胡軼然 鄭奮

摘 要：

針對傳統(tǒng)化工材料生產(chǎn)工藝無法實現(xiàn)最優(yōu)工藝參數(shù)求解及精度要求的問題，結(jié)合人工智能技術(shù)，提出一種基于神經(jīng)網(wǎng)絡(luò)與遺傳算法相結(jié)合的非線性函數(shù)極值尋優(yōu)方法，將其應(yīng)用于羥基磷灰石復(fù)合材料制備的感應(yīng)熱沉積工藝中，進行遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)模型的最優(yōu)涂層總量求解。實驗結(jié)果表明，通過遺傳算法結(jié)合BP神經(jīng)網(wǎng)絡(luò)，在以電流頻率、沉積溫度和沉積時間作為輸入時，可準確預(yù)測涂層沉積質(zhì)量。由此得出，構(gòu)建的感應(yīng)熱沉積工藝的模型的實際值與預(yù)測值誤差較小，可滿足該材料制備工藝的精度需求。

關(guān)鍵詞：化工材料制備；工藝優(yōu)化；BP神經(jīng)網(wǎng)絡(luò)；遺傳算法；感應(yīng)熱沉積

中圖分類號：TP391.9；TQ015.9???? 文獻標志碼：A文章編號：1001-5922（2023）11-0084-04

Optimization of chemical material production process model based on BP neural network technology

HU Yiran，ZHENG Fen

（PLA Naval Military Medical University，Shanghai 200433，China

）

Abstract：In view of the problems that the traditional chemical material production process can not achieve the optimal process parameters and accuracy requirements，in combination with artificial intelligence technology，a nonlinear function extreme optimization method based on combination of neural network and genetic algorithm was proposed .T method was applied to the induced thermal deposition process of the hydroxyapatite composite material preparation，and the neural network model optimized by genetic algorithm was used to solve the optimal totalcoating.The experimental results showed that the genetic algorithm combined with BP neural network could accurately predict the coating deposition quality when current frequency，deposition temperature and deposition time were taken as inputs.It has been demostrated that the error between the actual and predicted values of the induced thermal deposition model is small，which can meet the accuracy requirements of the material preparation process.

Key words：preparation of chemical materials;process optimization;BP neural network;genetic algorithm;induced heat deposition

目前，化工材料制備中的工藝優(yōu)化主要通過人工經(jīng)驗積累進行實現(xiàn)，無法滿足日益增長的復(fù)雜化工材料制備的工藝優(yōu)化需求。近年來，人們嘗試通過實驗方式實現(xiàn)最佳工藝參數(shù)獲取。劉晉［1］等為實現(xiàn)芳綸纖維化學鍍鎳的化工工藝優(yōu)化，提出基于支持向量機構(gòu)建了一個化工工藝安全評價模型，并通過此模型對該化工材料進行工藝參數(shù)求解。巢淑娟［2］等提出以RBF神經(jīng)網(wǎng)絡(luò)作為基礎(chǔ)模型，將其應(yīng)用到齒輪軸熱鍛成形工藝中進行模型構(gòu)建，通過此模型實現(xiàn)了工藝優(yōu)化。薛茂遠［3］等以注塑件成型工藝為研究對象，提出了在GA-ELM算法的基礎(chǔ)上，加入遺傳算法進行工藝優(yōu)化。以上研究雖然取得了一定的應(yīng)用成果，但其依舊無法實現(xiàn)化工材料制備的最優(yōu)工藝參數(shù)求解?；诖耍Y(jié)合以上研究經(jīng)驗，以羥基磷灰石-C/C復(fù)合材料表面制備的感應(yīng)熱沉積工藝為研究對象，將人工智能中的BP神經(jīng)網(wǎng)絡(luò)與遺傳算法進行融合，充分發(fā)揮兩種算法優(yōu)勢，實現(xiàn)感應(yīng)熱沉積工藝建模和最優(yōu)參數(shù)求解。

1 BP神經(jīng)網(wǎng)絡(luò)技術(shù)

BP神經(jīng)網(wǎng)絡(luò)屬于深度學習中的經(jīng)典網(wǎng)絡(luò)，也是一種多層次的前饋神經(jīng)網(wǎng)絡(luò)。該網(wǎng)絡(luò)的工作特性是進行誤差反向?qū)W習。BP神經(jīng)網(wǎng)絡(luò)主要分為三個部分，分別為輸入層、隱含層和輸出層［4］。其網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

