鍛造7050鋁合金力學(xué)性能的RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

李曉強(qiáng) 杜長(zhǎng)林 王 俊 宋 澗 單秀峰 嚴(yán) 俊

鍛造7050鋁合金力學(xué)性能的RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

李曉強(qiáng) 杜長(zhǎng)林 王 俊 宋 澗 單秀峰 嚴(yán) 俊

（上海航天動(dòng)力技術(shù)研究所，上海 200000）

針對(duì)7050鋁合金鍛造后力學(xué)性能難以預(yù)測(cè)的特點(diǎn)，提出一種基于徑向基函數(shù)（RBF）的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。該模型以7050鋁合金鍛造工藝參數(shù)為輸入層，力學(xué)性能為輸出層，利用樣本數(shù)據(jù)訓(xùn)練模型后進(jìn)行7050鋁合金鍛件力學(xué)性能預(yù)測(cè)。實(shí)驗(yàn)結(jié)果表明，RBF神經(jīng)網(wǎng)絡(luò)在鍛造7050鋁合金力學(xué)性能的預(yù)測(cè)過(guò)程中收斂性良好、預(yù)測(cè)精度高，相對(duì)誤差不超過(guò)6%；相較于BP神經(jīng)網(wǎng)絡(luò)，RBF神經(jīng)網(wǎng)絡(luò)具有更高的預(yù)測(cè)精度。該模型可以對(duì)7050鋁合金的鍛造生產(chǎn)過(guò)程起到良好的指導(dǎo)作用。

RBF神經(jīng)網(wǎng)絡(luò)；鍛造工藝參數(shù)；7050鋁合金；力學(xué)性能

1 引言

7050系鋁合金作為鋁合金中最優(yōu)良的系列之一，在加工性能，強(qiáng)度、斷裂韌性、抗剝落腐蝕性、抗疲勞性、抗應(yīng)力腐蝕開(kāi)裂能力等方面均表現(xiàn)良好，所以被廣泛地應(yīng)用于航空航天、機(jī)械設(shè)備、軌道交通、汽車制造業(yè)等領(lǐng)域。國(guó)內(nèi)外許多學(xué)者對(duì)7050鋁合金進(jìn)行過(guò)研究，如中南大學(xué)趙久輝等人設(shè)計(jì)了7050鋁合金的等溫模鍛坯料，通過(guò)改進(jìn)坯料尺寸獲得性能更好的鍛件；山東大學(xué)的徐瀟等人研究了7050鋁合金的鍛造工藝及材料變形規(guī)律；還有鄭州大學(xué)的鄭山紅、河北工程大學(xué)的崔振華、湖南大學(xué)的袁武華等人皆對(duì)7050鋁合金的加工及其性能進(jìn)行了研究。本文的研究基礎(chǔ)立于7050鋁合金的鍛造加工，鍛造工藝參數(shù)與鍛件的性能有著密切聯(lián)系，常用的回歸方程與公式很難全面地表達(dá)出它們之間的聯(lián)系。將神經(jīng)網(wǎng)絡(luò)用于生產(chǎn)制造質(zhì)量控制是智能制造的主流趨勢(shì)，國(guó)內(nèi)也有較多的學(xué)者對(duì)生產(chǎn)加工過(guò)程中的神經(jīng)網(wǎng)絡(luò)進(jìn)行研究，如中北大學(xué)的佘勇等人通過(guò)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)和控制了強(qiáng)力旋壓的成形質(zhì)量，山東理工大學(xué)趙傳營(yíng)等人通過(guò)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)和控制了磁粒研磨TC4材料的成形質(zhì)量，這都是將神經(jīng)網(wǎng)絡(luò)用于實(shí)際生產(chǎn)的成功案例。本文將RBF神經(jīng)網(wǎng)絡(luò)引入7050鋁合金的鍛造加工領(lǐng)域，選取變形率、鍛造溫度、鍛造速率與固溶時(shí)間作為此次7050鋁合金鍛造試驗(yàn)的輸入工藝參數(shù)，選取7050鋁合金鍛件的延伸率、抗拉強(qiáng)度與布氏硬度作為輸出性能指標(biāo)，建立RBF神經(jīng)網(wǎng)絡(luò)模型，為7050鋁合金鍛件的質(zhì)量控制和工藝參數(shù)優(yōu)化提供指導(dǎo)。

