1、(1.College of Mechanical Engineering, University of Science and Technology Beijing, Beijing 100081; 2.School of Mechanical Engineering, Shanghai Jiaotong University, Shanghai 200030 )(五号)Abstract(小五黑体):The theory and the algorithm of the artificial neural network are applied in the research of the t
2、echnique and the composition, the gross mass fraction of element, the thickness of surface alloying layer as well as the absorption rate is built. The calculation results are in good agreement with the experimental results.(小五)Key words(小五黑体):Double glow Artificial neural network Prediction model0 前
3、言(四号宋体)*(五号宋体)双层辉光离子渗金属技术是我国在国内外都获得专利的一项等离子表面冶金新技术14,它可以在普通材料表面形成具有特殊物理、化学性质的表面合金层。双层辉光离子多元共渗是一个非常复杂的问题,各种合金元素在源极表面溅射的特性、工件表面的沉积扩散,等离子体空间传输存在较大的差异。而且宏观工艺参数较多,它们之间相互作用关系复杂,以往人们都是借助于经验,很难找到反映其内在规律的数学模型。人工神经网络理论的提出与发展为研究非线性系统提供了一种强有力的工具,它已成功的应用于许多研究领域,在材料热处理学科的应用越来越受到重视5,6。首次以美国HAYEN公司生产的 Hastelloy C20
4、00镍基耐蚀合金为源极,进行Ni-Cr-Mo-Cu多元共渗工艺研究。利用人工神经网络技术,建立了双层辉光离子渗金属工艺与渗层合金成分及合金元素总质量分数、渗层厚度和吸收率之间的预测模型。1 试验方法和试验方案(四号宋体)1.1 试验方法渗金属试验在自制双层辉光离子渗金属炉中进行,源极材料为Hastelloy C2000合金,尺寸为130 mm50 mm4 mm,工件材料为20钢,尺寸为80 mm25 mm3 mm。采用脉冲放电模式:源极采用直流电源,工件采用脉冲电源。源极材料Hastelloy C2000的质量分数:wNi=59%,wMo=16%,wCr=23%,wCu=1.6%,wC0.01
5、%。1.2 试验方案(五号黑体)为了选定正交试验各个工艺参数的取值范围,先结合以往试验研究的经验,然后又进行了20余炉的摸索性试验,确定了正交工艺参数。正交试验按照L16(45)正交表进行试验。指标项目为渗层表面合金元素成分及总质量分数、渗层厚度和吸收率。因素水平表如表1所示。表1 因素水平表(小五宋体)因素(六号宋体)水平1234源极电压UV1 0501 000950900工件电压UV275250350300 气压pPa35304540极间距dmm15202522.52 数学模型在网络学习部分,采用三层BP神经网络来完成函数的映射。误差逆传播神经网络是一种具有三层或三层以上的阶层型神经网络,
6、如图所示为一个三层前馈神经网络:它包括输入层、隐含层(中间层)、输出层;输入层有i个节点,隐含层有j 个节点,输出层有t个节点。上、下层之间各神经元实现全连接,即下层的每一单元与上层的每一单元都实现权连接,而每层各神经元之间无连接。网络按有教师示教的方式进行学习,当一对学习模式提供给网络后,神经元激活值从输入层经各中间层向输出层传播,在输出层的各神经元获得网络的输入响应。这以后,按减小希望输出与实际输出之间误差的方向,从输出层经各中间层逐层修正各连接权值,最后回到输入层。图1 典型BP网络示意图(小五宋体) 算法步骤:(1) 设置初始权系w(0)为较小的随机非零值。(2) 给定输入/输出样本对
7、,计算网络的输出: 设第p组样本输入、输出分别为up=(u1p,u2p,unp)dp=(d1p,d2p,dnp) p=1,2,L 节点i在第p组样本输入时,输出为(1) 式中 IjP在第p组样本输入时,节点i的第j个输入f是激励函数,采用Sigmoid型,即(2) 可由输入层经隐层至输出层,求得网络输出层节点的输入。(3) 计算网络的目标函数J设Ep为在第p组样本输入时网络的目标函数,取L2范数,则(3)式中 ykp(t)在第p组样本输入时,经t次权值调整网络的输出,k是输出层第k个节点网络的总目标函数为(4)作为对网络学习状况的评价。判别: 若 J e(5)式中 e 预先确定的,e0则算法结
8、束,否则,至步骤(4)。(4) 反向传播计算由输出层,依据J按“梯度下降法”反向计 算,逐层调整权值。 (6)式中 步长或称为学习率,本文中n取 1 000 000,取0.93 计算结果与比较为检验程序的可靠性与实用性,对双层辉光离子多元共渗工艺参数:源极电压、工件电压、极间距、气压对渗层表面的合金元素总质量分数、渗层厚度、各合金元素质量分数、吸收率(工件增重/源网络训练准确可靠,同时又具有一定的推广能力,在正交试验16组数据中选择13组作为训练样本,余下的3组以及正交优化工艺作为检测样本。经过1 000 000次训练的试验数据与计算结果的比较见表2、表3。表2 预测渗层表面的成分编号质量分数
9、w/% Ni Cr Mo Cu549.88114.69511.3651.605预测值51.73416.96211.2111.6611250.51416.69114.0710.91251.17117.50913.0480.4151650.29019.164 6.4801.30850.82618.104 7.81301.3331757.16819.65514.7321.35359.89120.10712.1631.403从表2、表3可以看出训练样本和检测样本的网络实际输出值与期望值都很接近,说明应用神经网络描述双层辉光离子渗金属工艺参数与渗层的表面合金成分和合金总质量分数、渗层厚度、吸收率之间的映射模型是十分有效的。表3 人工神经网络训练与预测值试验编号源极电压UV工件电压极间距dmm气压pPa吸收率s%渗层厚度m元素总质量分数w% 试验值 预测值 试验值 预测值70.90070.58734.534.57987.49687.43761.20060.87136.536.38089.79689.23733.33032.84719.019.24584.89584.50844.65044.40121.020.87177.57977.321 5*48.10047.75325.524.95077.54676.796 17*79.34080.920
copyright@ 2008-2022 冰豆网网站版权所有
经营许可证编号:鄂ICP备2022015515号-1