CN107463747A - 神经网络模型及构建方法在轻合金零部件热处理中的应用 - Google Patents
神经网络模型及构建方法在轻合金零部件热处理中的应用 Download PDFInfo
- Publication number
- CN107463747A CN107463747A CN201710656924.0A CN201710656924A CN107463747A CN 107463747 A CN107463747 A CN 107463747A CN 201710656924 A CN201710656924 A CN 201710656924A CN 107463747 A CN107463747 A CN 107463747A
- Authority
- CN
- China
- Prior art keywords
- neural network
- light
- alloy parts
- network optimization
- layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000010438 heat treatment Methods 0.000 title claims abstract description 65
- 229910001234 light alloy Inorganic materials 0.000 title claims abstract description 65
- 238000003062 neural network model Methods 0.000 title claims abstract description 18
- 238000010276 construction Methods 0.000 title claims abstract description 10
- 238000005457 optimization Methods 0.000 claims abstract description 53
- 238000013528 artificial neural network Methods 0.000 claims abstract description 50
- 238000005516 engineering process Methods 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 27
- 230000006870 function Effects 0.000 claims description 35
- 238000000034 method Methods 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 33
- 230000032683 aging Effects 0.000 claims description 21
- 239000000243 solution Substances 0.000 claims description 18
- 238000013461 design Methods 0.000 claims description 12
- 230000001537 neural effect Effects 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 12
- 241001269238 Data Species 0.000 claims description 9
- 239000007787 solid Substances 0.000 claims description 9
- 239000006104 solid solution Substances 0.000 claims description 8
- 238000012546 transfer Methods 0.000 claims description 8
- 230000007935 neutral effect Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 238000001816 cooling Methods 0.000 claims description 4
- 229910045601 alloy Inorganic materials 0.000 claims description 3
- 239000000956 alloy Substances 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 229910000838 Al alloy Inorganic materials 0.000 description 19
