基于粗糙集和神经网络的铸造气缸盖微组织预测方法

摘要

本发明涉及一种基于粗糙集和神经网络的铸造气缸盖微组织预测方法，属于铸造铝合金气缸盖相关领域。本发明的目的是为了解决现有铸造过程需要反复试错才能确定最终的合理工艺参数，为了降低设计与生产成本，在产品设计阶段即可对铸造工艺参数进行优化，达到降低金属耗材率和铸件废品率的目的，提供一种基于粗糙集和BP神经网络的铸造铝合金气缸盖微观组织预测方法；该方法利用粗糙集理论，对影响材料微组织形貌的铸造和热处理工艺多种指标属性进行约简，数据约简的作用一方面挑选出权重较大的指标，另一方面减少了神经网络的输入维数，增强了神经网络学习的效率，以提高微组织形貌预测的准确性和效率为前提，最终达到降低金属耗材率和铸件废品率的目的。

权利要求

1.一种基于粗糙集和神经网络的铸造气缸盖微组织预测方法，其特征在于：包括如下步骤：

步骤一、获取铸造铝合金气缸盖的铸造和热处理工艺参数数据库、气缸盖材料的微组织形貌数据库以及数据采集点的位置参数；

所述铸造工艺参数包括：凝固速率、浇铸温度、铸型温度、充型时间、充型压力、充型速度、结壳时间、增压压力、增压速度、保压时间和卸压时间；

所述热处理工艺参数包括：固溶处理温度、保温时间、冷却速度、时效温度和时效时间；

所述气缸盖材料的微组织形貌数据包括：晶粒尺寸、二次枝晶臂间距、二维孔隙率、金相孔隙面积、金相孔隙最大Feret尺寸、共晶硅面积均值、共晶硅长宽比均值、共晶硅最大Feret尺寸均值和共晶硅颗粒圆度均值；

