基于bp神经网络的镍基高温合金微观组织预测控制方法

基于bp神经网络的镍基高温合金微观组织预测控制方法
【专利摘要】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。
【专利说明】
基于BP神经网络的镍基高温合金微观组织预测控制方法
技术领域：
[00011本发明属于镍基高温合金加工工程技术领域，涉及一种基于BP神经网络的镍基高 温合金微观组织预测控制方法。
【背景技术】：
[0002] 由于镍基高温合金抗氧化、抗腐蚀以及卓越的机械性能，这种合金已经广泛应用 于航天航空等材料性能要求极高的领域。镍基高温合金的微观组织特性(再结晶晶粒尺寸 和再结晶分数)是影响其各项性能的关键因素。如何在加工过程中控制并改善镍基高温合 金的微观组织特性是一个亟待解决的难题。
[0003] 镍基高温合金是一种难加工材料，普通的热加工工艺很难保证加工材料的均匀 性。等温模锻是一种高效的高温锻造技术，可以有效地降低材料的变形阻力和提高金属流 动的均匀性。因此，等温模锻技术非常适合用来加工镍基高温合金，并且能提高镍基高温合 金微观组织的均匀性。研究表明镍基高温合金的微观组织演变极为复杂，显著受到变形温 度，应变速率和应变等热变形参数的综合影响。众多学者开展了大量实验和理论研究工作， 发明了多种预测镍基高温合金微观组织演变的方法。Chen和Lin(X.M.Chen，Y.C.Lin， D.X.ffen,J.L.Zhang,M-He jDynamic recrystallization behavior of a typical Nickel-based Superalloy during hotdeformation.Materials&Design,2014(57):568-577)提出了高精度的镍基高温合金动态再结晶行为分段模型，可以准确预测镍基高温合金 微观组织演变行为。然而，对等温模锻过程中镍基高温合金微观组织演变的控制方法研究 还没有显著进展。
[0004] 随着智能方法的发展，神经网络、模糊集和支持向量机等方法逐渐引入到多种金 属材料微观组织和流变行为的预测建模中，并取得了良好的预测效果。因此，可以提出一种 简单、快速、高效地预测控制镍基高温合金微观组织的智能方法。自从上世纪70年代模型预 测控制方法被提出以来，这种新型的控制策略经过多年的完善和发展，已经广泛应用于工 业过程中。本发明方法基于模型预测控制方法的基本特点，结合BP神经网络快速、自适应以 及良好的泛化和容错能力，避免了模型预测控制方法中预测模型难以建立和滚动优化耗时 长的难题，提出了一种简单、快速、高效的镍基高温合金微观组织预测控制方法。

【发明内容】
：
[0005] 本发明的目的在于提供一种镍基高温合金微观组织预测控制方法，解决镍基高温 合金锻造过程中微观组织难以控制的难题。
[0006] 本发明解决上述难题的方案是：
[0007] 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：
[0008] 步骤1:对训练预测神经网络模型和控制神经网络模型中的参数进行初始化，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；
[0009] 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；
[0010] 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；
[0011] 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；
[0012] 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；
[0013] 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。
[0014] 按照上述方案，步骤1中所述模型参数初始化是给定学习速率n、软化系数α、权值 系数h以及初始的系统输入。
