CN112289392A - 一种铝电解电容器用阳极铝箔性能预测方法 - Google Patents
一种铝电解电容器用阳极铝箔性能预测方法 Download PDFInfo
- Publication number
- CN112289392A CN112289392A CN202011172586.1A CN202011172586A CN112289392A CN 112289392 A CN112289392 A CN 112289392A CN 202011172586 A CN202011172586 A CN 202011172586A CN 112289392 A CN112289392 A CN 112289392A
- Authority
- CN
- China
- Prior art keywords
- neural network
- individual
- performance
- predicting
- algorithm
- 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.)
- Pending
Links
Images
Classifications
-
- 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
-
- 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
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Crystallography & Structural Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Fixed Capacitors And Capacitor Manufacturing Machines (AREA)
Abstract
本发明提供一种铝电解电容器用阳极铝箔性能预测方法,通过收集生产线上的工艺参数及对应的产品性能指标,筛选整理成数据集,并将数据集分为训练集和测试集;然后构建三层BP神经网络系统,数据集中每一组数据包含的工艺参数的个数为输入层神经元节点数,每一组数据包含的产品性能指标的个数为输出层神经元节点数,采用GA、MEA、PSO三种算法对初始BP神经网络进行优化,利用训练集进行模型的训练,对比三种算法优化后得到的BP神经网络模型的预测精度,从中选择预测精度最高的优化算法,构建用于预测阳极铝箔性能的优化BP神经网络预测模型。本发明提高了模型预测准确率和泛化能力,为其制造工艺的设计和优化提供一定的理论指导。
Description
技术领域
本发明属于材料科学技术领域,特别涉及一种铝电解电容器用阳极铝箔性能预测方法。
背景技术
阳极铝箔是制造铝电解电容器的关键原材料,主要工作介质为生长在高纯铝箔表面的阳极氧化膜,是由具有<100>织构的高纯铝箔(纯度高达99.99%以上)经过腐蚀扩面和阳极化成制备而成,属于典型的金属功能材料。阳极铝箔生产技术是一项综合多学科多领域的高新技术,主要包括腐蚀扩面和阳极化成两大工序。阳极铝箔的全流程生产过程中涉及多达几十个工艺参数,产品性能指标也接近十种,制造过程参数对最终阳极铝箔的性能指标影响很大,且非线性影响因素较多,各性能参数之间相互关联,通过常规实验测试及生产线调试得到最优工艺参数的难度较大。因此,寻求阳极铝箔生产过程参数与性能指标之间的关系,以实现工艺参数优化与性能预测,在保证阳极铝箔质量的前提下,缩短产品研发周期,降低生产过程中的电能消耗,一直是阳极铝箔制造企业研发的瓶颈技术,以及制约阳极铝箔行业发展的关键问题。
“材料基因工程”是近年来国际材料领域兴起的颠覆性前沿技术,通过采用高通量并行迭代方法替代传统试错法中的多次顺序迭代方法,逐步由“经验指导实验”向“理论预测和实验验证相结合”的材料研究新模式转变,以提高新材料的研发效率。人工神经网络技术作为智能制造领域中的一项先进技术,为解决多维非线性系统及模型未知系统的预测和优化提供了一条新途径。
