Professional Documents
Culture Documents
基于机器学习的铜_石墨烯复合材料摩擦磨损性能预测_沈轲
基于机器学习的铜_石墨烯复合材料摩擦磨损性能预测_沈轲
基于机器学习的铜_石墨烯复合材料摩擦磨损性能预测_沈轲
《热加工工艺》网络首发论文
题目: 基于机器学习的铜/石墨烯复合材料摩擦磨损性能预测
作者: 沈轲,彭倚天
DOI: 10.14158/j.cnki.1001-3814.20230752
收稿日期: 2023-03-24
网络首发日期: 2024-07-15
引用格式: 沈轲,彭倚天.基于机器学习的铜/石墨烯复合材料摩擦磨损性能预测
[J/OL].热加工工艺. https://doi.org/10.14158/j.cnki.1001-3814.20230752
网络首发:在编辑部工作流程中,稿件从录用到出版要经历录用定稿、排版定稿、整期汇编定稿等阶
段。录用定稿指内容已经确定,且通过同行评议、主编终审同意刊用的稿件。排版定稿指录用定稿按照期
刊特定版式(包括网络呈现版式)排版后的稿件,可暂不确定出版年、卷、期和页码。整期汇编定稿指出
版年、卷、期、页码均已确定的印刷或数字出版的整期汇编稿件。录用定稿网络首发稿件内容必须符合《出
版管理条例》和《期刊出版管理规定》的有关规定;学术研究成果具有创新性、科学性和先进性,符合编
辑部对刊文的录用要求,不存在学术不端行为及其他侵权行为;稿件内容应基本符合国家有关书刊编辑、
出版的技术标准,正确使用和统一规范语言文字、符号、数字、外文字母、法定计量单位及地图标注等。
为确保录用定稿网络首发的严肃性,录用定稿一经发布,不得修改论文题目、作者、机构名称和学术内容,
只可基于编辑规范进行少量文字的修改。
出版确认:纸质期刊编辑部通过与《中国学术期刊(光盘版)》电子杂志社有限公司签约,在《中国
学术期刊(网络版)
》出版传播平台上创办与纸质期刊内容一致的网络版,以单篇或整期出版形式,在印刷
出版之前刊发论文的录用定稿、排版定稿、整期汇编定稿。因为《中国学术期刊(网络版)
》是国家新闻出
版广电总局批准的网络连续型出版物(ISSN 2096-4188,CN 11-6037/Z),所以签约期刊的网络版上网络首
发论文视为正式出版。
网络首发时间:2024-07-15 15:45:03
网络首发地址:https://link.cnki.net/urlid/61.1133.TG.20240711.1721.001
热加工工艺 ISSN1001-3814
Hot Working Technology CN61-1133/TG
基于机器学习的铜/石墨烯复合材料
摩擦磨损性能预测
沈 轲, 彭倚天
(东华大学 机械工程学院 , 上海 201620)
摘 要:基于传统方法的铜 / 石墨烯复合材料制备工艺参数的确定耗时耗力,引入机器学习模型来替代传统方法,
利用已知的工艺参数就可进行铜 / 石墨烯复合材料的摩擦磨损性能快速预测。 首先通过改变石墨烯含量、球磨时间和
实验载荷,获取了 56 组摩擦系数和磨损率数据;其次采用广义回归神经网络、反向传播神经网络、支持向量回归机和随
机森林等方法建立铜 / 石墨烯复合材料的摩擦系数和磨损率预测模型;最后对模型进行性能评估。 研究结果表明:广义
回归神经网络摩擦系数预测模 型 的 决 定 系 数 达 到 93% ,磨 损 率 预 测 模 型 的 决 定 系 数 达 到 88% ,与 其 他 3 种 模 型 相 比 ,
广义回归神经网络模型拥有较高的精度,为铜 / 石墨烯复合材料摩擦磨损性能的预测提供了参考。
关键词:石墨烯;复合材料;球磨时间;摩擦磨损性能;机器学习
中图分类号:TB333.1+2 文献标识码:A
摩擦磨损性能快速预测的方法。 据。利用随机化和归一化技术对数据进行预处理,以
