CN114925569A - 一种有限元与神经网络结合的钢板淬火温度预测方法 - Google Patents

一种有限元与神经网络结合的钢板淬火温度预测方法 Download PDF

Info

Publication number
CN114925569A
CN114925569A CN202210575794.9A CN202210575794A CN114925569A CN 114925569 A CN114925569 A CN 114925569A CN 202210575794 A CN202210575794 A CN 202210575794A CN 114925569 A CN114925569 A CN 114925569A
Authority
CN
China
Prior art keywords
neural network
steel plate
training
temperature
layer
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210575794.9A
Other languages
English (en)
Inventor
杨偌旺
庞玉华
孔浩然
杨�一
董少若
张李豪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian University of Architecture and Technology
Original Assignee
Xian University of Architecture and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xian University of Architecture and Technology filed Critical Xian University of Architecture and Technology
Priority to CN202210575794.9A priority Critical patent/CN114925569A/zh
Publication of CN114925569A publication Critical patent/CN114925569A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Control Of Heat Treatment Processes (AREA)

Abstract

本发明公开了一种有限元与神经网络结合的钢板淬火温度预测方法，将有限元模型计算出的淬火过程钢板不同位置的时间温度变化曲线处理为神经网络的训练样本，设定神经网络节点数以及训练参数，建立了神经网络预测模型，通过对训练样本的训练集与验证集划分，训练神经网络后，经验证集验证，得出高精度的淬火过程钢板不同位置的时间温度变化曲线预测模型，以解决淬火数值模型计算时间长导致的无法预测大量工况的缺点，从而为制定出合适的淬火工艺提供有效依据，提高热处理过程中钢板的性能。

