[发明专利]基于BP神经网络的镍基高温合金微观组织预测控制方法

摘要

本发明公开了一种基于BP神经网络的镍基高温合金微观组织预测控制方法。该方法包括如下步骤：(1)根据历史模锻工艺参数和微观组织离线训练预测和控制神经网络模型；(2)利用模锻工艺参数由预测神经网络模型预测下一时刻的微观组织；(3)对预测的微观组织进行反馈校正并规划下一时刻的微观组织目标值；(4)根据微观组织的反馈校正值和目标值，由控制神经网络模型给出系统当前时刻的模锻工艺参数；(5)根据软测量的微观组织在线反馈调整控制和预测神经网络模型；(6)转入步骤2，进入下一时刻的镍基高温合金微观组织的预测控制。本发明方法能够快速、准确地在线预测和控制镍基高温合金微观组织，为实现镍基高温合金零件的高品质锻造提供了有效的技术途径。

主权项

1.基于BP神经网络的镍基高温合金微观组织预测控制方法，其特征在于可以对镍基高温合金锻造过程中的微观组织进行精准快速地预测与控制，该方法包括如下步骤：步骤1：对预测神经网络模型和控制神经网络模型中的训练参数进行初始化，根据历史的模锻工艺参数和微观组织信息，离线训练预测神经网络模型和控制神经网络模型；预测神经网络包括再结晶晶粒尺寸预测神经网络模型和再结晶分数预测神经网络模型，再结晶晶粒尺寸预测神经网络模型表示为：yp(k+1)＝fg[s(k‑1),s(k),v(k‑1),v(k),y(k‑1),y(k),p(k‑1),p(k)]其中，s和v分别表示上模具的位移和速度,y和p分别表示再结晶晶粒尺寸和再结晶分数，yp(k+1)为预测的再结晶晶粒尺寸；再结晶分数预测神经网络模型表示为：pp(k+1)＝fp[s(k‑1),s(k),v(k‑1),v(k),y(k‑1),y(k),p(k‑1),p(k)]其中，pp(k+1)为预测的再结晶分数；控制神经网络模型可以表示为：v(k+1)＝fc[yr(k+1),yc(k+1),pr(k+1),pc(k+1),v(k‑1),v(k)]其中，yr和yc分别表示再结晶晶粒尺寸的参考值和校正值，pr和pc分别表示再结晶分数的参考值和校正值，v表示上模具的速度；步骤2：利用模锻工艺参数由预测神经网络模型预测下一时刻的微观组织；步骤3：对预测的微观组织进行反馈校正，并规划下一时刻的微观组织目标值；步骤4：根据微观组织的反馈校正值和目标值，由控制神经网络模型给出系统当前时刻输入的模锻工艺参数；步骤5：在线软测量当前时刻的微观组织，并根据软测量的微观组织信息在线反馈调整控制神经网络模型和预测神经网络模型；预测神经网络模型的权值是基于软测量的与模型预测的微观组织信息之间误差进行反馈调整，预测神经网络模型权值调整是基于如下优化指标：其中，y(k+1)和yp(k+1)分别表示软测量的和模型预测的微观组织信息；输入‑隐含层权值调整公式为：ΔW1ij＝η·[y(k+1)‑yp(k+1)]·yp(k+1)·(1‑yp(k+1))·W2i·h1i·(1‑h1i)·UjΔb1i＝η·[y(k+1)‑yp(k+1)]·yp(k+1)·(1‑yp(k+1))·W2i·h1i·(1‑h1i)隐含‑输出层权值调整公式为：ΔW2i＝η·[y(k+1)‑yp(k+1)]·yp(k+1)·(1‑yp(k+1))·h1iΔb2＝η·[y(k+1)‑yp(k+1)]·yp(k+1)·(1‑yp(k+1))其中，η为学习速率，W1和b1为预测神经网络输入‑隐含层的权值矩阵和偏移项，W2和b2为预测神经网络隐含‑输出层的权值矩阵和偏移项，U为预测神经网络的输入，h1为预测神经网络隐含层的输出；控制神经网络模型的权值是基于微观组织信息的参考值与校正值之间的误差进行反馈调整：其中，yr和yc分别表示再结晶晶粒尺寸的参考值和校正值，pr和pc分别表示再结晶分数的参考值和校正值；输入‑隐含层权值调整公式为：ΔWc1ij＝η·{[yr(k+1)‑yc(k+1)]·yp(k+1)·(1‑yp(k+1))·Wg2·hg1·(1‑hg1)·Wg1i4+[pr(k+1)‑pc(k+1)]·pp(k+1)·(1‑pp(k+1))·Wp2·hp1·(1‑hp1)·Wp1i4}·v(k)·(1‑v(k))·Wc2i·hc1i·(1‑hc1i)·YjΔbc1i＝η·{[yr(k+1)‑yc(k+1)]·yp(k+1)·(1‑yp(k+1))·Wg2·hg1·(1‑hg1)·Wg1i4+[pr(k+1)‑pc(k+1)]·pp(k+1)·(1‑pp(k+1))·Wp2·hp1·(1‑hp1)·Wp1i4}·v(k)·(1‑v(k))·Wc2i·hc1i·(1‑hc1i)隐含‑输出层权值调整公式为：ΔWc2i＝η·{[yr(k+1)‑yc(k+1)]·yp(k+1)·(1‑yp(k+1))·Wg2·hg1·(1‑hg1)·Wg1i4+[pr(k+1)‑pc(k+1)]·pp(k+1)·(1‑pp(k+1))·Wp2·hp1·(1‑hp1)·Wp1i4}·v(k)·(1‑v(k))·hc1iΔbc2＝η·{[yr(k+1)‑yc(k+1)]·yp(k+1)·(1‑yp(k+1))·Wg2·hg1·(1‑hg1)·Wg1i4+[pr(k+1)‑pc(k+1)]·pp(k+1)·(1‑pp(k+1))·Wp2·hp1·(1‑hp1)·Wp1i4}·v(k)·(1‑v(k))其中，η为学习速率，Wg1和Wg2分别表示再结晶晶粒尺寸预测神经网络输入‑隐含层和隐含‑输出层的权值矩阵，Wp1和Wp2分别表示再结晶分数预测神经网络输入‑隐含层和隐含‑输出层的权值矩阵，hg1和hp1分别表示再结晶晶粒尺寸和再结晶分数预测神经网络隐含层的输出，Wc1和bc1为控制神经网络输入‑隐含层的权值矩阵和偏移项，Wc2和bc2为控制神经网络隐含‑输出层的权值矩阵和偏移项，hc1为控制神经网络隐含层的输出，Y为控制神经网络的输入[yr(k+1),yc(k+1),pr(k+1),pc(k+1),v(k‑1),v(k)]；步骤6：转入步骤2，进入下一时刻的镍基高温合金微观组织的预测控制；步骤1中所述的预测神经网络模型和控制神经网络模型中的训练参数是指学习速率，反馈校正权值系数和柔化系数；步骤1、2和4中所述的模锻工艺参数是指上模具的位移和速度；步骤1、2、3、4、5和6中所述的微观组织信息是指再结晶晶粒尺寸和再结晶分数。