CN113240095B - 基于粗糙集和神经网络的铸造气缸盖力学性能预测方法 - Google Patents
基于粗糙集和神经网络的铸造气缸盖力学性能预测方法 Download PDFInfo
- Publication number
- CN113240095B CN113240095B CN202110635436.8A CN202110635436A CN113240095B CN 113240095 B CN113240095 B CN 113240095B CN 202110635436 A CN202110635436 A CN 202110635436A CN 113240095 B CN113240095 B CN 113240095B
- Authority
- CN
- China
- Prior art keywords
- neural network
- mechanical property
- attribute
- cylinder cover
- data
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Abstract
本发明涉及一种基于粗糙集和神经网络的铸造气缸盖力学性能预测方法,属于铸造铝合金气缸盖相关领域。本发明的一种基于粗糙集和BP神经网络的力学性能预测方法,利用粗糙集理论,对影响力学性能的指标属性进行约简,从而减少神经网络的输入维数,把约简后的指标属性作为BP神经网络的输入进行力学性能预测。本发明在无需进行大量试验与模拟仿真的前提下,并且在几乎无损的试验条件下,即可对力学性能实施预测,在提高力学性能预测的准确性和效率的同时,降低了设计与生产成本,提高了生产效益。
Description
技术领域
本发明涉及一种基于粗糙集和神经网络的铸造气缸盖力学性能预测方法,属于铸造铝合金气缸盖相关领域。
背景技术
在铸造铝合金气缸盖领域,气缸盖的疲劳寿命通常由铸造铝合金的力学性能决定,而铸造铝合金气缸盖的加工生产过程很大程度上决定了气缸盖的力学性能。铸造气缸盖在加工生产过程中会因为铸造工艺的不同产生不同的微组织结构,这些微组织结构是影响力学性能的主要因素。目前有研究者将气缸盖的微组织结构与力学性能之间的关系,通过利用大量的力学性能试验数据建立经验公式,此过程耗费大量的人力物力;其次是进行有限元数值仿真,虽然是成熟且有效的预测方法,但是模拟仿真时间长,模拟次数多,并且没有智能学习功能,无法满足高效且快速预测的需求。为了降低成本提高效率且快速掌握气缸盖力学性能,需要找到一种高效预测铸造铝合金气缸盖的力学性能的方法。于是快速有效的建立微观组织参数与力学性能之间的映射关系,便是目前铸造铝合金气缸盖生产工艺中亟待解决的问题之一。
基于粗糙集和神经网络的预测方法在很多领域中使用,例如房地产的价格预测,变压器故障诊断中的应用,大气污染的判别分析,地震的预测,高效贫困生认定中的应用等,在很多行业中都能看到。在金属制造领域中,目前使用粗糙集理论解决的问题有铝合金焊接接头的力学性能预测,钛合金焊接接头的疲劳性能分析和力学性能预测,AZ31镁合金挤压过程的定量分析等。BP神经网络是一种解决非线性和不确定性关系的重要方法,其具有较高的预测精度和速度,是目前塑性加工领域应用非常广泛的一类神经网络。
发明内容
基于上述现有技术的现状,本发明提供一种基于粗糙集和BP神经网络的力学性能预测方法,利用粗糙集理论,对影响力学性能的指标属性进行约简,从而减少神经网络的输入维数,把约简后的指标属性作为BP神经网络的输入进行力学性能预测,在无需进行大量试验与模拟仿真的前提下,提高力学性能预测的准确性和效率,从而降低设计与生产成本,提高生产效益。
本发明的目的是通过下述技术方案实现的。
本发明提供了一种基于粗糙集与神经网络的铸造气缸盖力学性能的预测方法,包括以下步骤:
步骤一、获取铸造铝合金气缸盖材料的微组织结构信息数据库、气缸盖材料的力学性能数据库以及气缸盖位置参数。所述气缸盖材料的微组织形貌数据包括:晶粒尺寸、二次枝晶臂间距、二维孔隙率、金相孔隙面积、金相孔隙最大Feret尺寸、共晶硅面积均值、共晶硅长宽比均值、共晶硅最大Feret尺寸均值、共晶硅颗粒圆度均值等;所述铸造气缸盖力学性能参数包括:屈服强度、抗拉强度、断后伸长率、断面收缩率、弹性模量、疲劳极限、疲劳寿命等。所述气缸盖位置参数包括:顶板、力墙、底板。位置参数为预测过程的必要参数。
步骤二、对步骤一获取的数据进行归一化处理;
式中,X表示归一化前的试验数据,X*表示归一化后的试验数据,Xmax为试验数据的最大值,Xmin为试验数据的最小值。
步骤三、对步骤二归一化处理后的试验数据进行离散化处理,编码后得到离散化后的决策表;