[0015] 按照上述方案，步骤1中所述根据历史的模锻工艺参数和微观组织信息离线训练 预测神经网络和控制神经网络是根据已采集的模锻工艺参数(上模具速度和位移)和微观 组织信息(再结晶晶粒尺寸和再结晶分数)建立预测神经网络和控制神经网络，以给定在线 训练预测神经网络和控制神经网络的初始权值。
[0016] 按照上述方案，步骤1中所述预测神经网络包括两个神经网络:再结晶晶粒尺寸预 测神经网络和再结晶分数预测神经网络，再结晶晶粒尺寸预测神经网络表示为：
[0017] yp(k+l) = fg[s(k-l) ,s(k) ,v(k-l) ,v(k) ,y(k-l) ,y(k) ,p(k-l) ,p(k)] (I)
[0018] 其中，8和￥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+l)为预测的再结晶晶粒尺寸，在预测神经网络中选取的传递函数(激活函数） 都为：
[0019] (2)
[0020]在再结晶晶粒尺寸预测神经网络中，用U表示输入[S(k-l)，s(k)，v(k-l)，v(k)，y (k-1)，y(k)，p(k-l)，p(k)]，用ngl，hgl，ng2和yP分别表示隐含层节点的输入，隐含层节点 的输出，输出层节点的输入以及输出层节点的输出。
[0021] ngl =Wgl · U+bgl (3)
[0022] hgl =g(ngl) (4)
[0023] ng2=ffg2 · hgl+bg2 (5)
[0024] yp(k+l) = g(ng2) (6)
[0025] 再结晶分数预测神经网络表示为：
[0026] pp(k+l) = fp[s(k-l) ,s(k) ,v(k-l) ,v(k) ,y(k-l) ,y(k) ,p(k-l) ,p(k)] (7)
[0027] 其中，8和7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，pP(k+l)为预测的再结晶分数。在再结晶分数预测神经网络中，用U表示输入[ 8仏-1)，s(k)，v(k_l)，v(k)，y(k_l)，y(k)，p(k_l)，p(k)]，用npl，hpl，np2和P p分别表示隐含层 节点的输入，隐含层节点的输出，输出层节点的输入以及输出层节点的输出。
[0028] npl =Wpl · U+bpl (8)
[0029] hpl=g(npl) (9)
[0030] np2=ffp2 · hpl+bp2 (10)
[0031] pp(k+l) = g(np2) (11)
[0032] 按照上述方案，步骤I中所述由控制神经网络可以表示为：
[0033] v(k+l) = fc[yr(k+l) ,yc(k+l) ,pr(k+l) ,pc(k+l) ,v(k-l) ,v(k)] (12) 其中，yr和y。分别表示再结晶晶粒尺寸的参考值和校正值，Pr和P。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。在控制神经网络中选取的传递函数与预测神经网 络相同，用Y表示输入[yr(k+l)，y c(k+l)，pr(k+l)，pc(k+l)，v(k-l)，v(k)]，用ncl，hcl，nc2 和v(k+l)表示隐含层节点的输入，隐含层节点的输出，输出层节点的输入以及输出层的输 出。
[0034]
[0035]
[0036]
[0037]
[0038] 按照上述方案，步骤3中所述对预测输出进行反馈校正可以描述为:在得到模型的 预测值之后，需要用当前过程(第k时刻)输出的测量值y(k)和p(k)与模型的预测值^(1〇和 p P(k)的差值分别对第k+Ι时刻的预测值yP(k+lWPpP(k+l)进行修正，修正后的输出预测值 记为y c(k+l)和pc(k+l)，如式（17)和（18)所示：
[0039] yc(k+l)=yp(k+l)+h(y(k)-yp(k)) (17)
[0040] pc(k+l) =pP(k+l)+h(p(k)-pP(k)) (18)
[0041] 其中h为权值系数，一般取为I.
