[发明专利]基于BP神经网络改进算法的铁磁材料硬度预测算法

说明书

基于BP神经网络改进算法的铁磁材料硬度预测算法，首先采集铁磁材料的巴克豪森信号，对信号集进行划分，获取巴克豪森噪声训练集和巴克豪森噪声测试集。然后对采集的信号进行AR谱分析，选择5个阶次展开，分别是4、8、16、32、64阶，对展开的信号求二阶导，并以二阶导信号的谷宽，谷深和谷值点所在的位置作为特征，对这些谷使用kmeans算法进行距离，对信号进行编码，从而完成了特征维度的统一。然后对BP神经网络模型进行优化与训练。仿真表明本发明预测的结果很好，均方误差只有80，也就是每个硬度预测的误差可以保证在9个维氏硬度，而时域算法的均方误差为229，也就是大于15个维氏硬度，所以证明了算法有效性。

技术领域

本发明涉及一种铁磁材料无损检测算法，根据巴克豪森噪声，改进传统的时域特征与BP神经网络，设计一种准确率更加高的铁磁材料硬度预测算法，属于回归分析、无损检测相关领域。

背景技术

在机械、汽车、航空航天、石油化工、国防、军工及电力行业中,零部件疲劳寿命的监测和预估是至关重要的.而材质的微观组织结构是影响其运行寿命的重要因素之一。因此,合理控制材料生产、加工及使用过程,减少结构缺陷是保证和延长使用寿命的重要措施。铁磁材料的硬度取决于其组织结构,即材料内部微观结构的变化将引起表面硬度的变化,可以认为表面硬度是材料内部微观结构的外部表征.材料表面硬度是材料重要的力学性能。目前,一般的硬度测量都是采用机械压痕的方法,这是一种破坏性方法,对已进行了精磨加工后的部件表面无法进行测量,从而人们提出了无损检测这种既不破坏材料本身，又简洁方便的方式。

金属的无损检测是利用物质的声、光、磁和电等特性，来对金属特性，缺陷等一系列信息进行检测，而在这个过程中并不破坏或不影响检测对象的使用性能。无损检测较之于有损检测，有以下特点：

第一，具有非破坏性，利用声、光、磁和电等非接触式检测，不会损害金属器件自身的使用性能。

第二，具有检测的全面性，由于检测并没有破坏金属器件，反而可以全面的检测金属器件，而不是破坏后无法找到一些其他信息。

第三，具有全程性，破坏性试验只能对原材料进行检测，在做成成品后，无论是出厂前还是使用中，除非不准备让它们继续服役，否则无法进行破坏性试验，而大桥钢索，钢轨等设施人们只是想检测其是否能继续服役，破坏检测破坏后无论是否能继续服役都将报废，所以无损检测的不破坏检测对象的使用性能是唯一可以使用的方法。

现存的无损检测方法有射线检测、超声波检测、磁粉检测、渗透检测、声发射检测、磁记忆信号等方法。但是为了研究较为本质的金属的本身特性，较为推荐磁记忆信号，即为磁记忆信号的一种微磁信号，而巴克豪森噪声则为微磁信号的一种。

现有的方法存在的不足：一方面，传统的时域特征会受到金属其他特性的影响(例如温度、残余应力、塑性形变等)，使得时域特征无法与硬度之间形成单一变量问题，最终造成硬度预测结果误差较大；另一方面，由于BP神经网络的初始权重会影响神经网络最终的训练结果，而BP神经网络的初始权重是随机设置的，所以BP神经网络最终的训练结果并不稳定。

发明内容

本发明的目的旨在解决上述技术缺陷，用于减少铁磁材料硬度预测的误差。

为达到上述目的，本发明提出一种基于BP神经网络改进算法的铁磁材料硬度预测算法，包括以下步骤：

步骤1，采集铁磁材料的巴克豪森信号，每个样本含有10⁵个点，单位是伏特；对信号集进行划分，获取巴克豪森噪声训练集和巴克豪森噪声测试集；

步骤2，对巴克豪森噪声信号进行特征提取；

步骤2.1，对巴克豪森噪声信号进行AR谱分析；

步骤2.2，特征抽取与统一；

步骤3，BP神经网络设计与优化。

有益效果