一种基于BP神经网络的喷丸强化表面完整性预测方法技术

本发明专利技术公开了一种基于BP神经网络的喷丸强化表面完整性预测方法，它包括以下步骤：1、收集整理零件喷丸强化试验数据，通过分析喷丸强化过程中影响喷丸性能的工艺参数和表面完整性评价指标，确定表面完整性预测模型的输入输出参数。并对数据进行预处理；2、确定隐含层激活函数类型以及隐含层节点数，构建BP神经网络结构；3、通过遗传算法优化BP神经网络的初始权值和偏置，建立喷丸强化残余应力及表面粗糙度预测模型；4、根据精度评价参数R²，确定BP神经网络结构中的权值和偏置，5、运用训练好的满足精度要求的模型进行喷丸强化残余应力与表面粗糙度预测。本发明专利技术可以降低喷丸强化工艺的试验成本，并提高喷丸工艺的效率。

【技术实现步骤摘要】
一种基于BP神经网络的喷丸强化表面完整性预测方法
本专利技术属于智能制造
，具体涉及一种喷丸强化表面完整性预测方法。
技术介绍
喷丸强化是目前一种广泛应用的表面强化工艺，常用于高速列车、航天航空、船舶等领域关键零部件的表面强化。喷丸强化可以在零件表面引入残余压应力，改善零件表层组织结构，延缓零件疲劳失效。对零件进行喷丸强化处理，可以提高抗疲劳性能，对提高其服役性能具有重要意义。目前在零件喷丸强化过程中，对弹丸直径、喷射角度、喷射速度、覆盖率、喷射压力和弹丸流量等工艺参数与残余应力、表面粗糙度等表面完整性评价指标的规律研究不够深入，喷丸强化工艺中零件的表面完整性是指零件的表面形貌、组织结构(晶粒度，马氏体、残余奥氏体等组织含量等)、位错密度、显微硬度和残余应力。在实际喷丸强化工艺中，若要得到工程中所要求的残余应力及表面粗糙度，一般是凭借操作者的经验定好丸料的材料和硬度、喷射压力、喷丸流量等参数，只改变喷嘴移动速度，然后进行大量的喷丸强化试验，根据试验结果来确定喷丸工艺参数。喷丸试验过程耗时耗力，使得喷丸工艺效率较低，而且经喷丸后的零件的性能也难以满足实际要求。因此需要一种快速、准确预测残余应力等表面完整性指标的方法，以指导或替代喷丸强化工艺过程中的物理试验。随着机器学习等数据驱动技术的兴起，充分运用BP神经网络强大的非线性映射能力以及自适应能力，能用来表示喷丸强化工艺参数与性能评价指标之间复杂的非线性关系，具有重要的实际应用意义。但由于BP神经网络存在易陷入局部最小值、收敛速度慢等缺点，需要对其初始权值和偏置参数进行优化，以提高其预测精度、鲁棒性及泛化能力。中国专利文献CN108614418A公开了一种钛合金喷丸强化残余压应力的预测方法，它是运用多元线性回归分析求解残余压应力场特征参数与喷丸强化工艺参数的关系模型。其缺点是残余压应力场与喷丸强化工艺参数的关系模型建立过程较复杂，且模型中的某些因子通过物理试验来确定。中国专利文献CN109508488A公开了一种基于遗传算法优化BP神经网络的喷丸成形工艺参数预测方法，它运用BP神经网络来进行喷丸成形工艺参数的预测，其缺点是没有考虑神经网络预测模型输入参数之间的相关性，且仅用于预测的喷嘴移动速度，不能预测残余应力。
技术实现思路
针对现有技术存在的问题，本专利技术所要解决的技术问题就是提供一种基于BP神经网络的喷丸强化表面完整性预测方法，它能预测喷丸后的残余应力和表面粗糙度，在实际喷丸工艺过程中减少物理试验，提高喷丸工艺的效率。