微动疲劳是机械连接结构的主要失效形式之一。微动疲劳会导致接触面产生磨损、黏着、局部塑性变形等问题，从而使零部件的服役寿命显著低于在普通疲劳问题（缩短至少约30%，严重的可缩短75%以上）。因此，金属材料的微动疲劳寿命的精确预测具有重要的意义。然而，大量研究表明，微动疲劳的影响因素众多，导致现有微动疲劳损伤建模难，寿命预测精度较低。因此，急需寻求一种新的研究方法，以便对现有微动试验数据的内在规律进行充分挖掘，构建更为有效的微动疲劳寿命预测方法。机器学习作为一种处理多影响因素、高度非线性问题的数据驱动分析方法，为解决微动研究中完备物理模型建模困难、疲劳寿命预测精度低的问题提供了一种新的思路。
本研究通过搭建PSO-BP神经网络，将微动疲劳试验的典型加载参数、接触几何参数和磨损行为表征参数作为输入变量，训练神经网络。利用现有的铝合金微动疲劳试验结果组成训练数据集训练神经网络，得到铝合金试件微动疲劳寿命预测模型。结果表明，在验证数据集上，预测结果的平均准确率为116.99%（100%为完全准确），其预测精度整体上优于以SWT模型为代表的基于临界面法的传统物理模型。为验证该模型的泛化能力，本文额外选取了5组微动疲劳试验数据（本团队试验结果，未参与模型训练）对模型进行了测试。针对额外试验数据，该模型预测结果的平均准确率为129.63%，在精度上仍旧优于传统的临界面法，且在两种验证数据集上预测准确率的浮动变化仅为9.88%，具有良好的泛化能力和预测稳定性。本研究证实了机器学习方法在微动疲劳寿命预测方向的可行性和准确性。为机器学习算法在微动疲劳寿命预测领域的应用进行了有益的尝试。

微动疲劳,神经网络,疲劳寿命预测,临界面法