一种基于环境效应的表面改性工艺可靠性评价方法与流程

本发明涉及一种基于环境效应的表面改性工艺可靠性评价方法，本方法可以对产品关键表面特征在动态自然环境中的退化过程做出准确的预测，可以定量估计表面改性工艺在不同环境下的适应能力，基于该适应能力的强弱实现对表面改性工艺可靠性的评价。该方法适用于工艺可靠性评价、维修决策等技术领域。

背景技术：

表面改性工艺是一类常见的改善产品表面特性的工艺方法，它是采用化学的、物理的方法改变材料或工件表面的化学成分或组织结构以提高产品零件或材料性能的一项技术。它能够通过赋予产品表面耐高温、防腐蚀、耐磨损、抗疲劳等新的特性来提高产品的可靠性。表面改性工艺的可靠性是指经过表面改性工艺加工的产品能否在规定的时间，规定的条件下实现其规定的功能的能力。对表面改性工艺进行合理的工艺可靠性评价能够确保工艺选择的合理性，提高工艺与使用环境的匹配程度，进而能够提高产品的可靠性等。因此，工艺可靠性评价方法的优劣对产品质量意义重大。

目前国内外研究人员对制造工艺的评价方法较多，但缺乏从产品实际使用环境出发，基于环境效应对表面改性工艺做出评价的研究。在实际的工程应用当中，产品在不同的工作环境中的失效速度相差较大，这就需要针对不同的环境选择不同的工艺方法。表面完整性作为产品表面综合能力的重要特征，它的退化程度能够体现了产品表面的损伤程度，忽略环境效应对产品表面完整性的影响，极易造成产品过早失效，无法完成其规定的功能。因此，探索考虑环境效应的表面改性工艺可靠性评价方法具有十分重要的意义，并且目前关于这方面的研究较为薄弱，本发明提供了一种基于环境效应的表面改性工艺可靠性评价方法。

技术实现要素：

本发明提出了基于环境效应的表面改性工艺可靠性评价方法，它是基于环境效应，从表面改性工艺在动态环境下的适应能力为出发点对表面改性工艺的可靠性做出定量评估的方法。首先需要分析产品的失效模式、失效机理与使用环境三者之间的关系，确定关键表面完整性特征与敏感环境应力。然后对表面改性后的产品施加敏感环境应力，检测并记录产品表面完整性特征的退化数据，同时监测并记录实验期间的环境应力，直至关键表面完整性特征退化至失效阈值，结束实验。然后利用神经网络算法建立表面完整性特征的退化预测模型。然后将新的环境应力数据及产品关键表面完整性特征的检测数据带入训练好的预测模型，获得该环境应力作用下表面完整性特征的退化数据。结合关键表面完整性特征的失效阈值，利用应力强度干涉模型，计算动态环境应力作用下，关键表面完整性特征值大于失效阈值的概率，以其作为基于环境效应的表面改性工艺可靠性评价指标。

(1)发明目的

合理的工艺可靠性评价能够确保工艺选择的合理性，提高工艺与使用环境的匹配程度，进而能够提高产品的可靠性。在实际的工程应用当中，环境效应不仅会影响产品表面的退化过程，同时也对表面改性工艺技术起到了筛选的作用，它能够直观地体现出环境与工艺的匹配程度。忽视环境效应对产品的影响会导致产品无法完成规定的功能，降低产品的使用寿命。目前缺乏从环境效应角度出发对表面改性工艺进行评价的方法。基于此本发明提供了一种基于环境效应的表面改性工艺可靠性评价方法，是一种直观简便、操作性强，能够对定量表征表面改性工艺对环境适应能力的工艺可靠性评价方法。

(2)技术方案

本发明是一种基于环境效应的表面改性工艺可靠性评价方法。通过分析产品的失效模式、失效机理与环境应力的关系，确定关键表面完整性特征与敏感环境应力。利用表面完整性特征的退化数据与敏感环境应力数据，训练神经网络获得退化预测模型。利用动态环境应力数据与表面完整性特征的检测数据对产品表面完整性特征的退化过程进行预测。结合预测数据与应力强度干涉模型，通过计算动态环境应力作用下，关键表面完整性特征值大于失效阈值的概率，实现对基于环境效应的表面改性工艺的评价，具体方法流程见图1。

