相关实验视频
Updated: Jun 28, 2025
08:21
Quantitative Hardness Measurement by Instrumented AFM-indentation
Published on: November 22, 2016
9.6K
在Cr12MoV钢和S136钢中表面硬度的定量预测,使用两个磁性巴克豪森噪声特征提取方法
Xianxian Wang1, Yanchao Cai1, Xiucheng Liu1
1Department of information, Beijing University of Technology, Beijing 100124, China.
Sensors (Basel, Switzerland)
|April 13, 2024
概括
这项研究探讨了磁性巴克豪森噪声 (MBN) 特性,用于预测压钢表面硬度. 一种新的MBN歇斯底里循环 (MBNHL) 方法为反向传播神经网络 (BP-NN) 模型提供了更简单,更稳定的特征提取.
科学领域:
- 材料科学 材料科学 材料科学
- 非破坏性测试 不破坏性测试
- 金工业是金工业的一个方面.
背景情况:
- 表面硬度是Cr12MoV和S136.6等压钢的关键性质.
- 准确预测表面硬度对于质量控制和材料性能至关重要.
- 评估表面硬度的传统方法可能是破坏性的或耗时的.
研究的目的:
- 为了研究磁性巴克豪森噪声 (MBN) 特性与模具钢的表面硬度之间的相关性.
- 开发和评估一种新的MBN特征提取方法,用于定量地预测表面硬度.
- 使用新方法对传统的MBN特征提取技术进行反向传播神经网络 (BP-NN) 模型的性能比较.
主要方法:
- 在Cr12MoV和S136模具钢中研究的磁性巴克豪森噪声 (MBN) 特性.
- 开发了一种磁性巴克豪森噪声歇斯底里循环 (MBNHL) 方法,用于特征提取,简化参数设置和减少手动干预.
- 已建立的反向传播神经网络 (BP-NN) 模型使用MBN特征来预测表面硬度.
- 将BP-NN模型的准确性和稳定性与拟议的MBNHL方法与传统的MBN特征提取方法进行了比较.
主要成果:
- 对于表面硬度预测的BP-NN模型的准确性高度依赖于输入MBN特征的质量.
- 与传统的MBN提取技术相比,提出的MBNHL方法证明了更简单的参数设置和更好的特征稳定性.
- 虽然MBNHL方法在预测准确度上略有下降,但它在易用性和稳定性方面提供了显著的优势.
结论:
- MBNHL 方法提供了一种更稳定,更易于使用的方法来提取 MBN 特性,用于模具钢的表面硬度预测.
- 简化特征提取参数和最小化手动干预提高了基于MBN的硬度评估的可靠性.
- MBNHL方法为非破坏性表面硬度评估提供了一个可行的替代方案,它平衡了准确性和实际实施的好处.