现有针对铝电解电容器用阳极铝箔的性能预测,多是基于以往生产测试结果进行人工推测,或者是利用少量实验室正交试验结果进行预测,预测结果的准确性无法有效保证。现有的针对工艺参数进行材料性能预测的神经网络模型,多是采用单一算法进行优化,准确率较低,泛化能力较弱,对于阳极铝箔性能预测时涉及到大量相互影响的工艺参数和性能指标的情形,适用性较差,预测精度较低。
发明内容
针对现有的对阳极铝箔工艺参数进行材料性能预测的神经网络模型存在的上述问题,本发明提供一种铝电解电容器用阳极铝箔性能预测方法,有效提高阳极铝箔性能预测的精度。
本发明是通过以下技术方案实现的:
一种铝电解电容器用阳极铝箔性能预测方法,包括以下步骤:
(1)收集实际生产线上的工艺参数及对应的产品性能指标,筛选整理成神经网络模型的数据集,并将数据集的80%作为训练集,另外20%作为测试集;
(2)BP神经网络系统建模,确定初始BP神经网络的拓扑结构参数、初始权值和阈值;
(3)分别采用GA、MEA、PSO三种算法对初始BP神经网络进行优化,利用训练集进行模型的训练;
(4)利用测试集中的数据,对比三种算法优化后得到的BP神经网络模型的预测精度,从中选择预测精度最高的优化算法,构建用于预测阳极铝箔性能的优化BP神经网络预测模型;
(5)利用优化后的BP神经网络模型进行铝电解电容器用阳极铝箔电学性能和力学性能的预测,指导制造工艺的设计和优化。
作为本发明铝电解电容器用阳极铝箔性能预测方法的进一步改进,步骤(1)所述的工艺参数为:
(1)腐蚀工艺参数,包括发孔腐蚀和扩孔腐蚀阶段的溶液成分、浓度、温度、电压、电流密度和处理时间;
(2)化成工艺参数,包括水煮处理阶段的温度及时间,一级化成、二级化成、三级化成、四级化成等阶段的溶液成分及浓度、温度、电压、电流密度、处理时间,后处理阶段的温度及时间。
作为本发明铝电解电容器用阳极铝箔性能预测方法的进一步改进,步骤(1)所述的产品性能指标为:
(1)电学性能,包括比电容、漏电流、升压时间和耐水性能;
(2)力学性能,包括折弯强度和抗拉强度。
作为本发明铝电解电容器用阳极铝箔性能预测方法的进一步改进,步骤(2)所述的初始BP神经网络的拓扑结构参数,包括输入层神经元节点数、隐含层的层数、每一层隐含层的神经元节点数、输出层神经元节点数。
进一步的,所述的输入层神经元节点数,等于数据集中每一组数据包含的工艺参数的个数。
进一步的,所述的输出层神经元节点数,等于数据集中每一组数据包含的产品性能指标的个数。
作为本发明铝电解电容器用阳极铝箔性能预测方法的进一步改进,步骤(3)所述的采用GA算法对初始BP神经网络进行优化,具体实施步骤如下:
Step1:设置初始运行参数,包括群体大小、遗传代数、交叉概率、变异概率;
Step2:对每个种群进行初始值编码;
Step3:根据个体得到BP神经网络的初始权值和阈值,用训练集的数据训练BP神经网络后预测输出,把预测输出和期望输出之间的误差绝对值之和作为个体适应度;
Step4:从种群中选择个体适应度大的个体作为父代,组成新种群;
Step5:利用算术交叉法从种群中选择两个个体,按照设定的交叉概率交叉得到新个体Ⅰ;
Step6:从种群中随机选择一个个体,按照设定的变异概率进行非均匀变异运算,得到新个体Ⅱ;
Step7:计算Step5和Step6得到的新个体Ⅰ和新个体Ⅱ的适应度值,从中选择适应度最高的个体,并判断是否完成预设的遗传代数,如果完成,则完成GA算法优化,如果没完成预设的遗传代数,则重复Step4~Step6操作,直至得到的个体适应度值满足条件为止,并得到GA算法优化后的BP神经网络权值的阈值。
作为本发明铝电解电容器用阳极铝箔性能预测方法的进一步改进,步骤(3)所述的采用MEA算法对初始BP神经网络进行优化,具体实施步骤如下:
Step1:设置初始运行参数,包括种群大小、优胜子种群个数、临时子种群个数、子种群大小、迭代次数;
Step2:在解空间内随机生成一定规模的个体,根据得分搜索出得分最高的若干个优胜个体和临时个体;
Step3:分别以这些优胜个体和临时个体为中心,在每个个体的周围产生一些新的个体,从而得到若干个优胜子群体和临时子群体;
Step4:对各个优胜子群体和临时子群体分别进行趋同操作,直至该子群体成熟,并以该子群体中的最优个体的得分作为该子群体的得分;
Step5:当各个优胜个子群体和临时子群体成熟后,将各个子群体的得分在全局公告板上张贴,子群体之间执行异化操作,并根据异化操作的结果,补充新的子群体,得到非支配集;
