一种汽车轻量化底盘铝合金结构件及其制备方法

本发明属于金属制造领域，尤其涉及一种汽车轻量化底盘铝合金结构件及其制备 方法。

在汽车配件生产行业，传统的铝合金结构件存在强度低、机械性能不高、耐腐蚀、 耐高温性能差等缺陷，在汽车制造中，由于连接底盘到其他临近部件需要支撑，所以此类零 件对综合机械性能要求很高。在汽车高频振动下，底盘产品应力和机械性能要达到很高的 水平，以免零件裂纹或直接断裂。

纯铝的密度小、耐腐蚀性高、熔点低，大约为660℃，且具有很高的塑性，易于加工。 但纯铝的强度低，为了能够提高铝的适用范围，通过长期的研究，通过在纯铝中加入某些其 它元素制得铝合金后能够提高强度的同时，依然保持纯铝的耐腐蚀性能、高塑性性能。而且 在添加了某些元素如钛金属的情况下，其强度超过很多合金钢，而且比重轻，已经被广泛用 于机械制造、航空工业、汽车及建材领域以替代铁或铁合金，以实现减轻自重及降低能耗。

铝合金的强度高，超过许多合金钢的强度，但是在铸造时，还存在以下缺陷，就是 在铸造过程中，因为在高压铸造过程中，会导致铝合金组织内的结构改变，而引起铝合金表 面出现裂纹等现象，这一现象导致了产品的性能及耐腐蚀性能出现缺陷。

综上所述，现有技术存在的问题是：现有的汽车轻量化底盘铝合金结构件强度低、 机械性能不高、耐腐蚀、耐高温性能差，在汽车高频振动下，出现零件裂纹或直接断裂。

针对现有技术存在的问题，本发明提供了一种汽车轻量化底盘铝合金结构件及其 制备方法。

本发明是这样实现的，一种汽车轻量化底盘铝合金结构件由以下重量百分比的组 分组成：

钛0.10-0.25％，铅0.20-0.4％，锰0.3-0.7％，硅8.0-10.0％，铁0.5-1.3％，铜 2.0-3.0％，镁0.2-0.60％，锌0.5-1.0％，铬0.1-0.20％，镍0.1-0.50％，锡0.1-0.30％，余 量为铝。

一种汽车轻量化底盘铝合金结构件制备方法包括以下步骤：

步骤1：将原料熔融并升温至760℃，静置5小时。

步骤2：再进行升温至750℃成液态原料，合模并留出一定间隙，向间隙中注入氧 气；继续合模，模具完全闭合。

步骤3：向料筒内注入液态原料；向料筒内注入氧气；然后加入0.25％的变质剂，采 用99％的氩气进行除气操作10分钟，静止13分钟准备压铸。

步骤4：将模具固定在压铸机的动定模板上，将模具预热至200℃，在模具型腔内均 匀喷上一层水基涂料，涂型厚度为0.005～0.007mm，加热并保持模具温度为160℃。

步骤5：将处理完成的混合物料液体压入模具内，压射取出零件后，进行180℃的时 效处理，经过10小时处理制得所需的汽车轻量化底盘铝合金结构件半成品。

步骤6：将到的半成品冷却后进行切边、X探伤、抛丸、加工ECM去毛刺、进行终清洗 烘干和最终检验，得到产品。

原料中每种组份分别储存在不同的智能下料器中，所述智能下料器通过质量控制 模块进行每种组份的添加量；质量控制模块的控制方法包括：

步骤一，通过质量控制模块内置的视频图像采集处理器获取智能下料器出料通道 中被测组份颗粒物的图像；

步骤二、在获取的图像中定义一预览区域的一特定区域；

步骤三、利用视频图像采集处理器提取至少一预览图像；

步骤四、利用视频图像采集处理器判定定义的被测组份是否存在于该预览图像 中；

步骤五、当该被测组份存在于该预览图像中，决定该被测组份件是否出现在该特 定区域至少一预定百分比；以及当该被测组份的该预定百分比出现在该特定区域时，致能 该视频图像采集处理器以进行一拍照处理以通过该视频图像采集处理器提取图像；

步骤六、所述视频图像采集处理器对包含有被测组份的图像进行数字图像处理， 将被测组份部分从整个图像背景中提取出来，并对提取出来的前景图像中的每个被测组份 进行标识；

步骤七、视频图像采集处理器自动计数，通过扫描整幅前景图像中标识的被测组 份并进行统计得到被测组份的质量；通过控制器控制被测组份现有下料速度的质量的比例 至预定的范围内；