步骤二、对步骤一获取的所有数据进行归一化处理；

数据归一化处理公式为：

*

式中，X表示归一化前的实验数据，X表示归一化后的实验数据，Xmax为实验数据的最大值，Xmin为实验数据的最小值；

步骤三、对步骤二归一化处理后的试验数据进行离散化处理，然后对数据集进行编码，编码后得到离散化后的决策表；

步骤四、对步骤三得到的决策表中的条件属性进行重要度计算，然后依据重要度进行数据约简，以获取试验数据的约简子集；

S41、将铸造和热处理工艺参数、微组织形貌数据与位置参数决策表定义为一个四元组：

DT＝(U，C∪D，V，f)其中：U：论域；

C∪D：C为条件属性集，D为决策属性集；

V：属性的值域；

F：决策表的信息函数；

S42、给定一个决策表DT＝(U，C∪D，V，f)，存在属性集 存在a∈C‑B，定义：

为条件属性a对条件属性集B相对于决策属性集D的重要度；

S43、利用遗传算法对决策表进行属性约简，得到属性约简子集；其中位置参数不参与约简；

步骤五、通过粗糙集属性约简得到约简子集，利用此约简子集作为BP神经网络的输入层，并选取训练函数和传递函数建立BP神经网络预测模型；

步骤六、验证所述BP神经网络预测模型的有效性；

步骤七、若所述神经网络预测模型验证有效，采用所述BP神经网络模型进行微组织形貌预测。

说明书

基于粗糙集和神经网络的铸造气缸盖微组织预测方法

技术领域

[0001] 本发明涉及一种基于粗糙集和神经网络的铸造气缸盖微组织预测方法，属于铸造铝合金气缸盖相关领域。

背景技术

[0002] 在铸造铝合金气缸盖领域，气缸盖的铸造和热处理工艺参数对其微组织形貌会产生影响。若铸造和热处理工艺参数设置合理，可以得到致密的微观组织，从而大大降低金属
耗材率和铸件废品率。铸造铝合金气缸盖的铸造加工以及热处理工艺参数很多，很难通过
简单的解析表达式对铸造铝合金气缸盖加工工艺与其微组织形貌之间的映射关系进行合
理的描述。在实际生产过程中，气缸盖主要采用依靠经验的生产方式，通常凭借生产经验确
定工艺参数，然后生产试制样品。铸造过程需要反复试错才能确定最终的合理工艺流程，此
过程会增加废品率，大大降低经济效益。若能通过铸造和热处理工艺参数直接预测出微组
织结构形貌，对铸造铝合金气缸盖的加工生产过程会提供很大帮助。如何快速地预测铸造
铝合金气缸盖的微组织形貌，建立有效的铸造和热处理工艺参数与微观组织形貌之间的映
射关系，便是目前铸造铝合金气缸盖生产工艺中亟待解决的问题之一。

[0003] 目前数值仿真技术是金属性能预测的成熟且有效的手段，有学者利用数值仿真软件对铝合金气缸盖的铸造过程进行仿真，模拟铸件结晶过程以得到微组织形貌，但其仿真
时间长，模拟次数多，并且没有智能学习功能，无法满足高效且快速预测的需求。

[0004] 基于粗糙集和神经网络的预测方法在很多领域中使用，例如房地产的价格预测，变压器故障诊断中的应用，大气污染的判别分析，地震的预测等。粗糙集自被提出来后，在
人工智能、模式识别、故障诊断等领域取得了突出的成果。本研究结合粗糙集和神经网络技
术的各自优势，在不改变样本分类质量的条件下，建立一种智能预测方法，利用铸造工艺参
数和热处理参数对铸造铝合金气缸盖的微组织形貌进行预测。此预测方法较之前的经验公
式法、有限元仿真分析法等预测方法更精确及快速，更重要的是节省了大量的时间和经济
成本，推动了铸造铝合金气缸盖产品的优化设计进程。

发明内容

[0005] 本发明的目的是为了解决现有铸造过程需要反复试错才能确定最终的合理工艺参数，为了降低设计与生产成本，优化铸造工艺参数，达到降低金属耗材率和铸件废品率的
目的，提供一种基于粗糙集和BP神经网络的铸造铝合金气缸盖微观组织预测方法；该方法
利用粗糙集理论，对影响材料微组织形貌的铸造和热处理工艺多种指标属性进行约简，数
据约简的作用一方面挑选出权重较大的指标，另一方面减少了神经网络的输入维数，增强
了神经网络学习的效率，以提高微组织形貌预测的准确性和效率为前提，最终达到降低金
属耗材率和铸件废品率的目的。

[0006] 本发明的目的是通过下述技术方案实现的。

[0007] 一种基于粗糙集和神经网络的铸造气缸盖微组织预测方法，包括如下步骤：

[0008] 步骤一、获取铸造铝合金气缸盖的铸造和热处理工艺参数数据库、气缸盖材料的微组织形貌数据库以及数据采集点的位置参数；所述铸造工艺参数包括：凝固速率、浇铸温
度、铸型温度、充型时间、充型压力、充型速度、结壳时间、增压压力、增压速度、保压时间、卸
压时间等；所述热处理工艺参数包括：固溶处理温度、保温时间、冷却速度、时效温度、时效
时间等；所述气缸盖材料的微组织形貌数据包括：晶粒尺寸、二次枝晶臂间距、二维孔隙率、
金相孔隙面积、金相孔隙最大Feret尺寸、共晶硅面积均值、共晶硅长宽比均值、共晶硅最大
Feret尺寸均值、共晶硅颗粒圆度均值等；气缸盖数据采集点的坐标参数包括：x坐标值、y坐
标值、z坐标值。其中数据采集点的位置参数是必要参数。

