CN112259176B - 一种基于神经网络的烧结SmCo磁性能预测方法及系统 - Google Patents
一种基于神经网络的烧结SmCo磁性能预测方法及系统 Download PDFInfo
- Publication number
- CN112259176B CN112259176B CN202011145672.3A CN202011145672A CN112259176B CN 112259176 B CN112259176 B CN 112259176B CN 202011145672 A CN202011145672 A CN 202011145672A CN 112259176 B CN112259176 B CN 112259176B
- Authority
- CN
- China
- Prior art keywords
- neural network
- data
- parameters
- network model
- solid solution
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 229910000938 samarium–cobalt magnet Inorganic materials 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 63
- 239000006104 solid solution Substances 0.000 claims abstract description 39
- 230000006870 function Effects 0.000 claims abstract description 35
- 230000032683 aging Effects 0.000 claims abstract description 32
- 238000005245 sintering Methods 0.000 claims abstract description 28
- 230000008569 process Effects 0.000 claims abstract description 25
- 230000004913 activation Effects 0.000 claims abstract description 24
- 238000005070 sampling Methods 0.000 claims abstract description 3
- 238000003062 neural network model Methods 0.000 claims description 60
- 238000012360 testing method Methods 0.000 claims description 35
- 210000002569 neuron Anatomy 0.000 claims description 30
- 239000012071 phase Substances 0.000 claims description 26
- 238000002474 experimental method Methods 0.000 claims description 14
- 238000010438 heat treatment Methods 0.000 claims description 11
- 238000002360 preparation method Methods 0.000 claims description 9
- 210000003850 cellular structure Anatomy 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 6
- 210000002421 cell wall Anatomy 0.000 claims description 5
- 229910045601 alloy Inorganic materials 0.000 claims description 4
- 239000000956 alloy Substances 0.000 claims description 4
- 210000004027 cell Anatomy 0.000 claims description 4
- 238000001816 cooling Methods 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 230000005389 magnetism Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000003723 Smelting Methods 0.000 claims description 2
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 239000004615 ingredient Substances 0.000 claims description 2
- 239000008384 inner phase Substances 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 claims description 2
- 238000002844 melting Methods 0.000 claims description 2
