一种硬度预测模型的建立方法及预测方法与流程

1.本技术涉及硬度预测方法的领域，尤其是涉及一种硬度预测模型的建立方法及预测方法。


背景技术：

2.硬度作为衡量材料软硬程度的指标，其检测方法十分重要。材料的硬度本质上由材料的微观结构决定，原子晶格之间产生的晶格畸变越大，材料内部错位密度增加，材料的硬度也就越高。
3.目前，铁磁性金属材料的硬度检测普遍采用传统的力学方法，通过硬度测量仪进行测量。硬度测量仪的原理是把一定尺寸的压头在一定试验力作用下以一定的速度压入试样表面，经规定的试验力保持时间后卸除试验力，最终以试样压痕表面积上的平均压力来表示材料的硬度值。
4.针对上述中的相关技术，发明人认为传统的硬度检测方法会对试样造成破坏，在实际检测过程中仅能够对材料进行抽样检测，不能反映材料的整体硬度，而且检测效率低。


技术实现要素：

5.为了解决硬度检测过程中对铁磁性金属试样造成破坏的问题，有助于反映材料的整体硬度，并提高检测效率，本技术提供一种硬度预测模型的建立方法及预测方法。
6.第一方面，本技术提供一种硬度预测模型的建立方法，采用如下的技术方案：一种硬度预测模型的建立方法，包括：准备步骤：准备不同硬度的多个标定试样，所述标定试样的材料为铁磁性金属材料；采集步骤：对各个所述标定试样进行测量，并获得各个所述标定试样的硬度及选定电磁参数；建模步骤：根据各个所述标定试样的硬度和选定电磁参数确定选定电磁参数与硬度的对应关系，并得到硬度预测模型。
7.通过采用上述技术方案，由于材料的电磁性能和力学性能本质上都由材料的微观结构决定，两者之间存在对应关系，因此通过标定实验发现并建立火车车轮的电磁参数与硬度之间的对应关系，进而通过测量电磁参数来预测车轮硬度。首先对不同硬度的标定试样的选定电磁参数进行测量，并对不同硬度的标定试样的硬度进行测量，然后根据测量出的选定电磁参数和硬度建立起选定电磁参数与硬度之间的对应关系，得出通过电磁参数预测硬度的预测模型。对硬度进行检测时，仅需要测量出选定电磁参数，再代入预测模型中得出预测硬度，从而避免了通过传统方法在硬度检测过程中对试样造成破坏，并且能够对测量材料整体的选定电磁参数以及整批材料的选定电磁参数，进而便于反映材料整体的硬度以及整批材料的硬度，有效提高了对材料硬度的检测效率。
8.可选的，所述选定电磁参数包括三次谐波的相位p3、五次谐波的相位p5、切向磁场
强度信号第一个过零点处的谐波信号幅值h
ro
、电磁铁的漏磁电压信号幅值v
mag
、mbn曲线与纵轴的截距mr、mbn曲线的最大值对应的切向磁场强度h
cm
、ip曲线与纵轴的截距μr和/或ip曲线的最大值对应的切向磁场强度h
cμ
。
9.通过采用上述技术方案，三次谐波的相位p3、五次谐波的相位p5、切向磁场强度信号第一个过零点处的谐波信号幅值h
ro
、电磁铁的漏磁电压信号幅值v
mag
、mbn曲线与纵轴的截距mr、mbn曲线的最大值对应的切向磁场强度h
cm
、ip曲线与纵轴的截距μr、ip曲线的最大值对应的切向磁场强度h
cμ
与硬度之间的线性相关程度较高，因此作为选定电磁参数以确定与硬度的对应关系。
10.可选的，所述建模步骤具体包括：根据各个所述标定试样的硬度和所述选定电磁参数，采用一元线性回归分析方法、多元线性回归分析方法或神经网络训练方法获取所述选定电磁参数与硬度值的对应关系，并得出硬度预测模型。
11.可选的，所述选定电磁参数为电磁铁的漏磁电压信号幅值v
mag
