CN113553712A - 基于多元回归的粉末冶金混合材料配方建模及控制方法 - Google Patents

基于多元回归的粉末冶金混合材料配方建模及控制方法 Download PDF

Info

Publication number
CN113553712A
CN113553712A CN202110832583.4A CN202110832583A CN113553712A CN 113553712 A CN113553712 A CN 113553712A CN 202110832583 A CN202110832583 A CN 202110832583A CN 113553712 A CN113553712 A CN 113553712A
Authority
CN
China
Prior art keywords
test
formula
powder metallurgy
mixed material
regression
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.)
Granted
Application number
CN202110832583.4A
Other languages
English (en)
Other versions
CN113553712B (zh
Inventor
郑义民
邵辉
聂卓赟
项雷军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huaqiao University
Original Assignee
Huaqiao University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huaqiao University filed Critical Huaqiao University
Priority to CN202110832583.4A priority Critical patent/CN113553712B/zh
Publication of CN113553712A publication Critical patent/CN113553712A/zh
Application granted granted Critical
Publication of CN113553712B publication Critical patent/CN113553712B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10Complex mathematical operations
    • G06F17/16Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10Complex mathematical operations
    • G06F17/18Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Manufacture And Refinement Of Metals (AREA)

Abstract

本发明公开了一种基于多元回归的粉末冶金混合材料配方建模及控制方法,通过分析粉末冶金工艺制备铁基或铜基烧结材料试样,采用正交试验方法,对混合材料配方进行优选试验,分析混合材料元素含量对产品质量指标的影响,通过多元回归分析法建立粉末冶金混合材料与产品的密度、硬度等质量指标相关的数学模型,并对模型进行F检验、t检验、异方差诊断和多重共线性诊断,建立配方与产品质量指标的最优模型,利用该模型可对产品质量指标进行预测,通过模型亦可获得产品质量指标的优选配方,实现粉末冶金加工过程产品质量的预测和材料配方的智能优化设计,对制备高性能指标、降低生产成本、减少新产品试制周期、提高生产效率具有一定指导意义。