步骤四、对步骤三得到的决策表中的条件属性进行重要度计算,然后依据重要度进行数据约简,以获取试验数据的约简子集;
S41将微组织参数、力学性能数据以及位置参数决策表定义为一个四元组:
DT=(U,C∪D,V,f)
其中:U:论域;
C∪D:C为条件属性集,D为决策属性集;
V:V=∪V为属性的值域;
F:决策表的信息函数。
定义:
为条件属性a对条件属性集B相对于决策属性D的重要度。
S43利用遗传算法对决策表进行属性约简,得到属性约简子集。
步骤五、通过粗糙集属性约简得到约简子集,利用此约简子集作为BP神经网络的输入层,并选取训练函数和传递函数建立BP神经网络预测模型。BP神经网络所述训练函数包括:traingd,trainlm,traingdm,traingda,traingdx,trainrp等;所述传递函数包括:log-sigmoid型、tan-sigmoid型、线性purelin等。
步骤六、验证所述BP神经网络预测模型的有效性,BP神经网络模型的有效性,依据可接受相对误差范围判定。
步骤七、对训练数据进行多次训练后,当所述神经网络预测模型的预测误差达到可接受范围时,则保存此BP神经网络,然后采用此BP神经网络模型进行后续力学性能预测。
有益效果
1本发明可利用微组织结构参数,在几乎无损的前提下有效预测力学性能,不仅可以有效的降低研发和生产成本,还能够利用预测出的力学性能进一步对气缸盖的疲劳寿命进行评估;
2本发明利用粗糙集理论对数据进行约简,提取核心指标作为输入,可以降低网络结构的复杂程度,加快网络融合速度和预测的准确性;
3广泛适用于各类铸造气缸盖的力学性能预测,对气缸盖性能的提升优化提供预测和缺陷规避;
4与传统的数据推算相比,BP神经网络可以将误差反向传播,及时修正各层单元的权值和偏差,具有较高准确性的优势。
附图说明
图1是发明实施例的铸造铝合金气缸盖结构力学性能因素预测方法流程图;
图2是BP神经网络预测模型图;
图3是条件属性重要度;
图4 BP神经网络预测结果与试验结果对比图。
具体实施方式
下面结合附图和实施例对本发明的实施方式作进一步详细描述。
如图1所示,一种基于粗糙集与神经网络的铸造气缸盖力学性能的预测方法,包括以下步骤:
步骤一、获取铸造铝合金气缸盖材料的微结构信息以及气缸盖力学性能数据库;
通过拉伸试验和疲劳试验获取材料的力学性能,得到力学性能数据库。试验所用的试验样件分别取自铸造铝合金气缸盖的顶板、力墙和底板三个位置。三个位置参数也作为数据集的参数之一。利用扫描电镜和电子显微镜对疲劳断口进行观察,并用图像处理软件对微观组织图片进行分析处理,测得铸造铝合金气缸盖的微组织结构参数,所述微组织数据包括晶粒尺寸、孔隙结构尺寸、共晶硅颗粒尺寸和硬度。其中晶粒尺寸包括晶粒尺寸和二次枝晶臂间距;孔隙结构尺寸包括二维孔隙率、金相孔隙面积;共晶硅颗粒尺寸包括共晶颗粒面积均值、共晶颗粒长宽比均值、共晶颗粒最大Feret尺寸均值;所述力学性能数据取屈服强度。
步骤二、对步骤一获取的数据进行归一化处理;
因为获取的数据集中每个参数的基准不一样,会对预测结果产生影响,故对数据集进行归一化处理。
对步骤一中获取的铸造铝合金微组织结构尺寸数据进行归一化处理,公式为:
式中,X表示归一化前的试验数据,X*表示归一化后的试验数据,Xmax为试验数据的最大值,Xmin为试验数据的最小值。
步骤三、将归一化处理后的试验数据进行离散化处理,并进行编码建立决策表,得到离散化后的决策表;
S31设定微组织信息数据作为条件属性C={a1,a2…a7},a1代表晶粒尺寸,a2代表二次枝晶臂间距,a3代表孔隙率,a4代表金相孔隙面积,a5代表共晶硅颗粒面积均值,a6代表共晶硅颗粒长宽比均值,a7代表共晶硅颗粒最大Feret尺寸均值,a8代表位置,设定力学性能中的屈服强度为决策属性D={屈服强度},位置参数的条件编码为0、1、2,分别代表顶板、力墙和底板,构建决策表,归一化处理后的屈服强度决策表见表1;
表1归一化处理的力学性能决策表
S32对决策表进行属性约简之前,可以按以下步骤简化:
①对异常数据点进行处理,剔除粗大数据;
②对归一化后的数据集进行离散化处理;
③建立离散化后的决策表;
经过离散化后的决策表如表2所示。
表2是离散化的力学性能决策表
步骤四、采用基于粗糙集的方法对决策系统进行属性约简,计算条件属性的重要度,以获取试验数据的约简子集;
S41将微组织结构信息与力学性能数据决策表定义为一个四元组:
DT=(U,C∪D,V,f)
其中:
U:论域;
C∪D:C为条件属性集,D为决策属性集;
V:V=∪V为属性的值域;
f:表示决策表的信息函数。
S42依据属性约简结果确定力学性能关键影响因素,约简结果中各条件属性的重要度值即为力学性能各影响因素的定量表示。