Step6:当完成预设的迭代次数时,MEA算法结束优化过程,如果没有完成预设的迭代次数,则重复Step4~Step5操作,直至完成预设的迭代次数为止,然后根据编码规则,对得到的最优个体进行解析,从而得到MEA算法优化后的BP神经网络的权值和阈值。
作为本发明铝电解电容器用阳极铝箔性能预测方法的进一步改进,步骤(3)所述的采用PSO算法对初始BP神经网络进行优化,具体实施步骤如下:
Step1:设置初始运行参数,包括种群粒子数、迭代次数、速度更新参数、个体最大值、个体最小值、速度最大值、速度最小值;
Step2:对初始粒子的位置和速度赋予随机值,根据适应度函数计算粒子适应度值,根据初始粒子适应度值确定个体极值和群体极值;
Step3:粒子在解空间中运动,通过跟踪个体极值和群体极值更新个体位置;
Step4:计算位置更新后的粒子适应度值,通过比较新粒子的适应度和个体极值、群体极值的适应度值,更新个体极值和群体极值位置;
Step5:重复进行Step3~Step4操作,直至完成预设的迭代次数,得到PSO算法优化后的BP神经网络的权值和阈值。
作为本发明铝电解电容器用阳极铝箔性能预测方法的进一步改进,步骤(4)所述的对比三种算法优化后得到的BP神经网络模型预测精度,具体实施步骤包括:
Step1:对于测试集中的某一组数据,分别计算三种算法优化后的BP神经网络模型的每个性能预测值与实测值之间的误差百分比,对于误差百分比最小的算法评最高分,误差百分比次之的算法评次高分,误差百分比最大的算法评最低分,统计各个算法预测的每个性能指标得分,作为该种算法在该组数据中的总得分;
Step2:对于测试集中的每一组数据,均进行Step1的操作,计算每种算法的得分总和作为该种算法的预测精度总得分;
Step3:选择预测精度总得分最高的优化算法,作为用于预测阳极铝箔性能的优化BP神经网络预测模型。
本发明的有益效果:
本发明通过采用几种不同的优化算法对于初始BP神经网络进行优化,并利用实时生产过程的数据及性能指标进行模型的训练及测试,从中选择预测精度最高的优化算法,构建铝电解电容器用阳极铝箔BP神经网络预测模型,提高了模型预测准确率和泛化能力,为其制造工艺的设计和优化提供一定的理论指导,缩短研发周期,降低研发成本。
附图说明
图1为本发明的铝电解电容器用阳极铝箔性能预测方法的流程图。
图2为本发明的三层BP神经网络结构示意图。
图3为本发明的GA算法优化BP神经网络模型流程示意图。
图4为本发明的MEA算法优化BP神经网络模型流程示意图。
图5为本发明的PSO算法优化BP神经网络模型流程示意图。
具体实施方式
下面结合附图对本发明作进一步说明。
实施例1
如图1所示,本实施例是对四段化成工艺的铝电解电容器用阳极铝箔的性能预测;
一种铝电解电容器用阳极铝箔性能预测方法,包括以下步骤:
(1)收集实际生产线上采用四段化成工艺的工艺参数及对应的产品性能指标,筛选整理成神经网络模型的数据集Data,并将数据集的80%作为训练集Data-train,另外20%作为测试集Data-test;
整理进入数据集Data中的数据要求在正常运行的生产线上采集,在常用的工艺参数范围内,得到的样本数据尽量均匀离散。
四段化成工艺涉及的工艺参数共40个,主要包括:
腐蚀工艺参数,包括发孔腐蚀和扩孔腐蚀阶段的溶液成分、浓度、温度、电压、电流密度和处理时间;
化成工艺参数,包括水煮处理阶段的温度及时间,一级化成、二级化成、三级化成、四级化成等阶段的溶液成分及浓度、温度、电压、电流密度、处理时间,后处理阶段的温度及时间。
涉及的阳极铝箔产品性能指标共6个,主要包括:
电学性能,包括比电容、漏电流、升压时间、耐水性能;
力学性能,包括折弯强度、抗拉强度。
(2)BP神经网络系统建模,建立阳极铝箔生产工艺参数与其产品性能指标之间的映射关系;
采用三层BP神经网络结构,包括输入层、隐含层和输出层;
初始BP神经网络的拓扑结构参数包括输入层神经元节点数、隐含层的层数、每一层隐含层神经元节点数、输出层神经元节点数;其中,输入层神经元节点数等于数据集Data中每一组数据包含的工艺参数的个数,在本实施例中为40个输入层神经元节点;输出层神经元节点数等于数据集Data中每一组数据包含的产品性能指标的个数,在本实施例中为6个输出层神经元节点;