- 230000008018 melting Effects 0.000 claims description 2
- 238000010298 pulverizing process Methods 0.000 claims description 2
- 230000000087 stabilizing effect Effects 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 6
- 239000000696 magnetic material Substances 0.000 abstract description 6
- 238000010801 machine learning Methods 0.000 abstract description 4
- 230000005540 biological transmission Effects 0.000 abstract description 3
- 238000005457 optimization Methods 0.000 description 8
- 239000000463 material Substances 0.000 description 6
- 229910052761 rare earth metal Inorganic materials 0.000 description 3
- 150000002910 rare earth metals Chemical class 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 230000005415 magnetization Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910001172 neodymium magnet Inorganic materials 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 239000011226 reinforced ceramic Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Crystallography & Structural Chemistry (AREA)
- Databases & Information Systems (AREA)
- Chemical & Material Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Hard Magnetic Materials (AREA)
Abstract
本发明提供了一种基于神经网络的烧结SmCo磁性能预测方法及系统，涉及磁性材料和机器学习应用技术领域。本发明以烧结SmCo永磁体的成分和工艺参数，准确预测烧结SmCo永磁体的磁性参数，成分包括Zr、Cu和Sm元素的重量百分含量，工艺参数主要包括固溶温度、固溶时间、烧结温度、二次烧结温度、二次烧结时间、预时效温度、预时效时间和时效温度。综合成分和工艺参数，来预测磁体的剩磁、矫顽力、最大磁能积和方形度这四个核心性能参数。基于前馈传递和反向传播的原理，构建人工神经网络模型，并在此基础上，优化激活函数和训练集的采样方法，使模型达到理想的拟合和预测效果。
Description
技术领域
本发明涉及磁性材料和机器学习技术应用领域，具体是指一种基于神经网络的烧结SmCo磁性能预测方法及系统。
背景技术
永磁材料具有机械能和电能相互转换的功能，所以利用其能量转换功能，结合磁的各种物理效应可将永磁材料制成各种各样的永磁功能器件。永磁材料已经成为高新技术、新兴产业与社会进步的重要物质基础。稀土和过渡元素制备的稀土永磁材料是当前矫顽力最高、磁能积最大的一类永磁材料。第二代稀土永磁体以烧结SmCo永磁体为代表，其具有高的饱和磁化强度(可大于1.2T)，高的磁体矫顽力(可大于30kOe)，以及高居里温度(Tc＝926℃)，使其成为具有优异综合磁性能的磁体。目前，市场上使用的Sm-Co永磁体主要为烧结磁体。烧结SmCo永磁体成分和制备工艺复杂，通过传统的实验方法制备磁体，周期较长，难以确定最佳成分和工艺组合。
通过人工神经网络模型，可以显著提高烧结SmCo永磁体的成分和工艺设计效率。机器学习可以用于处理高维数据的分类、回归等问题。2011年由美国发起的材料基因组计划，通过整理收集大量数据，可以有效提高材料的研发效率。结合机器学习的相关算法，能够较为准确的建立起高维数据空间和目标性能之间线性或者非线性模型。作为机器学习标志性的算法，人工神经网络模型自1990年起，就被用于预测纤维增强的陶瓷基复合材料的界面腐蚀行为，并且广泛应用在新材料的研发和材料性能的预测。储林华等基于MATLAB平台和现有的少量实验数据,建立了一个输入为工艺参数、输出为NdFeB永磁体性能参量的BP神经网络模型,通过试验的方法，调整隐含层结点个数，达到模型训练精度和泛化能力的统一。目前尚未有报道采用神经网络模型对烧结SmCo永磁体的磁性能进行预测，烧结SmCo成分较为复杂，不同的成分的样品，其工艺要求差别很大，依靠实验方法，受到周期和成本等因素的限制，难以有效确定特定成分的最优化工艺条件。
综上，现有背景技术的技术不足可归纳如下：(1)针对烧结SmCo永磁体的神经网络模型尚无报道。(2)模型优化方法过于单一，为了得到良好的泛化能力，对训练精度有较大影响。(3)目前预测永磁体的神经网络模型仅以工艺参数作为模型的输入，而没有考虑成分和工艺对磁性能的共同影响。
