[发明专利]蠕墨铸铁合金导热率检测方法、装置、介质和设备

权利要求书

1.一种蠕墨铸铁合金导热率检测方法，其特征在于，步骤如下：

步骤S1、获取各种基体组织和蠕化率的蠕墨铸铁合金作为训练样本，构成训练样本集；针对于作为训练样本的各种基体组织和蠕化率的蠕墨铸铁合金，获取其在各种温度下的导热率；

步骤S2、创建神经网络模型，将训练样本集中各训练样本的基体组织、蠕化率及温度作为输入，各训练样本在上述作为输入的温度下的导热率作为输出，对神经网络模型进行训练，得到导热率检测模型；

步骤S3、获取作为测试样本的蠕墨铸铁合金，当要检测该蠕墨铸铁合金在对应温度下的导热率时，将该蠕墨铸铁合金的基体组织、蠕化率以及对应温度输入到导热率检测模型中，通过导热率检测模型获取到导热率检测结果。

2.根据权利要求1所述的蠕墨铸铁合金导热率检测方法，其特征在于，步骤S2中所获取的神经网络模型为BP神经网络模型，所述BP神经网络模型主要由3个神经元的输入层、10个神经元的隐含层以及1个神经元的输出层组成。

3.根据权利要求1所述的蠕墨铸铁合金导热率检测方法，其特征在于，输入到神经网络模型的各训练样本和测试样本对应的基体组织、蠕化率及温度为经过归一化处理后的。

4.根据权利要求1所述的蠕墨铸铁合金导热率检测方法，其特征在于，在步骤S2中，创建神经网络模型的具体包括：

步骤S21、选择神经网络模型的类型；

步骤S22、针对于所选择的神经网络模型，对学习参数进行选择：学习参数包括传递函数、训练函数和学习函数，其中，选取对数函数作为传递函数，反向传播函数作为训练函数，梯度下降动量学习函数作为学习函数；

步骤S23、设置神经网络模型的训练参数：训练参数包括初始权值、动量因子、学习率、训练步数以及性能函数。

5.根据权利要求4所述的蠕墨铸铁合金导热率检测方法，其特征在于，在步骤S2中，训练样本对神经网络模型进行训练的具体过程如下：

步骤S24、将训练样本的基体组织、蠕化率及对应温度输入到神经网络模型，得到导热率检测值，根据求得的导热率检测值和已知的导热率实际值，计算导热率检测值与导热率实际值之间的误差；

步骤S25、当误差满足所设置的误差可接受范围，则结束训练；反之，将误差反向传播，重新计算导热率检测值与导热率实际值之间的误差，若该误差满足所设置的误差可接受范围，则结束训练；若误差仍未能满足所设置的误差可接受范围，则对训练参数进行调整，直到误差满足所设置的误差可接受范围。

6.根据权利要求4所述的蠕墨铸铁合金导热率检测方法，其特征在于，训练参数中，初始权值为0～1之间的随机数，动量因子位于0.5～1之间，学习率位于0.01～0.5之间，性能参数选择均方误差函数mse。

7.一种蠕墨铸铁合金导热率检测装置，其特征在于，包括：

训练样本集构建模块，用于获取各种基体组织和蠕化率的蠕墨铸铁合金作为训练样本，构成训练样本集；针对于作为训练样本的各种基体组织和蠕化率的蠕墨铸铁合金，获取其在各种温度下的导热率；

神经网络创建模块，用于创建神经网络模型；

导热率检测模型构建模块，用于将训练样本集中各训练样本的基体组织、蠕化率及温度作为输入，各训练样本在上述作为输入的温度下的导热率作为输出，对神经网络模型进行训练，得到导热率检测模型；

测试样本获取模块，用于获取测试样本，并且获取到测试样本的基体组织和蠕化率；

导热率检测模块，当要检测作为测试样本的蠕墨铸铁合金在对应温度下的导热率时，将该蠕墨铸铁合金的基体组织、蠕化率以及对应温度输入到导热率检测模型中，通过导热率检测模型获取到导热率检测结果。

8.根据权利要求7所述的蠕墨铸铁合金导热率检测装置，其特征在于，神经网络创建模块所创建的神经网络模型为BP神经网络模型，所述BP神经网络模型主要由3个神经元的输入层、10个神经元的隐含层以及1个神经元的输出层组成。