CN105117599A - 高铝青铜涂层性态预测模型的建立方法以及高铝青铜涂层单一性态指标的寻优方法 - Google Patents

Abstract

本发明公开了一种高铝青铜涂层性态预测模型的建立方法以及高铝青铜涂层单一性态指标的寻优方法。预测模型的建立方法包括：建立训练样本和测试样本；构建BP神经网络模型；采用训练样本并通过遗传算法优化上述BP神经网络的权值和阈值；采用测试样本对经遗传算法优化后的BP神经网络模型进行测试，获得高铝青铜涂层性态预测模型。寻优方法是利用预测模型并通过遗传算法对高铝青铜涂层进行单一性态指标极值寻优。本发明建立的高铝青铜涂层性态预测模型预测精度高，采用该高铝青铜涂层性态预测模型大大提高了高铝青铜涂层的研究效率，使高铝青铜涂层的研发更具有方向性和前瞻性。

Description

高铝青铜涂层性态预测模型的建立方法以及高铝青铜涂层单一性态指标的寻优方法

技术领域

本发明属于喷涂技术领域，具体涉及一种高铝青铜涂层性态预测模型的建立方法以及高铝青铜涂层单一性态指标的寻优方法。

背景技术

喷涂技术作为材料表面强化、保护和尺寸恢复的新技术，在设备维修、机械制造中得到广泛应用。高铝青铜涂层由于具有良好的耐磨耐蚀性能，在发动机维修及船舶制造中备受关注。采用喷涂技术在零部件表面制备高铝青铜涂层，其质量是制约高铝青铜涂层广泛应用的关键因素之一。

目前高铝青铜涂层的制备方法主要有电弧喷涂、超音速等离子喷涂、超音速火焰喷涂等高温喷涂技术，所制备的涂层具有一定的耐磨耐蚀性能，但同时由于喷涂温度高，所制备的涂层还存在氧化和相变的问题，尚未充分发挥高铝青铜材料优异的耐磨、耐蚀、耐疲劳等性能。

低温超音速喷涂技术制备高铝青铜涂层的基本原理是以燃烧温度低的丙烷与压缩空气为燃气，以氢气为助燃气体、还原气体，产生超音速焰流携带喷涂颗粒与基体碰撞，诱发颗粒产生高塑性畸变并与基体协调变形，进而沉积形成涂层的工艺过程。其主要特点是：以燃烧热值低的丙烷作为主燃料，喷枪中焰流的温度可稳定控制在600～1100℃范围内，温度明显低于电弧喷涂(10000℃以上)和超音速等离子喷涂(25000℃以上)，同时也低于超音速氧气火焰(HVOF)喷涂技术(3000～4000℃)以及超音速空气火焰(HVAF)喷涂技术(1000～1900℃)，因此可有效克服喷涂粒子的高温氧化以及低温塑性变形差的难题。

在低温超音速喷涂高铝青铜涂层过程中，喷涂工艺有着极其重要的作用，喷涂工艺直接影响着涂层的制备及最终的性能。但是，长期以来高铝青铜涂层的研发工作，大多停留在经验、试验和近似的基础之上，所作研究也局限于试验完成后对涂层表面性能的测试和一般性理论的探索，特别是涉及喷涂工艺设计和工艺优化时，很少能给出定量的工艺参数与性态指标预测结果，更无法确定性态指标的最优值及其对应的工艺参数，由此大大增加了高铝青铜涂层的研发费用及周期。

为解决这一问题，人们利用多元回归、模糊数学等技术，在一定的假设前提下，对喷涂过程进行实际建模，尝试着进行喷涂工艺的设计及其性态的预测，但是由于各因素之间高度非线性以及复杂的交互作用，因此所建立的模型很难实现对涂层性态的准确预测。

发明内容

本发明的目的之一在于解决上述问题，提供一种预测精度高的高铝青铜涂层性态预测模型的建立方法。

本发明的目的之二在于解决上述问题，提供一种高铝青铜涂层单一性态指标的寻优方法。

实现本发明目的之一的技术方案是：一种高铝青铜涂层性态预测模型的建立方法，包括以下步骤：

S1：建立训练样本和测试样本。

S2：构建BP神经网络模型。

S3：采用S1得到的训练样本并通过遗传算法优化上述BP神经网络的权值和阈值，得到最优的权值和阈值。

S4：采用S1得到的测试样本对经遗传算法优化后的BP神经网络模型进行测试，若通过测试即获得高铝青铜涂层性态预测模型。

上述步骤S1具体包括以下三步：

S11：选择高铝青铜涂层性态预测模型的输入变量和输出变量。

S12：采用低温超音速喷涂技术在实验室环境下，以均匀、离散的喷涂工艺参数制备高铝青铜涂层，并完成高铝青铜涂层性能测试，收集实验数据。

S13：对收集的实验数据进行归一化预处理，分别得到BP神经网络模型的训练样本和测试样本。

所述归一化预处理是将输入数据(或者输出数据)转化为[0，1]范围的值

$\hat{x}=\frac{x-x_{\min }}{x_{\max }-x_{\min }}.$

其中x_max为输入数据(或者输出数据)中的最大值，x_min为输入数据(或者输出数据)中的最小值；x为输入数据(或者输出数据)，为输入数据(或者输出数据)归一化处理后的值。

