[发明专利]基于粗糙集和神经网络的铸造气缸盖力学性能预测方法

说明书

本发明涉及一种基于粗糙集和神经网络的铸造气缸盖力学性能预测方法，属于铸造铝合金气缸盖相关领域。本发明的一种基于粗糙集和BP神经网络的力学性能预测方法，利用粗糙集理论，对影响力学性能的指标属性进行约简，从而减少神经网络的输入维数，把约简后的指标属性作为BP神经网络的输入进行力学性能预测。本发明在无需进行大量试验与模拟仿真的前提下，并且在几乎无损的试验条件下，即可对力学性能实施预测，在提高力学性能预测的准确性和效率的同时，降低了设计与生产成本，提高了生产效益。

技术领域

本发明涉及一种基于粗糙集和神经网络的铸造气缸盖力学性能预测方法，属于铸造铝合金气缸盖相关领域。

背景技术

在铸造铝合金气缸盖领域，气缸盖的疲劳寿命通常由铸造铝合金的力学性能决定，而铸造铝合金气缸盖的加工生产过程很大程度上决定了气缸盖的力学性能。铸造气缸盖在加工生产过程中会因为铸造工艺的不同产生不同的微组织结构，这些微组织结构是影响力学性能的主要因素。目前有研究者将气缸盖的微组织结构与力学性能之间的关系，通过利用大量的力学性能试验数据建立经验公式，此过程耗费大量的人力物力；其次是进行有限元数值仿真，虽然是成熟且有效的预测方法，但是模拟仿真时间长，模拟次数多，并且没有智能学习功能，无法满足高效且快速预测的需求。为了降低成本提高效率且快速掌握气缸盖力学性能，需要找到一种高效预测铸造铝合金气缸盖的力学性能的方法。于是快速有效的建立微观组织参数与力学性能之间的映射关系，便是目前铸造铝合金气缸盖生产工艺中亟待解决的问题之一。

基于粗糙集和神经网络的预测方法在很多领域中使用，例如房地产的价格预测，变压器故障诊断中的应用，大气污染的判别分析，地震的预测，高效贫困生认定中的应用等，在很多行业中都能看到。在金属制造领域中，目前使用粗糙集理论解决的问题有铝合金焊接接头的力学性能预测，钛合金焊接接头的疲劳性能分析和力学性能预测，AZ31镁合金挤压过程的定量分析等。BP神经网络是一种解决非线性和不确定性关系的重要方法，其具有较高的预测精度和速度，是目前塑性加工领域应用非常广泛的一类神经网络。

发明内容

基于上述现有技术的现状，本发明提供一种基于粗糙集和BP神经网络的力学性能预测方法，利用粗糙集理论，对影响力学性能的指标属性进行约简，从而减少神经网络的输入维数，把约简后的指标属性作为BP神经网络的输入进行力学性能预测，在无需进行大量试验与模拟仿真的前提下，提高力学性能预测的准确性和效率，从而降低设计与生产成本，提高生产效益。

本发明的目的是通过下述技术方案实现的。

本发明提供了一种基于粗糙集与神经网络的铸造气缸盖力学性能的预测方法，包括以下步骤：

步骤一、获取铸造铝合金气缸盖材料的微组织结构信息数据库、气缸盖材料的力学性能数据库以及气缸盖位置参数。所述气缸盖材料的微组织形貌数据包括：晶粒尺寸、二次枝晶臂间距、二维孔隙率、金相孔隙面积、金相孔隙最大Feret尺寸、共晶硅面积均值、共晶硅长宽比均值、共晶硅最大Feret尺寸均值、共晶硅颗粒圆度均值等；所述铸造气缸盖力学性能参数包括：屈服强度、抗拉强度、断后伸长率、断面收缩率、弹性模量、疲劳极限、疲劳寿命等。所述气缸盖位置参数包括：顶板、力墙、底板。位置参数为预测过程的必要参数。

步骤二、对步骤一获取的数据进行归一化处理；

数据归一化处理公式为：

式中，X表示归一化前的试验数据，X^*表示归一化后的试验数据，X_max为试验数据的最大值，X_min为试验数据的最小值。

步骤三、对步骤二归一化处理后的试验数据进行离散化处理，编码后得到离散化后的决策表；

步骤四、对步骤三得到的决策表中的条件属性进行重要度计算，然后依据重要度进行数据约简，以获取试验数据的约简子集；

S41将微组织参数、力学性能数据以及位置参数决策表定义为一个四元组：