[发明专利]一种基于BP神经网络的喷丸强化表面完整性预测方法

说明书

本发明公开了一种基于BP神经网络的喷丸强化表面完整性预测方法，它包括以下步骤：1、收集整理零件喷丸强化试验数据，通过分析喷丸强化过程中影响喷丸性能的工艺参数和表面完整性评价指标，确定表面完整性预测模型的输入输出参数。并对数据进行预处理；2、确定隐含层激活函数类型以及隐含层节点数，构建BP神经网络结构；3、通过遗传算法优化BP神经网络的初始权值和偏置，建立喷丸强化残余应力及表面粗糙度预测模型；4、根据精度评价参数R²，确定BP神经网络结构中的权值和偏置，5、运用训练好的满足精度要求的模型进行喷丸强化残余应力与表面粗糙度预测。本发明可以降低喷丸强化工艺的试验成本，并提高喷丸工艺的效率。

技术领域

本发明属于智能制造技术领域，具体涉及一种喷丸强化表面完整性预测方法。

背景技术

喷丸强化是目前一种广泛应用的表面强化工艺，常用于高速列车、航天航空、船舶等领域关键零部件的表面强化。喷丸强化可以在零件表面引入残余压应力，改善零件表层组织结构，延缓零件疲劳失效。对零件进行喷丸强化处理，可以提高抗疲劳性能，对提高其服役性能具有重要意义。

目前在零件喷丸强化过程中，对弹丸直径、喷射角度、喷射速度、覆盖率、喷射压力和弹丸流量等工艺参数与残余应力、表面粗糙度等表面完整性评价指标的规律研究不够深入，喷丸强化工艺中零件的表面完整性是指零件的表面形貌、组织结构(晶粒度，马氏体、残余奥氏体等组织含量等)、位错密度、显微硬度和残余应力。在实际喷丸强化工艺中，若要得到工程中所要求的残余应力及表面粗糙度，一般是凭借操作者的经验定好丸料的材料和硬度、喷射压力、喷丸流量等参数，只改变喷嘴移动速度，然后进行大量的喷丸强化试验，根据试验结果来确定喷丸工艺参数。喷丸试验过程耗时耗力，使得喷丸工艺效率较低，而且经喷丸后的零件的性能也难以满足实际要求。因此需要一种快速、准确预测残余应力等表面完整性指标的方法，以指导或替代喷丸强化工艺过程中的物理试验。

随着机器学习等数据驱动技术的兴起，充分运用BP神经网络强大的非线性映射能力以及自适应能力，能用来表示喷丸强化工艺参数与性能评价指标之间复杂的非线性关系，具有重要的实际应用意义。但由于BP神经网络存在易陷入局部最小值、收敛速度慢等缺点，需要对其初始权值和偏置参数进行优化，以提高其预测精度、鲁棒性及泛化能力。

中国专利文献CN 108614418A公开了一种钛合金喷丸强化残余压应力的预测方法，它是运用多元线性回归分析求解残余压应力场特征参数与喷丸强化工艺参数的关系模型。其缺点是残余压应力场与喷丸强化工艺参数的关系模型建立过程较复杂，且模型中的某些因子通过物理试验来确定。

中国专利文献CN 109508488A公开了一种基于遗传算法优化BP神经网络的喷丸成形工艺参数预测方法，它运用BP神经网络来进行喷丸成形工艺参数的预测，其缺点是没有考虑神经网络预测模型输入参数之间的相关性，且仅用于预测的喷嘴移动速度，不能预测残余应力。

发明内容

针对现有技术存在的问题，本发明所要解决的技术问题就是提供一种基于BP神经网络的喷丸强化表面完整性预测方法，它能预测喷丸后的残余应力和表面粗糙度，在实际喷丸工艺过程中减少物理试验，提高喷丸工艺的效率。

本发明所要解决的技术问题是通过这样的技术方案实现的，它包括以下步骤：

S1、收集整理喷丸强化试验数据，以喷丸强化工艺参数和材料参数为输入参数，喷丸后材料表面完整性参数中的残余应力和表面粗糙度为输出参数，并对数据进行预处理，所述预处理包括：删除异常值，补充缺省值，对数据集进行特征降维，然后归一化处理，将试验数据按照适当比例划分为训练集和测试集；

S2、根据S1中特征降维的输入参数确定输入层节点数，确定神经网络各层之间的激活函数类型，并根据模型精度评价参数R²和经验公式来确定隐含层节点数，构建BP神经网络结构；