Description

基于多元回归的粉末冶金混合材料配方建模及控制方法
技术领域
本发明属于粉末冶金相关技术领域,具体涉及一种基于多元回归的粉末冶金混合材料配方建模及控制方法。
背景技术
粉末冶金是制取金属粉末(或金属粉末与非金属粉末的混合物)作为原料,经过压制成形和烧结,制取金属材料、复合材料以及各种类型制品的工业技术。目前,粉末冶金烧结铁基(或铜基)制取各种精密机械零件过程中存在的主要问题是:试制品采用经验配方法,根据产品质量指标(如硬度、密度、磨损量等)定性的在铁基(或铜基)粉末原料上添加混合材料以及各含量的质量百分比,在同样粉末冶金制作工艺下(如压制成形、烧结工艺等),试制品要达到产品质量指标往往需要进行多次试验、试制后才能达到产品质量指标要求,不仅造成试制周期长、电能消耗大、运行成本高、异常工况频发、费时、费力,无法做到精确的定量设计。因此,采集粉末冶金的混合材料配方对产品质量指标的输入输出相应数据,建立混合材料配方对粉末冶金烧结零件产品质量指标之间准确的数学模型极有必要。关于粉末冶金混合材料配方建模与控制方法的相关介绍,现有技术中少有提及,更是少有文献记载实现方法。
在铁基或铜基粉末主原料上添加一些其它微量金属元素粉末或润滑剂可以大大提高粉末冶金零件产品性能,如在铁基或铜基粉末主原料上添加铝、镍金属元素对零件产品密度和硬度有很大的影响,添加二硫化钼、石墨等则可提高材料的耐磨性,各微量金属元素粉末或润滑剂在铁基(或铜基)中含量的质量百分比对产品性能质量指标产生很大的影响,因此粉末冶金混合材料配方对零件产品质量起到决定作用。
运用正交试验方法,对多种不同金属混合材料或非金属混合材料含量进行优选试验,应用回归分析方法建立粉末冶金材料配方与质量指标的模型,并利用先进算法建立多目标优化设计方法,实现粉末冶金加工过程产品质量的预测和材料配方的智能优化设计,是粉末冶金未来的一个研究热点。
发明内容
本发明要解决的技术问题为:通过分析粉末冶金工艺制备铁基或铜基烧结材料试样,采用正交试验方法,对混合材料配方进行优选试验,分析各混合材料配方对产品质量指标的影响,通过实验和数据分析,建立各混合材料配方与零件产品的密度、硬度、耐磨性等质量指标相关的数学模型,通过获得的模型可以预测产品质量指标,亦可由产品质量指标控制配方,实现粉末冶金加工过程产品质量的预测和混合材料配方控制的智能优化设计。
本发明采用如下技术方案:
一方面,一种基于多元回归分析的粉末冶金混合材料配方建模方法,包括:
步骤一,根据粉末冶金配方成份,选择对产品质量指标影响显著的金属粉末进行正交试验,寻求最优水平样本数据组合,从而减少试验次数,提高效率。具体正交试验设计方案为:(1)明确试验目的,确定质量指标;(2)选因素、定水平,列因素水平表;(3)选择合适的正交表;(4)编制试验方案,按方案进行试验,采集试验结果。
步骤二,对正交试验数据进行初步分析,对试验结果极差分析,确定各质量指标下各因素的主次顺序,并初步判断采用线性回归分析方法建模或采用非线性回归分析方法建模。
步骤三,采用线性多元回归参数估计,设随机变量y(可为产品的某一项质量指标)与一般变量x1,x2,…,xp(配方)的线性模型为:
y=β01x12x2+…+βpxp+ε (1)
其中,β01,…,βp为p+1个未知回归系数,x1,x2,…,xp为p个可以测量的自变量(混合材料配方);ε为随机误差。
当获得n组观测数据(xi1,xi2,…,xip;yi)(i=1,2,…,n),式(1)用矩阵形式表示为
Figure BDA0003176018740000021
式(2)写成矩阵形式为
y=Xβ+ε (3)
采用最小二乘估计,寻找参数β01,…,βp的估计值
Figure BDA0003176018740000022
令离差平方和
Figure BDA0003176018740000023
达到极小,寻找β01,...βp满足
Figure BDA0003176018740000024
其中,Q为关于β01,…,βp的非负二次函数,它的最小值总是存在的。
根据微积分中求极值的原理,
Figure BDA0003176018740000031
应满足以下方程组
Figure BDA0003176018740000032
式(5)方程组整理后,可得出用矩阵形式表示的正规方程组为