发明内容
本发明所解决的技术问题：克服现有技术的不足，提供一种基于神经网络的烧结SmCo磁性能预测方法及系统；依靠已有的实验数据，神经网络模型建立成分和工艺参数于磁体磁性能之间的预测模型，经过对模型的优化，大大提高了模型的拟合精度和泛化能力，进而在连续的成分和工艺参数空间中，得到可靠的磁性能预测值，解决了烧结SmCo永磁体的磁性能预测问题。
本发明所采用的技术方案：一种基于神经网络的烧结SmCo磁性能预测方法，包括以下步骤：
步骤(1)数据获取及整理，获取烧结SmCo的不同特征参数数据与不同磁性能指标数据之间关系的样本数据，构建数据集；
步骤(2)构建神经网络模型，对数据集进行预处理，划分为训练集与测试集，构建神经网络模型，其中以训练集中的特征参数数据作为所述神经网络模型的输入，以训练集中对应的磁性能指标数据作为所述神经网络模型的输出；
步骤(3)训练神经网络模型，训练神经网络模型的权重参数，得到已训练的神经网络模型；
步骤(4)测试集测试模型，使用测试集评估已训练的神经网络模型的性能，优化已训练的神经网络模型，进而得到已优化的神经网络模型；
步骤(5)确定模型，将待预测的烧结SmCo磁体对应的特征参数数据输入至已优化的神经网络模型，所述已优化的神经网络模型输出所预测的磁性能指标数据。
所述步骤(1)中，烧结SmCo成分组成为Sm(CoaFebCucZrd)z，其中，z值范围7.5～8.1范围，Cu质量百分比含量范围0.054～0.066，Zr质量百分比含量范围0.015～0.02范围，上述成分范围内的配料比，根据不同成分的磁体，调整热处理工艺参数，以制备出含2:17相的SmCo永磁体。
所述步骤(2)中，特征参数包括成分参数与制备工艺参数，所述成分参数包括Zr元素含量、z值与Cu元素含量；所述制备工艺参数包括：固溶温度、固溶时间、烧结温度、二次烧结温度、二次烧结时间、预时效温度、预时效时间与时效温度。
所述烧结SmCo磁性能指标包括：剩磁、矫顽力、最大磁能积与方形度。
所述步骤(2)中的预处理采用归一化处理。
所述步骤(2)中，所述神经网络模型的结构包括输入层、隐藏层与输出层；隐藏层与输入层以全连接的方式连接，即隐藏层的每一个神经元都与输入层所有神经元相连接；输出层和隐藏层也采用全连接的方式连接；所述输入层单元数量为11，输出层的神经元数量为4，所述隐藏层的神经元数量为23。
所述步骤(3)中，训练神经网络模型的权重参数的具体实现为，使用误差反向传播算法迭代更新所述神经网络模型的权重参数，直至训练误差小于设定阈值完成训练，所述训练误差为训练集对应的预测磁性能指标数据与真实磁性能指标数据之间的均方差。
所述步骤(3)中，所述优化已训练的神经网络模型的具体实现为，对神经网络模型中的隐藏层重复使用不同的激活函数，并重复使用不同的数据集划分方法以划分训练集与测试集，直至测试误差小于设定阈值，所述测试误差为测试集对应的预测磁性能指标数据与真实磁性能指标数据之间的误差百分比。
所述隐藏层的激活函数包括tansig函数与hardlim函数，优选为hardlim函数。
本发明的一种基于神经网络的烧结SmCo磁性能预测方法的预测系统，包括：输入模块、预测模块与输出模块；
所述输入模块，用于输入待预测的烧结SmCo对应的特征参数数据并进行预处理，发送至所述预测模块；
所述预测模块，用于根据烧结SmCo的特征参数数据预测磁性能指标数据，所述预测模块包括一个已训练优化的神经网络模型，所述神经网络模型接收预处理后的特征参数数据作为输入，并以对应的所预测的磁性能指标数据作为输出，发送至所述输出模块；
所述输出模块，用于输出呈现烧结SmCo的磁性能指标数据。
本发明相较于现有技术所具备的技术优点：
(1)本发明通过人工神经网络模型，建立起烧结SmCo永磁体成分和工艺参数与剩磁、矫顽力、最大磁能积和方形度这四个性能参数之间的关系。通过对训练样本的采样方法进行优化，能有效提高模型的拟合精度，并且通过在测试样本上的泛化性的对比，选取合适的激活函数，能够进一步提高模型的可靠性，从而提高实验效率，填补了神经网络模型预测烧结SmCo磁性能的空白。
(2)本发明对模型进行多种优化，保证模型训练精度的同时，提高了模型的泛化能力。
(3)本发明以成分和工艺参数作为模型的输入，预测烧结SmCo磁性能，使模型能预测不同成分和工艺参数下的磁性能，应用范围更广，更好的反映实验条件。
附图说明
以下展示的图能够更好的说明本发明中采用的神经网络模型。
图1为基于神经网络预测烧结SmCo磁性能的流程图；
图2为神经网络模型的结构示意图；
图3为采用tansig作为激活函数，模型在训练过程中的均方误差；
图4为采用hardlim作为激活函数，模型在训练过程的均方误差。
图5为采用tansig作为激活函数的模型对数据的拟合结果；
图6为采用hardlim作为激活函数模型对数据的拟合结果；
图7为样本分层划分，模型训练过程的均方误差；
图8为样本分层划分，模型对数据的拟合结果。
具体实施方式
为了更好的理解本发明的内容和优点，对本发明做以下的进一步说明。
本实施例提供了烧结SmCo永磁体磁性能预测的方法，包括三个步骤：
步骤1：样本获取
步骤1.1：研究特征参量对矫顽力和剩磁的影响机制。
烧结SmCo永磁体中含有多种元素，各种元素对磁体的磁性能有不同的影响。
烧结SmCo永磁体的微观结构主要是胞状结构，其中胞壁相为富Sm、Cu的1:5相，胞内为2:17相。其中，磁体的矫顽力主要由胞壁相提供，剩磁主要由胞内相提供。增加Sm元素的含量，会导致富Sm的1:5相的形成，而磁体的矫顽力主要依靠1:5相获得，2:17相相对于1:5相来说，能提供的矫顽力有限。
