本發(fā)明屬于金屬材料加工工程技術領域,涉及一種基于自適應專家系統(tǒng)的金屬材料鍛造微觀組織軟測量方法。
背景技術:
:
由于鎳基高溫合金、鋁合金、鎂合金等金屬材料具有優(yōu)異的機械性能及其它服役性能,已經廣泛應用于航天、航空、航海及核能領域。金屬材料的微觀組織(再結晶晶粒尺寸和再結晶分數)是影響其各項性能的關鍵因素。如何在加工過程中準確地測量金屬材料的微觀組織是一個亟待解決的難題。
研究表明金屬材料在鍛造過程中的微觀組織演變極為復雜,顯著受到變形溫度,應變速率和應變等工藝參數的綜合影響。此外,在鍛造過程中,現(xiàn)有的測量設備無法實時測量金屬材料的微觀組織。針對這種難以測量的物理量,可以采用軟測量方法估計。目前,常用的軟測量方法主要包括:基于數據驅動建模和基于過程機理建模的軟測量方法。在鍛造過程中,金屬材料的微觀組織演變極為復雜,難以建立準確的機理模型。隨著智能方法的發(fā)展,神經網絡、模糊集和專家系統(tǒng)等方法逐漸引入到多種材料微觀組織和流變行為的預測建模中,并取得了良好的效果。因此,可以基于智能方法提出一種簡單、快速、高效的金屬材料鍛造微觀組織軟測量方法。
本發(fā)明方法基于自適應專家系統(tǒng),結合模糊推理方法,提出了一種簡單、快速、高效的金屬材料鍛造微觀組織軟測量方法,解決了金屬材料鍛造微觀組織無法在線測量的難題。
技術實現(xiàn)要素:
:
本發(fā)明的目的在于提供一種金屬材料鍛造微觀組織軟測量方法,解決了金屬材料鍛造微觀組織無法在線測量的難題。
本發(fā)明解決上述難題的方案是:
基于自適應專家系統(tǒng)的金屬材料鍛造微觀組織軟測量方法,該方法包括如下步驟:
步驟1:根據歷史的鍛造工藝參數(上模具速度和位移、鍛造溫度)和金屬材料微觀組織數據(再結晶分數和再結晶晶粒尺寸)建立初始的專家系統(tǒng),主要包括數據庫、推理機和學習機;
步驟2:將實際鍛造的與數據庫中的工藝參數比較得到工藝參數誤差向量,根據推理機中的模糊推理方法計算工藝參數匹配度;
步驟3:利用工藝參數匹配度和數據庫中的微觀組織數據估算當前的微觀組織;
步驟4:專家系統(tǒng)自學習,若估算的當前的微觀組織是新的微觀組織,則新的工藝參數和微觀組織數據保存到數據庫中;否則,結束。
按照上述方案,步驟1中所述專家系統(tǒng)主要包括數據庫、推理機和學習機,其作用分別為:
數據庫:用于存儲鍛造工藝參數和金屬材料微觀組織數據,為推理機提供工藝參數誤差向量,進而估算金屬材料微觀組織;
推理機:基于模糊推理系統(tǒng),根據工藝參數誤差向量計算實際鍛造工藝參數的匹配度,以用于軟測量金屬材料微觀組織;
學習機:判斷軟測量微觀組織是否是新的微觀組織,并且將新的微觀組織以及對應的鍛造工藝參數補充到數據庫中,以完善數據庫,提高軟測量精度。
按照上述方案,步驟1中所述數據庫是根據歷史鍛造工藝參數(上模具速度和位移)和微觀組織數據(再結晶晶粒尺寸和再結晶分數)建立的,該數據庫包括前置條件和微觀組織兩部分,其中,前置條件為4個工藝參數,即第k步和k+1步的上模具速度和位移;微觀組織為第k+1步的再結晶晶粒尺寸和再結晶分數。
按照上述方案,步驟2中所述工藝參數誤差向量是實際鍛造工藝參數與數據庫中工藝參數(前置條件)的差值,可以表示為:
Ei=[sp(k)-se(k),sp(k+1)-se(k+1),vp(k)-ve(k),vp(k+1)-ve(k+1)] i=1,2,…,m (1)
其中,sp和vp分別表示實際鍛造工藝參數(上模具的位移和速度),se和ve分別表示數據庫中的工藝參數(上模具的位移和速度),Ei為第i個工藝參數誤差向量,m是工藝參數誤差向量的個數。
按照上述方案,步驟2中所述模糊推理方法是軟測量方法的核心,其過程為:
如果工藝參數誤差向量中所有誤差都為0,說明該鍛造工藝參數與數據庫中某一個工藝參數的匹配度為1,則該工藝參數對應的微觀組織即為軟測量的結果;
如果工藝參數誤差向量中所有誤差不都為0,說明需要用模糊推理方法計算工藝參數的匹配度,由于工藝參數誤差向量包括上模具速度和上模具位移的誤差,這兩個工況參數的數量級是不相同的,因此需要對工況參數誤差向量進行歸一化,歸一化公式為:
其中,x是歸一化之前的值,xn是歸一化之后的值,xmin和xmax是最大值和最小值。
工藝參數誤差向量中每一個工藝參數的匹配度是用三角形隸屬度函數計算的,其表達式為:
其中,p為工藝參數的匹配度,e是歸一化的誤差,三角形隸屬度函數參數b=0.05。
在計算得到4個工藝參數的匹配度之后,工藝參數誤差向量的匹配度是此4個匹配度的積:
pv=p1×p2×p3×p4 (4)
其中,pv工藝參數誤差向量的匹配度,p1、p2、p3和p4是4個工藝參數的匹配度。
在得到所有的誤差向量匹配度之后,為了保證總的匹配度之和為1,需要對所有的誤差向量匹配度進行歸一化,歸一化公式為:
其中,pi是歸一化之前的第i個匹配度,pin是歸一化之后的第i個匹配度,m是工藝參數誤差向量的個數。
按照上述方案,步驟3中所述利用工藝參數匹配度和數據庫中的微觀組織數據估算微觀組織可以描述為:將所有的工藝參數誤差向量匹配度和數據庫中的微觀組織都用向量形式表示:
P=[p1n,p2n,……,pmn],G=[g1,g2,……,gm],F(xiàn)=[f1,f2,……,fm] (6)
其中,P是工藝參數誤差向量匹配度,G是再結晶晶粒尺寸向量,F(xiàn)是再結晶分數向量,則軟測量的微觀組織(再結晶晶粒尺寸gm,再結晶分數fm)可以表示為:
gm=P·GT (7)
fm=P·FT (8)
按照上述方案,步驟4中所述專家系統(tǒng)自學習過程可以描述為:判斷估算的微觀組織是否是新的微觀組織,若是新的微觀組織,則新的工藝參數和微觀組織數據保存到數據庫中;否則,結束。
按照上述方案,利用歷史鍛造工藝數據和金屬材料微觀組織數據建立的專家系統(tǒng),通過工業(yè)現(xiàn)場采集的鍛造工藝參數可以實現(xiàn)金屬材料微觀組織的在線測量。
本發(fā)明的有益效果:本發(fā)明針對實際工業(yè)生產過程中金屬材料微觀組織難以在線測量的難題,根據歷史鍛造工藝數據和金屬材料微觀組織數據建立了自適應專家系統(tǒng),精準快速地實現(xiàn)了金屬材料鍛造微觀組織的軟測量,能夠應用到金屬材料模鍛和自由鍛造加工中,為準確測量金屬材料微觀組織提供新方法。該方法的發(fā)明和推廣應用對準確測量金屬材料微觀組織有重要工程意義。
附圖說明:
圖1基于自適應專家系統(tǒng)的金屬材料微觀組織軟測量方法流程圖;
圖2數據庫結構圖;
圖3模糊推理流程圖;
圖4三角形隸屬度函數;
圖5專家系統(tǒng)自學習之前鎳基高溫合金微觀組織軟測量結果;
圖6專家系統(tǒng)自學習之后鎳基高溫合金微觀組織軟測量結果。
具體實施方式:
下面結合附圖和具體實施方式對本發(fā)明進行詳細的說明。
本發(fā)明是一種金屬材料微觀組織軟測量方法,其流程圖如圖1所示。下面詳細介紹本發(fā)明涉及的金屬材料微觀組織軟測量方法的實施細節(jié),其方法包括:
步驟1:根據歷史的鍛造工藝參數(上模具速度和位移、鍛造溫度)和金屬材料微觀組織數據(再結晶分數和再結晶晶粒尺寸)建立初始的專家系統(tǒng),主要包括數據庫、推理機和學習機;
數據庫是根據歷史的鍛造工藝參數(上模具速度和位移、鍛造溫度)和微觀組織數據(再結晶晶粒尺寸和再結晶分數)建立的,其結構如圖2所示,該數據庫包括前置條件和微觀組織兩部分,其中,前置條件為4個工藝參數,即第k步和k+1步的上模具速度和位移;微觀組織為第k+1步的再結晶晶粒尺寸和再結晶分數。