Figure BDA0003176018740000033
由式(6)可得
Figure BDA0003176018740000034
当(X'X)-1存在时,则
Figure BDA0003176018740000035
于是,可得到线性回归方程为
Figure BDA0003176018740000036
步骤四,对多元回归方程进行显著性检验,在实际应用中,可以先采用多元线性回归建立模型,对模型进行显著性检验,后逐步优化多元回归方程,在显著性检验中,常用的一种方法是多元回归方程的F检验,另一种是多元回归系数的t检验,以验证假设的正确性。
(1)F检验
进行整个多元回归方程检验时,用总离差平方和的分解
Figure BDA0003176018740000037
式(10)可简写为
SST=SSR+SSE (11)
其中,SST(sum of squares for total)为总离差平方和;SSR(sum of squaresfor regression)为回归平方和;SSE(sum of squares for error)为残差平方和。
式(11)两边都除以SST得
Figure BDA0003176018740000038
其中,SSR/SST为决定系数,记为R2,R2值越高,表示能够由自变量解释的部分占比越大。
可利用F值进行显著性检验,构造的F检验统计量为
Figure BDA0003176018740000041
其中,n为样本数目;p为自变量个数。
若F达到了显著水平,说明模型有意义,临界值Fα(p,n-p-1)可以通过查F分布表获得,当F≥Fα(p,n-p-1)时,在显著性水平α下,认为y与x1,x2,…,xp存在显著性关系,回归方程是显著的。
(2)t检验
回归方程显著并不代表每个自变量对y的影响都显著,需要通过t检验对每个自变量进行显著性检验,t检验的原假设为
H0j:βj=0,j=1,2,…,p (14)
式(14)的对立假设为:
H1j:βj≠0,如果接受原假设H0j,则xj不显著;如果拒绝原假设H0j,则xj是显著的。
构造t统计变量为
Figure BDA0003176018740000042
式中:
Figure BDA0003176018740000043
为回归标准差,cjj为非奇异矩阵(X'X)-1上的对角元素。
在显著性水平α下,可查双侧检验的临界值tα/2,当|tj|≥tα/2时,原假设H0j:βj=0被否决,则认为βj显著不为零,当|tj|≤tα/2时,原假设H0j:βj=0被接受,则认为βj为零,自变量xj对因变量y的线性效果不明显,应予剔除。
步骤五,进行多元回归方程异方差诊断,建立实际问题的回归分析模型,会出现某一因素或者某些因素随着自变量观测值的不同变化而对因变量产生不同的影响,导致随机误差项出现不同方差,残差图出现规律性分布,如果仍用最小二乘法估计回归系数,将造成参数估计值不具有最小方差的优良性,回归方程的应用效果不理想,本发明采用等级相关系数法进行判断。具体有以下三个步骤:
(1)根据普通最小二乘回归法求出相应回归模型,求出误差估计值。
(2)取误差的绝对值,把误差按从递增或者是递减排列后成等级,按式(16)计算出等级相关系数
Figure BDA0003176018740000051
其中,n为样本容量,di为对应于xi和|ei|的等级差数。
(3)做等级相关系数的显著性检验,用式(17)对样本系数rs进行t检验,计算的t检验值记为tr
Figure BDA0003176018740000052
如果|tr|≤tα/2(n-2),认为异方差性不存在,反之说明异方差性存在。
步骤六,进行多重共线性的诊断,如果存在不全为零的p+1个数c0,c1,c2,…,cp使得式(18)成立,称自变量x1,x2,…,xp之间存在多重共线性。
c0+c1xi1+c2xi2+…+cpxip≈0,i=1,2,…,n (18)
当多元回归方程的自变量之间存在着很强的线性关系时,可能出现个别回归系数不能通过显著性检验或者是有些正负符号与实际不相符合的情况。可采用特征根判定法,当行列|X′X|≈0时,矩阵至少有一个特征根近似为零,反之可以证明,当矩阵X′X至少有一个特征根近似为零时,X的列向量间必然存在多重共线性,记X′X的最大特征根为λm,λi为i个特征根值,特征根的条件数记为ki,ki可由式(19)计算。
