微磁方法具有对铁磁性材料力学性能或与力学性能相关参量的无损检测能力,是目前无损检测领域的重要发展方向。为利用微磁方法实现力学性能相关参量的定量检测,需首先建立微磁信号与力学性能相关参量的映射关系。但目前从物理上尚难以建立这一映射关系。本文研究利用机器学习方法,构建多项微磁参量输入、待测指标为输出的模型,应用于加氢反应器封头试样的冲击功和韧脆转变温度,以及弹簧钢脱碳层厚度的定量预测。论文主要内容包括:(1)基于机器学习的力学性能相关参量微磁定量预测模型构建方法。以加氢反应器试样的冲击功和微磁检测数据为例,探讨了数据处理、筛选以及定量预测模型的建立方法。对比研究了BP神经网络、级联前向神经网络、广义回归神经网络等对冲击功的定量预测能力,优选了最佳网络形式及其结构参数。针对不满足均匀分布规律的实验标定数据,提出了分类回归组合建模新方法,提高了神经网络模型对冲击功的定量预测精度。(2)加氢反应器试样韧脆转变温度的微磁定量预测。利用两种不同热处理工艺的加氢反应器试样的标定实验数据,探究了多种因素对韧脆转变温度微磁定量预测模型精度的影响。首先,通过分析训练集数据量对回归模型精度的影响,选择了最优训练集占比;其次,基于PCA降维方法将输入BP神经网络的25维特征参量降至13维,通过遍历隐含层结构参数,建立了具有最优网络结构的回归模型;最后,在PCA降维基础上,利用具有最高准确率分类算法的“分类+回归”组合方法,进一步提高了韧脆转变温度的预测精度。(3)弹簧钢表面脱碳类型智能识别及脱碳层厚度定量预测。从两种不同基底(马氏体、珠光体)表面的完全、部分脱碳层试件中,获得了微磁和脱碳层厚度测试数据。在不同训练集占比下,研究利用基于朴素贝叶斯算法、随机森林算法、K近邻算法和集成学习的方法对脱碳试件类别进行识别。利用广义回归神经网络和BP神经网络,对所有类别脱碳弹簧钢表面的脱碳层厚度进行了定量预测。