1.構(gòu)建理論模型

1.1 BP神經(jīng)網(wǎng)絡(luò)

BP主要通過(guò)反復(fù)迭代網(wǎng)絡(luò)權(quán)值和閾值從而促使總體網(wǎng)絡(luò)的系統(tǒng)誤差達(dá)到預(yù)定設(shè)計(jì)值或最小值。其主要分別由數(shù)據(jù)正向傳播和誤差的負(fù)向反饋兩個(gè)過(guò)程。正向傳播時(shí)，數(shù)據(jù)從輸入層經(jīng)由隱含層逐層傳遞直至輸出層。若輸出層擬合的數(shù)據(jù)并不是預(yù)期反饋值，則轉(zhuǎn)向誤差的負(fù)項(xiàng)反饋階段，誤差誤差信號(hào)沿原通道返回，通過(guò)修改各項(xiàng)神經(jīng)元的權(quán)值和閾值確保網(wǎng)絡(luò)誤差最小。求解過(guò)程如下：

（1）給神經(jīng)元的各項(xiàng)權(quán)值和閾值隨機(jī)初始化，確立網(wǎng)絡(luò)輸入和期望輸出；（2）數(shù)據(jù)分別從輸入層、隱含層、輸出層逐層傳遞；（3）計(jì)算神經(jīng)網(wǎng)絡(luò)系統(tǒng)總誤差；（4）不斷修正權(quán)值：和閾值，確保誤差最??；（5）如果輸出值與期望值的誤差精度或循環(huán)次數(shù)系統(tǒng)設(shè)置的總體要求，則輸出結(jié)果，否則回到步驟（2）。

1.2 遺傳算法

GA是通過(guò)交配將父本優(yōu)秀的染色體和基因遺傳給子代，通過(guò)染色體核基因的重新組合產(chǎn)生更優(yōu)秀的新的個(gè)體及由它們組成的新群體，隨著個(gè)體的不斷更新，群體朝著最優(yōu)方向進(jìn)化。遺傳算法是真實(shí)模擬自然界生物進(jìn)化機(jī)制。研究的樣本整體看做一個(gè)群體，每一個(gè)樣本看做個(gè)體，組成樣本的數(shù)據(jù)相當(dāng)于生物鐘組成染色體的基因，染色體用固定長(zhǎng)度的二進(jìn)制串表述，通過(guò)交換、突變等遺傳操做，在一定范圍內(nèi)隨機(jī)搜索，與目標(biāo)值接近的保留，與目標(biāo)值較差的被淘汰，是新的一代具備了上一代的優(yōu)良性狀，在性能上要優(yōu)于上一代。由于遺傳操作可以越過(guò)位壘，能跳出局部較優(yōu)點(diǎn)，達(dá)到全局最優(yōu)點(diǎn)。典型的算法步驟是：

（1）將問(wèn)題的解用初始化的編碼串表示（生物學(xué)術(shù)語(yǔ)稱為染色體），每一個(gè)編碼串代表一個(gè)系統(tǒng)解；

（2）系統(tǒng)隨機(jī)產(chǎn)生一組初始群體，編碼串長(zhǎng)為m;

（3）分別將編碼串轉(zhuǎn)譯成尋優(yōu)參數(shù)，并用適用度函數(shù)（統(tǒng)稱適應(yīng)度閾值）進(jìn)行評(píng)價(jià)；

（4）根據(jù)編碼串個(gè)體適應(yīng)值的高低，執(zhí)行編碼串復(fù)制、交叉和變異因子操作產(chǎn)生新一代群體；

（5）反復(fù)執(zhí)行步驟2到步驟4,不斷進(jìn)化優(yōu)化后的編碼串群體，最后確定最適應(yīng)問(wèn)題的個(gè)體，求出問(wèn)題的最優(yōu)解。

1.3 ANN-GA模型

ANN-GA模型結(jié)構(gòu)示意圖如圖1所示。

其具體流程如下：

2.數(shù)據(jù)處理范例

在這里，我們以對(duì)某型金屬材料淬火數(shù)據(jù)處理為例，具體ANN-GA模型建立如下：

（1）以ANN網(wǎng)絡(luò)中的輸入變量淬火溫度、淬火時(shí)間、冷卻方式、回火溫度分別作為遺傳算法的種群，每個(gè)種群中樣本的各個(gè)數(shù)據(jù)作為個(gè)體。以屈服強(qiáng)度、抗拉強(qiáng)度、延伸率的最大值作為適應(yīng)度函數(shù)。

