金属表面的激光强化及强化类别的BP神经网络控制研究

第２０卷第５期

８２

农业工程学报

ＴｒａｎｓａｃｔｉｏｎｓｏｆｔｈｅＣＳＡＥ

Ｖ０１．２０Ｓｅｐｔ．

Ｎｏ．５２００４

２００４年９月

金属表面的激光强化及强化类别的ＢＰ神经网络控制研究

符永宏１，王大承２※，袁

（１．江苏大学机械工程学院，镇江２１２３０１５

润１，蔡兰１，张永康１

２．五邑大学机电工程系，广东江门５２９０２０）

摘要：通过试验分析，表明使用不同的激光工作参数，对金属材料进行激光强化处理，可使材料表面产生４种结果，即：未相变硬化、相变硬化、表面微熔及表面熔凝。建立了激光工艺参数与材料表面强化结果之间关系的ＢＰ神经网络模型，并应用该模型，对常用于制造农业机械和发动机齿轮、凸轮轴、链轮、曲轴等零件的材料ＨＴ３００进行激光强化处理试验。结果表明，ＢＰ神经网络模型可方便、准确地选择激光工艺参数，控制材料表面强化类别及工作性能。关键词：激光表面强化处理；表面强化类别；ＢＰ神经网络；控制

中图分类号：ＴＧｌ５６．９９；ＴＰｌ８３

文献标识码：Ａ文章编号：１００２—６８１９（２００４）０５一００８２一０４

Ｏ

引言

性能之间关系。迄今为止，材料表面激光热处理的应用研究，大体上还处在总结试验规律的阶段。

近年来，ＢＰ神经网络在激光加工过程控制及智能领域的研究，已引起人们的关注。人工神经网络具有强大的自适应、自组织、自学习及联想记忆能力，可以对复杂的非线性过程，高效、高精度地建立模型。本文基于ＢＰ网络模型，对常用于制造农业机械和发动机齿轮、凸轮轴、链轮、曲轴等零件的材料ＨＴ３００孕育铸铁表面激光强化类别及材料表面质量控制方法进行了研究。

１

激光对金属表面强化处理的实质，是通过快速加热和激冷两个过程，达到改变表面材料金相组织和提高材料机械性能的目的。激光与表面材料相互作用，其结果

可分为以下４种情况［１－３］：１）当材料表层温度瓦＜奥

氏体相变温度丁。时，材料表面显微组织和硬度几乎没有变化，不发生表面相变；２）当材料表层温度在Ｔ。＜７１。＜溶点丁。范围之内时，激光可使钢铁材料相变成奥氏体，奥氏体又转变为马氏体，使材料表面相变硬化；３）当丁ｙ（沸点）＞丁ｓ＞Ｔ。时，激光可使材料熔化，可进行

ＨＴ３００金相组织分析及其激光表面强化分

激光熔凝处理；４）当瓦＞丁ｙ时，激光使材料汽化蒸发。

可进行激光打孔、激光切割和在材料表面进行激光打标、激光刻花等。

激光表面改性过程包含着一系列复杂而又相互影响的物理化学过程。因此，通过理论计算激光与金属材料相互作用的结果，一直相当困难。虽然一些国内外学者，根据热传导理论，建立热传导和温度场的理论数学模型，并采用有限元及有限差分等数值计算方法，进行定量数值计算和理论分析，做了许多有益的探索和尝试［４－６］。但是，这些工作都是建立在大量假设及简化基础上的。例如，假设材料的导热系数及表面吸收系数不随温度的变化；将激光光束假想为理想的基模高斯光束，或方形和圆型的均匀光束；将被处理材料视为热物性参数与温度无关的半无限大均匀介质。但由于激光表面改性过程的瞬时性和复杂性，这些假设和简化与实际情况相差甚远，基本不能对实际热处理工艺的制定起直接指导作用。为探明其规律，国内外科技人员进行了大量试验，来寻找激光工艺参数与材料表面强化处理后的

