本發明涉及工件的表面強化，尤其涉及一種截齒表面智能化復合強化處理方法。

背景技術：

1、截齒主要應用于開采掘進機器，分為采煤機截齒和掘進機截齒等，截齒在使用過程中會與巖體發生擠壓和摩擦，導致截齒頭部磨損，且截齒工作過程中產生的高溫和部分巖體帶有的腐蝕性也會加速齒頭的磨損。而截齒的設計和熱處理等問題會使截齒受力不均或所受應力大于許用應力，并且在工作過程中碰到高硬度巖石時還會使齒體受到較大的沖擊載荷，在循環沖擊載荷下易導致截齒齒頭與齒柄連接區域發生疲勞斷裂。因此常通過選用更優質的材料、調整熱處理工藝以及對截齒表面進行強化處理來提高截齒的可靠性和使用壽命。

2、目前常用的截齒表面強化方法有焊絲堆焊技術、熱噴涂技術、等離子熔覆技術和激光熔覆技術等。但是僅僅通過上述的表面強化方法無法使得截齒的疲勞強度和使用壽命達到理想效果，因此，也有的在截齒生產過程中采用拋丸工藝對齒體表面進行二次清理強化。拋丸的主要作用是清理表面氧化層和雜質，提高截齒的表面硬度、耐磨性和疲勞強度等。但是當截齒形狀復雜時，拋丸處理會存在清理死角，死角區疲勞強度和硬度較低，增加了疲勞斷裂的風險。

技術實現思路

1、本發明所要解決的技術問題是提供一種截齒表面智能化復合強化處理方法，其在進行截齒齒頭表面強化的過程中可同時完成對截齒薄弱部位的二次強化，有效提高了截齒薄弱部位的疲勞強度和硬度，從而提高了截齒的整體使用壽命，同時還實現了對截齒的高品質高效率處理。

2、本發明解決上述技術問題所采用的技術方案為：一種截齒表面智能化復合強化處理方法，對截齒齒頭采用現有的表面強化方法進行強化，對截齒薄弱部位同時采用激光局部淬火進行二次強化，具體包括以下步驟：

3、（1）、建立每種類型的截齒采用不同的表面強化方法后的初始表面強化數據庫，初始表面強化數據庫包括每種表面強化方法采用不同的加工參數以及所對應的強化結果；

4、（2）、建立每種類型的截齒在激光局部淬火后的初始激光強化數據庫，初始激光強化數據庫包括激光局部淬火時采用不同的加工參數以及所對應的強化結果；

5、（3）、針對齒頭表面強化處理通過pso-bp-ann神經網絡模型建立表面強化智能數據庫，且通過初始表面強化數據庫確定pso-bp-ann神經網絡模型中bp-ann神經網絡的初始最佳權值和閾值；針對激光局部淬火處理通過ga-bp-ann神經網絡模型建立激光強化智能數據庫，且通過初始激光強化數據庫確定ga-bp-ann神經網絡模型中bp-ann神經網絡的初始最佳權值和閾值；

6、（4）、加工時，加工系統自動識別待強化截齒的類型，并通過表面強化智能數據庫調出與該截齒類型相匹配的齒頭表面強化處理的加工參數和齒頭表面強化結果，以及通過激光強化智能數據庫調出與該截齒類型相匹配的激光局部淬火處理的加工參數和淬火強化結果，然后加工系統將上述兩個調出的加工參數分別作為表面強化初始加工參數和淬火初始加工參數對待強化的截齒同時進行表面強化處理和激光局部淬火處理；

7、（5）、pso-bp-ann神經網絡模型和ga-bp-ann神經網絡模型分別根據相應的表面強化初始加工參數和淬火初始加工參數預測表面強化結果和淬火強化結果，并將預測出的表面強化結果和淬火強化結果—稱為預測結果、實際加工后的表面強化結果和淬火強化結果—稱為實際結果、調出的齒頭表面強化結果和淬火強化結果—稱為理論結果，三種結果之間一一對應的進行對比，若三者一致，則繼續按照表面強化初始加工參數和淬火初始加工參數進行相應的強化處理，直至截齒加工結束；若三者中有至少一個不一致，則進行步驟（6）；

