CN108330255A - 一种钢线刀刀身激光热处理工艺参数优化方法 - Google Patents
一种钢线刀刀身激光热处理工艺参数优化方法 Download PDFInfo
- Publication number
- CN108330255A CN108330255A CN201810180680.8A CN201810180680A CN108330255A CN 108330255 A CN108330255 A CN 108330255A CN 201810180680 A CN201810180680 A CN 201810180680A CN 108330255 A CN108330255 A CN 108330255A
- Authority
- CN
- China
- Prior art keywords
- steel wire
- cutting device
- wire cutting
- neural network
- artificial neural
- 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
Classifications
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
- C21D1/00—General methods or devices for heat treatment, e.g. annealing, hardening, quenching or tempering
- C21D1/06—Surface hardening
- C21D1/09—Surface hardening by direct application of electrical or wave energy; by particle radiation
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
- C21D11/00—Process control or regulation for heat treatments
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
- C21D9/00—Heat treatment, e.g. annealing, hardening, quenching or tempering, adapted for particular articles; Furnaces therefor
- C21D9/22—Heat treatment, e.g. annealing, hardening, quenching or tempering, adapted for particular articles; Furnaces therefor for drills; for milling cutters; for machine cutting tools
Abstract
本发明公开了一种钢线刀刀身激光热处理工艺参数优化方法,本发明首先利用人工神经元网络对多元非线性映射关系出色的拟合能力,从试验数据中挖掘学习,并最终建立激光热处理工艺参数激光功率、扫描速度和离焦量与相应的显微硬度的映射关系,并以此为基础建立起钢线刀刀身激光热处理工艺参数的预测方法。随后采用遗传算法对人工神经元网络预测数据进行运算,得到最优激光热处理工艺参数,达到优化目的。
Description
技术领域
本发明涉及人工神经元网络和遗传算法的应用领域,特别是一种高强度钢线刀刀身激光热处理工艺参数优化方法。
背景技术
钢线刀是由钢制成,顶端有刃的排制模切版的片状材料,是一种印刷包装行业的专用成型模切刀具。钢线刀可以用来切割各式各样的材料,其传统上主要应用在印刷业和包装业。
激光热处理是表面强化技术之一,它以激光作为热源,对被扫描工件表面进行加热,使表面温度迅速升至奥氏体化温度区间,随后通过基体的迅速冷却使表面发生相变,从而实现热处理强化。
将激光热处理应用于高强度钢线刀的制备,可以大幅度提高生产率,减少环境污染,降低能耗。但由于激光工艺参数对被加工件的影响是一种多变量的非线性系统,准确建立一种解析形式的加工过程模型十分困难。人工神经元网络和遗传算法的提出为研究这种非线性系统寻优提供了一种有力的工具。
人工神经网络(Artificial Neural Network,ANN)是人工智能技术的一种,它是由大量的神经元相互联接而成的自适应非线性动态系统,是一种模仿大脑处理问题的数学模型。与其他传统数学模型相比,人工神经网络具有自组织、自适应、自学习的能力、联想记忆能力、高度容错并行处理能力等特点。人工神经网络类似于一个黑匣子,在处理数据信息时不需要预先给出具体数学公式或模型,仅利用获得的实验数据,经反复循环迭代处理,就能获得数据的内在规律,因此人工神经网络常被用于处理材料科学领域中没有具体数学模型或经验公式的复杂问题。
遗传算法(Genetic Algorithm)是一种通过模拟自然进化过程搜索最优解的方法,根据达尔文进化论“物竞天择,适者生存”来进行模拟计算[59]。遗传算法是从要解决问题的一个可能的解集出发,将该解集中的一定数量的个体经过基因编码。这样每个个体就成了染色体带有特征的实体,每个个体的外部表现由染色体中某一控制这一特征的基因组合决定的。因此,在进行遗传算法运算前,要进行表现型到基因型的编码工作,又因为仿照基因编码的工作极其复杂,故进行二进制编码,初代种群产生后,按照适者生存、优胜劣汰的原则,逐代演化出越来越好的近似解,在每一代中,根据个体对具体问题的适应度,进行筛选,并通过遗传学中的遗传算子进行交叉组合和变异产生出代表新的解集的种群,这样经过多代遗传运算,末代种群中的最优个体可被认为要解决问题的最优解。
