[发明专利]光纤预制棒一次拉伸工艺参数预测方法及装置

权利要求书

1.一种光纤预制棒一次拉伸工艺参数预测方法，其特征在于，包括：

获取光纤预制棒的棒径参数，所述光纤预制棒的棒径参数包括母棒棒径、拉伸目标棒径及拉伸后的棒径；

以所述母棒棒径、拉伸目标棒径及拉伸后的棒径为输入，经预设的BP神经网络模型，预测光纤预制棒的拉伸工艺参数，所述拉伸工艺参数包括加工温度、送入速度及拉伸速度；所述预设的BP神经网络模型通过遗传算法对BP神经网络进行结构优化，以及通过光纤预制棒的历史加工数据对经遗传算法优化后的BP神经网络进行训练后得到；

所述历史加工数据包括光纤预制棒的历史棒径参数及对应的拉伸工艺参数。

2.根据权利要求1所述的光纤预制棒一次拉伸工艺参数预测方法，其特征在于，所述预设的BP神经网络模型通过遗传算法对BP神经网络进行结构优化，以及通过光纤预制棒的历史加工数据对经遗传算法优化后的BP神经网络进行训练后得到，包括：

获取光纤预制棒的历史加工数据；

对光纤预制棒的历史加工数据进行预处理；

将经预处理后的历史加工数据划分为训练集、测试集及交叉验证集；

依据所述训练集确定BP神经网络的初始结构，通过所述训练集对BP神经网络进行训练，以经所述测试集及所述交叉验证集验证效果最佳的网络结构构建初始BP神经网络模型；

依据所述遗传算法对所述初始BP神经网络模型进行结构优化，得到优化的BP神经网络模型；

通过误差逆向传播更新所述优化的BP神经网络模型的网络结构，得到所述预设的BP神经网络模型。

3.根据权利要求2所述的光纤预制棒一次拉伸工艺参数预测方法，其特征在于，所述依据所述训练集确定BP神经网络的初始结构，包括：

依据所述训练集中的棒径参数的个数及对应的拉伸工艺参数确定BP神经网络的输入层和输出层的节点个数；以及

依据经验公式计算并对比不同隐含层节点个数下的预测效果，确定最优的BP神经网络隐含层节点个数。

4.根据权利要求2所述的光纤预制棒一次拉伸工艺参数预测方法，其特征在于，所述依据所述遗传算法对所述初始BP神经网络模型进行结构优化，得到优化的BP神经网络模型，包括：

对所述初始BP神经网络模型的权值和阈值进行实数编码得到初始种群；

依据所述测试集、交叉验证集及预设的种群参数，计算个体的适应度，依据个体的适应度从当前种群中选择最优个体，执行交叉、变异操作，直至达到终止条件，选择最优的权值和阈值更新所述初始BP神经网络模型的权值和阈值，得到优化的BP神经网络模型；

所述种群参数包括种群规模、最大遗传代数、交叉概率及变异概率。

5.根据权利要求2所述的光纤预制棒一次拉伸工艺参数预测方法，其特征在于，所述通过误差逆向传播更新所述优化的BP神经网络模型的网络结构，得到所述预设的BP神经网络模型，包括：

依据所述训练集中的棒径参数和对应的拉伸工艺参数对所述优化的BP神经网络模型进行训练，计算所述优化的BP神经网络模型的预测值与期望值的误差，通过误差逆向传播更新所述优化的BP神经网络模型的权值和阈值，直至达到迭代次数或预测值与期望值的误差小于设定值，得到所述预设的BP神经网络模型。

6.一种光纤预制棒一次拉伸工艺参数预测装置，其特征在于，包括：

数据获取模块，被配置为获取光纤预制棒的棒径参数，所述光纤预制棒的棒径参数包括母棒棒径、拉伸目标棒径及拉伸后的棒径；

预测模块，被配置为以所述母棒棒径、拉伸目标棒径及拉伸后的棒径为输入，经预设的BP神经网络模型，预测光纤预制棒的拉伸工艺参数，所述拉伸工艺参数包括加工温度、送入速度及拉伸速度；所述预设的BP神经网络模型通过遗传算法对BP神经网络进行结构优化，以及通过光纤预制棒的历史加工数据对经遗传算法优化后的BP神经网络进行训练后得到；

所述历史加工数据包括光纤预制棒的历史棒径参数及对应的拉伸工艺参数。