[发明专利]一种基于ISSA-ELM的水火弯板变形预测方法

权利要求书

1.一种基于ISSA-ELM的水火弯板变形预测方法，其特征在于，包括以下步骤：

S1：采集水火弯板加工数据，构建训练集；

S2：将采集的水火弯板加工数据归一化处理；

S3：根据采集的水火弯板加工数据，确定ELM网络的输入层、输出层和隐含层参数；

S4：利用改进的樽海鞘算法对ELM网络的初始权值和阈值进行优化，包括以下步骤：

将ELM网络模型中的初始权值w和阈值b作为樽海鞘群搜索空间中的一只樽海鞘，利用樽海鞘算法进行迭代寻优，设置樽海鞘算法的初始参数后按照ISSA算法中樽海鞘领导者和追随者的位置更新公式进行更新，直到迭代满足条件后输出最优解作为ELM网络模型中的初始权值w和阈值b；

领导者樽海鞘和追随者樽海鞘位置更新公式分别如下：

式中，F_d表示领导者樽海鞘在第d维空间的位置；表示领导者位置；ub_d，lb_d分别表示领导者个体在d维上的搜索上限和搜索下限；c₁，c₂为随机数，取值为[0,1]，c₁用于控制整个群体的搜索能力和开发能力，c₂决定移动的长度；c₃为搜索平衡因子，决定移动方向的正反，用于平衡全局搜索和局部搜索能力，增强领导者的随机性和多样性；a表示加速度；v₀表示初始速度；t_a表示迭代步长；R表示运动距离；分别表示更新后和更新前第m个追随者第d维位置；

S5：将加工数据作为优化后的ELM网络的训练集，对ELM网络训练；

S6：将实际加工参数输入到训练完成的ELM网络中，得到输出结果，将结果反归一化处理；

S7：获得相应加工参数下的变形预测结果。

2.根据权利要求1所述的基于ISSA-ELM的水火弯板变形预测方法，其特征在于，步骤S1所述的水火弯板加工数据，包括加热速度、热输入量、板材厚度、加热次数、加热线长度、加热线宽度、加热线距板宽距离、水火距、焰心距、横向收缩量和角变形。

3.根据权利要求1所述的基于ISSA-ELM的水火弯板变形预测方法，其特征在于，步骤S3所述的根据采集的水火弯板加工数据，确定ELM网络的输入层、输出层和隐含层参数，具体为将所采集的加热速度、热输入量、板材厚度、加热次数、加热线长度、加热线宽度、加热线距板宽距离、水火距和焰心距作为ELM网络输入层参数，横向收缩量和角变形作为ELM网络输出层参数，相应设置隐含层的个数。

4.根据权利要求1所述的基于ISSA-ELM的水火弯板变形预测方法，其特征在于，步骤S4所述改进的樽海鞘算法，步骤包括：添加衰减因子A(l)，使领导者位置更新范围随迭代次数的增加而逐渐减少，收敛前期避免陷入局部极值，收敛后期越来越逼近最优值，达到更高的求解精度；添加自适应惯性权重ω，使得算法搜索前期权重大于搜索后期权重；

衰减因子A(l)和自适应惯性权重ω公式如下：

ω＝2^-(4/3)*l/T*cos(πl)

式中，l表示当前迭代次数，T表示最大迭代次数。

5.根据权利要求1所述的基于ISSA-ELM的水火弯板变形预测方法，其特征在于，步骤S4所述利用改进的樽海鞘算法对ELM网络的初始权值w和阈值b进行优化，包括调用ISSA优化ELM模型，对拥有不同初始权值w和阈值b的ELM模型，将每个ELM模型中的初始权值w和阈值b作为ISSA算法种群中的独立樽海鞘个体，利用下式计算每个个体的适应度值，通过迭代寻优最小适应度值，作为最优的初始权值w和阈值b：

式中,E表示个体适应度值，y_d^*(n)表示网络训练输出，y_d(n)表示期望输出，D为训练数据长度。