详情

原文传递蠕墨铸铁抗拉强度的检测方法、装置、介质和设备

专利名称：	蠕墨铸铁抗拉强度的检测方法、装置、介质和设备
摘要：	本发明公开了一种蠕墨铸铁抗拉强度的检测方法、装置、介质和设备，方法如下：首先获取多个带标签的训练样本，训练样本为蠕墨铸铁样品的蠕化率、珠光体含量和温度，标签为蠕墨铸铁样品在对应蠕化率、珠光体含量和温度下的抗拉强度实际值；然后创建神经网络模型，将蠕墨铸铁样品的蠕化率、珠光体含量和温度作为输入，标签作为输出对神经网络模型进行训练，将训练好的神经网络模型作为抗拉强度检测模型；最后获取待测蠕墨铸铁，将待测蠕墨铸铁的蠕化率、珠光体含量和温度作为测试样本输入到抗拉强度检测模型中，通过抗拉强度检测模型检测到抗拉强度结果。本发明抗拉强度检测模型可准确迅速地得到蠕墨铸铁的抗拉强度，有利于提高检测效率和准确度。
专利类型：	发明专利
国家地区组织代码：	广东;44
申请人：	暨南大学
发明人：	刘洋赈;李卫;郑宝超;涂小慧
专利状态：	有效
申请日期：	2019-06-13T00:00:00+0800
发布日期：	2019-09-20T00:00:00+0800
申请号：	CN201910511412.4
公开号：	CN110261223A
代理机构：	广州市华学知识产权代理有限公司
代理人：	郑浦娟
分类号：	G01N3/08(2006.01);G;G01;G01N;G01N3
申请人地址：	510632 广东省广州市天河区黄埔大道西601号
主权项：	1.一种蠕墨铸铁抗拉强度的检测方法，其特征在于，包括如下步骤：步骤S1、获取多个带标签的训练样本，训练样本为蠕墨铸铁样品的蠕化率、珠光体含量和温度，标签为蠕墨铸铁样品在对应蠕化率、珠光体含量和温度下的抗拉强度实际值；步骤S2、创建神经网络模型，将蠕墨铸铁样品的蠕化率、珠光体含量和温度作为输入，标签作为输出对神经网络模型进行训练，将训练好的神经网络模型作为抗拉强度检测模型；步骤S3、获取待测蠕墨铸铁，将待测蠕墨铸铁的蠕化率、珠光体含量和温度作为测试样本输入到抗拉强度检测模型中，通过抗拉强度检测模型检测到抗拉强度结果。 2.根据权利要求1所述的蠕墨铸铁抗拉强度的检测方法，其特征在于：输入到神经网络模型作为训练样本和测试样本的蠕化率、珠光体含量和温度均经过归一化的预处理。 3.根据权利要求1所述的蠕墨铸铁抗拉强度的检测方法，其特征在于，在步骤S2中，创建神经网络模型的具体包括：步骤S21、选择神经网络模型的类型；步骤S22、针对于所选择的神经网络模型，对学习参数进行选择：学习参数包括传递函数、训练函数和学习函数，其中，选取对数函数作为传递函数，反向传播函数作为训练函数，梯度下降动量学习函数作为学习函数；步骤S23、设置神经网络模型的训练参数：训练参数包括初始权值、动量因子、学习率、训练步数以及性能函数。 4.根据权利要求3所述的蠕墨铸铁抗拉强度的检测方法，其特征在于，在步骤S2中，训练样本对神经网络模型进行训练的具体过程如下：步骤S24、将各训练样本输入到神经网络模型，通过正向传播，由神经网络模型的输入层、隐含层、输出层进行计算得到抗拉强度检测值，根据求得的抗拉强度检测值和抗拉强度实际值，计算抗拉强度检测值与抗拉强度实际值之间的误差；步骤S25、当误差满足所设置的精度时，则结束训练；反之，将误差反向传播，重新计算抗拉强度检测值与抗拉强度实际值之间的误差，若该误差满足所设置的精度时，则结束训练；若误差仍未能满足所设置的精度，则对训练参数进行调整，直到误差满足所设置的精度。 5.根据权利要求3所述的蠕墨铸铁抗拉强度的检测方法，其特征在于，训练参数中，初始权值为0～1之间的随机数，动量因子位于0～1之间，学习率位于0.05～0.9之间，性能参数选择均方误差函数mse。 6.根据权利要求3所述的蠕墨铸铁抗拉强度的检测方法，其特征在于，步骤S21中所选择的神经网络模型为BP神经网络模型，BP神经网络模型主要由3个神经元的输入层、10个神经元的隐含层以及1个神经元的输出层组成。 7.一种蠕墨铸铁抗拉强度的检测装置，其特征在于，包括：训练样本获取模块，用于获取多个带标签的训练样本，训练样本为蠕墨铸铁样品的蠕化率、珠光体含量和温度，标签为蠕墨铸铁样品在对应蠕化率、珠光体含量和温度下的抗拉强度实际值；神经网络创建模块，用于创建神经网络模型；抗拉强度检测模型构建模块，用于将蠕墨铸铁样品的蠕化率、珠光体含量和温度作为输入，标签作为输出对所创建的神经网络模型进行训练，将训练好的神经网络模型作为抗拉强度检测模型；测试样本获取模块，用于获取待测蠕墨铸铁，将待测蠕墨铸铁的蠕化率、珠光体含量和温度作为测试样本；抗拉强度检测模块，用于将测试样本输入到抗拉强度检测模型，通过抗拉强度检测模型检测到抗拉强度结果。 8.根据权利要求7所述的蠕墨铸铁抗拉强度的检测装置，其特征在于，神经网络创建模块所创建的神经网络模型为BP神经网络模型，所述BP神经网络模型主要由3个神经元的输入层、10个神经元的隐含层以及1个神经元的输出层组成。 9.一种计算设备，包括处理器以及用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现权利要求1至6中任一项所述的蠕墨铸铁抗拉强度的检测方法。 10.一种存储介质，存储有程序，其特征在于，所述程序被处理器执行时，实现权利要求1至6中任一项所述的蠕墨铸铁抗拉强度的检测方法。
所属类别：	发明专利