基于神經網絡的感應熱沉積鈣磷涂層工藝預測方法
【專利摘要】本發明公開了一種基于神經網絡的感應熱沉積鈣磷涂層工藝預測方法，包括：利用感應熱沉積法制備鈣磷涂層，采集測試樣本；利用測試樣本擬合出訓練樣本；建立BP神經網絡，采用Levenberg-Marquardt算法，利用訓練樣本訓練網絡，并用測試樣本測試網絡的泛化能力；設計正交水平的工藝參數作為輸入參數，利用訓練好的網絡仿真輸出參數，構造正交樣本；分析計算所取得的正交樣本，預測工藝參數對沉積過程的影響。本發明成功利用了神經網絡的數據挖掘能力，分析了感應熱沉積的三個工藝參數時間，頻率，溫度與沉積速率的關系，從而有效指導鈣磷涂層制備工藝設計。
【專利說明】 基于神經網絡的感應熱沉積鈣磷涂層工藝預測方法
【技術領域】
[0001]本發明涉及一涂層性能的測試方法，特別是涉及一種涂層工藝的預測方法，還涉及一種神經網絡系統分析和應用方法，應用于建立了工藝參數知識庫和分析工藝參數對沉積過程的影響【技術領域】，對實驗設計和工業應用有較好的技術指導意義。
【背景技術】
[0002]HAp涂層C/C復合材料是潛在的新一代骨替代和修復材料，具有廣闊的應用前景。目前制備C/C復合材料表面HAp涂層的方法主要有:等離子噴涂法，涂覆燒結法，電化學法，堿熱處理法，仿生法和感應熱沉積法。
[0003]試驗證實，感應熱沉積法簡單，工藝條件溫和、適合復雜基體表面沉積，又無氣體從碳/碳復合材料基體表面逸出。因此，通過控制工藝條件，可實現在改性的碳/碳復合材料表面制備出由粒狀晶粒緊密堆積的致密鈣磷涂層，并且涂層的強度能夠達到臨床使用的標準要求。鑒于以上優點，感應熱沉積法是一種值得繼續研究和開發的新技術。
[0004]然而，感應熱沉積法，是2009年發展起來的制備HAp涂層C/C復合材料的新技術，目前的研究大多局限于涂層的制備，涂層形貌，組分，結構的表征，以及涂層性能的測試，對其工藝參數作用規律的研究，多受制于實驗條件，未能有效快速地進行。
[0005]誤差反向傳播神經網絡，即BP網絡，具有較強的聯想記憶和泛化能力，是理論上較成熟的神經網絡，也是在許多科學【技術領域】得到成功應用的網絡。它的自學習和自適應能力使其成為對各類信號進行多用途加工處理的一種天然工具，能夠根據已學會的知識和處理問題的經驗對復雜問題作出合理的判斷決策，給出較滿意的解答，或對未來過程作出有效地預測和估計。有關神經網絡在實踐中應用的專利及論文已有很多，例如，姜秀華等發明了一種基于人工神經網絡的視頻質量評價方法，韓洋等發明了一種基于神經網絡模型的CT灌注醫療圖像智能融合方法，費春國等發明了一種求解優化問題的神經網絡。神經網絡在感應熱沉積法制備鈣磷涂層工藝預測方面的報導比較少見，但是從理論上講，BP神經網絡完全可以用于涂層制備工藝研究中，但是目前還沒有有關將BP神經網絡應用于感應熱沉積鈣磷涂層工藝評價和預測領域的相關報道。
【發明內容】
[0006]為了解決現有技術問題，本發明的目的在于克服感應熱沉積法工藝參數的研究多依賴實驗手段存在的不足，拓寬研究思路，提供一種基于神經網絡的感應熱沉積鈣磷涂層工藝預測方法。利用了 BP神經網絡的自學習能力和自適應能力，在實驗獲得的有限數據的基礎上，采用Levenberg-Marquardt算法訓練網絡,在滿足網絡誤差性能函數值較小，并且網絡泛化能力較好的前提下，確定網絡的結構和參數，然后設計正交試驗樣本，利用已訓練好的網絡進行仿真輸出，得到正交樣本集，豐富工藝參數知識庫，在此基礎上，分析工藝參數對涂層沉積過程的影響，對實驗有較好的指導意義。
[0007]為達到上述發明創造目的，本發明采用下述技術方案:一種基于神經網絡的感應熱沉積鈣磷涂層工藝預測方法，包括以下步驟:
a.在實驗室條件下采用感應熱沉積法，在碳/碳復合材料表面制備鈣磷涂層，通過數據采集裝置記錄實驗過程中的時間、頻率和溫度三個工藝參數以及對應的涂層沉積重量，整理實驗數據，構造測試樣本，即整理成3輸入I輸出的測試樣本，其中時間、頻率和溫度作為輸入參數，沉積量作為輸出參數；