- 230000008569 process Effects 0.000 description 11
- 238000004519 manufacturing process Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 229910000861 Mg alloy Inorganic materials 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 229910001094 6061 aluminium alloy Inorganic materials 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 229920006395 saturated elastomer Polymers 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- FYYHWMGAXLPEAU-UHFFFAOYSA-N Magnesium Chemical compound [Mg] FYYHWMGAXLPEAU-UHFFFAOYSA-N 0.000 description 1
- 229910001069 Ti alloy Inorganic materials 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000000686 essence Substances 0.000 description 1
- 238000009863 impact test Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229910052749 magnesium Inorganic materials 0.000 description 1
- 239000011777 magnesium Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000005555 metalworking Methods 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明属于汽车工艺热处理技术领域,公开了一种神经网络模型及构建方法在轻合金零部件热处理中的应用,所述轻合金零部件热处理神经网络优化模型包括:一个输入层、两个隐含层和一个输出层。本发明的神经网络优化模型具有较好的预测能力和精准的预测精度,输出的拉伸性能和冲击性能平均相对预测误差分别为3.1%和3.2%;热处理工艺神经网络优化,可以明显提高汽车轻合金零部件的拉伸和冲击性能。
Description
技术领域
本发明属于汽车工艺热处理技术领域,尤其涉及一种神经网络模型及构建方法在轻合金零部件热处理中的应用。
背景技术
近年来,随着汽车工业的快速发展,能耗、环境污染和安全性等问题越发紧迫。为解决汽车发展过程中的能源、环保、安全这三大问题,汽车正朝着节能减排、轻量化和高安全性的可持续发展道路前进。汽车质量越大,能耗和排放量相对越多,汽车质量越小,能耗和排放量则越少,要实现汽车的节能减排,我们可以从减轻汽车质量方面着手,主要包括结构优化设计、轻量化材料和制造工艺三部分。汽车材料轻量化作为减轻汽车自重的主要途径,因此选用轻质材料对于实现汽车轻量化显得尤为重要。目前常用的轻质材料为铝合金、镁合金和钛合金,统称轻合金,被广泛应用于汽车散热器、发动机活塞、连杆、上下摆臂、车架、车轮、壳体、架类等零部件。我国是轻合金加工制造业大国,在航空航天、汽车、信息等领域取得了显著成绩,但轻合金制造技术还比较薄弱,与先进国家还存在较大差距。汽车制造业作为我国的支柱产业之一,轻合金成形制造技术水平成为衡量国家工业水平的重要指标之一,怎样提高轻合金成形技术,使汽车朝着轻量化、低成本、高效能、节能排放方向发展,成为汽车业备受瞩目的研究课题。热处理作为常用的金属加工工艺,主要通过加热、保温、冷却等方式,达到改变金属内部组织,提高性能的目的。汽车零部件的制造是一个复杂的加工过程,受众多因素影响,如果仅依靠常规的试验进行研究,不仅浪费大量的时间,还将大大增加企业的研究成本。神经网络技术是一种新型人工智能技术,它在性能预测、利润预测、工艺优化等方面发挥了较大的作用。目前关于BP神经网络在汽车常用轻合金零部件热处理工艺优化研究还鲜有报道。
综上所述,现有技术存在的问题是:常规的汽车零部件热处理工艺存在费时费力,增加企业研发成本。
发明内容
针对现有技术存在的问题,本发明提供了一种神经网络模型及构建方法在轻合金零部件热处理中的应用。
本发明是这样实现的,一种轻合金零部件热处理神经网络优化模型,所述轻合金零部件热处理神经网络优化模型包括:一个输入层、两个隐含层和一个输出层;
用于将输入参数和相关信息输入到神经网络模型中的输入层;
用于进行神经网络内部运算的隐含层;
