基于BP神经网络模型的插层熔喷材料的性能控制方法

本发明属于人工智能，具体涉及基于bp神经网络模型的插层熔喷材料的性能控制方法。

背景技术：

1、熔喷非织造材料是口罩生产的重要原材料，具有很好的过滤性能，其生产工艺简单、成本低、质量轻等特点，受到国内外企业的广泛关注。但是，由于熔喷非织造材料纤维非常细，在使用过程中经常因为压缩回弹性差而产生问题，特别是对于插层熔喷材料，其插层前后产品的结构性能都会产生变化。相应结构性能都收到则受到插层相关的工艺参数影响，但目前该方面研究不多，也尚未出现能够基于产品相关工艺参数对相应产品性能进行有效控制的控制方法。

技术实现思路

1、本发明目的是提供基于bp神经网络模型的插层熔喷材料的性能控制方法，从而解决对于插层熔喷材料而言，现有技术中缺乏基于产品相关工艺参数对相应产品性能进行有效控制，从而避免熔喷非织造材料因压缩回弹性差影响产品效果的技术问题。

2、所述的基于bp神经网络模型的插层熔喷材料的性能控制方法，包括下列步骤：

3、步骤一、建立灰色关联分析模型分析插层率对结构变量以及产品性能变化的影响；

4、步骤二、根据分析结果建立bp神经网络模型，经训练后获得对相关性能的预测模型；

5、步骤三、根据生产部门获取的相关实际工艺参数对插层熔喷材料的性能进行预测；

6、步骤四、建立多目标线性规划模型，基于预测的产品性能数据进行求解，从而实现对产品满足相关性能约束条件下的最优工艺参数进行求解。

7、优选的，所述步骤一包括：

8、s1.1、确定反映系统行为特征的数据序列x0与影响系统行为的因素组成的数据序列xi(t)；插层率即为反映系统行为特征的数据序列，厚度、孔隙率、压缩回弹性、过滤阻力、过滤效率、透气性这些产品性能为影响系统行为的因素组成的数据序列；

9、s1.2、将参考序列和比较序列进行无量纲处理；

10、s1.3、求灰色关联系数；

11、s1.4、计算灰色关联度；

12、针对以插层率作为母序列的数据变量进行插层前后结构变量与产品性能变化率模型的分析，分析得到插层率之间关联度评价高的结构变量。

13、优选的，所述步骤二包括：

14、s2.1、采集数据并通过配对分类形成相应的输入集和输出集；将接收距离、热风速度作为输入集中的两类输入，对应x1、x2，相应输出集为孔隙率、压缩回弹率，分别用y1、y2、y3表示；

15、s2.2、确定网络结构及变量意义，构建网络；

16、s2.3、基于确定网络结构通过输入集和输出集进行训练，通过多次迭代训练得到对插层后变化较大的相关产品性能进行预测的预测模型。

17、优选的，所述步骤s2.3中包括：

18、s2.3.1、网络初始化；

19、s2.3.2、随机选取第k个输入样本及对应期望输出；

20、s2.3.3、计算隐含层各神经元的输入和输出；

21、s2.3.4、利用网络期望输出和实际输出，计算输出层各神经元的偏导数和对隐含层各神经元的偏导数；

22、s2.3.5、利用输出层各神经元的偏导数δo(k)和隐含层各神经元的输出来修正连接权值；

23、s2.3.6、利用隐含层各神经元的偏导数和输入层各神经元的输入修正连接权权值；

24、s2.3.7、计算全局误差；

25、s2.3.8、判断全局误差是否满足要求。当全局误差达到预设精度或学习次数大于设定的最大次数，则结束算法；否则，选取下一个学习样本及对应的期望输出，返回到步骤s2.3.3，进入下一轮学习，重复上述循环直至达到条件结束算法；

26、训练过程中通过交叉验证集的评价指标不断调整超参数，以得到可靠稳定的预测模型。

27、优选的，bp神经网络模型刻画出了结构变量与产品变量之间的关系，继续运用bp神经网络模型对结构变量与产品性能之间的关系，通过数据进行分析得到在不同实验条件下产品的过滤效率在一个区间，则利用统计学原理取其最高值，再通过工艺参数与结构变量之间的关系可对产品过滤效率最高时的工艺参数进行求解。

28、优选的，所述步骤四中，多目标线性规划模型的数学模型表示为：

29、

30、

31、其中，fi表示第i个目标函数，xi表示第i个决策变量，i＝1，2，...，n，n为决策变量的总数；φj表示第j个约束方程，gj表示第j个约束常数，j＝1，2，...，m，m表示目标函数的个数；x是一个n维的决策变量向量，表示多个决策变量。

32、优选的，所述步骤四中，当接收距离取特定值时，热风速度对厚度、压缩回弹率、过滤率影响的表达式如下：

33、h＝f1(v)

34、y1＝f2(v)

35、z＝f3(v)

36、y2＝f4(z)

37、其中，用s表示接收距离，v表示热风速度，h表示产品的厚度，y1表示产品的压缩回弹率，z表示产品的过滤阻力，y2表示产品的过滤效率，fi表示通过线性回归得到的函数关系；

38、将前述预测结果和预测模型的输入数据中带入上述的相关表达式，基于约束条件求出热风速度v与接收距离s。

39、本发明具有以下优点：本发明针对结构变量和产品性能经插层后的变化规律，建立插层前后结构变量与产品性能变化率模型对问题进行解决，通过建立灰色关联分析模型分析插层率对结构变量以及产品性能变化的影响。利用bp神经网络模型经多次训练，得到较为准确的模型，并对模型进行了检测，准确率较高，预测后的数据可信度较高，建立灰色分析模型对数据进行较好分析，准确性较高分析后结论较为准确。利用多目标线性规划模型对通过工艺参数与结构变量之间的关系可对产品过滤效率最高时的工艺参数进行求解。由此实现了基于产品相关工艺参数对相应产品性能进行有效控制。

技术特征：

1.基于bp神经网络模型的插层熔喷材料的性能控制方法，其特征在于：包括下列步骤：

2.根据权利要求1所述的基于bp神经网络模型的插层熔喷材料的性能控制方法，其特征在于：所述步骤一包括：

3.根据权利要求2所述的基于bp神经网络模型的插层熔喷材料的性能控制方法，其特征在于：所述步骤二包括：

4.根据权利要求3所述的基于bp神经网络模型的插层熔喷材料的性能控制方法，其特征在于：所述步骤s2.3中包括：

5.根据权利要求4所述的基于bp神经网络模型的插层熔喷材料的性能控制方法，其特征在于：bp神经网络模型刻画出了结构变量与产品变量之间的关系，继续运用bp神经网络模型对结构变量与产品性能之间的关系，通过数据进行分析得到在不同实验条件下产品的过滤效率在一个区间，则利用统计学原理取其最高值，再通过工艺参数与结构变量之间的关系可对产品过滤效率最高时的工艺参数进行求解。

6.根据权利要求5所述的基于bp神经网络模型的插层熔喷材料的性能控制方法，其特征在于：所述步骤四中，多目标线性规划模型的数学模型表示为：

7.根据权利要求6所述的基于bp神经网络模型的插层熔喷材料的性能控制方法，其特征在于：所述步骤四中，当接收距离取特定值时，热风速度对厚度、压缩回弹率、过滤率影响的表达式如下：

技术总结
本发明属于人工智能技术领域，公开了基于BP神经网络模型的插层熔喷材料的性能控制方法，包括下列步骤：步骤一、建立灰色关联分析模型分析插层率对结构变量以及产品性能变化的影响；步骤二、根据分析结果建立BP神经网络模型，经训练后获得对相关性能的预测模型；步骤三、根据生产部门获取的相关实际工艺参数对插层熔喷材料的性能进行预测；步骤四、建立多目标线性规划模型，基于预测的产品性能数据进行求解，从而实现对产品满足相关性能约束条件下的最优工艺参数进行求解。本发明实现了插层工艺中基于产品相关工艺参数对相应产品性能进行有效控制。

技术研发人员：林帅帅,陶存辉,陆中瑞,王振,施兆伦
受保护的技术使用者：安徽信息工程学院
技术研发日：
技术公布日：2024/2/21