一种基于tensorflow的神经网络蠕墨铸铁蠕化率预测方法
技术领域
1.本发明属于蠕墨铸铁蠕化率预测技术领域，具体涉及一种基于tensorflow的神经网络蠕墨铸铁蠕化率预测方法。
背景技术：2.由于受到生产条件和原材料质量的影响，通过传统的热分析技术构建的多元线性回归模型预测蠕化率及组织形态难以适应当前严格的工业化生产的要求，且缺乏较高的准确性和适应性，回归方程拟合的公式往往带来较大的误差。因而有必要寻求一种能够进行自适应、自训练的模型。
3.人工神经网络的发展为蠕墨铸铁组织和性能的预测开辟了一条新的途径。它由许多并行操作的计算元素组成，通过具有可变权重的连接，并在学习过程中进行调整以达到目标预期。它具有较强的非线性映射能力、自适应能力和鲁棒性等特点，能逼近任何非线性系统。因此本项目提出了一种基于神经网络的蠕墨铸铁蠕化率预测模型，并结合金相图像处理数据进行分析，实现蠕化率的准确预测。
技术实现要素：4.本发明的目的在于针对现有技术的不足，提供一种基于tensorflow的神经网络蠕墨铸铁蠕化率预测方法，通过对蠕墨铸铁蠕化率的神经网络预测模型的网络结构设计以及训练数据的采集，在确定了神经网络输入神经元、输出神经元、神经激活函数以及隐含层神经元个数的情况下，采用预处理后的样本数据对初步建立的神经网络预测模型进行训练，进而得到可用于检测蠕墨铸铁蠕化率的神经网络预测模型。
5.为实现上述目的，本发明采用如下技术方案：
6.一种基于tensorflow的神经网络蠕墨铸铁蠕化率预测方法，包括以下步骤：
7.步骤s1.通过计算机集成温度数据采集卡对共晶成分蠕墨铸铁铁水温度随时间的变化进行记录并绘制出冷却曲线，从冷却曲线上选取合适的特征值用于确定检测蠕墨铸铁蠕化率的神经网络的输入神经元和输出神经元；
8.步骤s2.选择合适的神经网络神经元激活函数，以确保网络训练的顺利进行和保证模型质量；
9.步骤s3.根据经验公式计算上述神经网络隐含层的神经元个数；
10.步骤s4.根据上述步骤确定的神经网络输入神经元、输出神经元、神经激活函数以及隐含层的神经元个数，建立初步的神经网络预测模型；
11.步骤s5.对输入、输出的样本数据进行预处理，处理后的样本数据用于对步骤s4中建立的初步神经网络预测模型进行训练，得到可用于检测蠕墨铸铁蠕化率的神经网络预测模型。
12.步骤s1中所述从冷却曲线上选取合适的特征值用于确定检测蠕墨铸铁蠕化率的神经网络的输入神经元和输出神经元，所述输入神经元包括蠕墨铸铁共晶生长的最低温度
teu、共晶结束温度ts和共晶再生温度ter，所述输出神经元为蠕墨铸铁蠕化率。
13.步骤s2中所述选择合适的神经网络神经元激活函数，所述神经元激活函数为relu函数。
14.步骤s3中所述根据经验公式计算上述神经网络隐含层的神经元个数，其中，m为输入层神经元个数，n为输出层神经元个数，c为常数，取值范围4～13。
15.步骤s5中所述对输入、输出的样本数据进行预处理，所述预处理的方式为归一化处理，将样本数据全部转化为0-1之间的数据。
16.本发明相对现有技术的有益效果：
17.本发明相比较传统的线性回归构建的模型，通过神经网络构建算法模型对蠕化率进行快速预测，由于神经网络自身的特性，具备自学习能力和自适应能力，当生产原材料或者生产条件发生变化时，只需重新提供足够的数据样本对原始模型重新训练，网络模型即可自行更新，对生产过程中的蠕化质量具有较大的指导意义。
附图说明
18.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
19.图1为本发明一种基于tensorflow的神经网络蠕墨铸铁蠕化率预测方法的流程图；
20.图2为本发明神经网络的结构示意图；
21.图3为本发明实施例中神经网络误差随步长变化的示意图；
22.图4为本发明实施例中蠕化率预测结果示意图。
具体实施方式
23.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
24.实施例：参见图1-4。