Description

一种有限元与神经网络结合的钢板淬火温度预测方法
技术领域
本发明属于热处理技术领域，具体涉及一种有限元与神经网络结合的钢板淬火温度预测方法。
背景技术
热处理作为钢铁加工的基础工艺，是生产板材过程中不可缺少的一环，钢板通过热处理后可明显改善力学及加工性能。实际淬火时，掌握钢板淬火过程温度演变规律，可以指导热处理工艺以及保证热处理钢板质量，而现有的技术手段，无法在线测量出淬火过程钢板温度。因此，研究淬火过程的温度场，对优化控冷设备的工艺参数并建立精确的过程控制模型有着重要的意义。
实际生产中，钢板淬火主要通过布置复杂的喷嘴射流进行冷却，每个喷嘴的规格都存在差异，而且根据高压段与低压段的设置，喷嘴的供水压力、射流高度、射流角度都不相同，对钢板的冷却速度和均匀性难以控制。目前，对淬火钢板的温度预测主要以计算流体动力学为基础，通过设定边界条件，对淬火过程进行数值模拟。通过有限元软件建立温度场模型，仿真计算可获得钢板温度分布和演变规律要获得准确的淬火钢板温度场，必须考虑实际淬火的所有工作条件，对应的换热系数也必须接近实际，有限元淬火温度场模型所采取的边界条件越真实，模型所计算的时间将会成倍增加，因此对实际生产中所有的工况进行计算分析所需的时间成本几乎无法接受。
神经网络有并行处理、鲁棒性、自适应性、自学习的特点，能够逼近任意的非线性***的特性，无需了解***的内部机理，只需通过对***的输入输出数据，采用相应的网络结构并进行训练，就可得出良好的预测模型。近几年来，较多运用在热处理加热钢板温度预测模型中，但大多仅停留在预测出炉温度的层面，而且淬火过程仍未有良好的钢温神经网络模型。
发明内容
本发明的目的在于克服上述现有技术的缺点，提供一种有限元与神经网络结合的钢板淬火温度预测方法，以解决淬火数值模型计算时间长导致的无法预测大量工况的缺点。
为达到上述目的，本发明采用以下技术方案予以实现：
一种有限元与神经网络结合的钢板淬火温度预测方法，包括以下步骤：
步骤1，针对所要预测的钢种，根据厚度选取部分工况，并通过有限元数值模型计算出温度场以及各个位置温度变化曲线。
步骤2，将钢板厚度、冷却时间、从0开始间隔0.5s时刻作为神经网络的输入参数，当前时刻对应的钢板相应位置温度作为神经网络的输出参数，将步骤1中获得的温度曲线转换为神经网络输入输出的训练数据。
步骤3，对步骤2中的训练数据进行训练集与验证集的划分。
步骤4，对训练集数据进行归一化处理。
步骤5，确定神经网络各层的神经元节点数，建立神经网络模型，设定网络参数。
步骤6，用步骤4中的训练集，训练神经网络模型。
步骤7，用步骤3中的测试集，测试神经网络预测性能。
本发明的进一步改进在于：
优选的，步骤3中，所述训练集为训练数据的5/6，验证集为训练数据的1/6，即若有6条温度曲线，则5条温度曲线为训练集，剩余一条曲线为验证集。
优选的，步骤4中，所述输入与输出数据归一化处理为将训练集使用mapminmax函数转换。
优选的，步骤5中，所述神经元各层节点包括输入层节点、隐层节点以及输出层节点。
优选的，步骤5中，所述神经元各层节点数包括输入层节点数为3，隐层节点数为3，输出层节点数为1。
优选的，步骤5中，所述神经网络参数包括：输入层至隐含层传递函数、隐含层至输出层传递函数、训练函数、学习函数、网络迭代次数、训练误差目标、学习速率、最小确认失败次数。
优选的，步骤5中，所述神经网络参数设定为：输入层至隐含层传递函数为logsig、隐含层至输出层传递函数为tansig、训练函数为trainlm、学习函数learngdm、网络迭代次数为1000、训练误差目标为1e-7、学习速率为0.01、最小确认失败次数为10。
与现有技术相比，本发明具有以下有益效果：
本发明公开了一种有限元与神经网络结合的钢板淬火温度预测方法，该方法通过将有限元模型模拟所得的平板温度随时间变化曲线作为训练样本，对于钢板淬火过程中不同位置建立了具有单隐含层的3层BP神经网络模型，预测钢板淬火过程中不同位置温度变化，不用通过有限元模型计算每一块钢板的温度，只需神经网络训练同种类别钢种的一部分，就可预测出大量工况的淬火温度，节省了复杂的有限元模型计算大量工况的时间。根据预测所得淬火钢板温度随时间变化曲线，判断该种工况下淬火工艺合理与否，为淬火工艺进行相应的优化改进措施，可以为后续淬火工艺的制定提供数据支撑，帮助改进后续淬火工艺参数。
附图说明
图1为本发明流程图示；
图2为本发明实施例1中厚度范围为10-60mm的所选的6个工况中心冷却曲线；
图3为本发明实施例1中神经网络预测结果对比，
具体实施方式
下面结合附图对本发明做进一步详细描述：
参见图1，本发明提供一种有限元与神经网络结合的钢板淬火温度预测方法，包括以下步骤：
步骤1，根据厚度选取所预测范围的钢板工况，通过有限元数值模型计算出所选工况的温度场以及各个位置温度变化曲线，提取出不同位置温度时间变化曲线。
步骤2，输入参数为钢板厚度、冷却时间、从0开始间隔0.5s时刻，输出参数为当前时刻对应的钢板相应位置温度，根据输入和输出参数，将步骤1中获得的不同位置温度曲线转换为神经网络输入输出的训练数据，形成数据文件文件。
步骤3，对步骤2中的训练数据进行训练集与验证集的划分。训练集为总数据的5/6，验证集为总数据的1/6。
步骤4，对训练集数据进行归一化处理，采用的函数为mapminmax。
步骤5，神经网络结构确定为单隐含层的3层BP神经网络结构，神经元各层节点数包括：输入层节点数为3，隐层节点数为3，输出层节点数为1。建立神经网络模型，神经网络参数设定为：输入层至隐含层传递函数为logsig、隐含层至输出层传递函数为tansig、训练函数为trainlm、学习函数learngdm、网络迭代次数为1000、训练误差目标为1e-7、学习速率为0.01、最小确认失败次数为10。
步骤6，用步骤4中的训练集，训练神经网络模型，反复训练至达到设定的训练目标为止。
步骤7，用步骤3中的测试集，测试神经网络预测精度。
上述的一种有限元与神经网络结合的钢板淬火温度预测方法建立模型时可建立任意工况范围的神经网络预测模型，然后由步骤1～7重新计算并分析结果。
技术效果：本发明可预测钢板淬火过程中不同位置的温度变化，从而可为制定合理的淬火工艺提供判断依据，以达到优化淬火钢板性能的目的。
前述的一种有限元与神经网络结合的钢板淬火温度预测方法，其特征在于所述的建模软件为MATLAB。
实施例
参见图2，针对NM450钢板，始冷温度为1183K，厚度范围为10-60mm，具体的步骤包括：
1)根据厚度范围，选取10mm，20mm，30mm，40mm，50mm，60mm的工况，经过有限元模型计算出6个工况中心冷却曲线。
2)输入参数为钢板厚度、冷却时间、从0开始间隔0.5s时刻，输出参数为当前时刻对应的钢板中心位置温度，将6条冷却温度时间变化曲线以及对应的输入输出参数数据转换为表格形式数据文件。
3)对训练数据进行训练集与验证集的划分。训练集为总数据的5/6，验证集为总数据的1/6。即厚度10mm、20mm、40mm、50mm、60mm的5条曲线为训练集，厚度30mm的曲线为验证集。
4)对训练集数据进行归一化处理，采用的函数为mapminmax，具体为[inputn,inputps]＝mapminmax(input_train)；[outputn,outputps]＝mapminmax(output_train)；
5)神经网络结构确定为单隐含层的3层BP神经网络结构，神经元各层节点数包括：输入层节点数为3，隐层节点数为3，输出层节点数为1。建立神经网络模型，神经网络参数设定为：输入层至隐含层传递函数为logsig、隐含层至输出层传递函数为tansig、训练函数为trainlm、学习函数learngdm、网络迭代次数为net.trainParam.epochs＝1000、训练误差目标为net.trainParam.goal＝1e-7、学习速率为net.trainParam.lr＝0.01、最小确认失败次数为net.trainParam.max_fail＝10。
6)用的训练集，训练神经网络模型，反复训练至达到设定的训练目标为止。
7)用测试集，测试神经网络预测精度。
图3为测试集温度曲线与预测温度曲线对比。可以看出，神经网络的预测性能较好，在低压段的最大误差为5K以内。