由于BP神经网络的隐含层节点数对BP神经网络预测精度有较大影响:节点数太少,网络不能很好地学习,需要增加训练次数,训练精度也受影响;节点数太多,训练时间增加,网络容易过拟合。
在本实施例中,设置1层隐含层,隐含层神经元节点数设置为50个。由此,根据四段化成工艺制备的铝电解电容器用阳极铝箔系统输入、输出数据的特点,确定BP神经网络的结构为40-50-6,如图2所示,并对初始BP神经网络设置随机的初始权值和阈值。
(3)分别采用GA(Genetic Algorithms,遗传算法)、MEA(Mind EvolutionaryAlgorithm,思维进化算法)、PSO(Particle Swarm Optimization,粒子群优化算法)三种算法对初始BP神经网络进行优化,利用训练集Data-train进行模型的训练。
如图3所示,采用GA算法对初始BP神经网络进行优化的具体实施步骤如下:
T1:设置初始运行参数,包括群体大小、遗传代数、交叉概率、变异概率;
T2:对每个种群进行初始值编码;
T3:根据个体得到BP神经网络的初始权值和阈值,用训练集的数据训练BP神经网络后预测输出,把预测输出和期望输出之间的误差绝对值之和作为个体适应度;
T4:从种群中选择个体适应度大的个体作为父代,组成新种群;
T5:利用算术交叉法从种群中选择两个个体,按照设定的交叉概率交叉得到新个体Ⅰ;
T6:从种群中随机选择一个个体,按照设定的变异概率进行非均匀变异运算,得到新个体Ⅱ;
T7:计算T5和T6得到的新个体Ⅰ和新个体Ⅱ的适应度值,从中选择适应度最高的个体,并判断是否完成预设的遗传代数,如果完成,则完成GA算法优化,如果没完成预设的遗传代数,则重复Step4~Step6操作,直至得到的个体适应度值满足条件为止,并得到GA算法优化后的BP神经网络权值的阈值。
如图4所示,采用MEA算法对初始BP神经网络进行优化的具体实施步骤如下:
C1:设置初始运行参数,包括种群大小、优胜子种群个数、临时子种群个数、子种群大小、迭代次数;
C2:在解空间内随机生成一定规模的个体,根据得分搜索出得分最高的若干个优胜个体和临时个体;
C3:分别以这些优胜个体和临时个体为中心,在每个个体的周围产生一些新的个体,从而得到若干个优胜子群体和临时子群体;
C4:对各个优胜子群体和临时子群体分别进行趋同操作,直至该子群体成熟,并以该子群体中的最优个体的得分作为该子群体的得分;
C5:当各个优胜个子群体和临时子群体成熟后,将各个子群体的得分在全局公告板上张贴,子群体之间执行异化操作,并根据异化操作的结果,补充新的子群体,得到非支配集;
C6:当完成预设的迭代次数,MEA算法结束优化过程,如果没有完成预设的迭代次数,则重复Step4~Step5操作,直至完成预设的迭代次数为止,然后根据编码规则,对得到的最优个体进行解析,从而得到MEA算法优化后的BP神经网络的权值和阈值。
如图5所示,采用PSO算法对初始BP神经网络进行优化的具体实施步骤如下:
F1:设置初始运行参数,包括种群粒子数、迭代次数、速度更新参数、个体最大值、个体最小值、速度最大值、速度最小值;
F2:对初始粒子的位置和速度赋予随机值,根据适应度函数计算粒子适应度值,根据初始粒子适应度值确定个体极值和群体极值;
F3:粒子在解空间中运动,通过跟踪个体极值和群体极值更新个体位置;
F4:计算位置更新后的粒子适应度值,通过比较新粒子的适应度和个体极值、群体极值的适应度值,更新个体极值和群体极值位置;
F5:重复进行F3~F4操作,直至完成预设的迭代次数,得到PSO算法优化后的BP神经网络的权值和阈值。
(4)利用测试集Data-test中的数据,对比三种算法优化后得到的BP神经网络模型的预测精度,从中选择预测精度最高的优化算法,构建用于预测阳极铝箔性能的优化BP神经网络预测模型,具体实施步骤包括:
Step1:对于测试集Data-tes中的某一组数据,分别计算三种算法优化后的BP神经网络模型的每个性能预测值与实测值之间的误差百分比,对于误差百分比最小的算法评3分,误差百分比次之的算法评2分,误差百分比最大的算法评1分,统计各个算法预测的每个性能指标得分,作为该种算法在该组数据中的总得分;
Step2:对于测试集Data-test中的每一组数据,均进行Step1的操作,计算每种算法的得分总和作为该种算法的预测精度总得分,具体结果见表1~3;