为条件属性a对条件属性集B相对于决策属性D的重要度,计算约简集中各条件属性重要度,结果如图3所示,其中a3的重要度都较大,在顶板、力墙和底板位置分别为0.333,1和0.667。
S43利用Johnson算法对决策表进行属性约简,取出冗杂属性,因条件属性中的位置属性为铸造铝合金气缸盖力学性能预测中的必要属性,不对其做约简处理。得到条件属性C相对于决策属性D的约简为REDC(D)={a1,a3}。
步骤五、通过粗糙集属性约简得到铸造铝合金气缸盖力学性能决策表的约简子集,利用此约简子集作为BP神经网络的输入层,并建立BP神经网络预测模型;
S51采用三层BP神经网络,输入节点数N为约简子集的条件属性,输出节点数M为决策属性,建立BP神经网络预测模型;
S52以条件属性作为神经网络的输入,输入分别为晶粒尺寸、孔隙率和位置,以决策属性屈服强度为神经网络的输出目标;
S53采用LM算法对神经网络模型进行训练,训练所有包含约简子集中的样本,获得满足误差要求的预测值;
设隐藏层节点数为q,输入层与隐藏层的权值为ωmi,阈值为bm,隐藏层和输出层的权值为ωij,阈值为bi,f1为隐藏层的传递函数选用log-Sigmoid,f2为输出层的线性传递函数purelin,i=1,2,…;训练函数选用trainlm;
输入层的输出等于整个网络信号的输入信号:
隐藏层节点的输入为:
隐藏层节点的输出为:
输出层节点的输入为:
输出层节点的输出为:
修正层间权值和阈值的方法如下:
隐藏层的权值变化:
Δωmi=ηδmixi
其中η为学习率。
输出层的权值变化:
当实施输出与期望输出不一致时存在输出误差E,如下:
其中dj(n)为网络的期望输出。调节的权值和阈值,使输出误差E的值减小至期望范围。
确定隐藏层节点数q的方法如下:
利用隐藏层节点数经验公式:
N和M分别是输入层和输出层的神经元个数,取3和1,a是[0,10]之间的常数。计算后的q值四舍五入取整,则隐藏层的神经元个数取5。BP神经网络预测模型如图2所示,位置参数、晶粒尺寸和孔隙率3个节点作为BP神经网络的输入层,屈服强度1个节点为BP神经网络的输出层,隐藏层有5个神经元。
步骤六、验证所述神经网络预测模型的有效性,取试验数据的一部分作为测试集,来验证训练的BP神经网络的正确性。经过多次训练后,预测值的相对误差达到15%以内,为可接受范围,则认定此时神经网络训练有效。
步骤七、当所述神经网络预测模型的预测误差达到可接受范围时,保存此BP神经网络,然后采用此BP神经网络模型进行后续力学性能预测。
根据S5步骤中的权值和阈值计算公式以及输出误差计算公式,通过调节权值和阈值,使输出误差E的值减小至期望范围。BP神经网络的训练过程就是不断修正权值和阈值,使得输出误差E尽可能的小,从而达到设定的精度标准。
从屈服强度的BP神经网络预测结果与试验结果的对比图4中可以看出,预测值接近试验值,预测误差最大为5.26%,最小为0%,平均误差为2.04%。
本发明利用粗糙集理论对铸造铝合金气缸盖试验数据进行预处理,对铸造铝合金气缸盖力学性能决策表进行离散化处理和属性约简,剔除不相关属性后获得约简样本空间,以简化输入变量;将约简样本空间作为BP神经网络的输入和输出,得到网络训练模型,利用BP神经网络模型进行训练。经过反复学习训练,得到最小误差后,停止训练。最终得到力学性能的预测结果。
以上所述的具体描述,对发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (1)
1.一种基于粗糙集与神经网络的铸造气缸盖力学性能的预测方法,其特征在于:包括以下步骤:
步骤一、获取铸造铝合金气缸盖材料的微组织结构信息数据库、气缸盖材料的力学性能数据库以及气缸盖取样位置参数;
所述气缸盖材料的微组织结构信息数据包括:晶粒尺寸、二次枝晶臂间距、二维孔隙率、金相孔隙面积、金相孔隙最大Feret尺寸、共晶硅面积均值、共晶硅长宽比均值、共晶硅最大Feret尺寸均值和共晶硅颗粒圆度均值;
所述铸造气缸盖力学性能参数包括:屈服强度、抗拉强度、断后伸长率、断面收缩率、弹性模量、疲劳极限和疲劳寿命;
所述气缸盖位置参数包括:顶板、力墙和底板;
步骤二、对步骤一获取的数据进行归一化处理;
式中,X表示归一化前的试验数据,X*表示归一化后的试验数据,Xmax为试验数据的最大值,Xmin为试验数据的最小值;
步骤三、对步骤二归一化处理后的试验数据进行离散化处理,编码后得到离散化后的决策表;
步骤四、对步骤三得到的决策表中的条件属性进行重要度计算,然后依据重要度进行数据约简,以获取试验数据的约简子集;
S41、将微组织参数、力学性能数据以及位置参数决策表定义为一个四元组:
DT=(U,C∪D,V,f)