用于将神经网络运算结果输出来的输出层。
进一步,所述轻合金零部件热处理神经网络优化模型采用5*30*6*2四层拓扑结构。
进一步,所述输入层由5个神经单元节点参数。
进一步,所述第一个隐含层位30个节点参数,第二个隐含层为6个节点参数。
进一步,所述输出层位2个神经单元节点参数。
进一步,所述隐含层传输函数为tansig函数、输出层传输函数选用purelin函数。
进一步,所述输出层包括:拉伸性能、冲击性能。
本发明的另一目的在于提供一种所述轻合金零部件热处理神经网络优化模型的构建方法,所述构建方法包括以下步骤:
采用5*30*6*2四层拓扑结构是指一个输入层、两个隐含层和一个输出层。其中输入层设计的5个神经单元节点参数(汽车轻合金零部件、固溶温度、固溶时间、时效温度、时效时间),第一个隐含层设计的30个节点参数,第二个隐含层设计的6个节点参数。输出层设计的2个神经单元节点参数(拉伸性能和冲击性能);输入层将输入参数和相关信息输入到神经网络模型中,给予隐含层进行神经网络内部运算,隐含层的传递函数为tansig函数,输出层负责将神经网络运算结果输出来,用purelin函数来传递。
本发明的另一目的在于提供一种所述轻合金零部件热处理神经网络优化模型的训练方法,所述训练方法包括以下步骤:调用Matlab软件中的trainlm函数作为模型的训练函数,选择34组试验数据中任意选取的24组样本数据作为训练样本数据,期望误差设为0.00005、训练速度设为0.2、动量因子设为0.8,其它训练参数则按系统默认值设定。在Matlab软件中进行神经网络模型的训练。
训练样本数据来自34组试验数据中任意选取的24组样本数据;训练函数选用trainlm函数、训练速率设为0.2、期望误差设为1×10-5、动量因子为0.8,其它训练参数则按系统默认值设定。
本发明的另一目的在于提供一种应用所述轻合金零部件热处理神经网络优化模型的汽车常用轻合金零部件热处理工艺方法,所述汽车常用轻合金零部件热处理工艺方法采用固溶+时效的热处理工艺;固溶温度460℃、固溶时间21h;时效温度220℃、时效时间19h;
固溶处理将合金加热至高温单相区恒温保持,使过剩相充分溶速冷却,以得到过饱和固溶体的热处理工艺;
时效处理是经固溶处理后,在较高的温度放置或室温保持其性能,形状,尺寸随时间而变化的热处理工艺。
本发明的优点及积极效果为:采用神经网络人工智能技术,构建5×30×6×2四层神经网络模型,对汽车常用轻合金零部件热处理工艺进行了优化。采用5×30×6×2四层拓扑结构,以汽车轻合金零部件、固溶温度、固溶时间、时效温度和时效时间作为输入层参数,以拉伸性能和冲击性能作为输出层参数,构建了汽车常用轻合金零部件热处理工艺神经网络优化模型,并对模型进行了训练、验证及产线应用。结果表明,本发明的神经网络优化模型具有较好的预测能力和精准的预测精度,输出的拉伸性能和冲击性能平均相对预测误差分别为3.1%和3.2%;热处理工艺神经网络优化,可以明显提高汽车轻合金零部件的拉伸和冲击性能。
本发明具有以下优势:
1)采用5×30×6×2四层拓扑结构,以tansig函数和purelin函数分别作为隐含层和输出层传输函数,以汽车轻合金零部件、固溶温度、固溶时间、时效温度和时效时间作为输入层参数,以拉伸性能(抗拉强度表征)和冲击性能(冲击吸收功表征)作为输出层参数,构建出实用性好的汽车常用轻合金零部件热处理工艺神经网络优化模型。
2)汽车常用轻合金零部件热处理工艺神经网络优化模型的训练曲线随着训练次数增加逐步趋于平稳,模型输出的拉伸性能(抗拉强度)的相对预测误差在2.6%~3.7%之间、平均相对误差为3.1%;模型输出的冲击性能(冲击吸收功)的预测相对误差范围为2.7%~3.9%之间、平均相对预测误差为3.2%。
3)与产线现用工艺参数相比,采用神经网络模型优化工艺制备的铝合金摆臂的抗拉强度和冲击吸收功分别增大了32%和35%,拉伸性能和冲击性能得到显著提高。
附图说明
图1是本发明实施例提供的轻合金零部件热处理神经网络优化模型的构建方法流程图。
图2是本发明实施例提供的轻合金零部件热处理神经网络优化模型示意图。
图3是本发明实施例提供的汽车常用轻合金零部件热处理工艺模型的训练性能曲线示意图。
图4是本发明实施例提供的10组样本的验证相对预测误差结果示意图。
图5是本发明实施例提供的铝合金汽车摆臂在神经网络优化前后的拉伸性能和冲击性能对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
下面结合附图对本发明的应用原理作详细的描述。
如图1所示,本发明实施例提供的轻合金零部件热处理神经网络优化模型的构建方法包括:
S101:采用5*30*6*2四层拓扑结构是指一个输入层、两个隐含层和一个输出层。其中输入层设计的5个神经单元节点参数(汽车轻合金零部件、固溶温度、固溶时间、时效温度、时效时间),第一个隐含层设计的30个节点参数,第二个隐含层设计的6个节点参数;