[0009] 步骤二、对步骤一获取的所有数据进行归一化处理；

[0010] 数据归一化处理公式为：

[0011] 式中，X表示归一化前的试验数据，X*表示归一化后的试验数据，Xmax为试验数据的最大值，Xmin为试验数据的最小值。

[0012] 步骤三、对步骤二归一化处理后的试验数据进行离散化处理，然后对数据集进行编码，编码后得到离散化后的决策表；

[0013] 步骤四、对步骤三得到的决策表中的条件属性进行重要度计算，然后依据重要度进行数据约简，以获取试验数据的约简子集；

[0014] S41将铸造和热处理工艺参数、微组织形貌数据与位置参数决策表定义为一个四元组：

[0015] DT＝(U，C∪D，V，f)

[0016] 其中：U：论域；

[0017] C∪D：C为条件属性集，D为决策属性集；

[0018] V：V＝∪V为属性的值域；

[0019] F：决策表的信息函数。

[0020] S42给定一个决策表DT＝(U，C∪D，V，f)，存在属性集 存在a∈C‑B，

[0021] 定义：

[0022]

[0023] 为条件属性a对条件属性集B相对于决策属性集D的重要度。

[0024] S43利用遗传算法对决策表进行属性约简，得到属性约简子集。其中位置参数不参与约简。

[0025] 步骤五、通过粗糙集属性约简得到约简子集，利用此约简子集作为BP神经网络的输入层，并选取训练函数和传递函数建立BP神经网络预测模型。BP神经网络所述训练函数
包括：traingd，trainlm,traingdm,traingda,traingdx,trainrp等；所述传递函数包括：
log‑sigmoid型、tan‑sigmoid型、线性purelin等。

[0026] 步骤六、验证所述BP神经网络预测模型的有效性，BP神经网络模型的有效性，依据可接受相对误差范围判定。

[0027] 步骤七、对训练数据进行多次训练后，当所述神经网络预测模型的预测误差达到可接受范围时，则保存此BP神经网络，然后采用此BP神经网络模型进行后续微组织形貌预
测。

[0028] 有益效果

[0029] 1本发明能够在产品的铸造工艺设计阶段即可预测出材料微组织结构状态，不仅可以有效降低设计和生产成本，而且可以达到降低金属耗材率和铸件废品率的目的，并对
铸造气缸盖的工艺生产起到指导性作用；

[0030] 2本发明利用粗糙集理论对数据进行约简，提取核心指标作为输入，可以降低神经网络结构的复杂程度，加快网络训练速度和预测的准确性；

[0031] 3广泛适用于各类铸造气缸盖的微组织形貌的预测，尤其对铝合金气缸盖铸件材料微组织结构的预测，对材料的提升优化提供预测和缺陷规避；

[0032] 4与传统的数据推算相比，BP神经网络可以将误差反向传播，及时修正各层单元的权值和偏差，具有较高准确性的优势。

附图说明

[0033] 图1发明实施例的铸造铝合金气缸盖微组织结构预测方法的流程图。

[0034] 图2BP神经网络预测模型图。

[0035] 图3条件属性重要度计算。

[0036] 图4孔隙率和二次枝晶臂间距的BP神经网络预测与试验结果对比。其中，图(a)为孔隙率图；图(b)二次枝晶臂间距图。

具体实施方式

[0037] 下面结合附图和实施例对本发明的实施方式作进一步详细描述。

[0038] 一种基于粗糙集和神经网络的铸造气缸盖微组织预测方法，预测流程如图1所示，包括如下步骤：

[0039] 步骤一、获取铸造铝合金气缸盖材料的微组织结构信息数据库；

[0040] 选用的铸造铝合金气缸盖的铸造加工工艺参数与热处理参数由铸造厂提供，气缸盖的微组织结构参数由实验室扫描显微镜和电子显微镜测量中获得。从低压铸造铝合金气
缸盖的不同位置点分别取试验样件，取位置坐标值x，y，z；选取铸造与热处理工艺参数有：
凝固速率、传热系数、时效温度和时效时间；利用扫描电镜和光学显微镜对试验样件的断口
进行微组织观察，测得每个位置样件的微组织结构参数包括晶粒结构尺寸、孔隙结构尺寸、
共晶硅结构尺寸，其中晶粒结构包括晶粒尺寸和二次枝晶臂间距，孔隙结构包括二维孔隙
率、金相孔隙面积、共晶硅结构包括共晶颗粒面积均值、共晶颗粒长宽比均值、共晶颗粒最
大Feret尺寸均值。本实施例中选取微组织形貌中的二次枝晶臂间距和孔隙率作为BP神经
网络预测对象。其他微组织形貌参数的预测均可依据本实例的预测方法实施。

