从 6 0年代开始 ,我国汽车工业就提出了将汽车齿轮钢淬透带J9点的带宽压窄到 6~ 8HRC。进入 80年代 ,我国汽车工业大量引进国外车型 ,齿轮钢的生产要求完全按国外企业标准供货 ,淬透性要求全带 (多点 )控制<1> ,带宽 4~ 7HRC。为了实现汽车齿轮钢淬透性全带 (多点 )控制 ,将汽车齿轮钢的质量提高到更高水平 ,国内靠缩小化学成分规格的方法来满足淬透性要求 ,此种方法在少量试制国外钢种时尚可过关 ,但是一旦大批量生产 ,质量问题就会不断暴露。因此 ,汽车齿轮钢淬透性值预报已成为亟待解决的课题。对于汽车齿轮钢淬透性预报 ,在 6 0年代末Just<1> 采用多元回归分析方法导出线性方程 ,直接根据化学成分计算端淬曲线上选定位置的硬度。80年代余柏海<2 > 提出采用非线性方程计算端淬曲线。由于各特钢厂冶炼原料、冶炼工艺、热加工工艺和热处理条件不同 ,加之淬透性结束公式的不完善 ,造成上述两种计算方法使用上的局限性。因此 ,汽车齿轮钢淬透性预报工作仍需进一步研究 ,简单的数学模型还远不能反映淬透性与其影响因素之间的内在规律 ,只有采用更为先进的数学方法和手段才能取得满意的预报结果。
人工神经网络 (ArtificialNeuralNetwork)的研究为上述问题提供了良好的途径 ,它解决问题的方式不同于传统逻辑思维的“算法” ,其“操作”具有形象思维的属性 ,特别适合解决数学模型难以描述的非结构化问题和非线性问题等。神经网络具有良好的映射逼近能力 ,良好的可靠性、鲁棒性和容错性<3 > 。理论已经证明 ,任意连续函数都可以由多层神经网络以任意程度逼近。1 BP神经网络误差反向传播的前馈式人工神经网络 (简称BP神经网络 )是目前使用最广泛的一种人工神经网络。它具有结构简单 ,工作状态稳定等优点。其结构形式如图 1所示。其中 x1,x2 ,… ,xn———输入层节点 ;h1,h2 ,… ,hk———隐层节点 ;y1,y2 ,… ,yn———输出层节点 ;wij———输入层节点i与隐层节点j之间的权值图 1 BP网络结构Fig .1 BPnetworkstructurew′ij———隐层节点i与输出层节点j之间的权 值。 BP网络是一种有教师监督学习的多层神经网络。网络的学习过程包括正向传播和反向传播。在正向传播过程中,输入信息从输入层经隐层单元逐层处理 ,并传向输出层 ,经活化函数运算后得到输出值。与期望值比较从而获得误差 ,然后再将误差反向传播 ,沿原先的连接通路逐层返回并修改各层连接权值 ,使得误差信号减小。重复此过程 ,直到误差满足要求 ,BP网络训练结束。至此得到一系数矩阵 ,BP网络的预报过程只包括正向传播过程 ,输出层的输出结果即为网络的预报值。输出函数 : f(uj) =12 <1 +th(uj2 ) > uj=Σni=1Wijxi-θj式中Wij———相临层任意两个神经元之间的连接权值 ;θj———第j个神经元的阈值。误差函数 : J(W) =1PNMΣPs =1ΣNMi=1<ds,i-YMs ,j>2式中 NM ———输出层单元数 ;ds ,i———输出层第i神经元的期望值 ;YMs,j———输出层第i神经元的实际值。权值调整公式 : W(k +1 ) =W(k) - ηJ(W)(W) |W =W (k)式中 η———学习律 (学习因子 )J(W)(W) |W =W(k) ———W =W(k)时误差函数的梯度方向。2 BP神经网络预测汽车齿轮钢一点端淬值SCM42 0H是国内特钢厂生产的重载汽车齿轮钢 ,热处理条件是 :880℃保温 1h正火 ,870℃保温 40min端淬 ,端淬值仅要求一点J1 5 =3 5~ 40HRC。神经网络的输入为影响淬透性的因素 ,包括5个部分 :C、Si、Mn、Cr、Mo ;神经网络的输出参数 :J1 5 ;神经元输入层节点数 :5 ;神经元隐层节点数 :8;神经元输出层节点数 :1 ;训练样本数 :1 0 0 ;检验样本数 :5 0。预测结果如图 2 (a)所示。经检验 ,每个样本的预测值与实测值相比较 ,相对误差都在± 6 %之内 ,该样本集的误差平方和σ≈ 2 3 3。采用线性回归方法得到J1 5的预测结果如图 2 (b)所示。经检验 ,每个样本的预测值与实测值相比较 ,相对误差在± 1 0 %之内 ,该样本集的误差平方和σ≈ 3 85。通过对比可以看出 ,采用人工神经网络预测汽车齿轮钢SCM42 0H淬透性值 ,精度更为准确。3 BP神经网络预测汽车齿轮钢多点端淬值汽车齿轮钢多点端淬值采用线性回归的方法很难预测 ,即使能够预测 ,其预测精度也很低 ,难以满足生产要求。但是 ,如果采用神经网络的方法就可以得到令人满意的预报精度。