鍛造7050鋁合金力學性能的RBF神經(jīng)網(wǎng)絡(luò)預測模型

李曉強 杜長林 王 俊 宋 澗 單秀峰 嚴 俊

鍛造7050鋁合金力學性能的RBF神經(jīng)網(wǎng)絡(luò)預測模型

李曉強 杜長林 王 俊 宋 澗 單秀峰 嚴 俊

（上海航天動力技術(shù)研究所，上海 200000）

針對7050鋁合金鍛造后力學性能難以預測的特點，提出一種基于徑向基函數(shù)（RBF）的神經(jīng)網(wǎng)絡(luò)預測模型。該模型以7050鋁合金鍛造工藝參數(shù)為輸入層，力學性能為輸出層，利用樣本數(shù)據(jù)訓練模型后進行7050鋁合金鍛件力學性能預測。實驗結(jié)果表明，RBF神經(jīng)網(wǎng)絡(luò)在鍛造7050鋁合金力學性能的預測過程中收斂性良好、預測精度高，相對誤差不超過6%；相較于BP神經(jīng)網(wǎng)絡(luò)，RBF神經(jīng)網(wǎng)絡(luò)具有更高的預測精度。該模型可以對7050鋁合金的鍛造生產(chǎn)過程起到良好的指導作用。

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

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，強度、斷裂韌性、抗剝落腐蝕性、抗疲勞性、抗應力腐蝕開裂能力等方面均表現(xiàn)良好，所以被廣泛地應用于航空航天、機械設(shè)備、軌道交通、汽車制造業(yè)等領(lǐng)域。國內(nèi)外許多學者對7050鋁合金進行過研究，如中南大學趙久輝等人設(shè)計了7050鋁合金的等溫模鍛坯料，通過改進坯料尺寸獲得性能更好的鍛件；山東大學的徐瀟等人研究了7050鋁合金的鍛造工藝及材料變形規(guī)律；還有鄭州大學的鄭山紅、河北工程大學的崔振華、湖南大學的袁武華等人皆對7050鋁合金的加工及其性能進行了研究。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，國內(nèi)也有較多的學者對生產(chǎn)加工過程中的神經(jīng)網(wǎng)絡(luò)進行研究，如中北大學的佘勇等人通過神經(jīng)網(wǎng)絡(luò)預測和控制了強力旋壓的成形質(zhì)量，山東理工大學趙傳營等人通過神經(jīng)網(wǎng)絡(luò)預測和控制了磁粒研磨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、鍛造速率與固溶時間作為此次7050鋁合金鍛造試驗的輸入工藝參數(shù)，選取7050鋁合金鍛件的延伸率、抗拉強度與布氏硬度作為輸出性能指標，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。

2 RBF神經(jīng)網(wǎng)絡(luò)模型建立

影響7050鋁合金鍛件力學性能的工藝參數(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工藝參數(shù)（變形率、鍛造溫度、鍛造速率和固溶時間）為輸入層神經(jīng)元；選取7050鋁合金鍛件性能的預測指標（延伸率、抗拉強度和布氏硬度）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)訓練樣本建立

本次鍛造試驗采用的合金材料為7050鋁合金鑄錠，其化學成分如表1所示。

表1 7050鋁合金化學成本含量

本次試驗所采用的液壓機型號為YQZ23-200T。鍛造工藝參數(shù)選取變形率、鍛造溫度、鍛造速率、固溶時間，各工藝參數(shù)分別選取四個水平，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)組合下進行7050鋁合金的鍛壓試驗。試驗結(jié)束后，待鍛件冷卻，在7050鋁合金鍛件上取樣，并按GB6397—86標準加工成如圖2所示的標準拉伸試件，按照GB/T228.1—2010標準在微機控制彈簧試驗機上進行延伸率與抗拉強度測試；按GB/T231.4—2009金屬材料布氏硬度的試驗方案進行鍛件布氏硬度的測量，如表2所示。

