[發明專利]一種基于PSO-ELM的熱軋板材組織-性能預測方法

有效

• 申請號: 201310752648.X
• 申請日: 2013-12-31
• 公開（公告）號: CN103761423A
• 公開（公告）日: 2014-04-30
• 發明（設計）人: 曹衛華;李熙;吳敏;安劍奇;陳鑫;胡學敏
• 申請（專利權）人: 中南大學
• 主分類號: G06F19/00
• 分類號: G06F19/00
• 代理公司: 長沙市融智專利事務所 43114
• 代理人: 黃美成

1.一種基于PSO-ELM的熱軋板材組織-性能預測方法，其特征在于，包括以下步驟：

步驟1：獲取板材的化學元素含量以及板材的熱軋過程參數；

所述板材的化學元素含量包括碳、硅、錳、磷、硫、銅、鈮、鉻及鋁化學元素的含量，所述板材的熱軋過程參數包括板坯厚度、粗軋坯厚、成品厚度、開軋溫度、終軋溫度及卷曲溫度；

步驟2：建立板材的冷卻速率模型，按照步驟1中獲得的數據求得板材的冷卻速率R_c；

RC=TF-TCtCtC=LCVD]]>

式中，T_F為終軋溫度，T_C為卷曲溫度，t_C為冷卻時間，L_C為實測冷卻段總長度，V_D為甩尾速率；

步驟3：按照步驟1獲取的數據與步驟2獲取的冷卻速率對板材進行力學性能試驗，獲得板材的屈服強度、抗拉強度及延伸率的試驗值；

所述力學性能試驗包括鋼模脹形試驗、杯突試驗和金屬拉伸試驗；

步驟4：建立基于ELM（極限學習機）的熱軋板材組織-性能預測模型；

以步驟1和步驟2獲得的數據作為熱軋板材組織-性能預測模型輸入層的節點數據，以步驟3獲得的屈服強度、抗拉強度及延伸率作為熱軋板材組織-性能預測模型輸出層的節點數據，隱含層至少包括8層；

步驟5：將熱軋板材組織-性能預測模型輸入層與隱含層之間的連接權值和隱含層節點的偏置值作為粒子群搜索空間中的一個粒子，采用粒子群優化算法對粒子進行迭代尋優，設定粒子種群個數，隨機生成粒子位置、速度、慣性權值w、加速參數r1和r2，計算粒子的適應度函數，按照粒子優化群算法中的位置和速度更新公式進行更新，直到滿足迭代條件，輸出最優粒子并賦值給熱軋板材組織-性能預測模型；

設定適應度函數為其中，N為訓練樣本總數，y_ij表示熱軋板材組織-性能預測模型中第j個輸出值的第i次預測值，t_ij為第j個輸出值的第i次試驗獲得的試驗值；

所述迭代條件為迭代次數達到迭代次數設定值或適應度函數小于適應度函數設定值；

步驟6：對與步驟1中所述板材型號相同的板材的熱軋過程參數進行設定，利用設定的熱軋過程參數和板材的化學元素含量作為步驟5獲得的熱軋板材組織-性能預測模型的輸入層的節點參數，以步驟5獲得的熱軋板材組織-性能預測模型的輸出層的輸出結果作為熱軋板材的組織-性能參數的預測值。

2.根據權利要求1所述的基于PSO-ELM的熱軋板材組織-性能預測方法，其特征在于，所述隱含層激活函數為Sigmoidal函數。

3.根據權利要求2所述的基于PSO-ELM的熱軋板材組織-性能預測方法，其特征在于，所述步驟5中粒子優化群算法中的位置x_t+1和速度v_t+1更新公式如下：

vt+1=wvt+r1·rand()·(Pt-xt)+r2·rand()·(Gt-xt)xt+1=xt+vt+1]]>

其中，Pt為粒子的自身最好位置，Gt為全局最好位置，w為慣性權值，r1和r2均為加速參數，rand（）表示從[0，1]隨機取數，v_t為粒子的當前速度，x_t為粒子的當前位置。