(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210575794.9 (22)申请日 2022.05.25 (71)申请人 西安建筑科技大 学 地址 710055 陕西省西安市碑林区雁塔路 13号 (72)发明人 杨偌旺　庞玉华　孔浩然　杨一　 董少若　张李豪　 (74)专利代理 机构 西安通大专利代理有限责任 公司 6120 0 专利代理师 王艾华 (51)Int.Cl. G06F 30/23(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06F 111/10(2020.01) G06F 119/08(2020.01) (54)发明名称 一种有限元与神经网络结合的钢板淬火温 度预测方法 (57)摘要 本发明公开了一种有限元与神经网络结合 的钢板淬火温度预测方法， 将有限元模型计算出 的淬火过程钢板不同位置的时间温度变化曲线 处理为神经网络的训练样本， 设定神经网络节点 数以及训练参数， 建立了神经网络预测模型， 通 过对训练样 本的训练集与验证集划分， 训练神经 网络后， 经验证集验证， 得出高精度的淬火过程 钢板不同位置的时间温度变化曲线预测模型， 以 解决淬火数值模型计算时间长导致的无法预测 大量工况的缺点， 从而为制定出合适的淬火工艺 提供有效依据， 提高热处 理过程中钢板的性能。 权利要求书1页 说明书4页 附图2页 CN 114925569 A 2022.08.19 CN 114925569 A 1.一种有限元与神经网络结合的钢板淬火温度预测方法， 其特 征在于， 包括以下步骤： 步骤1， 针对所要预测的钢种， 根据厚度选取部分工况， 并通过有限元数值模型计算出 温度场以及各个位置温度变化曲线； 步骤2， 将钢板厚度、 冷却时间、 从0开始间隔0.5s时刻作为神经网络的输入参数， 当前 时刻对应的钢板相应位置温度作为神经网络的输出参数， 将步骤1中获得的温度曲线转换 为神经网络 输入输出的训练数据； 步骤3， 对步骤2中的训练数据进行训练集与验证集的划分； 步骤4， 对训练集数据进行归一 化处理； 步骤5， 确定神经网络各层的神经 元节点数， 建立神经网络模型， 设定网络参数； 步骤6， 用步骤4中的训练集， 训练神经网络模型； 步骤7， 用步骤3中的测试集， 测试神经网络预测性能。 2.根据权利要求1所述的一种有限元与神经网络结合的钢板淬火温度预测方法， 其特 征在于， 步骤1中， 所述根据厚度选取部分工况为在所要预测钢种的厚度范围内， 选取从小 到大间隔5m m‑10mm厚度工况， 做到厚度范围全覆盖 。 3.根据权利要求1所述的一种有限元与神经网络结合的钢板淬火温度预测方法， 其特 征在于， 步骤2中， 所述温度曲线转换为神经网络输入输出的训练数据， 是将钢板厚度、 冷却 时间、 从0开始间隔0.5s时刻的数据与当前时刻对应的钢板相应位置温度的数据转换成表 格数据文件。 4.根据权利要求1所述的一种有限元与神经网络结合的钢板淬火温度预测方法， 其特 征在于， 步骤3中， 所述训练集为步骤2中训练数据的5/6， 验证集为训练数据的1/6， 即若有6 条温度曲线， 则5条温度曲线为训练集， 剩余 一条曲线为验证集。 5.根据权利要求1所述的一种有限元与神经网络结合的钢板淬火温度预测方法， 其特 征在于， 步骤4中， 所述输入与输出 数据归一 化处理为将训练集使用mapmi nmax函数转换。 6.根据权利要求1所述的一种有限元与神经网络结合的钢板淬火温度预测方法， 其特 征在于， 步骤5中， 所述神经 元各层节点包括输入层节点、 隐层节点以及输出层节点。 7.根据权利要求6所述的一种有限元与神经网络结合的钢板淬火温度预测方法， 其特 征在于， 步骤5中， 所述神经元各层节点数包括输入层节 点数为3， 隐层节 点数为3， 输出层节 点数为1。 