基于BP神经网络的防眩玻璃化学侵蚀工艺参数优化方法与流程

本发明涉及防眩玻璃化学侵蚀制备工艺技术领域，具体涉及基于BP神经网络的防眩玻璃化学侵蚀工艺参数优化方法。

背景技术：

目前，利用化学蚀刻法对玻璃表面进行酸化处理的防眩玻璃工艺在应用中较为广泛。侵蚀工艺中的时间和温度是影响透过率的两个重要因素，为提高防眩玻璃的透过率，需针对侵蚀条件因素温度和时间进行工艺参数优化设计。响应曲面法(response surface methodology，RSM) 最初是由Box和Wilson提出，是一种重要的参数优化方法，包括实验设计、模型拟合和过程优化等阶段，即通过建立响应与显著影响因子之间的多元二次方程构建因子对应关系来模拟真实极限状态曲面，从而确定最优参数组合使得响应变量达到最优。由于响应曲面法能够以较少的实验组数建立较接近实际情况的多维空间曲面，因此，响应曲面法在生产参数优化过程中应用广泛。

现实生产过程中，由于产品生产工艺的复杂性，响应变量受多重复杂因素影响，因子变量与响应变量之间存在复杂的非线性关系，使得响应曲面模型不能解决参数优化问题，需要提出一种能够有效处理复杂系统的方法解决参数优化问题。人工神经网络是一种经由大量的神经元广泛地相互连接形成的复杂的网络系统，具有自组织、自适应、自学习能力和模糊信息处理能力，其中BP神经网络是一种广泛应用的神经网络模型。针对响应曲面法处理复杂系统的局限性，提出一种基于BP神经网络建立非线性网络模型的参数优化方法以解决复杂因素影响的参数优化问题。

技术实现要素：

本发明的目的是为解决上述技术问题的不足，提供一种基于BP神经网络的防眩玻璃化学侵蚀工艺参数优化方法。

本发明为解决上述技术问题的不足，所采用的技术方案是：基于BP神经网络的防眩玻璃化学侵蚀工艺参数优化方法，包括以下步骤：

S1：数据处理，建立防眩玻璃化学侵蚀工艺数据集，该数据集包括防眩玻璃化学侵蚀工艺过程中的侵蚀温度、侵蚀时间数据以及与侵蚀温度和侵蚀时间对应的玻璃透过率数据，并对数据集中的玻璃透过率进行标准化处理：

；

其中，μ为所有样本数据的均值，σ为所有样本数据的标准差，为标准化后玻璃透过率数据，为未标准化前的玻璃透过率数据；

S2：确定侵蚀温度及侵蚀时间的优化范围，通过分析玻璃透过率的主效应图等，删除主效应值不显著的水平，确定侵蚀温度及侵蚀时间的优化范围；

S3：利用BP神经网络构建侵蚀温度、侵蚀时间与玻璃透过率的关系模型，侵蚀温度和侵蚀时间作为网络输入，玻璃透过率作为网络输出，通过对BP神经网络模型参数的调整设置，构建较为理想的网络模型；

S4：BP神经网络寻优搜索,在构建良好网络模型的基础上，利用BP神经网络模型的高泛化能力对最优参数组合寻优搜索，初次迭代中，在S2中确定的侵蚀温度及侵蚀时间的优化范围中赋值，并作为神经网络的检测样本，利用BP神经网络模型的泛化能力对检测样本预测出预测玻璃透过率数据，在最优的预测玻璃透过率所对应的侵蚀温度及侵蚀时间组合上下小范围波动，作为下次神经网络迭代的检测样本，并预测出预测玻璃透过率数据，通过多次迭代，将迭代范围逐渐减小，搜索最优侵蚀温度和侵蚀时间组合。

所述S2的具体方法为：利用Minitab软件得到玻璃透过率的主效应图以及玻璃透过率与侵蚀温度和侵蚀时间的等值线图，通过主效应图和等值线图确定侵蚀温度及侵蚀时间的优化范围。

