本發(fā)明涉及鋁合金壓鑄成型控制領(lǐng)域，特別是涉及一種基于GA-ELM算法的鋁合金壓鑄件晶粒尺寸預(yù)測方法。
背景技術(shù)：
：鋁合金壓鑄件廣泛應(yīng)用于汽車、飛機等裝備制造業(yè)，壓鑄件質(zhì)量將直接決定裝備產(chǎn)品的質(zhì)量。我們在避免鋁合金壓鑄件缺陷的同時，壓鑄件本身的機械性能也同樣值得重視，壓鑄件機械性能越高，則壓鑄件使用壽命越長，可靠性越高，進而影響整體裝配產(chǎn)品的壽命及可靠性。決定材料機械性能最本質(zhì)的因素是鑄件內(nèi)部晶粒的形貌、大小、取向和分布等微觀組織情況。鋁合金在壓鑄凝固的過程中，受不同壓鑄工藝條件的影響，凝固后的微觀組織有所不同，微觀組織的改變對壓鑄件的機械性能有強烈的影響，微觀組織的控制是獲得高質(zhì)量壓鑄件的關(guān)鍵。晶粒尺寸的影響，實質(zhì)是晶界面積大小的影響。晶粒越細小則晶界面積越大，對性能的影響也越大。對于金屬的常溫力學(xué)性能來說，一般是晶粒越細小，則強度和硬度越高，同時塑性和韌性也越好。這是因為，晶粒越細，塑性變形也越可分散在更多的晶粒內(nèi)進行，使塑性變形越均勻，內(nèi)應(yīng)力集中越小；而且晶粒越細，晶界面越多，晶界越曲折；晶粒與晶粒中間犬牙交錯的機會就越多，越不利于裂紋的傳播和發(fā)展，彼此就越緊固，強度和韌性就越好。本研究內(nèi)容針對的汽車空壓機端蓋在常溫下工作，通常滿足晶粒越細越好。因此在實際的壓鑄工藝制定過程中，要在考慮到壓鑄件缺陷最小的同時，選取晶粒尺寸最小的壓鑄工藝參數(shù)，以保證獲得高質(zhì)量的鋁合金壓鑄件。傳統(tǒng)的晶粒尺寸的預(yù)測方法包括利用模擬軟件進行模擬、經(jīng)驗法以及BP神經(jīng)網(wǎng)絡(luò)、支持向量機、原始極限學(xué)習(xí)機等非線性預(yù)測等方法。模擬軟件進行模擬精度較高，但是耗時非常長，效率低；經(jīng)驗法就是工程師直接根據(jù)以往的工程經(jīng)驗估計晶粒尺寸，預(yù)測時間段、效率高，但是這種方法要求工程師必須經(jīng)驗豐富，即使如此，預(yù)測精度也不高；BP神經(jīng)網(wǎng)絡(luò)存在易陷入局部最優(yōu)解、網(wǎng)絡(luò)結(jié)構(gòu)不易確定；支持向量機的參數(shù)確定困難；原始極限學(xué)習(xí)機具有參數(shù)設(shè)置少，學(xué)習(xí)速度快，泛化性能好的優(yōu)點，但是該算法隨機產(chǎn)生輸入層與隱含層間的權(quán)值矩陣及隱含層偏移量，初始權(quán)值、閾值參數(shù)對結(jié)果影響較大，不易獲得最優(yōu)ELM模型進行預(yù)測，實驗法就是對每組工藝樣本數(shù)據(jù)進行實際生產(chǎn)驗證，這種方法不僅預(yù)測效率極低，而且成本高昂。因此，我們需要找到一種適用于這類復(fù)雜問題的新方法，準(zhǔn)確、高效地預(yù)測鋁合金壓鑄件晶粒尺寸等微觀組織參數(shù)。技術(shù)實現(xiàn)要素：本發(fā)明要解決的技術(shù)問題是：提供一種基于GA-ELM算法的鋁合金壓鑄件晶粒尺寸預(yù)測方法，低成本、高效率、高精度，以解決現(xiàn)有技術(shù)中存在的問題。本發(fā)明采取的技術(shù)方案為：一種基于GA-ELM算法的鋁合金壓鑄件晶粒尺寸預(yù)測方法，該方法包括以下步驟：(1)參數(shù)確定：選取模具預(yù)熱溫度、壓射溫度、低速充型速度、高速充型速度的工藝參數(shù)作為輸入?yún)?shù)；(2)通過軟件模擬或?qū)嶒灥姆椒ǐ@取預(yù)測的數(shù)據(jù)樣本，將數(shù)據(jù)樣本分為訓(xùn)練集和測試集；(3)使用遺傳算法(GA)優(yōu)化極限學(xué)習(xí)機(ELM)的初始權(quán)值和閾值，從而獲得新算法GA-ELM算法；(4)使用步驟(2)中獲得的訓(xùn)練集數(shù)據(jù)樣本對步驟(3)中的GA-ELM新算法進行訓(xùn)練，其中作為訓(xùn)練效果評價指標(biāo)的個體適應(yīng)度值選為訓(xùn)練集數(shù)據(jù)樣本中最后六組樣本數(shù)據(jù)對應(yīng)的晶粒尺寸的預(yù)測誤差平均值；(5)對步驟(4)訓(xùn)練好后的GA-ELM晶粒尺寸預(yù)測模型進行測試，將測試樣本數(shù)據(jù)輸入到GA-ELM模型中，將GA-ELM模型輸出的預(yù)測值與測試集的實際值進行對比，評價GA-ELM模型的精度；(6)根據(jù)步驟(5)的評價結(jié)果調(diào)整GA-ELM算法本身的參數(shù)設(shè)置，并且不斷重復(fù)步驟(5)，直到GA-ELM模型的精度達到設(shè)定值；(7)通過步驟(6)選擇到的GA-ELM模型作為最終模型，我們再為步驟(1)中的四個工藝參數(shù)賦值后，通過GA-ELM模型得到相應(yīng)的晶粒尺寸預(yù)測值。本發(fā)明的有益效果：與現(xiàn)有技術(shù)相比，本發(fā)明效果如下：(1)本發(fā)明采用最終獲得的GA-ELM模型對鋁合金壓鑄件晶粒尺寸預(yù)測，能夠?qū)崿F(xiàn)預(yù)測的低成本、高效率、高精度；(2)本發(fā)明將遺傳算法和極限學(xué)習(xí)機相結(jié)合的GA-ELM模型，采用GA對ELM的輸入層權(quán)值矩陣和隱含層閾值矩陣進行優(yōu)化，避免了輸入層權(quán)值矩陣和隱含層閾值矩陣隨機性對ELM預(yù)測精度的影響，提高了預(yù)測準(zhǔn)確率和預(yù)測效率，成本也大大降低，另外也能夠豐富鋁合金壓鑄件晶粒尺寸預(yù)測方法的模型庫；(3)本發(fā)明獲得GA-ELM模型是一種高精度、較高效、滿足工程要求的模型。其預(yù)測精度高于GA-BP模型和原始ELM模型，訓(xùn)練效率高于GA-BP模型，但低于原始ELM模型。附圖說明圖1是本發(fā)明中所述GA-ELM算法流程圖；圖2是本發(fā)明中所述的晶粒尺寸預(yù)測流程圖；圖3是汽車空壓機端蓋的結(jié)構(gòu)示意圖；圖4是方框內(nèi)為汽車空壓機端蓋接口部位；圖5是遺傳算法進化結(jié)果；圖6是GA-ELM模型測試集預(yù)測結(jié)果對比；圖7是GA-ELM模型測試集預(yù)測結(jié)果誤差；圖8是GA-BP模型測試集預(yù)測結(jié)果對比；圖9是ELM模型測試集預(yù)測結(jié)果對比。具體實施方式下面結(jié)合附圖及具體的實施例對本發(fā)明進行進一步介紹。實施例：一種基于GA-ELM算法的鋁合金壓鑄件晶粒尺寸預(yù)測方法，該方法包括以下步驟：(1)影響鋁合金壓鑄件晶粒尺寸的壓鑄工藝參數(shù)較多，本方法選取模具預(yù)熱溫度、壓射溫度、低速充型速度、高速充型速度這四個影響最大的工藝參數(shù)作為輸入?yún)?shù)；(2)通過軟件模擬或?qū)嶒灥姆椒ǐ@得預(yù)測的數(shù)據(jù)樣本，將數(shù)據(jù)樣本分為訓(xùn)練集和測試集；(3)使用遺傳算法(GA)優(yōu)化極限學(xué)習(xí)機(ELM)的初始權(quán)值和閾值，從而獲得新算法GA-ELM算法；(4)使用步驟(2)中獲得的訓(xùn)練集數(shù)據(jù)樣本對步驟(3)中的GA-ELM新算法進行訓(xùn)練，其中作為訓(xùn)練效果評價指標(biāo)的個體適應(yīng)度值選為訓(xùn)練集數(shù)據(jù)樣本中最后六組樣本數(shù)據(jù)對應(yīng)的晶粒尺寸的預(yù)測誤差平均值；(5)對步驟(4)訓(xùn)練好后的GA-ELM晶粒尺寸預(yù)測模型進行測試，將測試樣本數(shù)據(jù)輸入到GA-ELM模型中，將GA-ELM模型輸出的預(yù)測值與測試集的實際值進行對比，評價GA-ELM模型的精度；(6)根據(jù)步驟(5)的評價結(jié)果調(diào)整GA-ELM算法本身的參數(shù)設(shè)置，并且不斷重復(fù)步驟(5)，直到GA-ELM模型的精度達到設(shè)定值；(7)通過步驟(6)選擇到的GA-ELM模型作為最終模型，通過這個模型，我們再為步驟(1)中的四個工藝參數(shù)賦值后，無需實驗或軟件模擬，就可立刻得到相應(yīng)的晶粒尺寸預(yù)測值，大大節(jié)約時間及成本。實施例2：ELM基本原理ELM是2006年由南洋理工大學(xué)教授HuangGuangBin提出來的一種新型前饋神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法，與傳統(tǒng)的單隱層前饋神經(jīng)網(wǎng)絡(luò)相比，具有分類準(zhǔn)確率高、泛化能力好、調(diào)節(jié)參數(shù)少等優(yōu)點。ELM神經(jīng)網(wǎng)絡(luò)的輸入層權(quán)值矩陣和隱含層閾值矩陣是隨機產(chǎn)生的，并且在之后的運算中無需調(diào)整。由理論可知，只需要設(shè)置隱含層節(jié)點的數(shù)量，便可以獲得唯一的最優(yōu)解。對于給定的輸入樣本，隱含層神經(jīng)元的輸出矩陣的計算公式為H＝g(WXT+b)(1)式中：W為輸入層權(quán)值矩陣；b為隱含層閾值矩陣；W和b隨機產(chǎn)生。神經(jīng)網(wǎng)絡(luò)的輸出值為P＝(HTβ)(2)式中：β為隱含層到輸出層的權(quán)值矩陣，只要確定β即可唯一確定ELM神經(jīng)網(wǎng)絡(luò)。對于給定的訓(xùn)練輸出樣本Y，用輸出樣本替代網(wǎng)絡(luò)輸出值，則權(quán)值矩陣β可以根據(jù)式(3)求出。其解為：式中：(HT)+為轉(zhuǎn)置矩陣HT的Moore-Penrose廣義逆。ELM算法流程如下：(1)確定隱含層神經(jīng)元個數(shù)，隨機設(shè)定輸入層與隱含層間的連接權(quán)值ω和隱含層神經(jīng)元的偏置b；(2)選擇一個無限可微的函數(shù)作為隱含層神經(jīng)元的激活函數(shù)，進而計算隱含層輸出矩陣H；(3)計算輸出層權(quán)值GA優(yōu)化ELM模型由以上ELM基本原理可知，其W和b隨機產(chǎn)生。在隱含層節(jié)點相同的條件下，同一組訓(xùn)練集訓(xùn)練ELM模型，其網(wǎng)絡(luò)擬合性能會由于W和b的隨機產(chǎn)生導(dǎo)致很大差異。遺傳算法(GA)具有很強的全局尋優(yōu)能力，利用GA為ELM模型尋找最優(yōu)的初始輸入層權(quán)值矩陣W和隱含層閾值矩陣b，可以提高ELM模型的擬合精度，獲取最優(yōu)ELM模型。GA-ELM訓(xùn)練步驟如下：(1)首先讀入實驗數(shù)據(jù)。將實驗數(shù)據(jù)分成訓(xùn)練集和測試集，并將數(shù)據(jù)進行歸一化處理，避免因?qū)嶒灁?shù)據(jù)數(shù)量級相差較大而造成預(yù)測誤差較大；(2)調(diào)用遺傳算法(GA)尋找ELM算法最優(yōu)的初始輸入層權(quán)值矩陣和隱含層閾值矩陣。