【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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。