将采集到的包含有被测颗粒物的图像利用预定过分割算法进行过分割成超像素 图像，对整个输入图像，以8*8个像素为单元，计算每个单元的平均灰度值和每个单元的最 大灰度值，得到至少一个区域，同一个所述区域中各个像素点的颜值相同；

对得到的超像素图像提取特征向量，所述特征向量包括轮廓、纹理、亮度和连续 性；

确定每个区域的颜值和质心；

根据各个区域所对应的颜值以及各个区域的质心，建立显著性模型；

根据所述显著性模型获取所述图像中的前景样本点和背景样本点；

根据所述显著性模型以及所述前景样本点和所述背景样本点，建立前背景分类模 型；

根据预定图割算法对所述图像进行分割，所述预定图割算法利用所述前背景分类 模型以及像素点之间的边缘信息对所述图像进行分割；

所述显著性模型为：

其中，S_i1为区域R_i中任一像素点的显著性值，w(R_j)为区域R_j中的像素点的个数，D_S(R_i,R_j)用于表征所述区域R_i和所述区域R_j之间空间位置差异的度量值，D_C(R_i,R_j)用于表征所述区域R_i和所述区域R_j之间颜差异的度量值，N为对所述图像进行过分割后得到的区域的总个数，D_S(R_i,R_j)为：D_S(R_i,R_j)＝exp(-(Center(R_i)-Center(R_j))²/σ_s²)；Center(R_i)为所述区域R_i的质心，Center(R_j)为所述区域R_j的质心，当所述图像中各个像素点的坐标均归一化到[0,1]时；

求超像素图像对应的方差图像V和边缘图像E，初始化窗口边长N＝3；窗口包含信 息判断，求边缘图像E中与原图像中当前窗口W对应的窗口中边缘像素在窗口中所占的比例 P，若P≥(N-2)/N2则当前窗口包含足够的边缘信息，满足进行分割的条件则进行分割，若P< (N-2)/N2则当前窗口不包含足够的边缘信息，不进行分割；

所述在步骤六中，检验样品中采用焊接弯曲试验进行检验，焊接弯曲试验中采用 弯曲位移检测模块对弯曲的应力强度进行检测。

所述弯曲位移检测模块的检测方法包括：

利用含有M个阵元的阵列传感器接收来自多个部位的弯曲位移信号，利用内置的信息采集子模块对每一路接收信号进行采样，得到弯曲的应力强度的M路离散时域混合信号m＝1,2,…,M；采集阵列传感器节点间不同时间片的交互次数，根据得到的数据建立时间序列，通过三次指数平滑法来预测节点间下一个时间片的交互次数，将交互次数预测值与实际值的相对误差作为节点的直接信任值；检测出最大弯曲的应力强度值；

直接信任值的具体计算步骤为：采集阵列传感器节点i与节点j之间的n个时间片的交互次数：选取一定时间间隔t作为一个观测时间片，以观测阵列传感器节点i和被测阵列传感器节点j在1个时间片内的交互次数作为观测指标，真实交 互次数，记作y_t，依次记录n个时间片的y_n，并将其保存在节点i的通信记录表中；预测第n+1个时间片的交互次数：根据采集到的n个时间片的交互次数建立时间序列，采用三次指数平滑法预测下一个时间片n+1内阵列传感器节点i和j之间的交互次数，预测交互次数，记作计算公式如下：

预测系数an、bn、cn的取值可由如下公式计算得到：

其中：分别是一次、二次、三次指数平滑数，由如下公式计算得到：

是三次指数平滑法的初始值，其取值为

α是平滑系数(0＜α＜1)，体现信任的时间衰减特性，即离预测值越近的时间片的 yt权重越大，离预测值越远的时间片的yt权重越小；如果数据波动较大，且长期趋势变化幅 度较大，呈现明显迅速的上升或下降趋势时α应取较大值(0.6～0.8)，增加近期数据对预测 结果的影响；当数据有波动，但长期趋势变化不大时，α可在0.1～0.4之间取值；如果数据波 动平稳，α应取较小值(0.05～0.20)；

计算直接信任值：

阵列传感器节点j的直接信任值TD_ij为预测交互次数和真实交互次数 y_n+1的相对误差，

采用多路径信任推荐方式而得到的计算式计算间接信任值；收集可信节点对阵列传感器节点j的直接信任值：阵列传感器节点i向所有满足TD_ik≤φ的可信关联节点询问其对阵列传感器节点j的直接信任值，其中φ为推荐节点的可信度阈值，根据可信度的要求精度，φ的取值范围为0～0.4；计算间接信任值：综合计算所收集到的信任值，得到阵列传感器节点j的间接信任值TR_ij， 其中，Set(i)为观测阵列传感器节点i的关联节点中与j节点有过交互且其直接信任值满足TD_ik≤φ的节点集合；

