基于正交實驗和數(shù)據(jù)驅(qū)動的噴丸表面完整性參數(shù)預測

吳少杰，劉懷舉，張仁華，張秀華，葛一波

表面強化技術(shù)

基于正交實驗和數(shù)據(jù)驅(qū)動的噴丸表面完整性參數(shù)預測

吳少杰1，劉懷舉1，張仁華1，張秀華1，葛一波2

（1.重慶大學 機械傳動國家重點實驗室，重慶 400044；2.上海恩太設備技術(shù)有限公司，上海 201806）

探究噴丸工藝參數(shù)對18CrNiMo7-6滾子表面完整性的影響規(guī)律，得到噴丸工藝參數(shù)與表面完整性的映射關系，提高噴丸工藝的質(zhì)量與效率。運用Python語言對Abaqus進行二次開發(fā)，建立噴丸仿真的隨機多彈丸模型并進行了試驗驗證。設計正交實驗研究噴射角度、噴射速度、彈丸直徑、覆蓋率及彈丸類型對殘余應力與表面粗糙度的影響規(guī)律，并用隨機森林算法得到各個工藝參數(shù)對噴丸綜合效果的重要度值。以噴射角度、噴射速度、彈丸直徑、覆蓋率、彈丸類型、距表面深度為輸入，殘余應力和表面粗糙度為輸出，建立基于神經(jīng)網(wǎng)絡的噴丸表面完整性參數(shù)預測模型。通過正交實驗分析得到彈丸直徑和噴射速度對表面粗糙度有顯著影響。各個噴丸工藝參數(shù)對18CrNiMo7-6滾子的噴丸綜合效果的重要度依次為：噴射角度0.249，噴射速度0.224，彈丸類型0.193，覆蓋率0.173，彈丸直徑0.161。在各個工藝參數(shù)范圍內(nèi)，較優(yōu)的工藝參數(shù)組合為：噴射角度90°，噴射速度80 m/s，彈丸直徑0.7 mm，覆蓋率300%，彈丸材料為鑄鋼丸?；谏窠?jīng)網(wǎng)絡的噴丸表面完整性參數(shù)預測模型的平均相對誤差低于7%?；谏窠?jīng)網(wǎng)絡的噴丸表面完整性參數(shù)預測模型可以較準確地表示噴丸工藝參數(shù)與表面完整性參數(shù)之間的映射關系，能夠為噴丸工藝提供相關參考。

噴丸強化；殘余應力；表面粗糙度；正交實驗；數(shù)據(jù)驅(qū)動；有限元仿真

隨著航空航天、風電、船舶、高鐵等重大裝備向著長壽命、高可靠性方向發(fā)展，對以齒輪為代表的關鍵零部件表面質(zhì)量提出更高的要求。噴丸作為一種表面強化技術(shù)，具有強化效果顯著、適應面廣、能耗低等特點，廣泛應用于齒輪等重要零部件的表面強化。噴丸強化是一種金屬表面冷加工工藝，其原理為高速噴射的丸流撞擊金屬零件表面，使其產(chǎn)生塑性變形，從而在零件表層引入殘余壓應力并改善表層組織結(jié)構(gòu)，使零件產(chǎn)生組織強化和應力強化，提高零件的抗疲勞性能[1-3]。

國內(nèi)外學者為探究噴丸工藝參數(shù)與表面完整性參數(shù)間的關聯(lián)規(guī)律進行了大量的試驗與仿真研究。許科飛等[4]研究了不同噴丸工藝參數(shù)對齒輪表面完整性的影響，發(fā)現(xiàn)提高噴丸覆蓋率可以降低表面粗糙度及提高齒根表面的殘余壓應力。Nordin等[5]研究了噴丸工藝參數(shù)對表面硬化齒輪鋼表面粗糙度的影響，在給定噴丸強度下，隨著覆蓋率的增大，表面粗糙度會增加，達到一定覆蓋率后，粗糙度隨覆蓋率的增加而減小。Seki等[6]研究發(fā)現(xiàn)噴丸處理提高了齒輪的硬度、殘余壓應力及表面耐久性。Iida等[7]對比了鋼丸和玻璃丸的噴丸效果，得出使用鑄鋼丸可以得到更大的表面殘余壓應力和表面硬度。Unal等[8]研究劇烈噴丸對AISI 1017鋼的影響，得出表面硬度隨噴丸強度的降低而減小，且在200 μm后，劇烈噴丸的效果消失。何嘉禧等[9]通過數(shù)值模擬研究了噴射速度、彈丸直徑及覆蓋率對二次噴丸后的殘余應力、表面粗糙度的影響，發(fā)現(xiàn)提高二次噴丸的覆蓋率可顯著降低表面粗糙度。Wu等[10]通過實驗與仿真研究覆蓋率對殘余應力及表面粗糙度的影響，實測殘余應力和表面粗糙度與有限元仿真的誤差在18%以內(nèi)。Lin等[11]建立了一個包含位錯密度本構(gòu)方程的隨機多彈丸模型，研究噴射速度、覆蓋率及二次噴丸對殘余應力、表面粗糙度和位錯胞尺寸的影響。在實際噴丸過程中，影響殘余應力、表面粗糙度等表面完整性參數(shù)的工藝參數(shù)眾多，表面完整性參數(shù)與噴丸工藝參數(shù)間存在復雜的非線性關系，噴丸試驗費時費力，噴丸工藝參數(shù)選取依賴經(jīng)驗。因此，需要探究噴丸工藝參數(shù)與表面完整性參數(shù)間的對應關系，以指導噴丸工藝。

為了探究噴丸工藝參數(shù)與表面完整性參數(shù)間的對應關系，實現(xiàn)表面完整性參數(shù)的預測，Miao等[12]基于Hertz理論、Zarka彈塑性理論，采用解析法得到噴射速度、彈丸直徑與Almen強度的關系式，并對殘余應力進行預測。李金魁等[13]通過引入無量綱彈痕直徑參數(shù)，推導殘余壓應力場與無量綱彈痕直徑的關系式，實現(xiàn)了不同材料的殘余應力預測。陳家偉 等[14]基于有限元仿真和響應面法，得到鋁合金的表面殘余應力和變形與噴丸工藝參數(shù)間的對應關系。這種基于物理模型的表面完整性預測公式繁瑣，試驗復雜且工作量大。而基于神經(jīng)網(wǎng)絡的數(shù)據(jù)驅(qū)動方法無需知道噴丸具體作用機理，根據(jù)已有的噴丸工藝數(shù)據(jù)進行學習，可以對表面完整性參數(shù)進行預測，已被廣泛用于機械零部件的壽命預測[15-16]、故障診斷[17]研究。目前采用神經(jīng)網(wǎng)絡研究噴丸工藝參數(shù)對表面完整性參數(shù)影響規(guī)律的研究較少。本文運用Python語言對Abaqus進行二次開發(fā)，建立噴丸仿真的隨機多彈丸模型并進行了試驗驗證，設計正交實驗進行有限元仿真，研究噴射角度、噴射速度、彈丸直徑、覆蓋率、彈丸類型對18CrNiMo7-6滾子的噴丸綜合效果的影響；建立基于神經(jīng)網(wǎng)絡的噴丸表面完整性參數(shù)預測模型，探究噴丸工藝參數(shù)與表面完整性參數(shù)間的映射關系，實現(xiàn)表面完整性參數(shù)的快速預測，提高噴丸的質(zhì)量與效率，為噴丸工藝人員提供相關參考。

1 研究方法

1.1 正交實驗設計

正交實驗是目前常用的試驗優(yōu)化分析方法[18]，利用標準化正交表安排噴丸工藝方案，對表面完整性參數(shù)結(jié)果進行極差分析，得出較優(yōu)噴丸工藝參數(shù)組合。噴丸強度作為評價噴丸效果的一個重要指標，其大小直接影響殘余壓應力場、表面粗糙度等表面完整性參數(shù)，進而影響零部件的疲勞性能。在實際噴丸工藝中，鑄鋼丸與鋼絲切丸常用于齒輪等零部件的噴丸處理，噴丸強度與噴射速度呈線性關系[19]。噴丸覆蓋率[20]是指噴丸后零件表面凹坑面積占總面積的百分比。通過阿夫拉米公式[21]計算特定覆蓋率下所需的彈丸數(shù)量，如公式（1）所示。其中，為覆蓋率，表示彈痕半徑（mm），為彈丸數(shù)量。

本文選取彈丸直徑（）、噴射角度（）、噴射速度（）、覆蓋率（）、彈丸類型（M）5個因素。其中，彈丸直徑為4水平，取值為0.5、0.6、0.7、0.8 mm；噴射角度為4水平，取值為45°、60°、 75°、90°；噴射速度為4水平，取值為60、80、100、120 m/s[22]；覆蓋率為3水平，取值為100%、200%、300%[23]；彈丸類型為3水平，取為鑄鋼丸（ZG）、鋼絲切丸（CW）、高硬度鋼絲切丸（HCW）。由于本噴丸工藝試驗各因素的水平數(shù)不相等，為混合水平的多因素試驗，采用擬水平法進行處理[24]。將覆蓋率的水平4用水平1替換，彈丸類型的水平4用水平1替換。噴丸工藝正交實驗因素水平如表1所示。

表1 噴丸工藝正交實驗因素水平

Tab.1 Orthogonal experimental factor levels for shot peening process

確定好噴丸工藝正交實驗的因素和水平數(shù)之后，利用統(tǒng)計分析軟件Minitab進行混合水平的多因素實驗設計。為了彈丸類型表示方便，將鑄鋼丸用1表示，鋼絲切丸用2表示，高硬度鋼絲切丸用3表示，最終的噴丸工藝正交實驗方案如表2所示。

表2 噴丸工藝正交實驗方案

Tab.2 Orthogonal experiment scheme of shot peening process

1.2 隨機多彈丸噴丸有限元模型

在有限元商業(yè)軟件Abaqus中建立一長寬高分別為5 mm×5 mm×5 mm的小方塊來模擬18CrNiMo7-6滾子的噴丸過程。在噴丸強化過程中，在彈丸的撞擊下，靶體表層發(fā)生彈塑性變形，靶體選用隨動強化本構(gòu)模型[23]；鑄鋼丸、鋼絲切丸、高硬度鋼絲切丸的本構(gòu)模型均為各向同性，彈丸和靶體的力學性能參數(shù)如表3所示。為了減少計算量，在小方塊的中心位置分割一個1 mm×1 mm×1 mm的正方體來作為噴丸區(qū)域，并加密網(wǎng)格，保證模型的計算精度。為減小模型邊界上的應力波反射對仿真結(jié)果造成的影響，把模型邊界處單元類型設置為無限單元（CIN3D8）。模型噴丸區(qū)域單元類型為C3D8R，模型噴丸區(qū)域與邊界的過渡區(qū)域單元類型為C3D8R，噴丸區(qū)域網(wǎng)格大小為20 μm。彈丸與靶體之間的切向摩擦設置為罰函數(shù)（penalty），摩擦系數(shù)為0.2[25]，法向行為設置為“硬接觸”[26]。模型建立好后，選用ABAQUS/Explicit求解器的顯示時間積分算法進行求解，建立的隨機多彈丸有限元模型如圖1所示。

為了驗證隨機多彈丸噴丸有限元模型的正確性，采用氣動式噴丸機（Peentech，MT25-G80IIE/1/R）對18CrNiMo7-6材料制造的滾子進行噴丸試驗。彈丸采用直徑為0.6 mm的鋼絲切丸，其硬度為55~62HRC，氣壓為0.5 MPa，噴嘴距待噴試件表面200 mm，噴槍移動速度為167.8 mm/min，噴丸流量為8 kg/min，噴射角度為90°，覆蓋率為200%。由于在噴丸過程中噴丸速度不能直接測量，噴丸速度通過氣壓、噴丸流量、彈丸直徑之間的公式（2）[28]計算得到。在上述工藝參數(shù)下，通過公式（2）計算的速度為56.4 m/s。

表3 彈丸和靶體的力學性能參數(shù)

Tab.3 Mechanical property parameters of shot and target

圖1 隨機多彈丸有限元模型

采用LXRD型X射線應力測試儀（Cr靶，衍射角2為156.3°，電壓為30 kV，電流為25 mA）測量殘余應力，如圖2所示。用飽和食鹽水對試件進行電解拋光，完成沿深度方向的殘余應力測量。一般殘余壓應力影響層深約為0.15~0.3 mm[29]，故取0~0.25 mm深度下的殘余應力值。測量的殘余應力結(jié)果與仿真值對比如圖3所示?？梢钥闯?，試驗的表面殘余壓應力值、最大殘余壓應力值分別為–706、–1078 MPa；隨機多彈丸有限元模型仿真的表面殘余壓應力值、最大殘余壓應力值分別為–609、–1020 MPa；相對誤差分別為13.7%、5.4%。有限元仿真值與試驗值吻合較好，可以驗證隨機多彈丸噴丸有限元模型的正確性。

采用多功能摩擦磨損試驗臺（RTEC MFT-5000）中的表面形貌測量模塊（白光干涉儀）對上述噴丸后滾子的表面粗糙度進行測量，以進一步驗證隨機多彈丸有限元模型的正確性。在測量過程中，選用10×的放大倍數(shù)進行觀察和測量。由于所測量滾子的幾何形狀是弧形，為了消除宏觀曲率半徑的影響，對初始測量的表面形貌數(shù)據(jù)進行處理，以獲得平整的表面形貌數(shù)據(jù)，測量的三維表面形貌如圖4所示。試驗測量的表面粗糙度值為2.04 μm，隨機多彈丸有限元仿真的表面粗糙度值為2.30 μm，表面粗糙度仿真值與試驗值的誤差小于0.3 μm，仿真值與試驗值吻合較好。

圖2 殘余應力測試

圖3 殘余應力仿真值與試驗值對比

1.3 噴丸性能預測的GA-BP神經(jīng)網(wǎng)絡模型

本文以彈丸直徑、覆蓋率、噴射速度、噴射角度、彈丸類型和距表面深度為模型的輸入?yún)?shù)，殘余應力及表面粗糙度為輸出參數(shù)，則模型的輸入層節(jié)點數(shù)為6，輸出層節(jié)點數(shù)為2，神經(jīng)網(wǎng)絡的隱藏層取2[30]，將有限元仿真所得到的數(shù)據(jù)按照3∶1的比例隨機劃分為訓練集和測試集。噴丸表面完整性參數(shù)預測的神經(jīng)網(wǎng)絡結(jié)構(gòu)拓撲圖如圖5所示。

圖4 表面形貌測量結(jié)果

圖5 噴丸性能預測的GA-BP神經(jīng)網(wǎng)絡結(jié)構(gòu)圖

采用遺傳算法（Genetic Algorithms，GA）[32]對噴丸強化性能預測的BP神經(jīng)網(wǎng)絡模型初始權(quán)值和偏置進行優(yōu)化，以殘余應力、表面粗糙度的預測值和實際值之間的誤差平方和的倒數(shù)作為適應度函數(shù)，如公式（7）所示。采用實數(shù)編碼的方法對待優(yōu)化的參數(shù)進行編碼，編碼完成后，經(jīng)選擇、交叉、變異尋找出最優(yōu)數(shù)值，建立基于GA-BP神經(jīng)網(wǎng)絡的噴丸表面完整性參數(shù)預測模型。

2 結(jié)果及分析

2.1 噴丸仿真正交實驗結(jié)果

本文研究噴射角度、噴射速度、彈丸直徑、覆蓋率、彈丸類型對噴丸綜合效果的影響，有限元計算完成后的殘余應力云圖如圖6所示。可以看出，第4、8、12、16組的最大殘余應力分別為–1621、–1685、–1834、–1751 MPa，表面局部位置出現(xiàn)殘余拉應力，殘余壓應力分布不均勻，殘余應力沿深度方向有明顯的變化趨勢。

然后以平均應力法[20]求出殘余應力沿深度方向的殘余應力曲線，將每層表面節(jié)點的應力值取平均值作為該層的殘余應力值，以0.02 mm為一層，得到的殘余應力曲線如圖7所示。可以看出，從表面到0.1~0.2 mm的深度下，殘余壓應力逐漸增加到最大值，且隨著深度的增加，殘余壓應力逐漸增大，到0.25~0.35 mm深度位置，殘余壓應力消失并逐漸轉(zhuǎn)變?yōu)闅堄嗬瓚?，表層的殘余壓應力值為–459~–583 MPa，最大殘余壓應力為–919~–1022 MPa，彈丸直徑、噴射速度、覆蓋率和彈丸材料4個工藝參數(shù)一同影響著殘余應力結(jié)果。

圖6 4、8、12、16組殘余應力云圖

圖7 4、8、12、16組殘余應力曲線

提取噴丸區(qū)域的表面位移，采用三維表面粗糙度均方根偏差來作為表面粗糙度評價參數(shù)[33]。是衡量三維表面粗糙度的重要參數(shù)之一，計算式見式（8），其中為節(jié)點數(shù)目，Z為隨機多彈丸噴丸有限元模型向變形后的坐標位移。接觸表面微觀形貌可能利于潤滑油的存儲，但粗糙度過大會導致局部應力集中，從而影響表層和次表層材料的疲勞壽命[34]。

提取的表面粗糙度數(shù)據(jù)如圖8所示。其中第13組工藝參數(shù)為彈丸直徑0.8 mm、噴射角度45°、噴射速度120 m/s、覆蓋率200%、彈丸材料為高硬度鋼絲切丸，表面粗糙度達到最大，為4.71 μm；第1組工藝參數(shù)為彈丸直徑0.5 mm、噴射角度45°、噴射速度60 m/s、覆蓋率100 %、彈丸材料為鑄鋼丸，表面粗糙度最小，為1.4 μm?？梢钥闯觯S著彈丸直徑從0.5 mm變化到0.8 mm，噴丸速度從60 m/s增加到120 m/s，表面粗糙度從1.4 μm增加到4.71 μm，增加了2.36倍。彈丸直徑和噴射速度會顯著影響工件表面粗糙度，在實際工件噴丸過程中，應選用較小的彈丸直徑和噴射速度，以獲得較小的表面粗糙度，提高齒輪等零部件的疲勞壽命。

圖8 表面粗糙度Sq仿真值

在噴丸工藝中，表面殘余壓應力（srcs）、最大殘余壓應力（mcrs）、最大殘余壓應力深度（m）、殘余壓應力層深度（0）是工程中廣泛被關注的參數(shù)，可以預估噴丸效果[35]。表層和次表層的殘余壓應力可以抵消齒輪等零部件工作時由負載引起的拉應力，同時可以抑制疲勞裂紋的萌生和擴展[36]。表面粗糙度是影響齒輪潤滑、服役性能的重要參數(shù)，表面粗糙度過大導致應力集中，影響表層或次表層零件的疲勞壽命[37]。為評價各個工藝參數(shù)對噴丸綜合效果的影響，采用百分制加權(quán)綜合評分法[38]，如公式（9）所示，將表面粗糙度、表面殘余壓應力、最大殘余壓應力、殘余壓應力層深度、最大殘余壓應力深度5個參數(shù)進行歸一化，根據(jù)工程經(jīng)驗及5個參數(shù)對噴丸綜合效果的影響，分配給表面粗糙度、表面殘余壓應力、最大殘余壓應力、殘余壓應力層深度、最大殘余壓應力深度的權(quán)重分別為40%、20%、20%、10%、10%，計算的綜合評分如表4所示。其中，為加權(quán)后的綜合評分，b為各個參數(shù)的權(quán)重，Y為每個參數(shù)歸一化后的值，=1,2,3,4,5。

表4 噴丸工藝正交實驗結(jié)果

Tab.4 Orthogonal experiment results of shot peening process

在噴丸工藝參數(shù)的極差分析中，極差越大，表示該工藝參數(shù)對噴丸綜合效果的影響越顯著。極差分析的結(jié)果如表5所示?？梢钥闯觯鱾€噴丸工藝參數(shù)對18CrNiMo7-6滾子的綜合噴丸效果重要度依次為噴射角度、噴射速度、彈丸類型、覆蓋率、彈丸直徑，在各個工藝參數(shù)范圍內(nèi)，較優(yōu)的工藝參數(shù)組合為：噴射角度90°，噴射速度80 m/s，彈丸直徑0.7 mm，覆蓋率300%，彈丸類型為鑄鋼丸。為了進一步量化各個工藝參數(shù)對噴丸綜合效果的重要度，采用隨機森林算法對工藝參數(shù)重要度進行評價。隨機森林（Random Forest，RF）是以決策樹為基學習器的集成學習算法，具有預測準確率高、泛化能力強的優(yōu)點，可用于分類和回歸分析，同時給出特征的重要度[40]。隨機森林根據(jù)平均基尼指數(shù)（Mean Decrease Gini，MDG）和平均下降精度（Mean Decrease Accuracy，MDA）兩種算法對噴丸工藝參數(shù)的重要度進行評價。由于隨機森林的雙重隨機機制，僅使用屬性在隨機森林決策樹中的出現(xiàn)頻率來體現(xiàn)特征重要性不可取[41]，導致基于平均基尼指數(shù)的重要度分析方法精度較差。為了評價不同工藝參數(shù)對噴丸綜合效果的重要度，本文選用平均下降精度進行特征重要性分析，重要性評分（Variable Importance Measure，VIM）公式如式（11）所示。

表5 噴丸綜合評分結(jié)果極差分析

Tab.5 Range analysis of shot peening comprehensive score results

2.2 噴丸強化GA-BP神經(jīng)網(wǎng)絡預測結(jié)果

隱藏層神經(jīng)元節(jié)點個數(shù)對噴丸表面完整性參數(shù)預測模型的精度影響顯著。根據(jù)公式（3）初步確定隱藏層節(jié)點數(shù)范圍為4~12，以決定系數(shù)2為精度評價參數(shù)，運用試錯法得到噴丸表面完整性預測模型的精度隨隱藏層節(jié)點數(shù)的變化曲線，如圖9所示?？梢钥闯?，當節(jié)點數(shù)為4~6時，決定系數(shù)2隨著節(jié)點數(shù)的增加而增大，當節(jié)點數(shù)為6時，2最大，為0.9978，當節(jié)點數(shù)為7~12時，2逐漸減小，隨后穩(wěn)定在0.91左右。

由表2正交實驗方案共得到16組殘余應力曲線，其中試驗組數(shù)為2、8、11、15組的數(shù)據(jù)為測試集。

圖10a為第2組殘余應力有限元仿真值與神經(jīng)網(wǎng)絡預測值擬合圖。圖10b為有限元仿真值與神經(jīng)網(wǎng)絡預測值的對比圖?？梢钥闯?，殘余應力有限元仿真值與神經(jīng)網(wǎng)絡預測值吻合較好。

圖9 噴丸性能預測模型R2隨隱藏層節(jié)點數(shù)的變化

圖10 第2組測試集殘余應力神經(jīng)網(wǎng)絡預測值與有限元仿真值對比

計算了第2、8、11、15組測試集的表面殘余壓應力、最大殘余壓應力、殘余壓應力層深、最大殘余壓應力層深和表面粗糙度5個噴丸主要評價參數(shù)的神經(jīng)網(wǎng)絡預測值與有限元仿真值的相對誤差，結(jié)果如圖11所示。可以看出，最大殘余壓應力的相對誤差為0.41%~2.29%，測試集中最大相對誤差小于7%，預測結(jié)果的精度在噴丸工藝的可接受范圍內(nèi)。

噴丸表面完整性參數(shù)預測模型的精度評價參數(shù)有2、RMSE、MRE，以2為主要評價參數(shù)，預測模型精度評價如表6所示?？梢钥闯觯?組測試集的殘余應力決定系數(shù)（2）均大于0.99，平均相對誤差（MRE）均低于7%，其中第8組的預測精度最高，2為0.9967。采用4組測試集來驗證模型精度，說明預測模型的泛化能力及魯棒性，且在噴丸領域，此精度滿足工程需求，可以為噴丸工藝人員提供相關參考。

圖11 測試集神經(jīng)網(wǎng)絡預測值與有限元仿真值的相對誤差

表6 測試集的2、RMSE、MRE值

Tab.6 R2, RMSE and MRE values of the test sets

3 結(jié)論

1）噴丸各個工藝參數(shù)對18CrNiMo7-6滾子的綜合噴丸效果的重要度依次為噴射角度（0.249）、噴射速度（0.224）、彈丸類型（0.193）、覆蓋率（0.173）、彈丸直徑（0.161）。在各個工藝參數(shù)范圍內(nèi)，較優(yōu)的工藝參數(shù)組合為：噴射角度90°，噴射速度80 m/s，彈丸直徑0.7 mm，覆蓋率為300%，彈丸材料為鑄鋼丸。

2）基于GA-BP神經(jīng)網(wǎng)絡的噴丸表面完整性參數(shù)預測模型，殘余應力的決定系數(shù)2大于0.99，殘余應力和表面粗糙度的平均相對誤差均低于7%，此模型可以較準確地表示噴丸工藝參數(shù)與表面完整性參數(shù)之間的映射關系，預測精度滿足工程需求。

[1] TEKELI S. Enhancement of fatigue strength of SAE 9245 steel by shot peening[J]. Materials letters, 2002, 57(3): 604-608.

[2] TORRES M A S, VOORWALD H J C. An evaluation of shot peening, residual stress and stress relaxation on the fatigue life of AISI 4340 steel[J]. International journal of fatigue, 2002, 24(8): 877-886.

[3] 李行, 張繼旺, 易科尖, 等. 噴丸處理EA4T車軸鋼疲勞性能和殘余應力松弛行為研究[J]. 表面技術(shù), 2019, 48(10): 244-250.LI Xing, ZHANG Ji-wang, YI Ke-jian, et al. Fatigue pro-perties and residual stress relaxation behavior of shot pee-ned EA4T axle steel[J]. Surface technology, 2019, 48(10): 244-250.

[4] 徐科飛. 噴丸工藝對18CrNiMo7-6齒輪彎曲疲勞強度的影響研究[D]. 鄭州: 鄭州大學, 2016.XU Ke-fei. Study on effect of shot peening on bending fatigue strength of 18CrNiMo7-6 gear[D]. Zhengzhou:Zhengzhou University, 2016.

[5] NORDIN E, ALFREDSSON B. Experimental investiga-tion of shot peening on case hardened SS2506 gear steel [J]. Experimental techniques, 2017, 41(4): 433-451.

[6] SEKI M, YOSHIDA A, OHUE Y, et al. Influence of shot peening on surface durability of case-hardened steel gears [J]. Journal of advanced mechanical design systems and manufacturing, 2007, 1(4): 518-529.

[7] IIDA K, TOSHA K. Comparison between steel shot and glass shot on the peened surface and the surface layer[J]. Journal of the Japan Society for Precision Engineering, 1988, 54(5): 922-927.

[8] UNAL O, VAROL R. Almen intensity effect on microstr-u-cture and mechanical properties of low carbon steel sub-jected to severe shot peening[J]. Applied surface science, 2014, 290: 40-47.

[9] 何嘉禧, 汪舟, 甘進, 等. 二次噴丸42CrMo鋼表面完整性的數(shù)值模擬研究[J]. 表面技術(shù), 2020, 49(6): 216- 223. HE Jia-xi, WANG Zhou, GAN Jin, et al. Numerical simu-lation on surface integrity of 42CrMo steel after dual shot peening[J]. Surface technology, 2020, 49(6): 216-223.

[10] WU J Z, LIU H J, WEI P T, et al. Effect of shot peening coverage on residual stress and surface roughness of 18CrNiMo7-6 steel[J]. International journal of mechani-cal sciences, 2020, 183: 105785.

[11] LIN Q J, LIU H J, ZHU C C, et al. Effects of different shot peening parameters on residual stress, surface roug-hness and cell size[J]. Surface & coatings technology, 2020, 398: 126054.

[12] MIAO H Y, LAROSE S, PERRON C, et al. An analytical approach to relate shot peening parameters to almen int-ensity[J]. Surface & coatings technology, 2010, 205(7): 2055-2066.

[13] 李金魁, 姚枚, 王仁智. 度量噴丸強度的新參量[J]. 航空材料學報, 1989(4): 38-45.LI Jin-kui, YAO Mei, WANG Ren-zhi.A new parameter measuring shot peening intensity[J].Journal of aeronau-tical materials, 1989(4): 38-45.

[14] 陳家偉, 廖凱, 李立君, 等. 鋁合金噴丸工藝參數(shù)-表面特征值的函數(shù)關系與應用[J]. 表面技術(shù), 2019, 48(6): 212-220.CHEN Jia-wei, LIAO Kai, LI Li-jun, et al.Function rela-tionship between shot peening parameters and surface characteristic of Al-based alloy and application[J]. Sur-face technology, 2019, 48(6): 212-220.

[15] 裴洪, 胡昌華, 司小勝, 等. 基于機器學習的設備剩余壽命預測方法綜述[J]. 機械工程學報, 2019, 55(8): 1-13. PEI Hong, HU Chang-hua, SI Xiao-sheng, et al. Review of machine learning based remaining useful life predic-tion methods for equipment[J]. Journal of mechanical eng-ineering, 2019, 55(8): 1-13.

[16] QIN Y, XIANG S, CHAI Y, et al. Macroscopic-microscopic attention in LSTM networks based on fusion features for gear remaining life prediction[J]. IEEE transactions on industrial electronics, 2020, 67(12): 10865-10875.

[17] 溫江濤, 周熙楠. 模糊?；潜O(jiān)督學習結(jié)合隨機森林融合的旋轉(zhuǎn)機械故障診斷[J]. 機械科學與技術(shù), 2018, 37(11): 88-96. WEN Jiang-tao, ZHOU Xi-nan. Fault diagnosis of rotat-ing machinery in combination with unsupervised learning of fuzzy granulation and random forest fusion[J]. Mecha-nical science and technology for aerospace engineering, 2018, 37(11): 88-96.

[18] SINGH L, KHAN R A, AGGARWAL M L. Empirical modeling of shot peening parameters for welded auste-nitic stainless steel using grey relational analysis[J]. Jou-rnal of mechanical science & technology, 2012, 26(6): 1731-1739.

[19] K?NITZER A M, POLANETZKI H. Implementation of velocity measurement as intensity verification in produc-tion[C]//International conference on shot peening (ISCP- 11). Indiana South Bend: Shotpeener, 2011: 11-17.

[20] BAGHERIFARD S, GHELICHI R, GUAGLIANO M. On the shot peening surface coverage and its assessment by means of finite element simulation: A critical review and some original developments[J]. Applied surface sci-ence, 2012, 259: 186-194.

[21] KIRK D. Shot peening[J]. Aircraft engineering & aeros-pace technology, 1999, 71(4): 349-361.

[22] NORDIN E, ALFREDSSON B. Measuring shot peening media velocity by indent size comparison[J]. Journal of materials processing technology, 2016, 235: 143-148.

[23] SEDDIK R, BAHLOUL A, ATIG A, et al. A simple meth--odology to optimize shot-peening process parameters using finite element simulations[J]. International journal of adv-a-nced manufacturing technology, 2017, 90(5): 2345-2361.

[24] 楊德. 試驗設計與分析[M]. 北京: 中國農(nóng)業(yè)出版社, 2002: 194-196.YANG De.Design and analysis of experiments[M]. Beijing:Agricultural Press of China, 2002: 194-196.

[25] LIN Q J, LIU H J, ZHU C C, et al. Investigation on the effect of shot peening coverage on the surface integrity[J]. Applied surface science, 2019, 489: 66-72.

[26] 閆五柱, 張嘉振, 周振功. 噴丸過程中的摩擦影響研究[J]. 熱加工工藝, 2014, 43(18): 134-136.YAN Wu-zhu, ZHAGN Jia-zhen, ZHOU Zhen-gong.Study on friction during shot peening process[J].Hot working technology, 2014, 43(18): 134-136.

[27] WANG W, LIU H J, ZHU C C, et al. Evaluation of roll-ing contact fatigue of a carburized wind turbine gear con-sidering the residual stress and hardness gradient[J]. Jour-nal of tribology-transactions of the ASME, 2018, 140: 0614016.

[28] XIE L C, ZHANG J, XIONG C B, et al. Investigation on experiments and numerical modelling of the residual stress distribution in deformed surface layer of Ti-6Al-4V after shot peening[J]. Materials and design, 2012, 41: 314-318.

[29] VAARA J, KUNNARI A, FRONDDELIUS T. Literature review of fatigue assessment methods in residual stressed state[J]. Engineering failure analysis, 2020, 110: 104379.

[30] KOHLI A, DIXIT U S. A neural-network-based methodo-logy for the prediction of surface roughness in a turning process[J]. International journal of advanced manufactur-ing technology, 2005, 25(1-2): 118-129.

[31] NAGELKERKE N J D. A note on a general definition of the coefficient of determination[J].Biometrika, 1991, 78(3): 691-692.

[32] 李文龍, 陳燕, 趙楊, 等. 采用神經(jīng)網(wǎng)絡和遺傳算法優(yōu)化磁粒研磨TC4彎管工藝參數(shù)[J]. 表面技術(shù), 2020, 49(6): 330-336. LI Wen-long, CHEN Yan, ZHAO Yang, et al. Optimizing technological parameters of magnetite grinding TC4 elbow by neural network and genetic algorithms[J]. Surface tec-hnology, 2020, 49(6): 330-336.

[33] HU Z X, ZHU L, TENG J X, et al. Evaluation of three- dimensional surface roughness parameters based on digital image processing[J]. International journal of advanced manufacturing technology, 2009, 40(3-4): 342-348.

[34] ZHANG B Y, LIU H J, BAI H Y, et al. Ratchetting- multiaxial fatigue damage analysis in gear rolling contact considering tooth surface roughness[J]. Wear, 2019, 428- 429: 137-146.

[35] 朱鵬飛, 嚴宏志, 陳志, 等. 齒輪齒面噴丸強化研究現(xiàn)狀與展望[J]. 表面技術(shù), 2020, 49(4): 113-131.ZHU Peng-fei, YAN Hong-zhi, CHEN Zhi, et al. Research status and prospect of shot peening of gear tooth flanks[J]. Surface technology, 2020, 49(4): 113-131.

[36] 秦海迪, 張亞龍, 劉海鵬, 等. 噴丸對25CrNi2MoV鋼滾動接觸疲勞性能的影響[J]. 表面技術(shù), 2020, 49(5): 222-229. QIN Hai-di, ZHANG Ya-long, LIU Hai-peng, et al. Effect of shot peening on rolling contact fatigue properties of 25CrNi2MoV steel[J]. Surface technology, 2020, 49(5): 222-229.

[37] 周文龍, 呂成, 李燁, 等. 噴丸強度對316不銹鋼表面完整性及疲勞壽命的影響[J]. 表面技術(shù), 2020, 49(7): 230-237. ZHOU Wen-long, LYU Cheng, LI Ye, et al. Effect of shot peening intensity on surface integrity and fatigue life of 316 stainless steel[J]. Surface technology, 2020, 49(7): 230-237.

[38] 王利平, 王建明, 趙莉莉. 基于正交試驗法的噴丸工藝多目標參數(shù)優(yōu)化[J]. 現(xiàn)代制造工程, 2016(3): 110-114. WANG Li-ping, WANG Jian-ming, ZHAO Li-li. Multi- object optimization for the shot peening parameters based on orthogonal experiment method[J]. Modern manufactu-r-ing engineering, 2016(3): 110-114.

[39] 侯化國, 王玉民. 正交試驗法[M]. 長春: 吉林人民出版社, 1985: 74-76. HOU Hua-guo, WANG Yu-min.Orthogonal experiment [M]. Changchun:Jilin People’s Publishing House, 1985: 74-76.

[40] BREIMAN L. Random forests[J]. Machine learning, 2001, 45(1): 5-32.

[41] 黃梅, 朱焱. 基于隨機森林特征重要性的-匿名特征優(yōu)選[J]. 計算機應用與軟件, 2020, 37(3): 266-270. HUANG Mei, ZHU Yan.-anonymity feature optimiz-a-tion based on the importance of random forest features[J].Computer applications and software, 2020, 37(3): 266-270.

Prediction of Surface Integrity Parameters of Shot Peening Based on Orthogonal Experiment and Data-driven

1,1,1,1,2

(1.State Key Laboratory of Mechanical Transmissions, Chongqing University, Chongqing 400044, China; 2.Shanghai Peentech Equipment Tech. Co. Ltd, Shanghai 201806, China)

This paper aims to study the influence of process parameters of shot peening on the surface integrity of 18CrNiMo7-6 roller and acquire the mapping relation between process parameters and surface integrity, so as to improve the quality and efficiency of shot peening process. During this, Python language was used for the secondary development of Abaqus to establish the random multi-shots model of shot peening simulation and the experimental verification was carried out. Orthogonal experiment was designed to study the effect laws of impact angle, impact velocity, shot diameter, coverage and shot type on residual stress and surface roughness, and the importance value of each process parameter on the comprehensive effect of shot peening was obtained by the random forest algorithm. With impact angle, impact velocity, shot diameter, coverage, shot type and surface depth as input values and residual stress and surface roughness as output values, a prediction model of shot peening surface integrity based on neural network was established. Through the orthogonal test, it is found that the shot diameter and impact velocity have a significant influence on the surface roughness. The importance of each shot peening process parameter to the comprehensive shot peening effect of 18CrNiMo7-6 roller is impact angle (0.249), impact velocity (0.224), shot type (0.193), coverage (0.173) and shot diameter (0.161). The optimal combination of process parameters within the range of each process parameter is that the impact angle is 90°, the impact velocity is 80 m/s, the shot diameter is 0.7 mm, the coverage is 300%, and the shot material is cast steel shot. The average relative error of the shot peening surface integrity prediction model based on neural network is less than 7%. Therefore, it is concluded that the shot peening surface integrity prediction model based on neural network can accurately represent the mapping relation between the shot peening process parameters and surface integrity parameters, thus providing relevant reference for shot peening process.

shot peening strengthening; residual stress; surface roughness; orthogonal experiment; data-driven; finite element simulation

2020-01-05；

2020-05-09

WU Shao-jie (1997—), Male, Master, Research focus: data-driven and shot peening.

劉懷舉（1986—），男，博士，副教授，主要研究方向為機械傳動智能設計與抗疲勞制造。郵箱：huaijuliu@cqu.edu.cn

Corresponding author：LIU Huai-ju (1986—), Male, Doctor, Associate professor, Research focus: intelligent design of mechanical transmission and anti-fatigue manufacture. E-mail: huaijuliu@cqu.edu.cn

吳少杰，劉懷舉，張仁華, 等.基于正交實驗和數(shù)據(jù)驅(qū)動的噴丸表面完整性參數(shù)預測[J]. 表面技術(shù), 2021, 50(4): 86-95.

TG668

A

1001-3660(2021)04-0086-10

10.16490/j.cnki.issn.1001-3660.2021.04.008

2020-01-05；

2020-05-09

國家自然科學基金（51975063）；重慶市自然科學基金重點項目（cstc2019jcyj-zdxmX0007）

Fund：Supported by the National Natural Science Foundation of China (51975063), Key Program of Natural Science Foundation of Chongqing (cstc2019jcyj-zdxmX0007)

吳少杰（1997—），男，碩士研究生，主要研究方向為數(shù)據(jù)驅(qū)動與噴丸強化。

WU Shao-jie, LIU Huai-ju, ZHANG Ren-hua, et al. Prediction of surface integrity parameters of shot peening based on orthogonal experiment and data-driven[J]. Surface technology, 2021, 50(4): 86-95.