[发明专利]一种Cr12MoV材料硬度预测方法及装置

说明书

本发明涉及一种Cr12MoV材料硬度预测方法及装置，属于电磁无损检测技术领域，解决了现有的力学材料硬度检测方法精度较差且复杂度较高的问题。方法包括：获取Cr12MoV材料的巴克豪森噪声数据及其对应的硬度标签，得到训练数据集；基于级联回归拉盖尔多项式拟合方法对训练数据集进行训练，得到最优拉盖尔多项式参数、回归系数、主成分映射矩阵和边界参数；并基于回归系数、主成分映射矩阵和边界参数获得训练好的回归模型；获取待预测Cr12MoV材料的巴克豪森噪声数据，并基于训练好的回归模型对待预测Cr12MoV材料的巴克豪森噪声数据进行硬度预测，得到预测结果。实现了Cr12MoV材料硬度的预测，提高了预测效率和预测精度。

技术领域

本发明涉及电磁无损检测技术领域，尤其涉及一种Cr12MoV材料硬度预测方法及装置。

背景技术

受温度、化学腐蚀等因素影响，材料的力学属性通常会影响到机器结构中关键部件的运行状态与生命周期。目前常用的材料力学性能检测手段包括了有损与无损检测方法。为节省成本与凸显效率，电磁无损检测方法目前是一种新兴的材料力学性能监控手段。

现有的利用电磁无损检测技术预测材料力学性能的方法主要是提取信号特征并利用预测模型检测材料力学性能。该方法在特征提取和预测模型选择两个环节对应的存在下述两个缺陷：第一，目前检测模型中所提取特征主要是一些比较笼统的、彼此孤立的特征，提取的特征虽然可能部分具有一定的物理意义，然而其受巴克豪森噪声信号的伪随机性扰动较大，进而影响力学性能预测的精度；第二，目前检测模型中所使用的预测方法大多是成熟的算法，以近似线性回归和浅层神经网络为主，这两种算法中，近似线性回归方法实施简单、理论明确，但是其主要问题在于其对非线性拟合问题的逼近精度较差；而浅层神经网络则主要受制于浅层神经网络结构相对简单、收敛效果不好、需要优化的参数较多等问题。近年来，有学者提出利用正交多项式的组合的形式实现多元非线性问题的拟合，然而，这种手段比较耗费存储和计算开销，不具备实际应用的条件。

发明内容

鉴于上述的分析，本发明实施例旨在提供一种Cr12MoV材料硬度预测方法及装置，用以解决现有的力学材料硬度检测方法精度较差且复杂度较高的问题。

一方面，本发明实施例提供了一种Cr12MoV材料硬度预测方法，包括下述步骤：

获取Cr12MoV材料的巴克豪森噪声数据及其对应的硬度标签，得到训练数据集；

基于级联回归拉盖尔多项式拟合方法对所述训练数据集进行训练，得到最优拉盖尔多项式参数、回归系数、主成分映射矩阵和边界参数；并基于所述回归系数、主成分映射矩阵和边界参数获得训练好的回归模型；

获取待预测Cr12MoV材料的巴克豪森噪声数据，并基于所述训练好的回归模型对待预测Cr12MoV材料的巴克豪森噪声数据进行硬度预测，得到预测结果。

获取Cr12MoV材料的巴克豪森噪声数据及其对应的硬度标签，得到训练数据集，包括下述步骤：

提取所述Cr12MoV材料的巴克豪森噪声数据的特征信息，其中，所述特征信息包括峰值、峰值位置、包络均值、左右次峰、切向磁场截距、频谱信息、75％峰宽和半峰宽；

将所述特征信息进行拼接得到巴克豪森噪声数据的特征向量；

基于所述巴克豪森噪声数据的特征向量及硬度标签建立训练数据集。

基于级联回归拉盖尔多项式拟合对所述训练数据集进行训练，得到最优拉盖尔多项式参数、回归系数、主成分映射矩阵和边界参数，包括下述步骤：

基于所述训练数据集和遗传算法获得最优拉盖尔多项式参数；

基于所述最优拉盖尔多项式参数获得整个级联回归器中各子回归器的回归系数、主成分映射矩阵和边界参数。

进一步，基于所述训练数据集和遗传算法获得最优拉盖尔多项式参数，包括下述步骤：