CN109750150A - 激光冲击强化零件疲劳寿命的在线无损预测方法 - Google Patents
激光冲击强化零件疲劳寿命的在线无损预测方法 Download PDFInfo
- Publication number
- CN109750150A CN109750150A CN201910027984.5A CN201910027984A CN109750150A CN 109750150 A CN109750150 A CN 109750150A CN 201910027984 A CN201910027984 A CN 201910027984A CN 109750150 A CN109750150 A CN 109750150A
- Authority
- CN
- China
- Prior art keywords
- output
- input
- fatigue life
- layer
- neural network
- 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
Landscapes
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
本发明公开了一种激光冲击强化零件疲劳寿命的在线无损预测方法,属于激光冲击强化领域,包括以下步骤:a.获取样本数据,包括激光冲击强化零件的输入参数以及在该输入条件下的输出参数——疲劳寿命;b.根据样本数据中输入参数和输出参数建立BP神经网络预测模型;c.在线输入激光冲击强化加工参数,通过BP神经网络预测模型,在线输出零件的疲劳寿命;d.调整激光冲击强化参数,确定零件的疲劳寿命符合要求,对零件进行激光冲击。本发明通过建立BP神经网络预测模型对待激光冲击强化的零件的疲劳寿命进行预测和在线输出,从而极大提高激光强化的准确度和工作效率。
Description
技术领域
本发明涉及激光冲击强化技术领域,特别是涉及一种激光冲击强化零件疲劳寿命的在线无损预测方法。
背景技术
激光冲击强化是一种利用强激光诱导的冲击波来强化金属的新技术,能够大幅度增强金属材料的表面性能,提高金属零件的疲劳寿命。
激光冲击强化后的疲劳寿命(小孔结构件的拉伸疲劳寿命、叶片的弯曲疲劳寿、榫槽的微动接触疲劳寿命,等等)的无损评估十分重要,美国目前还是通过实际叶片零件的疲劳试验获得疲劳寿命的数据,并记录样本零件的激光冲击强化的脉冲能量、脉冲宽度、光斑大小直径、搭接率、冲击层数、流水速度、涂层材料、涂层厚度,然后严格复制上述工艺参数激光冲击强化零件,并认为此零件的寿命与样本是完全一致的。
CN105651957B授权公开了一种评估激光喷丸强化效果的方法,保证试样待处理表面的平面度低于0.1微米,进行激光喷丸强化试样,去除约束层后,通过测量出凹坑深度d,使用测算值或经验值作为系数ε和补偿值c,根据经验公式Lp=ε*d+c计算获得残余压应力层的深度Lp,其中ε和c为常数,不同种类的金属ε和c也不同,d为凹坑深度,评估激光喷丸强化该种金属材料的效果,若Lp不在最佳强化效果范围内,则修改激光喷丸强化参数,重复S2至S4,直至Lp在最佳强化效果范围内;但是该专利存在需要重复实验找到最佳Lp,可能会找不到最佳Lp,并且浪费大量时间,在测凹坑深d时,会存在误差等问题。
因此,如何实现激光冲击强化零件疲劳寿命的在线无损预测是本领域技术人员目前需要解决的技术问题。
发明内容
为了解决上述问题,本发明提供一种激光冲击强化零件疲劳寿命的在线无损预测方法,解决了上述的问题。
本发明所采用的技术方案是:
一种激光冲击强化零件疲劳寿命的在线无损预测方法,包括以下步骤:
a.获取样本数据,包括激光冲击强化零件的输入参数以及在该输入条件下的输出参数——疲劳寿命;
b.根据样本数据中输入参数和输出参数建立BP神经网络预测模型;
c.在线输入激光冲击强化加工参数,通过BP神经网络预测模型,在线输出零件的疲劳寿命;
d.调整激光冲击强化参数,确定零件的疲劳寿命符合要求,对零件进行激光冲击。
作为本发明的进一步改进,步骤b包括:
b1.根据样本数据中输入参数和输出参数的个数确定BP神经网络预测模型输入层、隐含层和输出层的节点数,同时确定训练样本的个数和检验样本的个数;
b2.通过训练样本对BP神经网络预测模型进行训练,并用检验样本对训练模型进行检验,最终建立BP神经网络预测模型。
作为本发明的进一步改进,BP神经网络预测模型的结构包含一个输入层、一个隐含层和一个输出层,输入层的节点为n,隐含层节点数m=log2n,输出层的节点为1。
作为本发明的进一步改进,建立BP神经网络预测模型的步骤包括,输入层输入向量为X=(x1,x2,…xn)T,输入层到隐含层的权值矩阵为V=(V1,V2…Vn);隐含层输出向量为Y=(y1,y2,…ym)T,隐含层到输出层之间的权值向量为W=(W1,W2,…Wm),输出层输出向量为O=(O),期望输出向量为d=(d),x0和y0为阈值,神经元之间的传递函数为单极性Sigmoid函数曲线如下式