本发明一种基于环境效应的表面改性工艺可靠性评价方法，具体步骤如下：

步骤一：关键表面完整性特征及敏感环境应力分析；分析产品在自然环境下的典型失效模式，根据其失效机理确定产品的关键表面完整性特征ci，其中i＝1，2，3，…，它表示有i类关键表面完整性特征，例如但不限于硬度、粗糙度、结合强度等；基于环境应力对关键表面完整性特征退化过程的敏感程度，确定其敏感环境应力sl，其中l＝1，2，3，…,它表示有l种敏感环境应力，例如但不限于海水环境中的温度应力st、ph值sp、溶解氧sd、盐度ss、氧化还原电位sopr等环境应力；

步骤二：关键表面完整性特征退化实验；检测表面改性后的产品在自然环境当中的退化过程，并记录其退化数据；具体实验方法为首先检测产品未退化时各关键表面完整性特征，然后每隔退化时间δt对其特征ci进行一次测量，直至其特征退化至失效阈值。实验结束，同时实时监测敏感环境应力并记录数据cij，cij表示第i类关键表面完整性特征的第j次检测数据；

步骤三：退化预测模型的建立；利用产品退化数据与环境数据构建数据向量，其中神经网络输入层的每一个样本向量的形式为：

x＝[s1j，s2j，s3j，…，snj，c1j，c2j，c3j，…，cij]，

其中：x表示样本向量，

n＝1，2，3，…,表示有n种敏感环境应力，[s1j，s2j，s3j，…，snj，c1j，c2j，…，cij]表示n类环境应力第j次的监测值与i类关键表面完整性特征的第j次的监测值构成的一个样本向量；输出层的每一个样本向量为y＝[c1j，c2j，c3j，…，cij]，i＝1，2，3，…；j＝1，2，3，…它表示对i类关键表面完整性特征的第j次检测数据；结合神经网络算法建立基于环境效应的表面完整性特征的退化预测模型，训练神经网络直至精度符合要求，获得预测模型；

步骤四：动态环境下的关键表面完整性特征的退化预测；将新的敏感环境应力数据与关键表面完整性特征的退化初始值带入退化预测模型，计算该环境当中表面完整性特征的退化预测数据；

步骤五：评价指标的计算；结合应力-强度干涉模型，以表面完整性特征的失效阈值作为强度，以表面完整性特征的检测值作为应力，计算动态环境效应作用下，关键表面完整性特征值大于失效阈值的概率，比较各关键表面完整性特征能够完成其规定要求的，取最小值作为评价指标，实现对基于环境效应的表面改性工艺的评价，评价指标i计算方式如下式：

i＝minp(cij＞fi)且cij＝ci1-x(t)(1)

其中i表示工艺可靠性评价指标，min表示最小值，fi表示第i类关键表面完整性特征的失效阈值，ci1表示涂层结合强度的初始值，x(t)表示关键表面完整性特征随时间的退化量；

其中，在步骤三中所述的“结合神经网络算法建立基于环境效应的表面完整性特征的退化预测模型，训练神经网络直至精度符合要求，获得预测模型”，其作法如下：将x＝[s1j，s2j，s3j，…，snj，c1j，c2j，c3j，…，cij]代入神经网络算法的输入层，将y＝[c1j，c2j，c3j，…，cij]代入神经网络算法的输出层，根据具体情况设定神经网络结构以及算法的迭代次数、精度、学习速率。

其中，在步骤四中所述的“将新的敏感环境应力数据与关键表面完整性特征的退化初始值带入退化预测模型，计算该环境当中表面完整性特征的退化预测数据”，其作法如下：将新的敏感环境应力数据与关键表面完整性特征的退化初始值作为模型的输入层代入退化预测模型，依次计算出退化结果，然后将退化结果与环境应力数据继续迭代，获得关键表面完整性特征的退化过程数据。