；所述建模步骤具体包括：根据各个所述标定试样的硬度和所述选定电磁参数，采用一元线性回归分析方法获取所述选定电磁参数与硬度值的对应关系，并得出硬度预测模型。
12.通过采用上述技术方案，电磁铁的漏磁电压信号幅值v
mag
是与硬度线性相关程度最高的电磁参数，因此在电磁铁的漏磁电压信号幅值v
mag
与硬度之间采用一元线性回归分析方法得出的硬度预测模型的预测精度最高。
13.可选的，所述选定电磁参数包括三次谐波的相位p3、mbn曲线与纵轴的截距mr和ip曲线与纵轴的截距μr；所述建模步骤具体包括：根据各个所述标定试样的硬度和所述选定电磁参数，采用多元线性回归分析方法获得选定电磁参数与硬度的对应关系，并得到硬度预测模型。
14.通过采用上述技术方案，采用多元线性回归方法建模时，将三次谐波的相位p3、mbn曲线与纵轴的截距mr和ip曲线与纵轴的截距μr作为自变量得出的回归方程的拟合优度最高，由此获得的多元线性回归的硬度预测模型的预测精度最高。
15.可选的，所述选定电磁参数包括三次谐波的相位p3、五次谐波的相位p5、切向磁场强度信号第一个过零点处的谐波信号幅值h
ro
、电磁铁的漏磁电压信号幅值v
mag
、mbn曲线与纵轴的截距mr、mbn曲线的最大值对应的切向磁场强度h
cm
、ip曲线与纵轴的截距μr和ip曲线的最大值对应的切向磁场强度h
cμ
；所述建模步骤具体包括：根据各个所述标定试样的硬度和所述选定电磁参数，采用神经网络训练方法获得选定电磁参数与硬度的对应关系，并得到硬度预测模型。
16.可选的，所述选定电磁参数包括三次谐波的相位p3、mbn曲线与纵轴的截距mr和ip曲线与纵轴的截距μr；所述建模步骤具体包括：根据各个所述标定试样的硬度和所述选定电磁参数，采用神经网络训练方法获得选定电磁参数与硬度的对应关系，并得到硬度预测模型。
17.通过采用上述技术方案，由于电磁参数三次谐波的相位p3、mbn曲线与纵轴的截距mr和ip曲线与纵轴的截距μr是与硬度的多元回归方程中拟合优度最高的电磁参数，因此电磁参数三次谐波的相位p3、mbn曲线与纵轴的截距mr和ip曲线与纵轴的截距μr对硬度的影响较为显著，将其通过神经网络训练方法获得硬度预测模型，减小神经网络训练方法的硬度
预测模型的预测误差。
18.可选的，在所述建模步骤中，先对所述标定试样的硬度和选定电磁参数进行归一化处理，然后再采用神经网络训练方法获取选定电磁参数与硬度值的对应关系，并得出硬度预测模型。
19.通过采用上述技术方案，建模时，先通过归一化方法对采集到的选定电磁参数和硬度进行处理，将所有的电磁参数和硬度映射到0～1范围之内，使后续建模分析的过程更加方便和快速。
20.第二方面，本技术提供一种硬度预测方法，采用如下的技术方案：一种硬度预测方法，包括：检测步骤：对待测试样进行测量，并获得选定电磁参数，其中所述待测试样的材料为铁磁性金属材料；预测步骤：将所述选定电磁参数输入到硬度预测模型内，并获得所述待测试样的硬度，其中所述预测模型是由实施权利要求1所述方法所获得的硬度预测模型。
21.可选的，各个所述标定试样从列车车轮上切取，所述待测试样为列车车轮。
22.综上所述，本技术包括以下至少一种有益技术效果：1.通过获得铁磁性材料的电磁参数与硬度之间的对应关系，进而通过测量电磁参数预测材料硬度，避免了对材料造成破坏，且便于反映材料整体的硬度以及整批材料的硬度，有效提高了对材料硬度的检测效率。
具体实施方式
23.以下对本技术作进一步详细说明。
