一种两阶段优化的挤压铸造工艺参数优化设计方法技术

本发明专利技术提供一种两阶段优化的挤压铸造工艺参数优化设计方法，属于挤压铸造工艺参数优化设计领域，以BP神经网络建立挤压铸造工艺参数与性能(质量)指标的关系模型，引入信息熵权法，确定各性能指标对挤压铸造综合质量的影响权重。考虑到传统BP神经网络的低收敛速度、局部最小化以及现有的智能优化算法的局限性，首先使用改进的麻雀算法(LCSSA)优化BP神经网络的初始权重和阈值，以建立挤压铸造工艺参数的设计模型。然后，以挤压铸造的性能(质量)指标参数为优化目标，利用LCSSA进一步优化了设计模型来获得最优工艺参数。该方法无需过多操作，只需要提供实验数据就可得到对应挤压铸件的最优工艺参数，且可以进行多参数的并行设计，适应不同需求。适应不同需求。适应不同需求。

【技术实现步骤摘要】
一种两阶段优化的挤压铸造工艺参数优化设计方法


[0001]本专利技术涉及挤压铸造工艺参数优化设计领域，尤其涉及一种两阶段优化的挤压铸造工艺参数优化设计方法。

技术介绍

[0002]当前，获取挤压铸造工艺参数主要通过物理实验“试错”方法，大量研究围绕特定材料或特定形状的挤压铸件，选择一定范围或者特定工艺参数进行实验，通过分析实验结果从测试的参数水平中选取最优的工艺参数。这种方式其工艺参数受测试水平或者范围限制，并不一定能得到全局最优解；其次，挤压铸造工艺参数较多，受实验成本限制，常常需要固定一定的实验参数，无法实现所有工艺参数的并行设计。而现有挤压铸造研究只涉及利用优化算法优化神经网络模型预测质量和性能数据，或利用未经优化的网络模型寻找工艺参数组合，预测质量、性能数据和寻找工艺参数组合的效果都不好的问题。因此，如何提高传统神经网络模型的预测能力，利用智能优化算法的两个环节来寻找工艺参数，是实现挤压铸造工艺参数智能优化设计的关键。

技术实现思路

[0003]本专利技术的目的在于提供一种两阶段优化的挤压铸造工艺参数优化设计方法，解决现本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种两阶段优化的挤压铸造工艺参数优化设计方法，其特征在于，所述方法包括如下步骤：步骤1：构建挤压铸造工艺参数优化模型；步骤2：使用改进麻雀算法与BP神经网络进行构建的优化神经网络模型，提高挤压铸造工艺参数神经网络模型的预测性能及鲁棒性；步骤3：再次应用改进麻雀算法与信息熵权值法来求解最优挤压铸造工艺参数组合。2.根据权利要求1所述的一种两阶段优化的挤压铸造工艺参数优化设计方法，其特征在于：步骤1中，挤压铸造工艺参数优化模型为：式中n和σ分别代表挤压铸造工艺参数个数和目标参数个数；Y
i
代表第i个铸件性能(或质量)目标参数，1≤i≤σ；X
j
表示第j个挤压铸造工艺参数，1≤j≤t。3.根据权利要求1所述的一种两阶段优化的挤压铸造工艺参数优化设计方法，其特征在于：步骤2中，将神经网络设为输入变量，以铸件性能或者质量目标参数作为输出变量，以实验数据作为学习样本，通过BP神经网络学习构建工艺参数与目标函数的智能预测模型，隐藏层神经元节点数确定的具体算式为：其中，b1为输入层节点数，b2为输出层节点数，d为隐藏层个数，e为[1，10]之间的常数。4.根据权利要求1所述的一种两阶段优化的挤压铸造工艺参数优化设计方法，其特征在于：步骤2中利用改进麻雀算法LCSSA对神经网络模型的具体优化过程为：步骤2.1：为避免改进麻雀算法在后期迭代周期内降低种群多样性，提高初始解的质量，增加种群多样式，结合挤压铸造工艺参数优化模型设置算法初始种群的上下限和优化维度，如下式：L＝{[lb1，ub1]，
…
，[lb
j
′
，ub
j
′
]，
…
，[lb
|OV|
，ub
|OV|
]}，(3)式中lb
j
′
和ub
j
′
分别是变量的下限和上限；而为使算法的震荡性降低，引入Logistic混沌映射增加种群的多样性，其表达式为：μ＝aμ0(1
‑
μ0)，(4)式中μ0∈[0，1]，a∈[0，4]，当a的值越接近4时，μ的取值范围越能平均分布到[0，1]区域；将式(3)和式(4)结合起来得到初始种群中个体的数值p
*,j
′
为：p
*，j
′
＝μ(ub
j
′
‑
lb
j
′
)+lb
j
′
，(5)步骤2.2：LCSSA优化的主要规则如下：根据式(5)得到的个体位置生成l个初始麻雀，即t＝0，每只麻雀代表一个解决方案：
式中0≤i
′
≤l；spa
i
′
代表群体中的第i只麻雀；所有麻雀在优化模型中的适应度函数矩阵表示为：式中每一行的值代表个体的适应度值；因此，为了对适应度值进行排序，我们有当前最优适应度值f
max
(t)和最差适应度值f
min
(t)；式中f(i
′
,t)表示第i只麻雀在第t次迭代时的当前适应度值；模拟麻雀算法中发现者、加入者、警戒者的觅食状态，得到最优解，发现者根据式(6)的初始种群生成新种群。其位置在每次迭代中按如下方式更新；式中α∈(0,1]是均匀随机数；R∈[0,1]是预警值；ST∈[0.5,1]是安全阈值；Q是服从正态分布的随机变量，当R<ST时，觅食环境是安全的，发现者进入广域搜索模式以实现更大的适应性，而当R>ST时，觅食环境是危险的，所有麻雀都需要迅速飞到其他安全区域；麻雀的位置更新可以表示为：式中是迭代t次维度j
′
中当前最差的全局位置；是第(t+1)次迭代时在维度j
′
中的全局位置；L是维度为1
×
l的矩阵，其中所有元素均为1；A是维度为1
×
l的矩阵，其中每个元素随机为1或
‑
1，并且A
+
＝A
T
(AA
T
)，当i
′
＞5.0l时，第i个适应度值较低(即饥饿)的麻雀飞到其他地方以获得足够的能量；警戒者约占执行预警功能的麻雀的10％
‑
20％。位置...

【专利技术属性】
技术研发人员：邓建新，刘光明，王令，农张华，梁嘉威，戴博林，吴秀松，贺德强，李先旺，黎业富，唐伟博，
申请(专利权)人：广西大学，
类型：发明
国别省市：