2 RBF神經(jīng)網(wǎng)絡(luò)模型建立

影響7050鋁合金鍛件力學(xué)性能的工藝參數(shù)有很多，在本次的研究中選取較為重要且方便控制的四個(gè)工藝參數(shù)（變形率、鍛造溫度、鍛造速率和固溶時(shí)間）為輸入層神經(jīng)元；選取7050鋁合金鍛件性能的預(yù)測(cè)指標(biāo)（延伸率、抗拉強(qiáng)度和布氏硬度）為輸出層神經(jīng)元，建立的RBF神經(jīng)網(wǎng)絡(luò)模型如圖1所示。

圖1 RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

2.1 神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本建立

本次鍛造試驗(yàn)采用的合金材料為7050鋁合金鑄錠，其化學(xué)成分如表1所示。

表1 7050鋁合金化學(xué)成本含量

本次試驗(yàn)所采用的液壓機(jī)型號(hào)為YQZ23-200T。鍛造工藝參數(shù)選取變形率、鍛造溫度、鍛造速率、固溶時(shí)間，各工藝參數(shù)分別選取四個(gè)水平，其中變形率取35%、42%、49%、56%；鍛造溫度取300℃、350℃、400℃、450℃；鍛造速率取5mm/s、8mm/s、11mm/s、14mm/s；固溶時(shí)間取1h、1.5h、2h、2.5h，選取不同的工藝參數(shù)水平組合，在不同的工藝參數(shù)組合下進(jìn)行7050鋁合金的鍛壓試驗(yàn)。試驗(yàn)結(jié)束后，待鍛件冷卻，在7050鋁合金鍛件上取樣，并按GB6397—86標(biāo)準(zhǔn)加工成如圖2所示的標(biāo)準(zhǔn)拉伸試件，按照GB/T228.1—2010標(biāo)準(zhǔn)在微機(jī)控制彈簧試驗(yàn)機(jī)上進(jìn)行延伸率與抗拉強(qiáng)度測(cè)試；按GB/T231.4—2009金屬材料布氏硬度的試驗(yàn)方案進(jìn)行鍛件布氏硬度的測(cè)量，如表2所示。

圖2 標(biāo)準(zhǔn)拉伸試件

表2 鍛造7050鋁合金力學(xué)性能試驗(yàn)樣本

續(xù)表

從表2中的訓(xùn)練樣本數(shù)據(jù)可以看出，各參數(shù)之間的量級(jí)存在較大的差異，且參數(shù)的單位指標(biāo)也不同，為了得到更加精確的RBF神經(jīng)網(wǎng)絡(luò)模型，在進(jìn)行樣本數(shù)據(jù)訓(xùn)練時(shí)需要對(duì)表2中的訓(xùn)練樣本數(shù)據(jù)進(jìn)行無(wú)量綱歸一化處理。如式（1）所示，本文采用最大最小法進(jìn)行歸一化處理。

式中：為同一參數(shù)列中的最大值；為同一參數(shù)列中的最小值。

2.3 神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練

對(duì)樣本數(shù)據(jù)的訓(xùn)練程度決定了神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果的精確程度。本文的神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過(guò)程中，在MATLAB軟件中采用interp2內(nèi)插值函數(shù)對(duì)訓(xùn)練樣本進(jìn)行多次插值訓(xùn)練，將訓(xùn)練樣本的數(shù)據(jù)范圍擴(kuò)大到80組。在MATLAB軟件的神經(jīng)網(wǎng)絡(luò)工具箱中選用newrbe函數(shù)建立一個(gè)RBF神經(jīng)網(wǎng)絡(luò)模型，在newrbe函數(shù)神經(jīng)網(wǎng)絡(luò)中進(jìn)行設(shè)置，將輸入層的節(jié)點(diǎn)數(shù)設(shè)置為4，輸出層的節(jié)點(diǎn)數(shù)設(shè)置為3，隱含層的節(jié)點(diǎn)數(shù)通過(guò)newrbe函數(shù)自動(dòng)計(jì)算設(shè)置；選用radbas函數(shù)作為神經(jīng)網(wǎng)絡(luò)模型的傳遞函數(shù)。在RBF函數(shù)的模型設(shè)置中，閥值和擴(kuò)展系數(shù)spread值是最重要的兩個(gè)參數(shù)，閥值的大小直接決定著徑向基神經(jīng)元對(duì)輸入層向量產(chǎn)生相應(yīng)的區(qū)域，擴(kuò)展系數(shù)spread值的大小對(duì)RBF徑向神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度也會(huì)造成很大影響，過(guò)小的spread值會(huì)造成神經(jīng)元數(shù)量的增加，使整個(gè)適應(yīng)過(guò)程變得緩慢，過(guò)大的spread值雖然可以使預(yù)測(cè)模型的擬合曲線光滑，但是過(guò)大的spread值也會(huì)造成模型的計(jì)算量增加，增加計(jì)算難度。本次試驗(yàn)通過(guò)試湊法將spread值確定為18。