24.本技术的原理如下：铁磁性材料的电磁性能和力学性能本质上都由材料的微观结构决定。一方面，铁磁性材料内部结构的晶粒越小、孪晶和晶格位错越多、晶格畸变的程度越大，材料的硬度也就越高。另一方面，铁磁性材料在外加周期性磁场作用下，由于其材料的微观结构不同，晶格的位错和晶界对磁畴翻转的钉扎效应存在差异，从而导致表征磁畴磁化行为的电磁性能不同。因此，由材料微观结构决定的材料硬度和材料电磁性能之间存在对应关系。
25.本技术通过标定实验发现并获得铁磁性材料的电磁参数与硬度之间的对应关系，进而通过测量电磁参数来预测铁磁性材料的硬度，避免在硬度检测过程中对材料造成破坏，且能够通过测量材料整体和整批材料的电磁参数以便于反映材料整体以及整批材料的硬度，有效提高了对材料硬度的检测效率。
26.基于以上原理，本技术提出一种硬度预测模型的建立方法。
27.一种硬度预测模型的建立方法，包括：准备步骤：准备不同硬度的多个标定试样，标定试样的材料为铁磁性金属材料，本技术实施例中以列车车轮为例建立硬度预测模型。
28.首先选取同型号且完成所有既定制造工序的待测车轮，在本技术实施例中选取d2型动车组车轮；然后根据动车组车轮产品标准的规定，车轮硬度的测量部位在轮辋，所以标定试样从列车车轮轮辋上切取；最后制作出不同硬度的标定试样，标定试样的硬度呈均匀
梯度变化，且标定试样硬度值的范围覆盖硬度合格值范围的150％。在本技术实施例中切取标定试样的数量为5个，选取的车轮合格值范围为260～310hbs，因此标定试样硬度值的范围为235～335hbs。
29.为获得硬度呈均匀梯度变化的标定试样，切取标定试样后，对标定试样进行热处理。在本技术实施例中，将切取后的标定试样放入850℃加热炉中保温1.5h后水淬，控制回火温度在500℃～700℃，且不同标定试样的回火温度间隔为50℃。
30.采集步骤：首先通过电磁检测传感器分别对每个标定试样的电磁参数进行测量和记录，再通过常规方法使用布氏硬度计对各个标定试样的硬度进行测量和记录。
31.在本实施例中测量的电磁参数包括切向磁场强度参数、巴克豪森噪声参数和增量磁导率参数，切向磁场强度测量的具体电磁参数如表1所示，巴克豪森噪声测量的具体电磁参数如表2所示，增量磁导率测量的具体电磁参数如表3所示。
32.表1切向磁场强度的电磁参数表2巴克豪森噪声的电磁参数
表3增量磁导率的电磁参数测量后，对测量的每一项电磁参数与硬度之间的线性相关性进行考察，计算出每一项电磁参数与硬度之间的相关系数r，并将与硬度的相关系数r的绝对值小于0.7的电磁参数进行剔除，即除去与车轮硬度相关程度较小的电磁参数，剩余的与硬度相关系数的绝对值不小于0.7的电磁参数即属于选定电磁参数，选定电磁参数包括的所有电磁参数如表4所示。
33.表4选定电磁参数包括的所有电磁参数建模步骤：根据各个标定试样的硬度和选定电磁参数，分别采用一元线性回归分析方法、多元线性回归分析方法和神经网络训练方法获取选定电磁参数与硬度的对应关系，并分别得出硬度预测模型。
34.采用一元线性回归分析方法进行建模：由于电磁铁的漏磁电压信号幅值v
mag
是与硬度的线性相关系数最高的电磁参量，因此将电磁参数v
mag
作为一元线性回归建模的选定电磁参数。根据各个标定试样的硬度和电磁铁的漏磁电压信号幅值v
mag
，采用一元线性回归分析方法获取v
mag
与硬度的对应关系，并得出一元线性回归的硬度预测模型。
35.采用多元线性回归方法进行建模：在多元线性回归建模时，通过逐步回归方法将选定电磁参数包括的所有电磁参数逐一引入并进行挑选。即三次谐波的相位p3、五次谐波的相位p5、切向磁场强度信号第一个过零点处的谐波信号幅值h
ro
、电磁铁的漏磁电压信号幅值v