Step3:选择预测精度总得分最高的优化算法,作为用于预测阳极铝箔性能的优化BP神经网络预测模型;
(5)利用优化后的BP神经网络模型进行铝电解电容器用阳极铝箔电学性能和力学性能的预测,指导制造工艺的设计和优化。
本实施例中,GA算法优化后的BP神经网络模型性能预测得分如表1所示。
表1 GA算法优化后的BP神经网络模型性能预测得分表
本实施例中,MEA算法优化后的BP神经网络模型性能预测得分如表2所示:
表2 MEA算法优化后的BP神经网络模型性能预测得分表
本实施例中,PSO算法优化后的BP神经网络模型性能预测得分如表3所示:
表3 PSO算法优化后的BP神经网络模型性能预测得分表
由表1~3可知,经过PSO算法优化的BP神经网络模型预测精度总得分最高,因此选择经过PSO算法优化的BP神经网络模型,作为四段化成工艺的铝电解电容器用阳极铝箔的性能预测模型。综上所述,本实施例所述的铝电解电容器用阳极铝箔性能预测方法,可以对阳极铝箔电学性能和力学性能进行准确预测。
以上实施例仅为本发明的示例性实施例,不用于限制本发明,本发明的保护范围由权利要求书限定。本领域人员可以在本发明的实质和保护范围内,对本发明做出各种修改或等同替换,这种修改或等同替换也应视为落在本发明的保护范围内。
Claims (10)
1.一种铝电解电容器用阳极铝箔性能预测方法,其特征在于,包括以下步骤:
(1)收集实际生产线上的工艺参数及对应的产品性能指标,筛选整理成神经网络模型的数据集,并将数据集的80%作为训练集,另外20%作为测试集;
(2)BP神经网络系统建模,确定初始BP神经网络的拓扑结构参数、初始权值和阈值;
(3)分别采用GA、MEA、PSO三种算法对初始BP神经网络进行优化,利用训练集进行模型的训练;
(4)利用测试集中的数据,对比三种算法优化后得到的BP神经网络模型的预测精度,从中选择预测精度最高的优化算法,构建用于预测阳极铝箔性能的优化BP神经网络预测模型;
(5)利用优化后的BP神经网络模型进行铝电解电容器用阳极铝箔电学性能和力学性能的预测,指导制造工艺的设计和优化。
2.根据权利要求1所述的铝电解电容器用阳极铝箔性能预测方法,其特征在于,步骤(1)所述的工艺参数为:
(1)腐蚀工艺参数,包括发孔腐蚀和扩孔腐蚀阶段的溶液成分、浓度、温度、电压、电流密度和处理时间;
(2)化成工艺参数,包括水煮处理阶段的温度及时间,一级化成、二级化成、三级化成、四级化成等阶段的溶液成分及浓度、温度、电压、电流密度、处理时间,后处理的温度及时间。
3.根据权利要求1所述的铝电解电容器用阳极铝箔性能预测方法,其特征在于,步骤(1)所述的产品性能指标为:
(1)电学性能,包括比电容、漏电流、升压时间和耐水性能;
(2)力学性能,包括折弯强度和抗拉强度。
4.根据权利要求1所述的铝电解电容器用阳极铝箔性能预测方法,其特征在于:步骤(2)所述的初始BP神经网络的拓扑结构参数,包括输入层神经元节点数、隐含层的层数、每一层隐含层的神经元节点数、输出层神经元节点数。
5.根据权利要求4所述的铝电解电容器用阳极铝箔性能预测方法,其特征在于:所述的输入层神经元节点数,等于数据集中每一组数据包含的工艺参数的个数。
6.根据权利要求4所述的铝电解电容器用阳极铝箔性能预测方法,其特征在于:所述的输出层神经元节点数,等于数据集中每一组数据包含的产品性能指标的个数。
7.根据权利要求1所述的铝电解电容器用阳极铝箔性能预测方法,其特征在于:步骤(3)所述的采用GA算法对初始BP神经网络进行优化,具体实施步骤如下:
Step1:设置初始运行参数,包括群体大小、遗传代数、交叉概率、变异概率;
Step2:对每个种群进行初始值编码;
Step3:根据个体得到BP神经网络的初始权值和阈值,用训练集的数据训练BP神经网络后预测输出,把预测输出和期望输出之间的误差绝对值之和作为个体适应度;
Step4:从种群中选择个体适应度大的个体作为父代,组成新种群;
Step5:利用算术交叉法从种群中选择两个个体,按照设定的交叉概率交叉得到新个体Ⅰ;
Step6:从种群中随机选择一个个体,按照设定的变异概率进行非均匀变异运算,得到新个体Ⅱ;
