CN112417708A - 一种基于神经网络预测刹车片配方性能的方法 - Google Patents
一种基于神经网络预测刹车片配方性能的方法 Download PDFInfo
- Publication number
- CN112417708A CN112417708A CN202011443094.1A CN202011443094A CN112417708A CN 112417708 A CN112417708 A CN 112417708A CN 202011443094 A CN202011443094 A CN 202011443094A CN 112417708 A CN112417708 A CN 112417708A
- Authority
- CN
- China
- Prior art keywords
- neural network
- network model
- performance
- brake pad
- formula
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Braking Arrangements (AREA)
Abstract
本发明公开了一种基于神经网络预测刹车片配方性能的方法,其包括以下步骤:S1、将刹车片配方数据分为材料数据与实际性能参数数据;S2、将材料数据固定为一个输入矩阵;S3、构建神经网络模型,神经网络模型的输出为一组预测性能参数;S4、将输入矩阵送入神经网络模型进行训练;S5、计算神经网络模型得出的预测性能参数和实际性能参数之间的误差;S6、根据误差结果调整神经网络模型;S7、将需要预测的材料数据输入调整后的神经网络模型,得到预测的性能参数。通过本方法,可以不经过实际制造和测试对配方的性能参数进行预测,极大减少研制过程的工序,提高研发效率,降低研发成本。
Description
技术领域
本发明涉及摩擦材料领域,尤其是涉及一种基于神经网络预测刹车片配方性能的方法。
背景技术
任何机械设备与运动的各种车辆都必须要有制动或传动装置。摩擦材料是这种制动或传动装置上的关键性部件。它最主要的功能是通过摩擦来吸收或传递动力。如离合器片传递动力,制动片吸收动能。它们使机械设备与各种机动车辆能够安全可靠地工作。所以说摩擦材料是一种应用广泛又甚关键地材料。
传统的测试摩擦材料的方法为通过实验测试,即必须将材料实际制成以后再行测试,每调整一次配方都需要完成整个的制造、测试的流程,过程繁琐,效率很低,很难快速得到需要的配方数据。
发明内容
本发明主要是解决现有技术所存在的无法快速准确预测摩擦材料性能的技术问题,提供一种计算快速、结果准确度高的基于神经网络预测刹车片配方性能的方法。
本发明针对上述技术问题主要是通过下述技术方案得以解决的:一种基于神经网络预测刹车片配方性能的方法,包括以下步骤:
S1、将刹车片配方数据分为材料数据与实际性能参数数据;
S2、将材料数据固定为一个输入矩阵;
S3、构建神经网络模型,神经网络模型的输出为一组预测性能参数;
S4、将输入矩阵送入神经网络模型进行训练;
S5、计算神经网络模型得出的预测性能参数和实际性能参数之间的误差;
S6、根据误差结果调整神经网络模型;
S7、将需要预测的材料数据输入调整后的神经网络模型,得到预测的性能参数。
通过本方法,可以不经过实际制造和测试对配方的性能参数进行预测,极大减少研制过程的工序,提高研发效率,降低研发成本。
作为优选,所述材料数据包括材料名称和重量占比,所有材料重量占比之和为1;所述性能参数数据包括7个评价指标以及各个评价指标的数值,评价指标包括正常摩擦系数、高温摩擦系数、体积磨损、质量磨损、冲击强度、比重和硬度,实际性能参数数据由实验得到。
作为优选,所述步骤S2中,输入矩阵X[x1,x2,…,xi,xn]长度为所有配方材料数量和,数据矩阵第i个位置对应第i个材料的占比,若当前配方没有对应材料,则矩阵对应位置为0。材料的顺序为固定顺序。
作为优选,所述步骤S3中,神经网络模型包括三个全连接层,各个层之间采用全连接方式,各层次之间的输入输出权重由以下方式确定:
初始权重为截断的正态分布函数,初始偏置全部为0;
正态分布函数为:
u为均值,σ为方差,所有的权重值都会均匀分布在均值附近,误差不会超过两倍的方差,则x的取值范围为(u-2σ,u+2σ),本方案选取标准正态分布函数,也即u=0,σ=1。
作为优选,模型训练的步数为1000-3000,学习率为0.001-0.01。模型训练的步数可以根据实际需要进行调整。
作为优选,模型输出的性能参数为O[o1,o2,…,on],配方的实际性能参数为Y[y1,y2,…,yn],计算误差E采用以下公式:
E=0.5×(O-Y)2
式中,O与Y作矩阵减法。
作为优选,反向调整时采用误差函数最小化方法。例如可以采用梯度下降法等算法。
反向调整过程:由于误差函数的输入是一定的,所以误差函数的变化只与各神经网络隐藏层权重参数相关。而梯度是一个函数在某一点增长最快的方向,通过求取误差函数E对每一个权重参数的梯度,再取反可以得到误差函数达到最小的方向,乘以一个学习率η控制减小快慢,公式如下
设W ij 为权重矩阵中的某个值,则对W ij 的调整公式如下:
W
ij
=W
ij
+ηe
e的计算方法如下,由于E=0.5×(O-Y)2:
上述求偏导数遵循链式求导法则,重复上述步骤,直到达到训练次数要求为止。
摩擦材料的摩擦力学性能参数预测则能对摩擦材料研制改进起到十分重要的作用,运用人工神经网络优秀的非线性拟合能力,能大大加快整个研制过程。相比于传统做实验的方法动辄数天至数周的时间,神经网络具有巨大的优越性。
本发明带来的实质性效果是,通过预测给出配方的性能参数,减少实验次数,指明改进方向,降低研发成本。
附图说明
图1是本发明的一种流程图。
具体实施方式
下面通过实施例,并结合附图,对本发明的技术方案作进一步具体的说明。
实施例:本实施例的一种基于神经网络预测刹车片配方性能的方法,如图1所示,包括以下步骤:
S1、将刹车片配方数据分为材料数据与实际性能参数数据;
S2、将材料数据固定为一个输入矩阵;
S3、构建神经网络模型,神经网络模型的输出为一组预测性能参数;
S4、将输入矩阵送入神经网络模型进行训练;
S5、计算神经网络模型得出的预测性能参数和实际性能参数之间的误差;
S6、根据误差结果调整神经网络模型;
S7、将需要预测的材料数据输入调整后的神经网络模型,得到预测的性能参数。
本实施例大量使用矩阵描述,故对以下关于矩阵的描述规定:矩阵A形状为10×10,即矩阵是二维矩阵,10行10列;矩阵B形状为10,则B为一维矩阵,长度为10,多维矩阵以此类推。
本实施例将刹车片配方数据分为材料数据与性能参数数据,材料数据由一组材料以及材料在配方中的占比数据组成,性能参数是配方由实验得出的实际性能(对比模型预测得出的预测性能)。性能参数数据第i项对应第i个评价标准。
步骤S2中,具体到本实例,材料一共有44种,分别是:轻质碳酸钙、重晶石粉、60目橡胶粉、焦炭粉、炭黑、膨胀蛭石、破碎料、2313酚醛树脂、针状硅石灰粉、玻璃纤维6mm、增强纤维、蜂巢纤维、磨削灰、人造石墨、抛光氧化铝、大片石墨、T190鳞片石墨、铁黑、矿物纤维、定睛粉、摩擦粉、轻质氧化镁、钢棉纤维、麻纤维、3640HC树脂、6291A树脂、富华矿纤、纸纤维、3mm玻璃纤维、烙铁矿、长石粉、硫酸钡、锆英粉、硅藻土、氢氧化钙、重质碳酸钙、硫化锑60%、云母粉、煤、6700树脂、6816树脂、2122-2酚醛树脂、590石墨、颗粒石墨。将上述材料的占比组成输入矩阵X,输入矩阵X[x1,x2,…,xi,…,xn],n为所有配方材料数量和44,输入矩阵的第i个位置对应第i个材料的占比,如x1对应“轻质碳酸钙”的占比,若当前配方没有对应材料,则对应xi为0.0。
步骤S3中,神经网络模型包括三个全连接层,模型的输入为步骤S2中的材料数据矩阵,模型的输出为模型对此配方的性能预测数据,具体到本实例,性能参数数据有7个,分别是:正常摩擦系数、高温摩擦系数、体积磨损、质量磨损 、冲击强度、比重、硬度。模型各个层之间采用全连接的方式,各个层次的输入输出权重由深度学习框架函数确定,具体为:
初始权重为截断的正态分布函数,初始偏置全部为0;
正态分布函数为:
u为均值,σ为方差,x的取值范围为(u-2σ,u+2σ)。
具体到本实例,材料表长度为44,参数评价指标有7个,第一层权重W为44×256,偏置b为256;第二层权重W为256×10,偏置b为10;第三层权重W为10×7,偏置b为7。
步骤S4中,模型训练的步数以及学习率可根据实际调整,学习率反映了模型达到最优的迭代快慢,大学习率可节省训练时间,但是也可能使模型在最优值附近震荡。具体到本实例,训练步数取1000-3000步,学习率取0.001-0.01。
步骤S5中,设模型输出参数为矩阵O[o1,o2,…,on],n=7,如o1对应步骤s3中的“正常摩擦系数”参数,o7对应步骤3中的“硬度”参数,配方实际性能参数为矩阵Y[y1,y2,…,yn],n=7,则求误差的方法可以表征为如下公式:0.5×(O-Y)2,其中,O与Y作矩阵减法。
步骤S6中,反向调整时采用误差函数最小化方法,本方法采用梯度下降算法,通过对神经网络权重逐层求导,最小化误差函数并反向更新权重,具体为:
通过求取误差函数E对每一个权重参数的梯度,再取反可以得到误差函数达到最小的方向,乘以一个学习率η控制减小快慢,公式如下
设W ij 为权重矩阵中的某个值,则对W ij 的调整公式如下:
W
ij
=W
ij
+ηe
e的计算方法如下,由于E=0.5×(O-Y)2:
上述求偏导数遵循链式求导法则,重复上述步骤,直到达到训练次数要求为止。
步骤S7中,将需要预测的配方组成如步骤S2一样的输入矩阵,模型经过上述过程的训练后更新保存了参数,这些参数拟合了用于训练的配方材料和材料间的关系,以及材料和配方性能参数的关系,输入矩阵经过模型运算后即可得出对应配方的性能参数数据,格式O[o1,o2,…,on],n=7,分别对应正常摩擦系数、高温摩擦系数、体积磨损、质量磨损、冲击强度、比重、硬度。
本方案运用人工神经网络优秀的非线性拟合能力,能大大加快整个研制过程。相比于传统做实验的方法动辄数天至数周的时间,本方案具有巨大的优越性。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
尽管本文较多地使用了输入矩阵、权重等术语,但并不排除使用其它术语的可能性。使用这些术语仅仅是为了更方便地描述和解释本发明的本质;把它们解释成任何一种附加的限制都是与本发明精神相违背的。
Claims (7)
1.一种基于神经网络预测刹车片配方性能的方法,其特征在于,包括以下步骤:
S1、将刹车片配方数据分为材料数据与实际性能参数数据;
S2、将材料数据固定为一个输入矩阵;
S3、构建神经网络模型,神经网络模型的输出为一组预测性能参数;
S4、将输入矩阵送入神经网络模型进行训练;
S5、计算神经网络模型得出的预测性能参数和实际性能参数之间的误差;
S6、根据误差结果调整神经网络模型;
S7、将需要预测的材料数据输入调整后的神经网络模型,得到预测的性能参数。
2.根据权利要求1所述的一种基于神经网络预测刹车片性能的方法,其特征在于,所述材料数据包括材料名称和重量占比,所有材料重量占比之和为1;所述性能参数数据包括7个评价指标以及各个评价指标的数值,评价指标包括正常摩擦系数、高温摩擦系数、体积磨损、质量磨损、冲击强度、比重和硬度,实际性能参数数据由实验得到。
3.根据权利要求2所述的一种基于神经网络预测刹车片性能的方法,其特征在于,所述步骤S2中,输入矩阵X[x1,x2,…,xi,xn]长度为所有配方材料数量和,数据矩阵第i个位置对应第i个材料的占比,若当前配方没有对应材料,则矩阵对应位置为0。
5.根据权利要求4所述的一种基于神经网络预测刹车片性能的方法,其特征在于,模型训练的步数为1000-3000,学习率为0.001-0.01。
6.根据权利要求5所述的一种基于神经网络预测刹车片性能的方法,其特征在于,模型输出的性能参数为O[o1,o2,…,on],配方的实际性能参数为Y[y1,y2,…,yn],计算误差E采用以下公式:
E=0.5×(O-Y)2
式中,O与Y作矩阵减法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011443094.1A CN112417708A (zh) | 2020-12-11 | 2020-12-11 | 一种基于神经网络预测刹车片配方性能的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011443094.1A CN112417708A (zh) | 2020-12-11 | 2020-12-11 | 一种基于神经网络预测刹车片配方性能的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112417708A true CN112417708A (zh) | 2021-02-26 |
Family
ID=74776480
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011443094.1A Pending CN112417708A (zh) | 2020-12-11 | 2020-12-11 | 一种基于神经网络预测刹车片配方性能的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112417708A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113505440A (zh) * | 2021-07-28 | 2021-10-15 | 大连理工大学 | 一种基于三维深度学习的汽车气动性能参数实时预测方法 |
CN115490462A (zh) * | 2021-06-17 | 2022-12-20 | 浙江万赛汽车零部件股份有限公司 | 一种硫酸钙晶须增强无铜无钢纤维电动二轮车摩擦材料制备方法 |
CN116214976A (zh) * | 2023-03-17 | 2023-06-06 | 金石包装(嘉兴)有限公司 | 一种基于摩擦系数稳定性优化的复合膜生产方法 |
CN113505440B (zh) * | 2021-07-28 | 2024-05-14 | 大连理工大学 | 一种基于三维深度学习的汽车气动性能参数实时预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105095962A (zh) * | 2015-07-27 | 2015-11-25 | 中国汽车工程研究院股份有限公司 | 一种基于bp人工神经网络的材料动态力学性能预测方法 |
CN108773340A (zh) * | 2018-04-27 | 2018-11-09 | 李德祥 | 一种车辆安全保护系统 |
-
2020
- 2020-12-11 CN CN202011443094.1A patent/CN112417708A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105095962A (zh) * | 2015-07-27 | 2015-11-25 | 中国汽车工程研究院股份有限公司 | 一种基于bp人工神经网络的材料动态力学性能预测方法 |
CN108773340A (zh) * | 2018-04-27 | 2018-11-09 | 李德祥 | 一种车辆安全保护系统 |
Non-Patent Citations (3)
Title |
---|
吴耀庆 等: "基于BP神经网络的汽车摩擦材料性能预测与配方优化", 《材料导报》 * |
徐克虎 等: "《智能计算方法及其应用》", 31 July 2019 * |