Figure BDA0003176018740000053
用式(19)判断多重共线性是否存在及共线性严重程度,当0<k<10时不存在共线性;k≥10时存在多重共线性,k越大,说明多重共线性越严重。
步骤七,进行模型验证,建立的多元回归模型,还需在实际的生产配方中检验,有时回归模型可能在训练数据里表现良好,但是换了另一批数据后模型预测值的误差可能很大,因此重新采集一批数据对回归方程进行检验,新采集的数据与训练样本数据取值不同,有利于判断模型的适应性与准确性。
利用获得的模型能根据配方对产品质量指标进行预测,用于指导生产过程。
另一方面,一种基于多元回归分析的粉末冶金混合材料配方控制方法,包括:
利用模型对配方进行控制,即模型预测的反问题,在实际应用中,经常要由已知的因变量(y在一定范围内取值)对自变量x取值的控制问题,在自然科学和工程技术中,方程的求解一般分为两类:一类是数值迭代法,如Newton迭代法,另一类是启发式直接搜索法,如遗传算法等,本发明采用牛顿迭代法求解数学模型,牛顿迭代法的步骤为:(1)给初始近似值x0及精度ε;(2)计算x1=x0-y(x0)/y′(x0);(3)若|x1-x0|<ε转向(4),否则x1→x0,转向(2);(4)输出满足精度的根x1,结束。
由上述对本发明的描述可知,与现有技术相比,本发明具有如下有益效果:
本发明建立了配方与产品质量指标的最优模型,利用该模型可对产品质量指标进行预测,通过模型亦可获得产品质量指标的最优配方,实现粉末冶金加工过程产品质量的预测和材料配方的智能优化设计,对制备高性能指标、降低生产成本、减少新产品试制周期、提高生产效率具有一定指导意义和实际应用价值。
附图说明
图1为本发明的粉末冶金加工工艺流程图;
图2为本发明的粉末冶金建模步骤流程图;
图3为本发明的多元回归分析建模结构图;
图4为本发明实施例一中硬度与铜质量分数变化曲线图;
图5为本发明实施例一中硬度与铝质量分数变化曲线图;
图6为本发明实施例一中硬度与铜质量分数、铝质量分数变化趋势图;
图7为本发明的粉末冶金混合材料配方工艺应用系统中多元回归分析建模界面模块;
图8为本发明的粉末冶金混合材料配方工艺应用系统中质量指标预测界面模块。
具体实施方式
以下通过具体实施方式对本发明作进一步的描述。应当说明的是,此处所述具体实施例仅用于方便说明和解释本发明的具体实施方式,并不用于限定本发明。
参见图1至图3所示,分别为本发明的粉末冶金加工工艺流程图、粉末冶金建模步骤流程图和多元回归分析建模结构图。
本发明的基于多元回归分析的粉末冶金混合材料配方建模方法和控制方法的具体实现参见如下实施例一和实施例二。
实施例一
本实施例为铁基制品,试样的产品为铁基轴套,尺寸为φ20mm×18mm实验所用铁粉纯度为99.9%,粒度为75μm,本例以硬度为产品质量指标(因变量y),选取对硬度指标影响较大的两个自变量因素即,铜质量分数x1和铝质量分数x2,其他混料,如碳(C)和硬脂酸锌质量分数在以往工艺的配方上均保持不变,采用布氏硬度计对试样进行硬度测试,每个试样测试三点,结果为三点的平均值,采用L16(42)正交试验表,即正交试验有4水平2因素,16个样本数据,对试样进行硬度测试,正交试验结果见表1。
表1实施例一的正交试验数据
Figure BDA0003176018740000071
从表1、图4和图5中可以看出,保持铜质量分数不变时,试样的硬度随着铝质量分数的递增而逐步增加,当保持铝质量分数水平不变时,随着铜质量分数的增加,硬度则是先增加后又减小,试样的硬度与铜质量分数和铝质量分数两个自变量之间成非线性关系。图6所为两个输入一个输出的变化趋势图,可以更直观地看出这16组样本值的分布情况。
粉末冶金的多元回归建模方法包括:
由前述发明内容可知,混合料中Cu、Al与硬度指标为非线性关系,对这类问题的研究可采用非线性回归分析。本发明通过变量替换,将非线性回归转化为线性回归来解决,选取的是多项式回归方法,采用的模型为一个二元二次多项式,如式(20)。
Figure BDA0003176018740000081
针对本例,式(20)回归方程的具体形式为
Figure BDA0003176018740000082
对此回归方程做变量替换,令
Figure BDA0003176018740000083