本专利技术所要解决的技术问题是通过这样的技术方案实现的，它包括以下步骤：S1、收集整理喷丸强化试验数据，以喷丸强化工艺参数和材料参数为输入参数，喷丸后材料表面完整性参数中的残余应力和表面粗糙度为输出参数，并对数据进行预处理，所述预处理包括：删除异常值，补充缺省值，对数据集进行特征降维，然后归一化处理，将试验数据按照适当比例划分为训练集和测试集；S2、根据S1中特征降维的输入参数确定输入层节点数，确定神经网络各层之间的激活函数类型，并根据模型精度评价参数R2和经验公式来确定隐含层节点数，构建BP神经网络结构；S3、通过遗传算法优化BP神经网络的初始权值和偏置，采用S1的训练集数据训练神经网络，建立喷丸强化残余应力和表面粗糙度预测模型；S4、计算残余应力和表面粗糙度预测模型的精度评价参数R2，若大于指定阈值，则获取神经网络结构中的权值和偏置，保存神经网络中的结构参数；若小于指定阈值，则返回S3，重新训练网络，直至满足残余应力和表面粗糙度预测模型精度评价参数大于指定阈值；S5、用已建立的满足精度要求的残余应力和表面粗糙度预测模型，输入喷丸强化工艺参数，对喷丸强化残余应力和表面粗糙度进行预测。本专利技术的技术效果是：运用遗传算法优化的BP神经网络，建立喷丸强化残余应力及表面粗糙度预测模型，通过特征降维技术，对输入数据进行降噪或去除冗余处理，然后输入喷丸强化工艺参数和材料参数，实现了预测喷丸后的残余应力和表面粗糙度，在实际喷丸工艺过程中减少物理试验，提高了喷丸工艺的效率，对喷丸工艺有指导作用。附图说明本专利技术的附图说明如下：图1为BP神经网络的拓扑结构图；图2为实施例预测的喷丸强化残余应力值与试验值对比图；图3为实施例预测的喷丸强化粗糙度、BP神经网络预测值与试验值对比图。具体实施方式下面结合附图和实施例对本专利技术作进一步说明：本实施例为齿轮喷丸强化的表面完整性预测，包括以下步骤：S1、收集整理喷丸强化试验数据，通过分析喷丸强化过程中影响喷丸性能的工艺参数和表面完整性评价指标，以喷丸强化工艺参数和材料参数为输入参数，喷丸后材料表面完整性参数中的残余应力和表面粗糙度为输出参数；并对输入数据进行预处理，所述预处理包括：删除异常值，补充缺省值，对数据集进行特征降维，对数据进行归一化处理，将试验数据按照适当比例划分为训练集和测试集。本实施例中，输入参数为残余应力点距齿轮表面深度(简称应力深度)、齿轮材料、弹丸材料、弹丸直径、弹丸硬度、弹丸流量、喷射压力、喷丸时间、受喷齿轮表面距喷嘴距离，其他喷丸工艺参数同样适用于本预测方法，也属于本专利的保护范畴，在此不再赘述；输出数据为齿轮的残余应力和表面粗糙度。其中，应力深度、齿轮材料、弹丸材料、弹丸直径、弹丸硬度、弹丸流量等输入参数可能存在相关性，文献"Whatisprincipalcomponentanalysis？",Ringnér,Markus,Naturebiotechnology26.3(2008):303-304.(“主成分分析是什么？”，Ringnér,Markus，Naturebiotechnology26.3(2008):303-304)记载了PCA特征降维技术的内容。运用PCA特征降维技术，可以消除由输入参数之间的相关性造成的误差，克服预测模型过拟合的缺点，提高预测精度。数据集中的应力深度定义为x1，齿轮材料定义为x2，弹丸材料定义为x3，弹丸直径定义为x4，弹丸硬度定义为x5，弹丸流量定义为x6，喷射压力定义为x7，喷丸时间定义为x8，受喷齿轮表面距喷嘴距离定义为x9，则输入数据共有9维，输入数参数数据集记为A＝[x1,x2,...,x9]。然后对数据进行预处理，收集的数据中有弹丸硬度缺失，通过给定默认值如640HV解决，对于那些在整体数据一般性的性质上表现完全与整体数据不一致的异常数据，就进行删除。PCA特征降维步骤具体如下：步骤1)、求解每一维数据的均值，然后每一维数据减去对应的均值，得到的输入参数矩阵记为A1，A1＝[x′1,x′2,...,x′9]；步骤2)、计算输入参数矩阵A1的协方差矩阵，记为COV；式中，x′p,x′q为A1中的列向量，cov(x′p,x′q)为向量x′p,x′q的协方差，cov(x′p,x′q)＝E[(x′p-E(x′p))(x′q-E(x′q))]，E(x本文档来自技高网...