[0042] 按照上述方案，步骤3中所述规划下一时刻的微观组织目标值可以用如下方程表 示：
[0043] yr(k+l) =ay(k) + ( l-a)yd (19)
[0044] pr(k+l) =ap(k) + ( l-a)pa (20)
[0045] 其中，yr(k+l)和pr(k+l)表示微观组织目标值，yd和Pd为微观组织目标设定值。a为 柔化系数，〇<α<1.若a取值较大则预测控制的鲁棒性强，但导致系统的响应速度变慢;若a 取值较小则系统的响应速度变快，但是容易出现超调与震荡。
[0046] 按照上述方案，步骤5中所述在线软测量当前时刻的微观组织数据方法可以描述 为：由于微观组织数据无法实时测量，需要引入软测量方法在线估计微观组织特性，其中， 软测量模型可以表示为：
[0047]
|9)
[0048]其中，ddrx表不再结晶晶粒尺寸，Xdrx表不再结晶分数，ε〇.5为动态再结晶分数为 50%时的应变，nd、A与a为材料常数，Q为变形激活能(J/mol )，ε。初始再结晶临界应变，Z为 Zener-Ho I Iomon参数，ε是应变，?:是应变速率(s-1)，R表示理想气体常数(8.31 J/moI/K)，T 是绝对温度(K)。
[0049] 按照上述方案，步骤5中所述在线反馈调整预测神经网络可以表述为：当测得第k+ 1时刻的实际输出y(k+l)和p(k+l)之后，也要对预测神经网络权值进行在线调整，以用于预 测下一时刻的输出量。预测神经网络权值调整是基于如下优化指标是：
[0050]
(22):
[0051]其中，y(k+lWPyP(k+l)分别表示实际测量的和模型预测的微观组织信息。
[0052]输入-隐含层权值调整公式为：
[0053]
[0054]
[0055]
[0056]
[0057]
[0058] 其中，η为学习速率，Wl和bl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，hi为预 测神经网络隐含层的输出。
[0059] 按照上述方案，步骤5中所述在线反馈调整控制神经网络可以表述为：当测得第k+ 1时刻的实际输出y(k+l)和p(k+l)之后，就要对控制神经网络权值进行在线调整，以用于计 算下一时刻的控制量。控制神经网络权值调整是基于模型预测控制的滚动优化，优化指标 是：
[0060] (27)
[0061] 其中，yr(k+l)和yjk+l)分别表示规划的再结晶晶粒尺寸目标值和模型预测的再 结晶晶粒尺寸校正值，p r(k+l)和pjk+l)分别表示规划的再结晶分数目标值和模型预测的 再结晶分数校正值。
[0062] 输入-隐含层权值调整公式为：
[0063]
[0064]
[0065]
[0066] 1
[0068]其中，η为学习速率，yP(k+lWPpP(k+l)分别表示模型预测的再结晶晶粒尺寸和再 结晶分数，Wgl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，Wpl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，hgl和hpl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，Wcl和 bcl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，hcl为控制神经网络隐含层的输出，Y为控制神经网络的输入，v 表示模锻工艺参数。
[0069] 按照上述方案，利用在线感知的模锻工艺参数和镍基高温合金微观组织信息，根 据步骤5在线调整预测神经网络和控制神经网络，实现镍基高温合金微观组织特性的精准 快速预测控制。
[0070] 本发明的有益效果表现为：
[0071] (1)本发明根据模锻工艺参数和镍基高温合金微观组织信息建立了预测神经网络 模型和控制神经网络模型，避免了复杂锻造过程中预测模型难以建立以及预测控制中滚动 优化耗时长的难题；
[0072] (2)该方法中的预测和控制神经网络权值是在线更新的，能保证精准快速地预测 和控制镍基高温合金微观组织特性，为实现镍基高温合金零件的高品质锻造提供了理论依 据与技术支持。
【附图说明】：
[0073]图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流程图；
[0074] 图2再结晶晶粒尺寸预测神经网络结构图；
[0075] 图3再结晶分数预测神经网络结构图；
[0076]图4控制神经网络结构图；
[0077] 图5有限元模拟过程中的上模具速度；
