基于GA-ANN人工神经网络模型的热处理方法和装置与流程

本发明涉及钢材加工
技术领域：
，具体涉及一种基于ga-ann人工神经网络模型的热处理方法和装置。
背景技术：
：人工神经网络(artificialneuralnetworks，简称ann)，即向生命学习，用电子方法、光学方法或其他生物物理化学方法仿照生物神经网络所构造出来的神经网络。向生物神经网络学习的人工神经网络，并非在全面指标功能上达到或超过它的学习对象，而是在了解和分析生物神经网络的结构、机理和功能的基础上，学习和实现那些人们所需要的智能。遗传算法(geneticalgorithms，简称ga)是借用生物进化和遗传的规律，通过繁殖、遗传、变异、竞争，实现优胜劣汰的随机优化方法。由于ga的开放性和可扩展性，使得它很容易与专家系统(expertsystem)、模糊逻辑(fuzzylogic)、神经网络(neuralnetwork)以及模拟退火(simulatedannealing)、混沌理论(chaos)等智能计算方法相互渗透和结合。ga与模拟退火、神经网络、弹性网(elasticnet)等因它们都是模拟某些自然规律的结果被称为物理计算(自然法则计算)。目前国内许多学科及专业的学者进行了人工神经网络或者遗传算法的研究和应用，取得了一定的技术成果。这些物理计算方法在钢铁行业也有不少的研究，如：对转炉冶炼终点锰、磷的预报等等，这些研究多是在讨论如何选用函数或者方法降低算法的收敛次数、如何避免局部最小值，很少有在算法构建后，建立完整模型后形成完整实用的工具。钢铁企业为了使特殊性能钢材满足使用要求，成材后需进行调质或固溶等热处理方式。而近些年随着用户的要求越来越高，对热处理后的性能要求越来越精确，不少热处理材料的强度、硬度可调整区间越来越小，以至于材料的热处理温度设定范围仅仅只有10-30℃调整空间。而目前一般材料的热处理参数与其处理后所能达到的力学性能的相互关系没有明显的公式和理论模型，即缺少一种能够使材料达到目标力学性能所需采用的相关热处理参数进行有效预测的技术，在目前的生产流程中，想要达到预设的目标力学性能，往往需要多次试验来实际测定当前待热处理材料在多种不同热处理参数条件下的力学性能，生产周期长而且成本高。因此，如何对材料达到目标力学性能所需要的热处理参数进行有效预判，成为本领域技术人员亟待解决的技术问题。技术实现要素：本发明提出一种基于ga-ann人工神经网络模型的热处理方法和装置，以解决现有技术上述技术问题。本发明的技术方案为：本发明提供一种基于ga-ann人工神经网络模型的热处理方法，包括步骤：构建神经网络算法和遗传算法相结合的ga-ann人工神经网络模型；收集以往生产中钢材热处理的实例数据，建立材料数据库；根据当前待热处理的钢材材料信息和性能要求，设定所述ga-ann人工神经网络模型的输入层、输出层的学习数据；利用所述材料数据库中数据对所述ga-ann人工神经网络模型进行学习和验证；将验证合格的ga-ann人工神经网络模型对待热处理的材料所需的热处理参数进行预判。其中，构建神经网络算法和遗传算法相结合的ga-ann人工神经网络模型，包括步骤：通过bp算法，建立多层的神经网络拓扑结构；使用神经网络算法和遗传算法结合的方式，基于建立的神经网络拓扑结构，利用遗传算法确定网络连接权重，构建ga-ann人工神经网络模型。其中，构建神经网络算法和遗传算法相结合的ga-ann人工神经网络模型，还包括步骤：设置具备非线性、可微性、单调性的激活函数，以将非线性特性引入到所述ga-ann人工神经网络模型。其中，收集以往生产中钢材热处理的实例数据，包括：根据钢种归类，收集记录已经生产的钢种的热处理信息，所述热处理信息包括但不限于尺寸规格、主要成分含量、成材的锻压比、热处理参数、性能指标、使用的热处理炉型号；所述热处理参数包括但不限于调质参数和固溶参数。