25.如图1所示，一种基于tensorflow的神经网络蠕墨铸铁蠕化率预测方法，包括以下步骤：
26.步骤s1.通过计算机集成温度数据采集卡对共晶成分蠕墨铸铁铁水温度随时间的变化进行记录并绘制出冷却曲线，从冷却曲线上选取合适的特征值用于确定检测蠕墨铸铁蠕化率的神经网络的输入神经元和输出神经元；
27.步骤s2.在深度学习中，常用的激活函数主要有：sigmoid函数，tanh函数，relu函数，为确保网络训练的顺利进行和保证模型质量，需要对神经网络确定合适的神经元激活函数；
28.步骤s3.隐含层神经元数目是影响神经网络性能的重要参数，一般来说，神经元数
目过少会降低预测性能，影响模型的稳定性，反之数目过多会对训练数据造成过度拟合且增加训练所需的时间，影响模型的实用性，故根据经验公式计算上述神经网络隐含层的神经元个数；
29.步骤s4.根据上述步骤确定的神经网络输入神经元、输出神经元、神经激活函数以及隐含层的神经元个数，建立初步的神经网络预测模型；
30.步骤s5.对输入、输出的样本数据进行预处理，处理后的样本数据用于对步骤s4中建立的初步神经网络预测模型进行训练，得到可用于检测蠕墨铸铁蠕化率的神经网络预测模型。
31.具体的，如图2所示，步骤s1中所述从冷却曲线上选取合适的特征值用于确定检测蠕墨铸铁蠕化率的神经网络的输入神经元和输出神经元，共晶过冷温度teu是石墨形核过程结束时的温度，之后石墨核开始生长，teu越高则球化效果越好；共晶再生温度ter是由于共晶潜热使共晶凝固期间冷却温度再次上升的温度，所以ter越高说明凝固潜热越多，形核和生长的速度也就越快，相应的石墨面积会增加、蠕化率等会提高；因此输入层选择teu、ter和ts作为预测球化率的输入神经元，所述输出神经元为蠕墨铸铁蠕化率。
32.步骤s2中所述选择合适的神经网络神经元激活函数，所述神经元激活函数为relu函数。
33.步骤s3中所述根据经验公式计算上述神经网络隐含层的神经元个数，其中m为输入层神经元个数，n为输出层神经元个数，c为常数，取值范围4～13。本实施例中经过运算择优选取隐含层神经元数目为11。
34.步骤s5中所述对输入、输出的样本数据进行预处理，所述预处理的方式为归一化处理，将样本数据全部转化为0-1之间的数据
35.请参阅图3-4，下面通过一个实例对本发明一种基于tensorflow的神经网络蠕墨铸铁蠕化率预测方法作进一步说明。
36.实验说明：原材料主要包括蠕化剂，孕育剂，废钢，增碳剂。按蠕铁制动鼓现场要求的成分配料，具体成分如下表1。
37.表1蠕墨铸铁原铁水成分和控制后终成分
[0038][0039]
实验过程：以废钢为基本炉料，用增碳剂和硅铁调整含碳量和含硅量，采用300kg中频感应炉中熔炼，采用蠕化剂r2a(加入量0.05％～0.18％)和孕育剂yfy-8(加入量为0.53％～0.62％)。
[0040]
蠕化和孕育均釆用包底冲入法；铁水出炉温度为1510-1550℃上下，试样浇注温度为1380-1420℃。采用热分析样杯采集刚进行蠕化、孕育处理的蠕墨铸铁的热分析凝固曲线，同时浇铸显微组织分析试样，并测定该样杯凝固试样的蠕化率，然后将采集稳定的热分析凝固曲线、相应的特征值teu、ter、ts和蠕化率存储在数据库，实验部分数据如表2所示。
[0041]
表2：实验采集的部分特征温度数据
[0042][0043]
为充分训练神经网络，从采集的24组冷却曲线热分析数据中随机抽取20组数据作为训练样本，其余4组用来检验神经网络的预测效果。首先依据本发明方法建立初步的神经网络模型，在确定神经网络的各项参数之后，应用tensorflow的神经网络工具箱对模型进行仿真和训练，并通过反复修正神经元间连接的权重，直到误差达到所需的值，如图3所示为训练过程中网络误差的变化趋势，由图中可以看出，在经过训练后，对蠕墨铸铁蠕化率进行预测的神经网络模型网络误差最小达到了0.006，表明bp神经网络可以准确拟合特征温度和蠕化率之间的关系。
[0044]
进一步地，为验证上述神经网络预测模型的准确性。将验证样本的特征温度作为训练后神经网络的输入，可以得出相应的蠕化率的预测结果如下表3所示。
