摘 要:对铁基软磁材料进行热处理,获得不同热处理温度和时间下的相对损耗因子、饱和磁通密度。基于BP算法的神经网络,应用MATLAB软件的神经网络工具箱,对不同热处理温度和时间下的软磁材料磁性能数据进行训练和预测,优化软磁材料热处理工艺。训练结果表明,该神经网络的训练结果误差小,能实现对热处理工艺的预测。
关键词:软磁材料;神经网络;热处理
神经网络作为一项新兴技术,在各行各业得到了广泛应用。神经网络已广泛用于有机、无机和金属材料研究工作。神经网络技术应用于金属材料各领域得到了广泛应用。在金属材料的应用领域中,热处理工艺中采用典型的试错法,存在程序繁琐、耗时和成本高的问题,神经网络在磁性材料的应用中存在环境不可控因素等,神经网络应用越来越广泛,也发现了一些应用缺陷。随着材料科学和计算机科学的发展,人工神经网络提供了优化过程的可能性。例如Nd-Fe-B等材料,通过神经网络研究了永磁合金的热处理工艺优化。近年来由于BPNN等神经网络已成功应用于神经系统,神经网络在模式识别、智能控制、组合优化和预测等领域的应用,适用于生产过程中的物理性质构建,以形成非线性系统的预测。基于神经网络构建起神经网络体系,做好软磁材料热处理工艺的优化,提升神经网络技术在金属材料领域的应用效果。本文对磁性材料热处理工艺的优化设计工作进行了探析。
1 实验方法和条件
基于Nd-Fe-B的人工神经网络(ANN)形成了并行工作,形成了复杂的系统网络。基于神经网络的应用使用当前应用较为广泛的MatLab软件,在神经网络领域建立起神经网络工具箱(NNbox),以解决神经网络计算工作量问题。在当前发展环境下人工智能、大数据技术、互联网+等技术的拓展,让神经网络技术有了长足发展,基于神经网络数据构建形成非线性映射,无需建立任何经验公式。磁性材料热处理工艺优化设计工作中要做好实验方法应用工作及构建工作。磁性材料热处理工艺优化中使用合金材料,使用含有稀土的硅铁硼合金材料,做好母合金在感应炉中的熔化工作。
2 软磁合金BYR1热处理工艺
做好软磁合金BYR1热处理工艺处理工作,做好软磁合金材料的制作工作,以形成阀芯、铁挡板、导管和线圈骨架的管理工作。软磁合金BYR1热处理工艺是提升火箭发动机电磁阀的主要部件,基于软磁合金BYR1热处理工艺,做好制造过程的控制工作,以实现电磁阀功能。做好软磁合金BYR1热处理工艺管理工作,在液体火箭发动机的某种快速响应动力系统中使用新型电磁阀,形成大流量的阀口直径。为实现线圈结构的小型化,减轻产品结构重量,提高电磁阀的响应速度,使用软磁合金BYR1热处理工艺,采用BYR1软磁合金,以形成具有高饱和磁感应强度和低矫顽力的软磁合金。
3 实验结果及讨论
①合金的软磁性能的分析结果如图1、图2所示,对实验结果进行分析和讨论。相对损耗因子,做好热处理温度和时间变化曲线的分析工作,通过曲线编制可以看出,随着热处理温度的升高,磁性材料可以有明显的改善,当温度在1080℃时,保持4分钟,相对损耗因子在100kHz以下达到最大值1196;当温度在1080℃时保持5分钟,饱和磁通密度最大为390mt,但随着热处理温度和时间的延长,磁性材料已经下降。相对损耗因子与热处理温度和时间之间的关系,对饱和磁通密度与热处理温度和时间的关系进行分析,各项磁材料性能都有所下降。
②利用人工神经网络用于优化铁基软磁材料的热处理工艺。网络训练的过程如下:输入实验数据,选择输入参数,选择输出参数,选择训练模式,并獲得训练结果。本文采用BP神经网络将系统训练的均方误差设为0.1,输入Pi为T,相应输出qi为饱和磁通密度和相对损耗因子,根据实验数据的大小通过训练函数对网络误差进行分析,发现训练函数且学习函数时BPNN效果最好。
4 结论
通过BPNN模型,输入非线性映射(T,T)到输出(Bs、μm、μ)。对于不同的输出,需要仔细选择适当的相关控制参数。实验结果表明,人工神经网络的预测值与实测值吻合良好。虽然人工神经网络不能反映材料变化的内在微观性质,但它可以很好地模拟和预测实验,这对工艺设计有很大帮助。
参考文献:
[1]李东侠.导磁材料晶粒度与磁性关系的认识[J].机电元件,2015,35(02):29-31.