之后采用误差的梯度下降算法,选取[0,1]之间的随机数为BP神经网络中权值系数和阈值,随机选取样本数据进行训练,不断改善BP神经网络模型中的权值系数和阈值,使输出结果符合期望值,并用检验样本进行预测模型检验,如果检验不合格,继续改变权值系数和阈值,直到检验合格。
作为本发明的进一步改进,步骤a和步骤b之间还有步骤S,对样本数据进行尺寸变换,保证每个输入参数具有同等重要的地位,保证每个输出参数具有同等重要的地位。
作为本发明的进一步改进,步骤S中,为保证各输入参数、输出参数有同等重要的地位,通过变换处理将输入数据和输出数据限制在[0,1]区间内,并根据以下公式变换:
其中,xi为输入或输出数据;xmin为数据变化范围的最小值;xmax为数据变化范围的最大值;为变换后的数据。
本发明的有益效果是:本发明通过建立BP神经网络预测模型对待激光冲击强化的零件的疲劳寿命进行预测和在线输出,从而极大提高激光强化的准确度和工作效率。
附图说明
下面结合附图和实施方式对本发明进一步说明。
图1是BP神经网络预测模型的建立流程图;
图2是BP神经网络预测模型结构图;
图3是激光冲击强化零件疲劳寿命的预测流程图。
具体实施方式
参考图1,实施例公开了激光冲击强化零件疲劳寿命的在线无损预测方法,特别适用于航空发动机叶片和航空发动机涡轮榫槽边缘的疲劳寿命在线预测,其包括以下步骤:
步骤1:根据已有的实验数据,获取样本数据,样本数据至少包括激光冲击强化零件的输入参数以及在该输入条件下的输出参数。所述的输入参数包括脉冲能量、脉冲宽度、光斑大小直径、搭接率、冲击层数、流水速度、涂层材料、涂层厚度,所述的输出参数为零件的疲劳寿命。
步骤2:对样本数据进行尺寸变换,保证每个输入参数具有同等重要的地位,同时保证每个输出参数具有同等重要的地位。
该步骤中,为保证各输入参数、输出参数有同等重要的地位,通过变换处理将输入数据和输出数据限制在[0,1]区间内,并根据以下公式变换:
其中,xi为输入或输出数据;xmin为数据变化范围的最小值;xmax为数据变化范围的最大值;为变换后的数据。
步骤3:根据样本数据中输入参数和输出参数的个数确定BP神经网络预测模型输入层、隐含层和输出层的节点数,同时确定训练样本的个数和检验样本的个数。
实施例中,BP神经网络预测模型包含一个输入层,一个隐含层,一个输出层。输入层的节点为8,分别为脉冲能量、脉冲宽度、脉冲全时间波形、脉冲的全空间分布、流水速度、压力、流量、涂层材料、涂层厚度;输出层的节点为1,为在此条件下的疲劳寿命;隐含层的最佳节点数采用试凑法计算,隐含层的节点数为m=log2n,计算得出节点数为3。式中,m为隐含层节点数,n为输入层节点数。
实施例中,训练样本的个数越多,训练结果越能正确反映内在的规律,但当样本多到一定程度时,网络精度很难提高。根据经验规则,训练样本的个数为网络连接权总数的5-10倍,这里取8;检验样本的个数为训练样本的0.1倍。网络连接权总数为:8×3+3×1=27。则训练样本个数为216,检验样本个数为22。
步骤4:通过训练样本对BP神经网络预测模型进行训练,并用检验样本对训练模型进行检验。
实施例中,参考图2,建立BP神经网络预测模型的步骤包括,输入层输入向量为X=(x1,x2,…xn)T,输入层到隐含层的权值矩阵为V=(V1,V2…Vn);隐含层输出向量为Y=(y1,y2,…ym)T,隐含层到输出层之间的权值向量为W=(W1,W2,…Wm),输出层输出向量为O=(O),期望输出向量为d=(d),x0和y0为阈值,神经元之间的传递函数为单极性Sigmoid函数曲线如下式
之后采用误差的梯度下降算法,选取[0,1]之间的随机数为BP神经网络中权值系数和阈值,随机选取样本数据进行训练,不断改善BP神经网络模型中的权值系数和阈值,使输出结果符合期望值,并用检验样本进行预测模型检验,如果检验不合格,继续改变权值系数和阈值,直到检验合格,BP神经网络预测模型建立完成。
步骤5:参考图3,用户在线输入激光冲击强化加工参数,通过已经建立的BP神经网络预测模型,在线输出零件的疲劳寿命,若符合要求,则对零件进行激光冲击;若不符合要求,则调整激光冲击强化参数,确定零件的疲劳寿命直至符合要求,对零件进行激光冲击。
以上所述只是本发明优选的实施方式,其并不构成对本发明保护范围的限制。
Claims (6)
1.一种激光冲击强化零件疲劳寿命的在线无损预测方法,其特征在于,包括以下步骤:
a.获取样本数据,包括激光冲击强化零件的输入参数以及在该输入条件下的输出参数——疲劳寿命;
b.根据样本数据中输入参数和输出参数建立BP神经网络预测模型;
c.在线输入激光冲击强化加工参数,通过BP神经网络预测模型,在线输出零件的疲劳寿命;
d.调整激光冲击强化参数,确定零件的疲劳寿命符合要求,对零件进行激光冲击。
2.根据权利要求1所述的激光冲击强化零件疲劳寿命的在线无损预测方法,其特征在于:步骤b包括:
b1.根据样本数据中输入参数和输出参数的个数确定BP神经网络预测模型输入层、隐含层和输出层的节点数,同时确定训练样本的个数和检验样本的个数;
