基于小样本学习的高温合金增材制造工艺优化预测方法技术

本发明专利技术提供基于小样本学习的高温合金增材制造工艺优化预测方法，包括步骤：获取原始数据样本，构建普通BP网络模型，采用遗传算法改进优化BP网络模型。本发明专利技术针对不同增材制造工艺对高温合金孔隙率性能影响预测问题，以BP网络模型为中心，结合遗传算法优化技术对初始权值和阈值进行寻优，解决了传统BP网络方法在预报应用中，普遍存在的过度拟合、收敛速度慢和泛化能力差等问题，有效改善了传统BP网络模型的预测精度和泛化能力，构建了高温合金增材制造工艺与孔隙率性能的非线性映射关系模型，解决了目前通过大量实验法进行高温合金性能研究而造成的研发周期长、效率低以及成本浪费问题，为新型高温合金研发提供了一种新的技术手段。手段。手段。

【技术实现步骤摘要】
A）公开了“一种基于BP神经网络的轧辊合金力学性能预测方法”，专利技术人通过构建轧辊合金成分、热处理工艺参数和力学性能间的BP网络模型，实现了最优参数组合的筛选。专利技术专利（CN 111241750 A）公开了“一种结合遗传算法的BP网络冷轧带钢力学性能预测方法”，专利技术人以BP网络为中心，利用遗传算法对BP网络进行改进，建立了冷轧带钢力学性能的预测模型，提高了生产效率。然而，长期以来，由于高温合金研发成本高、技术难度大，同时国内激光增材制造领域研究起步较晚，因此急需一种将小样本机器学习技术应用到高温合金性能预测的方法，以解决现有研究工作采用单因素控制变量法，实验量大、研发成本高，难以通过建立简单的数学模型表达不同工艺参数内在联系的问题。

