1、基于 GA-BP 神经网络的 2124 铝合金时效成型试验研究基于 GA-BP 神经网络的 2124 铝合金时效成型试验研究甘忠 成武冬 张海燕（西北工业大学机电学院 西安 710072）摘要：本文在理论研究的基础上设计了 2124 铝合金拉伸时效成形的试验（应力松弛试验） ，有针对性的研究了初始应力水平（） 、时效温度（T） 、保温时间（t）等因素对材料应力释放的影响。通过比较，采用遗传算法优化 BP 神经网络结构和初始权值，建立 2124 铝合金材料时效成型应力松弛模型，克服了传统 BP 神经网络结构难以确定和易于陷入局部极小点的缺点，实现了在不同条件下预测材料应力松弛量，精度满足要求。关
2、键词：时效成型，应力松弛，BP 神经网络，遗传算法This age forming experiments of 2124 alloy basis on the GA-BP Neural NetworksAbstract: This essay designed age forming experiments of 2124 alloy(stress relaxation experiments) basis on the summarizing of production both domestic and abroad and theory analysis，aiming at prima
3、ry stress level（）, aging temperature（T）, heat preservation time（t）and other factors effect ion on the release of material stress. By comparative with other Neural Networks method, optimize the framework of GA-BP and initialize Weight, then build up the prediction model of 2124 alloy, conquer the bug
4、 of other Neural Networks and come true the function of forecasting stress relaxation qt. it precision accord with experiments demandKey word: age forming, stress relaxation, BP Neural Network, Genetic Algorithms引言：时效成形是将零件成形和人工时效处理相结合的新型钣金成形工艺。它利用高温金属的应力松弛效应，将弹性变形转化为永久塑性变形从而达到成形的目的1。文献2首次将统一弹性-粘塑性本
5、构模型用于时效成型过程模拟，取得了一定成果。文中，时效成型过程实际包含了各种复杂的力学现象，如弹性变型、塑性变型、蠕变、应力松弛、热应力等情况。因为其成型机理十分复杂，因此很难用传统的数理方法得出其数学模型。本文采用正交试验的方法，考察各种成型因素对 2124 铝合金材料时效成形过程中的应力松弛量的影响，建立 BP 神经网络得到成形因素对于应力松弛量的非线性映射。1时效成形技术的原理及特点时效成形技术，是先对试件施予一定预变形，加温后使部分弹性应变转化为塑性变形的一种新型的铝合金成形办法3。它通过将弹性变形转化为永久的塑性变形来达到成形的目的，成形过程具体可以分成加载、时效、卸载三个阶段：在成
6、形的同时，它改善了合金的微观组织，提高材料强度，降低残余内应力水平，增强耐应力腐蚀能力4，是将零件成形和人工时效处理相结合的新型钣金成形工艺，是航空先进制造技术的发展重点，是长寿命、高可靠制造技术重点发展的方向之一。图 1.1 时效成形过程示意图由于时效成形不需要大吨位专用设备，而且具有成形效果好、成形质量稳定、生产效率高、工装简单、人工干预少等优点，非常适合应用于大平面尺寸、小曲率、型面结构复杂、准确度高的框肋腹板和壁板类零件精密成形。因此，开展时效成形技术研究，能提高我国飞机的整体制造水平，具有重要的现实意义。时效过程中的应力应变关系如下图所示。其中，加载阶段和卸载阶段被视为线形、弹性的过
7、程，而时效的阶段则视为非线性的应力松弛的过程。图 2-3 时效过程中的应力应变关系2.试验方法和试验设计2.1 试验参数的选取文献34认为，应力松弛的大小和速率与材料本身及其初始应力水平有关，并且随着温度的升高和时间的延长，应力松弛现象越来越显著。本文在综合前人研究的基础上，选取温度（T） 、时间（t）和初始应力水平（）为试验参数，最后得出的实验结果为试件的应力松弛量。2.2 试件和材料性质试件的材料为 2124 铝合金，2124 为 AlCuMg 系铝合金，可热处理强化。该合金是在 2024 硬铝合金基础上降低硅、铁杂质含量，并采用特殊工艺开发出来的。合金具有优良的压力加工和机械加工性能。表
8、（2.1）2124 合金的化学成分（质量分数） （%）：SiFeCuMnMgCrZnTi其他Al单个合计0.200.303.84.90.300.91.21.80.100.250.150.050.15余量图（2.1）试件零件图如下图所示：2.3 应力松弛试验设备及试验过程2.3.1：试验设备试验设备主要为 CSS-44410 电子万能试验机（最大负荷：100KN） 、高温炉、温度控制器、设备控制电脑（图 3.2） 。图 2.2 CSS-44410 电子万能试验机2.3.2：试验机工作原理应力松弛试验是通过在给定变形值的情况下，显示在一定时间内应力虽时间的变化情况。试验机通过力传感器、位移传感器、
9、变形传感器来精确测量在试验中试件内的应力及变形情况。传感器将获得信号转变为电信号送到 A/D 转换器，通过 A/D 转换器转变为电脑可以识别的信息，通过软件将这些信息记录下来并在屏幕上显示。2.3.3 试验设计试验设计采用正交试验设计，试验因素和水平如下表所示试验因素试验水平初始应力水平/MPa60，90，180，225，300时效温度/75，125，170，190，200保温时间/h2，4，6，12，18共进行 25 次试验2.3.4：实验过程1）：测量试件的标距，厚度及试件宽度。2）：设置试验机操作程序，将试验机控制设置为自由分段控制。第一段主要是完成试验机间隙的消除设置。第二段主要是完成
10、对试验试件的加载。第三段完成对该载荷下对位移的清零处理。第四段对零件进行卸载。在整个试验过程中对于保持段的数据采集设置为0.1Hz,加载段的数据采集设置为 10Hz。3）：装夹试件，并将热电藕捆绑于试件表面。4）：关闭加热炉进行加热。3. BP 神经网络及其缺陷BP 神经网络的强大非线性映射能力，已经成为目前大量采用的一种人工神经网络模型，从理论到实践都很成熟，理论上已证明可用之模拟任何非线性系统。一个具有 m 个输入节点、个隐层节点、n 个输出节点的 3 层前向网络结构如图 1 所示。图中为输入节点的输入，为输入节点的输出， ；为隐层节点的输入，为隐层节点的输出， ；为输出节点的输入，为输出
11、节点的输出， ；为输入节点到隐层节点的权值；为从隐层节点到输出节点的权值。其各层的算法为：（为隐层的偏置值）（为输出层的偏置值）从上述分析可以看出，BP 算法的误差减小是按照负梯度方向进行的，极易陷入局部极小点的困境；当训练样本个数过多或是输入输出之间 的关系复杂化时，网络的收敛速度就变得很慢；同时，该辨识器对网络的结构和初始值提出更高的要求，当这些参数设置得不合理时，网络易于发生振荡，甚至出现不收敛的现象5。4、 GA-BP 优化神经网络4.1 遗传算法的特征GA-BP 优化神经网络的主要特点在于群体搜索策略和群体中个体之间的信息交换，搜索不依赖于梯度信息，对求解问题也没有特殊要求。因此遗传
12、算法适用于处理那些传统方法难于解决的复杂的非线性问题67。本文先采用混合编码的遗传算法同时优化了神经网络的结构及初始值，再利用 BP 算法的局部搜索能力，对权值进行精确调节。遗传算法优化网络初始权值，不仅提高了网络的收敛速度，而且克服初始值对 BP 算法的影响的问题。由于三层神经网络只有输入层，输出层和隐层组成，而输入、输出层节点个数是由建模样本决定的。因此，遗传算法对神经网络的结构优化主要在于隐层中节点个数的确定6。4.2 算法的具体实现步骤：1) 参数初始化：包括遗传算法初始种群个数 size 的确定，遗传搜索空间的的设定，交叉，变异概率，的确定，BP 算法中学习速率的选择，动量因子的选择
13、。2) 适应度函数的确定：以 BP 网络均方误差的倒数为适应度函数，即3) 编码：此遗传算法的编码由两部分组成，即由控制隐层节点个数的控制码和调节权重的权重码组成。4) 生成初始种群体：设定合适的种群数量，一般取种群的大小为30100，本文选取 size=100。5) 计算每个个体的适应度；输入训练样本，按照适应度函数，求得每个个体的适应度。根据个体的适应度的大小，采用轮盘选择法复制生成新的种群。6) 交叉和变异；在此过程中，不对控制码进行操作，只针对实数编码的权重码进行交叉和变异，从而生成新一代群体。7) 反复进行 5-7 步，每迭代一次，群体就进行一次，经过多次迭代之后，群体中适应度最高的