发明内容
本发明的目的在于提供一种激光热处理制备高强度钢线刀的工艺参数优化方法,以更少的试验次数寻找更优异的钢线刀激光热处理工艺参数。
实现本发明目的的技术解决方案如下:一种基于人工神经元网络和遗传算法的钢线刀刀身激光热处理工艺参数优化方法,具体步骤如下:
1.通过试验获得激光工艺参数(激光功率、扫描速度和离焦量)对应下的钢线刀刀身显微硬度,试验选用激光工艺参数范围如下:激光功率600-1000W,扫描速度30-50mm/s,离焦量70-90mm。
2.将激光功率、扫描速度、离焦量作为人工神经元网络的输入单元,钢线刀刀身显微硬度作为输出单元,建立三层BPNN结构;
3.采用matlab对建立的人工神经元网络进行训练,将人工神经元网络拟合获得的刀身显微硬度与试验测得结果进行对比,通过计算均方误差(MSE)对适应度进行检查,当均方误差(MSE)小于10-4时符合适应度要求;
4.当适应度达不到要求时,重复步骤2、3,直至获得符合精度要求的人工神经元网络;
5.选择遗传算法种群的大小、交叉概率以及变异概率;
遗传算法变量函数与参考条件如下:
fhv0.2=f(P,V,H)
参考条件为:
600≤P≤1000
30≤V≤60
60≤H≤90
其中fhv0.2、P、V、H分别代表钢线刀显微硬度,激光功率,扫描速度和离焦量。
6.随机产生遗传算法种群;
7.基于当前种群,采用训练好的人工神经元网络计算目标函数值以用于预测;
8.采用人工神经元网络计算每个种群中个体的适应度,且高适应度的个体被保留;
9.设定一个具体的代数作为中止的标准。当中止条件满足时,算法停止且输出最优工艺参数。否则,遗传算法执行步骤10;
10.利用选择、交叉和变异产生新的种群。
本发明与现有技术相比,其显著优势在于:(1)能够提供一种对于激光热处理这种多变量的非线性系统工艺参数优化方法;(2)能够在较少试验次数的情况下得到最优的激光热处理工艺参数。
附图说明
图1为本发明采用的三层人工神经元网络结构图;
图2训练数据显微硬度测量值与预测值对比图;
图3测试数据显微度测量值与预测值对比图;
图4为遗传算法流程图。
具体实施方式
下面结合附图进行进一步详细说明:
参照图1-图4,一种基于人工神经元网络和遗传算法的钢线刀刀身激光热处理工艺参数优化方法,主要包括以下步骤:
1.采用激光加工系统对钢线刀刀身进行热处理,调整激光输出功率、离焦量和扫描速度,具体工艺参数范围如表1;
2.人工神经元网络结构的确定:根据网络所需输入输出矢量,确定输入层单元数为3,输出层单元数为1,隐含层数为1,其中激光输出功率、离焦量和扫描速度作为输入量,刀身显微硬度为输出量;
3.采用matlab对建立的人工神经元网络进行训练,将人工神经元网络拟合获得的刀身显微硬度与试验测得结果进行对比,通过计算均方误差(MSE)对适应度进行检查,当均方误差(MSE)小于10-4时符合适应度要求;
4.若预测结果精度不符合要求,重复步骤2,3;
5.选择遗传算法种群的大小、交叉概率以及变异概率;
6.随机产生遗传算法种群;
7.基于当前种群,采用训练好的人工神经元网络计算目标函数值以用于预测;
8.采用人工神经元网络计算每个种群中个体的适应度,且高适应度的个体被保留;
9.设定一个具体的代数作为中止的标准。当中止条件满足时,算法停止且输出最优工艺参数。否则,遗传算法执行步骤10;
10.利用选择、交叉和变异产生新的种群。
表1激光热处理工艺参数
下面结合实例对本发明进行进一步阐述,在以下实施例和对比例中,用刀身显微硬度值来评价工艺参数优化效果,根据实际应用要求刀身硬度在360-400HV0.2范围内,硬度越大越好。
实施例
为更好的体现本发明的效果,现将本发明方法进行实际运行,在本例中采用试验的方法测得32个样,具体数据如表2,其中28个被随机抽取用于训练人工神经元网络,剩余样品用于检测训练后的人工神经元网络的性能。
表2不同激光加工工艺参数下钢线刀硬度试验结果
*为测试样品
人工神经元网络训练数据测的MSE为6.0858×10-5,达到了MSE为10-4的目标,测试数据所得MSE为9.5×10-5,同样达到10-4的目标。这说明所得人工神经元网络可以较为准确的预测钢线刀刀身显微硬度。
采用遗传算法寻找最优参数,获得最大适应度下参数为:激光功率853W、扫描速度44mm/s、离焦量86mm,此时模拟得到显微硬度值为390HV0.2。后对此参数进行试验验证,结果如表3,从中可以看出验证试样显微硬度试验值为393.6HV0.2,与预测值390HV0.2十分吻合,这就表明本发明具有可行性。
表3试验验证结果
对比例
为了比较采用本发明优化所得刀身材料与市售钢线刀刀身材料性能上的差异,取市售钢线刀刀身材料,进行显微硬度测试。
测得市售标样显微硬度为340.3HV0.2,采用本发明优化所得刀身材料显微硬度393.6HV0.2,故其硬度相较市售标样提升15.8%。这就表明本发明所述方法达到了很好的优化效果。
Claims (6)
1.一种钢线刀刀身激光热处理工艺参数优化方法,其特征在于,包括以下步骤:
(1)通过激光热处理试验获得的激光工艺参数激光功率、扫描速度和离焦量对应下的钢线刀刀身显微硬度;
(2)将激光功率、扫描速度、离焦量作为人工神经元网络的输入单元,钢线刀刀身显微硬度作为输出单元,建立三层人工神经元网络结构;
(3)采用matlab对建立的人工神经元网络进行训练,将人工神经元网络拟合获得的刀身显微硬度与试验测得结果进行对比,通过计算均方误差对适应度进行检查;
(4)当适应度达不到要求时,重复步骤(2)(3),直至获得符合精度要求的人工神经元网络;