b2.通过训练样本对BP神经网络预测模型进行训练,并用检验样本对训练模型进行检验,最终建立BP神经网络预测模型。
3.根据权利要求2所述的激光冲击强化零件疲劳寿命的在线无损预测方法,其特征在于:BP神经网络预测模型的结构包含一个输入层、一个隐含层和一个输出层,输入层的节点为n,隐含层节点数m=log2n,输出层的节点为1。
4.根据权利要求3所述的激光冲击强化零件疲劳寿命的在线无损预测方法,其特征在于:建立BP神经网络预测模型的步骤包括,输入层输入向量为X=(x1,x2,…xn)T,输入层到隐含层的权值矩阵为V=(V1,V2…Vn);隐含层输出向量为Y=(y1,y2,…ym)T,隐含层到输出层之间的权值向量为W=(W1,W2,…Wm),输出层输出向量为O=(O),期望输出向量为d=(d),x0和y0为阈值,神经元之间的传递函数为单极性Sigmoid函数曲线如下式
之后采用误差的梯度下降算法,选取[0,1]之间的随机数为BP神经网络中权值系数和阈值,随机选取样本数据进行训练,不断改善BP神经网络模型中的权值系数和阈值,使输出结果符合期望值,并用检验样本进行预测模型检验,如果检验不合格,继续改变权值系数和阈值,直到检验合格。
5.根据权利要求1至4中任一项所述的激光冲击强化零件疲劳寿命的在线无损预测方法,其特征在于:步骤a和步骤b之间还有步骤S,对样本数据进行尺寸变换,保证每个输入参数具有同等重要的地位,保证每个输出参数具有同等重要的地位。
6.根据权利要求5所述的激光冲击强化零件疲劳寿命的在线无损预测方法,其特征在于:步骤S中,为保证各输入参数、输出参数有同等重要的地位,通过变换处理将输入数据和输出数据限制在[0,1]区间内,并根据以下公式变换:
其中,xi为输入或输出数据;xmin为数据变化范围的最小值;xmax为数据变化范围的最大值;为变换后的数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910027984.5A CN109750150A (zh) | 2019-01-11 | 2019-01-11 | 激光冲击强化零件疲劳寿命的在线无损预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910027984.5A CN109750150A (zh) | 2019-01-11 | 2019-01-11 | 激光冲击强化零件疲劳寿命的在线无损预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109750150A true CN109750150A (zh) | 2019-05-14 |
Family
ID=66405467
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910027984.5A Pending CN109750150A (zh) | 2019-01-11 | 2019-01-11 | 激光冲击强化零件疲劳寿命的在线无损预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109750150A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111401623A (zh) * | 2020-03-12 | 2020-07-10 | 重庆大学 | 一种基于bp神经网络的喷丸强化表面完整性预测方法 |
CN112765779A (zh) * | 2020-12-29 | 2021-05-07 | 中国航空工业集团公司西安飞机设计研究所 | 一种用于激光强化结构件疲劳寿命评估的方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102693450A (zh) * | 2012-05-16 | 2012-09-26 | 北京理工大学 | 一种基于遗传神经网络的曲轴疲劳寿命预测方法 |
-
2019
- 2019-01-11 CN CN201910027984.5A patent/CN109750150A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102693450A (zh) * | 2012-05-16 | 2012-09-26 | 北京理工大学 | 一种基于遗传神经网络的曲轴疲劳寿命预测方法 |
Non-Patent Citations (1)
Title |
---|
於自岚 等: "基于人工神经网络的激光冲击区表面质量预报", 《应用激光》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111401623A (zh) * | 2020-03-12 | 2020-07-10 | 重庆大学 | 一种基于bp神经网络的喷丸强化表面完整性预测方法 |
CN112765779A (zh) * | 2020-12-29 | 2021-05-07 | 中国航空工业集团公司西安飞机设计研究所 | 一种用于激光强化结构件疲劳寿命评估的方法 |