由直接信任值和间接信任值整合计算得出综合信任值；综合信任值Tij的计算公式 如下：Tij＝βTDij+(1-β)TRij，其中β(0≤β≤1)表示直接信任值的权重，当β＝0时，节点i和节 点j没有直接交互关系，综合信任值的计算直接来自于间接信任值，判断较客观；当β＝1时， 阵列传感器节点i对阵列传感器节点j的综合信任值全部来自于直接信任值，在这种情况 下，判断较为主观，实际计算根据需要确定β的取值。

进一步，采集到M路离散时域混合信号m＝1,2,…,M后，还需进行重叠加窗短时傅里叶变换，得到M个混合信号的时频域矩阵p＝0,1,…,P-1,q＝0,1,…,N_fft-1，其中P表示总的窗数，N_fft表示FFT变换长度；p，q)表示时频索引，具体的时频值为这里N_fft表示FFT变换的长度，p表示加窗次数，T_s表示采样间隔，f_s表示采样频率，C为整数，表示短时傅里叶变换加窗间隔的采样点数，C＜N_fft，且K_c＝N_fft/C为整数，采用的是重叠加窗的短时傅里叶变换。

进一步，阵列传感器接收来自多个部位的弯曲位移信号的方法包括：对接 收信号 的离散信号向量进行线性变换得到酉变换矩阵；

根据所述酉变换矩阵中的主对角线元素和副对角线元素计算出接收信号的能量 特征谱；

所述线性变换得到酉变换矩阵具体包括：对阵列传感器接收多个部位的弯曲位移 信号s(t)进行线性变换，按如下公式进行：

其中A表示信号的幅度，a(m)表示信号的码元符号，p(t)表示成形函数，f_c表示信号的载波频率，表示信号的相位，通过非线性变换后得到：

进一步，所述在步骤五中，制备方法还包括双级固溶处理后的淬火处理，在所述淬 火处理后3.5-4.5h内或者在所述淬火处理后46-50h后进行1.8-2％的预拉伸处理。

进一步，所述在步骤六中，切边使用数控等离子切割的方式进行切边，以保证满足 相应的尺寸要求。

进一步，所述在步骤六中，检验样品取低倍、力学系能试验、焊接试样，焊接采用 TIG法，具体试验为焊接拉伸试验、焊接弯曲试验、母材拉伸试验。

本发明的优点及积极效果为：本发明的汽车轻量化底盘铝合金结构件内气泡少， 机械性能良好，强度高，耐腐蚀、耐高温性能高，作为汽车零件使用时稳定性好，值得推广， 改善了原有薄壁支架类产品应力集中，产品容易产生裂纹的产品缺陷，韧性强，延伸率高， 远优于现有产品的延伸率，本发明对铝合金成分进行严格控制，Mn和Mg的含量比例进行单 独配比，以提高机械性能；

本发明的汽车轻量化底盘铝合金结构件具有良好的市场前景。

本发明可以同时对多中组份进行下料，大大提高了工作效率，通过视频图 像采集 处理器统计得到被测组份颗粒物的质量与预定质量的比例，通过控制器可控制这一比例， 达到智能均匀下料的目的。

本发明采用弯曲位移检测模块对弯曲的应力强度进行检测，仅根据接收到的多个 跳频信号的混合信号，估计出跳频源信号，对弯曲的应力强度能进行准确检测，仅仅利用了 短时傅里叶变换，计算量小，容易实现，该方法在对跳频信号进行盲分离的同时，还能对部 分参数进行估计，实用性强，具有较强的推广与应用价值。

本发明阵列传感器接收来自多个部位的弯曲位移信号的方法，数据准确率比现有 技术提高近5个百分点。为信息采集子模块提供良好的数据支持。

图1是本发明实施提供的汽车轻量化底盘铝合金结构件及其制备方法流程图。

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明 进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于 限定本发明。

下面结合附图及具体实施例对本发明的应用原理作进一步描述。

本发明提供一种汽车轻量化底盘铝合金结构件由以下重量百分比的组分组成：

钛0.10-0.25％，铅0.20-0.4％，锰0.3-0.7％，硅8.0-10.0％，铁0.5-1.3％，铜 2.0-3.0％，镁0.2-0.60％，锌0.5-1.0％，铬0.1-0.20％，镍0.1-0.50％，锡0.1-0.30％，余 量为铝。