其中，待热处理的钢材为马氏体不锈钢2cr13时，则热处理信息包括：尺寸规格、锻压比、锭型、炉号、批次号、调质淬回火温度、成分信息、检验的强度和硬度数据。其中，利用材料数据库中数据对ga-ann人工神经网络模型进行学习和验证，包括：设置评价标准为均方误差rmse＜0.001，所述均方误差用于完成所述ga-ann人工神经网络模型的构建；其中，ti为实际检测结果，yi为ga-ann人工神经网络模型输出值，n为训练样本的组数；使用绝对误差are来描述所述ga-ann人工神经网络模型的泛化能力；本发明还提供一种基于ga-ann人工神经网络模型的热处理装置，包括：构建模块，用于构建神经网络算法和遗传算法相结合的ga-ann人工神经网络模型；数据库模块，用于收集以往生产中钢材热处理的实例数据，建立材料数据库；基本参数设定模块，用于根据当前待热处理的钢材材料信息和性能要求，设定所述ga-ann人工神经网络模型的输入层、输出层的学习数据；训练模块，用于利用所述材料数据库中数据对所述ga-ann人工神经网络模型进行学习和验证；预判模块，用于将验证合格的ga-ann人工神经网络模型对待热处理的材料所需的热处理参数进行预判。其中，构建模块，用于：通过bp算法，建立多层的神经网络拓扑结构；使用神经网络算法和遗传算法结合的方式，基于建立的神经网络拓扑结构，利用遗传算法确定网络连接权重，构建ga-ann人工神经网络模型。其中，数据库模块，用于：根据钢种归类，收集记录已经生产的钢种的热处理信息，所述热处理信息包括但不限于尺寸规格、主要成分含量、成材的锻压比、热处理参数、性能指标、使用的热处理炉型号；所述热处理参数包括但不限于调质参数和固溶参数。其中，构建模块，还用于：设置具备非线性、可微性、单调性的激活函数，以将非线性特性引入到所述ga-ann人工神经网络模型。本发明公开的技术效果为：本发明提出了一种基于ga-ann人工神经网络模型的热处理方法和装置，将神经网络算法和遗传算法相结合，构建ga-ann人工神经网络模型，以历史生产中钢材热处理的实例数据作为训练数据，对该模型进行学习和验证；将验证合格的模型对钢材所需的热处理参数进行预判，经试验检测，该神经网络可以有效的预测不同热处理参数下达到的材料性能，预测准确率较高，能够基于设定的热处理参数使材料一次热处理后满足材料性能要求，相比现有技术缩短了生产周期、降低了生产成本，是一种较为有效的预判技术方案，具有一定实用性。例如，现有技术中大生产进行大批量材料调质的时候，涉及的炉号、规格、卡号都不一样，选择同一温度进行热处理可能会出现部分材料不合格需要重新调质的情况，通过本发明所提供的方法进行神经网络预测，可以选择出最优的温度，并将不能集约的材料挑出，让其单独在其他的温度条件下进行热处理，使得所有材料都能一次性调质合格，从而达到节约工时、降低成本的目的。附图说明构成本申请的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。其中：图1为本发明实施例的多层神经网络模型的拓扑结构示意图；图2为本发明实施例神经网络学习的基本流程示意图；图3为本发明实施例遗传算法基本流程示意图；图4为本发明实施例中人工神经网络与遗传算法相结合的基本流程示意图。具体实施方式下面将参考附图并结合实施例来详细说明本发明。各个示例通过本发明的解释的方式提供而非限制本发明。实际上，本领域的技术人员将清楚，在不脱离本发明的范围或精神的情况下，可在本发明中进行修改和变型。例如，示为或描述为一个实施例的一部分的特征可用于另一个实施例，以产生又一个实施例。因此，所期望的是，本发明包含归入所附权利要求及其等同物的范围内的此类修改和变型。本发明公开了一种基于ga-ann人工神经网络模型的热处理方法和装置。本发明基于ga-ann人工神经网络模型的热处理方法包括步骤：构建神经网络算法和遗传算法相结合的ga-ann人工神经网络模型；收集以往生产中钢材热处理的实例数据，建立材料数据库；根据当前待热处理的钢材材料信息和性能要求，设定ga-ann人工神经网络模型的输入层、输出层的学习数据；利用材料数据库中数据对ga-ann人工神经网络模型进行学习和验证；将验证合格的ga-ann人工神经网络模型对待热处理的材料所需的热处理参数进行预判。本发明所提及热处理，指调质、固溶等方法。在本发明实施例中，使用bp算法(errorbackpropagation，反向传播算法)，建立多层神经网络。多层神经网络模型的拓扑结构如图1所示。它由输入层、中间层和输出层组成。中间层也就是隐层，可以是一层或者多层。神经网络学习的基本流程参见图2所示。遗传算法是对生物界自然进化过程的模拟，其通过选择、交叉和变异操作来进行复杂问题的优化求解。基本遗传算法包括染色体编码、个体适应度、遗传算子和运行参数。在本发明实施例中，设定遗传算子包括：选择、交叉和变异3种遗传算子，并定义为一个8元组sga＝＜c，e，p0，m，φ，γ，ψ，t＞式中：c为个体编码方式；e为个体适应度评价函数；p0为初始群体；m为群体大小；φ为选择算子；γ为交叉算子；ψ为变异算子；t为运行终止条件，sga，即(simplegeneticalgorithm，简单遗传算法)。遗传算法基本流程参见图3所示。在本发明实施例中，ga-ann模型的建立，是通过使用神经网络和遗传算法结合的方式，基于上述神经网络拓扑结构，利用遗传算法确定网络连接权重，作为一种可实施方式，将人工神经网络与遗传算法相结合的基本流程参见图4所示。其中，为实现对于目标性能的有效预测，还需要选择合适的激活函数(activationfunction)。在本发明实施例中，激活函数(activationfunctions)对于神经网络模型具有十分重要的作用，它们将非线性特性引入到本发明构建的神经网络中，其主要目的是将ann模型中一个节点的输入信号转换成一个输出信号，输出信号经过堆叠变为下一个层的输入。适用的激活函数需要具备三个性质：非线性：线性函数的组合解决的问题太有限了，碰到非线性问题就束手无策。可微性：当优化方法是基于梯度的时候，这个性质是必须的。单调性：当激活函数是单调的时候，单层网络能够保证是凸函数。本发明提供的适用于本发明ga-ann人工神经网络模型的激活函数有sigmoid函数、tanh函数、relu函数、guassian函数等。如果不运用激活函数的话，则输出信号将仅仅是一个简单的线性函数。线性函数为一个一级多项式。线性方程是很容易解决的，复杂性有限，从数据中学习复杂函数映射的能力更小。一个没有激活函数的神经网络将只不过是一个线性回归模型(linearregressionmodel)，它功率有限，并且大多数情况下执行效果不好。在构建ga-ann人工神经网络模型之前或者之后，或者可同步进行，需要整理建立热处理钢材的材料数据库，基于待热处理的钢材的材料特征以及相应的目标性能，完成输入层、输出层学习数据的构建。训练样本数据的设置以及输入层、输出层学习数据的设置也是影响预测有效性的关键因素。只有找出影响结果的变量，才能得出最正确的带权网络。这也是现有技术中一些观点仅能停留在理论阶段发表论文而无法推广进行实际应用的关键。例如：现有技术中有方案使用神经网络探讨最优回火温度，所使用的参数只有淬火、回火、抗拉强度和屈服强度，而没有意识到每次调质材料的成分、规格、锻压比等变量，因此其所演算的结果实际上预测准确度低，不具备实用性。本发明实施例中，ga-ann人工神经网络模型需要大量的实例进行学习，如果没有实例，就无法完成神经网络的构造，更无法进行预判。因此进行神经网络学习的钢种必须有非常多基础数据。根据钢种归类，收集记录已经生产的钢种规格、主要成分含量(包括影响热处理制度的微量元素)、成材的锻压比、热处理参数、性能指标、使用的热处理炉等。材料根据钢种特性，热处理方式主要有调质(淬火+回火)、固溶时效。以马氏体不锈钢2cr13为例，在收集的记录中，选出输入层、输出层的数据，参见表1和表2所示。表12cr13输入层设定表22cr13输出层设定作为一种可实施方式，本发明提供的热处理方法的主体流程步骤可以包括：a)构建ga-ann人工神经网络模型；b)整理热处理钢材的材料数据库；c)根据材料选择输入层、输出层；d)将一部分数据用于神经网络的学习过程；e)将另一部分数据用于网络验证过程；f)使用验证合格的神经网络来对需要热处理的材料进行预判；g)根据预判的温度对材料进行分组热处理；h)将实际热处理结果与预判结果进行效果对比和评价。本发明实施例还提供一种基于ga-ann人工神经网络模型的热处理装置，包括：构建模块，用于构建神经网络算法和遗传算法相结合的ga-ann人工神经网络模型；数据库模块，用于收集以往生产中钢材热处理的实例数据，建立材料数据库；基本参数设定模块，用于根据当前待热处理的钢材材料信息和性能要求，设定所述ga-ann人工神经网络模型的输入层、输出层的学习数据；训练模块，用于利用所述材料数据库中数据对所述ga-ann人工神经网络模型进行学习和验证；预判模块，用于将验证合格的ga-ann人工神经网络模型对待热处理的材料所需的热处理参数进行预判。为便于进一步理解本发明技术方案，下面列举一个本发明的具体实施例。目前有8批2cr13需要热处理进行调质，调质后的1/2r处的性能要求达到以下要求：表3调质性能要求屈服强度rp0.2抗拉强度rm硬度hbw552-655mpa≥655mpa≤237目前8批2cr13的已知信息如下：表42cr13调质材料信息1)预先构建ga-ann人工神经网络模型，并整理热处理钢材的材料数据库：将近期生成的2cr13调质数据500组录入数据库，其中信息包括规格、锻压比、锭型、炉号、批次号、调质淬回火温度、成分信息、检验的强度和硬度数据等。2)根据材料选择输入层、输出层、构建网络的基本参数、评价标准。表52cr13输入层设定规格c含量mo含量锻压比淬火温度回火温度表62cr13输出层设定屈服强度rp0.2抗拉强度rm硬度hbw优选地，神经网络结构为6-9-3，其中，输入层为6；隐层为一层，结构为9；输出层为3。评价标准：均方误差rmse＜0.001。其中，ti为实际检测结果，yi为神经网络输出值。3)将80％的数据用于神经网络的学习过程形成神经网络。4)将20％的数据用于网络验证。使用绝对误差are来描述网络的泛化能力。其中屈服强度最大绝对误差2.256％，抗拉强度最大绝对误差3.174％，硬度最大绝对误差2.873％。说明网络可以用来进行预测。5)使用验证合格的神经网络来对需要热处理的材料进行预判。根据预判，淬火温度可以使用同一温度960℃，对八组材料回火温度在650-750℃进行计算。表7预判合格性能数据对应的回火温度批次号能够合格的回火温度区间1675-6952665-6853670-6904670-6905665-6856690-7107665-6858665-6856)根据预判的温度对材料进行分组热处理根据回火温度区间批次号6单独回火，回火温度700℃。其余材料一起回火，回火温度680℃。7)将实际热处理结果与预测结果进行效果对比和评价表82cr13检验数据与预测数据对比综上，本发明提供的基于ga-ann人工神经网络模型的热处理方法和装置，可以很好的解决现有技术中不能有效预测采用怎样的热处理参数能够达到目标性能的技术问题，按照本发明上述技术方案，根据检测结果说明：该神经网络模型可以有效的预测不同热处理温度下材料性能，根据预测温度对材料进行分组调质，提高钢材一次性调质合格率，为制定优化热处理工艺提供帮助。以上仅为本发明的优选实施例，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。当前第1页12