CN112765779B (zh) * | 2020-12-29 | 2024-02-09 | 中国航空工业集团公司西安飞机设计研究所 | 一种用于激光强化结构件疲劳寿命评估的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yagawa et al. | Neural networks in computational mechanics | |
CN106909727B (zh) | 基于bp神经网络和遗传算法ga的激光焊接温度场有限元模拟方法 | |
CN109343505A (zh) | 基于长短期记忆网络的齿轮剩余寿命预测方法 | |
Ayeb et al. | Prediction of residual stress profile and optimization of surface conditions induced by laser shock peening process using artificial neural networks | |
CN109325263A (zh) | 基于神经网络的桁架桥梁损伤位置与损伤程度识别方法 | |
CN102880908B (zh) | 一种基于bp神经网络的再制造零件环境损耗的计算方法 | |
CN112784495B (zh) | 一种基于数据驱动的机械结构实时疲劳寿命预测方法 | |
CN112730053B (zh) | 航空铝合金材料腐蚀损伤及疲劳寿命的研究方法 | |
Karataş et al. | Modelling of residual stresses in the shot peened material C-1020 by artificial neural network | |
CN109750150A (zh) | 激光冲击强化零件疲劳寿命的在线无损预测方法 | |
CN108107716A (zh) | 一种基于改进的bp神经网络的参数在线测量方法 | |
CN112651562B (zh) | 基于信噪比和改进灰色关联度激光熔覆工艺优化方法 | |
Liang et al. | On-line identification of holes/cracks in composite structures | |
CN109919082A (zh) | 基于lstm与emd的模态识别方法 | |
Maleki et al. | Modeling of shot-peening effects on the surface properties of a (TiB+ TiC)/Ti–6Al–4V composite employing artificial neural networks | |
CN115982141A (zh) | 一种针对时序数据预测的特征优化方法 | |
CN114324582A (zh) | 一种基于hht与神经网络的复合材料板分层缺陷空耦超声检测方法 | |
McMurtrey et al. | Fracture mechanics modelling of constant and variable amplitude fatigue behaviour of field corroded 7075‐T6511 aluminium | |
Mahdi et al. | Analysis and optimisation of machining parameters in drilling woven carbon fiber reinforced polymer CFRP | |
CN116562118A (zh) | 基于Elman神经网络的热障涂层陶瓷层厚度太赫兹测量方法 | |
CN109766637A (zh) | 基于Krigng代理模型的桥式起重机结构可靠性优化方法 | |
Lee et al. | A study on fatigue damage modeling using neural networks | |
Han et al. | Neural network modeling of surface roughness and residual stress induced by ball burnishing | |
Wang et al. | Study on the law of short fatigue crack using genetic algorithm-BP neural networks | |
CN117787549A (zh) | 深层煤层气储层损害智能评价方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190514 |
|
WD01 | Invention patent application deemed withdrawn after publication |