[发明专利]一种有限元与粒子群神经网络结合的钢板加热过程温度预测方法

权利要求书

1.一种有限元与粒子群神经网络结合的钢板加热过程温度预测方法，其特征在于，包括以下步骤：

步骤1，针对所要预测的钢种，根据厚度选取部分工况，并通过有限元数值模型计算出温度场以及各个位置温度变化曲线；

步骤2，将钢板厚度、加热时间、从0开始间隔1s时刻作为神经网络的输入参数，当前时刻对应的钢板相应位置温度作为神经网络的输出参数，将步骤1中获得的温度曲线转换为神经网络输入输出的训练数据；

步骤3，对步骤2中的训练数据进行训练集与验证集的划分；

步骤4，对训练集数据进行归一化处理；

步骤5，确定神经网络各层的神经元节点数，建立神经网络模型，设定网络参数；

步骤6，设定粒子群参数，将神经网络权值和阈值作为粒子群算法的粒子，选出最优解，作为神经网络最优权阈值；

步骤7，用步骤4中的训练集，训练神经网络模型；

步骤8，用步骤3中的测试集，测试神经网络预测性能。

2.根据权利要求1所述的一种有限元与粒子群神经网络结合的钢板加热过程温度预测方法，其特征在于，步骤1中，所述根据厚度选取部分工况为在所要预测钢种的厚度范围内，选取从小到大间隔工况，做到厚度范围全覆盖。

3.根据权利要求1所述的一种有限元与粒子群神经网络结合的钢板加热过程温度预测方法，其特征在于，步骤2中，所述温度曲线转换为神经网络输入输出的训练数据，是将钢板厚度、加热时间、从0开始间隔1s时刻的数据与当前时刻对应的钢板相应位置温度的数据转换成表格数据文件。

4.根据权利要求1所述的一种有限元与粒子群神经网络结合的钢板加热过程温度预测方法，其特征在于，步骤3中，所述训练集为步骤2中训练数据的5/6，验证集为训练数据的1/6，即若有6条温度曲线，则5条温度曲线为训练集，剩余一条曲线为验证集。

5.根据权利要求1所述的一种有限元与粒子群神经网络结合的钢板加热过程温度预测方法，其特征在于，步骤4中，所述输入与输出数据归一化处理为将训练集使用mapminmax函数转换。

6.根据权利要求1所述的一种有限元与粒子群神经网络结合的钢板加热过程温度预测方法，其特征在于，步骤5中，所述神经元各层节点包括输入层节点、隐层节点以及输出层节点。

7.根据权利要求6所述的一种有限元与粒子群神经网络结合的钢板加热过程温度预测方法，其特征在于，步骤5中，所述神经元各层节点数包括输入层节点数为3，隐层节点数为3，输出层节点数为1。

8.根据权利要求1所述的一种有限元与粒子群神经网络结合的钢板加热过程温度预测方法，其特征在于，步骤5中，所述神经网络模型为单隐含层的3层BP神经网络，神经网络参数包括：输入层至隐含层传递函数、隐含层至输出层传递函数、训练函数、学习函数、网络迭代次数、训练误差目标、学习速率、最小确认失败次数。

9.根据权利要求8所述的一种有限元与粒子群神经网络结合的钢板加热过程温度预测方法，其特征在于，步骤5中，所述神经网络参数设定为：输入层至隐含层传递函数为tansig、隐含层至输出层传递函数为purelin、训练函数为trainlm、学习函数learngdm、网络迭代次数为1000、训练误差目标为1e-7、学习速率为0.01、最小确认失败次数为6。

10.根据权利要求1所述的一种有限元与粒子群神经网络结合的钢板加热过程温度预测方法，其特征在于，步骤6中，所述粒子群参数包括：种群规模，粒子维度，惯性权重因子，加速系数，速度范围，位置范围，最大迭代次数，粒子群参数设定为：种群规模N＝100，粒子维度D＝19，惯性权重因子ω＝[0.4，0.9]，加速系数c₁＝1.49445和c₂＝1.49445，速度范围[-5，5]，位置范围[-10,10]，最大迭代次数K＝200。