Claims (10)

1.一种有限元与神经网络结合的钢板淬火温度预测方法，其特征在于，包括以下步骤：
步骤1，针对所要预测的钢种，根据厚度选取部分工况，并通过有限元数值模型计算出温度场以及各个位置温度变化曲线；
步骤2，将钢板厚度、冷却时间、从0开始间隔0.5s时刻作为神经网络的输入参数，当前时刻对应的钢板相应位置温度作为神经网络的输出参数，将步骤1中获得的温度曲线转换为神经网络输入输出的训练数据；
步骤3，对步骤2中的训练数据进行训练集与验证集的划分；
步骤4，对训练集数据进行归一化处理；
步骤5，确定神经网络各层的神经元节点数，建立神经网络模型，设定网络参数；
步骤6，用步骤4中的训练集，训练神经网络模型；
步骤7，用步骤3中的测试集，测试神经网络预测性能。
2.根据权利要求1所述的一种有限元与神经网络结合的钢板淬火温度预测方法，其特征在于，步骤1中，所述根据厚度选取部分工况为在所要预测钢种的厚度范围内，选取从小到大间隔5mm-10mm厚度工况，做到厚度范围全覆盖。
3.根据权利要求1所述的一种有限元与神经网络结合的钢板淬火温度预测方法，其特征在于，步骤2中，所述温度曲线转换为神经网络输入输出的训练数据，是将钢板厚度、冷却时间、从0开始间隔0.5s时刻的数据与当前时刻对应的钢板相应位置温度的数据转换成表格数据文件。
4.根据权利要求1所述的一种有限元与神经网络结合的钢板淬火温度预测方法，其特征在于，步骤3中，所述训练集为步骤2中训练数据的5/6，验证集为训练数据的1/6，即若有6条温度曲线，则5条温度曲线为训练集，剩余一条曲线为验证集。
5.根据权利要求1所述的一种有限元与神经网络结合的钢板淬火温度预测方法，其特征在于，步骤4中，所述输入与输出数据归一化处理为将训练集使用mapminmax函数转换。
6.根据权利要求1所述的一种有限元与神经网络结合的钢板淬火温度预测方法，其特征在于，步骤5中，所述神经元各层节点包括输入层节点、隐层节点以及输出层节点。
7.根据权利要求6所述的一种有限元与神经网络结合的钢板淬火温度预测方法，其特征在于，步骤5中，所述神经元各层节点数包括输入层节点数为3，隐层节点数为3，输出层节点数为1。
8.根据权利要求1所述的一种有限元与神经网络结合的钢板淬火温度预测方法，其特征在于，步骤5中，所述神经网络模型为单隐含层的3层BP神经网络。
9.根据权利要求1所述的一种有限元与神经网络结合的钢板淬火温度预测方法，其特征在于，步骤5中，所述神经网络参数包括：输入层至隐含层传递函数、隐含层至输出层传递函数、训练函数、学习函数、网络迭代次数、训练误差目标、学习速率、最小确认失败次数。
10.根据权利要求9所述的一种有限元与神经网络结合的钢板淬火温度预测方法，其特征在于，步骤5中，所述神经网络参数设定为：输入层至隐含层传递函数为logsig、隐含层至输出层传递函数为tansig、训练函数为trainlm、学习函数learngdm、网络迭代次数为1000、训练误差目标为1e-7、学习速率为0.01、最小确认失败次数为10。
CN202210575794.9A 2022-05-25 2022-05-25 一种有限元与神经网络结合的钢板淬火温度预测方法 Pending CN114925569A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210575794.9A CN114925569A (zh) 2022-05-25 2022-05-25 一种有限元与神经网络结合的钢板淬火温度预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210575794.9A CN114925569A (zh) 2022-05-25 2022-05-25 一种有限元与神经网络结合的钢板淬火温度预测方法

