基于bp神經(jīng)網(wǎng)絡的鎳基高溫合金微觀組織預測控制方法
【專利摘要】本發(fā)明公開了一種基于BP神經(jīng)網(wǎng)絡的鎳基高溫合金微觀組織預測控制方法。該方法包括如下步驟：(1)根據(jù)歷史模鍛工藝參數(shù)和微觀組織離線訓練預測和控制神經(jīng)網(wǎng)絡模型；(2)利用模鍛工藝參數(shù)由預測神經(jīng)網(wǎng)絡模型預測下一時刻的微觀組織；(3)對預測的微觀組織進行反饋校正并規(guī)劃下一時刻的微觀組織目標值；(4)根據(jù)微觀組織的反饋校正值和目標值，由控制神經(jīng)網(wǎng)絡模型給出系統(tǒng)當前時刻的模鍛工藝參數(shù)；(5)根據(jù)軟測量的微觀組織在線反饋調(diào)整控制和預測神經(jīng)網(wǎng)絡模型；(6)轉(zhuǎn)入步驟2，進入下一時刻的鎳基高溫合金微觀組織的預測控制。本發(fā)明方法能夠快速、準確地在線預測和控制鎳基高溫合金微觀組織，為實現(xiàn)鎳基高溫合金零件的高品質(zhì)鍛造提供了有效的技術(shù)途徑。
【專利說明】
基于BP神經(jīng)網(wǎng)絡的鎳基高溫合金微觀組織預測控制方法
技術(shù)領(lǐng)域：
[00011本發(fā)明屬于鎳基高溫合金加工工程技術(shù)領(lǐng)域，涉及一種基于BP神經(jīng)網(wǎng)絡的鎳基高 溫合金微觀組織預測控制方法。
【背景技術(shù)】：
[0002] 由于鎳基高溫合金抗氧化、抗腐蝕以及卓越的機械性能，這種合金已經(jīng)廣泛應用 于航天航空等材料性能要求極高的領(lǐng)域。鎳基高溫合金的微觀組織特性(再結(jié)晶晶粒尺寸 和再結(jié)晶分數(shù))是影響其各項性能的關(guān)鍵因素。如何在加工過程中控制并改善鎳基高溫合 金的微觀組織特性是一個亟待解決的難題。
[0003] 鎳基高溫合金是一種難加工材料，普通的熱加工工藝很難保證加工材料的均勻 性。等溫模鍛是一種高效的高溫鍛造技術(shù)，可以有效地降低材料的變形阻力和提高金屬流 動的均勻性。因此，等溫模鍛技術(shù)非常適合用來加工鎳基高溫合金，并且能提高鎳基高溫合 金微觀組織的均勻性。研究表明鎳基高溫合金的微觀組織演變極為復雜，顯著受到變形溫 度，應變速率和應變等熱變形參數(shù)的綜合影響。眾多學者開展了大量實驗和理論研究工作， 發(fā)明了多種預測鎳基高溫合金微觀組織演變的方法。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)提出了高精度的鎳基高溫合金動態(tài)再結(jié)晶行為分段模型，可以準確預測鎳基高溫合金 微觀組織演變行為。然而，對等溫模鍛過程中鎳基高溫合金微觀組織演變的控制方法研究 還沒有顯著進展。
[0004] 隨著智能方法的發(fā)展，神經(jīng)網(wǎng)絡、模糊集和支持向量機等方法逐漸引入到多種金 屬材料微觀組織和流變行為的預測建模中，并取得了良好的預測效果。因此，可以提出一種 簡單、快速、高效地預測控制鎳基高溫合金微觀組織的智能方法。自從上世紀70年代模型預 測控制方法被提出以來，這種新型的控制策略經(jīng)過多年的完善和發(fā)展，已經(jīng)廣泛應用于工 業(yè)過程中。本發(fā)明方法基于模型預測控制方法的基本特點，結(jié)合BP神經(jīng)網(wǎng)絡快速、自適應以 及良好的泛化和容錯能力，避免了模型預測控制方法中預測模型難以建立和滾動優(yōu)化耗時 長的難題，提出了一種簡單、快速、高效的鎳基高溫合金微觀組織預測控制方法。

【發(fā)明內(nèi)容】
：
[0005] 本發(fā)明的目的在于提供一種鎳基高溫合金微觀組織預測控制方法，解決鎳基高溫 合金鍛造過程中微觀組織難以控制的難題。
[0006] 本發(fā)明解決上述難題的方案是：
[0007] 基于BP神經(jīng)網(wǎng)絡的鎳基高溫合金微觀組織預測控制方法，該方法包括如下步驟：
[0008] 步驟1:對訓練預測神經(jīng)網(wǎng)絡模型和控制神經(jīng)網(wǎng)絡模型中的參數(shù)進行初始化，根據(jù) 歷史的模鍛工藝參數(shù)和微觀組織信息，離線訓練預測神經(jīng)網(wǎng)絡模型和控制神經(jīng)網(wǎng)絡模型；
[0009] 步驟2:利用模鍛工藝參數(shù)由預測神經(jīng)網(wǎng)絡模型預測下一時刻的微觀組織；
[0010] 步驟3:對預測的微觀組織進行反饋校正，并規(guī)劃下一時刻的微觀組織目標值；
[0011] 步驟4:根據(jù)微觀組織的反饋校正值和目標值，由控制神經(jīng)網(wǎng)絡模型給出系統(tǒng)當前 時刻輸入的模鍛工藝參數(shù)；
