[发明专利]一种基于神经网络的透水砖压制成型产线的动态优化方法

权利要求书

1.一种基于神经网络的透水砖压制成型产线的动态优化方法，其特征在于，包括以下步骤：

步骤一：确定透水砖主要性能指标，包括：透水系数、抗折强度、抗冻性以及耐磨性；

步骤二：确定影响透水砖主要性能指标的原材料指标以及生产参数，其中原材料指标包括：骨料粒径、骨料压碎值和骨料级配，生产参数包括：骨胶比、骨胶混合时间、压制成型力值和压制成型时间；

步骤三：分析与处理透水砖性能预测模型的输入与输出变量；

输入变量包括骨料粒径、骨料压碎值、骨料级配、骨胶比、骨胶混合时间、压制成型力值和压制成型时间，将输入变量的n个影响因素转化为自变量P，其中P＝[x₁,x₂,x₃……x_n]，将输入变量标准化处理，公式为：

其中，w_i为自变量权值，b为偏执系数；

输出变量为一层结构，将上一层的透水系数、抗折强度、抗冻性以及耐磨性分别记为y₁、y₂、y₃、y₄；将透水砖主要性能的综合因素记为f，其公式为：

其中，A_i为需要手动赋予的权值，B_i为透水砖不同性能指标的权值，y_i为各个性能指标，n'为性能指标的个数；手动赋予权值的意义在于根据产品性能要求，改变输出变量；最终得到f的最大值作为最优结果；

步骤四：选定神经网络处理数据策略；

首先对自变量函数值进行sigmoid操作，其表达式为：

其中，sigmoid(p(x))∈(0,1)；

将上述公式等效为公式：

sigmoid(p(x_i))＝P(x＝x_i|W)

其中，W为权值；

取似然值最大的结果为最优解，因此引入以下公式：

步骤五：选定神经网络处理模型，利用递归神经网络建立预测透水砖性能的模型；

步骤六：确定神经网络模型的循环次数、学习率和迭代次数；

步骤七：对神经网络模型进行学习训练，通过训练得出最优权重和偏执系数；

步骤八：对已经训练完毕的神经网络模型中进行预测验证，其结果误差小于特定阈值，则认为该神经网络模型有效；

步骤九：随机生成Ai(0≤Ai≤1，且互不相同)，重新进行步骤七与步骤八运算，并生成有效神经网络模型数据库；

步骤十：利用有效神经网络模型数据库，反向求解，通过对产品性能参数的要求设定，输出最优的生产参数；或同时根据原材料参数变化，实时动态优化生产参数，以满足产品性能参数要求，保障产品性能的稳定性。

2.根据权利要求1所述的基于神经网络的透水砖压制成型产线的动态优化方法，其特征在于，步骤三中，骨料粒径、骨料压碎值和骨料级配由在骨料舱顶端的工业相机记录骨料图像，再由图像处理分析系统量化为数值而获得。

3.根据权利要求1所述的基于神经网络的透水砖压制成型产线的动态优化方法，其特征在于，步骤三中，生产参数根据手动输入确定。