S102:输出层设计的2个神经单元节点参数(拉伸性能和冲击性能);输入层将输入参数和相关信息输入到神经网络模型中,给予隐含层进行神经网络内部运算,隐含层的传递函数为tansig函数,输出层负责将神经网络运算结果输出来,用purelin函数来传递。
所述汽车常用轻合金零部件热处理工艺方法采用固溶+时效的热处理工艺;固溶温度460℃、固溶时间21h;时效温度220℃、时效时间19h;
固溶处理将合金加热至高温单相区恒温保持,使过剩相充分溶速冷却,以得到过饱和固溶体的热处理工艺;
时效处理是经固溶处理后,在较高的温度放置或室温保持其性能,形状,尺寸随时间而变化的热处理工艺。
下面结合试验对本发明的应用原理作进一步的描述。
1试验材料与方法
本试验选用的基材为A356铝合金轮毂,AZ80镁合金轮毂,6061铝合金摆臂,AZ61镁合金摆臂。从神经网络优化模型的参数中任意选取34组作为热处理工艺参数进行试验。在CMT4000型电子万能试验机和JK-KC型冲击试验机上分别进行试样的拉伸性能和冲击性能测试,试验温度为室温,记录试样的抗拉强度和冲击吸收功,以此分别表征试样的拉伸性能和冲击性能。在拉伸试验和冲击试验后采用JSM6510型扫描电子显微镜(SEM)观察试样的拉伸和冲击断口形貌。
2神经网络优化模型的构建
本发明采用5×30×6×2四层拓扑结构,构建了汽车常用轻合金零部件的热处理工艺优化的神经网络模型,如图2所示。该神经网络优化模型共包含1个输入层、2个隐含层和1个输出层。输入层节点参数有5个,分别是汽车轻合金零部件、固溶温度、固溶时间、时效温度、时效时间。在输入层参数中,汽车轻合金零部件为A356铝合金轮毂(记为1),AZ80镁合金轮毂(记为2),6061铝合金摆臂(记为3),AZ61镁合金摆臂(记为4);固溶温度的取值范围为300℃、310℃、320℃、330℃、340℃、350℃、360℃、370℃、380℃、390℃、400℃、410℃、420℃、430℃、440℃、450℃、460℃、470℃、480℃、490℃、500℃、510℃、520℃、530℃、540℃、550℃、560℃;固溶时间取值范围为0.5h、1h、1.5h、2h、2.5h、3h、3.5h、4h、4.5h、5h、5.5h、6h、6.5h、7h、7.5h、8h、8.5h、9h、9.5h、10h、10.5h、11h、11.5h、12h、12.5h、13h、13.5h、14h、14.5h、15h、15.5h、16h、16.5h、17h、17.5h、18h、18.5h、19h、19.5h、20h、20.5h、21h、21.5h、22h、22.5h、23h、23.5h、24h、24.5h、25h、25.5h、26h、26.5h、27h、27.5h、28h、28.5h、29h、29.5h、30h;时效温度的取值范围为100℃、110℃、120℃、130℃、140℃、150℃、160℃、170℃、180℃、190℃、200℃、210℃、220℃、230℃、240℃、250℃;时效时间的取值范围为0.5h、1h、1.5h、2h、2.5h、3h、3.5h、4h、4.5h、5h、5.5h、6h、6.5h、7h、7.5h、8h、8.5h、9h、9.5h、10h、10.5h、11h、11.5h、12h、12.5h、13h、13.5h、14h、14.5h、15h、15.5h、16h、16.5h、17h、17.5h、18h、18.5h、19h、19.5h、20h、20.5h、21h、21.5h、22h、22.5h、23h、23.5h、24h、24.5h、25h、25.5h、26h、26.5h、27h、27.5h、28h、28.5h、29h、29.5h、30h。神经网络优化模型的输出节点参数有2个,分别为拉伸性能(用抗拉强度表征)和冲击性能(用冲击吸收功表征)。该模型的隐含层传输函数为tansig函数、输出层传输函数选用purelin函数。
3神经网络优化模型的训练、预测和验证
3.1模型的训练
构建好的汽车常用零部件热处理工艺神经网络优化模型,要经过学习、训练后才能用于汽车常用轻合金零部件热处理工艺的优化。训练样本数据来自34组试验数据中任意选取的24组样本数据。训练函数选用trainlm函数、训练速率设为0.2、期望误差设为1×10-5、动量因子设为0.8,其它训练参数则按系统默认值设定。汽车常用轻合金零部件热处理工艺模型的训练性能曲线,如图3所示。从图3可知,此神经模型经过6958次训练后,曲线逐步变得平滑,趋于稳定,能很好地反应出神经网络模型的输入参数(汽车轻合金零部件、固溶温度、固溶时间、时效温度、时效时间)与输出参数(拉伸性能、冲击性能)之间的关系。
3.2模型的预测与验证