[0012] 步驟5:在線軟測量當前時刻的微觀組織，并根據(jù)軟測量的微觀組織信息在線反饋 調(diào)整控制神經(jīng)網(wǎng)絡模型和預測神經(jīng)網(wǎng)絡模型；
[0013] 步驟6:轉(zhuǎn)入步驟2,進入下一時刻的鎳基高溫合金微觀組織的預測控制。
[0014] 按照上述方案，步驟1中所述模型參數(shù)初始化是給定學習速率n、軟化系數(shù)α、權(quán)值 系數(shù)h以及初始的系統(tǒng)輸入。
[0015] 按照上述方案，步驟1中所述根據(jù)歷史的模鍛工藝參數(shù)和微觀組織信息離線訓練 預測神經(jīng)網(wǎng)絡和控制神經(jīng)網(wǎng)絡是根據(jù)已采集的模鍛工藝參數(shù)(上模具速度和位移)和微觀 組織信息(再結(jié)晶晶粒尺寸和再結(jié)晶分數(shù))建立預測神經(jīng)網(wǎng)絡和控制神經(jīng)網(wǎng)絡，以給定在線 訓練預測神經(jīng)網(wǎng)絡和控制神經(jīng)網(wǎng)絡的初始權(quán)值。
[0016] 按照上述方案，步驟1中所述預測神經(jīng)網(wǎng)絡包括兩個神經(jīng)網(wǎng)絡:再結(jié)晶晶粒尺寸預 測神經(jīng)網(wǎng)絡和再結(jié)晶分數(shù)預測神經(jīng)網(wǎng)絡，再結(jié)晶晶粒尺寸預測神經(jīng)網(wǎng)絡表示為：
[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￥分別表示上模具的位移和速度，y和p分別表示再結(jié)晶晶粒尺寸和再結(jié) 晶分數(shù)，yP(k+l)為預測的再結(jié)晶晶粒尺寸，在預測神經(jīng)網(wǎng)絡中選取的傳遞函數(shù)(激活函數(shù)） 都為：
[0019] (2)
[0020]在再結(jié)晶晶粒尺寸預測神經(jīng)網(wǎng)絡中，用U表示輸入[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分別表示隱含層節(jié)點的輸入，隱含層節(jié)點 的輸出，輸出層節(jié)點的輸入以及輸出層節(jié)點的輸出。
[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] 再結(jié)晶分數(shù)預測神經(jīng)網(wǎng)絡表示為：
[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分別表示上模具的位移和速度，y和p分別表示再結(jié)晶晶粒尺寸和再結(jié) 晶分數(shù)，pP(k+l)為預測的再結(jié)晶分數(shù)。在再結(jié)晶分數(shù)預測神經(jīng)網(wǎng)絡中，用U表示輸入[ 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分別表示隱含層 節(jié)點的輸入，隱含層節(jié)點的輸出，輸出層節(jié)點的輸入以及輸出層節(jié)點的輸出。
[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，步驟I中所述由控制神經(jīng)網(wǎng)絡可以表示為：
[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。分別表示再結(jié)晶晶粒尺寸的參考值和校正值，Pr和P。分別表示再結(jié)晶分數(shù) 的參考值和校正值，V表示上模具的速度。在控制神經(jīng)網(wǎng)絡中選取的傳遞函數(shù)與預測神經(jīng)網(wǎng) 絡相同，用Y表示輸入[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)表示隱含層節(jié)點的輸入，隱含層節(jié)點的輸出，輸出層節(jié)點的輸入以及輸出層的輸 出。
[0034]
[0035]
[0036]
[0037]
[0038] 按照上述方案，步驟3中所述對預測輸出進行反饋校正可以描述為:在得到模型的 預測值之后，需要用當前過程(第k時刻)輸出的測量值y(k)和p(k)與模型的預測值^(1〇和 p P(k)的差值分別對第k+Ι時刻的預測值yP(k+lWPpP(k+l)進行修正，修正后的輸出預測值 記為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為權(quán)值系數(shù)，一般取為I.