Cu元素在胞壁相(1:5H相)处富集，降低了畴壁能，起到了对畴壁的钉扎作用，提供了矫顽力；Cu元素的添加促进了1:5H相的形成，细化了胞状结构，从而提高了样品的矫顽力。
烧结SmCo永磁体的烧结工艺对磁性能有极其重要的影响。烧结型烧结SmCo永磁体的制备工艺包括：计算配料、合金熔炼、制粉、磁场取向与成型、热处理、加工与检测。通常情况下，热处理工艺对磁性能的影响最大。通过不同热处理过程得到的磁体，其组织、结构和元素分布也各不相同。热处理一般又包括：烧结、固溶、时效等过程。
烧结温度一般设定为合金熔点的75％-80％，通过烧结来获得致密的磁体和良好的胞状结构。
固溶步骤主要调节固溶时间和固溶温度。为了获得良好的过饱和固溶体，不同的成分对应的1：7H过饱和相的相区不同，而且磁体的磁性能对固溶温度非常敏感，因此需要根据成分来调节固溶处理的工艺参数。
时效是一个多级时效的过程，分为一级时效和二级时效。一级时效的温度在800～850℃，在长时间的一级时效过程中，过饱和的1：7H相会发生调幅分解，形成胞状结构。一级时效结束后，以0.3℃～1.0℃/min的速度进行缓冷，使各元素能够均匀分布。缓冷至400℃～500℃，然后保温一段时间，稳定已得到的胞状结构。为了建立训练神经网络模型的数据库，调整不同的热处理参数，获得不同热处理方案下的磁体磁性能，将一次实验的所有数据作为数据库的一条单元，经过大量的实验，获得一定规模的样本数据，组合起来建立成供神经网络模型使用的数据库。
步骤1.2：数据选取，针对各种参数对磁性能的影响，制定实验方案，制备烧结SmCo永磁体，收集整理实验数据。
Sm(CobalFe0.35Cu0.06Zr0.018)z，z值代表Sm元素的相对含量，实验中单独改变z值，获得z＝7.5、7.575、7.65、7.725、7.8、8.1的磁体的参数和磁性能数据。
采用名义成分为Sm(CobalFe0.33CuxZr0.018)7.8的磁体，单独改变Cu含量x，并设置x＝0.054、0.058、0.06、0.062、0.066，获得其工艺参数和磁性能数据。
固溶温度的范围在1115℃～1150℃，固溶时间在4-30h，首先固定固溶时间在4h，改变固溶温度，得到最佳固溶温度。再以最佳固溶温度，改变固溶时间，确定最佳固溶时间。
在最佳固溶时间和固溶温度下，分别在1190℃-1220℃范围内，改变烧结温度，获取一组样本数据。
在最佳固溶工艺和最佳烧结温度下，在1140℃-1170℃温度范围内，改变二次烧结温度，并烧结2～6h不等。
预时效温度及其时间参数选取为690℃、720℃、750℃，0h、4h、9h、13h，其他条件相同。
等温时效温度分别为800℃、810℃、820℃、830℃，其他条件相同。
将上述实验所获得的数据整理，得到9组，共64个样本，每条样本中包含3项成分参数，8项制备工艺参数，共11项参数作为样本的特征量；剩磁、矫顽力、最大磁能积和方形度4项参数作为模型的目标参量。样本数据中，“0”表示无此项工艺。
步骤2：神经网络建模
如图2所示，神经网络模型包括输入层、隐藏层和输出层，每个层由多个神经元组成。下层神经元与上层所有神经元以全连接的方式进行数据传递，但各个神经元的权重互不相同，每一步训练都会迭代更新一次权重，直到模型的输出和训练样本的误差达到最小，对权值的迭代更新结束。
步骤2.1：神经网络的基本原理及样本划分。
本发明是基于反向传播的神经网络模型，对烧结SmCo永磁体的多种磁性能进行预测。以固溶温度(℃)、固溶时间(h)、烧结温度(℃)、二次烧结温度(℃)、二次烧结时间(h)、预时效温度(℃)、预时效时间(h)、时效温度(℃)、Zr元素含量(wt％)、z值、Cu元素含量(wt％)这11个量为模型的输入特征量，剩磁(Br/kGs)、矫顽力(Hcj/kOe)、最大磁能积((BH)max/MGOe)、方形度(Hk/Hcj)作为模型的输出。初始化特征参数的权值向量，与特征向量的做内积，与初始化的偏差线性加和，得到的值输入隐藏层。隐藏层的各个神经元再进行一次线性处理，经过激活函数激活，作为最终输出层的输入。输入到输出层的数值再经过一次激活，得到模型的输出。
为了验证模型的泛化能力，需要将样本集划分为训练样本和测试样本。整个数据库中20％左右的样本作为测试集，剩下的样本作为训练集，训练模型以实现对磁性能的准确预测。对于测试样本，每个样本预测值与实际值之间的误差百分比在10％以内，可以认为模型能进行准确预测。
实验实际值和模型预测值之间以均方误差作为模型的损失函数，以损失函数值评价神经网络模型的训练结果的精度。通过修改隐藏层层数、神经元数量，以及改变激活函数模型，来不断降低训练误差，同时也应该保证模型能够对测试样本进行准确预测，而不会出现过拟合。
步骤2.2：数据归一化处理。
在特征量输入模型之前，为了统一数据的量纲和量纲单位，需要对数据库的数据按照公式(1)进行归一化处理。神经网络模型的样本空间通常是多维的，各维度的量纲往往不同，数据的量级通常会有较大差异。为了减少数这部分影响，需要去除数据的单位限制，将其转化为无量纲的纯数值，便于不同维的样本进行加权计算。利用原始数据，将各个数据按照公式进行线性变换(min-max标准化)，使归一化之后的数据分布在[0,1]之间。
其中，x*为归一化之后的特征值，x为实际特征值，xmin为该特征量中，样本的最小值，xmax为样本中的最大值。
步骤2.3：确定神经网络模型结构。
在神经网络模型中，隐藏层是非常重要的部分。隐藏层的层数不宜过多，过多的隐藏层会导致梯度消失，降低模型的学习速度。对于规模较小的样本，一层隐藏层即可满足要求。而隐藏层的神经元数量不宜过多，过多会导致过拟合，降低模型的泛化性能，而过少又会欠拟合，模型的精度难以达到要求。本发明经过大量的反复研究和试验情况下隐藏层的神经元数量Nj和上一层神经元数量Ni满足经验公式(2)所示的关系：
Nj＝2Ni+1 (2)
据此确定11输入，4输出的三层神经网络结构，隐藏层神经元数量为23。
Nj为隐藏层神经元的数量，Ni为上一层的神经元数量。Nj为第j层的神经元数量，Ni为j层上一层，即第i层的神经元数量。
步骤2.4：训练集训练神经网络
将已有的烧结SmCo工艺和成分以及对应的性能参数输入至搭建的神经网络模型中，通过前向传递和误差的反向传播，对模型进行训练，得到优化的权值向量。
步骤3：预测结果及模型优化
基于优化权值以后的神经网络模型，计算测试样本的预测输出值。将预测值和测试样本的实际值进行对比，得到预测值和实际值之间的误差百分比。若所有测试样本的误差百分比都在10％以内，则认为模型能够达到良好的预测效果，否则对模型进行优化。
步骤3.1：模型训练及测试结果；
经过训练样本的训练，模型对训练集的拟合精度如图3所示。经过19步的训练，模型达到了全局最优，对训练集的拟合损失为9.08x10-3。而测试样本的误差百分比均大于10％，需要对模型进行优化。
步骤3.2：模型优化
步骤3.2.1：激活函数优化
隐藏层默认采用tansig(双曲正切函数)函数作为激活函数，如公式(3)所示。在步骤3.1模型拟合及预测结果中，模型获得了较好的拟合精度，但在测试样本上，误差百分比都超过了10％，预测结果和实际值差别较大，因此认为模型出现过拟合的问题。实验数据存在一定的噪声，较高的拟合精度就必然会容纳样本噪声，导致在测试样本中，预测数据和真实数据的误差增大。
n为传入激活神经元的数值，以图2所示为例，n即为每个输入层神经元在全连接之后传入隐藏层的信号zi，而图中的f(zi)则为激活函数，若以tansig函数为例，则f(zi)＝tansig(zi),即图2中所示，ai＝f(zi)＝tansig(zi)。
优化后，采用hardlim(阈值激活函数)作为激活函数，如公式(4)。模型训练过程中的训练误差如图4所示，经过1113步训练，模型的寻训练误差减小到10-4数量级。tansig激活函数下模型对数据拟合效果，如图5所示。虚线为实验值和预测值的理想拟合结果，实线为实际拟合结果。hardlim激活函数模型的数据拟合效果，如图6。对比图5和图6可以看出，采用hardlim激活函数，模型在训练集上的预测结果和实际结果拟合更准确。
其中，n为输入神经元的信号值。
虽然对于输出较为复杂的模型，通常不会采用阈值激活函数作为激活函数，但由于样本规模较小，数据分布较为单一，因此采用该函数作为激活函数，模型在训练集上的训练误差更小，但对测试集，模型的预测结果和实际结果之间的误差百分比仍无法达到全部样本在10％以内，需要对模型进行进一步优化。
步骤3.2.2：样本划分
如果直接对原始数据进行随机划分，可能会导致某一组实验的数据无法参与神经网络模型的训练，导致模型无法对这部分数据做准确的预测。为了使每一组数据都有等比例样本能够参与模型的训练过程，即对样本数据按实验组别进行分类，按照实验目的对实验进行分组编号，编号从1-9，共9组实验。在不同类别中随机打乱数据顺序，并且在组内对数据按8:2比例，划分训练集和测试集。将所有组内的训练集和测试集分别整合，得到总训练集和总测试集。将训练集用于训练人工神经网络模型，测试集用于测试模型的预测能力。
模型训练过程中的训练误差如图7所示，训练集的均方误差在10-2数量级，相比优化之前，训练样本拟合精度有所下降。图8所示训练得到的模型对数据的拟合优于图5所示的未作任何优化的模型，而相比于采用hardlim函数的模型来说，数据拟合结果较差。但在测试集上，经过分层划分后，测试集所有样本的预测结果和实际结果误差百分比均可达到10％以内，即经过hardlim激活函数和分层划分样本优化后的模型能够准确预测烧结SmCo磁性能。
另外，本发明还提供了一种基于神经网络的烧结SmCo磁性能预测系统，所述系统包括输入模块、预测模块与输出模块；所述输入模块用于输入待预测的烧结SmCo对应的特征参数数据并进行预处理，发送至所述预测模块；所述预测模块用于根据烧结SmCo的特征参数数据预测磁性能指标数据，所述预测模块包括一个已训练优化的神经网络模型，所述神经网络模型接收预处理后的特征参数数据作为输入，并以对应的所预测的磁性能指标数据作为输出，发送至所述输出模块；所述输出模块用于输出呈现烧结SmCo的磁性能指标数据。使得方法更容易实现。
提供以上实施例仅仅是为了描述本发明的目的，而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改，均应涵盖在本发明的范围之内。
Claims (2)
1.一种基于神经网络的烧结SmCo磁性能预测方法，其特征在于，包括以下步骤：
步骤（1）数据获取及整理，获取烧结SmCo的不同特征参数数据与不同磁性能指标数据之间关系的样本数据，构建数据集：
步骤1.1：研究特征参量对矫顽力和剩磁的影响机制；
烧结SmCo永磁体中含有多种元素，各种元素对磁体的磁性能有不同的影响，
烧结SmCo永磁体的微观结构主要是胞状结构，其中胞壁相为富 Sm、Cu的1:5相，胞内为2:17相；其中，磁体的矫顽力主要由胞壁相提供，剩磁主要由胞内相提供；增加Sm元素的含量，会导致富Sm的1:5相的形成，而磁体的矫顽力主要依靠1:5相获得，2:17相相对于1:5相来说，能提供的矫顽力有限；