[0045]
表3蠕化率的预测结果比较
[0046][0047]
将上表数据的真实值与预测值进行比对，如图4所示，图中显示的蠕化率的预测结果和实际值非常接近，相对误差不超过3.64％，表明应用训练后的神经网络算法来预测蠕墨铸铁的蠕化率具有较高的准确性，且该预测模型能够有效表征蠕墨铸铁特征温度点和蠕化率之间的关系。
[0048]
综上所述，相比较传统的线性回归构建的模型，本发明方法基于神经网络构建的算法模型对蠕化率进行快速预测是可行的，且由于神经网络自身的特性，具备自学习能力和自适应能力，所以当生产原材料或者生产条件发生变化时，只需重新提供足够的数据样本对原始模型重新训练，网络模型即可自行更新。因此本发明方法采用神经网络的新型热分析仪具备更加广阔的可行性和可推广性，尤其对生产过程中的蠕化质量具有较大的指导意义。
[0049]
以上所述，仅是本发明的较佳实施例而已，并非对本发明的结构作任何形式上的限制。凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均属于本发明的技术方案范围内。
技术特征：1.一种基于tensorflow的神经网络蠕墨铸铁蠕化率预测方法，其特征在于，包括以下步骤：步骤s1.通过计算机集成温度数据采集卡对共晶成分蠕墨铸铁铁水温度随时间的变化进行记录并绘制出冷却曲线，从冷却曲线上选取合适的特征值用于确定检测蠕墨铸铁蠕化率的神经网络的输入神经元和输出神经元；步骤s2.选择合适的神经网络神经元激活函数，以确保网络训练的顺利进行和保证模型质量；步骤s3.根据经验公式计算上述神经网络隐含层的神经元个数；步骤s4.根据上述步骤确定的神经网络输入神经元、输出神经元、神经激活函数以及隐含层的神经元个数，建立初步的神经网络预测模型；步骤s5.对输入、输出的样本数据进行预处理，处理后的样本数据用于对步骤s4中建立的初步神经网络预测模型进行训练，得到可用于检测蠕墨铸铁蠕化率的神经网络预测模型。2.根据权利要求1所述的一种基于tensorflow的神经网络蠕墨铸铁蠕化率预测方法，其特征在于，步骤s1中所述从冷却曲线上选取合适的特征值用于确定检测蠕墨铸铁蠕化率的神经网络的输入神经元和输出神经元，所述输入神经元包括蠕墨铸铁共晶生长的最低温度teu、共晶结束温度ts和共晶再生温度ter，所述输出神经元为蠕墨铸铁蠕化率。3.根据权利要求1所述的一种基于tensorflow的神经网络蠕墨铸铁蠕化率预测方法，其特征在于，步骤s2中所述选择合适的神经网络神经元激活函数，所述神经元激活函数为relu函数。4.根据权利要求1所述的一种基于tensorflow的神经网络蠕墨铸铁蠕化率预测方法，其特征在于，步骤s3中所述根据经验公式计算上述神经网络隐含层的神经元个数，其中，m为输入层神经元个数，n为输出层神经元个数，c为常数，取值范围4～13。5.根据权利要求1所述的一种基于tensorflow的神经网络蠕墨铸铁蠕化率预测方法，其特征在于，步骤s5中所述对输入、输出的样本数据进行预处理，所述预处理的方式为归一化处理，将样本数据全部转化为0-1之间的数据。
技术总结本发明公开了一种基于Tensorflow的神经网络蠕墨铸铁蠕化率预测方法，通过对蠕墨铸铁蠕化率的神经网络预测模型的网络结构设计以及训练数据的采集，在确定了神经网络输入神经元、输出神经元、神经激活函数以及隐含层神经元个数的情况下，采用预处理后的样本数据对初步建立的神经网络预测模型进行训练，进而得到可用于检测蠕墨铸铁蠕化率的神经网络预测模型。本发明相比传统的预测模型，通过神经网络构建算法模型对蠕化率进行快速预测，由于神经网络自身的特性，具备自学习能力和自适应能力，当生产原材料或者生产条件发生变化时，只需重新提供足够的数据样本对原始模型重新训练，网络模型即可自行更新，对生产过程中的蠕化质量具有较大的指导意义。化质量具有较大的指导意义。化质量具有较大的指导意义。
技术研发人员：杨湘杰 杨明浩 叶寒 顾嘉 李全 白宇轩 姜乐付 杨福玲
受保护的技术使用者：南昌大学
技术研发日：2022.06.15
技术公布日：2022/11/1