[0042] 按照上述方案，步驟3中所述規(guī)劃下一時刻的微觀組織目標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)表示微觀組織目標值，yd和Pd為微觀組織目標設定值。a為 柔化系數(shù)，〇<α<1.若a取值較大則預測控制的魯棒性強，但導致系統(tǒng)的響應速度變慢;若a 取值較小則系統(tǒng)的響應速度變快，但是容易出現(xiàn)超調(diào)與震蕩。
[0046] 按照上述方案，步驟5中所述在線軟測量當前時刻的微觀組織數(shù)據(jù)方法可以描述 為：由于微觀組織數(shù)據(jù)無法實時測量，需要引入軟測量方法在線估計微觀組織特性，其中， 軟測量模型可以表示為：
[0047]
|9)
[0048]其中，ddrx表不再結(jié)晶晶粒尺寸，Xdrx表不再結(jié)晶分數(shù)，ε〇.5為動態(tài)再結(jié)晶分數(shù)為 50%時的應變，nd、A與a為材料常數(shù)，Q為變形激活能(J/mol )，ε。初始再結(jié)晶臨界應變，Z為 Zener-Ho I Iomon參數(shù)，ε是應變，?:是應變速率(s-1)，R表示理想氣體常數(shù)(8.31 J/moI/K)，T 是絕對溫度(K)。
[0049] 按照上述方案，步驟5中所述在線反饋調(diào)整預測神經(jīng)網(wǎng)絡可以表述為：當測得第k+ 1時刻的實際輸出y(k+l)和p(k+l)之后，也要對預測神經(jīng)網(wǎng)絡權(quán)值進行在線調(diào)整，以用于預 測下一時刻的輸出量。預測神經(jīng)網(wǎng)絡權(quán)值調(diào)整是基于如下優(yōu)化指標是：
[0050]
(22):
[0051]其中，y(k+lWPyP(k+l)分別表示實際測量的和模型預測的微觀組織信息。
[0052]輸入-隱含層權(quán)值調(diào)整公式為：
[0053]
[0054]
[0055]
[0056]
[0057]
[0058] 其中，η為學習速率，Wl和bl為預測神經(jīng)網(wǎng)絡輸入-隱含層的權(quán)值矩陣和偏移項，W2 和b2為預測神經(jīng)網(wǎng)絡隱含-輸出層的權(quán)值矩陣和偏移項，U為預測神經(jīng)網(wǎng)絡的輸入，hi為預 測神經(jīng)網(wǎng)絡隱含層的輸出。
[0059] 按照上述方案，步驟5中所述在線反饋調(diào)整控制神經(jīng)網(wǎng)絡可以表述為：當測得第k+ 1時刻的實際輸出y(k+l)和p(k+l)之后，就要對控制神經(jīng)網(wǎng)絡權(quán)值進行在線調(diào)整，以用于計 算下一時刻的控制量?？刂粕窠?jīng)網(wǎng)絡權(quán)值調(diào)整是基于模型預測控制的滾動優(yōu)化，優(yōu)化指標 是：
[0060] (27)
[0061] 其中，yr(k+l)和yjk+l)分別表示規(guī)劃的再結(jié)晶晶粒尺寸目標值和模型預測的再 結(jié)晶晶粒尺寸校正值，p r(k+l)和pjk+l)分別表示規(guī)劃的再結(jié)晶分數(shù)目標值和模型預測的 再結(jié)晶分數(shù)校正值。
[0062] 輸入-隱含層權(quán)值調(diào)整公式為：
[0063]
[0064]
[0065]
[0066] 1
