基于ＢＰ神经网络的压铸镁合金选材专家系统 ,充分利用符号系统和神经网络的各自优点 ,根据对合金性能的具体要求 ,便捷而准确地选出适宜的压铸镁合金。1 压铸镁合金性能评价材料性能的优劣是个模糊的概念 ,除了要求材料具有良好的使用性能外 ,还要求有良好的工艺性和经济性 ,这些性能要求也具有模糊性<1> 。研究中 ,选取 5种应用最为广泛的镁合金 ,依据经验和手册资料 ,按性能优劣分为 5个等级进行对比<2～ 5> ,具体含义如下 :5—很好 ,4—好 ,3—较好 ,2—中等 ,1—一般。表 1 几种牌号镁合金性能对比Ｔａｂ .1 Ｐｒｏｐｅｒｔｉｅｓｃｏｍｐａｒｉｓｏｎｏｆｓｅｖｅｒａｌｋｉｎｄｓｏｆｍａｇｎｅｓｉｕｍａｌｌｏｙｓ性能 压铸镁合金ＡＺ91ＤＡＭ 6 0ＡＭ 2 0ＡＥ42ＡＳ41Ｂ气密性 45 5 5 5表面处理能力 45 5 5 5充型能力 5 42 44耐蚀性 5 5 45 4抛光性 442 33化学氧化薄膜强度 45 5 5 5高温强度 2 315 4经济性 5 432 32 系统结构采用神经网络与专家系统相结合 ,见图 1。运用Ｃ语言编程。其中神经网络模块是系统的核心。图 1 压铸镁合金选材神经专家系统的系统结构图Ｆｉｇ .1 ＤｉａｇｒａｍｍａｔｉｃｆｉｇｕｒｅｏｆｅｘｐｅｒｔＮｅｔｗｏｒｋｆｏｒｍａｇｎｅ ｓｉｕｍｄｉｅｃａｓｔｉｎｇｓｅｌｅｃｔｉｏｎ知识的存贮与问题求解过程中的推理均在神经网络模块进行,通过对规范化处理后的选材样本进行学习训练、联想记忆及模式匹配等功能 ,获得连接权值 ,形成知识库。专家系统包括预处理模块、数据库、推理机 ,并可解释选材过程。专家系统主要承担知识表达的规范化及表达方式的转换 ,是神经网络与外界联接的“接口”。数据库分为存储有各种压铸镁合金性能的静态数据库和存储神经网络中间运算结果的动态数据。用户通过预处理模块输入对材料的性能要求 ,经过正向推理和判断 ,推荐适宜的压铸镁合金 ,并由用户最后做出选择。2 .1 规则表示在专家系统部分知识采用产生式规则表示 ,例如对ＡＺ91Ｄ合金的选择规则可定义为 :ＩＦ 气密性好 ＡＮＤ 表面处理能力 好 ＡＮＤ 充型能力很好 ＡＮＤ 耐 蚀性很好 ＡＮＤ 抛光性好 ＡＮＤ 化学氧化薄膜强度好 ＡＮＤ 高温强度中等 ＡＮＤ 经济性很好ＴＨＥＮ ＡＺ91Ｄ合金2.2 预处理模块通过预处理模块 ,将对合金的模糊要求进行处理 ,转换为一定等级。例如 ,如果要求合金具有很好的充型能力 ,则根据等级评定标准 ,可转化为等级 5。3 神经网络的建立系统中采用 3层动量化修正ＢＰ神经网络 (见图2 )进行压铸镁合金材料选择。选取压铸合金的物理化学性能、机械性能及铸造性能等共 8个性能项目作为选材要求 ,即网络含有 8个输入节点。图 2 ＢＰ神经网络结构Ｆｉｇ .2 ＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｓｔｒｕｃｔｕｒｅ以表 1和以往的一些合金选择实例作为学习样本进行训练。考虑到训练样本数目并不是很充足 ,提出将性能要求通过分段函数模糊量化到相应分段区间 ,再送入神经网络输入层的方法来增加训练样本。通过这种方法 ,一定程度上增强了神经网络的容错性和稳定性 ,完善了训练样本集。具体首先选取模糊化函数Ｆ ,将性能比值分别转化为相应区间的随机值。其中模糊化分段函数Ｙｉ=Ｆ(Ｘｉ)如下 :Ｙｉ0 .85 ～ 1.0 00 .70 ～ 0 .840 .6 0～ 0 .6 90 .4 0 ～ 0 .5 90 .0 0～ 0 .39 若 Ｘｉ =5 (很好 )Ｘｉ =4 (好 )Ｘｉ =3 (较好 )Ｘｉ =2 (中等 )Ｘｉ =1 (一般 ) 在输出层 ,5种最为常用的压铸镁合金构成选材集 ,网络的输出层节点数为 5 ,输出模式用取值为 0 .1或 0 .9的 5维向量来表达 ,这样可以避免因Ｓｉｇｍｏｉｄ函数的输出趋向饱和而使学习无法收敛。当训练学习结束 ,输入合金的具体要求后 ,由网络内部的前向计算进行匹配 ,初步选择镁合金牌号。隐含层节点数根据实验取为 15。4 推理机制专家系统采用正向推理 ,实质就是神经网络的计算过程。首先调入神经网络学习阶段由各权值形成的知识库 ,然后将合金的具体要求规范到相应区间 ,形成输入值。在此基础上系统自动计算隐含层和输出层神经元输出 ,并依据预先设定的阈值判断合金类型。最后由用户对推荐的合金加以选择 ,再根据实际情况最后决定所采用的压铸镁合金牌号。5 应用实例为某企业压铸生产的ＭＰ3壁薄外壳选择一种镁合金牌号。表 2
性能要求 Ｔａｂ .2 Ｐｒｏｐｅｒｔｉｅｓｒｅｑｕｅｓｔ序号性能项目 要求 序号性能项目 要求1气密性一般 2表面处理能力好3充型能力极好 4耐蚀性好5抛光性好 6化学氧化薄膜强度较好7高温强度较好 8经济性极好 根据神经网络训练和计算 ,输出结果为 { 0 .92 ,0 .0 9,0 .11,0 .14,0 .0 7} ,而相应的期望输出为 { 0 .9,0 .1,0 .1,0 .1,0 .1}。通过专家系统经正向推理判断 ,确定合金类型为 :ＡＺ91Ｄ ,经压铸生产获得了令用户满意的合格产品。6 结论采用基于神经网络的专家系统进行压铸镁合金材料选择快速有效 ,充分发挥了神经网络的联想记忆和模式匹配功能以及专家系统的各自优点。系统可以通过不断增加合金牌号加以扩充完善。研究中还提出 1种通过分段函数 ,将模糊化性能要求离散为区间随机值的方法增加训练样本数目 ,从而一定程度上完善了训练样本集基于神经网络的压铸镁合金选材专家系统@王家弟$上海交通大学轻合金精密成型国家工程中心!上海200030
@卢晨$上海交通大学轻合金精密成型国家工程中心!上海200030
@丁文江$上海交通大学轻合金精密成型国家工程中心!上海200030
镁合金;;压力铸造;;
材料选择;;神经网络采用神经网络方法建立快捷的压铸镁合金材料选择系统 ;提出了 1种通过分段函数将模糊性能要求模糊量化到各分段区间 ,增加训练样本集的方法<1> 成晓林,张根保,胡立德数据库支持的材料选择模糊专家系统
.计算机工程与设计,2000,21(4):2125.
<2> AvedesianM ,HughBaker.MagnesiumandMagnesiumAlloys.USA :ASMInternational,1999.
<3> HoushS ,MikuckiB .StevensonA .SelectionandApplicationofMagnesiumandMagnes iumAlloys.InPropertiesandSelection:NonferrousAlloysandSpecialPurposeMaterials,USA :ASMInternational,1991(21),455479.
<4> AlloyData:MagnesiumDieCastingAlloys.I nNADCAProductSpecificationStandardsforDieCastings,1997.
<5> 上海市压铸技术协会压力铸造工艺基础上海:1992,12金牌号加以扩充完善。研究中还提出 1种通过分段函数 ,将模糊化性能要求离散为区间随机值的方法增加训练样本数目 ,从而一定程度上完善了训练样本集基于神经网络的压铸镁合金选材专家系统@王家弟$上海交通大学轻合金精密成型国家工程中心!上海200030
@卢晨$上海交通大学轻合金精密成型国家工程中心!上海200030
@丁文江$上海交通大学轻合金精密成型国家工程中心!上海200030镁合金;;压力铸造;;材料选择;;神经网络采用神经网络方法建立快捷的压铸镁合金材料选择系统 ;提出了 1种通过分段函数将模糊性能要求模糊量化到各分段区间 ,增加训练样本集的方法<1> 成晓林,张根保,胡立德数据库支持的材料选择模糊专家系统.计算机工程与设计,2000,21(4):2125.
<2> AvedesianM ,HughBaker.MagnesiumandMagnesiumAlloys.USA :ASMInternational,1999.
<3> HoushS ,MikuckiB .StevensonA .SelectionandApplicationofMagnesiumandMagnes iumAlloys.InPropertiesandSelection:NonferrousAlloysandSpecialPurposeMaterials,USA :ASMInternational,1991(21),455479.
<4> AlloyData:MagnesiumDieCastingAlloys.I nNADCAProductSpecificationStandardsforDieCastings,1997.
<5> 上海市压铸技术协会压力铸造工艺基础上海:1992,12