8、（6）、以理論結果為基準，通過pso-bp-ann神經網絡模型和ga-bp-ann神經網絡模型分別修正表面強化初始加工參數和淬火初始加工參數，直至預測結果、實際結果與理論結果三者一致，并將修正后的表面強化加工參數和淬火加工參數作為最優加工參數對截齒進行相應的強化處理，直至截齒加工結束，同時將兩個最優加工參數導入相應的表面強化智能數據庫和激光強化智能數據庫中進行相應的數據修正。

9、進一步地，截齒加工完成后，在截齒成品中抽取5～10%作為樣品進行檢測，并記錄截齒樣品的真實齒頭表面強化結果和真實激光局部淬火強化結果以及相應的加工參數，并將其作為pso-bp-ann神經網絡模型和ga-bp-ann神經網絡模型的驗證數據集，并導入到表面強化智能數據庫和激光強化智能數據庫中進行神經網絡的數據修正和優化學習。

10、進一步地，所述的截齒類型分為采煤機截齒、掘進機截齒和旋挖機截齒。

11、進一步地，所述的表面強化方法為焊絲堆焊技術、熱噴涂技術、表面滲入技術、等離子熔覆技術或激光熔覆技術。

12、進一步地，所述的步驟（1）中的表面強化處理中的加工參數為表面強化功率、掃描速度和光斑尺寸，強化結果參數為強化層高度、稀釋率、溫度分布和強化層寬度；所述的步驟（2）中的激光局部淬火時的加工參數為掃描速度、激光功率和光斑直徑，強化結果參數為淬火層硬度和淬火層深度。

13、進一步地，所述的初始表面強化數據庫和初始激光強化數據庫通過實驗加工或數值模擬獲得。

14、進一步地，所述的步驟（3）中，pso-bp-ann神經網絡模型結合了ann神經網絡、前饋反向傳播學習算法bp和粒子群優化算法pso，其具有一個輸入層、兩個隱藏層和一個輸出層，其中輸入層參數為表面強化功率、掃描速度和光斑尺寸，sigmoid函數被用作從輸入層到隱藏層、以及隱藏層到隱藏層的激活函數，輸出層參數為強化層高度、強化層寬度、溫度分布和稀釋率，隱藏層神經元個數為9個，隱藏層到輸出層的激活函數為purelin線性函數；pso-bp-ann神經網絡模型的更新算法表示為：

15、、

16、，

17、其中： y’ n為表面強化的預測結果，包括強化層高度、稀釋率、溫度分布、強化層寬度，x1為表面強化功率、x2為掃描速度和x3為光斑尺寸， v為粒子更新速度， j為當前迭代次數； r 1和 r 2為分布在（0,1）中的隨機數， c 1和 c 2為學習常數或加速度因子， pop是粒子， pbest為上一代的最優個體極值， gbest是全局最優極值， ω為權值因子。

18、進一步地，所述的步驟（3）中，ga-bp-ann神經網絡模型結合了ann神經網絡、前饋反向傳播學習算法bp和遺傳算法ga，其具有一個輸入層，一個隱藏層和一個輸出層，其中輸入層參數為掃描速度、激光功率和光斑直徑，輸出層參數為淬火層深度和淬火層硬度，隱藏層神經元個數為8個，在ga-bp-ann神經網絡中將輸入層參數作為組，不同的參數取值對應不同的組，每一個組作為一個個體，每一個個體對應于一組權值與閾值的解，每個個體適應度的計算公式為：