为了进一步验证汽车常用轻合金零部件神经网络优化模型的预测能力和精度,选取10组未经学习训练的试验数据作为试验样本。试验验证样本的编号为25~34,抗拉强度相对误差=(抗拉强度的实测值-抗拉强度的预测值)/抗拉强度的预测值×100%,冲击吸收功相对误差=(冲击吸收功的实测值-冲击吸收功的预测值)/冲击吸收功的预测值×100%,10组样本的验证相对预测误差结果,如图4所示。从图4可以看出,汽车常用轻合金零部件热处理工艺神经网络优化模型输出的拉伸性能(抗拉强度)的预测相对误差范围为2.6%~3.7%之间、平均相对预测误差为3.1%;模型输出的冲击性能(冲击吸收功)的预测相对误差范围为2.7%~3.9%之间、平均相对预测误差为3.2%。由此可见,汽车常用轻合金零部件热处理工艺神经网络优化模型的预测精度较高,预测能力较强、可用于汽车常用轻合金零部件工艺的优化。
4汽车轻合金零部件的产线应用
在进行汽车常用轻合金零部件热处理工艺神经网络优化模型的预测能力和精度验证后,将该模型用于实际的汽车常用轻合金零部件热处理工艺优化,并将该模型应用在广东省某公司的汽车铝合金摆臂的生产加工线上。该公司现用的汽车铝合金摆臂热处理工艺参数以及经过模型优化后的热处理工艺参数,如表1所示。
表1铝合金汽车摆臂热处理工艺参数
表2是铝合金汽车摆臂在神经网络优化前后的拉伸性能和冲击性能对比图。从图5可以看出,采用产线现用工艺制备的铝合金摆臂的抗拉强度和冲击吸收功分别为982MPa和46J,采用神经网络模型优化工艺制备的铝合金摆臂的抗拉强度和冲击吸收功分别为1295MPa和62J,与产线现用工艺相比,铝合金汽车摆臂的热处理工艺在经神经模型优化后,其抗拉强度和冲击吸收功分别增大了313MPa和16J,增长幅度分别为32%和35%。由此可见,采用神经网络优化工艺制备的铝合金摆臂的拉伸性能和冲击性能得到显著改善。图5是铝合金汽车摆臂分别采用现用的产线热处理工艺参数及经过模型优化后的热处理处工艺参数进行处理后的表面拉伸断口形貌图。从图5可以看出,产线现用工艺制备的铝合金摆臂表面撕裂棱比较明显,韧窝粗大;神经网络模型优化工艺制备的铝合金摆臂的表面韧窝变得细小、撕裂棱也明显减少,这与抗拉强度测试结果一致。通过以上铝合金摆臂的产线应用与神经网络优化工艺对比可知,本试验构建的汽车轻合金零部件热处理神经网络优化工艺能大大降低汽车零部件的研发和生产成本,为汽车轻合金零部件热处理工艺优化提供有效的试验数据和参考。
表2不同工艺热处理铝合金汽车摆臂的性能对比
本发明具有以下优势:
1)采用5×30×6×2四层拓扑结构,以tansig函数和purelin函数分别作为隐含层和输出层传输函数,以汽车轻合金零部件、固溶温度、固溶时间、时效温度和时效时间作为输入层参数,以拉伸性能(抗拉强度表征)和冲击性能(冲击吸收功表征)作为输出层参数,构建出实用性好的汽车常用轻合金零部件热处理工艺神经网络优化模型。
2)汽车常用轻合金零部件热处理工艺神经网络优化模型的训练曲线随着训练次数增加逐步趋于平稳,模型输出的拉伸性能(抗拉强度)的相对预测误差在2.6%~3.7%之间、平均相对误差为3.1%;模型输出的冲击性能(冲击吸收功)的预测相对误差范围为2.7%~3.9%之间、平均相对预测误差为3.2%。
3)与产线现用工艺参数相比,采用神经网络模型优化工艺制备的铝合金摆臂的抗拉强度和冲击吸收功分别增大了32%和35%,拉伸性能和冲击性能得到显著提高。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种汽车常用轻合金零部件热处理工艺方法,其特征在于,所述汽车常用轻合金零部件热处理工艺方法采用固溶+时效的热处理工艺;固溶温度460℃、固溶时间21h;时效温度220℃、时效时间19h;
固溶处理将合金加热至高温单相区恒温保持,使过剩相充分溶速冷却,以得到过饱和固溶体的热处理工艺;
时效处理是经固溶处理后,在较高的温度放置或室温保持其性能,形状,尺寸随时间而变化的热处理工艺。
2.一种如权利要求1所述汽车常用轻合金零部件热处理工艺方法的轻合金零部件热处理神经网络优化模型,其特征在于,所述轻合金零部件热处理神经网络优化模型包括:一个输入层、两个隐含层和一个输出层;
用于将输入参数和相关信息输入到神经网络模型中的输入层;
用于进行神经网络内部运算的隐含层;
用于将神经网络运算结果输出来的输出层。
3.如权利要求2所述的轻合金零部件热处理神经网络优化模型,其特征在于,所述轻合金零部件热处理神经网络优化模型采用5*30*6*2四层拓扑结构。
4.如权利要求2所述的轻合金零部件热处理神经网络优化模型,其特征在于,所述输入层由5个神经单元节点参数。
5.如权利要求2所述的轻合金零部件热处理神经网络优化模型,其特征在于,所述第一个隐含层位30个节点参数,第二个隐含层为6个节点参数。
6.如权利要求2所述的轻合金零部件热处理神经网络优化模型,其特征在于,所述输出层位2个神经单元节点参数。
7.如权利要求2所述的轻合金零部件热处理神经网络优化模型,其特征在于,所述隐含层传输函数为tansig函数、输出层传输函数选用purelin函数。
8.如权利要求2所述的轻合金零部件热处理神经网络优化模型,其特征在于,所述输出层包括:拉伸性能、冲击性能。