技术实现思路

[0007]为了克服现有普通BP网络技术对于小样本数据预测精度欠佳，同时容易陷入局部最小化的不足，本专利技术的目的在于提供基于遗传算法（Genetic Algorithms，GA）改进BP网络模型（即GA
‑
BP模型）的高温合金工艺
‑
性能预测方法，用于预测不同增材制造工艺下的高温合金孔隙率性能，从而实现工艺参数单独及交互作用下对合金孔隙率的影响分析，为优化最佳工艺参数组合，制备优异耐高温合金，提供一种新的高效技术手段。
[0008]本专利技术提供基于遗传算法改进BP网络模型的高温合金增材制造工艺参数优化预测方法，包括以下步骤：获取原始数据样本，将高温合金试样的孔隙率作为研究对象，确定输入变量和输出变量，开展激光打印，获得原始数据样本；构建普通BP网络模型，确定BP网络拓扑结构，设定训练函数、学习率、传递函数、训练步数和最大允许误差，通过从所述原始数据样本中选取的训练样本构建不同增材工艺
‑
孔隙率的BP网络模型；验证BP网络模型，通过从所述原始数据样本中随机选取的测试样本对构建的BP网络模型进行验证。
[0009]构建GA
‑
BP网络模型，通过种群初始化、适应度函数、选择操作、交叉操作和变异操作，设定GA
‑
BP模型的迭代次数、种群规模、交叉概率以及变异概率等参数，通过从所述原始数据样本中随机选取的训练样本构建不同增材工艺
‑
孔隙率的GA
‑
BP网络模型；验证GA
‑
BP网络模型，通过从所述原始数据样本中随机选取的测试样本对构建的GA
‑
BP网络模型进行验证，并将之与普通BP模型进行对比。
[0010]进一步地，所述获取原始数据样本步骤中，所述输入变量包括激光功率P（单位：w）、激光扫描速度V（单位：mm/s）、扫描间距y（单位：μm）、纵向铺粉厚度D（单位：μm），所述输出变量为样品的孔隙率（平均体积分数%）。
[0011]进一步地，所述构建BP网络模型步骤中，所述BP网络拓扑结构为三层，分别为输入层、隐含层和输出层，输入层节点数为4，输出层节点数为1，隐含层节点数取值范围为[2
‑
10]。
[0012]进一步地，所述构建BP网络模型步骤中，训练函数为TRAINLM，学习函数为LEARGDM，传递函数为Tansig、Purelin，学习率设为0.1，最大迭代次数为2000次，目标误差E为1x10
‑2。
[0013]进一步地，所述验证BP网络模型步骤中，从样本中随机选取未参加BP网络模型训
练的样本，对构建的BP网络模型进行预测检验，通过实测和预测值间的相对误差比较，评价模型的泛化能力。
[0014]进一步地，所述构建GA
‑
BP网络模型步骤中，用遗传算法来优化BP神经网络的初始权值和阈值，使优化后的BP神经网络能够更好地预测函数输出。设置：迭代次数为50次，种群规模为10，交叉概率为0.8，变异概率为0.2。
[0015]进一步地，所述验证GA
‑
BP网络模型步骤中，从样本中选取未参加GA
‑
BP网络模型训练的样本，对构建的GA
‑
BP网络模型进行预测检验，通过实测和预测值间的相对误差比较，评价模型改进后的泛化能力。相比现有技术，本专利技术的有益效果在于：
[0016]本专利技术针对不同增材制造工艺对高温合金孔隙率性能影响预测问题，以BP网络模型为中心，结合遗传算法GA优化初始权值和阈值，解决了传统BP网络方法在预报应用中，普遍存在的过度拟合、收敛速度慢和泛化能力差等问题，有效改善了传统BP网络模型的预测精度和泛化能力，构建了高温合金增材制造工艺参数与孔隙率性能的非线性映射关系模型，解决了目前通过大量实验法进行高温合金性能研究而造成的研发周期长、效率低以及成本浪费问题，为新型高温合金研发提供了一种新的技术手段。
[0017]上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，并可依照说明书的内容予以实施，以下以本专利技术的较佳实施例并配合附图详细说明如后。本专利技术的具体实施方式由以下实施例及其附图详细给出。
附图说明
[0018]此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：图1为本专利技术的基于GA
‑
BP网络模型的高温合金性能预测方法流程图；图2为本专利技术的普通BP网络模型的拓扑结构示意图；图3为本专利技术的4
‑5‑
1三层BP神经网络模型示意图；图4为本专利技术的BP网络均方误差随训练步骤的变化示意图；图5为本专利技术的4
‑6‑
1三层GA
‑
BP神经网络模型示意图；图6为本专利技术实施例中遗传算法改进BP网络模型（GA
‑
BP模型）的适应度函数演变曲线；图7为本专利技术实施例中8组检测样本的孔隙率基于BP和GA
‑
BP网络模型优化前预测值和实际值对比图；图8为本专利技术实施例中8组检测样本的孔隙率基于BP和GA
‑
BP网络模型优化后预测值和实际值对比图。
具体实施方式
[0019]下面，结合附图以及具体实施方式，对本专利技术做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
[0020]基于小样本机器学习的高温合金增材制造工艺参数优化预测方法，如图1所示，包
括以下步骤：获取原始数据样本，以不同激光增材制造工艺参数下高温合金的孔隙率性能数据为训练样本，如表1，输入变量选择激光功率P、激光扫描速度V、扫描间距y、纵向铺粉厚度D，输出变量为试样的孔隙率（平均体积分数%）。
[0021]表1输入变量种类及水平X输入变量因素水平X1激光功率P/w80100120140160180200X2激光扫描速度V/mm/s50080010001200X3扫描间距y/μm6080100X4铺粉厚度D/μm30表2所列为实际测得的40组原始数据样本，随机选取其中的32组作为训练样本，取剩余8组数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于小样本学习的高温合金增材制造工艺优化预测方法，其特征在于，包括以下步骤：获取原始数据样本，将高温合金试样的孔隙率作为研究对象，确定输入变量和输出变量，开展激光打印，获得原始数据样本；构建普通BP网络模型，确定BP网络拓扑结构，设定训练函数、学习率、传递函数、训练步数和最大允许误差，通过从所述原始数据样本中选取的训练样本构建不同增材工艺
‑
孔隙率的BP网络模型；验证BP网络模型，通过从所述原始数据样本中随机选取的测试样本对构建的BP网络模型进行验证；构建GA
‑
BP网络模型，通过种群初始化、适应度函数、选择操作、交叉操作和变异操作，设定GA
‑
BP模型的迭代次数、种群规模、交叉概率以及变异概率等参数，通过从所述原始数据样本中随机选取的训练样本构建不同增材工艺
‑
孔隙率的GA
‑
BP网络模型；验证GA
‑
BP网络模型，通过从所述原始数据样本中随机选取的测试样本对构建的GA
‑
BP网络模型进行验证，并将之与普通BP模型进行对比。2.如权利要求1所述的基于小样本学习的高温合金增材制造工艺优化预测方法，其特征在于：所述获取原始数据样本步骤中，所述输入变量包括激光功率、激光扫描速度、扫描间距、纵向铺粉厚度，所述输出变量为样品的孔隙率。3.如权利要求2所述的基于小样本学习的高温合金增材制造工艺优化预测方法，其特征在于：所述BP网络拓扑结构为三层...

【专利技术属性】
技术研发人员：储林华，詹家干，杨德忠，聂文琪，杨旺生，刘德嵩，林鑫，
申请(专利权)人：安徽海螺集团有限责任公司，
类型：发明
国别省市：