19、，

20、其中： r i是在任意測量點i處測量的淬火層硬度， r i是從ann獲得的任意測量點i處的預測淬火層硬度； h i是在任意測量點i處測量的淬火層深度， h i是從ann獲得的任意測量點i處的預測淬火層深度，n為測量點的總數， fit 1為淬火層硬度的適應度， fit 2為淬火層深度的適應度，當適應度越小時，該組數據的預測值越接近測量值，通過選擇適應度最小的個體來確定初始權值與閾值。

21、進一步地，所述的步驟（3）中，對pso-bp-ann神經網絡模型中bp-ann神經網絡的初始最佳權值和閾值的確定過程為：構建基礎bp-ann神經網絡結構，將初始表面強化數據庫中的加工參數導入bp-ann神經網絡結構中，將初始表面強化數據庫中的加工參數以及所對應的強化結果導入pso優化算法模塊中，并進行歸一化處理；然后利用嵌入到bp-ann神經網絡結構中的pso優化算法模塊得到bp-ann神經網絡的初始最佳權值和閾值，pso優化算法模塊處理過程為：首先在pso優化算法中添加100個具有不同位置和速度的粒子，每個粒子都對應一組權值與閾值的解，其中：位置代表粒子所攜帶的加工參數的權值和閾值，速度代表粒子下一次迭代時運動的方向和距離，在pso優化過程中，通過比較粒子的個體最優解和全局最優解來不斷更新粒子的位置和速度，經過設定的迭代次數得到最佳適應度后，其粒子攜帶的權值與閾值作為初始最佳權值與閾值代入到bp-ann神經網絡中；

22、對ga-bp-ann神經網絡模型中bp-ann神經網絡的初始最佳權值和閾值的確定過程為：先構建基礎bp-ann神經網絡結構，將初始激光強化數據庫中的加工參數導入bp-ann神經網絡結構中，將初始激光強化數據庫中的加工參數以及所對應的強化結果導入ga算法模塊中，并進行歸一化處理，然后利用嵌入到bp-ann神經網絡結構中的ga算法模塊得到bp-ann神經網絡的初始最佳權值和閾值，ga算法模塊處理過程為：將輸入層參數作為組，不同的參數取值對應不同的組，每一個組作為一個個體，每一個個體對應于一組權值與閾值的解，由此添加100個個體進行神經網絡的訓練，在ga優化過程中，通過每個個體攜帶的加工參數預測出的結果與實際結果相對比，預測結果與實際結果差值越小，則該個體所對應的一組權值與閾值的解越合適，在經過預設次數的迭代運算后，將差值最小的個體所攜帶的權值與閾值作為初始最佳權值與閾值代入到bp-ann神經網絡中。

23、進一步地，所述的步驟（6）中，通過pso-bp-ann神經網絡模型對表面強化初始加工參數的修正過程為：

24、（1）、經過bp-ann神經網絡運算后，當表面強化的實際結果與預測結果不一致時，將表面強化初始加工參數和實際結果作為訓練數據添加到pso優化算法模塊的初始粒子群中，并重復步驟（3）中的pso優化算法模塊處理過程再次進行初始最佳權值與閾值的計算，直到預測結果與實際結果相一致；

25、（2）、當表面強化的預測結果與實際結果一致后，對比表面強化的預測結果和理論結果，當預測結果和理論結果不一致時，激活bp-ann神經網絡中的前饋反向傳播學習算法bp的參數優化功能，具體為：以理論結果為基準，計算預測結果與理論結果的誤差得到損失函數，損失函數為均方誤差函數mse，即：

26、，

27、其中： y n為表面強化的理論結果， y’ n為表面強化的預測結果， n為pso-bp-ann神經網絡模型中隱藏層的神經元個數， n取1、2……9；將損失函數與對應的加權求和前的輸入參數求偏導后即可得到表面強化的預測結果與理論結果之間的損失梯度，即：

28、，

29、其中：為輸入層和第一隱藏層之間的損失梯度，為第二隱藏層和第一隱藏層之間的損失梯度，為輸出層和第二隱藏層之間的損失梯度，為表面強化初始加工參數，即：輸入到第一隱藏層的加權求和前的輸入參數，為輸入到第二隱藏層的加權求和前的輸入參數，為輸入到輸出層的加權求和前的輸入參數；

