论文部分内容阅读
TiAl合金因具有高硬度等优良性能成为研究热点,显微硬度作为衡量TiAl合金软硬程度的判据之一,建立显微硬度预测模型,通过模型化方法,指导实验进行,减少试验次数,降低成本。但由于影响因素多且关系复杂,难以通过传统的方式建立预测模型,且多数预报工作中也未考虑模糊性和数据非均匀性特征。因此,预测研究工作仍存在不足。本文以TiAl合金的显微硬度实验数据为研究对象,以软计算技术中的神经网络为研究基础,建立BP神经网络显微硬度预测模型。并从模糊性和技术路线两方面对预测模型进一步优化,最后考虑样本非均匀性特征建立预测模型,以提高预测模型的性能,降低预测误差。论文主要研究内容如下:(1)选择合适的指标参与预测模型的建立和数据预处理。参数选择从外因和内因两方面考虑,外因选择TiC(wt%)、制备温度T和B(wt%)。内因则包括非线性、模糊性和非均匀性特征。在筛选、剔除无效数据后,保留165条数据。为减小样本量纲相差过大造成的预测误差,采用mapminmax函数进行归一化处理。(2)建立基于BP神经网络的TiAl合金显微硬度预测模型。首先,确定预测模型输入节点为3,输出节点为1。根据经验公式计算BP神经网络中隐含层节点数的取值范围,在MATLAB软件平台上编写预测程序,经多次试验,确定BP神经网络的网络结构为3-7-1。计算预测结果的平均绝对值和均方差来评价预测模型。(3)对BP神经网络的预测模型进行优化。一方面,考虑数据样本的模糊特征,另一方面,通过优化BP神经网络参数来提高网络预测能力,选择T-S模糊模型和遗传算法对BP神经网络进行优化以减小预测误差。分析比较T-S模糊神经网络、遗传算法优化BP神经网络预测模型与单一BP神经网络预测模型的预测结果。(4)建立基于模糊聚类的BP神经网络显微硬度预测模型。针对显微硬度数据样本的非均匀性特征,将模糊聚类分析与BP神经网络结合,建立组合预测模型对显微硬度进行预测。通过模糊聚类分析将样本数据分为相似性度较高的若干组数据,将其作为训练样本,根据样本与各聚类之间的相似程度作为测试标准建立预测模型。分析模糊聚类分析理论在显微硬度预测上的效果。结果表明,BP神经网络预测模型较好描述显微硬度与影响因素间关系,预测模型的均方差为11.92。通过T-S模糊模型和遗传算法优化BP神经网络后,预测模型均方差分别提高1.68%和34.90%。数据样本经过模糊聚类处理后建立的预测模型均方差为4.94,较单一BP神经网络预测模型提高58.56%。优化后的模型尽管不能实现完全预测,但其结果仍具有重要意义。