[发明专利]一种基于BP神经网络的振动时效工艺参数优化方法

权利要求书

1.一种基于BP神经网络的振动时效工艺参数优化方法，其特征在于：包括以下步骤：

(1)采用正交试验设计法制定振动时效实验方案：分析影响振动时效效果的工艺参数，即影响振动时效效果的主要因素，并对各个工艺参数选择相同数目的水平，即为各个因素选择相同数目的水平，根据因素和因素水平的数目选择正交试验表来制定振动时效实验方案；所述的振动时效工艺参数包括振动频率、振动幅值和振动时间；

(2)开展振动时效实验，获取实验数据：根据步骤(1)制定的振动时效实验方案开展振动时效实验，得到不同工艺参数组合下的振动时效效果；

(3)确定数据样本集：根据实验结果确定数据样本集，并按照一定的比例将该数据样本集分为训练样本与测试样本两部分；

(4)量纲一化处理：将步骤(3)中所获得的数据样本集按照不同参数类型分别进行量纲一化处理；

(5)训练BP神经网络：采用训练样本中的数据对BP神经网络进行训练，即将量纲一化的振动时效工艺参数作为输入、残余应力降低率作为输出，建立量纲一化的振动时效工艺参数与残余应力降低率之间的BP神经网络模型；

(6)测试BP神经网络：采用测试样本中的测试数据对步骤(5)中建立的量纲一化的振动时效工艺参数与残余应力降低率之间的BP神经网络模型进行测试，即将测试样本中的量纲一化的振动时效工艺参数输入步骤(5)中建立的BP神经网络模型，得到与测试样本中已经量纲一化处理后的振动时效工艺参数所对应的残余应力降低率的预测值；

(7)根据步骤(6)得到的残余应力降低率的预测值与测试样本中实验测试得到的实际残余应力降低率的相对误差均值大小来判定训练过程是否结束：设定残余应力降低率的预测值与实验测试得到的实际残余应力降低率之间的相对误差均值的设定值为β，若所述的残余应力降低率的预测值与实验测试得到的残余应力降低率之间的相对误差均值小于设定的设定值β，则训练过程结束；若所述的残余应力降低率的预测值与实验测试得到的实际残余应力降低率之间的相对误差均值大于设定的设定值β，则根据误差分别对网络各层权值和阈值进行修正，以实现误差的逆向传播，直到残余应力降低率的预测值与实验测试得到的实际残余应力降低率的相对误差均值小于设定值β为止，至此，训练过程结束；

(8)得到最优的工艺参数组合。

2.如权利要求1所述的一种基于BP神经网络的振动时效工艺参数优化方法，其特征在于：所述的振动时效效果采用残余应力降低率来表征，残余应力降低率为式中δ为残余应力降低率，σ_初始为时效试样未经振动时效处理的初始残余应力，σ_振后为时效试样经过振动时效处理后的残余应力。

3.如权利要求1所述的一种基于BP神经网络的振动时效工艺参数优化方法，其特征在于：分别在试样两点处测试，测点1用于测试振动时效前试样的残余应力，测点2用于测试振动时效后试样的残余应力；为了提高实验结果的可靠性，采用三组试样的平均残余应力来表征振动时效前后的残余应力。

4.如权利要求1所述的一种基于BP神经网络的振动时效工艺参数优化方法，其特征在于：所述的BP神经网络预测优化工艺参数的软件为MATLAB。

5.如权利要求1所述的一种基于BP神经网络的振动时效工艺参数优化方法，其特征在于：所述的残余应力测试方法为小孔法。

6.如权利要求1所述的一种基于BP神经网络的振动时效工艺参数优化方法，其特征在于：步骤(8)中最优的工艺参数组合的确定条件为所述的最优的工艺参数输入建立的BP神经网络模型得到的残余应力降低率的预测值与最优的工艺参数所对应的实验测试得到的实际残余应力降低率之间的相对误差小于设定的临界值α且所述的残余应力降低率的预测值大于设定的临界值λ；若有多组工艺参数组合符合该条件时，则选取残余应力降低率的预测值为最大值时所对应的工艺参数组合作为最优的工艺参数组合。