[0068]其中，η為學習速率，yP(k+lWPpP(k+l)分別表示模型預測的再結(jié)晶晶粒尺寸和再 結(jié)晶分數(shù)，Wgl和Wg2分別表示再結(jié)晶晶粒尺寸預測神經(jīng)網(wǎng)絡輸入-隱含層和隱含-輸出層的 權(quán)值矩陣，Wpl和Wp2分別表示再結(jié)晶分數(shù)預測神經(jīng)網(wǎng)絡輸入-隱含層和隱含-輸出層的權(quán)值 矩陣，hgl和hpl分別表示再結(jié)晶晶粒尺寸和再結(jié)晶分數(shù)預測神經(jīng)網(wǎng)絡隱含層的輸出，Wcl和 bcl為控制神經(jīng)網(wǎng)絡輸入-隱含層的權(quán)值矩陣和偏移項，Wc2和bc2為控制神經(jīng)網(wǎng)絡隱含-輸 出層的權(quán)值矩陣和偏移項，hcl為控制神經(jīng)網(wǎng)絡隱含層的輸出，Y為控制神經(jīng)網(wǎng)絡的輸入，v 表示模鍛工藝參數(shù)。
[0069] 按照上述方案，利用在線感知的模鍛工藝參數(shù)和鎳基高溫合金微觀組織信息，根 據(jù)步驟5在線調(diào)整預測神經(jīng)網(wǎng)絡和控制神經(jīng)網(wǎng)絡，實現(xiàn)鎳基高溫合金微觀組織特性的精準 快速預測控制。
[0070] 本發(fā)明的有益效果表現(xiàn)為：
[0071] (1)本發(fā)明根據(jù)模鍛工藝參數(shù)和鎳基高溫合金微觀組織信息建立了預測神經(jīng)網(wǎng)絡 模型和控制神經(jīng)網(wǎng)絡模型，避免了復雜鍛造過程中預測模型難以建立以及預測控制中滾動 優(yōu)化耗時長的難題；
[0072] (2)該方法中的預測和控制神經(jīng)網(wǎng)絡權(quán)值是在線更新的，能保證精準快速地預測 和控制鎳基高溫合金微觀組織特性，為實現(xiàn)鎳基高溫合金零件的高品質(zhì)鍛造提供了理論依 據(jù)與技術(shù)支持。
【附圖說明】：
[0073]圖1基于BP神經(jīng)網(wǎng)絡的鎳基高溫合金微觀組織預測控制方法流程圖；
[0074] 圖2再結(jié)晶晶粒尺寸預測神經(jīng)網(wǎng)絡結(jié)構(gòu)圖；
[0075] 圖3再結(jié)晶分數(shù)預測神經(jīng)網(wǎng)絡結(jié)構(gòu)圖；
[0076]圖4控制神經(jīng)網(wǎng)絡結(jié)構(gòu)圖；
[0077] 圖5有限元模擬過程中的上模具速度；
[0078] 圖6再結(jié)晶晶粒尺寸的預測控制結(jié)果；
[0079]圖7再結(jié)晶分數(shù)的預測控制結(jié)果。
【具體實施方式】：
[0080] 下面結(jié)合附圖和【具體實施方式】對本發(fā)明進行詳細的說明。
[0081] 本發(fā)明是一種鎳基高溫合金微觀組織預測控制方法，其流程圖如圖1所示。下面結(jié) 合有限元模擬軟件DEF0RM-3D，詳細介紹本發(fā)明涉及的鎳基高溫合金微觀組織預測控制的 實施細節(jié)，其方法包括：
[0082] 步驟1:對訓練預測神經(jīng)網(wǎng)絡模型和控制神經(jīng)網(wǎng)絡模型中的參數(shù)進行初始化，根據(jù) 歷史的模鍛工藝參數(shù)和微觀組織信息，離線訓練預測神經(jīng)網(wǎng)絡模型和控制神經(jīng)網(wǎng)絡模型； [00 83]初始化參數(shù)主要包括：學習速率n = 0. 〇1，反饋校正權(quán)值系數(shù)h = l，柔化系數(shù)α = 0.9，以及再結(jié)晶晶粒尺寸和再結(jié)晶分數(shù)的設定值分別設置為30μπι和0.8。在DEF0RM-3D的模 擬過程中，摩擦因子設置為0.3,環(huán)境溫度設為20°C，坯料溫度與環(huán)境溫度的對流系數(shù)為 0.02N/(s · mm · °C)，坯料溫度與模具溫度的對流系數(shù)為llN/(s · mm · °C)，等溫模鍛溫度 設置為980°C，坯料初始的平均晶粒尺寸和再結(jié)晶分數(shù)分別為75μπι和0。