其中:U:论域;
C∪D:C为条件属性集,D为决策属性集;
V:V=∪V为属性的值域;
f:决策表的信息函数;
定义:
为条件属性a对条件属性集B相对于决策属性D的重要度;
S43、利用遗传算法对决策表进行属性约简,得到属性约简子集;
步骤五、通过粗糙集属性约简得到约简子集,利用此约简子集作为BP神经网络的输入层,并选取训练函数和传递函数建立BP神经网络预测模型;
步骤六、验证所述BP神经网络预测模型的有效性;
步骤七、若所述神经网络预测模型验证有效,采用所述模型进行力学性能预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110635436.8A CN113240095B (zh) | 2021-06-07 | 2021-06-07 | 基于粗糙集和神经网络的铸造气缸盖力学性能预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110635436.8A CN113240095B (zh) | 2021-06-07 | 2021-06-07 | 基于粗糙集和神经网络的铸造气缸盖力学性能预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113240095A CN113240095A (zh) | 2021-08-10 |
CN113240095B true CN113240095B (zh) | 2022-04-22 |
Family
ID=77137176
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110635436.8A Active CN113240095B (zh) | 2021-06-07 | 2021-06-07 | 基于粗糙集和神经网络的铸造气缸盖力学性能预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113240095B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103077320A (zh) * | 2013-01-18 | 2013-05-01 | 大连交通大学 | 一种基于粗糙集理论的焊接疲劳分析方法 |
CN103084708A (zh) * | 2013-02-04 | 2013-05-08 | 江苏科技大学 | 基于粗糙集的旋转电弧气保焊焊缝偏差识别方法 |
CN110263823A (zh) * | 2019-05-29 | 2019-09-20 | 广东工业大学 | 一种基于模糊聚类的短期负荷预测方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104899412A (zh) * | 2015-04-01 | 2015-09-09 | 沈阳航空航天大学 | 一种铝合金铸件力学性能预测方法 |
CN105127839B (zh) * | 2015-08-08 | 2017-09-29 | 华北电力大学(保定) | 车削SiC颗粒增强铝基复合材料切削力预测方法 |
CN110442979B (zh) * | 2019-08-08 | 2021-04-13 | 山东大学 | 基于bp神经网络的盾构施工隧道的全变形预测方法及系统 |
CN111916159A (zh) * | 2020-06-29 | 2020-11-10 | 烟台南山学院 | 一种铝合金型材在线挤压淬火力学性能预测的方法 |
CN111709592A (zh) * | 2020-08-20 | 2020-09-25 | 北京大成国测科技有限公司 | 基于神经网络与粗糙集分类的深基坑变形预测方法及系统 |
CN112730053B (zh) * | 2020-12-09 | 2023-01-17 | 中国人民解放军海军航空大学青岛校区 | 航空铝合金材料腐蚀损伤及疲劳寿命的研究方法 |
-
2021
- 2021-06-07 CN CN202110635436.8A patent/CN113240095B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103077320A (zh) * | 2013-01-18 | 2013-05-01 | 大连交通大学 | 一种基于粗糙集理论的焊接疲劳分析方法 |
CN103084708A (zh) * | 2013-02-04 | 2013-05-08 | 江苏科技大学 | 基于粗糙集的旋转电弧气保焊焊缝偏差识别方法 |