b.將在上述第a步驟中的數據采集裝置采集并整理的測試樣本數據向數據分析系統輸入，利用在上述第a步驟中構造出的測試樣本數據，通過數據分析系統繪制時間、頻率和溫度三個工藝參數與涂層沉積重量的關系圖，然后利用數據分析系統在圖中有規律地取點，讀取點坐標數據，以時間、頻率、溫度和涂層沉積重量構成的4組數據作為一列樣本數組，以取點數量作為另一列樣本數組，擬合整理出一個維數為4X取點數量的3輸入I輸出的訓練樣本，其中訓練樣本數的選取要結合感應熱沉積工藝的復雜性和輸入參數、輸出參數的個數來決定；
c.通過上述第b步驟中的數據分析系統建立BP神經網絡系統，利用在上述第b步驟中擬合的訓練樣本，采用Levenberg-Marquardt算法訓練網絡系統，并用在上述第a步驟中構造的測試樣本測試網絡的泛化能力，即首先將時間、頻率和溫度三個工藝參數進行歸一化處理，處理結果作為BP神經網絡的輸入參數，涂層沉積重量作為輸出參數，在兼顧訓練樣本的誤差函數小于目標設定值和測試樣本的泛化能力優先的前提下，確定并保存該BP神經網絡的結構及參數，BP神經網絡系統的結構采用嘗試法來確定BP網絡系統的網絡隱層的層數和每層的隱單元數，決策條件為訓練樣本的誤差性能指數小于設定的目標值，并且滿足測試樣本的泛化能力較優；優選確定并保存該BP神經網絡的結構為雙隱層結構，隱單元數目分別為8和3，構造一個[3，8，3，1]結構的BP網絡；
d.利用在上述第c步驟中訓練好的BP神經網絡系統輸出的涂層沉積重量參數，使涂層沉積重量參數對應在設定時間區域、設定頻率范圍和設定溫度區間內有規律取值，構造設定數量的正交水平輸入樣本，然后對正交水平輸入樣本按照在上述第c步驟中的歸一化方法進行處理，處理結果數據再作為BP神經網絡的輸入參數輸入數據分析系統，利用在上述第c步驟中訓練好的網絡進行仿真，得到相應的涂層沉積重量輸出參數，然后整理數據，構造出完整的設定維數的正交樣本；利用在上述第c步驟中訓練好的BP神經網絡系統輸出的涂層沉積重量參數，最好使涂層沉積重量參數對應在2~25min時間區域、28iT381kHz頻率范圍和378108K溫度區間內均勻取值，構造設定數量的正交水平輸入樣本；
e.在上述第d步驟中的數據分析系統中，繼續分析計算在上述第d步驟中獲得的正交樣本數據，分別分析時間、頻率和溫度三個工藝參數對涂層沉積重量參數的影響關系，從而得到時間、頻率和溫度三個工藝參數對涂層沉積重量的作用規律；優選分別分析時間、頻率和溫度三個工藝參數對涂層沉積重量參數的影響關系時，優選通過數據分析系統中的繪圖軟件繪圖并顯示，至少繪制和顯示輸出時間、頻率和溫度三個工藝參數中的任意一個工藝參數對涂層沉積重量的影響趨勢圖；特別優選繪制和顯示輸出時間、頻率和溫度三個工藝參數中的任意兩個工藝參數對涂層沉積重量的影響趨勢圖。
[0008]本發明與現有技術相比較，具有如下顯而易見的突出實質性特點和顯著優點:
1.本發明在用戶所給的有限實驗數據條件下，利用BP神經網絡，發揮了神經網絡的學習能力、自適應能力、容錯能力，有效地對實驗數據進行學習，建立具有一定泛化能力的BP網絡，在此基礎上，利用設計的正交水平輸入樣本，仿真輸出參數，構造了一系列正交樣本，豐富了感應熱沉積工藝參數知識庫，為分析工藝參數對沉積過程的影響提供了一種新的方法，拓展了研究思維；
2.本發明將BP神經網絡引入到感應熱沉積法制備鈣磷涂層的工藝預測方法中，在有限的實驗數據基礎上，模擬計算得到了豐富的工藝參數知識庫，利用知識庫，通過后期的數據處理，可以推測工藝參數對沉積過程的影響，從而有效指導鈣磷涂層制備工藝設計，對實驗設計和工業應用有較好的技術指導意義。
【專利附圖】
【附圖說明】
[0009]圖1是本發明實施例一感應熱沉積鈣磷涂層工藝預測方法的原理框圖。