(5)根据实际需求选择遗传算法种群的大小、交叉概率以及变异概率;
(6)随机产生遗传算法种群;
(7)基于当前种群,采用步骤(4)中训练好的人工神经元网络计算目标函数值以用于预测;
(8)采用人工神经元网络计算每个种群中个体的适应度,且高适应度的个体被保留;
(9)当中止条件满足时,算法停止且输出最优工艺参数;否则,遗传算法执行步骤(10);
(10)利用选择、交叉和变异产生新的种群,执行步骤(8)(9),直至输出最优工艺参数。
2.根据权利要求1所述的钢线刀刀身工艺参数优化方法,其特征在于,试验选用激光工艺参数范围如下:激光功率600-1000W,扫描速度30-50mm/s,离焦量70-90mm。
3.根据权利要求1所述的钢线刀刀身工艺参数优化方法,其特征在于,步骤(8)当均方误差(MSE)小于10-4时符合人工神经元网络适应度要求。
4.根据权利要求1所述的钢线刀刀身工艺参数优化方法,其特征在于,遗传算法变量函数与参考条件如下:
fhv0.2=f(P,V,H)
参考条件为:
600≤P≤1000
30≤V≤60
60≤H≤90
其中fhv0.2、P、V、H分别代表钢线刀显微硬度,激光功率,扫描速度和离焦量。
5.根据权利要求1所述的钢线刀刀身工艺参数优化方法,其特征在于,遗传算法的终止条件为最优个体的适应度变化程度很小或没有变化时终止运算,最优适应度小于10-4时符合遗传算法适应度要求。
6.根据权利要求1所述的钢线刀刀身工艺参数优化方法,其特征在于,遗传算法迭代的最大数、种群的大小、交叉率和变异率分别为100、40、0.8和0.01。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810180680.8A CN108330255A (zh) | 2018-03-05 | 2018-03-05 | 一种钢线刀刀身激光热处理工艺参数优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810180680.8A CN108330255A (zh) | 2018-03-05 | 2018-03-05 | 一种钢线刀刀身激光热处理工艺参数优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108330255A true CN108330255A (zh) | 2018-07-27 |
Family
ID=62930520
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810180680.8A Pending CN108330255A (zh) | 2018-03-05 | 2018-03-05 | 一种钢线刀刀身激光热处理工艺参数优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108330255A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110989522A (zh) * | 2019-12-06 | 2020-04-10 | 东北大学 | 一种面向多钢卷的连退生产过程工艺参数优化设定方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ES2293845A1 (es) * | 2006-09-25 | 2008-03-16 | Universidad Politecnica De Madrid | Sistema de monitorizacion y control de procesos de tratamiento termico superficial de materiales con laser mediante un control neuronal adaptativo mediante modelo de referencia. |
CN102479259A (zh) * | 2010-11-23 | 2012-05-30 | 湖南大学 | 模具表面激光强化工艺优化 |
CN103886371A (zh) * | 2014-03-28 | 2014-06-25 | 郑州大学 | 一种预硬化型塑料模具钢成分及热处理工艺过程控制方法 |
CN107704920A (zh) * | 2017-10-16 | 2018-02-16 | 安徽工业大学 | 一种基于bp神经网络轧辊合金接触疲劳性能预测方法 |
-
2018
- 2018-03-05 CN CN201810180680.8A patent/CN108330255A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ES2293845A1 (es) * | 2006-09-25 | 2008-03-16 | Universidad Politecnica De Madrid | Sistema de monitorizacion y control de procesos de tratamiento termico superficial de materiales con laser mediante un control neuronal adaptativo mediante modelo de referencia. |
CN102479259A (zh) * | 2010-11-23 | 2012-05-30 | 湖南大学 | 模具表面激光强化工艺优化 |
