \ge 0.78$）。平均$R^2$分别从$0.36\pm 0.57$提升至$0.981\pm 0.020$，从$0.21\pm 1.48$提升至$0.889\pm 0.131$，同时平均MAE分别降低了85.8%和64.3%，且$R^2$的标准差减小了一个数量级以上（从0.57降至0.02，从1.48降至0.13）。此外，由所提模型得出的80%共形预测区间实现了84%的经验覆盖率，为面向可靠性的决策提供了保守的寿命下界估计。这些结果表明，物理约束下的数据增强结合自适应集成重采样能够有效缓解所研究数据集中疲劳寿命预测的数据稀缺问题。在将该框架推广至汽车可靠性评估和结构健康监测之前，还需要在更大规模的独立队列、现场数据及在线学习场景中进行验证。

**总结**

SA增强方法可在小样本CFRP/DH36数据集中生成合理的合成疲劳样本。防数据泄漏交叉验证通过指纹识别将增强数据与验证集隔离。残差驱动自适应Bagging在小样本学习中优先处理困难样本。全面验证表明该模型具有优越的泛化能力，且所有折中均无数据泄漏。

**利益冲突**

作者声明无利益冲突。