隱含層神經(jīng)元的傳遞函數(shù)主要分為Logsig函數(shù)和Tansig函數(shù)，2種函數(shù)的具體表達式為：

a=11+e-n（1）

a=en-e-nen+e-n （2）

BP神經(jīng)網(wǎng)絡(luò)主要通過性能學習對網(wǎng)絡(luò)參數(shù)進行調(diào)整，從而實現(xiàn)網(wǎng)絡(luò)性能優(yōu)化。BP神經(jīng)網(wǎng)絡(luò)的性能指數(shù)為均方誤差。若所有目標出現(xiàn)的概率相同，則均方誤差與全部Q個目標的平方誤差之和為正相關(guān)關(guān)系［5］。具體表達式為：

Fx=∑Qq=1tq-aqTtq-aq=∑Qq=1eqTeq=∑Qq=1∑SMj=1ej，q2=∑Ni=1vi2 （3）

式中：ej，q表示第q輸入的誤差的第j個元素；x表示網(wǎng)絡(luò)權(quán)值和閥值。根據(jù)網(wǎng)絡(luò)學習目標可找到可使F（x）最小化的x。

BP神經(jīng)網(wǎng)絡(luò)的工作信號向前傳播，誤差信號反向傳播。其含有大量映射關(guān)系，通常利用標準梯度下降算法對誤差進行反向?qū)W習，并對網(wǎng)絡(luò)內(nèi)部的權(quán)值和閾值進行調(diào)整，從而使得網(wǎng)絡(luò)誤差平方和降到最低值。該算法的具體表達式為：

xk+1=xk+akgk （4）

式中，xk和xk+1分別為當前權(quán)值、閥值 下一次迭代生成的權(quán)值、閥值；gk和ak分別為梯度和學習速率［6］。

2 遺傳算法與BP神經(jīng)網(wǎng)絡(luò)的融合設(shè)計

2.1 遺傳算法

該算法是當前人工智能和機器學習領(lǐng)域應(yīng)用極為廣泛的優(yōu)化算法。遺傳操作主要包括變異算子、交叉算子和選擇算子。遺傳算法基本流程如圖2所示。

適應(yīng)度函數(shù)是遺傳算法中的重點，它可以根據(jù)適應(yīng)度值來判斷優(yōu)劣，篩選數(shù)據(jù)。特征向量運用二進制方法編碼，懲罰因子與σ運用十進制方法編碼。根據(jù)GA的原理，通常以適應(yīng)度值作為信息篩選的依據(jù)，適應(yīng)度值越寬松，可容納的實驗個體越多。選擇遺傳算法中的賭論法進行信號篩選。

假設(shè)N為種群總數(shù)，Xi表示個體，其適應(yīng)度值表示為fXi，被選擇成為下一代的概率為：

PXi=N×fXi∑Nj=1fXi （5）

若α表示參數(shù)，根據(jù)單點交叉確定交叉算子表達式為：

XA=αXB+1-αXAXB=αXA+1-αXB（6）

特征向量采用多位置替換變異，懲罰因子和σ采用均勻變異，表達式為：

Xj=Xi+βXmax-XiXj=Xi-βXi-Xmin（7）

2.2 基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)優(yōu)化技術(shù)

BP神經(jīng)網(wǎng)絡(luò)在計算機領(lǐng)域可取得較好的應(yīng)用效果，但其對于化工制備工藝優(yōu)化方面存在經(jīng)驗依賴性強和盲目性的問題。其無法通過有效的方式選取隱含層和隱含層神經(jīng)元個數(shù)，使得網(wǎng)絡(luò)權(quán)值和閥值隨機性過強，極易陷入局部最小值，無法實現(xiàn)快速收斂。遺傳算法則可有效解決以上問題。因此，提出將兩種算法進行融合即可實現(xiàn)全局搜索和快速收斂。

2.3 非線性函數(shù)極值尋優(yōu)技術(shù)

化工材料制備的工藝優(yōu)化可理解為非線性函數(shù)極值尋優(yōu)，即實現(xiàn)化工材料最優(yōu)參數(shù)選擇和工藝優(yōu)化。因此，提出采用BP神經(jīng)網(wǎng)絡(luò)和遺傳算法相結(jié)合的非線性函數(shù)極值尋優(yōu)技術(shù)。該技術(shù)通過神經(jīng)網(wǎng)絡(luò)進行非線性函數(shù)模型構(gòu)建，然后將其作為遺傳算法的目標函數(shù)，以快速找到最佳極值點。具體尋優(yōu)流程如圖3 所示。