【技术保护点】
1.一种基于BP神经网络的喷丸强化表面完整性预测方法，其特征是，包括以下步骤：/nS1、收集整理喷丸强化试验数据，以喷丸强化工艺参数和材料参数为输入参数，喷丸后材料表面完整性参数中的残余应力和表面粗糙度为输出参数，并对数据进行预处理，所述预处理包括：删除异常值，补充缺省值，对数据集进行特征降维，然后归一化处理，将试验数据按照适当比例划分为训练集和测试集；/nS2、根据S1中特征降维的输入参数确定输入层节点数，确定神经网络各层之间的激活函数类型，并根据模型精度评价参数R2和经验公式来确定隐含层节点数，构建BP神经网络结构；/n使用含有两个隐含层的BP神经网络建立预测模型，隐含层节点数的经验公式为：/n

【技术特征摘要】
1.一种基于BP神经网络的喷丸强化表面完整性预测方法，其特征是，包括以下步骤：
S1、收集整理喷丸强化试验数据，以喷丸强化工艺参数和材料参数为输入参数，喷丸后材料表面完整性参数中的残余应力和表面粗糙度为输出参数，并对数据进行预处理，所述预处理包括：删除异常值，补充缺省值，对数据集进行特征降维，然后归一化处理，将试验数据按照适当比例划分为训练集和测试集；
S2、根据S1中特征降维的输入参数确定输入层节点数，确定神经网络各层之间的激活函数类型，并根据模型精度评价参数R2和经验公式来确定隐含层节点数，构建BP神经网络结构；
使用含有两个隐含层的BP神经网络建立预测模型，隐含层节点数的经验公式为：



式中，o为隐含层节点数，n为输入层节点数，l为输出层节点数，a为1～10的常数；
模型精度评价参数R2为：



式中，是模型的预测值，即齿轮残余应力或表面粗糙度的预测值，yi是试验值，即齿轮残余应力或表面粗糙度的试验值，是试验数据的平均值，即齿轮残余应力或表面粗糙度的试验数据平均值，m为试验数据的总数，i＝1,2,3,…,m；
输入层到第一隐含层的激活函数选择Sigmoid函数，第一隐含层到第二隐含层的激活函数选择Tanh函数，第二隐含层到输出层的激活函数选择线性函数；
BP神经网络模型输入层到第一隐含层的传递公式为：



式中，H1j为第一隐含层第j个节点的输出，j＝1,2,…,6，f1为Sigmoid函数，xi为输入层第i个节点的输入，wij为输入层节点到第一隐含层节点之间的连接权值，wij共有24个；b1j为第一隐含层的偏置，b1j共有6个；
BP神经网络模型第一隐含层到第二隐含层的传递公式为：



式中，H2k为第二隐含层第k个节点的输出，k＝1,2,…,6，f2为Tanh函数，wjk为第一隐含层节点到第二隐含层节点之间的连接权重，wjk共有36个；b2k为第二隐含层的偏置，共6个；
BP神经网络模型第二隐含层到输出层的传递公式为：



式中，ye为输出层第e个节点的输出，e＝1,2,f3为线性激活函数，第二隐含层节点到输出层节点之间的连接权值，共12个，b3e为输出层的偏置，共2个；
S3、通过遗传算法优化BP神经网络的初始权值和偏置，采用S1中的训练集训练神经网络，建立齿轮喷丸强化残余应力及表面粗糙度预测模型；
遗传算法的具体步骤为：
1)初始化种群，设置种群数目，把初始化的种群作为第一代父代，并对种群中的个体按照实数编码的方法进行编码；个体编码时，染色体基因的长度等于神经网络中所有权值和偏置个数的总和；
2)把预测值与试验值的误差平方和的倒数作为适应度函数值Val，并以此来作为个体优劣的评价指标，适应度函数Val为：



式中，为模型预测输出值，即齿轮残余应力或表面粗糙度的预测值，yi为训练集中的试验值，即齿轮残余应力或表面粗糙度的试验值，e为输出层节点数；
3)、计算每一代个体适应度值，将适应度...

【专利技术属性】
技术研发人员：刘怀举，吴少杰，张秀华，朱才朝，魏沛堂，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆;50