本發(fā)明涉及防眩玻璃化學(xué)侵蝕制備工藝技術(shù)領(lǐng)域，具體涉及基于BP神經(jīng)網(wǎng)絡(luò)的防眩玻璃化學(xué)侵蝕工藝參數(shù)優(yōu)化方法。

背景技術(shù)：

目前，利用化學(xué)蝕刻法對(duì)玻璃表面進(jìn)行酸化處理的防眩玻璃工藝在應(yīng)用中較為廣泛。侵蝕工藝中的時(shí)間和溫度是影響透過(guò)率的兩個(gè)重要因素，為提高防眩玻璃的透過(guò)率，需針對(duì)侵蝕條件因素溫度和時(shí)間進(jìn)行工藝參數(shù)優(yōu)化設(shè)計(jì)。響應(yīng)曲面法(response surface methodology，RSM) 最初是由Box和Wilson提出，是一種重要的參數(shù)優(yōu)化方法，包括實(shí)驗(yàn)設(shè)計(jì)、模型擬合和過(guò)程優(yōu)化等階段，即通過(guò)建立響應(yīng)與顯著影響因子之間的多元二次方程構(gòu)建因子對(duì)應(yīng)關(guān)系來(lái)模擬真實(shí)極限狀態(tài)曲面，從而確定最優(yōu)參數(shù)組合使得響應(yīng)變量達(dá)到最優(yōu)。由于響應(yīng)曲面法能夠以較少的實(shí)驗(yàn)組數(shù)建立較接近實(shí)際情況的多維空間曲面，因此，響應(yīng)曲面法在生產(chǎn)參數(shù)優(yōu)化過(guò)程中應(yīng)用廣泛。

現(xiàn)實(shí)生產(chǎn)過(guò)程中，由于產(chǎn)品生產(chǎn)工藝的復(fù)雜性，響應(yīng)變量受多重復(fù)雜因素影響，因子變量與響應(yīng)變量之間存在復(fù)雜的非線性關(guān)系，使得響應(yīng)曲面模型不能解決參數(shù)優(yōu)化問(wèn)題，需要提出一種能夠有效處理復(fù)雜系統(tǒng)的方法解決參數(shù)優(yōu)化問(wèn)題。人工神經(jīng)網(wǎng)絡(luò)是一種經(jīng)由大量的神經(jīng)元廣泛地相互連接形成的復(fù)雜的網(wǎng)絡(luò)系統(tǒng)，具有自組織、自適應(yīng)、自學(xué)習(xí)能力和模糊信息處理能力，其中BP神經(jīng)網(wǎng)絡(luò)是一種廣泛應(yīng)用的神經(jīng)網(wǎng)絡(luò)模型。針對(duì)響應(yīng)曲面法處理復(fù)雜系統(tǒng)的局限性，提出一種基于BP神經(jīng)網(wǎng)絡(luò)建立非線性網(wǎng)絡(luò)模型的參數(shù)優(yōu)化方法以解決復(fù)雜因素影響的參數(shù)優(yōu)化問(wèn)題。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是為解決上述技術(shù)問(wèn)題的不足，提供一種基于BP神經(jīng)網(wǎng)絡(luò)的防眩玻璃化學(xué)侵蝕工藝參數(shù)優(yōu)化方法。

本發(fā)明為解決上述技術(shù)問(wèn)題的不足，所采用的技術(shù)方案是：基于BP神經(jīng)網(wǎng)絡(luò)的防眩玻璃化學(xué)侵蝕工藝參數(shù)優(yōu)化方法，包括以下步驟：

S1：數(shù)據(jù)處理，建立防眩玻璃化學(xué)侵蝕工藝數(shù)據(jù)集，該數(shù)據(jù)集包括防眩玻璃化學(xué)侵蝕工藝過(guò)程中的侵蝕溫度、侵蝕時(shí)間數(shù)據(jù)以及與侵蝕溫度和侵蝕時(shí)間對(duì)應(yīng)的玻璃透過(guò)率數(shù)據(jù)，并對(duì)數(shù)據(jù)集中的玻璃透過(guò)率進(jìn)行標(biāo)準(zhǔn)化處理：

；

其中，μ為所有樣本數(shù)據(jù)的均值，σ為所有樣本數(shù)據(jù)的標(biāo)準(zhǔn)差，為標(biāo)準(zhǔn)化后玻璃透過(guò)率數(shù)據(jù)，為未標(biāo)準(zhǔn)化前的玻璃透過(guò)率數(shù)據(jù)；

S2：確定侵蝕溫度及侵蝕時(shí)間的優(yōu)化范圍，通過(guò)分析玻璃透過(guò)率的主效應(yīng)圖等，刪除主效應(yīng)值不顯著的水平，確定侵蝕溫度及侵蝕時(shí)間的優(yōu)化范圍；

S3：利用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建侵蝕溫度、侵蝕時(shí)間與玻璃透過(guò)率的關(guān)系模型，侵蝕溫度和侵蝕時(shí)間作為網(wǎng)絡(luò)輸入，玻璃透過(guò)率作為網(wǎng)絡(luò)輸出，通過(guò)對(duì)BP神經(jīng)網(wǎng)絡(luò)模型參數(shù)的調(diào)整設(shè)置，構(gòu)建較為理想的網(wǎng)絡(luò)模型；