收稿日期：２００２—１２一０４修订日期：２００４一０７一０５

基金项目：广东省自然科学基金资助项目（３２３６４）｝江苏省高校自然科学研究计划重点项目（０３ＫＪＡ４６００２０）

作者简介：符永宏，副教授，镇江市，主要从事润滑理论和激光应用技术研究。江苏省镇江市学府路３０１号２１２３０１。Ｅｍａｉｌ；ｆｙｈ＠ｕｊｓ．ｅｄｕ．ｃｎ

通讯作者：王大承，教授，从事激光应用技术研究。广东省江门市五邑大学１３４信箱，５２９０２０。Ｅｍａｉｌ：ｄｃｗａｎｇ＠ｗｙｕ．ｅｄｕ．ｃｎ

江苏大学机械工程学院，

类

１．１

ＨＴ３００金相组织分析

孕育铸铁ＨＴ３００含碳、硅较低，而含锰较高，基体

组织中除较少铁素体外，几乎全部都是弥散度较高的珠光体。经孕育处理后，石墨也呈明显细小均匀分布的Ａ型石墨（图ｌａ），且具有较好的抗拉强度（３００ＭＰａ），但表面强度仅为ＨＢ２１７左右。经激光相变硬化处理后，其金相组织主要为针状马氏体、残余奥氏体和未熔的片状石墨，但已明显变细变短（图１ｂ），其硬度范围为６２０～ＨＶｏ．１。激光熔凝处理后，熔化层的显微组织为细枝晶莱氏体。莱氏体包围的细小白色块状为残余奥氏

７６６

体，枝晶内有位错及孪晶结构的马氏体，在熔凝层内几乎看不到片状石墨的痕迹（图１ｃ）。硬度明显提高，为

７５０～１０００ＨＶＯ．１。

１．２激光表面强化分类

１）非相变硬化处理

当材料表层温度小于相变温

度时，表面显微组织几乎无变化，不发生相变。但由于温度上升，可改变表面应力分布状况。本文将其归类为非相变硬化处理。

２）激光相变硬化处理材料表面显微组织中珠光体转化为针状马氏体，硬度在６２０～７６６ＨＶＯ．１，表面精度一般不会降低。同时，片状石墨块减小，在磨粒磨损或粘着磨损中，虽有石墨脱落，但仍能起到贮油的作用。又由于表面不产生裂纹，可以满足有一定硬度要求的内燃机缸套、凸轮轴及链轮、齿轮、机床导轨工作面的要求。

万方数据　

第５期符永宏等：金属表面的激光强化及强化类别的ＢＰ神经网络控制研究

８３

ａ．处理前原始组织×５∞

ｂ．相变硬化金相组织×１５００

ｃ．熔化层金相组织×１５００

图１

ＨＴ３００激光强化处理前后的金相组织

Ｆｉｇ．１

ＳｔｒｕｃｔｕｒｅｏｆＨＴ３００ｕｎｐｒｏｃｅｓｓｅｄａｎｄ

ｐｒｏｃｅｓｓｅｄｂｙ１ａｓｅｒｓｔｒｅｎｇｔｈｅｎｉｎｇｔｒｅａｔｍｅｎｔ

３）激光微熔处理材料表面呈微熔状，其熔化层深度小于ｏ．１ｍｍ，组织中有高硬度、高耐磨性的细枝晶莱氏体，使试件抗磨粒磨损能力增加，即耐磨性增加。同时，石墨部分溶解，端部钝化，由残余奥氏体包围。这种显微组织在磨损初期剩余石墨脱落，起贮油润滑作用。形成的孔洞虽会产生应力集中，但程度减轻，周围奥氏体有较好塑性变形以缓解应力集中，因而延长了疲劳裂纹的产生和扩展，提高了疲劳寿命。微熔时表面粗糙度增加不大，是值得推荐的一种激光强化方法。

