[发明专利]一种基于GA-ELM算法的铝合金压铸件晶粒尺寸预测方法

说明书

本发明公开了一种基于GA‑ELM算法的铝合金压铸件晶粒尺寸预测方法，包括：(1)将遗传算法(GA)与极限学习机(ELM)结合的新算法GA‑ELM；(2)利用GA‑ELM算法实现对晶粒尺寸高效率、高精度及低成本的预测；(3)用户直接将需要预测的工艺参数输入到已训练好的GA‑ELM模型中，经过计算后便可得到对应的晶粒尺寸预测值。本发明将遗传算法和极限学习机相结合的GA‑ELM模型，采用GA对ELM的输入层权值矩阵和隐含层阈值矩阵进行优化，避免了输入层权值矩阵和隐含层阈值矩阵随机性对ELM预测精度的影响，提高了预测准确率和预测效率，成本也大大降低，另外也能够丰富铝合金压铸件晶粒尺寸预测方法的模型库。

技术领域

本发明涉及铝合金压铸成型控制领域，特别是涉及一种基于GA-ELM算法的铝合金压铸件晶粒尺寸预测方法。

背景技术

铝合金压铸件广泛应用于汽车、飞机等装备制造业，压铸件质量将直接决定装备产品的质量。我们在避免铝合金压铸件缺陷的同时，压铸件本身的机械性能也同样值得重视，压铸件机械性能越高，则压铸件使用寿命越长，可靠性越高，进而影响整体装配产品的寿命及可靠性。

决定材料机械性能最本质的因素是铸件内部晶粒的形貌、大小、取向和分布等微观组织情况。铝合金在压铸凝固的过程中，受不同压铸工艺条件的影响，凝固后的微观组织有所不同，微观组织的改变对压铸件的机械性能有强烈的影响，微观组织的控制是获得高质量压铸件的关键。

晶粒尺寸的影响，实质是晶界面积大小的影响。晶粒越细小则晶界面积越大，对性能的影响也越大。对于金属的常温力学性能来说，一般是晶粒越细小，则强度和硬度越高，同时塑性和韧性也越好。这是因为，晶粒越细，塑性变形也越可分散在更多的晶粒内进行，使塑性变形越均匀，内应力集中越小；而且晶粒越细，晶界面越多，晶界越曲折；晶粒与晶粒中间犬牙交错的机会就越多，越不利于裂纹的传播和发展，彼此就越紧固，强度和韧性就越好。本研究内容针对的汽车空压机端盖在常温下工作，通常满足晶粒越细越好。

因此在实际的压铸工艺制定过程中，要在考虑到压铸件缺陷最小的同时，选取晶粒尺寸最小的压铸工艺参数，以保证获得高质量的铝合金压铸件。传统的晶粒尺寸的预测方法包括利用模拟软件进行模拟、经验法以及BP神经网络、支持向量机、原始极限学习机等非线性预测等方法。模拟软件进行模拟精度较高，但是耗时非常长，效率低；经验法就是工程师直接根据以往的工程经验估计晶粒尺寸，预测时间段、效率高，但是这种方法要求工程师必须经验丰富，即使如此，预测精度也不高；BP神经网络存在易陷入局部最优解、网络结构不易确定；支持向量机的参数确定困难；原始极限学习机具有参数设置少，学习速度快，泛化性能好的优点，但是该算法随机产生输入层与隐含层间的权值矩阵及隐含层偏移量，初始权值、阈值参数对结果影响较大，不易获得最优ELM模型进行预测，实验法就是对每组工艺样本数据进行实际生产验证，这种方法不仅预测效率极低，而且成本高昂。因此，我们需要找到一种适用于这类复杂问题的新方法，准确、高效地预测铝合金压铸件晶粒尺寸等微观组织参数。

发明内容

本发明要解决的技术问题是：提供一种基于GA-ELM算法的铝合金压铸件晶粒尺寸预测方法，低成本、高效率、高精度，以解决现有技术中存在的问题。

本发明采取的技术方案为：一种基于GA-ELM算法的铝合金压铸件晶粒尺寸预测方法，该方法包括以下步骤：

(1)参数确定：选取模具预热温度、压射温度、低速充型速度、高速充型速度的工艺参数作为输入参数；

(2)通过软件模拟或实验的方法获取预测的数据样本，将数据样本分为训练集和测试集；

(3)使用遗传算法(GA)优化极限学习机(ELM)的初始权值和阈值，从而获得新算法GA-ELM算法；

(4)使用步骤(2)中获得的训练集数据样本对步骤(3)中的GA-ELM新算法进行训练，其中作为训练效果评价指标的个体适应度值选为训练集数据样本中最后六组样本数据对应的晶粒尺寸的预测误差平均值；