样本信息聚集原理改进及其在铁路车辆结构疲劳评定中的应用

疲劳S-N曲线是高速动车组结构设计中最重要的基础数据。降低样本数据的离散性和提高寿命预测的准确性一直是铁路车辆结构长寿命安全可靠服役的热点研究课题,经典的样本信息聚集原理(Sample polymerization principle,SPP)能够确保小样本疲劳数据统计处理的准确性,但在寿命估算的可靠性上还有改进空间。通过参数搜索的优化建立应力与标准差之间的关系,实现不同应力水平下标准差的最优取值,从而提出一种新的基于SPP的概率疲劳S-N曲线拟合方法。研究结果表明,与成组法相比,基于(X-x-x-x)型数据的疲劳P-S-N曲线的斜率和截距的相对误差小于3%,估算寿命仅为成组法5%;在处理(x-x-x-x)型数据时,估算寿命约为传统方法的0.1%。在应用于高速列车焊接结构时,改进方法充分考虑了因焊接缺陷引入的离散性,预测的疲劳寿命更加可靠与合理。由此可见,改进的SPP以及标准差参数寻优技术不仅可以确保小样本数据的拟合精度,而且能够获得更加可靠的疲劳P-S-N曲线,工程应用中得到更保守的预测结果。