电镀与涂饰
電鍍與塗飾
전도여도식
ELECTROPLATING & FINISHING
2015年
7期
381-385
,共5页
钛合金%微弧氧化%膜厚%预测%神经网络%遗传算法
鈦閤金%微弧氧化%膜厚%預測%神經網絡%遺傳算法
태합금%미호양화%막후%예측%신경망락%유전산법
titanium alloy%micro-arc oxidation%film thickness%prediction%neural network%genetic algorithm
利用正交试验法获得的TC4钛合金微弧氧化实验数据建立了基于4-11-1(即4个输入神经元,11个隐含层节点,1个输出神经元)结构的BP神经网络预测膜层厚度的模型,并引入遗传算法(GA)对其权值和阈值进行优化.以微弧氧化工艺参数中的电流密度、脉冲频率、占空比和氧化时间作为网络的输入向量,氧化膜层厚度作为网络的输出向量,对比和分析了BP与GA-BP模型的预测结果.与BP网络模型相比,GA-BP网络模型稳定性能较好,并能高精度预测膜层的厚度,GA-BP网络模型预测值的平均误差为0.015,最大误差仅为0.036,而BP模型预测结果的平均误差为0.064,最大误差为0.099.
利用正交試驗法穫得的TC4鈦閤金微弧氧化實驗數據建立瞭基于4-11-1(即4箇輸入神經元,11箇隱含層節點,1箇輸齣神經元)結構的BP神經網絡預測膜層厚度的模型,併引入遺傳算法(GA)對其權值和閾值進行優化.以微弧氧化工藝參數中的電流密度、脈遲頻率、佔空比和氧化時間作為網絡的輸入嚮量,氧化膜層厚度作為網絡的輸齣嚮量,對比和分析瞭BP與GA-BP模型的預測結果.與BP網絡模型相比,GA-BP網絡模型穩定性能較好,併能高精度預測膜層的厚度,GA-BP網絡模型預測值的平均誤差為0.015,最大誤差僅為0.036,而BP模型預測結果的平均誤差為0.064,最大誤差為0.099.
이용정교시험법획득적TC4태합금미호양화실험수거건립료기우4-11-1(즉4개수입신경원,11개은함층절점,1개수출신경원)결구적BP신경망락예측막층후도적모형,병인입유전산법(GA)대기권치화역치진행우화.이미호양화공예삼수중적전류밀도、맥충빈솔、점공비화양화시간작위망락적수입향량,양화막층후도작위망락적수출향량,대비화분석료BP여GA-BP모형적예측결과.여BP망락모형상비,GA-BP망락모형은정성능교호,병능고정도예측막층적후도,GA-BP망락모형예측치적평균오차위0.015,최대오차부위0.036,이BP모형예측결과적평균오차위0.064,최대오차위0.099.