種群中的每個個體都包含了一個ELM網(wǎng)絡(luò)的所有權(quán)值和閾值，個體通過適應(yīng)度函數(shù)計算個體適應(yīng)度值，遺傳算法通過選擇、交叉和變異操作找到最小適應(yīng)度值對應(yīng)個體；個體適應(yīng)度函數(shù)取為ELM網(wǎng)絡(luò)對訓(xùn)練集中部分樣本預(yù)測的平均誤差；式中yij為訓(xùn)練集中部分樣本的輸出預(yù)測值，xij為訓(xùn)練集部分樣本真值，N為訓(xùn)練集部分樣本個數(shù)；(3)用遺傳算法得到的最優(yōu)個體對ELM的初始權(quán)值和閾值賦值，并設(shè)置隱含層節(jié)點個數(shù)，完成GA-ELM模型建立；④利用測試集樣本對GA-ELM模型進行測試及效果評價。訓(xùn)練集樣本數(shù)據(jù)的獲取首先，選取與凝固過程密切相關(guān)的壓鑄工藝參數(shù)作為輸入?yún)?shù)，輸入?yún)?shù)選定為模具預(yù)熱溫度、壓射溫度、低速充型速度、高速充型速度四個參數(shù)；然后，因為壓鑄件不同位置晶粒尺寸不相同，所以我們選取鑄件上對機械性能要求較高的部位的晶粒尺寸最大值作為輸出參數(shù)；最后，通過壓鑄模擬軟件Anycasting對不同的輸入?yún)?shù)值進行模擬實驗，獲得具體的輸出參數(shù)值。以汽車空壓機端蓋的壓鑄成型為例，其幾何模型如圖3所示，輪廓尺寸112mm×112mm×84mm,平均壁厚5mm，材料為鋁合金ADC12，汽車空壓機端蓋接口處如圖4，此部位要求常溫下力學(xué)性能優(yōu)良，晶粒尺寸細小，因此我們選取該部位晶粒尺寸最大值(以下簡稱晶粒尺寸)作為模擬實驗的輸出參數(shù)，同時根據(jù)壓鑄生產(chǎn)經(jīng)驗確定模擬實驗的輸入?yún)?shù)值及水平設(shè)置，如表1所示。表1各成型工藝參數(shù)值及水平設(shè)置采用四因素四水平正交試驗法對該鑄件的壓鑄工藝方案進行優(yōu)化設(shè)計,即L32(45)正交表,共32組實驗。用Anycasting仿真模擬軟件對這32種工藝方案進行模擬，獲得不同工藝參數(shù)條件下的晶粒尺寸值，這32組樣本作為訓(xùn)練集，工藝參數(shù)的正交試驗表及模擬結(jié)果如表2所示。表2訓(xùn)練集工藝參數(shù)模擬結(jié)果遺傳算法優(yōu)化中的個體適應(yīng)度值取為訓(xùn)練集中序號27—32共6個樣本的預(yù)測平均誤差值。2.2GA-ELM參數(shù)設(shè)置利用表2中的訓(xùn)練集樣本數(shù)據(jù)對GA-ELM算法模型進行訓(xùn)練。GA-ELM模型完整地保留了GA和ELM算法中的可調(diào)參數(shù)，這些參數(shù)的選取可以參考ELM和GA算法的相關(guān)文獻。本文通過多次調(diào)整相關(guān)參數(shù)，將得到的最終的實驗結(jié)果進行對比，給出效果最好的一組推薦值，如表3所示。表3GA-ELM參數(shù)設(shè)置表序號參數(shù)設(shè)置1ELM隱含層節(jié)點數(shù)322種群規(guī)模603最大迭代次數(shù)1504交叉概率0.85變異概率0.56目標(biāo)函數(shù)平均相對誤差最小7適應(yīng)度評估方式線性評估8權(quán)值wij取值范圍[-1,1]9閾值bi取值范圍[-1,1]10終止條件滿足最大迭代次數(shù)2.3測試集樣本數(shù)據(jù)的獲取測試集樣本數(shù)據(jù)工藝參數(shù)的選取如表4所示，同樣運用anycasting軟件模擬實驗結(jié)果。表4測試集工藝參數(shù)模擬2.4預(yù)測效果及分析遺傳算法優(yōu)化的進化結(jié)果如圖5所示,圖5內(nèi)容為個體適應(yīng)度值變化曲線。