上述步骤S2构建的BP神经网络模型包括三层结构：输入层、隐含层和输出层，其中，输入层的节点数与工艺参数(输入变量)的个数相等，输出层的节点数与性态指标(输出变量)的个数相等，隐含层的节点数q的计算公式为：1≤a≤10。

其中，m表示输入层的节点数，n表示输出层的节点数，a表示1～10之间的常数，可通过调整a的取值来提高模型的精度。

输入层和隐含层神经元采用S型激活函数，输出层神经元采用线性激活函数，学习速率取0.1，精度取0.01％。

上述步骤S3优化过程如下：首先，设置种群数目和优化目标，包括初始化进化次数、种群规模、交叉概率、变异概率，然后，对种群(神经元初始权值与阈值)进行实数编码，并将预测数据与期望数据之间的误差作为适应度函数；接着，循环进行选择、交叉、变异，计算适应度操作，直到达到进化次数，得到最优的初始权值和阈值，将得到的最优初始权值和阈值来优化BP神经网络。

上述步骤S3的优化采用现有常规方法，主要包括以下八步：

S31：确定网络权值和阈值的编码方式为实数编码，每个个体均为一个实数串，由输入层与隐含层连接权值、隐含层阈值、隐含层与输出层连接权值以及输出层阈值4部分组成。个体包含了神经网络的全部权值和阈值，在网络结构已知的情况下就可以构成一个结构、权值、阈值确定的神经网络。

S32：设定种群的规模为n，随机产生初始种群。

S33：设定网络的目标函数，将其转换为适应度，对各网络权值和阈值进行评价。根据个体得到BP神经网络的权值和阈值，经训练样本训练BP神经网络后输出预测值，把预测输出和期望输出之间的误差绝对值作为个体适应度值F，计算公式为：

$F=k\left(\underset{i=1}{\overset{n}{\Σ}}abs\left(y_i-o_i\right)\right).$

式中，n为网络输出节点数；y_i为BP神经网络第i个节点的期望输出；o_i为第i个节点的预测输出；k为系数。

S34：选定遗传操作为轮盘赌法，设置遗传参数及自适应调整算法等。交叉概率设为P_c，变异概率为P_m。每个个体i被选择的概率p_i表示为：

f_i＝k/F_i。

$p_i=f_i/\underset{j=1}{\overset{N}{\Σ}}{f}_j.$

式中，N为种群个体数目，f_i为个体i的适应度，f_j为个体j的适应度，k为系数。

S35：采用实数交叉法进行交叉操作，第k个染色体a_k和第l个染色体a_l在j位的交叉操作方法如下：

a_kj＝a_kj(1-b)+a_ljb。

a_lj＝a_lj(1-b)+a_kjb。

式中，b是[0,1]间的随机数。

S36：选取第i个个体的第j个基因a_ij进行变异，变异操作方法如下：

$a_{ij}=\left\{\begin{array}{cc}{a}_{ij}+(a_{ij}-a_{max})*f\left(g\right)& r>0.5\\ a_{ij}+(a_{min}-a_{ij})*f\left(g\right)& r\≤0.5\end{array}\right..$

S37：对预测结果进行反归一化处理。

S38：判断是否满足精度要求，若是，结束寻优，得到一组优化的权值；否则返回至S35，继续迭代寻优。

上述步骤S4中所述的通过测试为预测误差低于规定水平。

实现本发明目的之二的技术方案是：一种高铝青铜涂层单一性态指标的寻优方法，它是利用步骤S4建立的高铝青铜涂层性态预测模型并通过遗传算法对高铝青铜涂层进行单一性态指标极值寻优。

具体如下：采用实数编码的方法，将工艺参数作为遗传算法中的种群个体，将步骤S4得到的高铝青铜涂层性态预测模型输出的各个性态指标预测值(其中结合强度、显微硬度取其倒数)作为遗传算法中的个体适应度值，适应度值越小，个体越优。通过选择算子、交叉算子和变异算子(同步骤S3)推导出各个性态指标的最优值及其对应的工艺参数。

