[发明专利]激光冲击强化零件疲劳寿命的在线无损预测方法

权利要求书

1.一种激光冲击强化零件疲劳寿命的在线无损预测方法，其特征在于，包括以下步骤：

a.获取样本数据，包括激光冲击强化零件的输入参数以及在该输入条件下的输出参数——疲劳寿命；

b.根据样本数据中输入参数和输出参数建立BP神经网络预测模型；

c.在线输入激光冲击强化加工参数，通过BP神经网络预测模型，在线输出零件的疲劳寿命；

d.调整激光冲击强化参数，确定零件的疲劳寿命符合要求，对零件进行激光冲击。

2.根据权利要求1所述的激光冲击强化零件疲劳寿命的在线无损预测方法，其特征在于：步骤b包括：

b1.根据样本数据中输入参数和输出参数的个数确定BP神经网络预测模型输入层、隐含层和输出层的节点数，同时确定训练样本的个数和检验样本的个数；

b2.通过训练样本对BP神经网络预测模型进行训练，并用检验样本对训练模型进行检验，最终建立BP神经网络预测模型。

3.根据权利要求2所述的激光冲击强化零件疲劳寿命的在线无损预测方法，其特征在于：BP神经网络预测模型的结构包含一个输入层、一个隐含层和一个输出层，输入层的节点为n，隐含层节点数m＝log₂n，输出层的节点为1。

4.根据权利要求3所述的激光冲击强化零件疲劳寿命的在线无损预测方法，其特征在于：建立BP神经网络预测模型的步骤包括，输入层输入向量为X＝(x₁，x₂，…x_n)^T，输入层到隐含层的权值矩阵为V＝(V₁，V₂…V_n)；隐含层输出向量为Y＝(y₁，y₂，…y_m)^T，隐含层到输出层之间的权值向量为W＝(W₁，W₂，…W_m)，输出层输出向量为O＝(O)，期望输出向量为d＝(d)，x₀和y₀为阈值，神经元之间的传递函数为单极性Sigmoid函数曲线如下式

之后采用误差的梯度下降算法，选取[0，1]之间的随机数为BP神经网络中权值系数和阈值，随机选取样本数据进行训练，不断改善BP神经网络模型中的权值系数和阈值，使输出结果符合期望值，并用检验样本进行预测模型检验，如果检验不合格，继续改变权值系数和阈值，直到检验合格。

5.根据权利要求1至4中任一项所述的激光冲击强化零件疲劳寿命的在线无损预测方法，其特征在于：步骤a和步骤b之间还有步骤S，对样本数据进行尺寸变换，保证每个输入参数具有同等重要的地位，保证每个输出参数具有同等重要的地位。

6.根据权利要求5所述的激光冲击强化零件疲劳寿命的在线无损预测方法，其特征在于：步骤S中，为保证各输入参数、输出参数有同等重要的地位，通过变换处理将输入数据和输出数据限制在[0，1]区间内，并根据以下公式变换：

其中，x_i为输入或输出数据；x_min为数据变化范围的最小值；x_max为数据变化范围的最大值；为变换后的数据。