烧结型烧结SmCo永磁体的制备工艺包括：计算配料、合金熔炼、制粉、磁场取向与成型、热处理、加工与检测；热处理工艺对磁性能的影响最大，通过不同热处理过程得到的磁体，其组织、结构和元素分布也各不相同；热处理包括：烧结、固溶、时效过程；
烧结温度设定为合金熔点的75%-80%；
固溶步骤主要调节固溶时间和固溶温度，不同的成分对应的1：7H过饱和相的相区不同；
时效是一个多级时效的过程，分为一级时效和二级时效；一级时效的温度在800～850℃，在长时间的一级时效过程中，过饱和的1：7H相会发生调幅分解，形成胞状结构；一级时效结束后，以0.3℃～1.0℃/min的速度进行缓冷，使各元素能够均匀分布；缓冷至400℃～500℃，然后保温一段时间，稳定已得到的胞状结构；为了建立训练神经网络模型的数据库，调整不同的热处理参数，获得不同热处理方案下的磁体磁性能；
步骤1.2：数据选取，针对各种参数对磁性能的影响，制定实验方案，制备烧结SmCo永磁体，收集整理实验数据；
Sm(CobalFe0.35Cu0.06Zr0.018)z，z值代表Sm元素的相对含量，实验中单独改变z值，获得z=7.5、7.575 、7.65、7.725、7.8、8.1的磁体的参数和磁性能数据；
采用名义成分为Sm(CobalFe0.33CuxZr0.018)7.8的磁体，单独改变Cu含量x，并设置x=0.054、0.058、0.06、0.062、0.066，获得其工艺参数和磁性能数据；
固溶温度的范围在1115℃～1150℃，固溶时间在4-30h，首先固定固溶时间在4h，改变固溶温度，得到最佳固溶温度；再以最佳固溶温度，改变固溶时间，确定最佳固溶时间；
在最佳固溶时间和固溶温度下，分别在1190℃-1220℃范围内，改变烧结温度，获取一组样本数据；
在最佳固溶工艺和最佳烧结温度下，在1140℃-1170℃温度范围内，改变二次烧结温度，并烧结2～6h不等；
预时效温度及其时间参数选取为690℃、720℃、750℃，0h、4h、9h、13h，其他条件相同；
等温时效温度分别为800℃、810℃、820℃、830℃，其他条件相同；
将上述实验所获得的数据整理，得到9组，共64个样本，每条样本中包含3项成分参数，8项制备工艺参数，共11项参数作为样本的特征量；剩磁、矫顽力、最大磁能积和方形度4项参数作为模型的目标参量；
步骤（2）构建神经网络模型，对数据集进行预处理，划分为训练集与测试集，构建神经网络模型，其中以训练集中的特征参数数据作为所述神经网络模型的输入，以训练集中对应的磁性能指标数据作为所述神经网络模型的输出；所述特征参数包括成分参数与制备工艺参数，所述成分参数包括Zr元素含量、z值与Cu元素含量；所述制备工艺参数包括：固溶温度、固溶时间、烧结温度、二次烧结温度、二次烧结时间、预时效温度、预时效时间与时效温度；所述预处理是利用原始数据，将各个数据进行线性变换，使归一化之后的数据分布在[0,1]之间；
所述神经网络模型的结构包括输入层、隐藏层与输出层；隐藏层与输入层以全连接的方式连接，即隐藏层的每一个神经元都与输入层所有神经元相连接；输出层和隐藏层也采用全连接的方式连接；
隐藏层的神经元数量Nj和上一层神经元数量Ni满足经验公式(2)所示的关系：
(2)
Nj为隐藏层神经元的数量，Ni为上一层的神经元数量，Nj为第j层的神经元数量，Ni为j层上一层，即第i层的神经元数量；
步骤（3）训练神经网络模型，训练神经网络模型的权重参数，得到已训练的神经网络模型；训练神经网络模型的权重参数的具体实现为，使用误差反向传播算法迭代更新所述神经网络模型的权重参数，直至训练误差小于设定阈值完成训练，所述训练误差为训练集对应的预测磁性能指标数据与真实磁性能指标数据之间的均方差；
步骤（4）测试集测试模型，使用测试集评估已训练的神经网络模型的性能，优化已训练的神经网络模型，进而得到已优化的神经网络模型；所述优化已训练的神经网络模型的具体实现为，对神经网络模型中的隐藏层重复使用不同的激活函数，并重复使用不同的数据集划分方法以划分训练集与测试集，直至测试误差小于设定阈值，所述测试误差为测试集对应的预测磁性能指标数据与真实磁性能指标数据之间的误差百分比；
步骤（5）确定模型，将待预测的烧结SmCo磁体对应的特征参数数据输入至已优化的神经网络模型，所述已优化的神经网络模型输出所预测的磁性能指标数据；
所述烧结SmCo磁性能指标包括：剩磁、矫顽力、最大磁能积与方形度，
所述步骤（2）中的预处理采用归一化处理；
所述步骤（2）中，所述输入层单元数量为11，输出层的神经元数量为4，所述隐藏层的神经元数量为23；所述的基于神经网络的烧结SmCo磁性能预测方法通过人工神经网络模型，建立起烧结SmCo永磁体成分和工艺参数与剩磁、矫顽力、最大磁能积和方形度这四个性能参数之间的关系，通过对训练样本的采样方法进行优化，提高模型的拟合精度，并且通过在测试样本上的泛化性的对比，选取激活函数，进一步提高模型的可靠性，以永磁体成分和工艺参数作为模型的输入，预测烧结SmCo磁性能，使模型能预测不同成分和工艺参数下的磁性能。
2.一种实现权利要求1所述基于神经网络的烧结SmCo磁性能预测方法的预测系统，其特征在于，包括：输入模块、预测模块与输出模块；
所述输入模块，用于输入待预测的烧结SmCo对应的特征参数数据并进行预处理，发送至所述预测模块；
所述预测模块，用于根据烧结SmCo的特征参数数据预测磁性能指标数据，所述预测模块包括一个已训练优化的神经网络模型，所述神经网络模型接收预处理后的特征参数数据作为输入，并以对应的所预测的磁性能指标数据作为输出，发送至所述输出模块；