CN110263823A (zh) * | 2019-05-29 | 2019-09-20 | 广东工业大学 | 一种基于模糊聚类的短期负荷预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113240095A (zh) | 2021-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pan et al. | A new image recognition and classification method combining transfer learning algorithm and mobilenet model for welding defects | |
CN109117987B (zh) | 一种基于深度学习的个性化交通事故风险预测推荐方法 | |
Hakim et al. | Structural damage detection of steel bridge girder using artificial neural networks and finite element models | |
JP4681426B2 (ja) | 製造プロセスにおける操業と品質の関連解析装置、方法、コンピュータプログラム、及びコンピュータ読み取り可能な記録媒体 | |
WO2023142424A1 (zh) | 基于gru-lstm神经网络的电力金融业务风控方法及系统 | |
CN112289391B (zh) | 一种基于机器学习的阳极铝箔性能预测系统 | |
CN109710766B (zh) | 一种工单数据的投诉倾向分析预警方法及装置 | |
CN116448419A (zh) | 基于深度模型高维参数多目标高效寻优的零样本轴承故障诊断方法 | |
Bao et al. | A deep transfer learning network for structural condition identification with limited real-world training data | |
CN111651929A (zh) | 一种基于Dynaform与智能算法融合的多目标优化方法 | |
CN114749342A (zh) | 一种锂电池极片涂布缺陷识别方法、装置及介质 | |
CN111046926A (zh) | 一种计算机视觉图像分类集成学习方法 | |
CN113283153A (zh) | 一种变工况下船舶振动设备寿命预测方法 | |
CN114692677B (zh) | 一种基于多目标特征选择的焊接缺陷识别方法 | |
JP4653547B2 (ja) | 製造プロセスにおける操業と品質の関連解析装置、方法、コンピュータプログラム、及びコンピュータ読み取り可能な記録媒体 | |
Wei et al. | Analysis and risk assessment of corporate financial leverage using mobile payment in the era of digital technology in a complex environment | |
CN116933946A (zh) | 一种基于客流去向结构的轨道交通od客流预测方法及系统 | |
CN113240095B (zh) | 基于粗糙集和神经网络的铸造气缸盖力学性能预测方法 | |
CN113240096B (zh) | 基于粗糙集和神经网络的铸造气缸盖微组织预测方法 | |
CN116630728A (zh) | 基于注意力残差孪生网络的加工精度预测方法 | |
Benkhellat et al. | Genetic algorithms in speech recognition systems | |
CN114936755A (zh) | 一种基于知识图谱的螺柱焊接缺陷根因分析方法 | |
CN115688990A (zh) | 基于bp神经网络的有色金属行业电碳数据匹配预警方法 | |
CN114118249A (zh) | 基于优化堆叠自编码器和多信号融合的结构损伤诊断方法 | |
Khan et al. | Tool Health Classification in Metallic Milling Process Using Acoustic Emission and Long Short-Term Memory Networks-A Deep Learning Approach |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |