[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

本發明公開了一種基于神經網絡預測剎車片配方性能的方法，其包括以下步驟：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。通過本方法，可以不經過實際制造和測試對配方的性能參數進行預測，極大減少研制過程的工序，提高研發效率，降低研發成本。

技術領域

本發明涉及摩擦材料領域，尤其是涉及一種基于神經網絡預測剎車片配方性能的方法。

背景技術

任何機械設備與運動的各種車輛都必須要有制動或傳動裝置。摩擦材料是這種制動或傳動裝置上的關鍵性部件。它最主要的功能是通過摩擦來吸收或傳遞動力。如離合器片傳遞動力，制動片吸收動能。它們使機械設備與各種機動車輛能夠安全可靠地工作。所以說摩擦材料是一種應用廣泛又甚關鍵地材料。

傳統的測試摩擦材料的方法為通過實驗測試，即必須將材料實際制成以后再行測試，每調整一次配方都需要完成整個的制造、測試的流程，過程繁瑣，效率很低，很難快速得到需要的配方數據。

發明內容

本發明主要是解決現有技術所存在的無法快速準確預測摩擦材料性能的技術問題，提供一種計算快速、結果準確度高的基于神經網絡預測剎車片配方性能的方法。

本發明針對上述技術問題主要是通過下述技術方案得以解決的：一種基于神經網絡預測剎車片配方性能的方法，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。

通過本方法，可以不經過實際制造和測試對配方的性能參數進行預測，極大減少研制過程的工序，提高研發效率，降低研發成本。

作為優選，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。

作為優選，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。材料的順序為固定順序。

作為優選，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，所有的權重值都會均勻分布在均值附近，誤差不會超過兩倍的方差,則x的取值范圍為（u-2σ,u+2σ），本方案選取標準正態分布函數，也即u=0，σ=1。