所述S3的具体方法为：以侵蚀温度和侵蚀时间为因子，玻璃透过率为响应,温度水平和时间水平作为输入向量，响应变量玻璃透过率作为输出向量，构造含有一个隐层的BP神经网络模型结构，设置隐层的神经元个数为10，隐层传递函数为tansig，输出层传递函数为线性函数purelin，训练函数用trainlm，训练精度目标值、速度和循环次数分别设置为0.001、0.001和300。

所述S4中确定迭代次数的具体方法为：假设第i次迭代的最优响应值为，其未标准化前为，

；

；

整理后如下：

；

将作为第i次迭代的实际优化增值，根据上述公式将迭代优化值转化为响应实际优化增值，由于比较响应值的实际优化增值直观，可以有效解决盲目迭代优化的问题，以较少迭代次数达到较优的响应值，即以合理的实际优化增值确定神经网络的迭代次数。

有益效果

本发明利用BP神经网络对防眩玻璃化学侵蚀的工艺参数进行优化，由于防眩玻璃制备技术的复杂性,防眩光玻璃透光率受多重因素影响,实际生产数据存在的复杂的非线性关系是线性模型和普通非线性模型难以解决的问题，BP神经网络具有高映射能力，可以实现从输入到输出的任意非线性映射，利用BP神经网络高映射能力和泛化能力建立温度、时间与透过率之间的非线性关系可解决受复杂因素影响的参数优化问题。

附图说明

图1为利用Minitab软件得到的玻璃透过率的主效应图；

图2为玻璃透过率与侵蚀温度和侵蚀时间的等值线图；

图3为BP神经网络模型的训练误差曲线图；

图4为BP神经网络模型的数据与模型的拟合度图。

具体实施方式

下面结合附图对本发明的具体实施方式以及工作原理作进一步详细说明。

基于BP神经网络的防眩玻璃化学侵蚀工艺参数优化方法，包括以下步骤：

S1：数据处理，建立防眩玻璃化学侵蚀工艺数据集，该数据集包括防眩玻璃化学侵蚀工艺过程中的侵蚀温度、侵蚀时间数据以及与侵蚀温度和侵蚀时间对应的玻璃透过率数据，并对数据集中的玻璃透过率进行标准化处理：

；

其中，μ为所有样本数据的均值，σ为所有样本数据的标准差，为标准化后玻璃透过率数据，为未标准化前的玻璃透过率数据；

防眩玻璃的化学蚀刻工艺研究的实验数据中温度（x1）和时间(x2)为因子，透过率(y)为响应。实验数据中温度因子有4个水平，时间因子有6个水平，将温度水平15℃、20℃、25℃、30℃设置为1、2、3、4，时间水平3min、5min、8min、10min、15min、20min设置为1、2、3、4、5、6。对透过率进行标准化处理（Y），数据整理结果如下表所示：

S2：确定侵蚀温度及侵蚀时间的优化范围，通过分析玻璃透过率的主效应图等，删除主效应值不显著的水平，确定侵蚀温度及侵蚀时间的优化范围，缩小优化范围；

利用Minitab软件得到透过率的主效应图（如图1所示）和透过率与温度、时间的等值线图（如图2所示）。主效应图中，响应变量透过率为望大特性，温度因子4个参数水平的主效应值较为接近，时间因子的第4水平主效应值最高，而等直线图中，时间因子在3、4、5水平时玻璃的透过率较高，最优值在[3，5]区间。经综合考虑分析，将BP神经网络模型的参数优化范围设置温度水平为区间[1，4]，时间水平为区间[3，5]。

S3：利用BP神经网络构建侵蚀温度、侵蚀时间与玻璃透过率的关系模型，侵蚀温度和侵蚀时间作为网络输入，玻璃透过率作为网络输出，通过对BP神经网络模型参数的调整设置，构建较为理想的网络模型；

温度水平x1和时间水平x2作为输入向量，响应变量透过率Y作为输出向量，构造含有一个隐层的BP神经网络模型结构，设置隐层的神经元个数为10，隐层传递函数为tansig，输出层传递函数为线性函数purelin，训练函数用trainlm，训练精度目标值、速度、循环次数分别设置为0.001、0.001、300，并将均方误差MSE作为模型评判标准，其值越小网络拟合度越高。