Step7:计算Step5和Step6得到的新个体Ⅰ和新个体Ⅱ的适应度值,从中选择适应度最高的个体,并判断是否完成预设的遗传代数,如果完成,则完成GA算法优化,如果没完成预设的遗传代数,则重复Step4~Step6操作,直至得到的个体适应度值满足条件为止,并得到GA算法优化后的BP神经网络权值的阈值。
8.根据权利要求1所述的铝电解电容器用阳极铝箔性能预测方法,其特征在于:步骤(3)所述的采用MEA算法对初始BP神经网络进行优化,具体实施步骤如下:
Step1:设置初始运行参数,包括种群大小、优胜子种群个数、临时子种群个数、子种群大小、迭代次数;
Step2:在解空间内随机生成一定规模的个体,根据得分搜索出得分最高的若干个优胜个体和临时个体;
Step3:分别以这些优胜个体和临时个体为中心,在每个个体的周围产生一些新的个体,从而得到若干个优胜子群体和临时子群体;
Step4:对各个优胜子群体和临时子群体分别进行趋同操作,直至该子群体成熟,并以该子群体中的最优个体的得分作为该子群体的得分;
Step5:当各个优胜个子群体和临时子群体成熟后,将各个子群体的得分在全局公告板上张贴,子群体之间执行异化操作,并根据异化操作的结果,补充新的子群体,得到非支配集;
Step6:当完成预设的迭代次数,MEA算法结束优化过程,如果没有完成预设的迭代次数,则重复Step4~Step5操作,直至完成预设的迭代次数为止,然后根据编码规则,对得到的最优个体进行解析,从而得到MEA算法优化后的BP神经网络的权值和阈值。
9.根据权利要求1所述的铝电解电容器用阳极铝箔性能预测方法,其特征在于:步骤(3)所述的采用PSO算法对初始BP神经网络进行优化,具体实施步骤如下:
Step1:设置初始运行参数,包括种群粒子数、迭代次数、速度更新参数、个体最大值、个体最小值、速度最大值、速度最小值;
Step2:对初始粒子的位置和速度赋予随机值,根据适应度函数计算粒子适应度值,根据初始粒子适应度值确定个体极值和群体极值;
Step3:粒子在解空间中运动,通过跟踪个体极值和群体极值更新个体位置;
Step4:计算位置更新后的粒子适应度值,通过比较新粒子的适应度和个体极值、群体极值的适应度值,更新个体极值和群体极值位置;
Step5:重复进行Step3~Step4操作,直至完成预设的迭代次数,得到PSO算法优化后的BP神经网络的权值和阈值。
10.根据权利要求1所述的铝电解电容器用阳极铝箔性能预测方法,其特征在于:步骤(4)所述的对比三种算法优化后得到的BP神经网络模型预测精度,具体实施步骤包括:
Step1:对于测试集中的某一组数据,分别计算三种算法优化后的BP神经网络模型的每个性能预测值与实测值之间的误差百分比,对于误差百分比最小的算法评最高分,误差百分比次之的算法评次高分,误差百分比最大的算法评最低分,统计各个算法预测的每个性能指标得分,作为该种算法在该组数据中的总得分;
Step2:对于测试集中的每一组数据,均进行Step1的操作,计算每种算法的得分总和作为该种算法的预测精度总得分;
Step3:选择预测精度总得分最高的优化算法,作为用于预测阳极铝箔性能的优化BP神经网络预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011172586.1A CN112289392A (zh) | 2020-10-28 | 2020-10-28 | 一种铝电解电容器用阳极铝箔性能预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011172586.1A CN112289392A (zh) | 2020-10-28 | 2020-10-28 | 一种铝电解电容器用阳极铝箔性能预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112289392A true CN112289392A (zh) | 2021-01-29 |
Family
ID=74373654