通过以上步骤，能够准确预测关键表面完整性特征在动态环境中的退化过程，通过计算动态环境中某时刻关键表面完整性特征大于退化阈值的概率，能够对该工艺抵抗环境应力的能力做出评估，实现该工艺的可靠性评估，并能够为该工艺流程的优化提供帮助。

(3)本发明的优点

i.本发明提出的基于环境效应的表面改性工艺可靠性评价方法是一种考虑了环境效应的表面改性工艺可靠性评价方法，它能够实现工艺与环境匹配程度的定量表征，从工艺的环境适应能力对表面改性工艺进行评价。

ii.本发明是针对表面改性工艺提出的一种基于环境效应的表面改性工艺可靠性评价方法，它能够对改性后产品表面完整性特征的退化进行动态预测。

附图说明

图1本发明所述方法流程图。

图2本发明的神经网络拓扑图。

图3本发明的预测结果与实验结果对比图。

图4本发明的结合强度退化增量分布图。

图5本发明的不同环境下涂层结合强度预测退化轨迹图。

图6本发明的评价指标随时间的曲线。

图中序号、符号、代号说明如下：

w：神经元(见图2)

b：偏置向量(见图2)

+：各神经元的输入值的加权求和(见图2)

*：激励函数(见图2)

0,20,40,60,80,100,120：关键表面完整性特征的检测值(见图3)

1,5,9,13,17,21,25,29,33,37,41,45,49,53,57,61,65,69,73,77,81,85,89,93,97,101:退化时间(见图3)

t：退化时间(见图3，图4，图6)

c：关键表面完整性特征的检测值(见图3)

δx：退化增量(见图4)

time：涂层退化时间(见图5)

strength：强度(见图5)

100，39：涂层结合强度(见图5)

i：基于环境效应的表面改性工艺可靠性评价指标(见图6)

具体实施方式

本发明的一个实例中，提供了一种基于环境效应的表面改性工艺可靠性评价方法。已知某表面改性能够在产品表面增加涂层提高产品的耐腐蚀性。该产品的工作环境为自然海洋环境。对产品寿命周期内该海洋环境的各环境应力进行实时监测并记录其数据。同时对该涂层在海水环境中的退化情况进行检测，并每隔一定的退化时间对其关键表面完整性特征进行测量，共计100次，其中退化时间δt为1个步长的退化时间，记录涂层结合强度的初始值及其退化数据。利用100组实验数据对神经网络进行训练获得退化预测模型。将新的环境数据与涂层初始结合强度带入训练好的预测模型，获得该环境下涂层结合强度的退化预测数据，结合应力强度模型，计算工艺可靠性评价指标。

本发明一种基于环境效应的表面改性工艺可靠性评价方法，见图1所示，其具体实施步骤如下：

步骤一：关键表面完整性特征及敏感环境应力分析。分析涂层在自然海水环境下的典型失效模式为涂层起泡及剥离，根据其失效机理定义结合强度为关键表面完整性特征。基于自然海洋环境的各环境应力对涂层退化过程的敏感程度，确定其敏感环境应力为海水的温度st，海水的盐度ss，海水的溶解氧sd，海水的ph值sp，海水的氧化还原电位sopr五个环境应力。

步骤二：涂层结合强度退化实验。首先，对监测实验过程中自然海水环境中的敏感环境应力并记录数据，见表1，然后将表面改性后的产品置于自然海水环境当中，检测涂层的初始结合强度b0，然后观测涂层在该环境中的退化情况，并每隔一定的退化时间δt对其结合强度进行测量，直至降低至涂层结合强度的失效阈值，共计100次，记录结合强度的退化数据bi，见表1，其中表1中的num表示涂层关键表面完整性指标的检测次数，℃、mg/l、ppt、mv、mpa依次为温度、溶解氧、盐度、氧化还原点位及涂层结合强度的单位。