网络输出结果为：

输入层与隐层之间的连接权= -0.1785, 1.2981; 1.0741, -0.9699; 0.6312, 3.7664; 4.7115, -1.9050; 1.2084, -0.5859; -3.5209, -0.8002; -4.3116, 3.3895; -3.8963, 0.2129; 3.6576, -2.1460; -1.6869, 1.5647

隐层与输出层之间的连接权值= -0.0660, 5.4741, 0.8410, -1.1194, 0.2299, -1.5823, 3.9276, 1.3642, -2.1112, -3.1658

隐层的阈值= -10.8432; -1.2465; -11.8121; -6.5742; 4.6294; 8.9475; 5.8527; 5.9798; 3.4294 ; -3.9617

输出层的阈值=-0.1981

BP神经网络的均方误差为6.8855e-4，其训练误差曲线和回归结果如图4所示，网络训练循环在35步达到训练精度0.001要求（如图3），数据和模型的拟合度R达到99.973%（如图4），模型建立良好。

S4：BP神经网络寻优搜索,在构建良好网络模型的基础上，利用BP神经网络模型的高泛化能力对最优参数组合寻优搜索，初次迭代中，在S2中确定的侵蚀温度及侵蚀时间的优化范围中赋值，并作为神经网络的检测样本，利用BP神经网络模型的泛化能力对检测样本预测出预测玻璃透过率数据，在最优的预测玻璃透过率所对应的侵蚀温度及侵蚀时间组合上下小范围波动，作为下次神经网络迭代的检测样本，并预测出预测玻璃透过率数据，通过多次迭代，将迭代范围逐渐减小，搜索最优侵蚀温度和侵蚀时间组合。

其中，确定迭代次数的具体方法为：假设第i次迭代的最优响应值为，其未标准化前为，

；

；

整理后如下：

；

将作为第i次迭代的实际优化增值，根据上述公式将迭代优化值转化为响应实际优化增值，由于比较响应值的实际优化增值直观，可以有效解决盲目迭代优化的问题，以较少迭代次数达到较优的响应值，即以合理的实际优化增值确定神经网络的迭代次数。

在缩小的参数优化范围中，对因子水平赋值，利用BP神经网络的泛化能力搜索最优参数组合，使得响应变量透过率达到最高。迭代的实际优化增值（%）设定为0.2，即当第i次迭代的实际优化值（%）小于0.2，神经网络停止迭代。

迭代1：将温度x1设置水平为1、1.5、2、2.5、3、3.5、4，时间x2设置水平为3、3.5、4、4.5、5，并进行全因子试验设计。迭代1中两因子分别用x11、x21表示。利用BP神经网络的良好泛化能力在迭代1设置范围中寻优搜索，Matlab语句为a=[x11 x21]'; Y1= sim(net,a)，响应透过率的预测结果见下表，其中x11为2.5水平，x21为3.5水平时，响应Y最优值为1.8433。第1次迭代的优化增值（%）为6.37。

迭代2：在迭代1搜索的最优参数组合（2.5，3.5）上下小范围波动，将温度x1设置水平为2.2、2.3、2.4、2.5、2.6、2.7、2.8，时间x2设置水平为3.2、3.3、3.4、3.5、3.6、3.7、3.8，并进行全排列试验设计，两因子分别用x12、x22表示。利用BP神经网络的良好泛化能力在迭代2设置范围中寻优搜索，Matlab语句为a=[x12 x22]'；Y2=sim(net,a)。

响应透过率的预测结果，其中x12为2.4水平，x22为3.3水平时，响应Y最优值为1.8685，第2次迭代的优化值（%）为0.11，小于0.2，迭代停止。BP神经网络优化方法确定的最优参数水平组合为（2.4，3.3）。原始数据中响应变量透过率（%）均值为84.0583，标准差为4.36836，BP神经网络参数优化过程中透过率最优值1.8685，将其转化为透过率真值（%）为92.22，即将温度设置为22℃，侵蚀时间设置为8.6min，可将防眩玻璃的最优透过率89.9%提高到92.22%，因此，提出的基于BP神经网络的参数优化方法可行、有效。