[0010]圖2是本發明實施例一的BP人工神經網路結構圖。
[0011]圖3是本發明實施例一的BP神經網絡的算法流程圖。
[0012]圖4是本發明實施例一制作的正交樣本的時間-涂層沉積重量關系二維圖。
[0013]圖5是本發明實施例一制作的正交樣本的溫度-涂層沉積重量關系二維圖。
[0014]圖6是本發明實施例一制作的正交樣本的頻率-涂層沉積重量關系二維圖。
[0015]圖7是本發明實施例二制作的正交樣本的時間-頻率-涂層沉積重量關系三維圖。
[0016]圖8是本發明實施例二制作的正交樣本的頻率-溫度-涂層沉積重量關系三維圖。
[0017]圖9是本發明實施例二制作的正交樣本的溫度-時間-涂層沉積重量關系三維圖。
【具體實施方式】
[0018]本發明的優選實施例詳述如下:
實施例一:
在本實施例中，參見圖1?圖3，基于神經網絡的感應熱沉積鈣磷涂層工藝預測方法，具體可分為以下五步來實現:
a.利用感應熱沉積法制備鈣磷涂層，采集測試樣本:在實驗室條件下采用感應熱沉積法，在碳/碳復合材料表面制備鈣磷涂層，通過數據采集裝置記錄實驗過程中的時間、頻率和溫度三個工藝參數以及對應的涂層沉積重量，整理實驗數據，形成3輸入I輸出的測試樣本，即構造4X48的二維數組作為測試樣本，48代表一共有48組數據，4代表每組數據包括三個輸入參數和一個輸出參數，其中時間、頻率和溫度作為輸入參數，對應的實驗測得的涂層沉積重量作為輸出參數；
b.利用第一步采集的測試樣本，擬合訓練樣本:將在上述第a步驟中的數據采集裝置采集并整理的測試樣本數據向數據分析系統輸入，利用在上述第a步驟中構造出的48組測試樣本數據，作出頻率f=289kHz時，溫度T=378K、388K、398K、408K時的時間-沉積重量關系圖，依次類推，再作出f=319kHz和381kHz時四個溫度點處的時間-沉積重量圖，然后利用數據分析系統在圖中有規律地取點，讀取點坐標數據，在所作的各時間-沉積重量圖中，均勻取點240個，記錄每個點代表的時間、頻率、溫度和涂層沉積重量，整理出一個維數為4X240的訓練樣本；
c.建立BP神經網絡，利用訓練樣本訓練網絡，并用測試樣本測試網絡的泛化能力:通過上述第b步驟中的數據分析系統建立BP神經網絡系統，首先對240組訓練樣本和48組測試樣本的前三行，即輸入參數進行歸一化處理，歸一化公式為:X=(X-Xmin)/(Xmax-Xmin)，Xmax指的是工藝參數的最大值，Xmin指的是工藝參數的最小值，歸一化之后，每個工藝參數在0~1之間變動；利用歸一化后的240組訓練樣本訓練網絡，48組測試樣本測試網絡的泛化能力；借助matlab中的BP網絡創建函數newff,采用Levenberg-Marquardt算法訓練網絡，網絡隱層采用tansig函數，輸出層采用purelin函數，采用嘗試法確定隱層結構；設計不同隱層結構的BP網絡，將歸一化后的訓練樣本和測試樣本輸入BP網絡，訓練網絡至收斂，在綜合考慮訓練樣本誤差性能指數小于設定的目標值0.0001和測試樣本的泛化能力較好的前提下，確定網絡的結構，保存網絡的權值和閾值。最終本次實驗確定網絡為雙隱層結構，隱層神經元數依次為8、3，這樣我們就得到了一個較可靠的[3，8，3，1]型BP網絡，圖2是本實施例的BP人工神經網路結構圖，圖3是本實施例的BP神經網絡的算法流程圖； d.設計正交水平的工藝參數作為輸入參數，利用訓練好的網絡仿真輸出參數，構造正交樣本:設計工藝參數時間在2~25min內均勻取值，步長為1，取24個數；頻率在289~381kHz內均勻取值，步長為4，取24個數；溫度在378~408之間均勻取值，步長為1，取31個數。然后在此范圍內構造2064個正交輸入樣本；對2064個正交輸入樣本進行歸一化處理，然后輸入第三步所得的[3，8，3，I]網絡，仿真輸出相應的輸出參數，即沉積重量。整理數據得到維數為4X2064的正交樣本；