3 實驗結(jié)果與分析

為驗證方法的尋優(yōu)性能，實驗以羥基磷灰石涂層-碳碳復(fù)合材料的制備工藝作為實驗對象，通過提出的方法探索此材料制備過程的最佳工藝。

3.1 神經(jīng)網(wǎng)絡(luò)建模

3.1.1 實驗數(shù)據(jù)

實驗選擇羥基磷灰石涂層-碳碳（C/C）復(fù)合材料的工藝參數(shù)主要包括C/C基體溫度，沉積時間，高頻感應(yīng)電流頻率3個部分。其中，C/C基體溫度的各涂層質(zhì)量水平分別為378、388、398、408 K；沉積時間分別為2 、5 、10 、15、25 min；高頻感應(yīng)電流頻率分別為289、319、381 kHz。為便于后續(xù)BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練和驗證，將以上300個數(shù)據(jù)分為訓(xùn)練集和驗證集。其中，訓(xùn)練集和驗證集的數(shù)量分別為250組和50組。

為避免神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練時出現(xiàn)量綱不一致線性和收斂速度慢的問題，實驗將對輸入?yún)?shù)進行歸一化。具體表達式為：

u=u0-uminumax-umin （8）

式中：u0和u分別為變量的原始值和歸一化后的值；umin和umax表示變量的最小值和最大值［14］。

3.1.2 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)確定

實驗采用BP神經(jīng)網(wǎng)絡(luò)對感應(yīng)熱沉積工藝建模，輸入層有3個節(jié)點，輸出層有 1個節(jié)點。多次試驗后可知，BP模型結(jié)構(gòu)為3-9-4-1。其中，第1個和第2個隱含層的神經(jīng)元個數(shù)分別為9個和4個。感應(yīng)熱沉積工藝的 BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。

3.1.3 BP神經(jīng)網(wǎng)絡(luò)性能評估

為更加客觀的對BP神經(jīng)網(wǎng)絡(luò)的性能進行評估，實驗通過誤差平方和函數(shù)作為評價指標，以評估網(wǎng)絡(luò)的學習性能。具體表達式為：

MSE=1N∑Ni=1yi-yio2 （9）

式中：yi和yio分別表示目標值與網(wǎng)絡(luò)預(yù)測值；N表示樣本數(shù)量。通常認為，均方誤差MSE取值為0.000 1時，訓(xùn)練樣本充分完成學習［15］。

為評估BP神經(jīng)網(wǎng)絡(luò)的預(yù)測性能，選用均方根誤差函數(shù)（RMSE）和平均絕對誤差函數(shù)（MAPE）進行評估。具體表達式為：

RMSE=1N∑Ni=1yi-yio2（10）

MAPE=1N∑Ni=1yi-yi0yi×100% （11）

3.2 神經(jīng)網(wǎng)絡(luò)仿真輸出

實驗以50組驗證樣本為實驗數(shù)據(jù)，通過BP神經(jīng)網(wǎng)絡(luò)進行數(shù)據(jù)預(yù)測，可得到驗證集的預(yù)測值和真實值關(guān)系，具體如圖5所示。

由圖5可知，神經(jīng)網(wǎng)絡(luò)的預(yù)測值與真實值間的誤差較小，二者間的RMSE值和MAPE值分別為0.054 9、0.017 6，且線性擬合系數(shù)均高于0.99。由此說明，BP神經(jīng)網(wǎng)絡(luò)的預(yù)測能力較好，可滿足感應(yīng)熱沉積工藝模型構(gòu)建要求，模型具備可靠性。

4 結(jié)語

綜上所述，提出的方法具備可行性和有效性，此方法提升了傳統(tǒng)化工材料制備工藝的優(yōu)化效果、實現(xiàn)了最優(yōu)工藝參數(shù)求解。實驗發(fā)現(xiàn)，將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用到感應(yīng)熱沉積工藝中進行數(shù)學模型構(gòu)建后，可確定最佳網(wǎng)絡(luò)結(jié)構(gòu)和網(wǎng)絡(luò)參數(shù)。將確定的網(wǎng)絡(luò)參數(shù)作為遺傳算法的輸入進行編碼、選擇、交叉和變異等遺傳操作后，可實現(xiàn)感應(yīng)熱沉積工藝參數(shù)的最優(yōu)求解，從而得到最佳工藝條件。BP神經(jīng)網(wǎng)絡(luò)模型進

行感應(yīng)熱沉積工藝預(yù)測的結(jié)構(gòu)與真實值十分接近，說明此模型的預(yù)測效果較好。且通過正交實驗后準確預(yù)測了樣本輸出，并構(gòu)建了相應(yīng)的感應(yīng)熱沉積工藝參數(shù)知識庫。最后通過遺傳算法的適應(yīng)度函數(shù)值對仿真函數(shù)進行了極值尋優(yōu)，獲得了感應(yīng)熱沉積工藝中最佳工藝參數(shù)值。

【參考文獻】

［1］ 劉晉，程彥斌，齊東川，等.基于支持向量機的化工工藝安全評價模型構(gòu)建及優(yōu)化研究［J］.中國安全生產(chǎn)科學技術(shù)，2022，18（12）：154-161.

