[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

说明书

本发明提供了一种基于神经网络的烧结SmCo磁性能预测方法及系统，涉及磁性材料和机器学习应用技术领域。本发明以烧结SmCo永磁体的成分和工艺参数，准确预测烧结SmCo永磁体的磁性参数，成分包括Zr、Cu和Sm元素的重量百分含量，工艺参数主要包括固溶温度、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、预时效时间和时效温度。综合成分和工艺参数，来预测磁体的剩磁、矫顽力、最大磁能积和方形度这四个核心性能参数。基于前馈传递和反向传播的原理，构建人工神经网络模型，并在此基础上，优化激活函数和训练集的采样方法，使模型达到理想的拟合和预测效果。

技术领域

本发明涉及磁性材料和机器学习技术应用领域，具体是指一种基于神经网络的烧结SmCo磁性能预测方法及系统。

背景技术

永磁材料具有机械能和电能相互转换的功能，所以利用其能量转换功能，结合磁的各种物理效应可将永磁材料制成各种各样的永磁功能器件。永磁材料已经成为高新技术、新兴产业与社会进步的重要物质基础。稀土和过渡元素制备的稀土永磁材料是当前矫顽力最高、磁能积最大的一类永磁材料。第二代稀土永磁体以烧结SmCo永磁体为代表，其具有高的饱和磁化强度(可大于1.2T)，高的磁体矫顽力(可大于30kOe)，以及高居里温度(Tc＝926℃)，使其成为具有优异综合磁性能的磁体。目前，市场上使用的Sm-Co永磁体主要为烧结磁体。烧结SmCo永磁体成分和制备工艺复杂，通过传统的实验方法制备磁体，周期较长，难以确定最佳成分和工艺组合。

通过人工神经网络模型，可以显著提高烧结SmCo永磁体的成分和工艺设计效率。机器学习可以用于处理高维数据的分类、回归等问题。2011年由美国发起的材料基因组计划，通过整理收集大量数据，可以有效提高材料的研发效率。结合机器学习的相关算法，能够较为准确的建立起高维数据空间和目标性能之间线性或者非线性模型。作为机器学习标志性的算法，人工神经网络模型自1990年起，就被用于预测纤维增强的陶瓷基复合材料的界面腐蚀行为，并且广泛应用在新材料的研发和材料性能的预测。储林华等基于MATLAB平台和现有的少量实验数据,建立了一个输入为工艺参数、输出为NdFeB永磁体性能参量的BP神经网络模型,通过试验的方法，调整隐含层结点个数，达到模型训练精度和泛化能力的统一。目前尚未有报道采用神经网络模型对烧结SmCo永磁体的磁性能进行预测，烧结SmCo成分较为复杂，不同的成分的样品，其工艺要求差别很大，依靠实验方法，受到周期和成本等因素的限制，难以有效确定特定成分的最优化工艺条件。

综上，现有背景技术的技术不足可归纳如下：(1)针对烧结SmCo永磁体的神经网络模型尚无报道。(2)模型优化方法过于单一，为了得到良好的泛化能力，对训练精度有较大影响。(3)目前预测永磁体的神经网络模型仅以工艺参数作为模型的输入，而没有考虑成分和工艺对磁性能的共同影响。

发明内容

本发明所解决的技术问题：克服现有技术的不足，提供一种基于神经网络的烧结SmCo磁性能预测方法及系统；依靠已有的实验数据，神经网络模型建立成分和工艺参数于磁体磁性能之间的预测模型，经过对模型的优化，大大提高了模型的拟合精度和泛化能力，进而在连续的成分和工艺参数空间中，得到可靠的磁性能预测值，解决了烧结SmCo永磁体的磁性能预测问题。

本发明所采用的技术方案：一种基于神经网络的烧结SmCo磁性能预测方法，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；