表1海水环境监测数据与结合强度退化100次检测数据

步骤三：退化预测模型的建立。将涂层结合强度的退化数据与敏感环境应力构建为神经网络输出层的输入向量，其中每次结合强度的测量值ci作为下次输入向量的ci-1，依次迭代，将输入向量代入输入层x＝[st、sp、sd、ss、sopr，bi-1]。将结合强度的测量值ci代入输入层y＝[ci]，其中输入层的样本为100个，输出层的样本为100个，训练神经网络直到精度满足要求，本发明所使用的神经网络包含一个输入层，一个隐藏层，一个输出层，具体结构见图2，预测数据与实际数据对比效果见图3，从图中可以看出，该神经网络的预测精度较高。利用考虑了环境效应的退化预测模型，能够实现涂层结合强度在不同环境的退化预测。

表2结合强度退化预测数据

步四：考虑环境效应的退化预测数据。将新的环境应力与结合强度的退化初始值带入退化预测模型，直至结合强度退化至失效阈值39mpa，共计迭代了100次，获得在该环境当中涂层的退化预测数据，结果见表2，预测结果较为准确，与实验结果对比结果见图3。

步骤五：工艺可靠性评价指标计算。该涂层结合强度的失效阈值为39mpa，将新的环境应力带入环境效应模型，可以得到该涂层在新的环境应力下的退化数据。基于应力-强度干涉模型，定义应力为涂层结合强度的失效阈值，强度为涂层结合强度随时间退化的数值，当涂层结合强度的退化值大于或等于结合强度的失效阈值时，产品涂层不发生起泡与剥离，能够实现其保护产品基材的功能，因此，我们将不同环境下某时刻涂层结合强度的退化值大于或等于结合强度的失效阈值的概率作为基于环境效应的表面改性工艺可靠性评价方法的指标i，如下式：

i＝p(ci＞f)且ci＝c1-x(t)(2)

其中ci是涂层退化时的结合强度，x(t)是涂层结合强度的退化量，它是关于时间t的函数，c1是涂层结合强度的初始值，f是涂层结合强度的失效阈值。

当涂层开始退化时，其结合强度会在环境应力和时间的作用下，逐渐降低，并且涂层结合强度的退化是严格正则的，结合强度的退化增量x(t+δt)-x(t)，见图4。通过对该地区动态环境的随机模拟，基于环境效应模型可以计算出涂层结合强度的退化曲线，见图5，由于涂层结合强度的失效阈值是39mpa，不同环境应力下涂层失效的时间服从伽马分布，如下式：

t～ga(x；αδt，β)(3)

其中αδt为形状参数，且αδt＞0，β为尺度参数且β＞0，ga(·)表示gamma分布，则涂层失效时间的分布密度函数为：

将上式带入(1)可以得到工艺可靠性评价指标的计算公式，如下：

利用matlab对算式(5)进行求解，其中采用极大似然估计法对参数进行估计，计算结果如表3：

表3参数估计值

将参数与预测数据带入评价指标的计算式中，可以得到该工艺赋予产品表面的特性随着时间逐渐退化的曲线，见图6。通过该曲线，能够看到该表面改性工艺在该工作环境下的适应能力在环境应力的作用下不断降低，当退化时间达到150个实验步长时，表面改性工艺赋予产品的表面特性能够抵抗外部环境侵蚀的能力几乎为零。

其中：

步骤一中的机理是在海水环境作用下涂层表层或涂层内部组织会发生腐蚀反应，腐蚀产物的逐渐增多导致结合强度的逐渐下降，直至低于该环境下的失效阈值，发生起泡与剥离。

步骤三中的神经网络是包含一个输入层，一个输出层，一个隐藏层的前馈神经网络，其中隐藏层中包含10个神经元，隐藏层的激励函数采用的是sigmond函数，优化算法采用的是levenberg-marquardtbackpropatation算法。训练数据中输入层的样本是包含有六个维度的向量，输出层是含有一个维度的向量。