式(21)转化为y对5个自变量的线性回归,部分回归变量表见表2。
表2部分回归变量表
Figure BDA0003176018740000084
本发明实施例一采用逐步回归分析法,逐步添加和删除自变量而建立最优回归方程的优选方法,考虑全部自变量,并按其对y的作用大小,或显著程度大小,将影响不显著的自变量逐个从回归方程删除,每次从回归方程中添加一个自变量或者删除一个自变量均为逐步回归的一步,每一步都要进行F检验,以保证添加新自变量前回归方程中只含有对因变量影响显著的自变量,而不包含不显著的自变量。
构造偏统计量Fj
Figure BDA0003176018740000085
式中,△SSRj为xj的偏回归平方和,式(23)中的Fj服从自由度为(1,n-p-1)的F分布,由给定的显著水平α=0.05,通过Fα(1,n-p-1)查F分布表,可计算出Fj,如下表3为实施例一的多项式逐步回归模型分析表。
表3中,模型2的x2|x1表示含有x1再加入x2的回归模型,表中的5个模型以此类推,模型5即全模型时,根据式(23),SSE的自由度n-p-1为16-5-1=10,偏F值为0.8/(57.674/10)≈0.138,查F分布表,临界值F0.05(1,10)=3.33,偏F值小于临界值,回归系数β12不能通过检验。回归系数β22也因其偏F值小于相应的临界值,因此回归模型不应该包含x2的平方项,β11则通过了二次效应系数的检验,这个检验的偏F值为38.284,大于临界值F0.05(1,12)=4.75,最终回归方程包含的项有x1、x2及x11
表3实施例一的多项式逐步回归模型分析表
Figure BDA0003176018740000091
5个模型汇总表见表4,表中模型4和模型5的决定系数R2比模型3的R2大,R2越大,说明整体拟合效果较好,但由于R2的大小与样本量n和自变量个数p有关,当n与p的数目接近时,R2容易接近1,这说明R2隐含着一些虚假成分,应该剔除,也间接说明模型不能完全由R2决定,表4中,模型3的F值在5个模型中为最大,标准估计的误差最小,说明模型3总体是最显著的。
表4实施例一的模型汇总表
Figure BDA0003176018740000092
在显著性水平α=0.05下,选用模型3是一个精而简的最优模型,得到Cu质量分数、Al质量分数与硬度指标的多项式回归方程为:
Figure BDA0003176018740000093
模型验证的方法包括:采集新一批试验数据对回归方程进行检验,新采集的数据与训练样本数据取值不同,表5为新数据配方中试样真值y(硬度)与模型预测值
Figure BDA0003176018740000094
(硬度),计算结果显示,模型预测值的最大误差为4.8%,平均误差为2.285%,在允许的误差范围内。
表5实施例一的非线性回归模型的模型检验
Figure BDA0003176018740000101
混合材料配方的控制方法包括:采用牛顿迭代法求解数学模型,先把Al质量分数的初始值当作常量,再通过牛顿迭代法的步骤求出Cu质量分数,Al质量分数的初始值也按一个较小精度的步长逐步增加,经过上述方法迭代计算的
Figure BDA0003176018740000103
值与硬度真值y在满足
Figure BDA0003176018740000104
为某一个给定的正小值,以获得控制Cu质量分数和Al质量分数的配方值在基本误差范围内。表6为给定的硬度指标下,计算Cu质量分数和Al质量分数的配方,由表6可知计算配方的平均误差为4.81%,误差控制在5%以内,控制效果较好。
表6实施例一的混合料配方计算结果
Figure BDA0003176018740000102
Figure BDA0003176018740000111
实施例二
本实施例为铜基制品,试样的产品为铜基轴套,尺寸为φ22mm×20mm,在铜基中添加微量非金属合金元素磷(P)、硼(B)具有明显的合金化作用,是以较低成本有效改善材料耐磨特性的重要渠道,本例考虑铜基粉末冶金混合粉含磷(P)、硼(B)对硬度和耐磨度的影响,并考虑烧结温度对硬度和耐磨度的影响,用P含量、B含量及烧结温度为本实验的3个因素,每个因素取3水平,因素水平表如表7,采用L9(33)正交试验表,即正交试验有3水平3因素,9个样本数据,对试样进行硬度、耐磨度测试,正交试验结果见表8。
