本發(fā)明涉及硅鋼質(zhì)量預(yù)測，尤其涉及一種基于元啟發(fā)式優(yōu)化算法的硅鋼質(zhì)量預(yù)測模型構(gòu)建方法。

背景技術(shù)：

1、在硅鋼的生產(chǎn)過程中，質(zhì)量控制至關(guān)重要。硅鋼作為電力設(shè)備中的核心材料之一，直接影響著設(shè)備的性能和效率。然而，在復(fù)雜的制造過程中，硅鋼的質(zhì)量問題往往是難以預(yù)測的。諸如形狀超出限定精度、表面缺陷等問題常常存在，這些問題不僅影響著硅鋼產(chǎn)品的外觀質(zhì)量，更直接地影響其磁性能和損耗特性。

2、質(zhì)量預(yù)測成為了確保硅鋼產(chǎn)品質(zhì)量的關(guān)鍵步驟。通過在制造過程中預(yù)測硅鋼的質(zhì)量，生產(chǎn)者可以及時調(diào)整工藝參數(shù)，優(yōu)化生產(chǎn)流程，提高產(chǎn)品的一致性和性能，進(jìn)而提高生產(chǎn)效率和經(jīng)濟(jì)效益。

3、然而，實際應(yīng)用中存在諸多挑戰(zhàn)。硅鋼的制造過程受到多種因素的影響，如材料去除行為、內(nèi)應(yīng)力演化、微觀組織演變等，以及機(jī)械、特種和復(fù)合能場的復(fù)雜耦合作用。這些因素使得硅鋼產(chǎn)品的質(zhì)量預(yù)測變得異常復(fù)雜。目前，雖然有許多基于機(jī)器學(xué)習(xí)算法的質(zhì)量預(yù)測方法，但它們往往只考慮了單一工序或較少的工藝參數(shù)，無法全面反映產(chǎn)品質(zhì)量的影響因素，導(dǎo)致預(yù)測結(jié)果的不準(zhǔn)確性和可靠性不高。

4、因此，急需一種能夠綜合考慮多個工序和多個工藝參數(shù)的硅鋼質(zhì)量預(yù)測新型算法?；诋?dāng)前研究現(xiàn)狀，本發(fā)明旨在提出一種基于元啟發(fā)式優(yōu)化算法與bp神經(jīng)網(wǎng)絡(luò)相結(jié)合的工藝優(yōu)化及質(zhì)量預(yù)測模型，以解決上述挑戰(zhàn)，從而為硅鋼產(chǎn)品的質(zhì)量控制和生產(chǎn)效率提升提供有效的解決方案。

技術(shù)實現(xiàn)思路

1、針對現(xiàn)有技術(shù)的不足，本發(fā)明提供了一種基于元啟發(fā)式優(yōu)化算法的硅鋼質(zhì)量預(yù)測模型構(gòu)建方法，解決了現(xiàn)有技術(shù)中硅鋼質(zhì)量難以全面的預(yù)測以及預(yù)測結(jié)果不準(zhǔn)確性和可靠性不高的技術(shù)問題。

2、為解決上述技術(shù)問題，本發(fā)明提供了如下技術(shù)方案：一種基于元啟發(fā)式優(yōu)化算法的硅鋼質(zhì)量預(yù)測模型構(gòu)建方法，該方法包括以下步驟：

3、s1、獲取硅鋼整體加工的硅鋼數(shù)據(jù)，并基于硅鋼數(shù)據(jù)構(gòu)建基礎(chǔ)硅鋼預(yù)測模型，硅鋼數(shù)據(jù)包括硅鋼整體加工的全工序和工藝參數(shù)；

4、s2、根據(jù)任一硅鋼的生產(chǎn)工藝標(biāo)準(zhǔn)確定工藝參數(shù)的上下限，并根據(jù)工藝參數(shù)的上下限設(shè)定元啟發(fā)式優(yōu)化算法用以初始化粒子種群的相關(guān)參數(shù)；

5、s3、基于fenr搜索規(guī)則在可行區(qū)域內(nèi)確定粒子種群中當(dāng)前個體粒子的位置，并根據(jù)當(dāng)前個體粒子的位置計算適應(yīng)度值fitness；

6、s4、根據(jù)當(dāng)前個體粒子的適應(yīng)度值fitness更新全局最優(yōu)位置得到全局最優(yōu)位置，并將其位置信息輸入至基礎(chǔ)硅鋼預(yù)測模型中用以實現(xiàn)更新工藝參數(shù)；

7、s5、根據(jù)工藝參數(shù)的上下限判斷全局最優(yōu)位置是否在工藝標(biāo)準(zhǔn)范圍內(nèi)；

8、若是，則結(jié)束；

9、若否，則對基礎(chǔ)硅鋼預(yù)測模型的參數(shù)進(jìn)行優(yōu)化，然后返回至步驟s3。

10、進(jìn)一步地，在步驟s1中，具體過程包括以下步驟：

11、s11、記錄采集到的全工序加工數(shù)據(jù)，并根據(jù)工序和工藝參數(shù)的對應(yīng)關(guān)系進(jìn)行整理和標(biāo)記；

12、s12、將采集到的全工序加工數(shù)據(jù)進(jìn)行存儲至數(shù)據(jù)庫中，并使用數(shù)據(jù)庫的數(shù)據(jù)存儲方式獲得完整的硅鋼數(shù)據(jù)；

13、s13、采用完整的硅鋼數(shù)據(jù)對bp神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練得到基礎(chǔ)硅鋼預(yù)測模型。

14、進(jìn)一步地，在步驟s2中，具體過程包括以下步驟：

15、s21、根據(jù)任一硅鋼對應(yīng)號牌的生產(chǎn)工藝標(biāo)準(zhǔn)確定工藝參數(shù)的上下限，并采用歸一化方法將工藝參數(shù)的上下限歸一化至[-1,1]之間；

16、s22、采用公式將歸一化后的工藝參數(shù)的上下限生成隨機(jī)粒子種群，其中，表示第n個總體的第j個維度的位置，rand表示(0,1)之間的隨機(jī)數(shù)，ub表示隨機(jī)數(shù)生成的上界，即upper?bound；lb表示下界，即lower?bound；

17、s23、初始化粒子種群的相關(guān)參數(shù)xn，xn可以描繪所有維度的種群的種群矩陣，即：

18、

19、其中，n＝1,2,…；np＝1,2,…,dim；j＝1,2,…,dim。

20、進(jìn)一步地，在步驟s3中，具體過程包括以下步驟：

21、s31、采用fenr搜索規(guī)則和相關(guān)參數(shù)xn+1令粒子種群更準(zhǔn)確地探索可行區(qū)域并獲得更好的位置；

22、

23、xn+1＝xn-fenr

24、其中，randn表示均值為0、方差為1的正態(tài)分布隨機(jī)數(shù)；xw表示最差位置；xb表示最佳位置，表示當(dāng)前位置；

25、s32、對當(dāng)前位置進(jìn)行更新得到當(dāng)前個體粒子的位置更新公式為：

26、

27、其中，r1和r2是從總體中隨機(jī)選擇的不同整數(shù)；和分別表示種群中隨機(jī)選取的兩個不同個體的位置向量；a，b為預(yù)設(shè)常數(shù)；fitness為適應(yīng)度值；

28、s33、根據(jù)當(dāng)前個體粒子的位置計算以便選擇出最優(yōu)解和用于進(jìn)一步優(yōu)化操作的適應(yīng)度值fitness。

29、進(jìn)一步地，在步驟s33中，適應(yīng)度值fitness的計算公式為：

30、fitness＝-α×mse+(1-α)×r2

31、

32、其中，yi是第i個樣本的實際測量值，即目標(biāo)值；f(xi)是基礎(chǔ)硅鋼預(yù)測模型對第i個樣本的預(yù)測值；mse為平均預(yù)測誤差；r2為分?jǐn)?shù)，表示基礎(chǔ)硅鋼預(yù)測模型解釋的方差比例；α是一個權(quán)衡均方誤差和r2分?jǐn)?shù)貢獻(xiàn)的參數(shù)，取值范圍為(0≤α≤1)；fitness是適應(yīng)度值；n為樣本總數(shù)；為實際測量值的平均值。

33、進(jìn)一步地，在步驟s4中，具體過程包括以下步驟：

34、s41、更新fenr搜索規(guī)則以實現(xiàn)更新全局最優(yōu)位置得到全局最優(yōu)位置具體的，更新fenr搜索規(guī)則的表達(dá)式為：

35、

36、其中，

37、yw＝r1×(mean(zn+1+xn)+r1×δx)×fitness(zn+1)

38、yb＝r1×(mean(zn+1+xn)-r1×δx)×fitness(zn+1)

39、

40、上式中，zn+1為根據(jù)當(dāng)前位置和隨機(jī)數(shù)計算出的下一個位置；yw和yb分別是使用zn+1和xn生成的兩個向量的位置；(fitness(yw)-fitness(yb))為適應(yīng)度差異，用以加權(quán)fenr搜索規(guī)則，強(qiáng)調(diào)適應(yīng)度更高的位置對更新的貢獻(xiàn)更大；r1表示(0,1)之間的隨機(jī)數(shù)；xn為相關(guān)參數(shù)；xw表示最差位置；xb表示最佳位置，表示當(dāng)前位置。

41、全局最優(yōu)位置的表達(dá)式為：

42、

43、其中，和分別表示種群中隨機(jī)選取的兩個不同個體的位置向量；a，b為預(yù)設(shè)常數(shù)；為更新當(dāng)前位置得到的當(dāng)前個體粒子的位置。

44、s42、將全局最優(yōu)位置帶入基于適應(yīng)度值的陷阱規(guī)避算法中得到位置信息

45、s43、將全局最優(yōu)位置的位置信息作為基礎(chǔ)硅鋼預(yù)測模型的輸入用以更新工藝參數(shù)。

46、進(jìn)一步地，在步驟s42中，位置信息的計算公式為：

47、

48、μ1＝β×3×rand+(1-β)

49、μ2＝β×rand+(1-β)

50、其中，θ1、θ2分別為(-1,1)和(-0.5,0.5)之間的一致隨機(jī)數(shù)；μ1、μ2為隨機(jī)數(shù)；rand為(0,1)之間的均勻隨機(jī)數(shù)；β為探索調(diào)節(jié)因子，取值范圍是[0，1]。

51、進(jìn)一步地，在步驟s5中，對基礎(chǔ)硅鋼預(yù)測模型的內(nèi)參數(shù)進(jìn)行優(yōu)化，具體過程包括以下步驟：

52、s51、提取基礎(chǔ)硅鋼預(yù)測模型的內(nèi)參數(shù)并保存為參數(shù)集合x后并編碼得到二進(jìn)制編碼的內(nèi)參數(shù)；

53、s52、設(shè)置bp神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元數(shù)量ninput＝3，隱藏層神經(jīng)元數(shù)量nhidden＝10，輸出層神經(jīng)元數(shù)量noutput＝1，輸入層與隱藏層之間的權(quán)重矩陣為w1，隱藏層與輸出層之間的權(quán)重矩陣為w2，隱藏層和輸出層的偏置向量分別為b1和b2；

54、s53、將二進(jìn)制編碼的內(nèi)參數(shù)解碼為實數(shù)值，并將其映射得到優(yōu)化后的工內(nèi)參數(shù)，其中包含將解碼后的工藝參數(shù)映射到大小為nhidden×ninput的權(quán)重矩陣w1的每個元素位置、映射到大小為noutput×nhidden的權(quán)重矩陣w2的每個元素位置以及映射到長度分別為nhidden和noutput的偏置向量b1和b2的每個元素位置，最終得到經(jīng)過優(yōu)化后的內(nèi)參數(shù)。

55、借由上述技術(shù)方案，本發(fā)明提供了一種基于元啟發(fā)式優(yōu)化算法的硅鋼質(zhì)量預(yù)測模型構(gòu)建方法，至少具備以下有益效果：

56、1、本發(fā)明使用基于元啟發(fā)式算法優(yōu)化的bp神經(jīng)網(wǎng)絡(luò)構(gòu)建質(zhì)量預(yù)測模型對硅鋼質(zhì)量預(yù)測，綜合考慮多個工序及多個工藝參數(shù)，實現(xiàn)全工序、多工藝參數(shù)的產(chǎn)品質(zhì)量的預(yù)測，保證了模型預(yù)測的準(zhǔn)確性。

57、2、本發(fā)明適用于硅鋼制造過程的產(chǎn)品質(zhì)量預(yù)測方法，可實現(xiàn)產(chǎn)品質(zhì)量精準(zhǔn)預(yù)測，在后續(xù)生產(chǎn)中可以根據(jù)質(zhì)量預(yù)測結(jié)果及時調(diào)整關(guān)鍵工藝參數(shù)，優(yōu)化制造和裝配過程，提高產(chǎn)品的質(zhì)量和一致性，從而提高制造效率和經(jīng)濟(jì)效益。