基于ELM的齿轮钢淬透性预测模型

doi:10.13251/j.issn.0254-6051.2022.03.042

金属热处理 ›› 2022, Vol. 47 ›› Issue (3): 227-233.DOI: 10.13251/j.issn.0254-6051.2022.03.042

基于ELM的齿轮钢淬透性预测模型

赵艺琪¹, 聂小龙¹, 赵四新², 高加强², 刘新宽¹

1.上海理工大学材料与化学学院, 上海 200093;
2.宝钢研究院, 上海 201900

收稿日期:2021-12-07 修回日期:2022-02-05 出版日期:2022-03-25 发布日期:2022-04-22
通讯作者: 刘新宽,副教授,E-mail:xinkuanliu@163.com
作者简介:赵艺琪(1995—),女,硕士研究生,主要研究方向为齿轮钢淬透性的影响因素,E-mail:18614761965@163.com。

Predicting model of gear steel hardenability based on extreme learning machine

Zhao Yiqi¹, Nie Xiaolong¹, Zhao Sixin², Gao Jiaqiang², Liu Xinkuan¹

1. School of Materials and Chemistry, University of Shanghai for Science and Technology, Shanghai 200093, China;
2. Baosteel Central Research Institute, Shanghai 201900, China

Received:2021-12-07 Revised:2022-02-05 Online:2022-03-25 Published:2022-04-22

摘要/Abstract

摘要： 利用极限学习机(ELM)研究了20Cr齿轮钢端淬硬度曲线和化学成分的预测,并将其预测结果与传统预测模型进行比较。结果表明,ELM可以根据齿轮钢的化学成分预测其淬透性,计算精度明显优于传统线性拟合及神经网络模型,同时ELM也能通过齿轮钢淬透性硬度曲线反测化学成分,元素含量误差在5%以内。

关键词: ELM, 齿轮钢, 淬透性

Abstract: Prediction of end-quenching hardness curve and chemical composition of 20Cr gear steel was studied by using extreme learning machine(ELM), and the prediction results were compared with the traditional prediction models. The results show that the ELM not only can predict the hardenability of the gear steel according to the chemical composition with calculation accuracy significantly higher than that of the traditional linear fitting and neural network models,but also can be used to backward predict the chemical composition from the hardenability curve with the element content error within 5%.

Key words: extreme learning machine (ELM), gear steel, hardenability

中图分类号:

TG154.4

赵艺琪, 聂小龙, 赵四新, 高加强, 刘新宽. 基于ELM的齿轮钢淬透性预测模型[J]. 金属热处理, 2022, 47(3): 227-233.

Zhao Yiqi, Nie Xiaolong, Zhao Sixin, Gao Jiaqiang, Liu Xinkuan. Predicting model of gear steel hardenability based on extreme learning machine[J]. Heat Treatment of Metals, 2022, 47(3): 227-233.

参考文献

[1]曹燕光. 渗碳齿轮钢淬透性及其热处理变形和疲劳性能研究[D]. 北京: 钢铁研究总院, 2017.
[2]王晓英, 颜慧成, 仇圣桃. 基于微观偏析模型的Mn-Cr系齿轮钢淬透性带宽[J]. 钢铁, 2016, 51(10): 54-61.
Wang Xiaoying, Yan Huicheng, Qiu Shengtao. Hardenability bandwidth of Mn-Cr gear steel based on microsegregation model[J]. Iron and Steel, 2016, 51(10): 54-61.
[3]余柏海. 计算淬透性及机械性能的非线性方程[J]. 钢铁, 1985, 20(3): 40-49.
Yu Baihai. Nonlinear equations for calculating hardenability and mechanical property[J]. Iron and Steel, 1985, 20(3): 40-49.
[4]《机械工程手册》编委会. 机械工程手册(3)[M]. 2版. 北京: 机械工业出版社, 1996.
[5]美国金属学会. 金属手册(1)[M]. 9 版. 北京: 机械工业出版社, 1998.
[6]Huang G, Huang G B, Song S, et al. Trends in extreme learning machines: A review[J]. Neural Networks, 2015, 61: 32-48.
[7]晏梦凡. 改进的多隐藏层极限学习机及其应用[D]. 湘潭: 湘潭大学, 2020.
[8]Gao Xiuhua, Qi Kemin, Deng Tianyong, et al. Application of artificial neural network to predicting hardenability of gear steel[J]. Journal of Iron and Steel Research(International), 2006(6): 71-73.
[9]Huang G B, Zhu Q Y, Siew C K. Extreme learning machine: Theory and applications[J]. Neurocomputing, 2006, 70(1-3): 489-501.
[10]Kasun L, Zhou H, Huang G B, et al. Representational learning with ELMs for big data[J]. Intelligent Systems, IEEE, 2013, 28(6): 31-34.
[11]Tang J, Deng C, Huang G B. Extreme learning machine for multilayer perceptron[J]. IEEE Transactions on Neural Networks and Learning Systems, 2015, 27(4): 809-821.
[12]余柏海. 钢的计算机设计及冶炼成分微调[J]. 特殊钢, 1997, 18(5): 45-48.
Yu Bohai. Computer designing of steel and precise analysis control during melting[J]. Special Steel, 1997, 18(5): 45-48.