４）激光熔凝处理材料表面组织为细枝晶莱氏体，其硬度为７５０～１０００ＨＶｏ．二，硬化层深度明显增加，细小的碳化物所形成的硬质点具有极好的耐磨性，硬化层深度可达１ｍｍ。但表面形貌呈波纹状，粗糙度增加，可能出现微裂纹，一般应控制在ｏ．２ｍｍ范围内。激光熔凝处理后都要精加工才能满足零件的要求。

例如，对于已经精加工、材料为ＨＴ３００的零件某些局部表面（如齿轮、链轮的轮廓、机床导轨等），进行硬化处理，可根据相变硬化处理所对应的类别，选取适当激光工艺参数：激光功率Ｐ、扫描速度口、光斑直径Ｄ等的组合。然后，用ＢＰ网络模型进行模拟控制，检验激光强化处理后所得加工表面，是否满足具体的技术要求。

２人工神经网络神经网络模型的建立

神经网络是在研究生物神经系统的启示下，发展起来的一种信息处理方法，建立在学习过去的经验基础上。因而学习好的网络不需要建立其它任何数学模型，便能处理模糊的、非线性的、含有噪声的数据，可用于预测、分类、模式识别、非线性回归、过程控制等各种数据处理场合，而且在大多数情况下，应用效果优于传统统计分析方法［７］。

ＢＰ网络同于多层感知机网络，ＢＰ算法（Ｂａｃｋ—Ｐｒｏｐａｇａｔｉｏｎ—Ａｌｇｏｒｉｔｈｍ）的主要思想是：对于给定的学习样本，使网络的输入等于样本的输入，然后用网络的实际输出和学习样本的输出之间的误差来修改权值，使

万　

方数据网络的输出与样本的输出尽可能接近，即：使网络输出层的总误差平方和达到最小。它是通过连续不断地在相对于误差函数斜率下降的方向上计算网络权值和偏差的变化而逐渐逼近目标的。每一次权值和偏差的变化都与网络误差的影响成正比，并以反向传播的方式传递到

每一层。由于网络的学习采用误差反向传播算法，因此又称ＢＰ算法。标准的ＢＰ模型中有３个层次的神经元，即输入层、隐含层和输出层。相邻两层的神经元之间形成全互连接，每层内的神经元则没有连接。ＢＰ网络采用的是监督的艿学习规则，其基本思想是：两神经元间的连接强度的变化与教师ｄ。（愚）和网络实际Ｏ。输出信号

之差成正比，与其输入单元的激励成正比。ＢＰ网络的学习算法是有导师的误差反向传播组成。在正向传播过程中，输入信息由输入层经隐含层逐层传递，并传向输出层。这时如果在输出层的网络输出与所期望的的输出相差较大，则转入反向传播，根据误差信号从输出层开始，反向逐层逐个节点计算各连接权值的修正量，以修改各层神经元的权值，是误差信号最小。训练网络的指标函数为：

Ｅ一去＞：＞：（ｆ外一。雄）２

１一一

厶Ｐ７’下

（１）

式中

户——训练用标准样本数；ｆ砖——网络的实际

输出；ｏ触——网络的期望输出。

采用梯度下降法使式（１）最小，即采用艿广义规则算法，权值修正式为：

，Ｆ

△Ⅵ，“（咒＋１）一７：蚤苦Ｌ＋口・△Ⅵ，ｉ（咒）

（２）

ｄｙｙ＾』

式中△Ⅳ。（咒＋１）——该次的权值修正量；

取值（ｏ，１）之间；叩——学习因子，取值（ｏ，１）之间。

本文采用上述算法，用来建立神经网络分类预测、控制模型。在激光器、表面涂层等工艺条件一定的前提下，激光处理区表面强化类别与所选择的激光工作参面强化类别作为输出节点。输出单元为１个，输出单元图２神经网络模型结构图

