基于GA-BP神经网络的喷丸样品表层硬度预测模型

作     者：石明 汪舟 甘进 杨莹 王晓丽 任旭东 申建国 邱斌 SHI Ming;WANG Zhou;GAN Jin;YANG Ying;WANG Xiao-li;REN Xun-dong;SHEN Jian-guo;QIU Bin

作者机构：武汉理工大学汽车工程学院武汉430070 武汉理工大学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 

出 版 物：《表面技术》 (Surface Technology)

年 卷 期：2022年第51卷第1期

页      面：332-338,357页

核心收录：

学科分类：08[工学] 0802[工学-机械工程] 080201[工学-机械制造及其自动化] 

基　　金：国家自然科学基金(51879208 51405356) 

主　　题：喷丸强化 显微硬度 神经网络 遗传算法优化 预测模型 

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。