［2］ 巢淑娟，魏利亞.基于RBF神經(jīng)網(wǎng)絡(luò)的齒輪軸熱鍛成形工藝優(yōu)化［J］.熱加工工藝，2023（9）：103-105.

［3］ 薛茂遠，梅益，唐方艷，等.基于GA-ELM及遺傳算法的注塑件成型工藝優(yōu)化［J］.塑料，2022，51（1）：56-61.

［4］ 程曉鈺.基于圖像處理的縫隙焊接識別研究［J］粘接2022.49（1）：99-105.

［5］ 王慎軒，李永華，石姍姍，等.基于BSO-BP神經(jīng)網(wǎng)絡(luò)的型材攪拌摩擦焊PWHT工藝參數(shù)優(yōu)化［J］.焊接技術(shù)，2023，52（1）：43-49.

［6］ 李永鋒.改進的混沌理論和BP神經(jīng)網(wǎng)絡(luò)化工產(chǎn)品需求預(yù)測模型設(shè)計［J］粘接，2022，49（8）：177-181.

［7］ 吳雙鳳，張薇，徐科一，等.Box-Behnken響應(yīng)面法和反向傳播神經(jīng)網(wǎng)絡(luò)優(yōu)化丹參酮類提取物的滲漉工藝［J］.中國藥師，2022，25（11）：1939-1944.

［8］ 梁超，張熊，米高陽，等.基于神經(jīng)網(wǎng)絡(luò)與遺傳算法的鋁合金激光擺動焊工藝參數(shù)優(yōu)化［J］.電焊機，2022，52（8）：43-49.

［9］ 羅發(fā)強，劉景濤，陳修平，等.基于BP和LSTM神經(jīng)網(wǎng)絡(luò)的順北油田5號斷裂帶地層孔隙壓力智能預(yù)測方法［J］.石油鉆采工藝，2022，44（4）：506-514.

［10］ 王挨榮，陳漢章，郭微，等.基于BP神經(jīng)網(wǎng)絡(luò)和遺傳算法的綜采面工藝參數(shù)優(yōu)化研究［J］.煤炭工程，2022，54（4）：62-67.

［11］ 郝佩瑤，朱金偉，廖繼龍，等.基于神經(jīng)網(wǎng)絡(luò)和遺傳算法的鑄錠晶體硅質(zhì)量控制及工藝優(yōu)化［J］.人工晶體學報，2022，51（3）：385-397.

［12］ 金梁，李偉，朱清智.基于混沌遺傳算法的農(nóng)機鑄件模具加工工藝優(yōu)化研究［J］.農(nóng)機化研究，2022，44（11）：225-228.

［13］ 邵景峰，石小敏.基于非支配排序遺傳算法的細紗工藝參數(shù)優(yōu)化［J］.紡織學報，2022，43（1）：80-88.

［14］ 呂小青，王旭，徐連勇，等.基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)和NSGA-Ⅱ的氣保焊工藝多目標優(yōu)化［J］.天津大學學報（自然科學與工程技術(shù)版），2020，53（10）：1013-1018.

［15］ 高新江，段玥晨，趙華東，等.基于多島遺傳算法的軸承精超工藝多目標優(yōu)化［J］.現(xiàn)代制造工程，2021，（11）：116-120.

收稿日期：2023-06-06；修回日期：2023-09-26

作者簡介：胡軼然（1996-），女，碩士，助教，研究方向：信息化管理；E-mail： cxrmyyzhw@163.com。

通訊作者：鄭 奮（1996-），男，碩士，副教授，研究方向：計算機與仿真技術(shù)；E-mail：15000687536@163.com。

引文格式：胡軼然，鄭 奮.基于BP神經(jīng)網(wǎng)絡(luò)技術(shù)的化工材料生產(chǎn)工藝模型優(yōu)化［J］.粘接，2023，50（11）：84-86.