表7实施例二的因素水平表
Figure BDA0003176018740000112
表8实施例二的正交试验数据
Figure BDA0003176018740000113
由表8可知,磷、硼、烧结温度对产品指标的性能均能产生影响,其中影响最明显的是温度,影响较小的是磷元素;加入硼和磷元素后,可以适当降低烧结的温度,对产品的耐磨性和硬度都产生好的影响,硼对耐磨性的影响比磷的影响要显著;磷对硬度与耐磨性的影响也较大。
实施例二配方(含P、B)及烧结温度关于硬度指标建模方法为初步采用线性回归分析方法。
通过前述发明内容所述的显著性检验方法,可获得表9的F检验数据及表10的多元回归系数及t检验,表9可知,R2=0.916,R2数值接近1,说明模型具有高度拟合优度,F值为18.117,在显著性α=0.05下,查F分布表,Fα(p,n-p-1)=F0.05(3,5)=5.41,F值远远大于Fα,回归方程回归效果显著,实施例二通过了显著性检验。
表9实施例二的F检验
Figure BDA0003176018740000121
表10实施例二的多元回归系数及t检验
Figure BDA0003176018740000122
由表10可知回归方程的各个系数,在获得模型的同时,通过观察t值进一步确认方程的显著性,即各个自变量因素与因变量的显著性,根据回归的结果,可以得到铜基粉末冶金混合粉(含P、B及烧结温度)关于硬度指标的回归方程为:
y1=-52.611-4.167x1+4.333x2+0.094x3 (25)
根据前述发明内容所述的异方差诊断方法,异方差t值样本数据如表11所示,∑di 2=94,代入式(16)得rs=0.2167,此值代入式(17),得tr=0.587,查询t分布表,当显著性水平α=0.05时,临界值tα/2(n-2)=2.365,|tr|≤tα/2(n-2),实施例二不存在异方差性。
表11实施例二的异方差t值样本数据
Figure BDA0003176018740000123
Figure BDA0003176018740000131
根据前述发明内容所述的多重共线性诊断方法,各个影响因素对应的4个特征值、特征根的条件指数ki、方差比例如表12所示,各因素的特征根的条件指数0<ki<10,因此,实施例二自变量之间不存在多重共线性。
表12实施例二的多重共线性检验结果
Figure BDA0003176018740000132
实施例二的模型进行验证,对多元回归方程进行检验,表13为配方值、试样真值(硬度)与模型预测值(硬度),预测结果显示,模型预测值的最大误差为4.584%,平均误差为2.641%,在允许的误差范围内。
表13实施例二的模型验证
Figure BDA0003176018740000133
可根据不同粉末冶金零件产品的质量指标建立丰富多样的多变量、多指标模型,对多种正交试验数据录入与保存,多种模型交互联系,进行归纳与总结,并建立起相应的数据库应用系统,使得粉末冶金企业工艺设计从定性经验设计上升到定量准确设计的阶段,从而解决试制周期长、生产效率低、能耗高的共性技术难题提供切实可行的方案。
本发明开发的粉末冶金混合材料配方工艺应用系统,部分界面截图如图7和图8所示。
基于本发明所述的多元回归分析的粉末冶金混合材料配方建模方法和控制方法,本发明的粉末冶金制造过程包括:(1)原料混合:按照混合材料配方中对应的质量含量比,称取相应原料,将混合材料放入搅拌机搅拌,主原料(铁粉或铜粉)纯度为99.9%,粒度为75μm,其它金属混合材料粒度为50μm~200μm,并添加一些增塑剂如硬脂酸锌,在原料混合之前进行雾化纯铁粉或铜粉;(2)压制成型:将混合材料送入压制机,把混合材料导入模具,压制机根据加工参数进行压坯成型;(3)烧结:将生坯置于炉膛内进行烧结,采用高温炉或真空炉,烧结过程中向炉膛内送入氮气、分解氨等保护气,烧结工艺包括预热段(三段预热段,温度分别为500±5℃、670±5℃、790±5℃)、烧结段(900±5℃~1050±5℃),烧结时间总计6~8小时;(4)对烧结的半成品进行研磨、校形、精加工形成成品。
上述通过一个具体实施例对本发明进行了描述,但本发明的设计构思并不局限于此,凡利用此构思对本发明进行非实质性的改动,均应属于侵犯本发明保护范围的行为。