[1]	戴建科, 韩顺, 厉勇, 刘宪民, 王春旭, 庞学东, 李建新. 航空齿轮钢C69高温渗碳后的组织性能[J]. 金属热处理, 2022, 47(4): 219-225.
[2]	张宁, 高星, 王芝林, 蒋波, 刘雅政. 18CrNiMo7-6钢齿轮组织性能异常分析[J]. 金属热处理, 2022, 47(4): 268-273.
[3]	海侠女, 杨扬, 黄太伟, 范王展, 桂伟民, 何亮亮. 淬透性细化分级8620H钢的热处理性能研究[J]. 金属热处理, 2022, 47(3): 155-158.
[4]	胡芳忠, 杨少朋, 金国忠, 胡乃悦, 汪开忠, 杨志强, 陈世杰. 淬火温度对Nb微合金化齿轮钢18CrNiMo7-6组织演变及力学性能的影响[J]. 金属热处理, 2022, 47(2): 105-111.
[5]	臧岩, 王建军. Cr-Ni-Mo系齿轮钢端淬过程模拟及淬透性预测[J]. 金属热处理, 2022, 47(2): 257-261.
[6]	戴彦璋, 韩顺, 厉勇, 周敏, 王春旭. 回火温度对新一代传动齿轮钢C61组织及性能的影响[J]. 金属热处理, 2022, 47(1): 49-55.
[7]	王玉静, 吴光亮. 工程机械用高强钢Q1100热处理参数及热物理性能预测[J]. 金属热处理, 2021, 46(6): 172-176.
[8]	梁晓东, 鞠哲, 刘骥, 王晨充, 王旭. 淬火温度对渗碳齿轮钢C64显微组织及力学性能的影响[J]. 金属热处理, 2021, 46(4): 88-94.
[9]	程源, 胡芳忠, 胡乃悦, 汪开忠, 王良林, 金国忠, 郝震宇. 重型汽车后桥主动锥齿轮的失效分析[J]. 金属热处理, 2021, 46(2): 218-222.
[10]	董明振, 欧阳雪枚, 刘洋铭, 苟磊, 袁伍丰, 闫永明. 17Cr2Ni2MoVNb和20Cr2Ni4A齿轮钢的动态再结晶行为及热加工图[J]. 金属热处理, 2021, 46(12): 81-86.
[11]	张伟, 谌康, 李慧超, 王毛球. Nb对20CrMo齿轮钢渗碳层深度和硬度的影响[J]. 金属热处理, 2021, 46(10): 31-33.
[12]	孙宜强. Cr含量对65Mn钢淬透性的影响[J]. 金属热处理, 2020, 45(7): 163-166.
[13]	陈愿情, 何克准, 姚祥, 韦修勋, 张航, 陈绍文. 7A04铝合金超厚板的淬透性[J]. 金属热处理, 2020, 45(5): 166-171.
[14]	吕超君, 唐丽娜, 任伟, 王健波, 张天德. 真空高压气淬D406A钢的淬透性[J]. 金属热处理, 2020, 45(2): 189-192.
[15]	王会珍, 翟月雯, 周乐育. 18CrNiMo7-6齿轮钢温锻后余热等温正火工艺[J]. 金属热处理, 2020, 45(11): 78-82.

基于ELM的齿轮钢淬透性预测模型

Predicting model of gear steel hardenability based on extreme learning machine

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价