[发明专利]一种基于神经网络的烧结SmCo磁性能预测方法及系统

权利要求书

1.一种基于神经网络的烧结SmCo磁性能预测方法，其特征在于，包括以下步骤：

步骤(1)数据获取及整理，获取烧结SmCo的不同特征参数数据与不同磁性能指标数据之间关系的样本数据，构建数据集；

步骤(2)构建神经网络模型，对数据集进行预处理，划分为训练集与测试集，构建神经网络模型，其中以训练集中的特征参数数据作为所述神经网络模型的输入，以训练集中对应的磁性能指标数据作为所述神经网络模型的输出；

步骤(3)训练神经网络模型，训练神经网络模型的权重参数，得到已训练的神经网络模型；

步骤(4)测试集测试模型，使用测试集评估已训练的神经网络模型的性能，优化已训练的神经网络模型，进而得到已优化的神经网络模型；

步骤(5)确定模型，将待预测的烧结SmCo磁体对应的特征参数数据输入至已优化的神经网络模型，所述已优化的神经网络模型输出所预测的磁性能指标数据。

2.根据权利要求1所述的一种基于神经网络的烧结SmCo磁性能预测方法，其特征在于：所述步骤(1)中，烧结SmCo成分组成为Sm(Co_aFe_bCu_cZr_d)_z，其中，z值范围7.5～8.1范围，Cu质量百分比含量范围0.054～0.066，Zr质量百分比含量范围0.015～0.02范围，上述成分范围内的配料比，根据不同成分的磁体，调整热处理工艺参数，以制备出含2:17相的SmCo永磁体。

3.根据权利要求1所述的一种基于神经网络的烧结SmCo磁性能预测方法，其特征在于：所述步骤(2)中，特征参数包括成分参数与制备工艺参数，所述成分参数包括Zr元素含量、z值与Cu元素含量；所述制备工艺参数包括：固溶温度、固溶时间、烧结温度、二次烧结温度、二次烧结时间、预时效温度、预时效时间与时效温度。

4.根据权利要求1至3任一所述的一种基于神经网络的烧结SmCo磁性能预测方法，其特征在于：所述烧结SmCo磁性能指标包括：剩磁、矫顽力、最大磁能积与方形度。

5.根据权利要求1至3任一所述的一种基于神经网络的烧结SmCo磁性能预测方法，其特征在于：所述步骤(2)中的预处理采用归一化处理。

6.根据权利要求1至3任一所述的一种基于神经网络的烧结SmCo磁性能预测方法，其特征在于：所述步骤(2)中，所述神经网络模型的结构包括输入层、隐藏层与输出层；隐藏层与输入层以全连接的方式连接，即隐藏层的00000000000000每一个神经元都与输入层所有神经元相连接；输出层和隐藏层也采用全连接的方式连接；所述输入层单元数量为11，输出层的神经元数量为4，所述隐藏层的神经元数量为23。

7.根据权利要求1至3任一所述的一种基于神经网络的烧结SmCo磁性能预测方法，其特征在于：所述步骤(3)中，训练神经网络模型的权重参数的具体实现为，使用误差反向传播算法迭代更新所述神经网络模型的权重参数，直至训练误差小于设定阈值完成训练，所述训练误差为训练集对应的预测磁性能指标数据与真实磁性能指标数据之间的均方差。

8.根据权利要求1至3任一所述的一种基于神经网络的烧结SmCo磁性能预测方法，其特征在于：所述步骤(3)中，所述优化已训练的神经网络模型的具体实现为，对神经网络模型中的隐藏层重复使用不同的激活函数，并重复使用不同的数据集划分方法以划分训练集与测试集，直至测试误差小于设定阈值，所述测试误差为测试集对应的预测磁性能指标数据与真实磁性能指标数据之间的误差百分比。

9.根据权利要求8所述的一种基于神经网络的烧结SmCo磁性能预测方法，其特征在于：所述隐藏层的激活函数包括tansig函数与hardlim函数，优选为hardlim函数。

10.一种实现权利要求1-9任意之一所述基于神经网络的烧结SmCo磁性能预测方法的预测系统，其特征在于，包括：输入模块、预测模块与输出模块；

所述输入模块，用于输入待预测的烧结SmCo对应的特征参数数据并进行预处理，发送至所述预测模块；

所述预测模块，用于根据烧结SmCo的特征参数数据预测磁性能指标数据，所述预测模块包括一个已训练优化的神经网络模型，所述神经网络模型接收预处理后的特征参数数据作为输入，并以对应的所预测的磁性能指标数据作为输出，发送至所述输出模块；

所述输出模块，用于输出呈现烧结SmCo的磁性能指标数据。