[发明专利]一种汽车用钢淬透性预测方法

说明书

本发明提供了一种汽车用钢淬透性预测方法，包括：步骤1，进行汽车钢端淬实验，获取所需数据，构造样本矩阵；步骤2，对异常数据进行处理；步骤3，建立端淬曲线起始点智能算法预测模型；步骤4，建立端淬曲线极小值智能算法预测模型；步骤5，建立端淬曲线数学模型；步骤6，把步骤3、步骤4、步骤5所得到的三个模型作为最终预测模型，将汽车用钢成份和端淬距离输入最终预测模型，得到淬透性值。本发明采用智能算法的思想，建立钢的淬透性预测模型，比现有采用纯机理分析法所建立模型精度更高，更加贴近生产实际值。

技术领域

本发明涉及一种汽车用钢淬透性预测方法。

背景技术

随着“节能环保”理念的深入，汽车轻量化得到越来越广泛的关注，汽车轻量化能够提高汽车操控性，使加速性能更好，同时还可以节约能源。钢制品在汽车总质量中占有较大比重，在保证强度和安全性能的前提下，尽可能地提高汽车用钢的强韧性，降低其使用量，从而减轻汽车整体质量，是汽车轻量化最有效的途径之一。汽车用钢的强韧性主要取决于组织状态，获得一定组织状态的基础是高温奥氏体冷却下来的转变产物。这种转变产物的特性直接与奥氏体过冷能力密切相关，衡量奥氏体过冷能力的重要尺度就是淬透性。因此，准确掌握每批次钢材的淬透性是保证汽车钢制品轻量化和可靠性之间平衡的首要条件。通过端淬实验所得到的端淬曲线能够很好的反映钢材的这一性能，是对它的最好表达。影响汽车用钢淬透性的因素主要是合金化程度、奥氏体化程度和晶粒度，而最重要的则是化学成分。因此，以化学成分作为基本参数来计算预测端淬曲线成为这一领域重要课题。

当前国内外研究人员对钢的端淬曲线建模进行了深入研究，归纳起来，可分为机理建模和统计分析方法建模两类。机理建模方法是通过对钢的成份、晶粒度等在钢淬透性中的作用进行分析研究，来建立数学表达式模型。但是由于淬透性涉及的各影响因素众多，各因素间相互影响关联，而且有些因素作用还不明确，难以建立精确定量数学表达式，所建立模型精度有待提高。统计分析方法建模方面，相关学者主要采用回归模型和人工智能算法。如，中国专利申请号为201010287677.X，申请日为2010年09月19日的申请案公开了一种淬透性预报及生产窄淬透性带钢的方法，该申请案将人工神经网络模型和增量算法结合，以化学成分对参考炉次的成分增量作为输入，以Jominy末端淬火硬度对参考炉次的端淬值增量作为输出，建立基于增量神经网络的淬透性预报模型；现有中国专利申请号为CN201310598566.4申请日为2013年11月22日的申请案公开了采用非线性拟合方法建立淬透性系数与端淬硬度的一般关系式、使用支持向量机方法建立合金元素及晶粒度等级与淬透性系数的关系。现有中国专利申请号为CN201910571054.6，申请日为2019年6月28日的申请案公开了一种人工神经网络钢的淬透性预测方法及其预测模型建立方法，该申请案将最大相对误差应用于控制人工神经网络的训练和挑选合适的网络，并采用循环算法逐步增加神经元的方法来确定隐层神经元的个数以及克服权值不确定的缺点，从而可以有效避免神经网络易陷入局部最小点带来的影响并得到在满足要求条件下的最精简神经网络，提高了人工神经网络模型的预测精度和运算效率。这些算法精度虽然较高，但所预测值只是若干固定点的硬度，且物理冶金意义不明确。

人工智能算法模型的表现高度依赖于数据，主要表现在两个方面，一方面是数据量；另一个方面是数据的准确性和有效性。在数据量方面，端淬实验可重复多次进行，容易满足要求。对于端淬数据的准确性和有效性如仅基于已有的数学方法进行处理是不够的，必须与物理冶金原理相结合。

发明内容

发明目的：本发明的目的在于克服现有技术中的不足，提供了一种汽车用钢淬透性预测方法，包括：

步骤1，进行汽车钢端淬实验，获取所需数据，构造样本矩阵；

步骤2，对异常数据进行处理；

步骤3，建立端淬曲线起始点智能算法预测模型；

步骤4，建立端淬曲线极小值智能算法预测模型；

步骤5，建立端淬曲线数学模型；