| 基于GA-BP神经网络的喷丸样品表层硬度预测模型 |
| |
| 引用本文： | 石明,汪舟,甘进,杨莹,王晓丽,任旭东,申建国,邱斌.基于GA-BP神经网络的喷丸样品表层硬度预测模型[J].表面技术,2022,51(1):332-338, 357. |
| |
| 作者姓名： | 石明 汪舟 甘进 杨莹 王晓丽 任旭东 申建国 邱斌 |
| |
| 作者单位： | 武汉理工大学 汽车工程学院 现代汽车零部件技术湖北省重点实验室，武汉 430070;武汉理工大学 汽车工程学院 现代汽车零部件技术湖北省重点实验室，武汉 430070;汽车零部件技术湖北省协同创新中心，武汉 430070;武汉理工大学 交通学院，武汉 430063;中国汽车工程研究院股份有限公司，重庆 401122 |
| |
| 基金项目： | 国家自然科学基金(51879208，51405356) |
| |
| 摘 要： | 目的 建立能够准确预测不同喷丸工艺参数下工件表层显微硬度的数学模型。方法 以42CrMo钢作为研究对象，采用正交实验法设计喷丸实验方案和逐点测量法测量0～320μm层深内的显微硬度，以实验数据为样本，基于BP神经网络建立42CrMo钢受喷后表层显微硬度的预测模型，并利用遗传算法（GA）对BP神经网络结构进行优化，建立基于GA-BP神经网络的42CrMo钢受喷后表层显微硬度模型。结果 将实验数据集用于模型的训练，BP神经网络模型和GA-BP神经网络模型训练的相关系数R均为0.97左右，两种模型的训练效果均较好。对比20组测试集的模型预测值和实验值发现，BP神经网络模型预测值与实验值之间的相对误差的最大值和平均值分别为3.5%和1.1%，相比之下，经遗传算法优化的BP神经网络（GA-BP）模型预测值与实验值的相对误差的最大值和平均值仅为2.9%和0.7%。GA-BP神经网络模型具有更高的预测精度和稳定性。结论 经GA遗传算法优化的BP神经网络（GA-BP）更适合用于建立受喷工件表层显微硬度的预测模型，可为其在工程上的应用提供一定的参考。
|
| 关 键 词： | 喷丸强化 显微硬度 神经网络 遗传算法优化 预测模型 |
| 收稿时间： | 2021/2/9 0:00:00 |
| 修稿时间： | 2021/7/2 0:00:00 |
Microhardness Prediction Model of Peened Parts Based on GA-BP Neural Network |
| |
| SHI Ming,WANG Zhou,GAN Jin,YANG Ying,WANG Xiao-li,REN Xun-dong,SHEN Jian-guo,QIU Bin.Microhardness Prediction Model of Peened Parts Based on GA-BP Neural Network[J].Surface Technology,2022,51(1):332-338, 357. |
| |
| Authors: | SHI Ming WANG Zhou GAN Jin YANG Ying WANG Xiao-li REN Xun-dong SHEN Jian-guo QIU Bin |
| |
| Affiliation: | School of Automotive Engineering,Hubei Key Laboratory of Advanced Technology for Automotive Components, Wuhan University of Technology, Wuhan 430070, China;School of Automotive Engineering,Hubei Key Laboratory of Advanced Technology for Automotive Components, Wuhan University of Technology, Wuhan 430070, China;Hubei Collaborative Innovation Center for Automotive Components Technology, Wuhan 430070, China;School of Transportation, Wuhan University of Technology, Wuhan 430063, China; China Automotive Engineering Research Institute Co., Ltd., Chongqing 401122, China |
| |
| Abstract: | |
| |
| Keywords: | shot peening surface microhardness neural network genetic algorithm prediction model |
| 本文献已被 维普 等数据库收录！ |
| 点击此处可从《表面技术》浏览原始摘要信息 |
|
点击此处可从《表面技术》下载全文 |
|
