Der langfristige Betrieb von thermischen Stromerzeugungseinheiten hat sich zum Trend entwickelt, aber Risse im Stahl der Turbinenrotoren haben einen erheblichen Einfluss auf die Betriebssicherheit der Einheiten. Der Mangel an Daten für Ermüdungsrissausbreitungstests und die Komplexität der Modellierung von Zufallsmodellen schränken die Vorhersage der Restlebensdauer (RUL) von Ermüdungsrissen ein. Basierend auf der Analyse vorhandener Daten zum Rissausbreitungstest und vorhandener Zufallsmodelle wurde eine Methode vorgeschlagen, um virtuelle Stichproben auf der Grundlage der globalen Diffusionstechnologie (MTD) unter Verwendung der GMIE-Gauss'schen Zugehörigkeitsgradverteilung zu generieren, und die Verwendung der erwarteten Quantilregression (ER) in Kombination mit dem Extremwert-Lernen (ELM) -Neuronenmodell zur Vorhersage der RUL von Ermüdungsrissausbreitung. Die Vorhersage der RUL der Ermüdungsrissausbreitung in bestimmten Zyklen wird mit den Wahrscheinlichkeitsdichtefunktionskurven (PDF) der RUL von vorhandenen numerischen analytischen Methoden und den Kurven der Ermüdungsrissausbreitung verglichen, und der durchschnittliche absolute prozentuale Fehler (δ_(MAPE)) beträgt 2,78%, was die Wirksamkeit der vorgeschlagenen Methode bestätigt und eine starke Unterstützung für die Sicherheit des Turbinenrotorsystems bietet.

Globale Diffusion, Rissausbreitung, VSG-ELM, Restlebensdauerprognose