本發明屬于鍛造,具體涉及一種基于機器學習的在線預測鍛件溫度的方法。
背景技術:
1、鍛造作為金屬塑性加工中的一個重要工藝,鍛造溫度對鍛造過程影響很大。如果終鍛溫度過高,鍛件內部晶粒會繼續長大,出現粗晶組織或析出第二相,降低鍛件力學性能。如果終鍛溫度低于再結晶溫度,鍛件內部會出現加工硬化,使塑性降低,鍛件內部可能會產生較大的殘余應力,導致鍛件再鍛造過程或在冷卻過程以及后續工序中產生開裂。如果終鍛溫度過低只能通過回爐解決,將增加火次增加能耗,降低生產效率。
2、因此有必要研究一種預測鍛件溫度的方法。
技術實現思路
1、本發明要解決的問題是提供一種基于機器學習的在線預測鍛件溫度的方法,通過有限元模擬、神經網絡等技術,實現鍛件在鍛造過程溫度的在線預測,以實時反饋給鍛件操作員鍛件信息,提升鍛造過程的智能化程度,降低能耗的消耗,提升生產效率。
2、為解決上述技術問題,本發明采用的技術方案是:一種基于機器學習的在線預測鍛件溫度的方法,包括以下步驟:
3、步驟a、建立基于機器學習的鍛件溫度預測模型;
4、步驟b、將鍛造參數數據作為輸入參數輸入鍛件溫度預測模型,獲得鍛件在鍛造過程的實時預測溫度;
5、所述鍛造參數數據包括鍛造工藝參數和環境參數。
6、進一步的,所述鍛造工藝參數包括鍛造時間、鍛造速度和壓下量,所述環境參數包括接觸換熱系數和環境溫度參數。
7、進一步的,步驟a中鍛件溫度預測模型的建立包括如下步驟:
8、步驟11、建立鍛件在鍛造過程的有限元模型,通過向有限元模型輸入鍛造速度、壓下量、接觸換熱系數和環境溫度參數得到不同工藝參數下鍛件在鍛造過程的仿真溫度值;
9、步驟12、將鍛造時間、鍛造速度、接觸換熱系數、環境溫度參數和仿真溫度值組成訓練數據集并輸入神經網絡或bp神經網絡,得到鍛件溫度預測模型。
10、進一步的,在步驟11中,鍛造速度從5mm/s到100mm/s以10mm/s為一個梯度進行仿真運算,接觸換熱系數按光滑表面接觸、夾雜氧化皮接觸和添加保溫棉接觸三個工況進行仿真運算。
11、進一步的,在步驟11中,采集鍛件鍛造過程接觸面和非接觸面各五個位置的實測溫度與有限元模型中對應位置的溫度值進行對比,然后對有限元模型進行優化直至仿真溫度值與實測溫度值差值小于2%。
12、進一步的,在步驟12中,將數據集進行歸一化處理,數據集的85%作為訓練集、15%作為測試集,神經網絡輸入層節點個數依據訓練集中輸入參數個數動態調整,神經網絡輸出層節點個數依據訓練集中輸出參數個數動態調整,隱含層為3層,每層隱含層包括10個神經元,傳遞函數為sigmoid函數,損失函數為均方差損失函數(mse):
13、
14、其中:
15、為神經網絡預測值;
16、為輸入目標值,即輸入參數溫度;
17、n為數據集中輸出數據的個數;
18、梯度下降算法為隨機梯度下降算法(sgd),其中一次權值更新公式為:
19、
20、其中:
21、為當前迭代步的權值;
22、為學習率;
23、為損失函數,即上述mse;
24、初始學習率為0.2,學習率采用衰減策略,訓練次數epoch?為100000次。
25、進一步的,在步驟b中,鍛造工藝參數中鍛造時間的時間序列計算方法為:
26、;
27、;
28、;
29、其中:
30、為傳感器采集的壓頭速度,
31、為,step是采樣時間間隔,
32、為鍛造速度序列,
33、為壓下量,
34、為,
35、為
36、,
37、為時間數組。
38、進一步的,在步驟b中,通過傳感器采集的壓頭速度數據實時計算鍛造需要的時間并得到當前時間數組,然后將當前時間數組與歷史數據中的時間數組進行拼接,拼接后與其他參數拼接作為輸入數據,對溫度預測曲線進行更新。
39、本發明基于彈塑性力學以及傳熱學原理建立有限元模型并通過與實測數據對比進行優化模型,將有限元仿真模型得到的仿真溫度值以及鍛造時間、鍛造速度、接觸換熱系數和環境溫度參數作為訓練數據,通過機器學習(包含但不限于神經網絡)進行擬合建立預測模型,能夠在線預測鍛件在鍛造過程中的溫度變化,從而將溫度值實時反饋給鍛件操作員,提升鍛造過程的智能化程度,降低能耗的消耗,提升生產效率。
40、下面結合附圖對本發明進行詳細說明。
1.一種基于機器學習的在線預測鍛件溫度的方法,其特征在于,包括以下步驟:
2.根據權利要求1所述的基于機器學習的在線預測鍛件溫度的方法,其特征在于,所述鍛造工藝參數包括鍛造時間、鍛造速度和壓下量,所述環境參數包括接觸換熱系數和環境溫度參數。
3.根據權利要求1所述的基于機器學習的在線預測鍛件溫度的方法,其特征在于,步驟a中鍛件溫度預測模型的建立包括如下步驟:
4.根據權利要求3所述的基于機器學習的在線預測鍛件溫度的方法,其特征在于,在步驟11中,鍛造速度從5mm/s到100mm/s以10mm/s為一個梯度進行仿真運算,接觸換熱系數按光滑表面接觸、夾雜氧化皮接觸和添加保溫棉接觸三個工況進行仿真運算。
5.根據權利要求3所述的基于機器學習的在線預測鍛件溫度的方法,其特征在于,在步驟11中,采集鍛件鍛造過程接觸面和非接觸面各五個位置的實測溫度與有限元模型中對應位置的溫度值進行對比,然后對有限元模型進行優化直至仿真溫度值與實測溫度值差值小于2%。
6.根據權利要求2所述的基于機器學習的在線預測鍛件溫度的方法,其特征在于,在步驟12中,將數據集進行歸一化處理,數據集的85%作為訓練集、15%作為測試集,神經網絡輸入層節點個數依據訓練集中輸入參數個數動態調整,神經網絡輸出層節點個數依據訓練集中輸出參數個數動態調整,隱含層為3層,每層隱含層包括10個神經元,傳遞函數為sigmoid函數,損失函數為均方差損失函數mse:
7.根據權利要求1-6任一項所述的基于機器學習的在線預測鍛件溫度的方法,其特征在于,鍛件溫度預測模型根據鍛造參數數據得到溫度預測曲線。
8.根據權利要求7所述的基于機器學習的在線預測鍛件溫度的方法,其特征在于,在步驟b中,鍛造工藝參數中鍛造時間的時間序列計算方法為:
9.根據權利要求8所述的基于機器學習的在線預測鍛件溫度的方法,其特征在于,在步驟b中,通過傳感器采集的壓頭速度數據實時計算鍛造需要的時間并得到當前時間數組,然后將當前時間數組與歷史數據中的時間數組進行拼接,拼接后與其他參數拼接作為輸入數據,對溫度預測曲線進行更新。