Ｆｉｇ．２

ＡｒｃｈｉｔｅｃｔｕｒｅｏｆＢＰｎｅｕｒａｌ

ｎｅｔｗｏｒｋ

△Ⅳ。（ｎ）——上一次的权值修正量；口——惯性因子，数：激光功率Ｐ、扫描速度口、光斑直径Ｄ等相关。因此，本文选用了３层ＢＰ型神经网络模型（如图２所示），以ＨＴ３００合金结构钢为例进行研究。网络的输入节点有３个，即激光功率Ｐ、扫描速度口、光斑直径Ｄ。以激光表输出的编码分别为ｌ、２、３、４，表示激光处理强化类别的４个区域。其中：“１”表示非相变硬化处理区；“２”表示激光相变硬化处理区；“３”表示激光表面为微熔处理区；“４”则表示表面为激光熔凝处理区。隐含层选择是决定

８４

农业工程学报

模型好坏的关键，可以先选择１５个隐含层单元进行试验，在训练好的网络上，在保持预测精度相同的情况下，逐渐减少隐含层单元数，可以减小网络规模，缩短网络训练和运算时间。同时由于减少了单元间的连接数，网络更容易学习到训练数据的一般规律。２．１神经网络的训练

网络的训练是以前馈方式进行的。先从输入层开始正向计算各层神经元（节点）的输入和输出。当输出层节点的实际输出与事先给定的信号不一致或误差不满足

表１

Ｔａｂｌｅ１

时，则执行误差前馈传播，逐层修改网络的连接权值，直至误差信号满足要求为止。网络的训练数据必须包括强化类别及材料表面质量。本文选用了７０样本数据（如表１）的激光参数和表面强化类型训练网络。在经过５０００次学习循环后，网络误差达到了规定的误差６．３０４４９Ｅ—０５。由表２可以看到，网络经学习后，输出的表面分类等级与实际状况几乎一致，可以认为网络对每个实例样本有了基本的掌握。

激光表面强化分类方法控制试验部分数据参数及结果

Ｅｘｅｒｐｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｏｆｄｉｆｆｅｒｅｎｔｃｌａｓｓｉｆｉｃａｔｉｏｎｓｆｏｒｌａｓｅｒｓｕｒｆａｃｅｓｔｒｅｎｇｔｈｅｎｉｎｇ

ｐｒｏｃｅｓｓｂｙｄｉｆｆｅｒｅｎｔｌａｓｅｒｗｏｒｋｉｎｇｐａｒａｍｅｔｅｒｓ

样本序号Ｎｏ．激光功率Ｐ／ｋｗ扫描速度口／ｍｍ・ｓ一１光斑直径Ｄ／ｍｍ

试验结果样本序号Ⅳｏ．激光功率Ｐ／ｋＷ扫描速度＂／ｍｍ・ｓ一１光斑直径Ｄ／ｍｍ

试验结果

１２３４５６７８９ｌＯｌｌ１２１３１４１５

１９２０２１２２２３２４２５

２．２神经网络的训练与检测

网络只有在用经验数据对其性能进行检验，结果满足要求后才能投入使用。检测数据与训练数据的选择方式应相同、并且不曾被作为网络训练学习的数据，同时应包含网络设计要求的全部模式，才能保证全面检查网络性能。表２选择了１０组样本作为检验数据并与实际

测的值进行比较，可以看到预测值基本和实际值一阵子。这说明网络用自学习得到的各组输人参数与表面分类等级的关系可以作为预测和控制表面强化类别和样本质量的知识。网络利用这个知识进行推理，进而预测出了未经网络学习过的样本的表面强化类型和质量。

表２试验结果及ＢＰ网络模型分类检验对比

Ｔａｂｌｅ２

ＥｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓａｎｄＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ

１ｏ．８８５１．９９９

２

２ｏ．８１２４Ｏ．９９５２

１

３ｏ．９８３４４

４ｏ．９１０４２２

ｏｕｔｐｕｔ

ｏｆｃｌａｓｓｉｆｉｃａｔｉｏｎｏｆ１ａｓｅｒｓｕｒｆａｃｅｓｔｒｅｎｇｔｈｅｎｉｎｇｔｒｅａｔｍｅｎｔ

５１．Ｏ８３４４

６１．ｏ１２５１．０８５

１

７１．１８４３．９９８１

４

８１．１１２３３．０８３４

３

９

１０

样本序号Ｎｏ．激光功率Ｐ／ｋｗ扫描速度口／ｍｍ・ｓ一１光斑直径Ｄ／ｍｍＢＰ网络输出试验结果

３分类网络控制的几个实例

神经网络模型的效果，需经实际检验。本文用几个实例对ＢＰ网络模型进行验证。

１）链轮齿表激光强化

本例是对小节距（Ｐ≤１２．７ｍｍ）链轮进行强化处理。根据零件工艺要求，表面硬化处理后不再作精加工。链轮齿廓的淬火过去都是采用表面淬火，工艺复杂，沿齿廓硬度分布并不理想。采用激光进行相变硬化处理，选用激光加工工艺参数为：Ｐ一１．１ｋＷ、可＝１０

ｍｍ／ｓ、Ｄ一６ｍｍ。将Ｐ、ｕ、Ｄ值输入ＢＰ网络模型，输

ＨＶｏ．１。表面金相组织中珠光体转化为针状马氏体，硬度增高，表面精度无明显降低。同时，片状石墨块减小，在磨粒磨损或粘着磨损中，虽石墨脱落，但仍能起到贮油的作用，又由于表面不产生裂纹，所以耐磨性较感应淬火处理的表面要好，可满足有一定硬度要求的链轮、齿轮齿廓和机床导轨工作面的要求口］。

２）凸轮表面激光熔凝处理

摩托车凸轮轴表面硬度要求为４８～５４ＨＲＣ，热处理后需精加工。根据上述要求，选用工艺参数为尸一１．２ｋＷ、可一６ｍｍ／ｓ、Ｄ一５ｍｍ。输人ＢＰ网络模型，其输出单元的输出值应为“４”，即激光加工控制在激光熔凝区处理。ＨＴ３００摩托车凸轮轴表面激光熔凝处理后，材料表面组织为细枝晶莱氏体。硬度为９５９ＨＶｏ．１

出单元的输出值应为“２”，即为相变硬化处理。实际检测表明，相变硬化处理后链轮齿廓表面硬度达６６４

万方数据　

万

　

方数据

金属表面的激光强化及强化类别的BP神经网络控制研究

作者：作者单位：刊名：英文刊名：年，卷(期)：引用次数：

符永宏， 王大承， 袁润， 蔡兰， 张永康

符永宏,袁润,蔡兰,张永康(江苏大学机械工程学院,镇江,212301)， 王大承(五邑大学机电工程系,广东江门,529020)

农业工程学报

TRANSACTIONS OF THE CHINESE SOCIETY OF AGRICULTURAL ENGINEERING2004，20(5)0次

参考文献(9条)

1.王大承 激光表面改性技术及其在发动机中的应用 2001(8)2.王大承 孕育铸铁激光表面强化处理 2001(11)

3.Mazumder J.Steen W M Heat transfer model for Cw laser material processing 1980

4.Ichiko O.Hamada N.Soga H Development of the simulation model for 15 kW CO2 laser materialsprocessing 1987

5.Basu B.Date A W Numerical study of steady state and transient laser melting problem-1:characteristics of flow field and heat transfer 1990(6)6.Chan C H Laser in metal surface modification 19847.张际先.宓霞 神经网络及其在工程中的应用 1996

8.王大承 HT300链轮齿表激光强化技术研究[期刊论文]-应用激光 2001(6)9.王大承 HT300摩托车凸轮轴激光表面强化处理研究[期刊论文]-激光技术 2002(6)

相似文献(0条)

本文链接：http://d.g.wanfangdata.com.cn/Periodical_nygcxb200405016.aspx

下载时间：2010年5月24日