從圖5可以看出遺傳算法部分收斂的很好，在30代時已基本收斂至最優(yōu)權(quán)值和閾值。由于其權(quán)值矩陣和閾值矩陣規(guī)模較大，其具體取值不再贅述。我們利用建立完成的GA-ELM模型對測試集數(shù)據(jù)進行預(yù)測，并與測試集輸出真值進行對比，如圖6所示。為了更加直觀的反映GA-ELM模型對測試集數(shù)據(jù)的預(yù)測效果，我們將預(yù)測值與真值的絕對誤差以圖形的形式給出，如圖7所示。由圖7我們看到，除第四組樣本外，其他測試集樣本誤差均控制在10μm以內(nèi)，第四組樣本誤差也不超過22μm，考慮到研究內(nèi)容為微觀尺寸下的晶粒，微觀尺寸內(nèi)存在一定的擾動因素，并且訓(xùn)練使用的樣本數(shù)量較少，擬合度有限，因此不超過22μm的最大誤差屬于可以接受的最大誤差值。同時，通過計算，測試集樣本數(shù)據(jù)預(yù)測平均絕對誤差為10.2μm,平均相對誤差為3.8％。該方法可以準(zhǔn)確、有效地對晶粒尺寸進行預(yù)測。2.5與其他模型預(yù)測結(jié)果對比為了體現(xiàn)該模型的優(yōu)越性，采用GA-BP神經(jīng)網(wǎng)絡(luò)及原始ELM模型對該樣本進行預(yù)測，其中原始ELM模型隱含層節(jié)點數(shù)為60(多次試驗確定)，隱含層激勵函數(shù)選擇“sigmoid”函數(shù)；GA-BP神經(jīng)網(wǎng)絡(luò)模型隱含層節(jié)點數(shù)設(shè)為25(多次試驗確定)，隱含層激勵函數(shù)選擇“l(fā)ogsig”函數(shù)。GA-BP神經(jīng)網(wǎng)絡(luò)模型及原始ELM模型的預(yù)測結(jié)果如圖8、圖9。以上三種模型的預(yù)測結(jié)果對比情況見表5。表5三種預(yù)測模型預(yù)測性能對比模型指標(biāo)GA-ELMGA-BPELM平均絕對誤差/μm10.214.422.8平均相對誤差/％3.85.58.6訓(xùn)練時間/s47.03107.022.23由表5可以看出，GA-ELM模型在預(yù)測精度上要明顯優(yōu)于其他兩個模型。但由于采用了遺傳算法，GA-ELM模型的訓(xùn)練效率要遠低于原始ELM模型。但是，即使如此，GA-ELM模型的訓(xùn)練效率也要遠高于GA-BP模型，其效率較高，GA-ELM模型具有較高的預(yù)測精度，可以相對準(zhǔn)確地預(yù)測鋁合金壓鑄件晶粒尺寸。本發(fā)明提出了一種將遺傳算法和極限學(xué)習(xí)機相結(jié)合的GA-ELM模型，采用GA對ELM的輸入層權(quán)值矩陣和隱含層閾值矩陣進行優(yōu)化，避免了輸入層權(quán)值矩陣和隱含層閾值矩陣隨機性對ELM預(yù)測精度的影響，提高了預(yù)測準(zhǔn)確率。豐富了鋁合金壓鑄件晶粒尺寸預(yù)測方法的模型庫。本發(fā)明的GA-ELM模型是一種高精度、較高效、滿足工程要求的模型。其預(yù)測精度高于GA-BP模型和原始ELM模型，訓(xùn)練效率高于GA-BP模型，但低于原始ELM模型。以上所述，僅為本發(fā)明的具體實施方式，但本發(fā)明的保護范圍并不局限于此，任何熟悉本
技術(shù)領(lǐng)域：
的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可輕易想到變化或替換，都應(yīng)涵蓋在本發(fā)明的保護范圍之內(nèi)，因此，本發(fā)明的保護范圍應(yīng)以所述權(quán)利要求的保護范圍為準(zhǔn)。當(dāng)前第1頁1 2 3