所述输出模块，用于输出呈现烧结SmCo的磁性能指标数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011145672.3A CN112259176B (zh) | 2020-10-23 | 2020-10-23 | 一种基于神经网络的烧结SmCo磁性能预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011145672.3A CN112259176B (zh) | 2020-10-23 | 2020-10-23 | 一种基于神经网络的烧结SmCo磁性能预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112259176A CN112259176A (zh) | 2021-01-22 |
| CN112259176B true CN112259176B (zh) | 2024-02-02 |
Family
ID=74263566
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011145672.3A Active CN112259176B (zh) | 2020-10-23 | 2020-10-23 | 一种基于神经网络的烧结SmCo磁性能预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112259176B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113919574A (zh) * | 2021-10-14 | 2022-01-11 | 天津大学 | 基于Keras的垃圾焚烧厂烟气重金属排放预测方法 |
| CN115240046B (zh) * | 2022-07-29 | 2023-04-07 | 福建天甫电子材料有限公司 | 用于缓冲氧化物蚀刻液生产的自动配料系统及其配料方法 |
| CN115327451A (zh) * | 2022-08-23 | 2022-11-11 | 中国科学技术大学 | 一种基于深度学习的nv色心磁力计磁场计算方法及应用 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107895620A (zh) * | 2017-11-30 | 2018-04-10 | 北京航空航天大学 | 一种高铁含量钐钴永磁材料及制备方法 |
| CN108983127A (zh) * | 2018-05-29 | 2018-12-11 | 东北大学 | 一种基于光谱数据的赤铁矿磁性率检测方法 |
| CN111210960A (zh) * | 2020-01-20 | 2020-05-29 | 北京航大新磁科技有限公司 | 一种高方形度高磁能积钐钴永磁材料及制备方法 |
-
2020
- 2020-10-23 CN CN202011145672.3A patent/CN112259176B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107895620A (zh) * | 2017-11-30 | 2018-04-10 | 北京航空航天大学 | 一种高铁含量钐钴永磁材料及制备方法 |
| CN108983127A (zh) * | 2018-05-29 | 2018-12-11 | 东北大学 | 一种基于光谱数据的赤铁矿磁性率检测方法 |
| CN111210960A (zh) * | 2020-01-20 | 2020-05-29 | 北京航大新磁科技有限公司 | 一种高方形度高磁能积钐钴永磁材料及制备方法 |
Non-Patent Citations (3)
| Title |
|---|
| Dependence of macromagnetic properties on the microstructure in highperformance;Shuai Wang 等;《Journal of Magnetism and Magnetic Materials》;20200424;全文 * |
| z值影响Sm(CoFeCuZr)_z磁性能的机理研究;张天丽等;《稀有金属材料与工程》;20190515(第05期);全文 * |
| 基于BP人工神经网络的SmFeN永磁材料工艺-磁性能关系预测;叶金文 等;《中国材料科技与设备》;20131231;正文第1-2节 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112259176A (zh) | 2021-01-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112259176B (zh) | 一种基于神经网络的烧结SmCo磁性能预测方法及系统 | |
| Lazarides et al. | Axion models with no domain wall problem | |
| Pham et al. | Additive manufacturing and topology optimization of magnetic materials for electrical machines—A review | |