9.一种如权利要求2所述轻合金零部件热处理神经网络优化模型的构建方法,其特征在于,所述构建方法包括以下步骤:
采用5*30*6*2四层拓扑结构是指一个输入层、两个隐含层和一个输出层;其中输入层设计的5个神经单元节点参数;第一个隐含层设计的30个节点参数,第二个隐含层设计的6个节点参数;输出层设计的2个神经单元节点参数;输入层将输入参数和相关信息输入到神经网络模型中,给予隐含层进行神经网络内部运算,隐含层的传递函数为tansig函数,输出层负责将神经网络运算结果输出来,用purelin函数来传递。
10.一种如权利要求2所述轻合金零部件热处理神经网络优化模型的训练方法,其特征在于,所述训练方法包括以下步骤:
调用Matlab软件中的trainlm函数作为模型的训练函数,选择34组试验数据中任意选取的24组样本数据作为训练样本数据,期望误差设为0.00005、训练速度设为0.2、动量因子设为0.8,其它训练参数则按系统默认值设定;在Matlab软件中进行神经网络模型的训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710656924.0A CN107463747A (zh) | 2017-08-03 | 2017-08-03 | 神经网络模型及构建方法在轻合金零部件热处理中的应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710656924.0A CN107463747A (zh) | 2017-08-03 | 2017-08-03 | 神经网络模型及构建方法在轻合金零部件热处理中的应用 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107463747A true CN107463747A (zh) | 2017-12-12 |
Family
ID=60548215
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710656924.0A Pending CN107463747A (zh) | 2017-08-03 | 2017-08-03 | 神经网络模型及构建方法在轻合金零部件热处理中的应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107463747A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109100975A (zh) * | 2018-09-03 | 2018-12-28 | 深圳市智物联网络有限公司 | 一种参数优化方法及系统 |
CN111008738A (zh) * | 2019-12-04 | 2020-04-14 | 云南锡业集团(控股)有限责任公司研发中心 | 基于多模态深度学习的Sn-Bi合金延伸率和抗拉强度的预测方法 |
CN111125884A (zh) * | 2019-12-03 | 2020-05-08 | 大连理工大学 | 一种面向智能制造的镁合金成分和热处理工艺优化系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763450A (zh) * | 2009-12-31 | 2010-06-30 | 辽宁工业大学 | 钛合金成分定量设计方法 |
US20150178656A1 (en) * | 2012-07-04 | 2015-06-25 | Norsk Hydro Asa | Method for the optimisation of product properties and production costs of industrial processes |
CN104894496A (zh) * | 2014-06-30 | 2015-09-09 | 浙江工业职业技术学院 | 一种Al-Zn-Mg-Cu系铝合金的热处理方法 |
-
2017
- 2017-08-03 CN CN201710656924.0A patent/CN107463747A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763450A (zh) * | 2009-12-31 | 2010-06-30 | 辽宁工业大学 | 钛合金成分定量设计方法 |
US20150178656A1 (en) * | 2012-07-04 | 2015-06-25 | Norsk Hydro Asa | Method for the optimisation of product properties and production costs of industrial processes |