3 模型分析驗(yàn)證

用表2中17～21組7050鋁合金鍛件力學(xué)性能數(shù)據(jù)預(yù)測(cè)分析訓(xùn)練好的RBF神經(jīng)網(wǎng)絡(luò)模型，在MATLAB中將測(cè)試樣本的鍛造工藝參數(shù)輸入RBF神經(jīng)網(wǎng)絡(luò)模型中后運(yùn)行，得到力學(xué)性能的預(yù)測(cè)結(jié)果。將預(yù)測(cè)結(jié)果與實(shí)際結(jié)果對(duì)比分析，如表3所示。為更直觀地體現(xiàn)預(yù)測(cè)值與實(shí)際值之間的差異，將表3中RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值與實(shí)際值做成折線圖，如圖3所示。從圖中可以看出，鍛造7050鋁合金的RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值與實(shí)際值差距較小，具有較好的吻合度，所以使用RBF神經(jīng)網(wǎng)絡(luò)可以對(duì)7050鋁合金的鍛造力學(xué)性能實(shí)現(xiàn)一個(gè)較好的預(yù)測(cè)。從圖中的相對(duì)誤差分可知，延伸率的相對(duì)誤差最大為5.36%，最小為3.42%，平均相對(duì)誤差4.63%；抗拉強(qiáng)度的相對(duì)誤差最大為3.54%，最小為0.37%，平均相對(duì)誤差2.25%；布氏硬度的相對(duì)誤差最大為5.64%，最小為3.12%，平均相對(duì)誤差4.19%；所以，RBF神經(jīng)網(wǎng)絡(luò)對(duì)預(yù)測(cè)7050鋁合金鍛件力學(xué)性能的收斂程度較高，預(yù)測(cè)結(jié)果精度較高，最大相對(duì)誤差可以控制在6%以內(nèi)。

表3 鍛造7050鋁合金RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值與實(shí)際值對(duì)比

圖3 RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值與實(shí)際值對(duì)比

4 穩(wěn)健設(shè)計(jì)優(yōu)化

在神經(jīng)網(wǎng)絡(luò)模型中，還存在一種多層前饋神經(jīng)網(wǎng)絡(luò)，BP神經(jīng)網(wǎng)絡(luò)的主要特點(diǎn)是目標(biāo)信號(hào)向前傳遞，誤差信號(hào)反向傳遞。本文建立4-12-3的3層BP神經(jīng)網(wǎng)絡(luò)，數(shù)據(jù)訓(xùn)練樣本采用與表1中RBF神經(jīng)網(wǎng)絡(luò)相同的訓(xùn)練樣本；在MATLAB軟件中采用traingd函數(shù)對(duì)訓(xùn)練樣本進(jìn)行訓(xùn)練，經(jīng)過(guò)多次迭代后模型收斂，用訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)模型對(duì)測(cè)試樣本進(jìn)行預(yù)測(cè)，并計(jì)算預(yù)測(cè)值與實(shí)際值之間的相對(duì)誤差，結(jié)果如圖4所示。分析可知，采用BP神經(jīng)網(wǎng)絡(luò)對(duì)鍛造7050鋁合金力學(xué)性能進(jìn)行預(yù)測(cè)，延伸率的相對(duì)誤差最大為6.1%，最小為4.52%，平均相對(duì)誤差5.48%；抗拉強(qiáng)度的相對(duì)誤差最大為4.21%，最小為3.32%，平均相對(duì)誤差3.79%；布氏硬度的相對(duì)誤差最大為6.23%，最小為4.25%，平均相對(duì)誤差5.17%。以上結(jié)果顯示：無(wú)論是最大值、最小值，還是平均值，BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度都要低于RBF神經(jīng)網(wǎng)絡(luò)。

圖4 BP神經(jīng)網(wǎng)絡(luò)的相對(duì)誤差

4 結(jié)束語(yǔ)

a. RBF神經(jīng)網(wǎng)絡(luò)模型對(duì)鍛造7050鋁合金有良好的預(yù)測(cè)能力，可以較為準(zhǔn)確地反應(yīng)鍛造工藝參數(shù)與鍛件力學(xué)性能之間的非線性關(guān)系，其預(yù)測(cè)值與實(shí)際值之間的相對(duì)誤差小于6%，可以對(duì)實(shí)際的7050鋁合金鍛造工藝起到較為準(zhǔn)確的預(yù)測(cè)作用，為實(shí)際的鍛造生產(chǎn)過(guò)程提供相應(yīng)的優(yōu)化與指導(dǎo)。

b. RBF神經(jīng)網(wǎng)絡(luò)相比BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程的穩(wěn)定性更高，收斂程度更高，預(yù)測(cè)結(jié)果也更精確。所以，在實(shí)際的7050鋁合金鍛造生產(chǎn)過(guò)程中采用RBF神經(jīng)網(wǎng)絡(luò)的優(yōu)化和指導(dǎo)效率更高，結(jié)果也更準(zhǔn)確。

