[发明专利]一种基于BP神经网络轧辊合金接触疲劳性能预测方法

说明书

技术领域

本发明涉及合金铸钢轧辊技术领域，具体涉及一种基于BP神经网络轧辊合金接触疲劳性能预测方法。

背景技术

合金铸钢轧辊在轧钢工业领域得到广泛的应用，由于它们的简单的制造过程，低的生产成本和优异的使用性能。合金铸钢轧辊的接触疲劳性能是影响轧辊使用寿命的一个重要的性能指标，较高的疲劳强度对提高轧辊的使用寿命有着重大的意义，但疲劳试样的制备及性能的测试过程复杂，而且成本较高。影响疲劳的因素很多，如组织结构、合金元素以及工作条件等，而且这些因素难以进行量化，因此很难预测轧辊的疲劳强度。

目前，尽管有大量的研究在疲劳现象上，但是还是有很多疲劳问题不能被充分的解释，并且疲劳寿命也不能可靠地预测。以往研究者都是采用实验和建立方程的方法来预测接触疲劳寿命，然而这些方法是耗时并且成本高，结果往往不令人满意的。

计算机仿真技术及神经网络的发展为疲劳寿命的预测开辟了一条新的途径，在具有大量的学习样本条件下，就可以采用人工神经网络预测不同的合金成分以及热处理工艺下的材料疲劳寿命。

发明内容

本发明的目的在于克服现有技术中存在的上述问题，提供一种基于BP神经网络轧辊合金接触疲劳性能预测方法，方便有效且成本低。

为实现上述技术目的，达到上述技术效果，本发明是通过以下技术方案实现：

一种基于BP神经网络轧辊合金接触疲劳性能预测方法，包括如下步骤：

步骤S1：采集神经网络所需要的样本数据，这些数据主要来自于合金铸钢轧辊在不同合金成分、热处理工艺参和接触应力下的接触疲劳性能试验结果，归一化处理后的样本数据构成了人工神经网络模型的训练样本集；

步骤S2：确定神经网络的输入和输出参数以及隐层个数和隐层神经元数目，构建神经网络结构；

步骤S3：确定的最佳的训练参数，包括动量项因子、学习率、训练步长、初始的权值和阈值、激活函数、学习算法，对神经网络模型进行学习和训练；

步骤S4：选取训练样本集以外的数据对建立好的神经网络进行测试，并对网络性能和预测精度进行评估；

步骤S5：利用训练好的人工神经网络模型进行合金铸钢轧辊接触疲劳性能的预测。

进一步地，所述步骤S1中，由试验收集而来的训练样本数据为108组。

进一步地，所述步骤S2中，最佳的神经网络结构包含：输入层神经元个数为11，隐层神经元个数为13，输出层神经元个数为1。

进一步地，所述步骤S3中，适当的学习参数：动量项因子为0.8、学习率为0.25、初始的权值和阈值为(-1，1)之间的随机数，隐层和输出层的激活函数分别为tangent sigmoid和log-sigmoid、学习算法为改进的BP算法。

进一步地，所述步骤S4中，神经网络预测合金铸钢轧辊力学性能的偏差在±6％以内的概率大于95％。

进一步地，步骤S5中，采用上述步骤建立的人工神经网络模型，预测和研究不同的合金成分、热处理工艺参数和接触应力对合金铸钢轧辊接触疲劳性能的影响规律，从而获得最佳的接触疲劳性能。

本发明的收益效果是：

采用本发明可以方便有效的预测出合金铸钢轧辊的接触疲劳性能，为研究和开发高接触疲劳性能的合金铸钢轧辊材料提供新的方法，节省大量的时间和成本，具有明显的实用价值。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为合金铸钢轧辊的接触疲劳性能预测模型网络结构；

图2为神经网络训练过程中网络误差的变化；

图3为接触疲劳寿命预测值和实测值的比较。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

如图1-3所示，本发明为一种基于BP神经网络轧辊合金接触疲劳性能预测方法，包括如下步骤：