金属塑料复合自润滑材料塑料工作层成分优化方法

摘要

本发明公开了一种金属塑料复合自润滑材料塑料工作层成分优化方法，先根据给定需要进行设计的塑料工作层各成分配比及优化设计目标，给出对BP神经网络进行训练用的样本，再训练BP神经网络，构造出一个系统反应输入和输出的映射关系，最后将训练好的BP神经网络模型作为优化设计的观察工具，在塑料工作层指定成分含量参数组合的基础上分别变化各参数大小，选择各个参数的最优解，本发明结合BP神经网络和正交试验获得数据作为神经网络训练样本，建立输入为塑料工作层各成分配比，输出为材料的摩擦学性能的神经网络模型，并通过样本检验模型的准确性，从而减少实验验证材料最佳配比的实验数量，提高优化设计的效率。

说明书

技术领域

本发明涉及塑料工作层成分优化及神经网络算法和正交试验技术领域，尤其是涉及一 种基于神经网络和正交试验的金属塑料复合材料塑料工作层的各成分配比优化设计方法。

背景技术

金属塑料复合自润滑材料的塑料工作层作为摩擦件的主要工作部分，其摩擦系数和磨 损率的摩擦学性能的好坏是金属塑料复合自润滑材料性能的重要方面。因为实际塑料工作 层的摩擦学性能与塑料各成分配比间关系是非线性的，因此为提高复合材料的摩擦学性能 需对塑料工作层各成分配比进行优化设计。但是，目前针对材料成分优化设计方法多数是 基于传统的线性理论或假设为线性系统，这就不可避免地存在成分配比选择的困难。

人工神经网络是在人类对大脑神经网络认识理解的基础上人工构造的能实现其某种功 能的理论化的数学模型，是基于模仿大脑神经网络结构和功能而建立的一种信息处理系 统。神经网络包含有许多用非线性函数描述的内联的神经元(典型的是s型函数)，它不需 要专门知识就能解决许多困难的现实问题，而且知识可以自动地扩展或通过对样本例子的 学习来代替麻烦的规则翻译，通过对带隐含层的神经网络的训练可以有效地再现许多实际 问题。它的最大特点是通过小的嵌入系统能处理大容量的信息。和基于知识库的专家系统 相比，神经网络系统的最大优点是在于它的自动学习能力，可以降低获取知识这个专家系 统的创建的瓶颈，从而可有效地减少系统的开发时间。BP网络是目前大量采用的一种神经 网络模型。

正交实验设计方法是研究和处理多因素实验的一种科学方法，它利用正交表来安排实 验。正交表本身具有3个典型优点，即正交性、节省性和方便性。正交性表现在正交表中 任意两列横向各数码搭配所出现的次数相同，保证了实验的典型性。节省性表现在从全部 组合中挑选出一部分进行实验就能反映全面实验结果。方便性表现在可以通过正交表简单 直观地讨论某一个因素，其他因素不予考虑。基于正交表的以上优点，利用它能够选出代 表性较强的少数实验，来求得最优或较优的一组方案。

发明目的

本发明的目的在于克服现有技术中对金属塑料复合自润滑材料塑料工作层的成分配比 选择困难的不足，提供了一种基于神经网络和正交试验的金属塑料复合自润滑材料塑料工 作层各成分优化方法。

本发明采用的技术方案是包括以下步骤：

1)根据给定需要设计的塑料工作层各成分配比及优化设计目标，给出对BP神经网络 进行训练用的样本：

2)训练BP神经网络，构造输入和输出的映射关系，具体为：

(A)利用正交试验的设定值作为BP神经网络的输入，构造输入和输出映射关系的BP 神经网络；

(B)训练BP神经网络，使输入层节点的个数等于正交试验设定的主成分个数，输出 层结点个数等于优化目标的个数，隐含节点的选取利用公式：

$p=\sqrt{n+m}+a$

其中：m为输入节点数，n为输出节点数，a为1～10之间的常数，p先从小的开始取；

(C)利用训练好的BP神经网络预测并验证，当结果精度>0.01的要求时，进行步骤(4)， 否则重复步骤(2)；

(D)得到一个系统反应输入和输出关系，并可作为成分配比优化设计的BP神经网络 预测模型；

3)将训练好的BP神经网络模型作为优化设计的观察工具，在塑料工作层指定成分含 量参数组合的基础上分别变化各参数大小，观察各参数对优化目标的影响，并选择各个参 数的最优解；