[0078] 图6再结晶晶粒尺寸的预测控制结果；
[0079]图7再结晶分数的预测控制结果。
【具体实施方式】：
[0080] 下面结合附图和【具体实施方式】对本发明进行详细的说明。
[0081] 本发明是一种镍基高温合金微观组织预测控制方法，其流程图如图1所示。下面结 合有限元模拟软件DEF0RM-3D，详细介绍本发明涉及的镍基高温合金微观组织预测控制的 实施细节，其方法包括：
[0082] 步骤1:对训练预测神经网络模型和控制神经网络模型中的参数进行初始化，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； [00 83]初始化参数主要包括：学习速率n = 0. 〇1，反馈校正权值系数h = l，柔化系数α = 0.9，以及再结晶晶粒尺寸和再结晶分数的设定值分别设置为30μπι和0.8。在DEF0RM-3D的模 拟过程中，摩擦因子设置为0.3,环境温度设为20°C，坯料温度与环境温度的对流系数为 0.02N/(s · mm · °C)，坯料温度与模具温度的对流系数为llN/(s · mm · °C)，等温模锻温度 设置为980°C，坯料初始的平均晶粒尺寸和再结晶分数分别为75μπι和0。
[0084] 历史的模锻工艺数据包括上模具的位移和速度，历史的镍基高温合金微观组织数 据包括再结晶晶粒尺寸和再结晶分数，首先利用这些数据训练预测神经网络和控制神经网 络，得到的权值矩阵作为在线预测神经网络和控制神经网络的初始权值矩阵。
[0085] 再结晶晶粒尺寸预测神经网络的结构如图2所示，WgleR17x8为输入层到隐含层的 权值矩阵，bgl e R17xl为输入层到隐含层的偏置项，Wg2 e Rlxl7为隐含层到输出层的权值矩 阵，bg2eRlxl为隐含层到输出层的偏置项。基于BP神经网络的再结晶晶粒尺寸预测模型可 以表示为：
[0086] yp(k+l) = fg[s(k-l) ,s(k) ,v(k-l) ,v(k) ,y(k-l) ,y(k) ,p(k-l) ,p(k)] (32)
[0087] 其中，8和7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+l)为预测的再结晶晶粒尺寸。
[0088]再结晶分数预测神经网络的结构如图3所示，Wpl GR17x8为输入层到隐含层的权值 矩阵，bpl GR17xl为输入层到隐含层的偏置项，Wp2eRlxl7为隐含层到输出层的权值矩阵， bp2eR lxl为隐含层到输出层的偏置项。基于BP神经网络的再结晶分数预测模型可以表示 为：
[0089] pp(k+l) = fp[s(k-l) ,s(k) ,v(k-l) ,v(k) ,y(k-l) ,y(k) ,p(k-l) ,p(k)] (33)
[0090] 其中，8和7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，pP(k+l)为预测的再结晶分数。
[0091] 控制神经网络的结构如图4所示，WcieR13x6为输入层到隐含层的权值矩阵，bcie R13xl为输入层到隐含层的偏置项，Wc2 e Rlxl3为隐含层到输出层的权值矩阵，bc2 e Rlxl为隐 含层到输出层的偏置项。基于BP神经网络的控制模型可以表示为：
[0092] v(k+l) = fc[yr(k+l) ,yc(k+l) ,pr(k+l) ,pc(k+l) ,v(k-l) ,v(k)] (34)
[0093] 其中，yjPy。分别表示再结晶晶粒尺寸的参考值和校正值，Pr和p。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。
[0094] 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；
[0095]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；
[0096] 反馈校正可以描述为：由预测神经网络得到模型的预测值之后，需要用当前过程 (第k时刻)输出的测量值y(k)和p(k)与模型的预测值^(1〇和办(1〇的差值分别对第k+Ι时刻 的预测值y P(k+l)和pP(k+l)进行修正，修正后的输出预测值记为yc(k+l)和p c(k+l)，如式 (35)和(36)所示：
[0097] yc(k+l)=yp(k+l)+h(y(k)-yp(k)) (35)
[0098] pc(k+l) =pP(k+l)+h(p(k)-pP(k)) (36) 其中，h为权值系数，一般取为I.
