[发明专利]一种高锰钢表面等离子熔覆耐磨增韧涂层力学性能检测方法

说明书

本发明公开了一种高锰钢表面等离子熔覆耐磨增韧涂层力学性能检测方法，包括以下步骤：S1、在高锰钢上等离子熔覆低碳合金；S2、力学性能测试，对熔覆涂层进行各项力学性能的测试；S3、构建BP神经网络；S4、构建PSO‑BP模型；S5、随机抽取M组，作为判断依据，输入其工艺参数，通过PSO‑BP模型对熔覆涂层的力学性能进行预测，然后与样本实际值进行对比，得出误差。本发明具有能减少部分实验过程、需要的训练样本变少、能更快、更简便地获得较低的相对误差等优点。

技术领域

本发明涉及性能检测的技术领域，尤其涉及到一种高锰钢表面等离子熔覆耐磨增韧涂层力学性能检测方法。

背景技术

等离子熔覆技术是以物质存在的特殊状态等离子体为热源。等离子体是强电离所得到的，其中的电子和带正电的离子具有很高的能量，因此可以将金属熔化。等离子熔覆设备的工作原理是钨电极接入负极，熔覆端接入正极，通电后在钨极和熔覆端之间形成一个强电场。将氩气通入强电场中，氩气会被电离形成离子弧。该离子弧为小弧，无法进行等离子熔覆，其作用主要是为产生大弧做准备。接着，工件和电源正极连接，电离场的电离能力增加，小弧转变为大弧。再接着，金属粉末进入熔覆腔，粉末被迅速熔化，在电场的作用下，金属熔融液体喷射到基体表面。同时送粉的喷头也缓慢定向移动。

但在等离子熔覆过程中，由于其涉及了较为复杂的物理、化学变化，且针对不同材料需要调整不同的工艺参数，因此要进行大量的实验来进行调整。这既耗费大量的人力又耗费了大量的物力，于是便提出了采用人工神经网络的手段预测模拟等离子熔覆的结果。但是BP神经网络需要大量数据进行学习与训练才能保证较低的相对误差值。

发明内容

本发明的目的在于克服现有技术的不足，提供一种能减少部分实验过程、需要的训练样本变少、能更快、更简便地获得较低的相对误差的基于PSO-BP神经网络的高锰钢表面等离子熔覆耐磨增韧涂层力学性能检测方法。

为实现上述目的，本发明所提供的技术方案为：

一种高锰钢表面等离子熔覆耐磨增韧涂层力学性能检测方法，包括以下步骤：

S1、在高锰钢上等离子熔覆低碳合金；

S2、力学性能测试，对熔覆涂层进行各项力学性能的测试；

S3、构建BP神经网络；

S4、构建PSO-BP模型；

S5、随机抽取M组，作为判断依据，输入其工艺参数，通过PSO-BP模型对熔覆涂层的力学性能进行预测，然后与样本实际值进行对比，得出误差。

进一步地，所述步骤S1包括熔覆前基体预处理、粉末的预处理、熔覆以及熔覆后热处理，以熔覆电流、扫描速度、离子气流量和热处理温度作为改变量，得到性能各异的熔覆涂层。

进一步地，所述步骤S2力学性能测试，对熔覆涂层进行各项力学性能的测试，其中各项的具体步骤如下：

硬度测试：对得到的熔覆涂层利用砂纸和金刚石抛光膏，进行打磨抛光，然后利用维氏硬度机测量硬度；

冲击韧性测试：通过摆锤式试验机，选用的冲击锤为120～150J的小锤测试冲击韧性；

摩擦磨损测试：试样放置在多功能材料表面综合性能测试仪进行摩擦磨损试验，试验参数设定为载8～12N，摩擦方式选用往复摩擦，滑动次数为160～200 次每分钟，摩擦磨损试验时间8～10分钟。

进一步地，所述步骤S3构建的BP神经网络输入层结点数量为4，输出层结点数量为1，隐含层结点数量m根据需要确定；得到BP神经网络模型

进一步地，所述步骤S4构建PSO-BP模型的具体过程如下：