| Che et al. | Semi-supervised self-learning-based lifetime prediction for batteries | |
| Gal’chenko et al. | Pareto-optimal parametric synthesis of axisymmetric magnetic systems with allowance for nonlinear properties of the ferromagnet | |
| Wang et al. | New optimization design method for a double secondary linear motor based on R-DNN modeling method and MCS optimization algorithm | |
| Yang et al. | Multi-objective optimization of contactor’s characteristics based on RBF neural networks and hybrid method | |
| Halder et al. | Prediction of the properties of the rare-earth magnets Ce 2 Fe 17− x Co x CN: A combined machine-learning and Ab Initio study | |
| Qiao et al. | Performance prediction models for sintered NdFeB using machine learning methods and interpretable studies | |
| CN108170945B (zh) | 一种航空发动机修后排气温度裕度预测方法 | |
| Mao et al. | Intelligent modeling and control for nonlinear systems with rate-dependent hysteresis | |
| Ercan et al. | Particle swarm optimization and its hybrids | |
| CN111817634A (zh) | 一种基于改进樽海鞘群算法的永磁同步电机参数辨识方法 | |
| Han et al. | State transition algorithm for constrained optimization problems | |
| CN116564454A (zh) | 烧结钕铁硼晶界扩散性能预测方法及系统 | |
| Zhang et al. | Antenna Resonant Frequency Modeling based on AdaBoost Gaussian Process Ensemble. | |
| Lu et al. | Health state prediction of lithium ion battery based on deep learning method | |
| CN114970305B (zh) | 一种磁控软体机器人磁性颗粒分布的预测方法 | |
| CN115032544A (zh) | 数据不完备场景下的动力锂电池剩余寿命预测方法 | |
| Çakir | ANN (Artificial Neural Network) controlled virtual laboratory design for NdFeB magnet production | |
| You et al. | MODEA based on multi-population strategy with adaptive weight and its application to electromagnetic device optimization | |
| Rashid et al. | Optimization of electromagnetic devices using computational intelligence techniques | |
| Zhao et al. | An Improved PSO Algorithm with Decline Disturbance Index. | |
| CN113177341A (zh) | 基于kriging近似模型的磁悬浮飞轮电机多目标优化设计方法 | |
| Kim et al. | Optimizing Spatial Shift Point-Wise Quantization |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220720 Address after: 100191 No. 37, Haidian District, Beijing, Xueyuan Road Applicant after: BEIHANG University Applicant after: AECC SHENYANG ENGINE Research Institute Address before: 100191 No. 37, Haidian District, Beijing, Xueyuan Road Applicant before: BEIHANG University |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |