[發明專利]光纖預制棒一次拉伸工藝參數預測方法及裝置

在審

• 申請號: 202010978830.7
• 申請日: 2020-09-17
• 公開（公告）號: CN112100940A
• 公開（公告）日: 2020-12-18
• 發明（設計）人: 紀楊建;祝驍陽;沈一春;張燁鋒;徐金田;趙海倫
• 申請（專利權）人: 浙江大學;中天科技精密材料有限公司
• 主分類號: G06F30/28
• 分類號: G06F30/28;G06F30/20;G06N3/04;G06N3/08;G06F119/14;G06F113/08
• 代理公司: 北京潤平知識產權代理有限公司 11283
• 代理人: 陳瀟瀟

1.一種光纖預制棒一次拉伸工藝參數預測方法，其特征在于，包括：

獲取光纖預制棒的棒徑參數，所述光纖預制棒的棒徑參數包括母棒棒徑、拉伸目標棒徑及拉伸后的棒徑；

以所述母棒棒徑、拉伸目標棒徑及拉伸后的棒徑為輸入，經預設的BP神經網絡模型，預測光纖預制棒的拉伸工藝參數，所述拉伸工藝參數包括加工溫度、送入速度及拉伸速度；所述預設的BP神經網絡模型通過遺傳算法對BP神經網絡進行結構優化，以及通過光纖預制棒的歷史加工數據對經遺傳算法優化后的BP神經網絡進行訓練后得到；

所述歷史加工數據包括光纖預制棒的歷史棒徑參數及對應的拉伸工藝參數。

2.根據權利要求1所述的光纖預制棒一次拉伸工藝參數預測方法，其特征在于，所述預設的BP神經網絡模型通過遺傳算法對BP神經網絡進行結構優化，以及通過光纖預制棒的歷史加工數據對經遺傳算法優化后的BP神經網絡進行訓練后得到，包括：

獲取光纖預制棒的歷史加工數據；

對光纖預制棒的歷史加工數據進行預處理；

將經預處理后的歷史加工數據劃分為訓練集、測試集及交叉驗證集；

依據所述訓練集確定BP神經網絡的初始結構，通過所述訓練集對BP神經網絡進行訓練，以經所述測試集及所述交叉驗證集驗證效果最佳的網絡結構構建初始BP神經網絡模型；

依據所述遺傳算法對所述初始BP神經網絡模型進行結構優化，得到優化的BP神經網絡模型；

通過誤差逆向傳播更新所述優化的BP神經網絡模型的網絡結構，得到所述預設的BP神經網絡模型。

3.根據權利要求2所述的光纖預制棒一次拉伸工藝參數預測方法，其特征在于，所述依據所述訓練集確定BP神經網絡的初始結構，包括：

依據所述訓練集中的棒徑參數的個數及對應的拉伸工藝參數確定BP神經網絡的輸入層和輸出層的節點個數；以及

依據經驗公式計算并對比不同隱含層節點個數下的預測效果，確定最優的BP神經網絡隱含層節點個數。

4.根據權利要求2所述的光纖預制棒一次拉伸工藝參數預測方法，其特征在于，所述依據所述遺傳算法對所述初始BP神經網絡模型進行結構優化，得到優化的BP神經網絡模型，包括：

對所述初始BP神經網絡模型的權值和閾值進行實數編碼得到初始種群；

依據所述測試集、交叉驗證集及預設的種群參數，計算個體的適應度，依據個體的適應度從當前種群中選擇最優個體，執行交叉、變異操作，直至達到終止條件，選擇最優的權值和閾值更新所述初始BP神經網絡模型的權值和閾值，得到優化的BP神經網絡模型；

所述種群參數包括種群規模、最大遺傳代數、交叉概率及變異概率。

5.根據權利要求2所述的光纖預制棒一次拉伸工藝參數預測方法，其特征在于，所述通過誤差逆向傳播更新所述優化的BP神經網絡模型的網絡結構，得到所述預設的BP神經網絡模型，包括：

依據所述訓練集中的棒徑參數和對應的拉伸工藝參數對所述優化的BP神經網絡模型進行訓練，計算所述優化的BP神經網絡模型的預測值與期望值的誤差，通過誤差逆向傳播更新所述優化的BP神經網絡模型的權值和閾值，直至達到迭代次數或預測值與期望值的誤差小于設定值，得到所述預設的BP神經網絡模型。

6.一種光纖預制棒一次拉伸工藝參數預測裝置，其特征在于，包括：

數據獲取模塊，被配置為獲取光纖預制棒的棒徑參數，所述光纖預制棒的棒徑參數包括母棒棒徑、拉伸目標棒徑及拉伸后的棒徑；

預測模塊，被配置為以所述母棒棒徑、拉伸目標棒徑及拉伸后的棒徑為輸入，經預設的BP神經網絡模型，預測光纖預制棒的拉伸工藝參數，所述拉伸工藝參數包括加工溫度、送入速度及拉伸速度；所述預設的BP神經網絡模型通過遺傳算法對BP神經網絡進行結構優化，以及通過光纖預制棒的歷史加工數據對經遺傳算法優化后的BP神經網絡進行訓練后得到；

所述歷史加工數據包括光纖預制棒的歷史棒徑參數及對應的拉伸工藝參數。