[发明专利]基于电磁超声对铁磁性材料屈服强度的估计方法

权利要求书

1.基于电磁超声对铁磁性材料屈服强度的估计方法，其特征在于，包含以下步骤：

步骤1），取N个材料屈服强度已知的铁磁性板件，N为大于0的自然数，对于每一个铁磁性板件：

步骤1.1），在铁磁性板件上分别设置电磁超声发射端和电磁超声接收端，并给电磁超声发射端施加第一偏置磁场、给电磁超声接收端施加第二偏置磁场，所述第一偏置磁场采用可调直流电磁铁形成，所述第二偏置磁场采用永磁体激发形成，电磁超声发射端发射电磁超声信号,电磁超声接收端采集电磁超声发射端发射的电磁超声信号；

步骤1.2），将所述第一偏置磁场的强度从预设的第一磁场强度按照预设的磁场强度步长逐渐增大至预设的第二磁场强度，并读取每个磁场强度下电磁超声接收端电磁超声信号的幅值，拟合第一偏置磁场的磁场强度对应电磁超声接收端电磁超声信号幅值的磁致伸缩曲线，提取磁致伸缩曲线中第一偏置磁场的强度为预设的第一磁场强度时对应的电磁超声接收端电磁超声信号的幅值作为第一特征值、第一个谷值点对应的第一偏置磁场的磁场强度为第二特征值、第一个峰值点对应的第一偏置磁场的磁场强度为第三特征值、第二个谷值点对应的第一偏置磁场的磁场强度为第四特征值；

步骤2），根据N个所述铁磁性板件的属性数据建立神经网络数据库，所述铁磁性板件的属性数据包含该铁磁性板件的材料屈服强度、厚度、第一特征值、第二特征值、第三特征值和第四特征值；

步骤3），将神经网络数据库中的数据划分为训练样本集和测试样本集，并将训练样本集和测试样本集中的数据归一化到[-1,1]之间；

步骤4），建立BP神经网络模型，将训练样本集中各个铁磁性板件的厚度、第一特征值、第二特征值、第三特征值、第四特征值作为输入，训练样本集中对应的各个铁磁性板件的材料屈服强度作为输出，训练所述BP神经网络模型，当训练误差小于预设的第一误差阈值时，训练结束，得到训练好的BP神经网络模型；

步骤5），将测试样本集中各个铁磁性板件的厚度、第一特征值、第二特征值、第三特征值、第四特征值输入训练好的BP神经网络模型，得到测试样本集中各个铁磁性板件的材料屈服强度估计值；

步骤6），计算测试样本集中各个铁磁性板件材料屈服强度与材料屈服强度估计值之间的相对误差，若铁磁性板件材料屈服强度与材料屈服强度估计值之间的相对误差小于预设的第二误差阈值，则认为该铁磁性板件合格，否者认为铁磁性板件不合格；

步骤7），计算测试样本集中铁磁性板件的合格率，即将合格的铁磁性板件数量除以测试样本集中铁磁性板件的数量，如果测试样本集中铁磁性板件的合格率小于等于预设的合格率阈值，跳转至步骤1）；

步骤8），将需要进行材料屈服强度的铁磁性板件的厚度、第一特征值、第二特征值、第三特征值、第四特征值输入训练好的BP神经网络模型，得到需要进行材料屈服强度的铁磁性板件的材料屈服强度估计值。

2.根据权利要求1所述的基于电磁超声对铁磁性材料屈服强度的估计方法，其特征在于，所述预设的第一磁场强度为0特斯拉。

3.根据权利要求1所述的基于电磁超声对铁磁性材料屈服强度的估计方法，其特征在于，所述电磁超声发射端的激励信号频率为200KHz,脉冲个数为8个。

4.根据权利要求1所述的基于电磁超声对铁磁性材料屈服强度的估计方法，其特征在于，所述预设的第一误差阈值为0.01。

5.根据权利要求1所述的基于电磁超声对铁磁性材料屈服强度的估计方法，其特征在于，所述预设的第二误差阈值为10%。

6.根据权利要求1所述的基于电磁超声对铁磁性材料屈服强度的估计方法，其特征在于，所述预设的合格率阈值为80%。

7.根据权利要求1所述的基于电磁超声对铁磁性材料屈服强度的估计方法，其特征在于，所述BP神经网络模型包含一个输入层、两个隐含层和一个输出层，其中，所述输入层包含5个节点，一个隐含层包含9个节点，另一个隐含层包含3个节点，输出层包含1个节点。

8.根据权利要求1所述的基于电磁超声对铁磁性材料屈服强度的估计方法，其特征在于，所述步骤3）中训练样本集、测试样本集中样本数量的比例为4:1。