[發明專利]一種鋁電解電容器用陽極鋁箔性能預測方法

在審

• 申請號: 202011172586.1
• 申請日: 2020-10-28
• 公開（公告）號: CN112289392A
• 公開（公告）日: 2021-01-29
• 發明（設計）人: 潘斯寧;梁力勃;楊小飛
• 申請（專利權）人: 廣西賀州市桂東電子科技有限責任公司
• 主分類號: G16C60/00
• 分類號: G16C60/00;G16C20/70;G06N3/04;G06N3/08;G06N3/12
• 代理公司: 南寧深之意專利代理事務所(特殊普通合伙) 45123
• 代理人: 盧穎

本發明提供一種鋁電解電容器用陽極鋁箔性能預測方法，通過收集生產線上的工藝參數及對應的產品性能指標，篩選整理成數據集，并將數據集分為訓練集和測試集；然后構建三層BP神經網絡系統，數據集中每一組數據包含的工藝參數的個數為輸入層神經元節點數，每一組數據包含的產品性能指標的個數為輸出層神經元節點數，采用GA、MEA、PSO三種算法對初始BP神經網絡進行優化，利用訓練集進行模型的訓練，對比三種算法優化后得到的BP神經網絡模型的預測精度，從中選擇預測精度最高的優化算法，構建用于預測陽極鋁箔性能的優化BP神經網絡預測模型。本發明提高了模型預測準確率和泛化能力，為其制造工藝的設計和優化提供一定的理論指導。

技術領域

本發明屬于材料科學技術領域，特別涉及一種鋁電解電容器用陽極鋁箔性能預測方法。

背景技術

陽極鋁箔是制造鋁電解電容器的關鍵原材料，主要工作介質為生長在高純鋁箔表面的陽極氧化膜，是由具有100織構的高純鋁箔(純度高達99.99％以上)經過腐蝕擴面和陽極化成制備而成，屬于典型的金屬功能材料。陽極鋁箔生產技術是一項綜合多學科多領域的高新技術，主要包括腐蝕擴面和陽極化成兩大工序。陽極鋁箔的全流程生產過程中涉及多達幾十個工藝參數，產品性能指標也接近十種，制造過程參數對最終陽極鋁箔的性能指標影響很大，且非線性影響因素較多，各性能參數之間相互關聯，通過常規實驗測試及生產線調試得到最優工藝參數的難度較大。因此，尋求陽極鋁箔生產過程參數與性能指標之間的關系，以實現工藝參數優化與性能預測，在保證陽極鋁箔質量的前提下，縮短產品研發周期，降低生產過程中的電能消耗，一直是陽極鋁箔制造企業研發的瓶頸技術，以及制約陽極鋁箔行業發展的關鍵問題。

“材料基因工程”是近年來國際材料領域興起的顛覆性前沿技術，通過采用高通量并行迭代方法替代傳統試錯法中的多次順序迭代方法，逐步由“經驗指導實驗”向“理論預測和實驗驗證相結合”的材料研究新模式轉變，以提高新材料的研發效率。人工神經網絡技術作為智能制造領域中的一項先進技術，為解決多維非線性系統及模型未知系統的預測和優化提供了一條新途徑。

現有針對鋁電解電容器用陽極鋁箔的性能預測，多是基于以往生產測試結果進行人工推測，或者是利用少量實驗室正交試驗結果進行預測，預測結果的準確性無法有效保證。現有的針對工藝參數進行材料性能預測的神經網絡模型，多是采用單一算法進行優化，準確率較低，泛化能力較弱，對于陽極鋁箔性能預測時涉及到大量相互影響的工藝參數和性能指標的情形，適用性較差，預測精度較低。

發明內容

針對現有的對陽極鋁箔工藝參數進行材料性能預測的神經網絡模型存在的上述問題，本發明提供一種鋁電解電容器用陽極鋁箔性能預測方法，有效提高陽極鋁箔性能預測的精度。

本發明是通過以下技術方案實現的：

一種鋁電解電容器用陽極鋁箔性能預測方法，包括以下步驟：

(1)收集實際生產線上的工藝參數及對應的產品性能指標，篩選整理成神經網絡模型的數據集，并將數據集的80％作為訓練集，另外20％作為測試集；

(2)BP神經網絡系統建模，確定初始BP神經網絡的拓撲結構參數、初始權值和閾值；

(3)分別采用GA、MEA、PSO三種算法對初始BP神經網絡進行優化，利用訓練集進行模型的訓練；

(4)利用測試集中的數據，對比三種算法優化后得到的BP神經網絡模型的預測精度，從中選擇預測精度最高的優化算法，構建用于預測陽極鋁箔性能的優化BP神經網絡預測模型；

(5)利用優化后的BP神經網絡模型進行鋁電解電容器用陽極鋁箔電學性能和力學性能的預測，指導制造工藝的設計和優化。

作為本發明鋁電解電容器用陽極鋁箔性能預測方法的進一步改進，步驟(1)所述的工藝參數為：