[发明专利]一种汽车悬架弹簧冷抛丸强化残余应力预测方法

权利要求书

1.一种汽车悬架弹簧冷抛丸强化残余应力预测方法，其特征在于，包括以下步骤：

步骤1：将多组训练样本依次输入至基于ABAQUS的冷抛丸仿真模型，通过基于ABAQUS的冷抛丸仿真模型进行冷抛丸仿真，得到每组训练样本对应的真实标签；

步骤1所述每组训练样本由弹丸直径、抛丸速度、覆盖率构成；

步骤1所述每组训练样本对应的真实标签由抛丸后材料表面残余应力、最大残余压应力、最大残余压应力层深、残余压应力层深和粗糙度构成；

步骤2：构建BP神经网络训练模型，将每组训练样本输入至BP神经网络训练模型预测，得到每组训练样本对应的预测标签，结合每组训练样本对应的真实标签构建损失函数模型，通过自适应学习率优化算法优化迭代训练，得到训练后BP神经网络训练模型；

步骤2所述BP神经网络训练模型由输入层、隐含层和输出层依次级联构成；

所述输入层用于输入每组训练样本，所述输入层包含弹丸直径节点、抛丸速度节点、覆盖率节点；

所述弹丸直径节点用于输入每组训练样本的弹丸直径；

所述抛丸速度节点用于输入每组训练样本的抛丸速度；

所述覆盖率节点用于输入每组训练样本的覆盖率；

所述隐含层用于输入值正向传递子过程和误差值反向传递子过程；

所述输出层用于输出每组训练样本对应的预测标签；

所述输出层包括表面残余应力节点、最大残余压应力节点、最大残余压应力层深节点、残余压应力层深节点和粗糙度节点；

所述表面残余应力节点用于输出预测抛丸后材料表面残余应力；

所述最大残余压应力节点用于输出预测最大残余压应力；

所述最大残余压应力层深节点用于输出预测最大残余压应力层深；

所述残余压应力层深节点用于输出预测残余压应力层深度；

所述粗糙度节点用于输出预测粗糙度；

步骤2所述每组训练样本对应的预测标签由预测抛丸后材料表面残余应力、预测最大残余压应力、预测最大残余压应力层深、预测残余压应力层深和预测粗糙度构成；

步骤2所述损失函数J模型为：

其中，j和θ均表示训练样本对应的真实标签的序号，j＝1，2，3，4，5分别表示真实标签中的预测材料表面残余应力、预测最大残余压应力、预测最大残余压应力层深、预测残余压应力层深和预测粗糙度；表示计算第j个训练样本对应的真实标签时代入计算的训练样本，不同的i表示弹丸直径、抛丸速度、覆盖率；h_θj为假设函数，即当前训练模型预测的训练样本对应的真实标签，h_θj(j＝1，2，3，4，5)代表计算第j个训练样本对应的真实标签的预测值的函数；y_j(j＝1，2，3，4，5)代表实验真实得到的训练样本对应的真实标签，即抛丸实验后材料表面残余应力、最大残余压应力、最大残余压应力层深、残余压应力层深和粗糙度；m代表训练样本对应的真实标签的个数；

为了自适应地调整学习率，实现梯度下降，利用函数的非线性特点，结合损失函数变化值，使学习率自适应增大或减小，学习率确定公式如下：

λ＝λ₀(1+tanh(J_t-J_t+1))

其中，λ是学习率；λ₀是学习率初值，在本实施例中为0.0025；J_t是t时刻损失函数的值；J_t-J_t+1是t时刻与下一时刻损失函数的变化值；

tanh是双曲正切函数，公式为：

其中，x是双曲正切函数的输入，在本实施例中表示J_t-J_t+1，即t时刻与下一时刻损失函数的变化值；

步骤3：将待预测的弹丸直径、待预测的抛丸速度、待预测的覆盖率输入至训练后BP神经网络模型，预测该输入参数下抛丸后实际材料表面残余应力、实际最大残余压应力、实际最大残余压应力层深、实际残余压应力层深和实际粗糙度。