[0099] 规划镍基高温合金微观组织目标值可以用如下方程表示：
[0100] yr(k+l) =ay(k) + ( l-a)ya (37)
[0101] pr(k+l) =ap(k) + ( l-a)pa (38)
[0102] 其中，yr(k+l)和pr(k+l)为微观组织目标值，a为柔化系数，0<a<l.在实际锻造过 程控制中为了稳定达到目标，a取为〇. 1。yd和Pd为微观组织目标设定值。
[0103] 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；
[0104] 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；
[0105] 在线软测量微观组织模型可以表示为：
[0106] (39)
[0107]其中，ddrx表不再结晶晶粒尺寸，Xdrx表不再结晶分数，ε〇.5为动态再结晶分数为 50 %时的应变，nd为材料常数，ε。初始再结晶临界应变，Z为Zener-Hol Iomon参数，ε是应变， ?是应变速率(S4)，R表示理想气体常数(8.31J/mol/K)，T是绝对温度(Κ)。
[0108] 在线反馈调整预测神经网络可以表述为：当测得第k+Ι时刻的实际输出y(k+l)和p (k+Ι)之后，也要对预测神经网络权值进行在线调整，以用于预测下一时刻的输出量。再结 晶晶粒尺寸预测神经网络权值调整是基于如下优化指标是：
[0109]
(40)
[0110] 输入-隐含层权值调整公式为：
[0111] Affglij = q * [y(k+l )-yP(k+l) ] · yP(k+l) · (l-yP(k+l)) · Wg2i · hgli · (1-hgli) · Uj (41)
[0112] Abgli=H · [y(k+l)_yP(k+l)] · yP(k+l) · (l_yP(k+l)) · Wg2i · hgli · (1-hgli) (42)
[0113] 隐含-输出层权值调整公式为：
[0114] Affg2i = n · [y(k+l)-yp(k+l)] · yP(k+l) · (l-yP(k+l)) · hgli (43)
[0115] Abg2 = n * [y(k+l)-yP(k+l)] · yP(k+l) · (l-yP(k+l)) (44)
[0116] 再结晶分数预测神经网络权值调整是基于如下优化指标是：
[0117]
(45)
[0118] 输入-隐含层权值调整公式为：
[0119] Δ Wplij = η · [p(k+l )_pP (k+1 )]· pP(k+l )·( l-pP (k+1 ))· Wp2i · hpli ·( 1-hpli) · Uj (46)
[0120] Abpli=H · [p(k+l)-pP(k+l)] · pP(k+l) · (l_pP(k+l)) · Wp2i · hpli · (1-hpli) (47)
[0121] 隐含-输出层权值调整公式为：
[0122] Δ Wp2i = ri · [p(k+l)_pP(k+l)] · pP(k+l) · (l_pP(k+l)) · hpli (48)
[0123] Abp2 = q · [p(k+l)_pP(k+l)] · pP(k+l) · (l_pP(k+l)) (49)
[0124] 在线反馈调整控制神经网络可以表述为：当测得第k+1时刻的实际输出y(k+l)和p (k+Ι)之后，就要对控制神经网络权值进行在线调整，以用于计算下一时刻的控制量。控制 神经网络权值调整是基于模型预测控制的滚动优化，优化指标是：
[0125]
(50)
[0126] 输入-隐含层权值调整公式为：
[0127]
[0128]
[0129]
[0130]
[0131]
[0132] 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。
[0133] 根据在线感知的模锻工艺数据，以及实时软测量的镍基高温合金微观组织数据， 利用预测神经网络模型预测镍基高温合金微观组织特性(再结晶晶粒尺寸和再结晶分数）， 利用控制神经网络模型给出等温模锻的工艺参数(上模具的速度，如图5所示），按照这种方 式进行下去可以实现镍基高温合金微观组织的有效预测控制，预测控制结果如图6和图7所 不。
[0134] 从上述结果可以发现，本发明提出的方法能够快速、准确地预测并控制锻造过程 中镍基高温合金微观组织特性，为实现镍基高温合金零件的高品质锻造提供了可靠的途 径。
[0135] 上面结合附图对本发明的实例进行了说明，但本发明不局限于上述具体的实施方 式，上述的【具体实施方式】仅是示例性的。任何不超过本发明权利要求的发明，均在本发明的 保护范围之内。