本发明具有的积极效果：(1)本发明建立的高铝青铜涂层性态预测模型预测精度高，采用该高铝青铜涂层性态预测模型只需在喷涂前输入预设的喷涂工艺参数，即可在不进行实际实验的情况下预测出喷涂后涂层的性态指标，当预测的涂层性态指标不能满足实际应用需要时，可以通过调整工艺参数并进行反复预测，直到预测的涂层性态指标满足实际需要，大大提高了效率。(2)采用本发明建立的高铝青铜涂层性态预测模型并通过遗传算法对某一性态指标进行极值寻优，从而逆向指导喷涂工艺的设计，简化了喷涂工艺的制定，提高了高铝青铜涂层的研究效率，使高铝青铜涂层的研发更具有方向性和前瞻性。

附图说明

图1为不同气体参数下涂层结合强度的预测图。

图2为不同气体参数下涂层孔隙率的预测图。

图3为不同气体参数下涂层显微硬度的预测图。

图4为不同气体参数下涂层氧含量的预测图。

具体实施方式

(实施例1)

本实施例的高铝青铜涂层性态预测模型的建立方法包括以下步骤：

S1：建立训练样本和测试样本。

具体包括以下三步：

S11：选择高铝青铜涂层性态预测模型的输入变量和输出变量。

其中，以喷涂距离、送粉速率、喷枪线速度、空气压力以及丙烷压力等工艺参数为输入变量，以结合强度、孔隙率、显微硬度以及氧元素含量等性态指标为输出变量。

S12：采用低温超音速喷涂技术在实验室环境下，以均匀、离散的喷涂工艺参数制备高铝青铜涂层，并完成高铝青铜涂层性态指标的测试，收集实验数据。

具体实验设备与材料如下所示：

喷涂设备：低温超音速喷涂设备。基板材料：HSn70-1。基板尺寸：20×20×10mm和Φ25.4×10mm。高铝青铜粉末特性见表1：

表1

工艺参数(输入变量)与性态指标测试结果(输出变量)见表2。

表2

表2中，第4、8、12、16号实验为测试样本用数据，其余为训练样本用数据。

S13：将表2中实验数据进行归一化预处理，得到归一化后的工艺参数与性态指标测试结果，见表3。

表3

表3中的第4、8、12、16号数据即为BP神经网络模型的测试样本，其余即为BP神经网络模型的训练样本。

S2：构建BP神经网络模型。

该模型包括三层结构：输入层、隐含层和输出层。

由步骤S11可知：输入层的节点数为5，输出层的节点数为4，隐含层的节点数为 $q=\sqrt{(5+4)}+9=12.$

输入层和隐层神经元采用S型激活函数，输出层神经元采用线性激活函数，学习速率取0.1，精度取0.01％。

S3：采用S1得到的训练样本并通过遗传算法优化上述BP神经网络的权值和阈值，确定最优的神经元之间的权值和阈值。

将BP神经网络的输入层到隐含层的连接权值矩阵w₁[5×12]，隐含层阈值矩阵t₁[12×1]，隐含层到输出层连接权值w₂[12×4]，输出层阈值矩阵t₂[4×1]编码为实数基因序列。

设定种群规模为10，最大进化次数为50次，交叉概率为0.4，变异概率为0.2。将预测数据与期望数据之间的误差作为适应度函数，循环进行选择、交叉、变异、计算适应度操作，直到达到34进化次数，得到最优的权值和阈值，达到优化BP神经网络的目的。

S4：采用S1得到的测试样本对经遗传算法优化后的BP神经网络模型进行测试，当预测误差低于规定水平(本实施例为10％)即通过测试，从而获得高铝青铜涂层性态预测模型。

(试验例)

本试验例为试验实施例1建立的高铝青铜涂层性态预测模型的准确性。

采用表4的工艺参数制备四组高铝青铜涂层以检验实施例1建立的高铝青铜涂层性态预测模型的准确性，预测值反归一化结果如表5所示。

表4

表5

通过误差分析可以看出，实施例1所建立的高铝青铜涂层性态预测模型预测精度高，可达到性态预测的目的。

(应用例)

应用实施例1建立的高铝青铜涂层性态预测模型，在其它工艺参数保持不变的条件下(如表6所示)，建立不同气体参数下(空气压力和丙烷压力)涂层性态指标的预测图，如图1～图4所示。其中，图1为不同气体参数下涂层结合强度的预测图，图2为不同气体参数下涂层孔隙率的预测图，图3为不同气体参数下涂层显微硬度的预测图，图4为不同气体参数下涂层氧含量的预测图。