铜基复合材料的摩擦磨损性能受到多方面因素 提高预测效果和效率。 采用 GRNN、BPNN、支持向
的影响,包括固体润滑剂含量、制备工艺及工况条件 量回归机(support vector regression machine ,SVR)和
[4]
等 。 为了探讨多参数间的相互关系,可采用数据驱 随机森林(random forest ,RF)等 4 种算法对铜 / 石墨
动的方式。 在材料摩擦学研究中,需要获取、处理和 烯复合材料的摩擦 系数和磨损率进行建模和预测,
利用大量数据,这些数据涉及表面特性、摩擦、磨损 并利用多种评价方式对模型进行性能评估。 建立机
和材料等方面。因此,有必要选择合适的数据分析方 器学习模型的过程可以分为 4 个阶段:数据收集、数
法和模型建立方法,以提高数据的利用率和准确性。 据预处理、构建模型和模型验证,本文即按照此顺序
如今, 机器学习作为一种新的科学研究手段得到越 进行介绍。
[5]
来越广泛的应用。 最近摩擦信息学被提出 ,并用它
来研究铜基复合材料 [6]。 利用数据驱动的机器学习
1 数据收集
方法, 成功地建立了铜基复合材料摩擦磨损性能与 1.1 铜/石墨烯复合材料样品制备
固体润滑剂含量、 制备工艺以及摩擦磨损实验条件 本实验所用的铜粉形状近似球形或椭球形,粒
[7]
之间复杂的高阶相关性 。 径介于 5~10 μm ,纯度超过 99.9% 。 石墨烯是采用
高效的机器学习技术具有非线性和自适应性等 物理剥离法进行制备的。 该石墨烯的层数可达 1~3
特点,能够有效地解决多因素、复杂性、随机性和非线 层,粒度为 7~12 μm ,含碳量达到 98% ,具有薄厚度
性的工程问题,在预测材料摩擦磨损性能方面得到了 和结构缺陷少的优良特性。
广泛应用。 为了预测摩擦系数和磨损量,Cetinel 采用 [8]
为得到目标质量分数的铜 / 石墨烯复合材料样
反向传播神经网络(back-propagation neural network , 品,首先在烧杯中分别加入 0.01、0.02、0.03 和 0.04 g
BPNN)方法构建摩擦系数和磨损量的预测模型,其 石墨烯粉末,在其中加入少量无水乙醇,并超声分散
中,实验载荷及润滑条件作为输入值,摩擦系数和磨 处理 1 h ; 其次, 往对应烧杯中添加 4.99、4.98、4.97
损 量 作 为 输 出 值 , 训 练 BPNN 模 型 。 经 过 训 练 的 和 4.96 g 的 铜 粉 ,均 匀 混 合 ,放 入 MITR-QMQX-1L
BPNN 模型能够较好地预测出 Al2O3-TiO2 涂层在各 球磨机中;最后,将复合材料粉末放入 70 ℃ 的 真空
种载荷及各种润滑情况下的摩擦系数和磨损量,从 恒 温 干 燥 箱 中 干 燥 , 获 得 石 墨 烯 含 量 分 别 为 0.2、
而可以在无需摩擦磨损实验的情况下, 迅速预测出 0.4、0.6 和 0.8 wt%的铜 / 石墨烯复合材料粉末。球磨
所需摩擦磨损实验载荷及润滑条件下的摩擦系数及 过程中,球磨转速、球料比、球磨时间作为首要的球
[9]
磨损量。 Yang 等 分别利用 BPNN 和广义回归神经 磨工艺参数 [11]。 在本实验中,将球磨时间设为 2、4、6
网 络 (generalized regression neural network ,GRNN) 和 8 h,把 其 他 球 磨 参 数 设 为 定 值 ,球 磨 速 度 为 250
对高速钢衬底上 Cr1-xAlxC 薄膜的摩擦系数进行了 r/min ,球料比为 10∶ 1。
预测,结果表明,相对于常规 BPNN 模型,GRNN 模 在烧结炉中对制得的铜 / 石墨烯复合材料粉末
型可以准确地建立摩擦系数随工艺参数变化的模 进行还原处理,还原时间 2 h ,并注入氩气及氢气,再