Claims (7)

1.一种基于多元回归的粉末冶金混合材料配方建模方法,其特征在于,包括:
步骤一,根据粉末冶金制取冶金零件产品的铁基或铜基加工工艺流程,选用粉末冶金各种混合材料与冶金零件产品的质量指标为建模对象;所述混合材料包括金属元素和非金属元素;
步骤二,针对不同的冶金零件产品质量指标,基于试验目的,确定影响质量指标的粉末冶金混合材料组分,并采用正交试验方法进行优选配方试验,通过选因素和定水平,编制试验方案,按照试验方案进行试验,采集试验结果;
步骤三,基于试验结果,使用多元回归分析方法建模,采用逐步回归分析法和最小二乘法对多元回归参数进行估计,获得粉末冶金混合材料配方与质量指标的多元回归方程的数学模型;
步骤四,通过F检验统计量及t检验统计量的计算公式,对多元回归方程进行显著性检验;
步骤五,采用等级相关系数法,做等级相关系数的显著性检验,对多元回归方程进行异方差诊断;
步骤六,通过计算多元回归方程的自变量之间特征根的条件数,对多元回归方程进行多重共线性诊断;
步骤七,重新采集一批试验数据对多元回归方程进行验证,计算模型预测值与真值的误差,计算平均误差,若平均误差率大于预设值,则修改步骤二中的正交试验方案或修改步骤三至步骤六的多元回归建模方法重新进行建模。
2.根据权利要求1所述的基于多元回归的粉末冶金混合材料配方建模方法,其特征在于,所述步骤三,具体包括:
采用线性多元回归参数估计,设随机变量y与一般变量x1,x2,…,xp(配方)的线性模型为:
y=β01x12x2+…+βpxp+ε (1)
其中,y表示产品的某一项质量指标;β01,…,βp表示p+1个未知回归系数;x1,x2,…,xp表示p个混合材料配方;ε表示随机误差;
基于获得的n组观测数据(xi1,xi2,…,xip;yi)(i=1,2,…,n),将式(1)用矩阵形式表示,如下:
Figure FDA0003176018730000011
式(2)写成矩阵形式为
y=Xβ+ε (3)
其中,
Figure FDA0003176018730000021
采用最小二乘估计,寻找参数β01,…,βp的估计值
Figure FDA0003176018730000022
令离差平方和
Figure FDA0003176018730000023
达到极小,寻找β01,...βp满足
Figure FDA0003176018730000024
其中,Q为关于β01,…,βp的非负二次函数,Q存在最小值;
根据微积分中求极值的原理,
Figure FDA0003176018730000025
满足以下方程组
Figure FDA0003176018730000026
式(5)方程组整理后,可得出用矩阵形式表示的正规方程组为
Figure FDA0003176018730000027
其中,X′表示X的转置;
由式(6)可得
Figure FDA0003176018730000028
当(X'X)-1存在时,则
Figure FDA0003176018730000029
由式(8)获得线性回归方程为
Figure FDA00031760187300000210
3.根据权利要求2所述的基于多元回归的粉末冶金混合材料配方建模方法,其特征在于,F检验统计量的计算公式表示如下:
Figure FDA0003176018730000031
其中,n为样本数目;p为自变量个数;SSR为回归平方和;SSE为残差平方和;
通过F检验统计量的计算公式,对多元回归方程进行显著性检验,包括:
若F达到了显著水平,说明模型有意义,临界值Fα(p,n-p-1)通过查F分布表获得,当F≥Fα(p,n-p-1)时,在显著性水平α下,y与x1,x2,…,xp存在显著性关系,回归方程是显著的。
4.根据权利要求2所述的基于多元回归的粉末冶金混合材料配方建模方法,其特征在于,t检验统计量的计算公式表示如下:
Figure FDA0003176018730000032
其中,
Figure FDA0003176018730000033
为回归标准差;cjj为非奇异矩阵(X'X)-1上的对角元素,j=1,2,…,p;
Figure FDA0003176018730000034
为回归系数βj的估计值;
通过t检验统计量的计算公式,对多元回归方程进行显著性检验,包括:
在显著性水平α下,检查双侧检验的临界值tα/2,tα/2通过查t分布表获得,当|tj|≥tα/2时,原假设H0j:βj=0被否决,则认为βj显著不为零,当|tj|≤tα/2时,原假设H0j:βj=0被接受,则认为βj为零,自变量xj对因变量y的线性效果不明显,剔除;其中,H0j:βj=0表示某个自变量xj对因变量y的作用不显著,则回归系数βj取值为零。
5.根据权利要求2所述的基于多元回归的粉末冶金混合材料配方建模方法,其特征在于,所述步骤五,具体包括:
根据普通最小二乘回归法求出相应回归模型,求出误差估计值;
取误差的绝对值,把误差按从递增或者是递减排列后成等级,按式(16)计算出等级相关系数rs
Figure FDA0003176018730000035
其中,n为样本容量,di为对应于xi和|ei|的等级差数;
做等级相关系数的显著性检验,用式(17)对样本系数rs进行t检验,计算出的t检验统计量值记为tr,如下
Figure FDA0003176018730000041
如果|tr|≤tα/2(n-2),认为异方差性不存在,反之说明异方差性存在,tα/2(n-2)可查t分布表获得。
6.根据权利要求2所述的基于多元回归的粉末冶金混合材料配方建模方法,其特征在于,所述步骤六,具体包括:
进行多重共线性的诊断,如果存在不全为零的p+1个数c0,c1,c2,…,cp使得式(18)成立,称自变量x1,x2,…,xp之间存在多重共线性;
c0+c1xi1+c2xi2+…+cpxip≈0,i=1,2,…,n (18)
当多元回归方程的自变量之间存在着线性关系时,存在个别回归系数不能通过显著性检验或者是有些正负符号与实际不相符合的情况;因此采用特征根判定法,当行列|X′X|≈0时,矩阵至少有一个特征根近似为零,反之可以证明,当矩阵X′X至少有一个特征根近似为零时,X的列向量间必然存在多重共线性,记X′X的最大特征根为λm,λi为i个特征根值,特征根的条件数记为ki,ki可由式(19)计算;
Figure FDA0003176018730000042
用式(19)判断多重共线性是否存在及共线性严重程度,当0<k<10时不存在共线性;k≥10时存在多重共线性,k越大,说明多重共线性越严重。
7.一种基于多元回归的粉末冶金混合材料配方控制方法,基于如权利要求1至6中任意一项所述的基于多元回归的粉末冶金混合材料配方建模方法,其特征在于,包括:
通过多元回归方程的数学模型对配方进行控制,即模型预测的反问题,采用牛顿迭代法求解数学模型,根据冶金产品的质量指标获得混合材料的配方,计算配方与真值的误差,若平均误差率大于预设值,修改牛顿迭代的控制算法。
CN202110832583.4A 2021-07-22 2021-07-22 基于多元回归的粉末冶金混合材料配方建模及控制方法 Active CN113553712B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110832583.4A CN113553712B (zh) 2021-07-22 2021-07-22 基于多元回归的粉末冶金混合材料配方建模及控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110832583.4A CN113553712B (zh) 2021-07-22 2021-07-22 基于多元回归的粉末冶金混合材料配方建模及控制方法

