基于BP神经网络预测药芯焊条耐磨性.docVIP

基于BP神经网络预测药芯焊条耐磨性武汉理工大学(430063) 卜智翔 李爱农武汉大学(430063) 施雨湘摘　要 ：应用Matlab语言及其神经网络工具包，通过BP神经网络，对WRS型金属基陶瓷药芯焊条堆焊层耐磨性进行模拟和预测。结果表明，该方法能够较准确地预测该药芯焊条在泥砂磨损中的耐磨性能。关键词：神经网络 药芯焊条 耐磨性 WEARABILITY FORECAST OF FLUX-CORED ELECTRODE BASEDON BP NEURAL NETWORK Wuhan University of Technology Bu Zhixiang Li AinongWuhan UniversityShi YuxiangAbstract This paper adopts Matlab language and its ANN toolbox, with BP(Back-Propagation Network) neural network, to simulate and forecast the wear ability of surfacing layer using the WRS type ceramal flux-cored electrode. As a result, the method can exactly forecast the wear ability of the flux-cored electrode under the condition of the clay-slurry abrasion.Key words: neural network, flux-cored electrode, wear ability 0 前 言　　磨损一直是机械工程材料主要的失效形式之一，研制新型堆焊耐磨材料是延长机械寿命的主要方法。通常材料耐磨性能的数据基本上依靠实物耐磨性试验来获取，这就使得耐磨材料的设计有很大的盲目性。因此采用有效的模型来预测材料的耐磨性，不但可以缩短新型耐磨材料的研制周期而且可以节约研制成本。传统的材料耐磨性预测需要考虑4个因素：即外摩擦条件、材料的力学性能、磨损面的微观几何特征和摩擦特性［1］。显然要评定各种因素对材料耐磨性的影响是非常复杂的。而且对于不同的磨损形式，需要建立不同的模型，因此将其应用于预测很不方便。人工神经网络(ANN)是一种不需要选取基函数系的非线性函数逼近方法，具有自学习、自组织和自适应、固有的并行结构和并行处理、知识的分布存储、容错性等功能和特点，在复杂系统的建模问题上表现出了它的优越?sup［2］。Matlab是一种集通用科学计算、图形交互、系统控制和程序语言设计为一体的软件。它的神经网络工具包提供了建立各种ANN模型的函数。这些函数简化了复杂的数学编程。并且在实际应用中取得了良好的效果［2］。本文将针对WRS型金属基陶瓷药芯焊条堆焊覆层，应用BP神经网络模型进行耐磨性预测。1 BP神经网络的建模　　基于神经网络的基本原理，可采用三层BP网络来描述输入与输出之间的非线性映射。BP神经网络的典型结构模型见图1［3~4］。　　输入层（Pi）：输入参数包括焊芯中20目与60目两种不同颗粒度WC金属陶瓷的质量分数、W合金与Fe的质量分数以及焊条药皮中的石墨含量等，共5个输入单元。另外，通过改变输入参数的个数和特征，本模型还适用于其它种类材料耐磨性的预测。　　隐层（Yn）：隐层由14个非线性单元组成，用Yn表示隐层的输出。输入层与隐层的权值为Wni，隐层节点的阈值为θn。隐层的传递函数为对数S型(sigmoid)函数f1(x)= 1/(1+e-x。　　输出层（Tj）：由1个输出单元组成，该输出表示堆焊层的相对耐磨性。材料的相对耐磨性是指耐磨材料在相同工况条件下相对于45钢耐磨性的倍数。隐层与输出层的权值为W′jn，输出层节点的阈值为θj。输出层传递函数f2(x)为线性激励 (purelin) 函数。 　　　　　　　　　　　　2 样本的制备与耐磨性测试　　采用的研究样本为WRS型金属基陶瓷药芯焊条，它被应用于两相流泥沙磨损的条件下。本试验是针对材料耐磨性能的预测，因此只改变焊条成分来预测其耐磨性，其它工艺因素和实验参数均保持不变。通过调整焊条药芯和药皮的组分比例（质量百分比），可以得到多种焊条配方。焊芯是用H08钢带将药芯粉卷裹而成，其截面为O型，直径为4 mm。再根据焊条制备工艺，将焊芯裹上药皮（药皮重量系数为0.3）制备成焊条。药芯焊条通过手工电弧焊在20 mm厚的Q235钢板上堆焊2～3层，制备成堆焊样品，各样品的焊接工艺相同。从制备的样品上，截取两个圆柱形试样，在泥砂磨损试验机上进行耐磨性测试，得到相对耐磨性数据（以供货态45