CN104894496A (zh) * | 2014-06-30 | 2015-09-09 | 浙江工业职业技术学院 | 一种Al-Zn-Mg-Cu系铝合金的热处理方法 |
Non-Patent Citations (1)
Title |
---|
XIA-WEI YANG: "Prediction of mechanical properties of A357 alloy using artificial neural network", 《TRANSACTIONS OF NONFERROUS METALS SOCIETY OF CHINA》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109100975A (zh) * | 2018-09-03 | 2018-12-28 | 深圳市智物联网络有限公司 | 一种参数优化方法及系统 |
CN111125884A (zh) * | 2019-12-03 | 2020-05-08 | 大连理工大学 | 一种面向智能制造的镁合金成分和热处理工艺优化系统 |
CN111125884B (zh) * | 2019-12-03 | 2021-12-10 | 大连理工大学 | 一种面向智能制造的镁合金成分和热处理工艺优化系统 |
CN111008738A (zh) * | 2019-12-04 | 2020-04-14 | 云南锡业集团(控股)有限责任公司研发中心 | 基于多模态深度学习的Sn-Bi合金延伸率和抗拉强度的预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107463747A (zh) | 神经网络模型及构建方法在轻合金零部件热处理中的应用 | |
CN109182864A (zh) | 高强镁合金型材及其制备工艺与应用 | |
CN103320728B (zh) | 一种车身覆盖件制造用铝合金板材的制备方法 | |
CN104102778B (zh) | 一种曲轴动力学分析方法 | |
CN106282860A (zh) | 梯度力学性能铝合金车身零件成形装置及方法 | |
Zhang et al. | An ATPSO-BP neural network modeling and its application in mechanical property prediction | |
CN112033702A (zh) | 一种电动汽车智能热管理系统试验台架 | |
CN205955858U (zh) | 一种新型燃油用量子节能贴 | |
CN103540881B (zh) | 一种改善镁合金拉压不对称性的加工方法 | |
CN107460416B (zh) | 搅拌摩擦焊拼焊板固溶时效一体化成形方法 | |
CN106347059B (zh) | 一种基于粒子群算法的轮毂驱动电动汽车主动悬架双回路pid控制方法 | |
CN107609310A (zh) | 一种用于仿真的未知电机Map的生成方法 | |
CN103924173B (zh) | 一种Al-Cu-Mg系铝合金板材多级蠕变时效成形方法 | |
CN107323308A (zh) | 一种具有预测能力的燃料电池汽车牵引扭矩计算方法 | |
CN109774688A (zh) | 一种基于前后摄像头的轿车防追尾装置及其控制方法 | |
CN108977708A (zh) | 一种用于新能源汽车悬架系统的高强度耐腐蚀铝合金铸件 | |
CN109083763A (zh) | 一种汽车发动机端盖结构及其生产加工方法 | |
CN105603272B (zh) | 一种汽车发电机用铝合金材料及其热处理方法 | |
Hillel et al. | Uplifted cool gas and heating by mixing in cooling flows | |
CN116702541A (zh) | 一种基于数字孪生技术的空气弹簧寿命估计方法及装置 | |
CN103498117B (zh) | 一种铸造铝合金活塞件的深冷处理方法 | |
CN109280826A (zh) | 一种含纳米结构非稀土高强镁合金材料及其制备方法 | |
Jiang et al. | Finite element simulation and industrial validation for DRX evolution of magnesium alloy thin-walled wheel formed by backward extrusion | |
CN219319045U (zh) | 一种启动自动化炉盖 | |
Zhou et al. | Design and analysis of the formula student car body based on CFD |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171212 |