[發明專利]一種基于神經網絡預測剎車片配方性能的方法

在審

• 申請號: 202011443094.1
• 申請日: 2020-12-11
• 公開（公告）號: CN112417708A
• 公開（公告）日: 2021-02-26
• 發明（設計）人: 章涵博
• 申請（專利權）人: 杭州博鐠科技有限公司
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06F30/17;G06N3/04;G06N3/08
• 代理公司: 杭州知見專利代理有限公司 33295
• 代理人: 盧金元

1.一種基于神經網絡預測剎車片配方性能的方法，其特征在于，包括以下步驟：

S1、將剎車片配方數據分為材料數據與實際性能參數數據；

S2、將材料數據固定為一個輸入矩陣；

S3、構建神經網絡模型，神經網絡模型的輸出為一組預測性能參數；

S4、將輸入矩陣送入神經網絡模型進行訓練；

S5、計算神經網絡模型得出的預測性能參數和實際性能參數之間的誤差；

S6、根據誤差結果調整神經網絡模型；

S7、將需要預測的材料數據輸入調整后的神經網絡模型，得到預測的性能參數。

2.根據權利要求1所述的一種基于神經網絡預測剎車片性能的方法，其特征在于，所述材料數據包括材料名稱和重量占比，所有材料重量占比之和為1；所述性能參數數據包括7個評價指標以及各個評價指標的數值，評價指標包括正常摩擦系數、高溫摩擦系數、體積磨損、質量磨損、沖擊強度、比重和硬度，實際性能參數數據由實驗得到。

3.根據權利要求2所述的一種基于神經網絡預測剎車片性能的方法，其特征在于，所述步驟S2中，輸入矩陣X[x1,x2,…,xi,xn]長度為所有配方材料數量和，數據矩陣第i個位置對應第i個材料的占比，若當前配方沒有對應材料，則矩陣對應位置為0。

4.根據權利要求1或3所述的一種基于神經網絡預測剎車片性能的方法，其特征在于，所述步驟S3中，神經網絡模型包括三個全連接層，各個層之間采用全連接方式，各層次之間的輸入輸出權重由以下方式確定：

初始權重為截斷的正態分布函數，初始偏置全部為0；

正態分布函數為：

u為均值，σ為方差，x的取值范圍為（u-2σ,u+2σ）。

5.根據權利要求4所述的一種基于神經網絡預測剎車片性能的方法，其特征在于，模型訓練的步數為1000-3000，學習率為0.001-0.01。

6.根據權利要求5所述的一種基于神經網絡預測剎車片性能的方法，其特征在于，模型輸出的性能參數為O[o1,o2,…,on]，配方的實際性能參數為Y[y1,y2,…,yn]，計算誤差E采用以下公式：

E=0.5×(O-Y)²

式中，O與Y作矩陣減法。

7.根據權利要求6所述的一種基于神經網絡預測剎車片性能的方法，其特征在于，反向調整時采用誤差函數最小化方法，具體為：

設W_ij為權重矩陣中的某個值，則對W_ij的調整公式如下：

W_ij=W_ij+ηe

e的計算方法如下，由于E=0.5×(O-Y)²：

上述求偏導數遵循鏈式求導法則，重復上述步驟，直到達到訓練次數要求為止。