Publications (1)

Publication Number Publication Date
CN114925569A true CN114925569A (zh) 2022-08-19

Family

ID=82810520

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210575794.9A Pending CN114925569A (zh) 2022-05-25 2022-05-25 一种有限元与神经网络结合的钢板淬火温度预测方法

Country Status (1)

Country Link
CN (1) CN114925569A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115563736A (zh) * 2022-10-28 2023-01-03 江南大学 一种透平叶片电弧增材实时温度场预测方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115563736A (zh) * 2022-10-28 2023-01-03 江南大学 一种透平叶片电弧增材实时温度场预测方法

Similar Documents

Publication Publication Date Title
CN109583585B (zh) 一种电站锅炉壁温预测神经网络模型的构建方法
CN112163380B (zh) 基于数值模拟的神经网络预测炉膛氧气浓度***及方法
CN104778298A (zh) 基于egmm的高斯过程回归软测量建模方法
CN106779384B (zh) 一种基于信息粒度最优分配的钢铁工业高炉煤气长期区间预测方法
CN104915518A (zh) 一种高炉铁水硅含量二维预报模型的构建方法及应用
CN108388762A (zh) 基于深度置信网络的烧结矿化学成分预测方法
CN105204333A (zh) 一种提高钢铁企业能源利用率的能耗预测方法
CN102880905A (zh) 一种常顶油干点在线软测量方法
CN114925569A (zh) 一种有限元与神经网络结合的钢板淬火温度预测方法
CN112016754A (zh) 基于神经网络的电站锅炉排烟温度超前预测***及方法
CN114936742A (zh) 一种供水***调度代理决策方法
CN112884012A (zh) 基于支持向量机原理的建筑能耗预测方法
CN115344019A (zh) 一种基于复合智能算法的天然气计量流量调节工艺
CN111931436A (zh) 一种基于数值模拟与神经网络的燃烧器喷口风量预测方法
CN109918704B (zh) 一种基于有限元模拟的模锻模具寿命预测方法
CN103593550A (zh) 一种基于集成均值子时段rpls-os-elm的荒管质量建模与预报方法
CN106990768A (zh) 基于Limited‑DTW的MKPCA间歇过程故障监测方法
CN108984943A (zh) 加热炉钢坯温度跟踪模型修正方法
Yan et al. Reliability prediction of CNC machine tool spindle based on optimized cascade feedforward neural network
CN113159395A (zh) 一种基于深度学习的污水处理厂进水流量预测方法及***
CN111222280B (zh) 一种高合金超高强度钢焊接升温过程中相份数的计算方法
CN110147645B (zh) 薄壁铜管焊接生产过程中仿真模型验证、建立方法及应用
CN111879910A (zh) 一种优化锻造工艺参数与组织性能的试验方法
CN116757078A (zh) 一种基于作用力的煤粉流速测量方法及***
CN114036758B (zh) 基于数值模拟和机器学习的锅炉燃烧状态动态展示方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination