一种汽车悬架弹簧冷抛丸强化残余应力预测方法技术

本发明专利技术提出了一种汽车悬架弹簧冷抛丸强化残余应力预测方法。将多组训练样本依次输入至基于ABAQUS的冷抛丸仿真模型，运行仿真，提取得到每组训练样本对应的真实标签；构建BP神经网络训练模型，代入上述实验得到的训练样本及其对应真实标签，迭代训练得到训练后BP神经网络训练模型；将待预测的弹丸直径、抛丸速度、覆盖率输入至该神经网络模型，预测该输入参数下抛丸后实际材料残余应力和粗糙度。本发明专利技术的技术效果是：发挥了BP神经网络误差反向传播、调整网络模型不断接近最准确的数据特征的技术优越性，实现了冷抛丸强化工艺对残余应力的量化把握，大大提高了冷抛丸强化工艺的残余应力和粗糙度预测的准确度和效率，具有十分重要的应用价值。的应用价值。的应用价值。

【技术实现步骤摘要】
一种汽车悬架弹簧冷抛丸强化残余应力预测方法


[0001]本专利技术属于应力预测
，尤其涉及一种汽车悬架弹簧冷抛丸强化残余应力预测方法。

技术介绍

[0002]在汽车的悬架弹簧制造过程中，常常需要经过抛丸强化产生残余压应力，通过延迟疲劳裂缝的产生和限制裂缝的扩展来提高弹簧疲劳寿命，同时抛丸所产生的压应力能在疲劳实验中抵消一部分拉应力，使得弹簧所受到的净张应力减小，以提高弹簧的许用应力，抛丸后的螺旋弹簧比未抛丸的弹簧许用应力可高65％～70％。
[0003]随着汽车行业不断发展，汽车的安全性要求越来越严格。悬架弹簧设计应力不断增大，常规抛丸工艺的残余应力已不能满足弹簧轻量化要求。需研究弹丸参数(如弹丸直径、速度、覆盖率)、抛丸设备和工件等相关参数的优化，以获得更高的残余应力，其中，加大抛丸压力来加大弹丸撞击的初始速度就成为研究方案的首选。然而加大弹丸初速度后，必然会导致表面粗糙度会明显增加，带来不利影响。因此，亟需研究把握弹丸参数与抛丸处理后材料的残余应力和表面粗糙度之间的定量关系，以便于进一步指导抛丸工艺获得更高残余应力，同时保证工件粗糙度满足要求的参数优化方法。
[0004]然而，影响抛丸表面处理后工件残余应力、层深、粗糙度的抛丸参数很多，其作用原理涉及金属塑性变形、裂纹扩展、金相组织变化等，复杂程度使其几乎无法通过数学解析方法进行公式推导。在实际的生产工艺中，操作者常根据自身生产经验，对弹丸参数进行把握，在长期尝试与实践中摸索使残余应力较大，同时粗糙度较低的最佳的抛丸工艺参数，但这种方法无法量化，更无法得到最大的参与应力值，并且大量的尝试与实验耗时耗力，降低了效率。若有一种快速、准确预测工件抛丸后残余应力及其层深和粗糙度的方法，则抛丸工艺将得到显著优化。
[0005]随着人工神经网络(Artificial Neural Network，缩写为ANN)在机器学习领域的不断发展和完善，在今天，它的主要应用领域已经涉及到模式识别、智能机器人、非线性系统识别、知识处理等方面。在抛丸强化中，BP神经网络(Back Propagation Artificial Neural Network,BP
‑
ANN)以误差反向传播为特点，通过反馈训练输入与目标间的误差迭代训练权值和阈值矩阵，调整网络模型不断接近最准确的数据特征，在处理输入的抛丸参数与输出的抛丸强化后零件残余应力与粗糙度信息之间的非线性关系上具有十分重要的应用价值。相同的输入抛丸参数下，经过BP神经网络预测的残余应力值与实验得到的残余应力真实输出值比较发现，BP神经网络对抛丸参数与输出残余应力的数据特征切合程度非常高，预测值偏离真实值的误差很小，具有充足的可信度。
[0006]中国专利文献CN 111401623A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，它运用BP神经网络并且优化了初始权值和偏置参数来对喷丸后的零件残余应力和表面粗糙度进行预测，其缺点是不能具体预测残余压应力层深以及最大残余应力值及其层深，且没有应用损失函数对神经网络训练控制参数进行优化，预测精度较低。