[0041] 步骤二、对步骤一获取的数据进行归一化处理；

[0042] 获取的数据库每个参数的基准不一样，会对预测结果产生影响，故对数据集进行归一化处理。

[0043] 数据归一化处理公式为：

[0044]

[0045] 式中，X表示归一化前的试验数据，X*表示归一化后的试验数据，Xmax为试验数据的最大值，Xmin为试验数据的最小值。铸造铝合金气缸盖铸造工艺与微组织结构的数据集归一
化处理后的数据见表1。

[0046] 表1归一化处理后的微组织结构数据库

[0047]

[0048]

[0049] 步骤三、将归一化处理后的试验数据进行离散化处理，并进行编码建立决策表，得到离散化后的决策表；

[0050] S31对于表1中的数据集，设定铸造工艺参数和热处理工艺参数为条件属性C＝{a1，a2，…，a7}，a1代表以铸造气缸盖浇注口为原点的x轴坐标，a2代表以铸造气缸盖浇注
口为原点的y轴坐标，a3代表以铸造气缸盖浇注口为原点的z轴坐标，a4代表传热系数，a5代
表凝固速率，a6代表时效温度，a7代表时效时间。考虑试验条件限制，本实施例中的传热系
数、时效温度和时效时间全部设定为相同条件下，对预测方法的实施不会造成影响。因铸造
铝合金气缸盖铸造过程和热处理过程均会影响到二次枝晶臂间距的大小，而孔隙率仅受铸
造过程的影响，故设定微组织结构参数中的二次枝晶臂间距(SDAS)作为决策属性D＝
{SDAS}，构建决策表；

[0051] S32对决策表进行属性约简，可以简化包括以下步骤：

[0052] ①对异常数据点进行处理，剔除粗大数据；

[0053] ②对归一化后的数据集进行离散化处理；

[0054] ③建立离散化后的决策表；

[0055] 经过离散化后的决策表如表2所示。

[0056] 表2经离散化处理的微组织结构决策表

[0057]

[0058] 步骤四、采用基于粗糙集的方法进行属性约简，计算条件属性的重要度，以获取试验数据的约简子集；

[0059] S41将铸造工艺参数和热处理参数与微组织结构参数决策表定义为一个四元组：

[0060] DT＝(U，C∪D，V，f)

[0061] 其中：

[0062] U：论域；

[0063] C∪D：C为条件属性集，D为决策属性集；

[0064] V：V＝∪V为属性的值域；

[0065] f：表示决策表的信息函数。

[0066] S42计算条件属性重要度，条件属性的重要度值即为SDAS各影响因素的定量表示。

[0067] 给定一个决策表DT＝(U，C∪D，V，f)，存在属性集 存在a∈C‑B，定义：

[0068]

[0069] 为条件属性a对条件属性集B相对于决策属性D的重要度，结果如图3示，其中a2重要度最大，为0.822，a5重要度最小，为0.222。

[0070] S43利用遗传算法对决策表进行属性约简,取出冗杂属性，得到条件属性C相对于决策属性D的约简REDC(D)＝{{a1},{a2,a5},{a3,a5}}。其中位置参数不参与约简。

[0071] 步骤五、通过粗糙集属性约简得到铸造铝合金气缸盖微组织结构决策表的约简子集，利用此约简子集作为BP神经网络的输入层，并建立BP神经网络预测模型；

[0072] S51采用三层BP神经网络，依据约简子集结果，选取条件属性作为输入节点数N，输出节点数M为决策属性个数；

[0073] S52以条件属性作为神经网络的输入，输入为位置参数x、y、z和凝固速率四个参数，以孔隙率和决策属性二次枝晶臂间距两个微组织结构参数作为神经网络的输出目标；

[0074] S53采用LM算法对神经网络模型进行训练，训练所有包含约简子集中的样本，获得满足误差要求的预测值；

[0075] 设隐藏层节点数为q，输入层与隐藏层的权值为ωmi，阈值为bm，隐藏层和输出层的权值为ωij，阈值为bi，f1为隐藏层的传递函数选取log‑Sigmoid，f2为输出层选取线性传递
函数purelin，i＝1，2，…；训练函数选取trainlm；

[0076] 传递函数log‑Sigmoid：

[0077] 输入层的输出等于整个网络信号的输入信号，：

[0078]

[0079] 其中x(n)为输入信号，n＝1，2，…， 为输入层的输出，n，m＝1，2，…；

[0080] 隐藏层节点的输入为：

[0081]

[0082] 其中 为隐藏层的输入；

[0083] 隐藏层节点的输出为：

[0084]

[0085] 其中 为隐藏层的输出；

[0086] 输出层节点的输入为：

[0087]

[0088] 其中 为输出层的输入；

[0089] 输出层节点的输出为：

[0090]

[0091] 其中 为输出层的输出。

[0092] 修正层间权值和阈值的方法如下：

[0093] 隐藏层的权值变化：

[0094] Δωmi＝ηδmixi

[0095] 其中η为学习率。

[0096] 输出层的权值变化：

[0097]

[0098] 当实施输出与期望输出不一致时存在输出误差E，如下：

[0099]

[0100] 其中dj(n)为网络的期望输出。调节的权值和阈值，使输出误差E的值减小至期望范围。确定隐藏层节点数q的方法如下：

[0101] 利用隐藏层节点数经验公式

[0102]

[0103] N和M分别是输入层和输出层的神经元个数，取4和2，a是[0，10]之间的常数。计算后的q值四舍五入取整，则隐藏层的神经元个数取6。BP神经网络预测模型图如图2所示，以
坐标点x坐标、y坐标值、z坐标值和凝固速率4个节点为BP神经网络输入层，以SDAS和孔隙率
2个节点为BP神经网络的输出层，隐藏层为6个神经元。

[0104] 步骤六、验证所述神经网络预测模型的有效性，取试验数据的一部分作为测试集，来验证训练的BP神经网络的正确性。经过多次训练后，预测值的相对误差达到15％以内，为
可接受范围，则认定此时神经网络训练有效。

[0105] 步骤七、当所述神经网络预测模型的预测误差达到可接受范围时，保存此BP神经网络，然后采用此BP神经网络模型进行后续微组织形貌预测。

[0106] 根据步骤S5中的权值和阈值计算公式以及输出误差计算公式，通过调节权值和阈值，使输出误差E的值减小至期望范围。BP神经网络的训练过程就是不断修正权值和阈值，
使得输出误差E尽可能的小，从而达到设定的精度标准。

[0107] 从孔隙率和二次枝晶臂间距的BP神经网络预测结果与试验结果的对比图4中可以看出，预测值接近试验值，孔隙率的预测误差最大为22.75％，最小为0.4％，平均误差为
10.85％；二次枝晶臂间距的预测误差最大为4.25％，最小为0％，平均误差为2.53％。

[0108] 本发明利用粗糙集理论对铸造铝合金气缸盖试验数据进行预处理，对铸造铝合金气缸盖试验数据决策表进行离散化处理和属性约简，剔除不相关属性后获得约简样本空
间，以简化输入变量；将约简样本空间作为BP神经网络的输入输出，得到网络训练模型，再
进行BP神经网络模型训练。经过反复学习训练，得到最小误差后，停止训练。最终得到微组
织结构的预测结果。

[0109] 以上所述的具体描述，对发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范
围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明
的保护范围之内。