[发明专利]基于神经网络的感应热沉积钙磷涂层工艺预测方法

摘要

本发明公开了一种基于神经网络的感应热沉积钙磷涂层工艺预测方法，包括利用感应热沉积法制备钙磷涂层，采集测试样本；利用测试样本拟合出训练样本；建立BP神经网络，采用Levenberg‑Marquardt算法，利用训练样本训练网络，并用测试样本测试网络的泛化能力；设计正交水平的工艺参数作为输入参数，利用训练好的网络仿真输出参数，构造正交样本；分析计算所取得的正交样本，预测工艺参数对沉积过程的影响。本发明成功利用了神经网络的数据挖掘能力，分析了感应热沉积的三个工艺参数时间，频率，温度与沉积速率的关系，从而有效指导钙磷涂层制备工艺设计。

主权项

一种基于神经网络的感应热沉积钙磷涂层工艺预测方法，其特征在于，包括以下步骤：a.在实验室条件下采用感应热沉积法，在碳/碳复合材料表面制备钙磷涂层，通过数据采集装置记录实验过程中的时间、频率和温度三个工艺参数以及对应的涂层沉积重量，整理实验数据，构造测试样本，即整理成3输入1输出的测试样本，其中时间、频率和温度作为输入参数，沉积量作为输出参数；b.将在上述第a步骤中的数据采集装置采集并整理的测试样本数据向数据分析系统输入，利用在上述第a步骤中构造出的测试样本数据，通过数据分析系统绘制时间、频率和温度三个工艺参数与涂层沉积重量的关系图，然后利用数据分析系统在图中有规律地取点，读取点坐标数据，每取一个点坐标数据，便可得到一组以时间、频率、温度为输入参数，以涂层沉积重量为输出参数的样本数组，样本数组汇总后，可以得到一个3输入1输出的训练样本集；c.通过上述第b步骤中的数据分析系统建立BP神经网络系统，利用在上述第b步骤中拟合的训练样本，采用Levenberg‑Marquardt算法训练网络系统，并用在上述第a步骤中构造的测试样本测试网络的泛化能力，即首先将时间、频率和温度三个工艺参数进行归一化处理，处理结果作为BP神经网络的输入参数，涂层沉积重量作为输出参数，在兼顾训练样本的误差函数小于目标设定值和测试样本的泛化能力优先的前提下，确定并保存该BP神经网络的结构及参数，BP神经网络系统的结构采用尝试法来确定BP网络系统的网络隐层的层数和每层的隐单元数，决策条件为训练样本的误差性能指数小于设定的目标值，并且满足测试样本的泛化能力较优；d.利用在上述第c步骤中训练好的BP神经网络系统输出的涂层沉积重量参数，使涂层沉积重量参数对应在设定时间区域、设定频率范围和设定温度区间内有规律取值，构造设定数量的正交水平输入样本，然后对正交水平输入样本按照在上述第c步骤中的归一化方法进行处理，处理结果数据再作为BP神经网络的输入参数输入数据分析系统，利用在上述第c步骤中训练好的网络进行仿真，得到相应的涂层沉积重量输出参数，然后整理数据，构造出完整的设定维数的正交样本；e.在上述第d步骤中的数据分析系统中，继续分析计算在上述第d步骤中获得的正交样本数据，分别分析时间、频率和温度三个工艺参数对涂层沉积重量参数的影响关系，从而得到时间、频率和温度三个工艺参数对涂层沉积重量的作用规律。