买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：北京航空航天大学;中国航发沈阳发动机研究所

摘要：本发明提供了一种基于神经网络的烧结SmCo磁性能预测方法及系统，涉及磁性材料和机器学习应用技术领域。本发明以烧结SmCo永磁体的成分和工艺参数，准确预测烧结SmCo永磁体的磁性参数，成分包括Zr、Cu和Sm元素的重量百分含量，工艺参数主要包括固溶温度、固溶时间、烧结温度、二次烧结温度、二次烧结时间、预时效温度、预时效时间和时效温度。综合成分和工艺参数，来预测磁体的剩磁、矫顽力、最大磁能积和方形度这四个核心性能参数。基于前馈传递和反向传播的原理，构建人工神经网络模型，并在此基础上，优化激活函数和训练集的采样方法，使模型达到理想的拟合和预测效果。

主权项：1.一种基于神经网络的烧结SmCo磁性能预测方法，其特征在于，包括以下步骤：步骤（1）数据获取及整理，获取烧结SmCo的不同特征参数数据与不同磁性能指标数据之间关系的样本数据，构建数据集：步骤1.1：研究特征参量对矫顽力和剩磁的影响机制；烧结SmCo永磁体中含有多种元素，各种元素对磁体的磁性能有不同的影响，烧结SmCo永磁体的微观结构主要是胞状结构，其中胞壁相为富Sm、Cu的1:5相，胞内为2:17相；其中，磁体的矫顽力主要由胞壁相提供，剩磁主要由胞内相提供；增加Sm元素的含量，会导致富Sm的1:5相的形成，而磁体的矫顽力主要依靠1:5相获得，2:17相相对于1:5相来说，能提供的矫顽力有限；烧结型烧结SmCo永磁体的制备工艺包括：计算配料、合金熔炼、制粉、磁场取向与成型、热处理、加工与检测；热处理工艺对磁性能的影响最大，通过不同热处理过程得到的磁体，其组织、结构和元素分布也各不相同；热处理包括：烧结、固溶、时效过程；烧结温度设定为合金熔点的75%-80%；固溶步骤主要调节固溶时间和固溶温度，不同的成分对应的1：7H过饱和相的相区不同；时效是一个多级时效的过程，分为一级时效和二级时效；一级时效的温度在800～850℃，在长时间的一级时效过程中，过饱和的1：7H相会发生调幅分解，形成胞状结构；一级时效结束后，以0.3℃～1.0℃min的速度进行缓冷，使各元素能够均匀分布；缓冷至400℃～500℃，然后保温一段时间，稳定已得到的胞状结构；为了建立训练神经网络模型的数据库，调整不同的热处理参数，获得不同热处理方案下的磁体磁性能；步骤1.2：数据选取，针对各种参数对磁性能的影响，制定实验方案，制备烧结SmCo永磁体，收集整理实验数据；SmCobalFe0.35Cu0.06Zr0.018z，z值代表Sm元素的相对含量，实验中单独改变z值，获得z=7.5、7.575、7.65、7.725、7.8、8.1的磁体的参数和磁性能数据；采用名义成分为SmCobalFe0.33CuxZr0.0187.8的磁体，单独改变Cu含量x，并设置x=0.054、0.058、0.06、0.062、0.066，获得其工艺参数和磁性能数据；固溶温度的范围在1115℃～1150℃，固溶时间在4-30h，首先固定固溶时间在4h，改变固溶温度，得到最佳固溶温度；再以最佳固溶温度，改变固溶时间，确定最佳固溶时间；在最佳固溶时间和固溶温度下，分别在1190℃-1220℃范围内，改变烧结温度，获取一组样本数据；在最佳固溶工艺和最佳烧结温度下，在1140℃-1170℃温度范围内，改变二次烧结温度，并烧结2～6h不等；预时效温度及其时间参数选取为690℃、720℃、750℃，0h、4h、9h、13h，其他条件相同；等温时效温度分别为800℃、810℃、820℃、830℃，其他条件相同；将上述实验所获得的数据整理，得到9组，共64个样本，每条样本中包含3项成分参数，8项制备工艺参数，共11项参数作为样本的特征量；剩磁、矫顽力、最大磁能积和方形度4项参数作为模型的目标参量；步骤（2）构建神经网络模型，对数据集进行预处理，划分为训练集与测试集，构建神经网络模型，其中以训练集中的特征参数数据作为所述神经网络模型的输入，以训练集中对应的磁性能指标数据作为所述神经网络模型的输出；所述特征参数包括成分参数与制备工艺参数，所述成分参数包括Zr元素含量、z值与Cu元素含量；所述制备工艺参数包括：固溶温度、固溶时间、烧结温度、二次烧结温度、二次烧结时间、预时效温度、预时效时间与时效温度；所述预处理是利用原始数据，将各个数据进行线性变换，使归一化之后的数据分布在[0,1]之间；所述神经网络模型的结构包括输入层、隐藏层与输出层；隐藏层与输入层以全连接的方式连接，即隐藏层的每一个神经元都与输入层所有神经元相连接；输出层和隐藏层也采用全连接的方式连接；隐藏层的神经元数量Nj和上一层神经元数量Ni满足经验公式2所示的关系： 2Nj为隐藏层神经元的数量，Ni为上一层的神经元数量，Nj为第j层的神经元数量，Ni为j层上一层，即第i层的神经元数量；步骤（3）训练神经网络模型，训练神经网络模型的权重参数，得到已训练的神经网络模型；训练神经网络模型的权重参数的具体实现为，使用误差反向传播算法迭代更新所述神经网络模型的权重参数，直至训练误差小于设定阈值完成训练，所述训练误差为训练集对应的预测磁性能指标数据与真实磁性能指标数据之间的均方差；步骤（4）测试集测试模型，使用测试集评估已训练的神经网络模型的性能，优化已训练的神经网络模型，进而得到已优化的神经网络模型；所述优化已训练的神经网络模型的具体实现为，对神经网络模型中的隐藏层重复使用不同的激活函数，并重复使用不同的数据集划分方法以划分训练集与测试集，直至测试误差小于设定阈值，所述测试误差为测试集对应的预测磁性能指标数据与真实磁性能指标数据之间的误差百分比；步骤（5）确定模型，将待预测的烧结SmCo磁体对应的特征参数数据输入至已优化的神经网络模型，所述已优化的神经网络模型输出所预测的磁性能指标数据；所述烧结SmCo磁性能指标包括：剩磁、矫顽力、最大磁能积与方形度，所述步骤（2）中的预处理采用归一化处理；所述步骤（2）中，所述输入层单元数量为11，输出层的神经元数量为4，所述隐藏层的神经元数量为23；所述的基于神经网络的烧结SmCo磁性能预测方法通过人工神经网络模型，建立起烧结SmCo永磁体成分和工艺参数与剩磁、矫顽力、最大磁能积和方形度这四个性能参数之间的关系，通过对训练样本的采样方法进行优化，提高模型的拟合精度，并且通过在测试样本上的泛化性的对比，选取激活函数，进一步提高模型的可靠性，以永磁体成分和工艺参数作为模型的输入，预测烧结SmCo磁性能，使模型能预测不同成分和工艺参数下的磁性能。

全文数据：

权利要求：

百度查询： 北京航空航天大学 中国航发沈阳发动机研究所 一种基于神经网络的烧结SmCo磁性能预测方法及系统