[发明专利]一种基于BP神经网络轧辊合金力学性能预测方法

说明书

技术领域

本发明涉及合金铸钢轧辊技术领域，具体涉及一种基于BP神经网络轧辊合金力学性能预测方法。

背景技术

轧辊是轧机的主要变形工具，在使用过程中它们会产生剥落、裂纹、断裂等缺陷而失效，从而缩短了轧辊的使用寿命，轧辊的使用寿命主要是由内在性能即强度和硬度等方面决定的，通过调整其化学成分和热处理工艺参数，在一定程度上可以满足轧辊性能要求。因此，研究材料的成分、工艺、性能之间的关系，从而寻找出以满足轧钢工业需求的性能优异的轧辊材质，已经成为轧辊行业面临新的挑战。

通过进行材料设计，从而确定出材料化学成分、热处理工艺、使用性能之间的关系，为新材料的开发提供了一种有效的方法。目前在研究轧辊材料成分、工艺、性能之间的关系时，通常采用实验分析方法和公式理论方法，反复多次做实验必会消耗大量的时间和财物，公式方法必须事先建立数学回归模型，但是由于材料性能受多方面因素的影响，而且这些因素之间存在非线性映射关系，使得回归经验公式复杂且繁多。因此，采用计算机辅助材料设计，为新材料的研发提供方便而有效的方法。

发明内容

本发明的目的在于克服现有技术中存在的上述问题，提供一种基于BP神经网络轧辊合金力学性能预测方法，减少了实验的盲目性并缩短了新材料研发周期。

为实现上述技术目的，达到上述技术效果，本发明是通过以下技术方案实现：

一种基于BP神经网络轧辊合金力学性能预测方法，包括如下步骤：

步骤S1：通过对不同合金成分和热处理工艺参数下的合金铸钢轧辊材料进行一系列的力学性能试验，收集并筛选试验结果数据，归一化预处理后得到人工神经网络模型所需要的训练样本数据；

步骤S2：确定最佳的神经网络模型结构，包括神经网络的输入输出参数、隐层个数以及隐层神经元数目；

步骤S3：选取适当的学习参数，包括动量项因子、学习率、训练步长、初始的权值和阈值、激活函数、学习算法，对神经网络模型进行学习和训练；

步骤S4：采用测试样本数据对模型进行测试，并对所建立的神经网络预测模型的准确性进行评估；

步骤S5：利用上述步骤产生的人工神经网络模型进行合金铸钢轧辊力学性能的预测。

进一步地，所述步骤S1中，由试验收集而来的训练样本数据为133组。

进一步地，所述步骤2中，最佳的神经网络结构包含：输入层神经元个数为10，隐层神经元个数为17，输出层神经元个数为6。

进一步地，所述步骤S3中，适当的学习参数：动量项因子为0.75、学习率为0.15、初始的权值和阈值为(-1，1)之间的随机数，隐层和输出层的激活函数分别为tangent sigmoid和log-sigmoid、学习算法为改进的BP算法。

进一步地，所述步骤S4中，神经网络预测合金铸钢轧辊力学性能的偏差基在±5％以内概率大于95％。

进一步地，所述步骤S5中，采用训练好的人工神经网络模型，预测和研究不同的合金成分和热处理工艺参数对合金铸钢轧辊力学性能的影响规律，获得最佳的综合力学性能。

本发明的收益效果是：

采用本发明可以方便并准确的预测出合金铸钢轧辊的力学性能，再根据预测的结果，对其成分和热处理工艺进行设计，可以减少合金铸钢轧辊材料设计过程中的盲目性，节省大量的时间和成本。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为合金铸钢轧辊的力学性能预测模型网络结构；

图2为神经网络训练过程中网络性能的变化；

图3为硬度预测值和实测值的比较；

图4为抗拉强度预测值和实测值的比较；

图5为屈服强度预测值和实测值的比较；

图6为延伸率预测值和实测值的比较；

图7为冲击韧性预测值和实测值的比较；

图8为断面收缩率预测值和实测值的比较。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。