30、、的計算過程為：

31、，

32、，

33、其中： x1、 x2、 x3為表面強化初始加工參數，即；、、為 x1、 x2、 x3所對應的權值；為輸入到第一隱藏層的輸入量，、……為輸入到第二隱藏層的加權求和前的輸入參數，即；、……為、……所對應的權值；為輸入到第二隱藏層的輸入量；

34、（3）、在得到損失梯度后利用梯度下降公式對各層的輸入參數、和進行更新優化，得到更新優化后的輸入參數、和，具體為：

35、，

36、其中： η為學習率，為優化后的表面強化初始加工參數， k取1、2、3，即為截齒頭部表面強化加工參數中的表面強化功率、掃描速度和光斑尺寸，實現對輸入參數的修正優化，直至預測結果、實際結果和理論結果均一致后，即可輸出最優表面強化加工參數。

37、進一步地，所述的步驟（6）中，通過ga-bp-ann神經網絡模型對淬火初始加工參數的修正過程為：

38、（1）、經過bp-ann神經網絡運算后，當激光淬火的實際結果與預測結果不一致時，將淬火初始加工參數和實際結果作為訓練數據添加到ga算法模塊的初始個體群中，并重復步驟（3）中的ga算法模塊處理過程再次進行初始最佳權值與閾值的計算，直到預測結果與實際結果相一致；

39、（2）、當激光淬火的預測結果與實際結果一致后，對比激光淬火的預測結果和理論結果，當預測結果和理論結果不一致時，激活bp-ann神經網絡中的前饋反向傳播學習算法bp的參數優化功能，具體為：以理論結果為基準，計算預測結果與理論結果的誤差得到損失函數，在ga-bp-ann神經網絡中損失函數為均方誤差函數，即：

40、，

41、其中： z n為激光淬火的理論結果， z’ n為激光淬火的預測結果， n為ga-bp-ann神經網絡模型中隱藏層的神經元個數， n取1、2……8；將損失函數與對應的加權求和前的輸入參數求偏導后即可得到激光淬火的預測結果與理論結果之間的損失梯度，即：

42、，

43、其中：為輸入層和隱藏層之間的損失梯度，為輸出層和隱藏層之間的損失梯度，為淬火初始加工參數中的激光功率和掃描速度，即：輸入到隱藏層的加權求和前的輸入參數，為輸入到輸出層的加權求和前的輸入參數；

44、的計算過程為：

45、，

46、其中： λ1、 λ2為淬火初始加工參數中的激光功率和掃描速度，即；、為 λ1、 λ2所對應的權值；為輸入到隱藏層的輸入量；

47、（3）、在得到損失梯度后利用梯度下降公式對各層的輸入參數、進行更新優化，得到更新優化后的輸入參數、，具體為：

48、，

49、其中：為學習率，為優化后的淬火初始加工參數中的激光功率和掃描速度，實現對輸入參數的修正優化，直至預測結果、實際結果和理論結果均一致后，即可輸出最優淬火加工參數。

50、與現有技術相比，本發明的優點是：

51、（1）、本方法在截齒齒頭表面強化的過程中可同時完成對截齒薄弱部位（如齒頭與齒柄連接區域）的二次強化，有效提高了截齒薄弱部位的疲勞強度和硬度，從而提高了截齒的整體使用壽命，且激光局部淬火屬于局部熱處理工藝，熱影響區范圍小，不會對截齒整體質量產生負面影響，可實現局部淬火質量的精準控制，自動化程度高，實現了對截齒的高品質高效率處理；

52、（2）、該智能化復合強化方法在提高了截齒表面強化質量穩定性的同時降低了人力成本；

53、（3）、本方法在對截齒表面強化處理的過程中同時對智能數據庫進行數據修正和優化，進一步提高了強化質量的穩定性。