1.一种基于人工神经网络的微动疲劳性能预测方法，通过一系列的实验获得相应的数据参数，构造微动疲劳数值模型和人工神经网络，根据人工神经网络预测结果与微动疲劳数值计算结果的误差，利用反向传播算法对人工神经网络进行优化，使其达到全局最优，最终完成对微动疲劳性能的准确预测，其具体步骤是：步骤一：采用圆形截面试件进行单轴拉伸实验和轴向等幅疲劳实验，获得材料弹性模量、泊松比和应力应变曲线及材料疲劳强度系数和疲劳强度指数；

步骤二：采用紧凑拉剪试件进行断裂力学实验，获得疲劳裂纹扩展阶段材料常数；

步骤三：基于双振子微动疲劳实验装置对采用圆柱压头和平板试件的不完全接触副进行微动疲劳实验，获得微动疲劳试件的裂纹萌生位置、裂纹萌生角度、裂纹萌生寿命、裂纹扩展路径、裂纹扩展寿命；

步骤四：根据步骤一获得的数据，利用有限元法，结合基于临界面的最大法向应力范围准则Δσeq＝Δσn,max和修正的Basquin公式 建立微动疲劳裂纹萌生阶段数值模型，并基于该模型计算微动疲劳裂纹萌生位置、裂纹萌生角度、裂纹萌生寿命；

其中，Δσeq为等效应力范围，Δσn,max为最大法向应力范围，基于临界面的最大法向应力范围准则Δσeq＝Δσn,max计算微动疲劳裂纹萌生位置和裂纹萌生角度，σ′f为疲劳强度系数，σm为平均应力，b为疲劳强度指数，修正的Basquin公式 计算微动疲劳裂纹萌生寿命Ni；

步骤五：根据步骤二获得的数据，利用扩展有限元法，结合基于临界面的最大法向应力范围准则Δσeq＝Δσn,max和Paris公式 建立微动疲劳裂纹扩展阶段数值模型，基于该模型计算微动疲劳裂纹扩展路径、裂纹扩展寿命；

其中，Δσeq为等效应力范围，Δσn,max为最大法向应力范围，基于临界面的最大法向应力范围准则Δσeq＝Δσn,max计算微动疲劳裂纹扩展路径，d为微分符号，a为裂纹长度，ΔG为相对断裂能释放率，c1和c2为疲劳裂纹扩展阶段材料常数，Paris公式 计算微动疲劳裂纹扩展寿命Np；

步骤六：建立人工神经网络，设置权重 偏置 和激活函数fi，预测训练集输入层神经元经过隐藏层处理后得到的输出层神经元与步骤四和步骤五中微动疲劳数值计算结果的误差，基于上述误差，利用反向传播算法不断修正权重和偏置，对人工神经网络进行初步优化，使得初步优化后的人工神经网络对于所有训练集输入层神经元都能达到全局最优；

步骤七：基于步骤六获得的权重 偏置 和激活函数fi，预测验证集输入层神经元经过隐藏层处理后得到的输出层神经元与步骤四和步骤五中微动疲劳数值计算结果的误差，如果上述误差达到最小值，初步优化后的人工神经网络对于所有输入层神经元都能达到全局最优；否则，利用反向传播算法继续修正权重和偏置，对人工神经网络进行最终优化，使得最终优化后的人工神经网络对于所有输入层神经元都能达到全局最优；

步骤八：根据获得的人工神经网络，按照现有的操作方法对微动疲劳性能预测。

2.根据权利要求1所述的基于人工神经网络的微动疲劳性能预测方法，其特征是：所述步骤四中，利用步骤三获得的数据，验证微动疲劳裂纹萌生阶段数值模型的准确性。

3.根据权利要求1所述的基于人工神经网络的微动疲劳性能预测方法，其特征是：所述步骤五中，利用步骤三获得的数据，验证微动疲劳裂纹扩展阶段数值模型的准确性。

4.根据权利要求1所述的基于人工神经网络的微动疲劳性能预测方法，其特征是：所述步骤六中，人工神经网络包括输入层、隐藏层和输出层，输入层神经元经过分类算法处理为训练集输入层神经元和验证集输入层神经元。

5.根据权利要求4所述的基于人工神经网络的微动疲劳性能预测方法，其特征是：所述训练集输入层神经元只包括法向载荷、切向载荷和远端疲劳载荷的最小值、最大值和中间值。

6.根据权利要求1所述的基于人工神经网络的微动疲劳性能预测方法，其特征是：利用分类算法处理后的输入层神经元经过隐藏层处理后进入输出层，输出层神经元包括微动疲劳裂纹萌生位置、裂纹萌生角度、裂纹萌生寿命、裂纹扩展路径、裂纹扩展寿命。