CN103886371A (zh) * | 2014-03-28 | 2014-06-25 | 郑州大学 | 一种预硬化型塑料模具钢成分及热处理工艺过程控制方法 |
CN107704920A (zh) * | 2017-10-16 | 2018-02-16 | 安徽工业大学 | 一种基于bp神经网络轧辊合金接触疲劳性能预测方法 |
Non-Patent Citations (4)
Title |
---|
张连宝 等: "混合智能技术在激光淬火工艺优化中的应用", 《材料科学与工艺》 * |
张连宝 等: "进化神经网络模型在激光淬火工艺预报中的应用", 《北京工业大学学报》 * |
曹明翠 等: "《激光热加工》", 30 June 1995, 华中理工大学出版社 * |
陈雯柏: "《人工神经网络原理与实践》", 31 January 2016, 西安电子科技大学出版社 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110989522A (zh) * | 2019-12-06 | 2020-04-10 | 东北大学 | 一种面向多钢卷的连退生产过程工艺参数优化设定方法 |
CN110989522B (zh) * | 2019-12-06 | 2022-09-09 | 东北大学 | 一种面向多钢卷的连退生产过程工艺参数优化设定方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP1385068B1 (en) | Sensor placement and control design for distributed parameter systems | |
Zhang et al. | Modeling and optimization of medium-speed WEDM process parameters for machining SKD11 | |
CN100458607C (zh) | 一种丙稀聚合工业生产熔融指数软测量方法 | |
CN113094980B (zh) | 一种基于iga-dnn的焊膏印刷质量预测方法及系统 | |
Liu et al. | S-metric based multi-objective fireworks algorithm | |
CN109977464A (zh) | 一种基于bp神经网络的活塞切削加工变形量的预测方法 | |
Maji et al. | Analysis and synthesis of laser forming process using neural networks and neuro-fuzzy inference system | |
CN110263488B (zh) | 一种基于集成即时学习的工业混炼胶门尼粘度软测量方法 | |
CN106682297A (zh) | 一种注塑成型工艺多目标质量综合评价优化方法 | |
CN115534319B (zh) | 一种基于hgefs算法的3d打印路径规划方法 | |
CN112380760A (zh) | 基于多算法融合的多目标工艺参数智能优化方法 | |
CN107894710B (zh) | 一种裂解反应炉温度的主成分分析建模方法 | |
CN108330255A (zh) | 一种钢线刀刀身激光热处理工艺参数优化方法 | |
CN113103535A (zh) | 一种基于ga-elm-ga的注塑件模具参数优化方法 | |
CN105404142A (zh) | 基于bp神经网络与mbfo算法的铝电解多参数控制方法 | |
CN111651929A (zh) | 一种基于Dynaform与智能算法融合的多目标优化方法 | |
Zhang et al. | Using genetic algorithm to optimize artificial neural network: A case study on earthquake prediction | |
CN107273971B (zh) | 基于神经元显著性的前馈神经网络结构自组织方法 | |
CN116646568A (zh) | 一种基于元启发式的燃料电池电堆参数寻优方法 | |
CN110415769B (zh) | 基于物理冶金学指导下机器学习的低活化钢的设计方法 | |
Ito et al. | Design space exploration using Self-Organizing Map based adaptive sampling | |
Bezyazychnyi et al. | Automation of analysis of the structure of a material with details based on controlled functional systems | |
Shubham et al. | Predicting Strength of Selective Laser Melting 3D Printed A1Si10Mg Alloy Parts by Machine Learning Models | |
CN112949203A (zh) | 一种基于电参数和xgboost-nn算法的板材激光切割质量判断方法 | |
Alfaro-Cid et al. | A comparative study of genetic operators for controller parameter optimisation |
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: 20180727 |