表6

(实施例2)

本实施例是利用步骤S4建立的高铝青铜涂层性态预测模型并通过遗传算法对高铝青铜涂层进行单一性态指标极值寻优。

具体如下：采用实数编码的方法，将工艺参数作为遗传算法中的种群个体，将步骤S4得到的高铝青铜涂层性态预测模型输出的各个性态指标预测值(其中结合强度、显微硬度取其倒数)作为遗传算法中的个体适应度值，适应度值越小，个体越优。通过选择算子、交叉算子和变异算子(同步骤S3)推导出各个性态指标的最优值及其对应的工艺参数。

其中各个性态指标最优的工艺参数见表7，各个性态指标见表8。

对比表2与表8可以看出：采用本发明的遗传算法进行单一性态指标寻优后，涂层结合强度提高了23.3％，孔隙率降低了85.2％，显微硬度提高了37.1％,氧含量降低了86.0％，表明本发明的方法在制备优质高铝青铜涂层方面具有积极的效果。

表7

表8

Claims (9)

1.一种高铝青铜涂层性态预测模型的建立方法，其特征在于包括以下步骤：

S1：建立训练样本和测试样本；

S2：构建BP神经网络模型；

S3：采用S1得到的训练样本并通过遗传算法优化上述BP神经网络的权值和阈值，得到最优的权值和阈值；

S4：采用S1得到的测试样本对经遗传算法优化后的BP神经网络模型进行测试，若通过测试即获得高铝青铜涂层性态预测模型。

2.根据权利要求1所述的高铝青铜涂层性态预测模型的建立方法，其特征在于上述步骤S1具体包括以下三步：

S11：选择高铝青铜涂层性态预测模型的输入变量和输出变量；

S12：采用低温超音速喷涂技术在实验室环境下，以均匀、离散的喷涂工艺参数制备高铝青铜涂层，并完成高铝青铜涂层性能测试，收集实验数据；

S13：对收集的实验数据进行归一化预处理，分别得到BP神经网络模型的训练样本和测试样本。

3.根据权利要求2所述的高铝青铜涂层性态预测模型的建立方法，其特征在于：所述输入变量为工艺参数，包括喷涂距离、送粉速率、喷枪线速度、空气压力以及丙烷压力；所述输出变量为性态指标，包括结合强度、孔隙率、显微硬度以及氧元素含量。

4.根据权利要求2所述的高铝青铜涂层性态预测模型的建立方法，其特征在于：所述归一化预处理是将输入数据或者输出数据转化为[0，1]范围的值

$\hat{x}=\frac{x-x_{\min }}{x_{\max }-x_{\min }};$

其中x_max为输入数据或者输出数据中的最大值，x_min为输入数据或者输出数据中的最小值；x为输入数据或者输出数据，为输入数据或者输出数据归一化处理后的值。

5.根据权利要求1所述的高铝青铜涂层性态预测模型的建立方法，其特征在于上述步骤S2构建的BP神经网络模型包括三层结构：输入层、隐含层和输出层，其中，输入层的节点数与输入变量的个数相等，输出层的节点数与输出变量的个数相等，隐含层的节点数q的计算公式为：1≤a≤10；

其中，m表示输入层的节点数，n表示输出层的节点数。

6.根据权利要求1所述的高铝青铜涂层性态预测模型的建立方法，其特征在于上述步骤S3优化过程如下：首先，设置种群数目和优化目标，包括初始化进化次数、种群规模、交叉概率、变异概率；然后，对种群进行实数编码，并将预测数据与期望数据之间的误差作为适应度函数；接着，循环进行选择、交叉、变异，计算适应度操作，直到达到进化次数，得到最优的初始权值和阈值，将得到的最优初始权值和阈值来优化BP神经网络。

7.一种高铝青铜涂层单一性态指标的寻优方法，它是利用高铝青铜涂层性态预测模型并通过遗传算法对高铝青铜涂层进行单一性态指标极值寻优。

8.根据权利要求7所述的高铝青铜涂层单一性态指标的寻优方法，其特征在于：采用实数编码的方法，将工艺参数作为遗传算法中的种群个体，将高铝青铜涂层性态预测模型输出的各个性态指标预测值作为遗传算法中的个体适应度值，通过选择算子、交叉算子和变异算子推导出各个性态指标的最优值及其对应的工艺参数。

9.根据权利要求8所述的高铝青铜涂层单一性态指标的寻优方法，其特征在于：所述工艺参数包括喷涂距离、送粉速率、喷枪线速度、空气压力以及丙烷压力；所述性态指标包括结合强度、孔隙率、显微硬度以及氧元素含量。