1 李兵，李忠文，劉偉，等. 7050鋁合金熱變形程度對(duì)再結(jié)晶及其性能的影響[J]. 鍛壓技術(shù)，2017，42(12)：128～134

2 Heinz A, Haszler A, Keidel C, et al. Recent development in aluminium alloys for aerospace applications[J]. Materials Science & Engineering A, 2000, 280(1): 102～107

3 Williams J C, Jr E S. Progress in structural materials for aerospace systems[J]. Acta Materialia, 2003, 51(19): 5775～5799

4 趙久輝，張勁，陳明安，等. 7050鋁合金等溫模鍛坯料設(shè)計(jì)[J]. 鍛壓技術(shù)，2017，42(4)：8～13

5 徐瀟，楊昭，程仁策，等. 高速列車鋁合金軸箱體鍛造工藝設(shè)計(jì)及材料變形規(guī)律[J]. 鍛壓技術(shù)，2018，43(1)：14～19.

6 鄭山紅. 雙級(jí)蠕變時(shí)效含鈧7050合金的硬化行為、力學(xué)性能及耐蝕性研究[D]. 鄭州：鄭州大學(xué)，2019

7 崔振華，劉曉艷，劉彥鵬，等. 時(shí)效處理對(duì)7050鋁合金組織與性能的影響[J]. 河北工程大學(xué)學(xué)報(bào)（自然科學(xué)版），2019，36(3)：101～105

8 張福全，王祥，袁武華，等. 固溶時(shí)間對(duì) 7050 鋁合金組織和性能的影響[J]. 湖南大學(xué)學(xué)報(bào)（自然科學(xué)版），2018，45(12)：11～14

9 佘勇，占剛，樊文欣，等. 基于遺傳算法的強(qiáng)力旋壓連桿襯套工藝參數(shù)多目標(biāo)優(yōu)化[J]. 鍛壓技術(shù)，2019，44(12)：187～191

10 趙傳營(yíng)，趙玉剛，劉寧，等. 基于神經(jīng)網(wǎng)絡(luò)遺傳算法的磁粒研磨TC4材料工藝參數(shù)優(yōu)化[J]. 表面技術(shù)，2020，49(2)：316～321

11 佘勇，樊文欣，陳東寶，等. 基于 RBF 神經(jīng)網(wǎng)絡(luò)的強(qiáng)力旋壓連桿襯套力學(xué)性能預(yù)測(cè)研究[J]. 鍛壓技術(shù)，2016，41(6)：128～133

12 高立，樊文欣，馬學(xué)軍，等. 基于 RBF 神經(jīng)網(wǎng)絡(luò)的強(qiáng)力旋壓連桿襯套成形質(zhì)量預(yù)測(cè)研究[J]. 鍛壓技術(shù)，2015，40(9)：134～138

13 張濤，樊文欣，朱芹，等. 基于BP神經(jīng)網(wǎng)絡(luò)的連桿襯套強(qiáng)力旋壓回彈量預(yù)測(cè)[J]. 特種鑄造及其有色合金，2017，37(4)：380～382

Prediction of Mechanical Properties of Forged 7050 Aluminum Alloy Based on RBF Neural Network

Li Xiaoqiang Du Changlin Wang Jun Song Jian Shan Xiufeng Yan Jun

(Shanghai Space Propulsion Technology Research Institute, Shanghai 200000)

In view of the fact that’s difficult to predict the mechanical properties of 7050 aluminum alloy after forging, a network prediction model based on radial basis function (RBF) is proposed. The model takes 7050 aluminum alloy forging process parameters as input layer and mechanical properties as output layer, and the mechanical properties of aluminum alloy forging were predicted after the model was trained with sample date. The experimental results show that RBF neural network has good convergence and high accuracy in the prediction process of mechanical properties of forged 7050 aluminum alloy, and the relative error is less than 6%; compared with BP neural network has higher prediction accuracy. The model can play a good role in guiding the forging process of 7050 aluminum alloy.

neural network (RBF)；forging process parameters；7050 aluminum alloy；mechanical properties

TG316

A

李曉強(qiáng)（1991），碩士，機(jī)械工程專業(yè)；研究方向：先進(jìn)材料制造。

2021-04-08