Publications (2)

Publication Number Publication Date
CN113553712A true CN113553712A (zh) 2021-10-26
CN113553712B CN113553712B (zh) 2023-05-26

Family

ID=78104116

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110832583.4A Active CN113553712B (zh) 2021-07-22 2021-07-22 基于多元回归的粉末冶金混合材料配方建模及控制方法

Country Status (1)

Country Link
CN (1) CN113553712B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114924490A (zh) * 2022-07-22 2022-08-19 浙江中控技术股份有限公司 一种模型预测控制中的模型共线性分析与处理方法
WO2023168899A1 (zh) * 2022-03-08 2023-09-14 福建南方路面机械股份有限公司 圆锥破碎机排料口尺寸智能调整方法、装置及可读介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010016110A1 (ja) * 2008-08-05 2010-02-11 富士通株式会社 重回帰分析による予測モデルの作成方法、作成システムおよび作成プログラム
CN107390519A (zh) * 2017-06-22 2017-11-24 西安交通大学 一种直流电缆材料配方的筛选方法
CN110119595A (zh) * 2019-06-03 2019-08-13 广州致远新材料科技有限公司 一种压铸铝合金材料的设计方法
CN111123188A (zh) * 2019-12-20 2020-05-08 国网山东省电力公司电力科学研究院 基于改进最小二乘法的电能表综合检定方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010016110A1 (ja) * 2008-08-05 2010-02-11 富士通株式会社 重回帰分析による予測モデルの作成方法、作成システムおよび作成プログラム
CN107390519A (zh) * 2017-06-22 2017-11-24 西安交通大学 一种直流电缆材料配方的筛选方法
CN110119595A (zh) * 2019-06-03 2019-08-13 广州致远新材料科技有限公司 一种压铸铝合金材料的设计方法
CN111123188A (zh) * 2019-12-20 2020-05-08 国网山东省电力公司电力科学研究院 基于改进最小二乘法的电能表综合检定方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王红强;: "基于SPSS多元回归分析的原材料对混凝土裂缝的影响分析", 云南水力发电 *
闫敏: "多项式回归分析在织物染色计算机配色中的应用研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023168899A1 (zh) * 2022-03-08 2023-09-14 福建南方路面机械股份有限公司 圆锥破碎机排料口尺寸智能调整方法、装置及可读介质
CN114924490A (zh) * 2022-07-22 2022-08-19 浙江中控技术股份有限公司 一种模型预测控制中的模型共线性分析与处理方法

Also Published As

Publication number Publication date
CN113553712B (zh) 2023-05-26

Similar Documents

Publication Publication Date Title
CN113553712A (zh) 基于多元回归的粉末冶金混合材料配方建模及控制方法
Selvakumar et al. Machinability evaluation of Al–4% Cu–7.5% SiC metal matrix composite by Taguchi–Grey relational analysis and NSGA-II
CN111310348A (zh) 一种基于pso-lssvm的材料本构模型预测方法
CN102539208A (zh) 2d70铝合金光谱与化学标准样品的制备方法
Rao et al. Characterization, prediction, and optimization of dry sliding wear behaviour of Al6061/WC composites
Li et al. The flow stress behavior and constitutive model of Cr8Mo2SiV tool steel during hot deformation
CN115440326A (zh) 一种高强度高塑性Zr基非晶合金及其基于机器学习的方法
Chate et al. Application of statistical modelling and evolutionary optimization tools in resin-bonded molding sand system
CN109213963A (zh) 一种激光沉积成型钛合金疲劳寿命统计分析方法
CN102994736A (zh) 罩式炉退火模型修正方法
Peng et al. Dynamic recrystallization behavior under inhomogeneous thermomechanical deformation state
CN115359851A (zh) 基于极端随机树-nsga-ⅱ的烧结配料多目标预测优化方法
CN116242700A (zh) 一种基于微观组织含量和抗拉强度的蠕墨铸铁疲劳强度预测方法
Li et al. Iterative multi-energy calibration and its application in online alloy smelting process monitoring using laser-induced breakdown spectroscopy
Sitek Employment of rough data for modelling of materials properties
CN112085316A (zh) 一种钢轨质量整体评估方法
Karunova et al. Formulation of Coal Batch to Produce Coke with Specified Hot Strength at Severstal
CN113433038B (zh) 一种新的混合纳米流体粒子组合的选择方法
Subrahmanyam et al. Taguchi based desirability function analysis for the optimization of multiple performance characteristics
CN117292772A (zh) 一种预测金属材料缺口疲劳强度的方法
Bilbao et al. 42CrMo4 steel flow behavior characterization for high temperature closed dies hot forging in automotive components applications
Bydałek et al. Application of Kaplan–Meier and Weibull Procedures for Qualitative Assessment of Recycled Aluminum Bronzes
Romanov Mathematical Assessment of Combined Standard Uncertainty of Measurements in Using Concentration Ratio Calibration in Inductively Coupled Plasma Atomic Emission Spectrometry
Arak INVESTIGATION ON HOT DEFORMATION BEHAVIOR OF AL-CU-MG-PB ALLOY
Mei et al. Analysis of characteristics of Si in blast furnace pig iron and calibration methods in the detection by laser-induced breakdown spectroscopy

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