14、串，即为所需要解决问题的最合理的网络结构与相应的初始权值。8) 将此网络结构与初始权值作为 BP 网络的初始值，利用 BP 算法继续进行调节，经过一系列的信息前传和误差反向调节的过程，直到目标函数值达到所要求的误差精度即可。5. GA-BP 模型的检验使用 MATLAB 中的神经网络工具箱和遗传算法工具箱进行 GA-BP的建模，网络输入节点为 3 个，输出节点为 1 个，故取 14，则为56，遗传编码长度共为 60，初始种群为 100，=0.6，=0.8，则隐层节点个数由遗传算法优化的出为 7 个。下图（5.1）是输入为工艺参数输出为应力松弛量的神经网络模型训练完毕的情形。为了检验神经网络的正
15、确性，本文追加了三次实验，其时效温度为 180；保温时间为 6 个小时，每两小时记录一次应力水平；应力初始水平为 120MPa，225MPa，300MPa，实测为118.76MPa，224.9MPa，299.49MPa。下表（5.2）为检验样本：图 5.1 训练结束时训练误差曲线达到目标误差曲线序号时效温度初始应力水平保温时间实际松弛量模拟预测松弛量误差1180118.76210.01%9.6525%3.6%2180118.76411.66%11.1458%4.4%3180118.76612.58%11.9871%4.7%4180224.9213.13%12.6951%3.3%5180224.
16、9414.26%13.8458%2.9%6180224.9616.67%16.572%0.6%7180299.49214.17%14.0225%1.1%8180299.49417.16%16.9958%1%9180299.49618.47%18.3677%0.6%表 5.2 神经网络模型检验图（5.3）实际与 BP 预测应力松弛量对比从图（5.3）可以看出，GA-BP 模型对工艺参数的映射结果与实验实际所得数据基本吻合，所有误差均未超过 5%，最小误差仅为0.6%，结果理想。我们认为 GA-BP 模型的精度已经能够达到我们要求，对在工艺参数的取值范围内的任何组合，我们可以认为 GA-BP模型完
17、全可以胜任对应力松弛量预测的工作。6、结论本文采用 GA-BP 神经网络建立了时效成型应力松弛模型，很好地解决了传统 BP 网络结构难于确定、易于陷入局部极小点以及对初始值敏感的确定。验证结果表明，由 GA-BP 优化后的神经网络准确地预测了 2124 铝合金材料在不同条件下的应力松弛量，精度满足工程要求，这对于 2124 铝合金材料用于时效成型的工程化应用具有很好的借鉴意义。参考文献：1 洪江波 LY12CZ 铝合金材料的时效成形理论与试验研究 西北工业大学 20052 S.Foroudastan , John Peddieson , Jr. M.C.Holman, Application
18、of a Unified Viscoplastic Model to Simulation of Autoclave Age Forming , Joumal of Engineering Materials and Technology , January 1922 , Vol.114/713 Rafiq A. Siddiqui, Hussein A. Abdullah, Khamis R.Al-Belushi, Influence of aging parameters on the mechanical properties of 6063 aluminum alloy, Journal
19、 of Materials Processing Technology 12 (2000) 234-2404 A. W. ZHU, E.A.STARKE Jr., Stress Aging of Al-xCu Alloys: Experiments, Acta mater. 49 (2001) 2285-22955 Hecht-Nielson Robert. Theory of the Back propagation Neural Network J. IJCNN (S01CH37222), 1989, 2(1):583-6046 吴建生，金龙，农吉夫. 遗传算法 BP 神经网络预报研究和应用 J. 数学的实践和认识，2005，35（1）：83-887 王小平 贾立明 遗传算法-理论、应用与软件实现 西安交通大学出版社，2002 年