技术实现思路

[0007]为了克服现有技术存在的不足之处，充分发挥人工神经网络的技术优越性，本专利技术提供了一种汽车悬架弹簧冷抛丸强化残余应力预测方法。
[0008]本专利技术所采用的技术方案为一种汽车悬架弹簧冷抛丸强化残余应力预测方法，其特征在于，包括以下步骤：
[0009]步骤1：将多组训练样本依次输入至基于ABAQUS的冷抛丸仿真模型，通过基于ABAQUS的冷抛丸仿真模型进行冷抛丸仿真，得到每组训练样本对应的真实标签。
[0010]步骤1所述每组训练样本由弹丸直径、抛丸速度、覆盖率构成；
[0011]步骤1所述每组训练样本对应的真实标签由抛丸后材料表面残余应力、最大残余压应力、最大残余压应力层深、残余压应力层深和粗糙度构成；
[0012]步骤2：构建BP神经网络训练模型，将每组训练样本输入至BP神经网络训练模型预测，得到每组训练样本对应的预测标签，结合每组训练样本对应的真实标签构建损失函数模型，通过自适应学习率优化算法优化迭代训练，得到训练后BP神经网络训练模型；
[0013]步骤2所述BP神经网络训练模型由输入层、隐含层和输出层依次级联构成；
[0014]所述输入层用于输入每组训练样本，所述输入层包含弹丸直径节点、抛丸速度节点、覆盖率节点；
[0015]所述弹丸直径节点用于输入每组训练样本的弹丸直径；
[0016]所述抛丸速度节点用于输入每组训练样本的抛丸速度；
[0017]所述覆盖率节点用于输入每组训练样本的覆盖率；
[0018]所述隐含层用于输入值正向传递子过程和误差值反向传递子过程；
[0019]所述输出层用于输出每组训练样本对应的预测标签；
[0020]所述输出层包括表面残余应力节点、最大残余压应力节点、最大残余压应力层深节点、残余压应力层深节点和粗糙度节点；
[0021]所述表面残余应力节点用于输出预测抛丸后材料表面残余应力；
[0022]所述最大残余压应力节点用于输出预测最大残余压应力；
[0023]所述最大残余压应力层深节点用于输出预测最大残余压应力层深；
[0024]所述残余压应力层深节点用于输出预测残余压应力层深度；
[0025]所述粗糙度节点用于输出预测粗糙度；
[0026]步骤2所述每组训练样本对应的预测标签由预测抛丸后材料表面残余应力、预测最大残余压应力、预测最大残余压应力层深、预测残余压应力层深和预测粗糙度构成；
[0027]步骤2所述损失函数J模型为：
[0028][0029]其中，j和θ均表示训练样本对应的真实标签的序号，j＝1，2，3，4，5分别表示真实标签中的预测材料表面残余应力、预测最大残余压应力、预测最大残余压应力层深、预测残余压应力层深和预测粗糙度；表示计算第j个训练样本对应的真实标签时代入计算的训练样本，不同的i表示弹丸直径、抛丸速度、覆盖率；h
θj
为假设函数，即当前训练
模型预测的训练样本对应的真实标签，h
θj
(j＝1，2，3，4，5)代表计算第j个训练样本对应的真实标签的预测值的函数；y
j
(j＝1，2，3，4，5)代表实验真实得到的训练样本对应的真实标签，即抛丸实验后材料表面残余应力、最大残余压应力、最大残余压应力层深、残余压应力层深和粗糙度；m代表训练样本对应的真实标签的个数；
[0030]为了自适应地调整学习率，实现梯度下降，利用函数的非线性特点，结合损失函数变化值，使学习率自适应增大或减小，学习率确定公式如下：
[0031]λ＝λ0(1+tanh(J
t
‑
J
t+1
))
[0032]其中，λ是学习率；λ0是学习率初值，在本实施例中为0.0025；J
t
是t时刻损失函数的值；J
t本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种汽车悬架弹簧冷抛丸强化残余应力预测方法，其特征在于，包括以下步骤：步骤1：将多组训练样本依次输入至基于ABAQUS的冷抛丸仿真模型，通过基于ABAQUS的冷抛丸仿真模型进行冷抛丸仿真，得到每组训练样本对应的真实标签；步骤1所述每组训练样本由弹丸直径、抛丸速度、覆盖率构成；步骤1所述每组训练样本对应的真实标签由抛丸后材料表面残余应力、最大残余压应力、最大残余压应力层深、残余压应力层深和粗糙度构成；步骤2：构建BP神经网络训练模型，将每组训练样本输入至BP神经网络训练模型预测，得到每组训练样本对应的预测标签，结合每组训练样本对应的真实标签构建损失函数模型，通过自适应学习率优化算法优化迭代训练，得到训练后BP神经网络训练模型；步骤2所述BP神经网络训练模型由输入层、隐含层和输出层依次级联构成；所述输入层用于输入每组训练样本，所述输入层包含弹丸直径节点、抛丸速度节点、覆盖率节点；所述弹丸直径节点用于输入每组训练样本的弹丸直径；所述抛丸速度节点用于输入每组训练样本的抛丸速度；所述覆盖率节点用于输入每组训练样本的覆盖率；所述隐含层用于输入值正向传递子过程和误差值反向传递子过程；所述输出层用于输出每组训练样本对应的预测标签；所述输出层包括表面残余应力节点、最大残余压应力节点、最大残余压应力层深节点、残余压应力层深节点和粗糙度节点；所述表面残余应力节点用于输出预测抛丸后材料表面残余应力；所述最大残余压应力节点用于输出预测最大残余压应力；所述最大残余压应力层深节点用于输出预测最大残余压应力层深；所述残余压应力层深节点用于输出预测残余压应力层深度；所述粗糙度节点用于输出预测粗糙度；步骤2所述每组训练样本对应的预测标签由预测抛丸后材料表面残余应力、预测最大残余压应力、预测最大残余压应力层深、预测残余压应力层深和预测粗糙度构成；步骤2所述损失函数J模型为：其中，j和θ均表示训练样本对应...

【专利技术属性】
技术研发人员：汪舟，张旭，王晓丽，杨莹，曾思明，王昱杰，贾沛松，王腾龙，申建国，汪帆星，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：