步驟2:將實際鍛造的與數據庫中的工藝參數比較得到工藝參數誤差向量,根據推理機中的模糊推理方法計算工藝參數匹配度;
工藝參數誤差向量是實際鍛造工藝參數與數據庫中工藝參數(前置條件)的差值,可以表示為:
Ei=[sp(k)-se(k),sp(k+1)-se(k+1),vp(k)-ve(k),vp(k+1)-ve(k+1)] i=1,2,…,m (9)
其中,sp和vp分別表示實際鍛造工藝參數(上模具的位移和速度),se和ve分別表示數據庫中的工藝參數(上模具的位移和速度),Ei為第i個工藝參數誤差向量,m是工藝參數誤差向量的個數。
推理機中的模糊推理方法是軟測量方法的核心,其流程如圖3所示,可以表述為:如果工藝參數誤差向量中所有誤差都為0,說明該鍛造工藝參數與數據庫中某一個工藝參數的匹配度為1,則該工藝參數對應的微觀組織即為軟測量的結果;如果工藝參數誤差向量中所有誤差不都為0,說明需要用模糊推理方法計算工藝參數的匹配度,由于工藝參數誤差向量包括上模具速度和上模具位移的誤差,這兩個工況參數的數量級是不相同的,因此需要對工況參數誤差向量進行歸一化,歸一化公式為:
其中,x是歸一化之前的值,xn是歸一化之后的值,xmin和xmax是最大值和最小值。
工藝參數誤差向量中每一個工藝參數的匹配度是用三角形隸屬度函數(如圖4所示)計算的,其表達式為:
其中,p為工藝參數的匹配度,e是歸一化的誤差,三角形隸屬度函數參數b=0.05。
在計算得到4個工藝參數的匹配度之后,工藝參數誤差向量的匹配度是此4個匹配度的積:
pv=p1×p2×p3×p4 (12)
其中,pv工藝參數誤差向量的匹配度,p1、p2、p3和p4是4個工藝參數的匹配度。
在得到所有的誤差向量匹配度之后,為了保證總的匹配度之和為1,需要對所有的誤差向量匹配度進行歸一化,歸一化公式為:
其中,pi是歸一化之前的第i個匹配度,pin是歸一化之后的第i個匹配度,m是工藝參數誤差向量的個數。
步驟3:利用工藝參數匹配度和數據庫中的微觀組織數據估算當前的微觀組織;
將所有的工藝參數誤差向量匹配度和數據庫中的微觀組織都用向量形式表示:
P=[p1n,p2n,……,pmn],G=[g1,g2,……,gm],F(xiàn)=[f1,f2,……,fm] (14)
其中,P是工藝參數誤差向量匹配度,G是再結晶晶粒尺寸向量,F(xiàn)是再結晶分數向量,則軟測量當前的微觀組織(再結晶晶粒尺寸gm,再結晶分數fm)可以表示為:
gm=P·GT (15)
fm=P·FT (16)
步驟4:專家系統(tǒng)自學習,若估算的當前的微觀組織是新的微觀組織,則新的工藝參數和微觀組織數據保存到數據庫中;否則,結束。
根據在線感知的鍛造工藝數據,可以利用建立的自適應專家系統(tǒng)在線測量金屬材料微觀組織,軟測量結果如圖5所示,可以發(fā)現(xiàn)軟測量結果比較準確,足以達到工業(yè)要求;通過專家系統(tǒng)自學習之后,軟測量結果如圖6所示,可以發(fā)現(xiàn)軟測量結果十分精確。這說明當專家系統(tǒng)通過自學之后,可以很好地補充數據庫,極大地提高軟測量精度,故本發(fā)明提出的專家系統(tǒng)越用越精確,越用越好用。
從上述結果可以發(fā)現(xiàn),本發(fā)明提出的方法能夠快速、準確地軟測量鍛造過程中金屬材料微觀組織,為準確描述鍛造過程中金屬材料微觀組織提供了可靠的技術途徑。
上面結合附圖對本發(fā)明的實例進行了說明,但本發(fā)明不局限于上述具體的實施方式,上述的具體實施方式僅是示例性的。任何不超過本發(fā)明權利要求的發(fā)明,均在本發(fā)明的保護范圍之內。