蠕墨铸铁抗拉强度的检测方法、装置、介质和设备与流程

本发明涉及合金性能检测技术领域，特别涉及一种蠕墨铸铁抗拉强度的检测方法、装置、存储介质和计算设备。

背景技术：

汽车的制动系统是利用汽车制动器进行制动，汽车制动器除各种缓速装置以外，几乎都是利用固定元件与旋转元件工作表面的摩擦产生制动力矩的摩擦制动器。在鼓式摩擦制动器中，作为旋转元件的制动鼓往往承受着巨大载荷，因此在生产上要求制作制动鼓的材料具有足够的强度，避免在制动过程中由于制动鼓强度不足造成瞬时脆性断裂而造成汽车故障。目前广泛使用的制动鼓材料是蠕墨铸铁，蠕墨铸铁一般是用稀土镁合金对铁液进行处理，以改善石墨形态，从而得到比灰铸铁有更高机械性能的铸铁，蠕墨铸铁具有不同比例的珠光体—铁素体基体组织。因此，对蠕墨铸铁抗拉强度起主要影响的因素为蠕化率(石墨的蠕化程度)和珠光体含量(基体组织)。此外，制动鼓在制动的过程中会产生热量，当制动鼓温度过高时，制动鼓的摩擦系数会发生显著下降，从而产生热衰退现象，因此蠕墨铸铁的抗拉强度还需要考虑温度的影响。

目前普遍采用控制单因素影响的方法检测蠕墨铸铁的拉伸性能，这种传统的检测方法需要大量的试验样本，且利用非线性数据确定出蠕化率、珠光体含量以及温度之间的关系相对复杂，数据处理量大，这必然会耗费大量的时间、精力以及试验研究等成本。

技术实现要素：

本发明的第一目的在于克服现有技术的缺点与不足，提供一种蠕墨铸铁抗拉强度的检测方法，该方法可以快速准确地检测蠕墨铸铁的抗拉强度。

本发明的第二目的在于提供一种蠕墨铸铁抗拉强度的检测装置。

本发明的第三目的在于提供一种存储介质。

本发明的第四目的在于提供一种计算设备。

本发明的第一目的通过下述技术方案实现：一种蠕墨铸铁抗拉强度的检测方法，包括如下步骤：

步骤S1、获取多个带标签的训练样本，训练样本为蠕墨铸铁样品的蠕化率、珠光体含量和温度，标签为蠕墨铸铁样品在对应蠕化率、珠光体含量和温度下的抗拉强度实际值；

步骤S2、创建神经网络模型，将蠕墨铸铁样品的蠕化率、珠光体含量和温度作为输入，标签作为输出对神经网络模型进行训练，将训练好的神经网络模型作为抗拉强度检测模型；

步骤S3、获取待测蠕墨铸铁，将待测蠕墨铸铁的蠕化率、珠光体含量和温度作为测试样本输入到抗拉强度检测模型中，通过抗拉强度检测模型检测到抗拉强度结果。

优选的，输入到神经网络模型作为训练样本和测试样本的蠕化率、珠光体含量和温度均经过归一化的预处理。

优选的，在步骤S2中，创建神经网络模型的具体包括：

步骤S21、选择神经网络模型的类型；

步骤S22、针对于所选择的神经网络模型，对学习参数进行选择：学习参数包括传递函数、训练函数和学习函数，其中，选取对数函数作为传递函数，反向传播函数作为训练函数，梯度下降动量学习函数作为学习函数；

步骤S23、设置神经网络模型的训练参数：训练参数包括初始权值、动量因子、学习率、训练步数以及性能函数。

更进一步的，在步骤S2中，训练样本对神经网络模型进行训练的具体过程如下：

步骤S24、将各训练样本输入到神经网络模型，通过正向传播，由神经网络模型的输入层、隐含层、输出层进行计算得到抗拉强度检测值，根据求得的抗拉强度检测值和抗拉强度实际值，计算抗拉强度检测值与抗拉强度实际值之间的误差；

步骤S25、当误差满足所设置的精度时，则结束训练；反之，将误差反向传播，重新计算抗拉强度检测值与抗拉强度实际值之间的误差，若该误差满足所设置的精度时，则结束训练；若误差仍未能满足所设置的精度，则对训练参数进行调整，直到误差满足所设置的精度。

更进一步的，训练参数中，初始权值为0～1之间的随机数，动量因子位于0～1之间，学习率位于0.05～0.9之间，性能参数选择均方误差函数mse。

更进一步的，步骤S21中所选择的神经网络模型为BP神经网络模型，BP神经网络模型主要由3个神经元的输入层、10个神经元的隐含层以及1个神经元的输出层组成。

本发明的第二目的通过下述技术方案实现：一种蠕墨铸铁抗拉强度的检测装置，包括：

训练样本获取模块，用于获取多个带标签的训练样本，训练样本为蠕墨铸铁样品的蠕化率、珠光体含量和温度，标签为蠕墨铸铁样品在对应蠕化率、珠光体含量和温度下的抗拉强度实际值；