4)采用常用加工工艺，在优化得出的组合里选择最优的各成分配比，并应用于实际 的材料制造成型。

本发明的有益效果是：

1、由于塑料工作层各成分配比优化设计的关键点是选用相互配比对优化目标摩擦学性 能最有利的成分配比组合，因此，本发明采用具有强大的时变性、非线性函数逼近能力的 BP神经网络，利用其性能可对非线性特征很强的塑料工作层各成分配比进行计算和控制， 用BP神经网络的实际输出和期望输出矢量的误差来修正权值，使BP神经网络实际输出尽 可能接近期望输出矢量，使BP神经网络输出层的误差平方和达到最小。

2、本发明是在给出期间的关键设计参数和优化设计目标的前提下开始成分优化设计 过程，与现有的设计方法相比，当设计空间较大和设计实际参数较多的情况下，能够较好 地解决材料成分的搭配难题；适合于成分配比与材料性能存在非线性关系的成分配比的优 化，因此，本发明适应于设计空间较大、设计参数多和设计水平多的情况，特别是在相互 存在影响的参数搭配设计上，能够顺利进行优化设计。

3、本发明结合人工神经网络所表现出的良好特性，利用正交试验获得数据作为神经 网络训练样本，从所有参数设计空间集里合适选出一个或几个子集，建立输入为塑料工作 层各成分最优配比，输出为材料的摩擦学性能的神经网络模型，并通过样本检验了模型的 准确性，从而减少了实验验证材料最佳配比的实验数量，提高了优化设计的效率，使优化 设计目标达到最优。

4、设计过程简单，能够明显减少试验成本和缩短产品研发周期，并可化为一个优化系 统进行应用。

附图说明

下面结合附图和具体实施方式对本发明作进一步详细说明。

图1为本发明流程图。

图2为三层BP神经网络结构图。

图3为用于对塑料工作层各成分配比以摩擦学性能作为评价指标进行优化的三层BP 神经网络结构图。

具体实施方式

如图1所示，本发明先根据给定需要进行设计的塑料工作层各成分配比及进行优化设 计目标，给出对BP神经网络进行训练用的样本。如图2，BP神经网络是一种典型的前馈 多层神经网络，它有三种神经元：即输入、隐含和输出神经元。层与层之间采用全互连方 式，同层各神经元之间不相互连接。BP神经网络的学习过程为：输入若干学习样本和已知 对应的输出样本，具体步骤为：