如图1所示，一种汽车轻量化底盘铝合金结构件制备方法包括以下步骤：

S101：将原料熔融并升温至760℃，静置5小时。

S102：再进行升温至750℃成液态原料，合模并留出一定间隙，向间隙中 注入氧 气；继续合模，模具完全闭合。

S103：向料筒内注入液态原料；向料筒内注入氧气；然后加入0.25％的变质剂，采 用99％的氩气进行除气操作10分钟，静止13分钟准备压铸。

S104：将模具固定在压铸机的动定模板上，将模具预热至200℃，在模具型腔内均 匀喷上一层水基涂料，涂型厚度为0.005～0.007mm，加热并保持模具温度为160℃。

S105：将处理完成的混合物料液体压入模具内，压射取出零件后，进行180℃的时 效处理，经过10小时处理制得所需的汽车轻量化底盘铝合金结构件半成品。

S106：将到的半成品冷却后进行切边、X探伤、抛丸、加工ECM去毛刺、进行终清洗烘 干和最终检验，得到产品。

原料中每种组份分别储存在不同的智能下料器中，所述智能下料器通过质量控制 模块进行每种组份的添加量；质量控制模块的控制方法包括：

步骤一，通过质量控制模块内置的视频图像采集处理器获取智能下料器出料通道 中被测组份颗粒物的图像；

步骤二、在获取的图像中定义一预览区域的一特定区域；

步骤三、利用视频图像采集处理器提取至少一预览图像；

步骤四、利用视频图像采集处理器判定定义的被测组份是否存在于该预览图像 中；

步骤五、当该被测组份存在于该预览图像中，决定该被测组份件是否出现在该特 定区域至少一预定百分比；以及当该被测组份的该预定百分比出现在该特定区域时，致能 该视频图像采集处理器以进行一拍照处理以通过该视频图像采集处理器提取图像；

步骤六、所述视频图像采集处理器对包含有被测组份的图像进行数字图像处理， 将被测组份部分从整个图像背景中提取出来，并对提取出来的前景图像中的每个被测组份 进行标识；

步骤七、视频图像采集处理器自动计数，通过扫描整幅前景图像中标识的 被测组 份并进行统计得到被测组份的质量；通过控制器控制被测组份现有下料速度的质量的比例 至预定的范围内；

将采集到的包含有被测颗粒物的图像利用预定过分割算法进行过分割成超像素 图像，对整个输入图像，以8*8个像素为单元，计算每个单元的平均灰度值和每个单元的最 大灰度值，得到至少一个区域，同一个所述区域中各个像素点的颜值相同；

对得到的超像素图像提取特征向量，所述特征向量包括轮廓、纹理、亮度和连续 性；

确定每个区域的颜值和质心；

根据各个区域所对应的颜值以及各个区域的质心，建立显著性模型；

根据所述显著性模型获取所述图像中的前景样本点和背景样本点；

根据所述显著性模型以及所述前景样本点和所述背景样本点，建立前背景分类模 型；

根据预定图割算法对所述图像进行分割，所述预定图割算法利用所述前背景分类 模型以及像素点之间的边缘信息对所述图像进行分割；

所述显著性模型为：

其中，S_i1为区域R_i中任一像素点的显著性值，w(R_j)为区域R_j中的像素点的个数，D_S(R_i,R_j)用于表征所述区域R_i和所述区域R_j之间空间位置差异的度量值，D_C(R_i,R_j)用于表征所述区域R_i和所述区域R_j之间颜差异的度量值，N为对所述图像进行过分割后得到的区域的总个数，D_S(R_i,R_j)为：D_S(R_i,R_j)＝exp(-(Center(R_i)-Center(R_j))²/σ_s²)；Center(R_i)为所述区域R_i的质心，Center(R_j)为所述区域R_j的质心，当所述图像中各个像素点的坐标均归一化到[0,1]时；

求超像素图像对应的方差图像V和边缘图像E，初始化窗口边长N＝3；窗口包含信 息判断，求边缘图像E中与原图像中当前窗口W对应的窗口中边缘像 素在窗口中所占的比 例P，若P≥(N-2)/N2则当前窗口包含足够的边缘信息，满足进行分割的条件则进行分割，若 P<(N-2)/N2则当前窗口不包含足够的边缘信息，不进行分割；

所述在步骤六中，检验样品中采用焊接弯曲试验进行检验，焊接弯曲试验中采用 弯曲位移检测模块对弯曲的应力强度进行检测。

所述弯曲位移检测模块的检测方法包括：

利用含有M个阵元的阵列传感器接收来自多个部位的弯曲位移信号，利用内置的信息采集子模块对每一路接收信号进行采样，得到弯曲的应力强度的M路离散时域混合信号m＝1,2,…,M；采集阵列传感器节点间不同时间片的交互次数，根据得到的数据建立时间序列，通过三次指数平滑法来预测节点间下一个时间片的交互次数，将交互次数预测值与实际值的相对误差作为节点的直接信任值；检测出最大弯曲的应力强度值；