神经网络创建模块，用于创建神经网络模型；

抗拉强度检测模型构建模块，用于将蠕墨铸铁样品的蠕化率、珠光体含量和温度作为输入，标签作为输出对所创建的神经网络模型进行训练，将训练好的神经网络模型作为抗拉强度检测模型；

测试样本获取模块，用于获取待测蠕墨铸铁，将待测蠕墨铸铁的蠕化率、珠光体含量和温度作为测试样本；

抗拉强度检测模块，用于将测试样本输入到抗拉强度检测模型，通过抗拉强度检测模型检测到抗拉强度结果。

优选的，神经网络创建模块所创建的神经网络模型为BP神经网络模型，所述BP神经网络模型主要由3个神经元的输入层、10个神经元的隐含层以及1个神经元的输出层组成。

本发明的第三目的通过下述技术方案实现：一种计算设备，包括处理器以及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现第一目的所述的蠕墨铸铁抗拉强度的检测方法。

本发明的第四目的通过下述技术方案实现：一种存储介质，存储有程序，所述程序被处理器执行时，实现第一目的所述的蠕墨铸铁抗拉强度的检测方法。

本发明相对于现有技术具有如下的优点及效果：

(1)本发明蠕墨铸铁抗拉强度的检测方法，首先构建训练样本，其中训练样本为蠕墨铸铁样品的蠕化率、珠光体含量和温度，对应标签为抗拉强度实际值；然后创建神经网络模型，将训练样本作为输入，标签作为输出对神经网络模型进行训练，将训练好的神经网络模型作为抗拉强度检测模型；最后获取待测蠕墨铸铁，将待测蠕墨铸铁的蠕化率、珠光体含量和温度作为测试样本输入到抗拉强度检测模型中，通过抗拉强度检测模型检测到抗拉强度结果。由上述可见，本发明基于神经网络实现对蠕墨铸铁抗拉强度进行检测，只需输入蠕墨铸铁的蠕化率、珠光体含量和温度到抗拉强度检测模型，就可以准确且快速地求得对应的抗拉强度，方法非常简单；相对于传统的控制单因素影响的方法处理数据量相对较少，能够减少在拉伸试验中非客观因素所引起的误差，有效节约获取蠕墨铸铁抗拉强度所耗费的时间、精力和成本，提高了检测效率。

(2)本发明蠕墨铸铁抗拉强度的检测方法中，训练样本和待测样本均为经过归一化预处理的样本，简化了数据输入格式，方便神经网络模型针对于数据的处理和计算，进一步加快蠕墨铸铁合金的抗拉强度检测。

(3)本发明蠕墨铸铁抗拉强度的检测方法中，在神经网络模型训练时，通过将蠕墨铸铁样品的蠕化率、珠光体含量和温度输入神经网络模型得到抗拉强度，计算所得的抗拉强度与抗拉强度实际值之间的误差；当误差满足所设置的精度时，则结束训练；反之，将误差反向传播，重新计算抗拉强度检测值与抗拉强度实际值之间的误差，若该误差满足所设置的精度时，则结束训练；若误差仍未能满足所设置的精度，则对训练参数进行调整，直到误差满足所设置的精度。通过本发明上述训练方法可以得到检测率更高的抗拉强度检测模型，进一步提高所得的抗拉强度的准确率，提高训练效率，避免训练过多所造成的过拟合问题。

附图说明

图1是本发明蠕墨铸铁抗拉强度的检测方法的流程图。

图2是本发明方法中神经网络模型结构图。

图3是本发明蠕墨铸铁样品抗拉强度实际值与通过抗拉强度检测模型所得的抗拉强度的点状图。

图4是本发明待测蠕墨铸铁抗拉强度实际值与通过抗拉强度检测模型所得的抗拉强度的点状图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例1

本发明公开了一种蠕墨铸铁抗拉强度的检测方法，如图1所示，包括如下步骤：

步骤S1、获取多个带标签的训练样本，训练样本为蠕墨铸铁样品的蠕化率、珠光体含量和温度，标签为蠕墨铸铁样品在对应蠕化率、珠光体含量和温度下的抗拉强度实际值；在本实施例中，抗拉强度实际值为拉伸试验所得。

步骤S2、创建神经网络模型，将蠕墨铸铁样品的蠕化率、珠光体含量和温度作为输入，标签作为输出对神经网络模型进行训练，将训练好的神经网络模型作为抗拉强度检测模型；本实施例中，所创建的神经网络模型可以为集成卷积网络、BP神经网络、RBF神经网络、支持向量机(SVM)等。

在本步骤中，以BP神经网络为例，创建神经网络模型和训练神经网络模型的具体过程如下：

步骤S21、选择神经网络模型的类型。具体创建过程为：通过调用net＝newff创建一个BP神经网络，调用的格式为net＝newff(PR,[S1S2…SN],{TF1,TF2,…,TFN},BTF,BLF,PF)，其中，net＝newff：用于创建一个BP网络；PR：由每组输入元素的最大值和最小值组成的R×2维的矩阵；Si：第i层的长度，总共Ni层；TFi：第i层的传递函数，默认为transig；BTF：BP网络的训练函数，默认为trainlm；BLF：权值和阈值的BP学习算法，默认为learngdm；PF：网络的性能函数，默认为mse。

步骤S22、针对于所选择的神经网络模型，对学习参数进行选择：学习参数包括传递函数、训练函数和学习函数，其中，选取对数函数作为传递函数，反向传播函数作为训练函数，梯度下降动量学习函数作为学习函数；在本实施例中选择的传递函数为S型的对数函数，训练函数为traingd函数，学习函数为梯度下降动量学习函数learngdm。其中如图2所示，本实施例中所构建的神经网络模型由3个神经元的输入层、10个神经元的隐含层以及1个神经元输出层(输出抗拉强度)组成。

步骤S23、设置神经网络模型的训练参数：训练参数包括初始权值、动量因子、学习率、训练步数以及性能函数。在本实施例中，初始权值为0～1之间的随机数，动量因子位于0～1之间，学习率位于0.05～0.9之间，性能参数选择均方误差函数mse。

步骤S24、将各训练样本输入到神经网络模型，通过正向传播，由输入层、隐含层、输出层进行计算得到抗拉强度检测值，根据求得的抗拉强度检测值和抗拉强度实际值，计算抗拉强度检测值与抗拉强度实际值之间的误差；

步骤S25、当误差满足所设置的精度时，则结束训练；反之，将误差反向传播，重新计算抗拉强度检测值与抗拉强度实际值之间的误差，若该误差满足所设置的精度时，则结束训练；若误差仍未能满足所设置的精度，则对训练参数进行调整，直到误差满足所设置的精度。

步骤S3、获取待测蠕墨铸铁，将待测蠕墨铸铁的蠕化率、珠光体含量和温度作为测试样本输入到抗拉强度检测模型中，通过抗拉强度检测模型检测到抗拉强度结果。

步骤S1中作为训练样本和步骤S3作为测试样本的蠕化率、珠光体含量和温度均为经过归一化处理后的数据。

在本实施例中，通过筛选收集到60组作为BP神经网络模型的训练样本，其中每组数据对应一个训练样本，每组数据包括一个蠕墨铸铁样品的基体组织、蠕化率和温度，同时获取到每组数据对应蠕墨铸铁样品的抗拉强度，本实施例对这些数据进行归一化预处理，然后分别输入到BP神经网络模型对BP神经网络模型进行训练，得到抗拉强度检测模型。其中，在BP神经网络模型输入层的输入参数为石墨结构(蠕化率10％、20％、30％...)、珠光体含量(P10、P20、P30…)以及实验温度(298K、373K、473K…)，输出层为蠕墨铸铁抗拉强度。本实施例中的BP神经网络模型中输入层为3个神经元，隐含层为10个神经元，输出层为1个神经元，如图2所示。在经过多次训练，得到BP神经网络的训练参数为初始权值为(0,1)之间的随机数，动量因子位于0-1之间，学习率位于0.05-0.9之间，性能函数为均方误差函数mse。

在通过上述得到本实施例的抗拉强度检测模型后，将本实施例上述各组数据即各训练样本分别输入到抗拉强度检测模型，该抗拉强度检测模型输出的抗拉强度与上述各训练样本所对应蠕墨铸铁合金的抗拉强度实际值的对比关系如图3所示，从图3中可以看出，本实施例训练后得到的抗拉强度检测模型的输出值与训练样本的抗拉强度实际值误差在可接受范围内仅为3.15％，由此可得该训练模型的准确性。在获取到抗拉强度检测模型的基础上，输入已知抗拉强度的测试样本，得到抗拉强度检测模型的输出值即对测试样本抗拉强度的检测值和抗拉强度实际值的对比关系如图4所示，由图4可以看出，测试样本的抗拉强度检测值与抗拉强度实际值之间的平均相对误差约为2.93％，这也说明使用该BP神经网络的方法能快速、准确的检测蠕墨铸铁合金抗拉强度，大大缩减了实验成本，节约了大量的实验时间和精力。

实施例2

本发明公开了一种蠕墨铸铁抗拉强度的检测装置，包括：训练样本获取模块、神经网络创建模块、抗拉强度检测模型构建模块、测试样本获取模块和抗拉强度检测模块。其中，

训练样本获取模块，用于获取多个带标签的训练样本，训练样本为蠕墨铸铁样品的蠕化率、珠光体含量和温度，标签为蠕墨铸铁样品在对应蠕化率、珠光体含量和温度下的抗拉强度实际值。作为训练样本的蠕化率、珠光体含量和温度均经过归一化的预处理。

神经网络创建模块，用于创建神经网络模型；在本实施例中，创建的神经网络模型为集成卷积网络、BP神经网络、RBF神经网络、支持向量机(SVM)等，神经网络模型主要由3个神经元的输入层、10个神经元的隐含层以及1个神经元的输出层组成。输入层3个神经元分别用于输入蠕化率、珠光体含量以及温度，输出层对应输出抗拉强度。

抗拉强度检测模型构建模块，用于将作为训练样本的蠕墨铸铁样品的蠕化率、珠光体含量和温度作为输入，训练样本对应标签作为输出对所创建的神经网络模型进行训练，将训练好的神经网络模型作为抗拉强度检测模型。

测试样本获取模块，获取待测蠕墨铸铁，将待测蠕墨铸铁的蠕化率、珠光体含量和温度作为测试样本，作为测试样本的蠕墨铸铁的蠕化率、珠光体含量和温度为经过归一化预处理的样本。

抗拉强度检测模块，用于将测试样本输入到抗拉强度检测模型，通过抗拉强度检测模型检测到抗拉强度结果。

在此需要说明的是，本实施例的装置仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。

实施例3

本发明公开了一种存储介质，存储有程序，所述程序被处理器执行时，实现实施例1所述的蠕墨铸铁抗拉强度的检测方法，如下：

获取多个带标签的训练样本，训练样本为蠕墨铸铁样品的蠕化率、珠光体含量和温度，标签为蠕墨铸铁样品在对应蠕化率、珠光体含量和温度下的抗拉强度实际值；

创建神经网络模型，将蠕墨铸铁样品的蠕化率、珠光体含量和温度作为输入，标签作为输出对神经网络模型进行训练，将训练好的神经网络模型作为抗拉强度检测模型；在本实施例选择创建的是BP神经网络模型；具体创建过程为：通过调用net＝newff创建一个BP神经网络，调用的格式为net＝newff(PR,[S1S2…SN],{TF1,TF2,…,TFN},BTF,BLF,PF)，其中，net＝newff：用于创建一个BP网络；PR：由每组输入元素的最大值和最小值组成的R×2维的矩阵；Si：第i层的长度，总共Ni层；TFi：第i层的传递函数，默认为transig；BTF：BP网络的训练函数，默认为trainlm；BLF：权值和阈值的BP学习算法，默认为learngdm；PF：网络的性能函数，默认为mse。

获取待测蠕墨铸铁，将待测蠕墨铸铁的蠕化率、珠光体含量和温度作为测试样本输入到抗拉强度检测模型中，通过抗拉强度检测模型检测到抗拉强度结果。

本实施例中的存储介质可以是磁盘、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、U盘、移动硬盘等介质。

实施例4

本发明公开了一种计算设备，包括处理器以及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现实施例1所述的蠕墨铸铁抗拉强度的检测方法，如下：

获取多个带标签的训练样本，训练样本为蠕墨铸铁样品的蠕化率、珠光体含量和温度，标签为蠕墨铸铁样品在对应蠕化率、珠光体含量和温度下的抗拉强度实际值；

创建神经网络模型，将蠕墨铸铁样品的蠕化率、珠光体含量和温度作为输入，标签作为输出对神经网络模型进行训练，将训练好的神经网络模型作为抗拉强度检测模型；在本实施例选择创建的是BP神经网络模型；具体创建过程为：通过调用net＝newff创建一个BP神经网络，调用的格式为net＝newff(PR,[S1S2…SN],{TF1,TF2,…,TFN},BTF,BLF,PF)，其中，net＝newff：用于创建一个BP网络；PR：由每组输入元素的最大值和最小值组成的R×2维的矩阵；Si：第i层的长度，总共Ni层；TFi：第i层的传递函数，默认为transig；BTF：BP网络的训练函数，默认为trainlm；BLF：权值和阈值的BP学习算法，默认为learngdm；PF：网络的性能函数，默认为mse。

获取待测蠕墨铸铁，将待测蠕墨铸铁的蠕化率、珠光体含量和温度作为测试样本输入到抗拉强度检测模型中，通过抗拉强度检测模型检测到抗拉强度结果。

本实施例中所述的计算设备可以是台式电脑、笔记本电脑、智能手机、PDA手持终端、平板电脑或其他具有处理器功能的终端设备。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。