6] 其中，以噴涂距離、送粉速率、噴槍線速度、空氣壓力以及丙烷壓力等工藝參數(shù)為 輸入變量，以結(jié)合強度、孔隙率、顯微硬度以及氧元素含量等性態(tài)指標(biāo)為輸出變量。
[0057] S12 :采用低溫超音速噴涂技術(shù)在實驗室環(huán)境下，以均勻、離散的噴涂工藝參數(shù)制 備高鋁青銅涂層，并完成高鋁青銅涂層性態(tài)指標(biāo)的測試，收集實驗數(shù)據(jù)。
[0058] 具體實驗設(shè)備與材料如下所示：
[0059] 噴涂設(shè)備：低溫超音速噴涂設(shè)備?；宀牧希篐Sn70-l?；宄叽纾?0 X 20 X IOmm 和Φ 25. 4 X 10mm。高鋁青銅粉末特性見表1 :
[0060] 表 1
G
[0062] 工藝參數(shù)（輸入變量）與性態(tài)指標(biāo)測試結(jié)果（輸出變量）見表2。
[0063] 表 2
[0064] CN 105117599 A 說明書 5/8 頁
c.
[0065] 表2中，第4、8、12、16號實驗為測試樣本用數(shù)據(jù)，其余為訓(xùn)練樣本用數(shù)據(jù)。
[0066] S13 :將表2中實驗數(shù)據(jù)進行歸一化預(yù)處理，得到歸一化后的工藝參數(shù)與性態(tài)指標(biāo) 測試結(jié)果，見表3。
[0067] 表 3
[0068] CN 105117599 A 兄明十ι 6/8 頁
s
[0069] 表3中的第4、8、12、16號數(shù)據(jù)即為BP神經(jīng)網(wǎng)絡(luò)模型的測試樣本，其余即為BP神 經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練樣本。
[0070] S2 :構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型。
[0071] 該模型包括三層結(jié)構(gòu)：輸入層、隱含層和輸出層。
[0072] 由步驟Sll可知：輸入層的節(jié)點數(shù)為5,輸出層的節(jié)點數(shù)為4,隱含層的節(jié)點數(shù)為
[0073] 輸入層和隱層神經(jīng)元采用S型激活函數(shù)，輸出層神經(jīng)元采用線性激活函數(shù)，學(xué)習(xí) 速率取〇. 1，精度取0.01%。
[0074] S3 :采用Sl得到的訓(xùn)練樣本并通過遺傳算法優(yōu)化上述BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值， 確定最優(yōu)的神經(jīng)元之間的權(quán)值和閾值。
[0075] 將BP神經(jīng)網(wǎng)絡(luò)的輸入層到隱含層的連接權(quán)值矩陣W1 [5X12]，隱含層閾值矩陣 U12X1]，隱含層到輸出層連接權(quán)值w2[12X4]，輸出層閾值矩陣、[4乂1]編碼為實數(shù)基 因序列。
[0076] 設(shè)定種群規(guī)模為10,最大進化次數(shù)為50次，交叉概率為0. 4,變異概率為0. 2。將 預(yù)測數(shù)據(jù)與期望數(shù)據(jù)之間的誤差作為適應(yīng)度函數(shù)，循環(huán)進行選擇、交叉、變異、計算適應(yīng)度 操作，直到達到34進化次數(shù)，得到最優(yōu)的權(quán)值和閾值，達到優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的目的。
[0077] S4 :采用Sl得到的測試樣本對經(jīng)遺傳算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)模型進行測試，當(dāng) 預(yù)測誤差低于規(guī)定水平（本實施例為10% )即通過測試，從而獲得高鋁青銅涂層性態(tài)預(yù)測 模型。
[0078] (試驗例）
[0079] 本試驗例為試驗實施例1建立的高鋁青銅涂層性態(tài)預(yù)測模型的準(zhǔn)確性。
[0080] 采用表4的工藝參數(shù)制備四組高鋁青銅涂層以檢驗實施例1建立的高鋁青銅涂層 性態(tài)預(yù)測模型的準(zhǔn)確性，預(yù)測值反歸一化結(jié)果如表5所示。
[0081] 表 4
〇
υ
[0085] 通過誤差分析可以看出，實施例1所建立的高鋁青銅涂層性態(tài)預(yù)測模型預(yù)測精度 高，可達到性態(tài)預(yù)測的目的。
[0086] (應(yīng)用例）
[0087] 應(yīng)用實施例1建立的高鋁青銅涂層性態(tài)預(yù)測模型，在其它工藝參數(shù)保持不變的條 件下（如表6所示），建立不同氣體參數(shù)下（空氣壓力和丙烷壓力）涂層性態(tài)指標(biāo)的預(yù)測 圖，如圖1~圖4所示。其中，圖1為不同氣體參數(shù)下涂層結(jié)合強度的預(yù)測圖，圖2為不同 氣體參數(shù)下涂層孔隙率的預(yù)測圖，圖3為不同氣體參數(shù)下涂層顯微硬度的預(yù)測圖，圖4為不 同氣體參數(shù)下涂層氧含量的預(yù)測圖。
〇.
