[发明专利]一种基于迁移学习的锡铋合金性能预测方法

说明书

本发明公开了一种基于迁移学习的锡铋合金性能预测方法，该方法通过构建深度信念网络，利用该模型，将学习到的先验知识迁移到新锡铋合金的特征学习中，对不同比例下的新型锡铋合金的性能进行预测，本发明利用已有的锡铋合金性能数据及预测模型的先验知识，在基于少量数据的实验情况下，能够有效降低深度学习算法由于样本量过少，不能有效学习到数据特征的问题；本发明方法利用迁移学习可以对新锡铋合金的对应性能进行预测，弥补了锡铋合金性能预测领域一定程度上的空缺；本发明方法实现的性能预测模型达到的预测率较未使用迁移学习的性能预测模型的预测率有了较大提高。

技术领域

本发明涉及一种基于迁移学习的锡铋合金性能测试方法，属于锡铋合金性能预测建模领 域。

背景技术

近年来，锡铋系合金等无铅焊料在电子行业中的使用已成为必然趋势，广泛用于电子封 装的各级焊接过程中，有较好的润湿性。目前国内电子封装行业所用的无铅锡焊料技术配方 主要依赖美国和日本，以日本千住和美国阿尔法为代表的企业持有绝大部分无铅焊料专利权， 国内发展锡铋系无铅焊料受国外专利严重制约，当前迫切需要加速研发性能优异的锡铋系合 金系列产品，同时加速现有焊料产品的性能升级和工艺改进。由于锡铋系合金新产品和新工 艺的研发周期长，存在研发应用速度普遍不能满足市场和企业发展的需要，而且基于传统“试 错法”的研发模式，耗资巨大等问题。如何在已有研究成果基础上缩短材料研发周期、加速成 果应用，是锡铋系合金研发所面临的重要问题。

机器学习近两年在材料成分-工艺-性能的优化和预测上有了长足地进展。PaulRaccuglia利 用机器学习的支持向量机(SVM)，从“废弃”的数据中预测合成反应结果，采用决策树对SVM 预测结果再建模，使得新材料预测准确率为89％，获得了矾盐有机模板成功合成的三条新法 则，成为新的材料研发模式。Ni-Ti基形状记忆合金迟滞转变温度，通过机器学习算法预测元 素置换对其的影响，采用预测-实验-迭代的方法，在近80万种复杂的成分空间内，快速发现 了低迟滞转变温度合金成分。Chowdhury.S.G利用神经网络算法建立管线钢成分、加工参数、 屈服强度、抗拉强度与冲击功之间的关系模型，并以此模型为目标函数，利用多目标遗传算 法，成功获得了力学性能同时优化的管线钢成分和工艺参数的控制范围。

机器学习的特点就是只要有足够多可靠的样本数据信息，那么建立起来相应模型的预测 精度就会很高。但是，正因为这种需要大量数据才能高精度建模的方法，导致小样本下的机 器学习模型训练异常艰难。

发明内容

针对以上技术问题，本发明提供了一种基于迁移学习的锡铋合金性能预测方法，可以在 小样本的前提下，快速建立性能数据预测模型，节省开发时间与成本并达到高预测率。

本发明基于迁移学习的锡铋合金性能预测方法步骤如下：

1、基于tensorflow框架构建深度信念网络(DBN)；

所述深度信念网络是由多层限制性波尔兹蔓机(RBM)和一层BP网络组成的一种深层神 经网络，其中，RBM是一种随机网络，其包含可见层与隐藏层；可见层用于接收输入信号， 隐藏层用于提取特征；BP网络是一种利用误差反向传播算法进行训练的前馈型人工神经网 络。

2、将旧锡铋合金样本数据输入至深度信念网络中，训练出初始性能预测模型，其中旧锡铋合 金样本数据包括旧锡铋合金的组成、组成比例、拉伸力、拉伸速率、延伸率、抗拉强度，旧 锡铋合金是由Sn、Bi、Ag、Cu四种元素组成的合金；

所述训练出初始性能预测模型的训练过程由预训练和微调构成，步骤如下：

(1)预训练

①单独训练每一层限制性波尔兹蔓机，将数据输入到可见层，生成一个输入向量v，再通 过权值W传递给隐藏层，得到输出向量h，进而得到隐藏层所有节点值；

②根据下式求解限制性波尔兹蔓机的能量函数