如汽车齿轮钢 1 9CrNi5 ,热处理条件是 :880℃保温 1h正火 ,86 0℃保温 40min端淬 ,淬透性带宽为 :J9=3 6~42HRC ,J1 5 =3 0~ 3 6HRC ,J2 5 =2 6~ 3 2HRC。 神经网络的输入为影响淬透性的因素 ,包括5个部分 :C、Si、Mn、Cr、Ni;神经网络的输出参数包括 3个部分 :J9、J1 5、J2 5 ;神经元输入层节点数 :5 ;神经元隐层节点数 :8;神经元输出层节点数 :3 ;训练样本数 :80图 2 SCM42 0钢淬透性J15实测值与BP神经网络预测值比较 (a) ;与线性回归预测值比较 (b)Fig .2 ComparingmeasureddataofhardenabilityJ15ofsteelSCM42 0withBPneuralnetworkpredicteddata (a)andwithlinearregressionpredicteddata (b)图 3 19CN5钢淬透性实测值与BP网络预测值比较 :(a)J9;(b)J15 ;(c)J2 5Fig .3 Comparisonofhardenabilityofsteel19CN5betweenmeasureddataandBPnetworkpredicteddata :(a)J9;(b)J15 ;(c)J2 5 检验样本数 :3 8。训练次数 40 0 0次 ,预测结果如图 3所示。经检验 ,样本的网络输出值与实测值相比 ,相对误差在± 7%之内。4 结论(1 )BP神经网络可成功地用于汽车齿轮钢淬透性预报 ,对于汽车齿轮钢化学成分的设计起指导作用。(2 )神经网络预报汽车齿轮钢淬透性精度高 ,可以满足汽车齿轮钢淬透性多点控制的要求。(3 )本研究具有良好在线应用前景。只要建立了实测数据库 ,获取现场实际生产数据 ,利用离线训练获得不断更新的网络权值矩阵 ,就可以在线应用 ,以达到提高汽车齿轮钢产品质量和降低劳动强度的目的人工神经网络模型预报汽车齿轮钢淬透性@于庆波$东北大学轧制技术及连轧自动化国家重点实验室!沈阳110006
@刘相华$东北大学轧制技术及连轧自动化国家重点实验室!沈阳110006
@王国栋$东北大学轧制技术及连轧自动化国家重点实验室!沈阳110006汽车齿轮钢;;人工神经网络;;淬透性采用人工神经网络模型预测汽车齿轮钢淬透性的精度 (
相对误差± 6 % )高于线性回归分析预测的精度 (相对误差± 10 % ) ,它是一种容错性好 ,通用性强的可靠的淬透性预报方法。1 项程云.合金结构钢.北京:冶金工业出版社,1999.91
2 余柏海.淬透性计算机预报.特殊钢,1997,18(5):45
3 闻 新,等.Matlab神经网络应用设计.北京:科学出版社,2000.7国家自然科学基金项目编号G5 0 1 0 4 0 0 4挡庵涤耄拢猩窬缭げ庵当冉?(a) ;与线性回归预测值比较 (b)Fig .2 ComparingmeasureddataofhardenabilityJ15ofsteelSCM42 0withBPneuralnetworkpredicteddata (a)andwithlinearregressionpredicteddata (b)图 3 19CN5钢淬透性实测值与BP网络预测值比较 :(a)J9;(b)J15 ;(c)J2 5Fig .3 Comparisonofhardenabilityofsteel19CN5betweenmeasureddataandBPnetworkpredicteddata :(a)J9;(b)J15 ;(c)J2 5 检验样本数 :3 8。训练次数 40 0 0次 ,预测结果如图 3所示。经检验 ,样本的网络输出值与实测值相比 ,相对误差在± 7%之内。4 结论(1 )BP神经网络可成功地用于汽车齿轮钢淬透性预报 ,对于汽车齿轮钢化学成分的设计起指导作用。(2 )神经网络预报汽车齿轮钢淬透性精度高 ,可以满足汽车齿轮钢淬透性多点控制的要求。(3 )本研究具有良好在线应用前景。只要建立了实测数据库 ,获取现场实际生产数据 ,利用离线训练获得不断更新的网络权值矩阵 ,就可以在线应用 ,以达到提高汽车齿轮钢产品质量和降低劳动强度的目的人工神经网络模型预报汽车齿轮钢淬透性@于庆波$东北大学轧制技术及连轧自动化国家重点实验室!沈阳110006
@刘相华$东北大学轧制技术及连轧自动化国家重点实验室!沈阳110006
@王国栋$东北大学轧制技术及连轧自动化国家重点实验室!沈阳110006汽车齿轮钢;;人工神经网络;;淬透性采用人工神经网络模型预测汽车齿轮钢淬透性的精度 (相对误差± 6
More abstracts about the 人工神经网络模型预报汽车齿轮钢淬透性