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011172586.1A Pending CN112289392A (zh) | 2020-10-28 | 2020-10-28 | 一种铝电解电容器用阳极铝箔性能预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112289392A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113919601A (zh) * | 2021-12-09 | 2022-01-11 | 山东捷瑞数字科技股份有限公司 | 基于产品性能和过程数据模型的树脂工艺预测方法及装置 |
CN116661317A (zh) * | 2023-06-01 | 2023-08-29 | 六和电子(江西)有限公司 | 一种阶梯式温度、时间、压力热压薄膜电容器方法 |
CN116935985A (zh) * | 2023-07-17 | 2023-10-24 | 中国地质调查局油气资源调查中心 | 一种煤气化过程中实验参数变化的敏感性分析方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090182693A1 (en) * | 2008-01-14 | 2009-07-16 | Halliburton Energy Services, Inc. | Determining stimulation design parameters using artificial neural networks optimized with a genetic algorithm |
US20190080243A1 (en) * | 2017-09-08 | 2019-03-14 | DeepCube LTD. | System and method for efficient evolution of deep convolutional neural networks using filter-wise recombination and propagated mutations |
CN111160520A (zh) * | 2019-12-06 | 2020-05-15 | 南京理工大学 | 一种基于遗传算法优化的bp神经网络风速预测方法 |
CN111262858A (zh) * | 2020-01-16 | 2020-06-09 | 郑州轻工业大学 | 基于sa_soa_bp神经网络的网络安全态势预测方法 |
-
2020
- 2020-10-28 CN CN202011172586.1A patent/CN112289392A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090182693A1 (en) * | 2008-01-14 | 2009-07-16 | Halliburton Energy Services, Inc. | Determining stimulation design parameters using artificial neural networks optimized with a genetic algorithm |
US20190080243A1 (en) * | 2017-09-08 | 2019-03-14 | DeepCube LTD. | System and method for efficient evolution of deep convolutional neural networks using filter-wise recombination and propagated mutations |
CN111160520A (zh) * | 2019-12-06 | 2020-05-15 | 南京理工大学 | 一种基于遗传算法优化的bp神经网络风速预测方法 |
CN111262858A (zh) * | 2020-01-16 | 2020-06-09 | 郑州轻工业大学 | 基于sa_soa_bp神经网络的网络安全态势预测方法 |
Non-Patent Citations (2)
Title |
---|
冯凯华: "基于神经网络的高压阳极箔腐蚀工艺研究", 《信息科技辑》, no. 3, pages 140 - 107 * |