8.根据权利要求1所述的一种有限元与神经网络结合的钢板淬火温度预测方法， 其特 征在于， 步骤5中， 所述神经网络模型为单隐含层的3层 BP神经网络 。 9.根据权利要求1所述的一种有限元与神经网络结合的钢板淬火温度预测方法， 其特 征在于， 步骤5中， 所述神经网络参数包括： 输入层至隐含层传递函数、 隐含层至输出层传递 函数、 训练函数、 学习函数、 网络迭代次数、 训练误差目标、 学习速率、 最小确认失败次数。 10.根据权利要求9所述的一种有限元与神经网络结合的钢板淬火温度 预测方法， 其特 征在于， 步骤5中， 所述神经网络参数设定为： 输入层至隐含层传递函数为logsig、 隐含层至 输出层传递函数为tan sig、 训练函数为trainlm、 学习函数learngdm、 网络迭代次数为1000、 训练误差目标为1e ‑7、 学习速率 为0.01、 最小确认失败次数为10 。权　利　要　求　书 1/1 页 2 CN 114925569 A 2一种有限元与神经 网络结合的钢板淬火温度预测方 法 技术领域 [0001]本发明属于热处理技术领域， 具体涉及一种有限元与神经网络结合的钢板淬火温 度预测方法。 背景技术 [0002]热处理作为钢铁加工 的基础工艺， 是生产板材过程中不可缺少的一环， 钢板通过 热处理后可明显改善力学及加工性能。 实际淬火时， 掌握钢板淬火过程温度演变规律， 可以 指导热处理工艺以及保证热处理钢板质量， 而现有的技术手段， 无法在线测 量出淬火过程 钢板温度。 因此， 研究淬火过程的温度场， 对优化控冷设备的工艺参数并建立精确的过程控 制模型有着重要的意 义。 [0003]实际生产中， 钢板淬火主要通过布置复杂的喷嘴射流进行冷却， 每个喷嘴的规格 都存在差异， 而且根据高压段与低压段的设置， 喷嘴的供水压力、 射流高度、 射流角度都不 相同， 对钢板的冷却速度和均匀性难以控制。 目前， 对淬火钢板的温度预测主要以计算流体 动力学为基础， 通过设定边界条件， 对淬火过程进 行数值模拟。 通过有限元软件建立温度场 模型， 仿真计算可获得钢板温度分布和演变规律要获得准确的淬火钢板温度场， 必须考虑 实际淬火的所有工作条件， 对应的换热系 数也必须接近实际， 有限元淬火温度场模型所采 取的边界条件越真实， 模型所计算的时间将会成倍增加， 因此对实际生产中所有的工况进 行计算分析 所需的时间成本几乎 无法接受。 [0004]神经网络有并行处理、 鲁棒性、 自适应性、 自学习的特点， 能够逼近任意的非线性 系统的特性， 无需了解系统的内部机理， 只需通过对系统的输入输出数据， 采用相应的网络 结构并进 行训练， 就可得出良好的预测模型。 近几年来， 较多运用在热处理加热钢板温度预 测模型中， 但大多仅停留在预测出炉温度的层面， 而且淬火过程仍未有良好的钢温神经网 络模型。 发明内容 [0005]本发明的目的在于克服上述现有技术的缺点， 提供一种有限元与神经网络结合的 钢板淬火温度预测方法， 以解决淬火数值模型计算时间长导致的无法预测大量工况的缺 点。 [0006]为达到上述目的， 本发明采用以下技 术方案予以实现： [0007]一种有限元与神经网络结合的钢板淬火温度预测方法， 包括以下步骤： [0008]步骤1， 针对所要预测的钢种， 根据厚度选取部分工况， 并通过有限元数值模型计 算出温度场以及各个位置温度变化曲线。 [0009]步骤2， 将钢板厚度、 冷却时间、 从0开始间隔0.5s时刻作为神经网络的输入参数， 当前时刻对应的钢板相 应位置温度作为神经网络的输出参数， 将步骤1中获得的温度曲线 转换为神经网络 输入输出的训练数据。 [0010]步骤3， 对步骤2中的训练数据进行训练集与验证集的划分。说　明　书 1/4 页 3 CN 114925569 A 3