型,且预测值的精度高,平均误差在 ±0.97% 。 Hasan 进行压制烧结, 最后将得到的铜 / 石墨烯复合材料
[10]
等 成功地用多种机器学习算法对铝 / 石墨复合材 块体进行抛光处理,以完成制备过程。该材料具体制
料的摩擦磨损性能进行了预测, 经过训练的机器学 作流程如图 1 所示。
习模型能够在铝 / 石墨复合材料测试集上对其摩擦 1.2 摩擦磨损实验
磨损性能进行精确预测。 摩 擦 磨 损 实 验 是 在 HSR-2M 高 速 往 复 摩 擦 试
目前, 关于铜 / 石墨烯复合材料的摩擦磨损性 验机上完成的, 主要测定铜 / 石墨烯复合材料的摩
能预测的报道很少。 本研究以铜 / 石墨烯复合材料 擦系数和磨损率。 实验参数设定为:往复行程 5 mm ,
为研究对象,以球磨和冷压烧结为制备工艺,设计并 速 度 50 r/min ,载 荷 1、2、3 和 4 N,实 验 时 间 10 min ,
制备了不同石墨烯含量和球磨时间处理后的铜 / 石 干摩擦条件下测试样品的摩擦系数和磨损率。 上摩
墨烯复合材料样品, 并在不同的实验载荷下进行了 擦副是直径为 2 mm 的黄铜球(硬度 65 HV),下摩擦
摩擦磨损实验, 以获得样品的摩擦系数和磨损率数 副是铜 / 石墨烯复合材料样品,其直径为 14 mm ,厚
热加工工艺
Hot Working Technology
还原 3 构建模型
本 实 验 使 用 Matlab R2018b 构 建 了 GRNN、
铜 / 石墨烯复合材料粉末 冷压
生胚 BPNN、SVR 和 RF 算 法模型。 其中 ,GRNN 具有较
强的抗外界干扰能力、优异的拟合能力、快速收敛和
自我学习能力,特别适用于小样本或不稳定数据 [12]。
BPNN 是最具代表性的机器学习算法, 其基本单元
[13]
是神经元 , 可以有效处理内部机制复杂的问题。
不同石墨烯含量和球磨时间 高温烧结 SVR 的目标是最小化结构风险的损失,其核函数实
制得的样品
现了从输入空间到高维空间的转换, 从而改善了预
图 1 石墨烯铜基复合材料的制作流程
Fig.1 Production process of graphene copper matrix 测的效果。 RF 抗过度拟合能力较强并且十分稳定,
composites
仅在一半以上基分类器发生错误时才会发生错误预
度为1.4 mm 。 为了确保接触条件一致,所有待测样品 判[14]。 为了评估模型的优劣,本文采用平均绝对误差
在 实 验 前 要 按 顺 序 用 800~2000 目 碳 化 硅 砂 纸 抛 (average absolute error ,MAE )、 均 方 根 误 差 (root
光,再经过丙酮超声波清洗,磨球也要用丙酮超声清 mean square error ,RMSE) 和 决 定 系 数 (coefficient of
洗,清除表面油污。 determination ,R2) 来 评 估 结 果 。 MAE、RMSE 值 越
1.3 实验数据 低,预测结果越接近真实值,R2 值越接近 1,表明 拟
通过改变石墨烯含量、 球磨时间及实验载荷进 合效果越好。
行摩擦磨损实验,对实验数据进行分析和整理,剔除 图 2 显示了在训练阶段预测的摩擦系数和磨损
异常数据后,获取 56 组不同变量对应的摩擦系数和 率与相应实验数据之间的关系。 图中的横轴是实验
磨损率数据,如表 1 所示。 值 ,纵 轴 是 预 测 值 ,理 想 线 段 为 截 距 为 0,斜 率 为 1
表 1 实验数据 的线段。散点越接近理想线段,表明该模型对摩擦磨
Tab.1 Experimental data
损性能预测的精度越高。 如图 2 和图 3 所示,GRNN
样本 石墨烯含 球磨时间 实验载荷 摩擦系数 磨损率
序号 量 (wt%) /h /N 均值 /(10-4 mm3·m-1) 模型在训练阶段中表现最佳。