(1)根据塑料工作层指定成分含量xk的设计空间，并结合正交试验的正交表安排设 计水平；

(2)指定与优化相对应的设计目标yk；

如指定优化目标是材料的摩擦系数、磨损率、应力、应变和蠕变等，设计目标可以 选择一个或多个。

(3)利用正交试验方法得到BP神经网络进行训练用的样本：

{(x_k，y_k)|x∈R^m，y∈Rⁿ，k＝1，2，...，N}

其中：x为塑料工作层指定成分含量；y为优化相对应的设计目标；输入节点为m个， 输出节点为n个，隐节点为p个。正交试验的次数为设计参数个数的3～5倍。

再训练BP神经网络，构造出一个系统反应输入和输出的映射关系，

F：R^m→Rⁿ

采用输入节点为m个，输出接点为n个，隐节点为p个的三层BP神经网络来实现， 如图3所示。

具体为：

(1)利用正交试验的设定值作为神经网络的训练样本，构造输入和输出映射关系的BP 神经网络；

(2)训练BP神经网络：输入层节点的个数等于正交试验设定的主成分个数，输出层 结点个数等于优化目标的个数，隐含节点的选取利用公式：

$p=\sqrt{n+m}+a$

其中：m为输入节点数，n为输出节点数，a为1～10之间的常数。p先从小的开始取。

(3)利用训练好的BP神经网络预测并验证，当结果满足精度>0.01时，进行下面步骤 (4)，否则重复上述步骤(2)；

(4)得到一个系统反应输入和输出关系并可作为成分配比优化设计的神经网络预测模 型。

最后，将训练好的BP神经网络模型作为优化设计的观察工具，在塑料工作层指定成 分含量x_i(i≤N)参数组合的基础上分别变化各参数大小，观察各参数对优化目标y_i的影 响，并选择各个参数的最优解；结合现有的加工工艺和成本等，在优化得出的组里选择合 适的参数优化组合，即最优的各成分配比，并应用于实际的材料制造成型。

下面提供一个实施例再具体说明本发明：

实施例

按照材料在干摩擦条件下摩擦学性能(摩擦系数、磨损率)为标准，优化设计金属塑 料复合自润滑材料工作层各成分配比。材料的成型工艺为：金属表面设定凹坑形貌的铣削， 金属表面喷涂前处理，塑料各成分的混合，塑料结合层的静电喷涂和塑料工作层的模压成 型。

如下表为用于作为训练样本的正交试验的塑料工作层各成分含量正交表：

 

编号 PTFE (wt.％)Al₂O₃(wt.％)MoS₂(wt.％)石墨 (wt.％)PEEK (wt.％)1000010020533893010667840159967502012125667000937753382871066719715996010720121249111400086121453375131410666414141599531514201212421621000791721533681821106657192115994620212012123521280007222285336123281066502428159939252820121228

具体步骤为：

1、给定需要进行设计的塑料工作层成分及优化设计目标，按正交试验方法给出构造 神经网络的训练样本。

(1)训练参数的指定

用户指定优化塑料工作层聚醚醚酮(PEEK)、聚四氟乙烯(PTFE)、二硫化钼(MoS₂)、 三氧化二铝(Al₂O₃)和石墨共5个参数的质量百分含量，故输入节点m＝5.并给出了设计 空间(质量百分含量)：

聚四氟乙烯(PTFE)：              0％～28％；

二硫化钼(MoS₂)：                0％～12％；

三氧化二铝(Al₂O₃)：              0％～15％；

石墨：                          0％～12％；

聚醚醚酮(PEEK)：                其余。

(2)优化目标的指定

用户指定塑料工作层在干摩擦下的摩擦学能(摩擦系数、磨损率)最佳为评价指标。

(3)正交试验设定

在各参数空间内分别取5个水平：即正交试验的次数为25次。

(4)训练样本的整理

按照每组实验对应一组优化目标的方式，确定用于BP神经网络训练用的样本，共25 组。

2、训练BP神经网络，构造出一个系统反应输入和输出映射关系的网络。

(1)训练神经网络

输入层结点个数等于塑料工作层成分的个数m＝5；输出层的节点数等于优化目标的个 数n＝2.、；隐含层节点数为3～12。用户利用训练好的BP神经网络预测并验证。当预测和 真实模拟结果的大小变化规率基本一致，则进入(2)，否则重新进行隐含层结点个数选取 和BP神经网络训练。

(2)最后发现当网络隐含层节点数p＝6时有最好的预测结果，则取神经网络结果为 5-6-2，从而得到一个含正交试验且可作为以摩擦学性能为评价指标的成分配比优化设计神 经网络观察工具。

3、最优选择

用户结合考虑材料的加工工艺和生产制造成本等方面的因素，塑料工作层成分的最优 配比为：

聚醚醚酮(PEEK)：                   70％；

聚四氟乙烯(PTFE)：                 12％；

二硫化钼(MoS₂)：                   1％；

三氧化二铝(Al₂O₃)：                 10％；

石墨：                             7％

摩擦学性能实验在MM-200型环块摩擦磨损试验机，转速为200rpm，压力为200N， 室温干摩擦状态下测定。