王小川等: "《MATLAB神经网络43个案例分析》", 北京航空航天大学出版社, pages: 307 - 254 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113919601A (zh) * | 2021-12-09 | 2022-01-11 | 山东捷瑞数字科技股份有限公司 | 基于产品性能和过程数据模型的树脂工艺预测方法及装置 |
CN116661317A (zh) * | 2023-06-01 | 2023-08-29 | 六和电子(江西)有限公司 | 一种阶梯式温度、时间、压力热压薄膜电容器方法 |
CN116661317B (zh) * | 2023-06-01 | 2024-04-12 | 六和电子(江西)有限公司 | 一种阶梯式温度、时间、压力热压薄膜电容器方法 |
CN116935985A (zh) * | 2023-07-17 | 2023-10-24 | 中国地质调查局油气资源调查中心 | 一种煤气化过程中实验参数变化的敏感性分析方法 |
CN116935985B (zh) * | 2023-07-17 | 2024-03-15 | 中国地质调查局油气资源调查中心 | 一种煤气化过程中实验参数变化的敏感性分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112289392A (zh) | 一种铝电解电容器用阳极铝箔性能预测方法 | |
CN106845717B (zh) | 一种基于多模型融合策略的能源效率评价方法 | |
CN110782658B (zh) | 一种基于LightGBM算法的交通量预测方法 | |
CN112016175B (zh) | 一种基于树状层次聚类的供水管网测压点优化布置方法 | |
CN112289391B (zh) | 一种基于机器学习的阳极铝箔性能预测系统 | |
CN107992645B (zh) | 基于混沌-烟花混合算法的污水处理过程软测量建模方法 | |
CN112883632B (zh) | 一种基于改进蚁群算法的锂电池等效电路模型参数辨识方法 | |
CN116542382A (zh) | 基于混合优化算法的污水处理溶解氧浓度预测方法 | |
CN112749840A (zh) | 一种火电机组能效特征指标基准值的获取方法 | |
CN116757057A (zh) | 基于pso-ga-lstm模型的空气质量预测方法 | |
CN112765902A (zh) | 基于TentFWA-GD的RBF神经网络软测量建模方法及其应用 | |
CN114004153A (zh) | 一种基于多源数据融合的侵彻深度预测方法 | |
CN112766548A (zh) | 基于gasa-bp神经网络的订单完工时间预测方法 | |
CN110276478B (zh) | 基于分段蚁群算法优化svm的短期风电功率预测方法 | |
CN111310974A (zh) | 一种基于ga-elm的短期需水预测方法 | |
CN117335425A (zh) | 一种基于ga-bp神经网络的潮流计算方法 | |
CN110648023A (zh) | 基于二次指数平滑改进gm(1,1)的数据预测模型的建立方法 | |
CN113722951B (zh) | 基于神经网络的散射体三维有限元网格优化方法 | |
CN116258234A (zh) | 一种基于bp神经网络模型的能源企业碳排测算与预测方法 | |
CN114266593A (zh) | 一种基于kpca和线性回归的电力消费预测方法 | |
CN110991743B (zh) | 一种基于聚类分析和优化神经网络的风电功率短期组合预测方法 | |
CN112289393B (zh) | 一种基于神经网络集成学习的阳极铝箔性能预测系统 | |
CN114139964A (zh) | 一种电气综合能源系统可靠性评估方法及装置 | |
CN112581311A (zh) | 一种多风电场聚合后出力长期波动特性预测方法及系统 | |
CN111353707A (zh) | 基于数据包络分析和bp神经网络的科技投入绩效评价方法 |
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 |