圖2 標準拉伸試件

表2 鍛造7050鋁合金力學性能試驗樣本

續(xù)表

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

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)模型訓練

對樣本數(shù)據(jù)的訓練程度決定了神經(jīng)網(wǎng)絡(luò)預測結(jié)果的精確程度。本文的神經(jīng)網(wǎng)絡(luò)在訓練過程中，在MATLAB軟件中采用interp2內(nèi)插值函數(shù)對訓練樣本進行多次插值訓練，將訓練樣本的數(shù)據(jù)范圍擴大到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RBF神經(jīng)網(wǎng)絡(luò)模型，在newrbe函數(shù)神經(jīng)網(wǎng)絡(luò)中進行設(shè)置，將輸入層的節(jié)點數(shù)設(shè)置為4，輸出層的節(jié)點數(shù)設(shè)置為3，隱含層的節(jié)點數(shù)通過newrbe函數(shù)自動計算設(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，閥值和擴展系數(shù)spread值是最重要的兩個參數(shù)，閥值的大小直接決定著徑向基神經(jīng)元對輸入層向量產(chǎn)生相應的區(qū)域，擴展系數(shù)spread值的大小對RBF徑向神經(jīng)網(wǎng)絡(luò)的預測精度也會造成很大影響，過小的spread值會造成神經(jīng)元數(shù)量的增加，使整個適應過程變得緩慢，過大的spread值雖然可以使預測模型的擬合曲線光滑，但是過大的spread值也會造成模型的計算量增加，增加計算難度。本次試驗通過試湊法將spread值確定為18。

3 模型分析驗證

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

表3 鍛造7050鋁合金RBF神經(jīng)網(wǎng)絡(luò)預測值與實際值對比

圖3 RBF神經(jīng)網(wǎng)絡(luò)預測值與實際值對比

4 穩(wěn)健設(shè)計優(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)的主要特點是目標信號向前傳遞，誤差信號反向傳遞。本文建立4-12-3的3層BP神經(jīng)網(wǎng)絡(luò)，數(shù)據(jù)訓練樣本采用與表1中RBF神經(jīng)網(wǎng)絡(luò)相同的訓練樣本；在MATLAB軟件中采用traingd函數(shù)對訓練樣本進行訓練，經(jīng)過多次迭代后模型收斂，用訓練好的BP神經(jīng)網(wǎng)絡(luò)模型對測試樣本進行預測，并計算預測值與實際值之間的相對誤差，結(jié)果如圖4所示。分析可知，采用BP神經(jīng)網(wǎng)絡(luò)對鍛造7050鋁合金力學性能進行預測，延伸率的相對誤差最大為6.1%，最小為4.52%，平均相對誤差5.48%；抗拉強度的相對誤差最大為4.21%，最小為3.32%，平均相對誤差3.79%；布氏硬度的相對誤差最大為6.23%，最小為4.25%，平均相對誤差5.17%。以上結(jié)果顯示：無論是最大值、最小值，還是平均值，BP神經(jīng)網(wǎng)絡(luò)的預測精度都要低于RBF神經(jīng)網(wǎng)絡(luò)。

圖4 BP神經(jīng)網(wǎng)絡(luò)的相對誤差

4 結(jié)束語

a. RBF神經(jīng)網(wǎng)絡(luò)模型對鍛造7050鋁合金有良好的預測能力，可以較為準確地反應鍛造工藝參數(shù)與鍛件力學性能之間的非線性關(guān)系，其預測值與實際值之間的相對誤差小于6%，可以對實際的7050鋁合金鍛造工藝起到較為準確的預測作用，為實際的鍛造生產(chǎn)過程提供相應的優(yōu)化與指導。

b. RBF神經(jīng)網(wǎng)絡(luò)相比BP神經(jīng)網(wǎng)絡(luò)訓練過程的穩(wěn)定性更高，收斂程度更高，預測結(jié)果也更精確。所以，在實際的7050鋁合金鍛造生產(chǎn)過程中采用RBF神經(jīng)網(wǎng)絡(luò)的優(yōu)化和指導效率更高，結(jié)果也更準確。

1 李兵，李忠文，劉偉，等. 7050鋁合金熱變形程度對再結(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[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. 雙級蠕變時效含鈧7050合金的硬化行為、力學性能及耐蝕性研究[D]. 鄭州：鄭州大學，2019

7 崔振華，劉曉艷，劉彥鵬，等. 時效處理對7050鋁合金組織與性能的影響[J]. 河北工程大學學報（自然科學版），2019，36(3)：101～105

8 張福全，王祥，袁武華，等. 固溶時間對 7050 鋁合金組織和性能的影響[J]. 湖南大學學報（自然科學版），2018，45(12)：11～14

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

10 趙傳營，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)的強力旋壓連桿襯套力學性能預測研究[J]. 鍛壓技術(shù)，2016，41(6)：128～133

12 高立，樊文欣，馬學軍，等. 基于 RBF 神經(jīng)網(wǎng)絡(luò)的強力旋壓連桿襯套成形質(zhì)量預測研究[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)的連桿襯套強力旋壓回彈量預測[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（1991），碩士，機械工程專業(yè)；研究方向：先進材料制造。

2021-04-08