直接信任值的具体计算步骤为：采集阵列传感器节点i与节点j之间的n个时间片的交互次数：选取一定时间间隔t作为一个观测时间片，以观测阵列传感器节点i和被测阵列传感器节点j在1个时间片内的交互次数作为观测指标，真实交互次数，记作y_t，依次记录n个时间片的y_n，并将其保存在节点i的通信记录表中；预测第n+1个时间片的交互次数：根据采集到的n个时间片的交互次数建立时间序列，采用三次指数平滑法预测下一个时间片n+1内阵列传感器节点i和j之间的交互次数，预测交互次数，记作计算公式如下：

预测系数an、bn、cn的取值可由如下公式计算得到：

其中：分别是一次、二次、三次指数平滑数，由如下公式计 算得到：

是三次指数平滑法的初始值，其取值为

α是平滑系数(0＜α＜1)，体现信任的时间衰减特性，即离预测值越近的时间片的 yt权重越大，离预测值越远的时间片的yt权重越小；如果数据波动较大，且长期趋势变化幅 度较大，呈现明显迅速的上升或下降趋势时α应取较大值(0.6～0.8)，增加近期数据对预测 结果的影响；当数据有波动，但长期趋势变化不大时，α可在0.1～0.4之间取值；如果数据波 动平稳，α应取较小值(0.05～0.20)；

计算直接信任值：

阵列传感器节点j的直接信任值TD_ij为预测交互次数和真实交互次数y_n+1的相对误差，

采用多路径信任推荐方式而得到的计算式计算间接信任值；收集可信节点对阵列传感器节点j的直接信任值：阵列传感器节点i向所有满足TD_ik≤φ的可信关联节点询问其对阵列传感器节点j的直接信任值，其中φ为推荐节点的可信度阈值，根据可信度的要求精度，φ的取值范围为0～0.4；计算间接信任值：综合计算所收集到的信任值，得到阵列传感器节点j的间接信任值TR_ij， 其中，Set(i)为观测阵列传感器节点i的关联节点中与j节点有过交互且其直接信任值满足TD_ik≤φ的节点集合；

由直接信任值和间接信任值整合计算得出综合信任值；综合信任值Tij的计 算公 式如下：Tij＝βTDij+(1-β)TRij，其中β(0≤β≤1)表示直接信任值的权重，当β＝0时，节点i和 节点j没有直接交互关系，综合信任值的计算直接来自于间接信任值，判断较客观；当β＝1 时，阵列传感器节点i对阵列传感器节点j的综合信任值全部来自于直接信任值，在这种情 况下，判断较为主观，实际计算根据需要确定β的取值。

采集到M路离散时域混合信号m＝1,2,…,M后，还需进行重叠加窗短时傅里叶变换，得到M个混合信号的时频域矩阵 p＝0,1,…,P-1,q＝0,1,…,N_fft-1，其中P表示总的窗数，N_fft表示FFT变换长度；p，q)表示时频索引，具体的时频值为这里N_fft表示FFT变换的长度，p表示加窗次数，T_s表示采样间隔，f_s表示采样频率，C为整数，表示短时傅里叶变换加窗间隔的采样点数，C＜N_fft，且K_c＝N_fft/C为整数，采用的是重叠加窗的短时傅里叶变换。

阵列传感器接收来自多个部位的弯曲位移信号的方法包括：对接收信号的离散信 号向量进行线性变换得到酉变换矩阵；

根据所述酉变换矩阵中的主对角线元素和副对角线元素计算出接收信号的能量 特征谱；

所述线性变换得到酉变换矩阵具体包括：对阵列传感器接收多个部位的弯曲位移 信号s(t)进行线性变换，按如下公式进行：

其中A表示信号的幅度，a(m)表示信号的码元符号，p(t)表示成形函数，f_c表示信号的载波频率，表示信号的相位，通过非线性变换后得到：

所述在S105中，制备方法还包括双级固溶处理后的淬火处理，在所述淬火处理后 3.5-4.5h内或者在所述淬火处理后46-50h后进行1.8-2％的预拉伸处理。

所述在S106中，切边使用数控等离子切割的方式进行切边，以保证满足相应的尺 寸要求。

所述在S106中，检验样品取低倍、力学系能试验、焊接试样，焊接采用TIG法，具体 试验为焊接拉伸试验、焊接弯曲试验、母材拉伸试验。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精 神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。