【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:对训练预测神经网络模型和控制神经网络模型中的参数进行初始化，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； 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； 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中所述的训练预测神经网络模型和控制神经网络模型中参数是指学习速率，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。2. 如权利要求1所述方法，其特征在于：步骤2中所述的预测神经网络模型是在线调整 的，其模型权值是基于实际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+l_yP(k+l)分别表示实际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： AWlij=q ? [y(k+l)-yP(k+l)] ? yP(k+l) ? (l-yP(k+l)) ? W2i ? hli ? (1-hli) ? Uj (2) A bli = n ? [y(k+l)_yP(k+l)] ? yP(k+l) ? (l_yP(k+l)) ? W2i ? hli ? (1-hli) (3) 隐含-输出层权值调整公式为： Aff2i = n ? [y(k+l)-yp(k+l)] ? yP(k+l) ? (l-yP(k+l)) ? hli (4) Ab2 = n ? [y(k+l)-yP(k+l)] ? yP(k+l) ? (l-yP(k+l)) (5) 其中，n为学习速率，W1和bl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，hi为预测神 经网络隐含层的输出。3. 如权利要求1所述方法，其特征在于：步骤4中所述的控制神经网络模型是在线调整 的，其模型权值是基于规划的微观组织目标值与模型预测的微观组织信息校正值之间的误 差进行反馈调整：其中，yr(k+l)和yjk+l)分别表示规划的再结晶晶粒尺寸目标值和模型预测的再结晶 晶粒尺寸校正值，Pr(k+1)和pjk+l)分别表示规划的再结晶分数目标值和模型预测的再结 晶分数校正值。 输入-隐含层权值调整公式为： Affclij = n * {[yr(k+l)-yc(k+l)] ? yP(k+l) ? (l-yP(k+l)) ? Wg2 ? hgl ? (1-hgl) ? Wgli4 + [pr(k+l)-pc(k+l)] ? pP(k+l) ? (l-pP(k+l)) ? Wp2 ? hpl ? (1-hpl) ? Wpli4} (7) ? v(k) ? (l-v(k)) ? Wc2i ? hcli ? (1-hcli) ? Yj Abcli = q ? {[yr(k+l)-yc(k+l)] ? yP(k+l) ? (l-yP(k+l)) ? Wg2 ? hgl ? (1-hgl) ? Wgli4 + [pr(k+l)-pc(k+l)] ? pP(k+l) ? (l_pP(k+l)) ? Wp2 ? hpl ? (1-hpl) ? Wpli4} (8) ? v(k) ? (l-v(k)) ? Wc2i ? hcli ? (1-hcli) 隐含-输出层权值调整公式为： Affc2i = q ? {[yr(k+l)-yc(k+l)] ? yP(k+l) ? (l-yP(k+l)) ? Wg2 ? hgl ? (1-hgl) ? Wgli4 + [pr(k+l)-pc(k+l)] ? pP(k+l) ? (l_pP(k+l)) ? Wp2 ? hpl ? (1-hpl) ? Wpli4} (9) ? v(k) ? (l-v(k)) ? hcli A bc2 = q ? {[yr(k+l)-yc(k+l)] ? yP(k+l) ? (l-yP(k+l)) ? Wg2 ? hgl ? (1-hgl) ? Wgli4 + [pr(k+l)-pc(k+l)] ? pP(k+l) ? (l_pP(k+l)) ? Wp2 ? hpl ? (1-hpl) ? Wpli4} (10) ? v(k) ? (l-v(k)) 其中，n为学习速率，yP(k+l)*pP(k+l)分别表示模型预测的再结晶晶粒尺寸和再结晶 分数，Wgl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，Wpl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，hgl和hpl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，Wcl和 bcl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，hcl为控制神经网络隐含层的输出，Y为控制神经网络的输入，v 表示模锻工艺参数。
【文档编号】G06F17/50GK106055844SQ201610522135
【公开日】2016年10月26日
【申请日】2016年7月6日
【发明人】蔺永诚, 谌东东, 陈明松
【申请人】中南大学