[0090] (實施例2)
[0091] 本實施例是利用步驟S4建立的高鋁青銅涂層性態(tài)預(yù)測模型并通過遺傳算法對高 鋁青銅涂層進行單一性態(tài)指標(biāo)極值尋優(yōu)。
[0092] 具體如下：采用實數(shù)編碼的方法，將工藝參數(shù)作為遺傳算法中的種群個體，將步驟 S4得到的高鋁青銅涂層性態(tài)預(yù)測模型輸出的各個性態(tài)指標(biāo)預(yù)測值（其中結(jié)合強度、顯微硬 度取其倒數(shù)）作為遺傳算法中的個體適應(yīng)度值，適應(yīng)度值越小，個體越優(yōu)。通過選擇算子、 交叉算子和變異算子（同步驟S3)推導(dǎo)出各個性態(tài)指標(biāo)的最優(yōu)值及其對應(yīng)的工藝參數(shù)。
[0093] 其中各個性態(tài)指標(biāo)最優(yōu)的工藝參數(shù)見表7,各個性態(tài)指標(biāo)見表8。
[0094] 對比表2與表8可以看出：采用本發(fā)明的遺傳算法進行單一性態(tài)指標(biāo)尋優(yōu)后，涂 層結(jié)合強度提高了 23. 3%，孔隙率降低了 85. 2%，顯微硬度提高了 37. 1%，氧含量降低了 86.0%，表明本發(fā)明的方法在制備優(yōu)質(zhì)高鋁青銅涂層方面具有積極的效果。
[0095] 表 7
【主權(quán)項】
1. 一種高鋁青銅涂層性態(tài)預(yù)測模型的建立方法，其特征在于包括以下步驟： 51 :建立訓(xùn)練樣本和測試樣本； 52 :構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型； 53 :采用S1得到的訓(xùn)練樣本并通過遺傳算法優(yōu)化上述BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，得到 最優(yōu)的權(quán)值和閾值； 54 :采用S1得到的測試樣本對經(jīng)遺傳算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)模型進行測試，若通過 測試即獲得高鋁青銅涂層性態(tài)預(yù)測模型。2. 根據(jù)權(quán)利要求1所述的高鋁青銅涂層性態(tài)預(yù)測模型的建立方法，其特征在于上述步 驟S1具體包括以下三步： 511 :選擇高鋁青銅涂層性態(tài)預(yù)測模型的輸入變量和輸出變量； 512 :采用低溫超音速噴涂技術(shù)在實驗室環(huán)境下，以均勻、離散的噴涂工藝參數(shù)制備高 鋁青銅涂層，并完成高鋁青銅涂層性能測試，收集實驗數(shù)據(jù)； 513 :對收集的實驗數(shù)據(jù)進行歸一化預(yù)處理，分別得到BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練樣本和 測試樣本。3. 根據(jù)權(quán)利要求2所述的高鋁青銅涂層性態(tài)預(yù)測模型的建立方法，其特征在于：所述 輸入變量為工藝參數(shù)，包括噴涂距離、送粉速率、噴槍線速度、空氣壓力以及丙烷壓力；所述 輸出變量為性態(tài)指標(biāo)，包括結(jié)合強度、孔隙率、顯微硬度以及氧元素含量。4. 根據(jù)權(quán)利要求2所述的高鋁青銅涂層性態(tài)預(yù)測模型的建立方法，其特征在于：所述 歸一化預(yù)處理是將輸入數(shù)據(jù)或者輸出數(shù)據(jù)轉(zhuǎn)化為[0, 1]范圍的值i,其中1_為輸入數(shù)據(jù)或者輸出數(shù)據(jù)中的最大值，x_為輸入數(shù)據(jù)或者輸出數(shù)據(jù)中的最小 值；x為輸入數(shù)據(jù)或者輸出數(shù)據(jù)，^為輸入數(shù)據(jù)或者輸出數(shù)據(jù)歸一化處理后的值。5. 