[0084] 歷史的模鍛工藝數(shù)據(jù)包括上模具的位移和速度，歷史的鎳基高溫合金微觀組織數(shù) 據(jù)包括再結(jié)晶晶粒尺寸和再結(jié)晶分數(shù)，首先利用這些數(shù)據(jù)訓練預測神經(jīng)網(wǎng)絡和控制神經(jīng)網(wǎng) 絡，得到的權(quán)值矩陣作為在線預測神經(jīng)網(wǎng)絡和控制神經(jīng)網(wǎng)絡的初始權(quán)值矩陣。
[0085] 再結(jié)晶晶粒尺寸預測神經(jīng)網(wǎng)絡的結(jié)構(gòu)如圖2所示，WgleR17x8為輸入層到隱含層的 權(quán)值矩陣，bgl e R17xl為輸入層到隱含層的偏置項，Wg2 e Rlxl7為隱含層到輸出層的權(quán)值矩 陣，bg2eRlxl為隱含層到輸出層的偏置項?；贐P神經(jīng)網(wǎng)絡的再結(jié)晶晶粒尺寸預測模型可 以表示為：
[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分別表示上模具的位移和速度，y和p分別表示再結(jié)晶晶粒尺寸和再結(jié) 晶分數(shù)，yP(k+l)為預測的再結(jié)晶晶粒尺寸。
[0088]再結(jié)晶分數(shù)預測神經(jīng)網(wǎng)絡的結(jié)構(gòu)如圖3所示，Wpl GR17x8為輸入層到隱含層的權(quán)值 矩陣，bpl GR17xl為輸入層到隱含層的偏置項，Wp2eRlxl7為隱含層到輸出層的權(quán)值矩陣， bp2eR lxl為隱含層到輸出層的偏置項?；贐P神經(jīng)網(wǎng)絡的再結(jié)晶分數(shù)預測模型可以表示 為：
[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分別表示上模具的位移和速度，y和p分別表示再結(jié)晶晶粒尺寸和再結(jié) 晶分數(shù)，pP(k+l)為預測的再結(jié)晶分數(shù)。
[0091] 控制神經(jīng)網(wǎng)絡的結(jié)構(gòu)如圖4所示，WcieR13x6為輸入層到隱含層的權(quán)值矩陣，bcie R13xl為輸入層到隱含層的偏置項，Wc2 e Rlxl3為隱含層到輸出層的權(quán)值矩陣，bc2 e Rlxl為隱 含層到輸出層的偏置項?；贐P神經(jīng)網(wǎng)絡的控制模型可以表示為：
[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。分別表示再結(jié)晶晶粒尺寸的參考值和校正值，Pr和p。分別表示再結(jié)晶 分數(shù)的參考值和校正值，V表示上模具的速度。
[0094] 步驟2:利用模鍛工藝參數(shù)由預測神經(jīng)網(wǎng)絡模型預測下一時刻的微觀組織；
[0095]步驟3:對預測的微觀組織進行反饋校正，并規(guī)劃下一時刻的微觀組織目標值；
[0096] 反饋校正可以描述為：由預測神經(jīng)網(wǎng)絡得到模型的預測值之后，需要用當前過程 (第k時刻)輸出的測量值y(k)和p(k)與模型的預測值^(1〇和辦(1〇的差值分別對第k+Ι時刻 的預測值y P(k+l)和pP(k+l)進行修正，修正后的輸出預測值記為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為權(quán)值系數(shù)，一般取為I.