（2）在建立好的ANN模型范圍內(nèi)隨機(jī)產(chǎn)生一樣本，將每個(gè)樣本自行進(jìn)行復(fù)制、交叉、變異、遺傳后產(chǎn)生一組新的樣本。

（3）將產(chǎn)生的新樣本迭代入ANN模型中進(jìn)行預(yù)測(cè)，計(jì)算出新樣本所對(duì)應(yīng)的屈服強(qiáng)度、抗拉強(qiáng)度、延伸率及收縮率。

（4）若計(jì)算出的屈服強(qiáng)度、抗拉強(qiáng)度、延伸率及收縮率大于系統(tǒng)設(shè)置的適應(yīng)度函數(shù)值，則輸出新樣本所對(duì)應(yīng)的淬火溫度、淬火時(shí)間、冷卻方式及回火溫度。反之，則重新循環(huán)執(zhí)行2~4步驟，直至計(jì)算運(yùn)算結(jié)束。

該材料化學(xué)成分見(jiàn)表1 .試樣淬火溫度分別為++950℃、1000℃、1050℃、1 1 0 0℃、1 1 5 0℃、1 2 0 0℃，淬火時(shí)間分別為3 0 m i n、4 5 m i n、6 0 m i n,冷卻方式分別為水冷、空冷、油冷， 再測(cè)出00Cr13Ni5Mo馬氏體不銹鋼的抗拉強(qiáng)度、屈服強(qiáng)度、延伸率及收縮率。將各種各種工藝參數(shù)下的試樣經(jīng)過(guò)打磨、拋光，制成金相試樣后，用專(zhuān)用腐蝕劑對(duì)試樣進(jìn)行腐蝕，利用Leica光學(xué)顯微鏡觀察試樣的微觀組織。

選取具有代表性的實(shí)驗(yàn)數(shù)據(jù)作為樣本進(jìn)行訓(xùn)練，通過(guò)均方誤差（RMSE）來(lái)描述實(shí)驗(yàn)值Ti與網(wǎng)絡(luò)輸出值Yi之間的精度。

為了平衡不同參數(shù)在網(wǎng)絡(luò)訓(xùn)練過(guò)程中的權(quán)重，將熱處理參數(shù)和力學(xué)性能樣本數(shù)據(jù)分別規(guī)范在-1~1,其公式如（2）所示：

3.結(jié)果與討論

3.1 BP網(wǎng)絡(luò)模型

表2為采用各種網(wǎng)絡(luò)算法下神經(jīng)網(wǎng)絡(luò)的運(yùn)算結(jié)果。從表2可見(jiàn)，采用Traincgf算法的神經(jīng)網(wǎng)絡(luò)具有收斂運(yùn)算耗時(shí)69.436s,RMSE為1.42%.因此，本文的構(gòu)建的ANN模型網(wǎng)絡(luò)采用Traincgf算法，網(wǎng)絡(luò)結(jié)構(gòu)為3-8-4,動(dòng)量因子為0.4時(shí)，學(xué)習(xí)速率為0.2時(shí)，網(wǎng)絡(luò)測(cè)試的均方誤差值分別最小。

3.2 遺傳算法優(yōu)化結(jié)果

該材料的GA-ANN模型預(yù)測(cè)熱處理參數(shù)模擬及實(shí)驗(yàn)結(jié)果如表3所示。從表3中可以看出，ANN-GA模型預(yù)測(cè)的的熱處理參數(shù)與實(shí)驗(yàn)結(jié)果基本一致，最大RMSE為9.69%.

實(shí)驗(yàn)與模擬結(jié)果表明：該材料最優(yōu)化的淬火工藝溫度為1000~1050℃，淬火時(shí)間為30min,冷卻方式為空冷。

4.結(jié)論

通過(guò)基于Traincgf算法對(duì)某型材料淬火數(shù)據(jù)的處理，建立了該型材料的淬火溫度，保溫時(shí)間、冷卻方式與抗拉強(qiáng)度、屈服強(qiáng)度、延伸率等關(guān)系的ANN預(yù)測(cè)模型。

該模型能夠比較有效的運(yùn)用Traincgf算法的神經(jīng)網(wǎng)絡(luò)進(jìn)行收斂運(yùn)算，使得運(yùn)算時(shí)間耗時(shí)最少，網(wǎng)絡(luò)測(cè)試的均方誤差值最小，ANN-GA模型預(yù)測(cè)的物理參數(shù)與檢驗(yàn)結(jié)果基本一致，能夠有效提高數(shù)據(jù)分析處理效率。