[發明專利]一種基于BP神經網絡軋輥合金力學性能預測方法

在審

• 申請號: 201710959823.0
• 申請日: 2017-10-16
• 公開（公告）號: CN107609647A
• 公開（公告）日: 2018-01-19
• 發明（設計）人: 晉會錦;尹孝輝;饒思賢;方俊飛;盧云
• 申請（專利權）人: 安徽工業大學
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06F17/50
• 代理公司: 合肥順超知識產權代理事務所(特殊普通合伙)34120
• 代理人: 周發軍

技術領域

本發明涉及合金鑄鋼軋輥技術領域，具體涉及一種基于BP神經網絡軋輥合金力學性能預測方法。

背景技術

軋輥是軋機的主要變形工具，在使用過程中它們會產生剝落、裂紋、斷裂等缺陷而失效，從而縮短了軋輥的使用壽命，軋輥的使用壽命主要是由內在性能即強度和硬度等方面決定的，通過調整其化學成分和熱處理工藝參數，在一定程度上可以滿足軋輥性能要求。因此，研究材料的成分、工藝、性能之間的關系，從而尋找出以滿足軋鋼工業需求的性能優異的軋輥材質，已經成為軋輥行業面臨新的挑戰。

通過進行材料設計，從而確定出材料化學成分、熱處理工藝、使用性能之間的關系，為新材料的開發提供了一種有效的方法。目前在研究軋輥材料成分、工藝、性能之間的關系時，通常采用實驗分析方法和公式理論方法，反復多次做實驗必會消耗大量的時間和財物，公式方法必須事先建立數學回歸模型，但是由于材料性能受多方面因素的影響，而且這些因素之間存在非線性映射關系，使得回歸經驗公式復雜且繁多。因此，采用計算機輔助材料設計，為新材料的研發提供方便而有效的方法。

發明內容

本發明的目的在于克服現有技術中存在的上述問題，提供一種基于BP神經網絡軋輥合金力學性能預測方法，減少了實驗的盲目性并縮短了新材料研發周期。

為實現上述技術目的，達到上述技術效果，本發明是通過以下技術方案實現：

一種基于BP神經網絡軋輥合金力學性能預測方法，包括如下步驟：

步驟S1：通過對不同合金成分和熱處理工藝參數下的合金鑄鋼軋輥材料進行一系列的力學性能試驗，收集并篩選試驗結果數據，歸一化預處理后得到人工神經網絡模型所需要的訓練樣本數據；

步驟S2：確定最佳的神經網絡模型結構，包括神經網絡的輸入輸出參數、隱層個數以及隱層神經元數目；

步驟S3：選取適當的學習參數，包括動量項因子、學習率、訓練步長、初始的權值和閾值、激活函數、學習算法，對神經網絡模型進行學習和訓練；

步驟S4：采用測試樣本數據對模型進行測試，并對所建立的神經網絡預測模型的準確性進行評估；

步驟S5：利用上述步驟產生的人工神經網絡模型進行合金鑄鋼軋輥力學性能的預測。

進一步地，所述步驟S1中，由試驗收集而來的訓練樣本數據為133組。

進一步地，所述步驟2中，最佳的神經網絡結構包含：輸入層神經元個數為10，隱層神經元個數為17，輸出層神經元個數為6。

進一步地，所述步驟S3中，適當的學習參數：動量項因子為0.75、學習率為0.15、初始的權值和閾值為(-1，1)之間的隨機數，隱層和輸出層的激活函數分別為tangent sigmoid和log-sigmoid、學習算法為改進的BP算法。

進一步地，所述步驟S4中，神經網絡預測合金鑄鋼軋輥力學性能的偏差基在±5％以內概率大于95％。

進一步地，所述步驟S5中，采用訓練好的人工神經網絡模型，預測和研究不同的合金成分和熱處理工藝參數對合金鑄鋼軋輥力學性能的影響規律，獲得最佳的綜合力學性能。

本發明的收益效果是：

采用本發明可以方便并準確的預測出合金鑄鋼軋輥的力學性能，再根據預測的結果，對其成分和熱處理工藝進行設計，可以減少合金鑄鋼軋輥材料設計過程中的盲目性，節省大量的時間和成本。

附圖說明

為了更清楚地說明本發明實施例的技術方案，下面將對實施例描述所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發明的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。

圖1為合金鑄鋼軋輥的力學性能預測模型網絡結構；

圖2為神經網絡訓練過程中網絡性能的變化；

圖3為硬度預測值和實測值的比較；

圖4為抗拉強度預測值和實測值的比較；

圖5為屈服強度預測值和實測值的比較；

圖6為延伸率預測值和實測值的比較；

圖7為沖擊韌性預測值和實測值的比較；

圖8為斷面收縮率預測值和實測值的比較。

具體實施方式

下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發明一部分實施例，而不是全部的實施例。基于本發明中的實施例，本領域普通技術人員在沒有作出創造性勞動前提下所獲得的所有其它實施例，都屬于本發明保護的范圍。