1.構建理論模型

1.1 BP神經網絡

BP主要通過反復迭代網絡權值和閾值從而促使總體網絡的系統誤差達到預定設計值或最小值。其主要分別由數據正向傳播和誤差的負向反饋兩個過程。正向傳播時，數據從輸入層經由隱含層逐層傳遞直至輸出層。若輸出層擬合的數據并不是預期反饋值，則轉向誤差的負項反饋階段，誤差誤差信號沿原通道返回，通過修改各項神經元的權值和閾值確保網絡誤差最小。求解過程如下：

（1）給神經元的各項權值和閾值隨機初始化，確立網絡輸入和期望輸出；（2）數據分別從輸入層、隱含層、輸出層逐層傳遞；（3）計算神經網絡系統總誤差；（4）不斷修正權值：和閾值，確保誤差最小；（5）如果輸出值與期望值的誤差精度或循環次數系統設置的總體要求，則輸出結果，否則回到步驟（2）。

1.2 遺傳算法

GA是通過交配將父本優秀的染色體和基因遺傳給子代，通過染色體核基因的重新組合產生更優秀的新的個體及由它們組成的新群體，隨著個體的不斷更新，群體朝著最優方向進化。遺傳算法是真實模擬自然界生物進化機制。研究的樣本整體看做一個群體，每一個樣本看做個體，組成樣本的數據相當于生物鐘組成染色體的基因，染色體用固定長度的二進制串表述，通過交換、突變等遺傳操做，在一定范圍內隨機搜索，與目標值接近的保留，與目標值較差的被淘汰，是新的一代具備了上一代的優良性狀，在性能上要優于上一代。由于遺傳操作可以越過位壘，能跳出局部較優點，達到全局最優點。典型的算法步驟是：

（1）將問題的解用初始化的編碼串表示（生物學術語稱為染色體），每一個編碼串代表一個系統解；

（2）系統隨機產生一組初始群體，編碼串長為m;

（3）分別將編碼串轉譯成尋優參數，并用適用度函數（統稱適應度閾值）進行評價；

（4）根據編碼串個體適應值的高低，執行編碼串復制、交叉和變異因子操作產生新一代群體；

（5）反復執行步驟2到步驟4,不斷進化優化后的編碼串群體，最后確定最適應問題的個體，求出問題的最優解。

1.3 ANN-GA模型

ANN-GA模型結構示意圖如圖1所示。

其具體流程如下：

2.數據處理范例

在這里，我們以對某型金屬材料淬火數據處理為例，具體ANN-GA模型建立如下：

（1）以ANN網絡中的輸入變量淬火溫度、淬火時間、冷卻方式、回火溫度分別作為遺傳算法的種群，每個種群中樣本的各個數據作為個體。以屈服強度、抗拉強度、延伸率的最大值作為適應度函數。

（2）在建立好的ANN模型范圍內隨機產生一樣本，將每個樣本自行進行復制、交叉、變異、遺傳后產生一組新的樣本。

（3）將產生的新樣本迭代入ANN模型中進行預測，計算出新樣本所對應的屈服強度、抗拉強度、延伸率及收縮率。

（4）若計算出的屈服強度、抗拉強度、延伸率及收縮率大于系統設置的適應度函數值，則輸出新樣本所對應的淬火溫度、淬火時間、冷卻方式及回火溫度。反之，則重新循環執行2~4步驟，直至計算運算結束。

該材料化學成分見表1 .試樣淬火溫度分別為++950℃、1000℃、1050℃、1 1 0 0℃、1 1 5 0℃、1 2 0 0℃，淬火時間分別為3 0 m i n、4 5 m i n、6 0 m i n,冷卻方式分別為水冷、空冷、油冷， 再測出00Cr13Ni5Mo馬氏體不銹鋼的抗拉強度、屈服強度、延伸率及收縮率。將各種各種工藝參數下的試樣經過打磨、拋光，制成金相試樣后，用專用腐蝕劑對試樣進行腐蝕，利用Leica光學顯微鏡觀察試樣的微觀組織。

選取具有代表性的實驗數據作為樣本進行訓練，通過均方誤差（RMSE）來描述實驗值Ti與網絡輸出值Yi之間的精度。

為了平衡不同參數在網絡訓練過程中的權重，將熱處理參數和力學性能樣本數據分別規范在-1~1,其公式如（2）所示：

3.結果與討論

3.1 BP網絡模型

表2為采用各種網絡算法下神經網絡的運算結果。從表2可見，采用Traincgf算法的神經網絡具有收斂運算耗時69.436s,RMSE為1.42%.因此，本文的構建的ANN模型網絡采用Traincgf算法，網絡結構為3-8-4,動量因子為0.4時，學習速率為0.2時，網絡測試的均方誤差值分別最小。

3.2 遺傳算法優化結果

該材料的GA-ANN模型預測熱處理參數模擬及實驗結果如表3所示。從表3中可以看出，ANN-GA模型預測的的熱處理參數與實驗結果基本一致，最大RMSE為9.69%.

實驗與模擬結果表明：該材料最優化的淬火工藝溫度為1000~1050℃，淬火時間為30min,冷卻方式為空冷。

4.結論

通過基于Traincgf算法對某型材料淬火數據的處理，建立了該型材料的淬火溫度，保溫時間、冷卻方式與抗拉強度、屈服強度、延伸率等關系的ANN預測模型。

該模型能夠比較有效的運用Traincgf算法的神經網絡進行收斂運算，使得運算時間耗時最少，網絡測試的均方誤差值最小，ANN-GA模型預測的物理參數與檢驗結果基本一致，能夠有效提高數據分析處理效率。