[0099] 規(guī)劃鎳基高溫合金微觀組織目標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)為微觀組織目標值，a為柔化系數(shù)，0<a<l.在實際鍛造過 程控制中為了穩(wěn)定達到目標，a取為〇. 1。yd和Pd為微觀組織目標設定值。
[0103] 步驟4:根據(jù)微觀組織的反饋校正值和目標值，由控制神經(jīng)網(wǎng)絡模型給出系統(tǒng)當前 時刻輸入的模鍛工藝參數(shù)；
[0104] 步驟5:在線軟測量當前時刻的微觀組織，并根據(jù)軟測量的微觀組織信息在線反饋 調(diào)整控制神經(jīng)網(wǎng)絡模型和預測神經(jīng)網(wǎng)絡模型；
[0105] 在線軟測量微觀組織模型可以表示為：
[0106] (39)
[0107]其中，ddrx表不再結(jié)晶晶粒尺寸，Xdrx表不再結(jié)晶分數(shù)，ε〇.5為動態(tài)再結(jié)晶分數(shù)為 50 %時的應變，nd為材料常數(shù)，ε。初始再結(jié)晶臨界應變，Z為Zener-Hol Iomon參數(shù)，ε是應變， ?是應變速率(S4)，R表示理想氣體常數(shù)(8.31J/mol/K)，T是絕對溫度(Κ)。
[0108] 在線反饋調(diào)整預測神經(jīng)網(wǎng)絡可以表述為：當測得第k+Ι時刻的實際輸出y(k+l)和p (k+Ι)之后，也要對預測神經(jīng)網(wǎng)絡權(quán)值進行在線調(diào)整，以用于預測下一時刻的輸出量。再結(jié) 晶晶粒尺寸預測神經(jīng)網(wǎng)絡權(quán)值調(diào)整是基于如下優(yōu)化指標是：
[0109]
(40)
[0110] 輸入-隱含層權(quán)值調(diào)整公式為：
[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] 隱含-輸出層權(quán)值調(diào)整公式為：
[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] 再結(jié)晶分數(shù)預測神經(jīng)網(wǎng)絡權(quán)值調(diào)整是基于如下優(yōu)化指標是：
[0117]
(45)
[0118] 輸入-隱含層權(quán)值調(diào)整公式為：
[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] 隱含-輸出層權(quán)值調(diào)整公式為：
[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] 在線反饋調(diào)整控制神經(jīng)網(wǎng)絡可以表述為：當測得第k+1時刻的實際輸出y(k+l)和p (k+Ι)之后，就要對控制神經(jīng)網(wǎng)絡權(quán)值進行在線調(diào)整，以用于計算下一時刻的控制量?？刂?神經(jīng)網(wǎng)絡權(quán)值調(diào)整是基于模型預測控制的滾動優(yōu)化，優(yōu)化指標是：
[0125]
(50)
[0126] 輸入-隱含層權(quán)值調(diào)整公式為：
[0127]
[0128]
[0129]
[0130]
[0131]
[0132] 步驟6:轉(zhuǎn)入步驟2,進入下一時刻的鎳基高溫合金微觀組織的預測控制。
[0133] 根據(jù)在線感知的模鍛工藝數(shù)據(jù)，以及實時軟測量的鎳基高溫合金微觀組織數(shù)據(jù)， 利用預測神經(jīng)網(wǎng)絡模型預測鎳基高溫合金微觀組織特性(再結(jié)晶晶粒尺寸和再結(jié)晶分數(shù)）， 利用控制神經(jīng)網(wǎng)絡模型給出等溫模鍛的工藝參數(shù)(上模具的速度，如圖5所示），按照這種方 式進行下去可以實現(xiàn)鎳基高溫合金微觀組織的有效預測控制，預測控制結(jié)果如圖6和圖7所 不。
[0134] 從上述結(jié)果可以發(fā)現(xiàn)，本發(fā)明提出的方法能夠快速、準確地預測并控制鍛造過程 中鎳基高溫合金微觀組織特性，為實現(xiàn)鎳基高溫合金零件的高品質(zhì)鍛造提供了可靠的途 徑。
[0135] 上面結(jié)合附圖對本發(fā)明的實例進行了說明，但本發(fā)明不局限于上述具體的實施方 式，上述的【具體實施方式】僅是示例性的。任何不超過本發(fā)明權(quán)利要求的發(fā)明，均在本發(fā)明的 保護范圍之內(nèi)。
【主權(quán)項】
1. 基于BP神經(jīng)網(wǎng)絡的鎳基高溫合金微觀組織預測控制方法，其特征在于可以對鎳基高 溫合金鍛造過程中的微觀組織進行精準快速地預測與控制，該方法包括如下步驟： 步驟1:對訓練預測神經(jīng)網(wǎng)絡模型和控制神經(jīng)網(wǎng)絡模型中的參數(shù)進行初始化，根據(jù)歷史 的模鍛工藝參數(shù)和微觀組織信息，離線訓練預測神經(jīng)網(wǎng)絡模型和控制神經(jīng)網(wǎng)絡模型； 步驟2:利用模鍛工藝參數(shù)由預測神經(jīng)網(wǎng)絡模型預測下一時刻的微觀組織； 步驟3:對預測的微觀組織進行反饋校正，并規(guī)劃下一時刻的微觀組織目標值； 步驟4:根據(jù)微觀組織的反饋校正值和目標值，由控制神經(jīng)網(wǎng)絡模型給出系統(tǒng)當前時刻 輸入的模鍛工藝參數(shù)； 步驟5:在線軟測量當前時刻的微觀組織，并根據(jù)軟測量的微觀組織信息在線反饋調(diào)整 控制神經(jīng)網(wǎng)絡模型和預測神經(jīng)網(wǎng)絡模型； 步驟6:轉(zhuǎn)入步驟2，進入下一時刻的鎳基高溫合金微觀組織的預測控制； 步驟1中所述的訓練預測神經(jīng)網(wǎng)絡模型和控制神經(jīng)網(wǎng)絡模型中參數(shù)是指學習速率，反 饋校正權(quán)值系數(shù)和柔化系數(shù);步驟1、2和4中所述的模鍛工藝參數(shù)是指上模具的位移和速 度;步驟1、2、3、4、5和6中所述的微觀組織信息是指再結(jié)晶晶粒尺寸和再結(jié)晶分數(shù)。2. 如權(quán)利要求1所述方法，其特征在于：步驟2中所述的預測神經(jīng)網(wǎng)絡模型是在線調(diào)整 的，其模型權(quán)值是基于實際測量的與模型預測的微觀組織信息之間誤差進行反饋調(diào)整，預 測神經(jīng)網(wǎng)絡模型權(quán)值調(diào)整是基于如下優(yōu)化指標：其中，y(k+l_yP(k+l)分別表示實際測量的和模型預測的微觀組織信息。 輸入-隱含層權(quán)值調(diào)整公式為： 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) 隱含-輸出層權(quán)值調(diào)整公式為： 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為學習速率，W1和bl為預測神經(jīng)網(wǎng)絡輸入-隱含層的權(quán)值矩陣和偏移項，W2和b2 為預測神經(jīng)網(wǎng)絡隱含-輸出層的權(quán)值矩陣和偏移項，U為預測神經(jīng)網(wǎng)絡的輸入，hi為預測神 經(jīng)網(wǎng)絡隱含層的輸出。3. 如權(quán)利要求1所述方法，其特征在于：步驟4中所述的控制神經(jīng)網(wǎng)絡模型是在線調(diào)整 的，其模型權(quán)值是基于規(guī)劃的微觀組織目標值與模型預測的微觀組織信息校正值之間的誤 差進行反饋調(diào)整：其中，yr(k+l)和yjk+l)分別表示規(guī)劃的再結(jié)晶晶粒尺寸目標值和模型預測的再結(jié)晶 晶粒尺寸校正值，Pr(k+1)和pjk+l)分別表示規(guī)劃的再結(jié)晶分數(shù)目標值和模型預測的再結(jié) 晶分數(shù)校正值。 輸入-隱含層權(quán)值調(diào)整公式為： 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) 隱含-輸出層權(quán)值調(diào)整公式為： 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為學習速率，yP(k+l)*pP(k+l)分別表示模型預測的再結(jié)晶晶粒尺寸和再結(jié)晶 分數(shù)，Wgl和Wg2分別表示再結(jié)晶晶粒尺寸預測神經(jīng)網(wǎng)絡輸入-隱含層和隱含-輸出層的權(quán)值 矩陣，Wpl和Wp2分別表示再結(jié)晶分數(shù)預測神經(jīng)網(wǎng)絡輸入-隱含層和隱含-輸出層的權(quán)值矩 陣，hgl和hpl分別表示再結(jié)晶晶粒尺寸和再結(jié)晶分數(shù)預測神經(jīng)網(wǎng)絡隱含層的輸出，Wcl和 bcl為控制神經(jīng)網(wǎng)絡輸入-隱含層的權(quán)值矩陣和偏移項，Wc2和bc2為控制神經(jīng)網(wǎng)絡隱含-輸 出層的權(quán)值矩陣和偏移項，hcl為控制神經(jīng)網(wǎng)絡隱含層的輸出，Y為控制神經(jīng)網(wǎng)絡的輸入，v 表示模鍛工藝參數(shù)。
【文檔編號】G06F17/50GK106055844SQ201610522135
【公開日】2016年10月26日
【申請日】2016年7月6日
【發(fā)明人】藺永誠, 諶東東, 陳明松
【申請人】中南大學