黄乐: "基于BP神经网络算法的橡胶配方性能预测软件", 《橡胶工业》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115490462A (zh) * | 2021-06-17 | 2022-12-20 | 浙江万赛汽车零部件股份有限公司 | 一种硫酸钙晶须增强无铜无钢纤维电动二轮车摩擦材料制备方法 |
CN113505440A (zh) * | 2021-07-28 | 2021-10-15 | 大连理工大学 | 一种基于三维深度学习的汽车气动性能参数实时预测方法 |
CN113505440B (zh) * | 2021-07-28 | 2024-05-14 | 大连理工大学 | 一种基于三维深度学习的汽车气动性能参数实时预测方法 |
CN116214976A (zh) * | 2023-03-17 | 2023-06-06 | 金石包装(嘉兴)有限公司 | 一种基于摩擦系数稳定性优化的复合膜生产方法 |
CN116214976B (zh) * | 2023-03-17 | 2023-10-17 | 金石包装(嘉兴)有限公司 | 一种基于摩擦系数稳定性优化的复合膜生产方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112417708A (zh) | 一种基于神经网络预测刹车片配方性能的方法 | |
Singh et al. | Optimization of tribological properties of cement kiln dust-filled brake pad using grey relation analysis | |
Pelletier et al. | Multi-objective optimization of fiber reinforced composite laminates for strength, stiffness and minimal mass | |
Farag | Quantitative methods of materials selection | |
Kakani | Material science | |
Metzger et al. | Model of U3Si2 fuel system using BISON fuel code | |
Hong et al. | A tool for evaluating time-varying-stress accelerated life test plans with log-location-scale distributions | |
CN106773716B (zh) | 一种用于复合材料压机变速下落的轨迹规划方法 | |
CN107832870A (zh) | 基于灰关联分析和支持向量机的输变电工程造价预测方法 | |
CN108345727B (zh) | 一种基于马尔可夫信息矩阵的加速寿命试验载荷谱设计方法 | |
CN105022919A (zh) | 一种预测圆形金属薄板低速冲击凹坑尺寸的方法 | |
CN108932562B (zh) | 综合能源系统综合效益评价模型建立方法 | |
CN106582967A (zh) | 一种双进双出磨煤机钢球的补球方法 | |
CN104091076A (zh) | 一种基于区间熵权法的用户用电设备能效评估方法 | |
PE | Selection of engineering materials and adhesives | |
Balcerzak et al. | Density perturbations in a finite scale factor singularity universe | |
CN105976064A (zh) | 一种基于凸模型时变可靠性的在役结构最优维护设计方法 | |
CN102305258B (zh) | 一种减振器套筒卷簧的制造方法 | |
CN105678078A (zh) | 一种复杂机电系统符号化质量特性灰色预测方法 | |
Sun et al. | Optimization method of bevel gear reliability based on genetic algorithm and discrete element | |
CN103062322A (zh) | 一种中速磨煤机弹簧减振基础设计方法 | |
CN110826234B (zh) | 一种基于仿真的多应力加速寿命试验方案优化方法 | |
CN113704907A (zh) | 一种基于齿面应力场的齿轮接触疲劳寿命预测方法 | |
Chen et al. | Multi-objective optimal approach for injection molding based on surrogate model and particle swarm optimization algorithm | |
Surnis et al. | Material Selection for Spur Gear Design Using Ashby Chart |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210226 |