mag
、mbn曲线与纵轴的截距mr、
mbn曲线的最大值对应的切向磁场强度h
cm
、ip曲线与纵轴的截距μr和ip曲线的最大值对应的切向磁场强度h
cμ
逐个引入，且每引入一个新的电磁参数，都对之前所引入的电磁参数进行显著性检验，剔除对硬度影响不显著的电磁参数，而仅留下对硬度影响显著的电磁参数，由此使得与预测模型拟合优度r2高的电磁参数作为预测模型的自变量，并剔除了与预测模型拟合优度r2低的电磁参数，这样边引入边剔除，直到既无新的电磁参数引入也无旧的电磁参数剔除为止，此时剩余的选定电磁参数为三次谐波的相位p3、mbn曲线与纵轴的截距mr和ip曲线与纵轴的截距μr，由此获得拟合优度r2值最高的多元线性回归硬度预测模型。
36.采用神经网络训练方法进行建模：首先对标定试样的硬度和所有选定电磁参数都进行归一化处理。记硬度或某项电磁参数为xj(其中j＝1，2，3
……
k，k为标定试样数量)，则它们的归一化特征值为：其中x
max
为硬度或该项电磁参数的最大值，x
min
为硬度或该项电磁参数的最小值。
37.采用人工bp神经网络方法建立所有选定电磁参数与硬度的对应关系。将所有选定电磁参数的归一化特征值和硬度的归一化特征值中的80％导入人工bp神经网络中训练并形成预测模型，然后根据所有电磁参数归一化特征值剩余的20％进行预测，并与实际对应的硬度归一化特征值进行比较得到预测误差值。在本技术实施例中，将所有选定电磁参数的归一化特征值和对应的硬度归一化特征值中的4组导入人工bp神经网络中训练并形成预测模型，然后根据所有选定电磁参数的归一化特征值中剩余的1组进行预测，并与实际对应的硬度归一化特征值进行比较得到预测误差值。
38.按照上述方法对多元线性回归预测模型中获得r2值最高的电磁参数与硬度进行人工bp神经网络建模，即对三次谐波的相位p3、mbn曲线与纵轴的截距mr、ip曲线与纵轴的截距μr的归一化特征值与硬度的归一化特征值进行人工bp神经网络建模，形成预测模型并得到预测误差值。
39.对两种人工bp神经网络预测模型的预测误差进行比较，由此得出预测误差较小的人工bp神经网络硬度预测模型。
40.检验步骤：选择与标定试样具有相同材质、制造工艺且硬度值在标定实验硬度值范围内的金属材料制作验证试样；然后通过电磁检测传感器对验证试样的所有选定电磁参数进行电磁检测。
41.将验证试样的选定电磁参数分别代入获得的一元线性回归硬度预测模型、多元线性回归硬度预测模型和预测误差较小的人工bp神经网络硬度预测模型中，并分别得出验证试样的硬度。
42.利用常规方法使用布氏硬度计对验证试样的硬度进行测量和记录，然后将常规方法测量出的硬度分别与三种硬度预测模型预测得出的硬度进行比较，得出三种硬度预测模型的误差，若误差小于预先设定的允许误差，则说明硬度预测模型满足要求，反之，则不满足要求。在本技术实施例中，火车车轮的允许误差为5％(相对误差)。在满足要求的硬度预测模型中选出误差最小的为最佳硬度预测模型。若三种硬度预测模型都不满足要求，则重新进行标定实验，直至获得最佳硬度预测模型。
43.本技术实施例还公开一种硬度预测方法。
44.一种硬度预测方法，包括：检测步骤：首先对待测试样进行测量，并获得选定电磁参数，在本实施例中待测试样为列车车轮。
45.预测步骤：将测量的选定电磁参数输入到最佳硬度预测模型内，并获得待测试样的硬度。
46.以上均为本技术的较佳实施例，并非依此限制本技术的保护范围，故：凡依本技术的结构、形状、原理所做的等效变化，均应涵盖于本技术的保护范围之内。