根據(jù)權(quán)利要求1所述的高鋁青銅涂層性態(tài)預(yù)測模型的建立方法，其特征在于上述步 驟S2構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)模型包括三層結(jié)構(gòu)：輸入層、隱含層和輸出層，其中，輸入層的節(jié)點 數(shù)與輸入變量的個數(shù)相等，輸出層的節(jié)點數(shù)與輸出變量的個數(shù)相等，隱含層的節(jié)點數(shù)q的 計算公式為：g=、/('/? +，?）+"，1 <a< 10 ; 其中，m表示輸入層的節(jié)點數(shù)，n表示輸出層的節(jié)點數(shù)。6. 根據(jù)權(quán)利要求1所述的高鋁青銅涂層性態(tài)預(yù)測模型的建立方法，其特征在于上述步 驟S3優(yōu)化過程如下：首先，設(shè)置種群數(shù)目和優(yōu)化目標(biāo)，包括初始化進化次數(shù)、種群規(guī)模、交 叉概率、變異概率；然后，對種群進行實數(shù)編碼，并將預(yù)測數(shù)據(jù)與期望數(shù)據(jù)之間的誤差作為 適應(yīng)度函數(shù)；接著，循環(huán)進行選擇、交叉、變異，計算適應(yīng)度操作，直到達到進化次數(shù)，得到最 優(yōu)的初始權(quán)值和閾值，將得到的最優(yōu)初始權(quán)值和閾值來優(yōu)化BP神經(jīng)網(wǎng)絡(luò)。7. -種高鋁青銅涂層單一性態(tài)指標(biāo)的尋優(yōu)方法，它是利用高鋁青銅涂層性態(tài)預(yù)測模型 并通過遺傳算法對高鋁青銅涂層進行單一性態(tài)指標(biāo)極值尋優(yōu)。8. 根據(jù)權(quán)利要求7所述的高鋁青銅涂層單一性態(tài)指標(biāo)的尋優(yōu)方法，其特征在于：采用 實數(shù)編碼的方法，將工藝參數(shù)作為遺傳算法中的種群個體，將高鋁青銅涂層性態(tài)預(yù)測模型 輸出的各個性態(tài)指標(biāo)預(yù)測值作為遺傳算法中的個體適應(yīng)度值，通過選擇算子、交叉算子和 變異算子推導(dǎo)出各個性態(tài)指標(biāo)的最優(yōu)值及其對應(yīng)的工藝參數(shù)。9.根據(jù)權(quán)利要求8所述的高鋁青銅涂層單一性態(tài)指標(biāo)的尋優(yōu)方法，其特征在于：所述 工藝參數(shù)包括噴涂距離、送粉速率、噴槍線速度、空氣壓力以及丙烷壓力；所述性態(tài)指標(biāo)包 括結(jié)合強度、孔隙率、顯微硬度以及氧元素含量。
【專利摘要】本發(fā)明公開了一種高鋁青銅涂層性態(tài)預(yù)測模型的建立方法以及高鋁青銅涂層單一性態(tài)指標(biāo)的尋優(yōu)方法。預(yù)測模型的建立方法包括：建立訓(xùn)練樣本和測試樣本；構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型；采用訓(xùn)練樣本并通過遺傳算法優(yōu)化上述BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值；采用測試樣本對經(jīng)遺傳算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)模型進行測試，獲得高鋁青銅涂層性態(tài)預(yù)測模型。尋優(yōu)方法是利用預(yù)測模型并通過遺傳算法對高鋁青銅涂層進行單一性態(tài)指標(biāo)極值尋優(yōu)。本發(fā)明建立的高鋁青銅涂層性態(tài)預(yù)測模型預(yù)測精度高，采用該高鋁青銅涂層性態(tài)預(yù)測模型大大提高了高鋁青銅涂層的研究效率，使高鋁青銅涂層的研發(fā)更具有方向性和前瞻性。
【IPC分類】G06F19/00
【公開號】CN105117599
【申請?zhí)枴緾N201510527431
【發(fā)明人】朱勝, 王曉明, 周超極, 趙陽, 韓冰源, 李華瑩, 任智強, 韓國峰
【申請人】中國人民解放軍裝甲兵工程學(xué)院
【公開日】2015年12月2日
【申請日】2015年8月25日