e.分析正交樣本，預測工藝參數對沉積過程的影響:在上述第d步驟中的數據分析系統中，繼續分析計算在上述第d步驟中獲得的2064組正交樣本，分別分析時間、頻率和溫度三個工藝參數對涂層沉積重量參數的影響關系時，通過數據分析系統中的繪圖軟件繪圖并顯示，至少繪制和顯示輸出時間、頻率和溫度三個工藝參數中的任意一個工藝參數對涂層沉積重量的影響趨勢二維圖，參見圖4~圖6，圖4是當頻率f=289kHz且溫度T=378K時，正交樣本的時間-涂層沉積重量關系二維圖，觀察圖4可以看出隨著時間的變化，沉積量基本上線性增加，可推測沉積過程是一個勻速過程；圖5是當頻率f=289kHz且時間t=10s時，正交樣本的溫度-涂層沉積重量關系二維圖，觀察圖5可以看出隨著溫度的升高，沉積量逐漸增大，通過進一步計算推理，可推測沉積過程可能受表面反應控制；圖6是當溫度T=378K且時間t=10s時，正交樣本的頻率-涂層沉積重量關系二維圖，觀察圖6可以看到圖中有一個極小點，可推測在沉積過程中，可能存在一個區間，當頻率在此區間變化時，將獲得較低的沉積量。本實施例利用了神經網絡的數據挖掘能力，分析了感應熱沉積的三個工藝參數時間，頻率，溫度與沉積速率的關系，從而有效指導鈣磷涂層制備工藝設計。
[0019] 實施例二:
本實施例與實施例一基本相同，特別之處在于:
在本實施例中，參見圖7~圖9，基于神經網絡的感應熱沉積鈣磷涂層工藝預測方法，具體可分為以下五步來實現:
a.利用感應熱沉積法制備鈣磷涂層，采集測試樣本:與實施例一相同；
b.利用第一步采集的測試樣本，擬合訓練樣本:與實施例一相同；
c.建立BP神經網絡，利用訓練樣本訓練網絡，并用測試樣本測試網絡的泛化能力--與實施例一相同；
d.設計正交水平的工藝參數作為輸入參數，利用訓練好的網絡仿真輸出參數，構造正交樣本:與實施例一相同；
e.分析正交樣本，預測工藝參數對沉積過程的影響:在上述第d步驟中的數據分析系統中，繼續分析計算在上述第d步驟中獲得的2064組正交樣本，分別分析時間、頻率和溫度三個工藝參數對涂層沉積重量參數的影響關系時，在上述步驟e中，繪制和顯示輸出時間、頻率和溫度三個工藝參數中的任意兩個工藝參數對涂層沉積重量的影響趨勢圖，參見圖7?圖9，
圖7是當頻率溫度T=378K時，正交樣本的時間-頻率-涂層沉積重量關系三維圖，觀察圖7可以看出隨著時間和頻率的變化，沉積量基本上均勻增加；在不同的頻率范圍內，存在沉積量較低的區域，可推測沉積過程是一個勻速過程，且在最低的沉積量以上進行噴涂，存在表面涂層的表面張力影響；圖8是當時間t=10s時，正交樣本的頻率-溫度-涂層沉積重量關系三維圖，觀察圖8可以看出隨著溫度的升高，沉積量逐漸增大；在不同的頻率范圍內，存在沉積量較低的區域，通過進一步計算推理，可推測沉積過程可能受表面反應控制，且在最低的沉積量以上進行噴涂，存在表面涂層的表面張力影響；圖9是當頻率f=289kHz時，正交樣本的溫度-時間-涂層沉積重量關系三維圖，觀察圖9可以看到圖中三維曲面接近傾斜平面，說明通過控制溫度按照時間軸均勻升溫或均勻降溫，能實現涂層厚度的精確控制。本實施例在三維空間可以更加清楚地觀察工藝參數對沉積重量的影響趨勢，分析圖7?圖9中所蘊含的信息，更加準確地初步預測工藝參數對沉積過程的作用規律，尋找較優的工藝參數，從而指導實驗設計和工業生產。
[0020]上面結合附圖對本發明實施例進行了說明，但本發明不限于上述實施例，還可以根據本發明的發明創造的目的做出多種變化，凡依據本發明技術方案的精神實質和原理下做的改變、修飾、替代、組合、簡化，均應為等效的置換方式，只要符合本發明的發明目的，只要不背離本發明基于神經網絡的感應熱沉積鈣磷涂層工藝預測方法的技術原理和發明構思，都屬于本發明的保護范圍。
【權利要求】
