[发明专利]光纤预制棒一次拉伸工艺参数预测方法及装置

说明书

本发明实施方式提供一种光纤预制棒一次拉伸工艺参数预测方法及装置，属于光纤预制棒及机器学习技术领域。方法包括：获取光纤预制棒的棒径参数；以棒径参数为输入，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；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。本发明通过对遗传算法和BP神经网络进行结合与优势互补，利用遗传算法对BP神经网络进行优化，从而构建工艺参数预测模型对光纤预制棒的一次拉伸工艺参数进行预测，有效解决了现有技术中对参数选择随意且无法根据光纤预制棒的性质调整工艺参数的问题。

技术领域

本发明涉及光纤预制棒及机器学习技术领域，具体地涉及一种光纤预制棒一次拉伸工艺参数预测方法及一种光纤预制棒一次拉伸工艺参数预测装置。

背景技术

光纤是以光的全反射为理论基础，通过光电变换来传输信息的重要媒介，具有抗电磁干扰能力强、传输保真性好、重量轻、辐射小、传输距离远、使用寿命长等优点。光纤预制棒是具有特定折射率剖面并用于制造光纤的高纯度石英玻璃棒，光纤的内部结构在预制棒中形成，预制棒直接决定光纤的类别和性能，其制作是光纤工艺中最重要的部分。

将光纤预制棒母棒进行轴向拉伸径向收缩且保持芯包比和折射率分布恒定的操作称为一次拉伸工艺。具体过程为，在光纤拉丝塔顶部将光纤预制棒母棒上端夹持，下端放入两千摄氏度左右的石墨高温炉中心区域加热至熔融状态，并在底端牵引下将母棒均匀拉伸至所需尺寸规格。

目前，行业内大多数企业在进行光纤预制棒一次拉伸工艺时都会在重要参数设置中出现以下问题：首先是参数预设问题，当前工艺参数是由现场工人根据预制棒母棒批次结合过往加工经验预设，参数选择较为随意且参数间无明确定量关系；其次是针对同一批次中材料性质在一定范围内有明显波动的不同母棒笼统处理，采取完全相同的加工参数进行加工；最后是在加工过程中关键监控变量出现异常时，工人倾向于做出不精准的调控措施。

发明内容

本发明实施方式的目的是通过基于遗传算法及BP神经网络对光纤预制棒的一次拉伸工艺参数进行预测，以解决现有技术中对参数选择随意且无法根据光纤预制棒的性质调整工艺参数的问题。

为了实现上述目的，在本发明的第一方面，提供一种光纤预制棒一次拉伸工艺参数预测方法，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。

可选地，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。