1 0.2 2 2 0.222 4.93 表 2 列出了训练阶段 4 种机器学习模型的
2 0.2 2 3 0.219 20.40 MAE、RMSE 和 R2 值。 GRNN 模型的性能最优,其摩
3 0.2 4 1 0.322 0.80
擦 系 数 模 型 和 磨 损 率 模 型 的 R2 值 分 别 为 0.942 和
4 0.2 4 2 0.193 4.33
0.826。 GRNN 摩擦系数模型的 MAE 和 RMSE 值分
… … … … … …
别 为 0.011 和 0.016,GRNN 磨 损 率 模 型 的 MAE 和
53 0.8 8 1 0.365 2.13
54 0.8 8 2 0.287 4.67 RMSE 值分别为 0.00022 和 0.00033,这些值低于 其
55 0.8 8 3 0.27 2.87 他模型。 因 此,GRNN 模型在训 练阶 段 优 于 其 他 3
56 0.8 8 4 0.229 3.73 种模型。
2 数据预处理 4 模型验证
将上述实验数据分为训练集和测试集。 训练集 为了验证预测模型对摩擦系数和磨损率的预测
比例占 85%,测试集比例占 15%。 故采用 48 组数据 精度,采用测试集对其验证。摩擦系数和磨损率的测
作为训练集,另外取 8 组数据作为测试集。 试集的预测结果曲线及残差分别如图 3 和图 4 所
数据预处理是机器学习中不可或缺的一环,在训 示。 从图 3 和图 4 可以看出, 测试集中获得的结果
练模型之前必须进行这一步骤, 以确保模型的准确 与 训 练 集 中 的 结 果 相 似 ,GRNN 模 型 的 精 度 最 高 ,
性。 为此,应采用随机排序的方式,以确保数据的有效 摩擦系数的最大残差仅为 0.02, 磨损率的最大残差
性和可靠性。 此外,为了减少不同数量级之间的相对 仅为 4.69×10-4 mm3·m -1,而且 GRNN 模型在处理高
关系和影响,样本数据被归一化并映射到[0,1]。 输出值和低输出值时表现更加稳定。这些结果表明,
热加工工艺
Hot Working Technology
预测摩擦系数
预测摩擦系数
预测摩擦系数
0.4 0.4 0.4 0.4
0.3 0.3 0.3 0.3
0.2 0.2 0.2 0.2
0.1 0.1 0.1 0.1
0 0 0 0
0.1 0.2 0.3 0.4 0.5 0.6 0.1 0.2 0.3 0.4 0.5 0.6 0.1 0.2 0.3 0.4 0.5 0.6 0.1 0.2 0.3 0.4 0.5 0.6
实际摩擦系数 实际摩擦系数 实际摩擦系数 实际摩擦系数
预测磨损率 /(10-4 mm3·m-1)
0.35
摩擦系数
0
0.30
0.25 -0.05
0.20
-0.10
0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9
样本序号 样本序号
图 3 摩擦系数模型的预测结果 (a)及残差 (b)
Fig.3 Prediction results (a) and residual error (b) of friction coefficient model
40 15
(a) 实际值 (b) GRNN 预测值的残差
磨损率残差 /(10-4 mm3·m-1)
-5
10
-10
0
-15
0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9
样本序号 样本序号
图 4 磨损率模型的预测结果 (a)及残差 (b)
Fig.4 Prediction results (a) and residual error (b) of wear rate model
热加工工艺
Hot Working Technology