1.一種基于神經網絡的感應熱沉積鈣磷涂層工藝預測方法，其特征在于，包括以下步驟: a.在實驗室條件下采用感應熱沉積法，在碳/碳復合材料表面制備鈣磷涂層，通過數據采集裝置記錄實驗過程中的時間、頻率和溫度三個工藝參數以及對應的涂層沉積重量，整理實驗數據，構造測試樣本，即整理成3輸入I輸出的測試樣本，其中時間、頻率和溫度作為輸入參數，沉積量作為輸出參數； b.將在上述第a步驟中的數據采集裝置采集并整理的測試樣本數據向數據分析系統輸入，利用在上述第a步驟中構造出的測試樣本數據，通過數據分析系統繪制時間、頻率和溫度三個工藝參數與涂層沉積重量的關系圖，然后利用數據分析系統在圖中有規律地取點，讀取點坐標數據，以時間、頻率、溫度和涂層沉積重量構成的4組數據作為一列樣本數組，以取點數量作為另一列樣本數組，擬合整理出一個維數為4X取點數量的3輸入I輸出的訓練樣本； c.通過上述第b步驟中的數據分析系統建立BP神經網絡系統，利用在上述第b步驟中擬合的訓練樣本，采用Levenberg-Marquardt算法訓練網絡系統,并用在上述第a步驟中構造的測試樣本測試網絡的泛化能力，即首先將時間、頻率和溫度三個工藝參數進行歸一化處理，處理結果作為BP神經網絡的輸入參數，涂層沉積重量作為輸出參數，在兼顧訓練樣本的誤差函數小于目標設定值和測試樣本的泛化能力優先的前提下，確定并保存該BP神經網絡的結構及參數，BP神經網絡系統的結構采用嘗試法來確定BP網絡系統的網絡隱層的層數和每層的隱單元數，決策條件為訓練樣本的誤差性能指數小于設定的目標值，并且滿足測試樣本的泛化能力較優； d.利用在上述第c步驟中訓練好的BP神經網絡系統輸出的涂層沉積重量參數，使涂層沉積重量參數對應在設定時間區域、設定頻率范圍和設定溫度區間內有規律取值，構造設定數量的正交水平輸入樣本，然后對正交水平輸入樣本按照在上述第c步驟中的歸一化方法進行處理，處理結果數據再作為BP神經網絡的輸入參數輸入數據分析系統，利用在上述第c步驟中訓練好的網絡進行仿真，得到相應的涂層沉積重量輸出參數，然后整理數據，構造出完整的設定維數的正交樣本； e.在上述第d步驟中的數據分析系統中，繼續分析計算在上述第d步驟中獲得的正交樣本數據，分別分析時間、頻率和溫度三個工藝參數對涂層沉積重量參數的影響關系，從而得到時間、頻率和溫度三個工藝參數對涂層沉積重量的作用規律。
2.根據權利要求1所述基于神經網絡的感應熱沉積鈣磷涂層工藝預測方法，其特征在于:在上述步驟e中，分別分析時間、頻率和溫度三個工藝參數對涂層沉積重量參數的影響關系時，通過數據分析系統中的繪圖軟件繪圖并顯示，至少繪制和顯示輸出時間、頻率和溫度三個工藝參數中的任意一個工藝參數對涂層沉積重量的影響趨勢圖。
3.根據權利要求2所述基于神經網絡的感應熱沉積鈣磷涂層工藝預測方法，其特征在于:在上述步驟e中，繪制和顯示輸出時間、頻率和溫度三個工藝參數中的任意兩個工藝參數對涂層沉積重量的影響趨勢圖。
4.根據權利要求1~3中任意一項所述基于神經網絡的感應熱沉積鈣磷涂層工藝預測方法，其特征在于:在上述第c步驟中，確定并保存該BP神經網絡的結構為雙隱層結構，隱單元數目分別為8和3，構造一個[3，8，3，I]結構的BP網絡。
5.根據權利要求1~3中任意一項所述基于神經網絡的感應熱沉積鈣磷涂層工藝預測方法，其特征在于:在上述第d步驟中，利用在上述第c步驟中訓練好的BP神經網絡系統輸出的涂層沉積重量參數，使涂層沉積重量參數對應在2~25min時間區域、289~381kHz頻率范圍和3781 08K溫度區間內均勻取值，構造設定數量的正交水平輸入樣本。
【文檔編號】G06Q10/04GK103745271SQ201410001043
【公開日】2014年4月23日 申請日期:2014年1月2日 優先權日:2014年1月2日
【發明者】白瑞成, 馬花月, 林松, 李 杰, 熊信柏, 張丹, 李愛軍 申請人:上海大學