t10钢油冷空冷退火后的硬度值比较分析原因

Posted 2023-04-04

1、T10号钢执行标准：GB/T711，WTB（舞钢标准），热处理：退火

2、T10号钢简介

T10#钢是10号特种钢，也可写为T10号钢，一般是用于工具制作用钢，也称：工具钢，属于舞钢电渣所。

3、T10#是碳素工具钢，淬火温度（760-780度）硬度可以到62Rc。

4、10号钢特性

T10#是最常见的一种碳素工具钢，韧度适中，生产成本低，经热处理后硬度能达到60HRC以上，但是，此钢淬透性低，且耐热性差（250℃），在淬火加热时不易过热，仍保持细晶粒。韧性尚可，强度及耐磨性均较T7#-T9#高些，但热硬性低，淬透性仍然不高，淬火变形大。

5、 T10号钢化学成分、熔炼分析

碳0.95-1.04，锰0.15-0.35，硅0.15-0.35,

6、T10号钢力学性能

T10号钢：退火

洛氏硬度HRC≥62

布氏硬度HBW≤197

热处理规范：试样淬火760～780℃,水冷

7、T10号钢适用范围

T10号钢应用较广，适于制造切削条件较差、耐磨性要求较高且不受突然和剧烈冲击振动而需要一定的韧性及具有锋利刃口的各种工具，如车刀、刨刀、钻头、丝锥、扩孔刀具、螺丝板牙、铣刀手锯锯条、还可以制作冷镦模、冲模、拉丝模、铝合金用冷挤压凹模、纸品下料模、塑料成型模具、小尺寸冷切边模及冲孔模，低精度而形状简单的量具（如卡板等），也可用作不受较大冲击的耐磨零件等。

8、T10#钢尺寸、外形、重量及允许偏差

钢板的尺寸、外形、重量及允许偏差应符合GB/T 709标准的规定。

厚度偏差按GB/T709的B类或C类执行，在注明。

钢板表面质量符合GB3274之规定

钢板的包装、标志及质量证明书应符合GB/T247之规定。

9、T10#钢冶炼方法

转炉/电炉炼钢→LF炉精炼→VD炉真空脱气→连铸/模铸/电渣→清理加热→轧制→探伤→热处理→钢板精整→取样→性能检验。 参考技术A t10钢回火后的硬度是60到62HRC。
查询t10钢资料显示，t10钢加热温度160到180℃，保温时间1.5到2h，回火后硬度60到62HRC，所以t10钢回火后的硬度是60到62HRC。
T10是工业选择中很常见的碳素工具钢。钢的韧性好，成本价格低。

梯度下降优化算(Momentum, AdaGrad, RMSprop, Adam)学习率退火

1.指数加权平均:

当没有使用加权平均时的结果噪音比较大, 如:

Yt表示t时刻的真实值    St表示t加权平均后的值，β为权重值

运算步骤:  就是用前一天结果的0.9倍 加上 今天结果的0.1倍作为今天的结果。以此类推

 加权平均的作用: 使最终的结果更加平滑，减少噪音。

 最终第100天的数据结果为:

梯度下降算法在进行网络训练时，会遇到鞍点，也就是局部极小值问题，要解决这个问题，就提出了动量（Momentum) 算法；

2. 动量算法（Momentum）:  是计算梯度的指数加权平均，并利用该值来更新参数。动量问题主要解决鞍点(局部极小值)的问题，  通常贝β设置为0.9

动量(Momentum)解释: 动量的意思是，如果两次梯度方向相同，则动量的值就会增大，如果两次梯度的方向相反，则动量的值就会减小， 用这样的方法，可以冲过鞍点， 如果是到了真正的最小值且越过了最小点，则会由于梯度方向不同，使动量值减小，慢慢的收敛到最小点。

动量(Momentum)方法可以到达最小值点，但是如果动量太大，避免不了在最小点来回动荡，趋于最小值点的速度会很慢，为了解决这个问题，就有了Adagrad算法。

使用动量和不使用动量结果的比较 : 红色是没有使用动量方法的结果， 蓝色是使用动量方法得到的结果，很明显，使用动量后，所得到的结果噪音更小。

3. Adagrad算法：                                                                                                                          

算法的目的：将w的更新看成是一个人下山坡， Adagrad可以理解为，一个人可以在缓坡时候迈的步子大一点， 在陡坡中迈的步子小一点，这样可以加快训练。

首先会将St(是一个向量)中所有的元素初始化为0(因为t的维度和要更新的w维度相同才可以)，之后将梯度gt按元素平方后累加到变量St                                                                                              

为什么St是一个向量或矩阵，因为要使用St取更新w的值，w是一个向量或者矩阵，所以St也是一个向量或者矩阵.                               

表示按元素相乘。

gt表示的是梯度    St表示的是t时刻的结果  (每次更新一次w是一次迭代，则顺便更新St的值)

更新w参数:  α表示的是学习率，  ε是为了防止分母为0的情况。ε通常设置为1e-8;                       

注意: 随着迭代次数，上面st累加的值越来越大，导致更新w的值时，st作为分母，会是整体梯度减小，会很难到达最小点

Adagrad算法的问题:  当点移动到缓坡的时候，可以使用梯度平方的方法将步长变大，  但是如果在陡坡的时候，梯度是比较大的，一旦平方后，再往后梯度就很难再减小(也就是说步长很难再变小)， 由于这个问题，又提出了RMSprop算法。

4. RMSprop算法: 是在Adagrad算法的基础上,可以让大的步长也可以变小, 那就是引进衰减系数(加权平均)，让每次都衰减一定比例。由于有β的存在，大的梯度也可以平滑，不会很大。

 RMSprop算法是状态变量St是截至时间t，所有梯度gt按元素平方和并指数加权平方，算法将这些梯度按元素平方做指数加权移动

5. Adam算法：是将Momentum和RMSprop算法相结合。

优化梯度的方法: （由于前人的经验，β1=0.9较好， β2=0.999较好）

其中 𝑙 表示的是某一层， t为移动平均迭代次数

参数更新过程:

6. 学习率退火:

在训练神经网络时， 一般情况下学习率都会随着训练而变化，主要是训练后期，如果学习率过高，会造成loss的来回震荡， 但是学习率较小的话， 又会造成收敛变慢的请款。

6.1 分段常数衰减:

分段常数衰减是在实现地暖管一号的训练区间上个，设置不同的学习率常数， 刚开始学习率大一些，之后学习率越来越小。           

                       

                                                                            

6.2指数衰减:    

其中 t表示迭代次数, α0 和 k均为超参数，这两个超参数设置不同的值，衰减速率不同 。               α0是初始学习率。                                         

 6.3    叫做1/t衰减：

t表示迭代次数，α0表示初始学习率(是超参数)， k也是超参数。