S4：BP神經(jīng)網(wǎng)絡(luò)尋優(yōu)搜索,在構(gòu)建良好網(wǎng)絡(luò)模型的基礎(chǔ)上，利用BP神經(jīng)網(wǎng)絡(luò)模型的高泛化能力對(duì)最優(yōu)參數(shù)組合尋優(yōu)搜索，初次迭代中，在S2中確定的侵蝕溫度及侵蝕時(shí)間的優(yōu)化范圍中賦值，并作為神經(jīng)網(wǎng)絡(luò)的檢測(cè)樣本，利用BP神經(jīng)網(wǎng)絡(luò)模型的泛化能力對(duì)檢測(cè)樣本預(yù)測(cè)出預(yù)測(cè)玻璃透過(guò)率數(shù)據(jù)，在最優(yōu)的預(yù)測(cè)玻璃透過(guò)率所對(duì)應(yīng)的侵蝕溫度及侵蝕時(shí)間組合上下小范圍波動(dòng)，作為下次神經(jīng)網(wǎng)絡(luò)迭代的檢測(cè)樣本，并預(yù)測(cè)出預(yù)測(cè)玻璃透過(guò)率數(shù)據(jù)，通過(guò)多次迭代，將迭代范圍逐漸減小，搜索最優(yōu)侵蝕溫度和侵蝕時(shí)間組合。

所述S2的具體方法為：利用Minitab軟件得到玻璃透過(guò)率的主效應(yīng)圖以及玻璃透過(guò)率與侵蝕溫度和侵蝕時(shí)間的等值線圖，通過(guò)主效應(yīng)圖和等值線圖確定侵蝕溫度及侵蝕時(shí)間的優(yōu)化范圍。

所述S3的具體方法為：以侵蝕溫度和侵蝕時(shí)間為因子，玻璃透過(guò)率為響應(yīng),溫度水平和時(shí)間水平作為輸入向量，響應(yīng)變量玻璃透過(guò)率作為輸出向量，構(gòu)造含有一個(gè)隱層的BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)，設(shè)置隱層的神經(jīng)元個(gè)數(shù)為10，隱層傳遞函數(shù)為tansig，輸出層傳遞函數(shù)為線性函數(shù)purelin，訓(xùn)練函數(shù)用trainlm，訓(xùn)練精度目標(biāo)值、速度和循環(huán)次數(shù)分別設(shè)置為0.001、0.001和300。

所述S4中確定迭代次數(shù)的具體方法為：假設(shè)第i次迭代的最優(yōu)響應(yīng)值為，其未標(biāo)準(zhǔn)化前為，

；

；

整理后如下：

；

將作為第i次迭代的實(shí)際優(yōu)化增值，根據(jù)上述公式將迭代優(yōu)化值轉(zhuǎn)化為響應(yīng)實(shí)際優(yōu)化增值，由于比較響應(yīng)值的實(shí)際優(yōu)化增值直觀，可以有效解決盲目迭代優(yōu)化的問(wèn)題，以較少迭代次數(shù)達(dá)到較優(yōu)的響應(yīng)值，即以合理的實(shí)際優(yōu)化增值確定神經(jīng)網(wǎng)絡(luò)的迭代次數(shù)。

有益效果

本發(fā)明利用BP神經(jīng)網(wǎng)絡(luò)對(duì)防眩玻璃化學(xué)侵蝕的工藝參數(shù)進(jìn)行優(yōu)化，由于防眩玻璃制備技術(shù)的復(fù)雜性,防眩光玻璃透光率受多重因素影響,實(shí)際生產(chǎn)數(shù)據(jù)存在的復(fù)雜的非線性關(guān)系是線性模型和普通非線性模型難以解決的問(wèn)題，BP神經(jīng)網(wǎng)絡(luò)具有高映射能力，可以實(shí)現(xiàn)從輸入到輸出的任意非線性映射，利用BP神經(jīng)網(wǎng)絡(luò)高映射能力和泛化能力建立溫度、時(shí)間與透過(guò)率之間的非線性關(guān)系可解決受復(fù)雜因素影響的參數(shù)優(yōu)化問(wèn)題。

附圖說(shuō)明

圖1為利用Minitab軟件得到的玻璃透過(guò)率的主效應(yīng)圖；

圖2為玻璃透過(guò)率與侵蝕溫度和侵蝕時(shí)間的等值線圖；

圖3為BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練誤差曲線圖；

圖4為BP神經(jīng)網(wǎng)絡(luò)模型的數(shù)據(jù)與模型的擬合度圖。

具體實(shí)施方式

下面結(jié)合附圖對(duì)本發(fā)明的具體實(shí)施方式以及工作原理作進(jìn)一步詳細(xì)說(shuō)明。

基于BP神經(jīng)網(wǎng)絡(luò)的防眩玻璃化學(xué)侵蝕工藝參數(shù)優(yōu)化方法，包括以下步驟：

S1：數(shù)據(jù)處理，建立防眩玻璃化學(xué)侵蝕工藝數(shù)據(jù)集，該數(shù)據(jù)集包括防眩玻璃化學(xué)侵蝕工藝過(guò)程中的侵蝕溫度、侵蝕時(shí)間數(shù)據(jù)以及與侵蝕溫度和侵蝕時(shí)間對(duì)應(yīng)的玻璃透過(guò)率數(shù)據(jù)，并對(duì)數(shù)據(jù)集中的玻璃透過(guò)率進(jìn)行標(biāo)準(zhǔn)化處理：

；

其中，μ為所有樣本數(shù)據(jù)的均值，σ為所有樣本數(shù)據(jù)的標(biāo)準(zhǔn)差，為標(biāo)準(zhǔn)化后玻璃透過(guò)率數(shù)據(jù)，為未標(biāo)準(zhǔn)化前的玻璃透過(guò)率數(shù)據(jù)；

防眩玻璃的化學(xué)蝕刻工藝研究的實(shí)驗(yàn)數(shù)據(jù)中溫度（x1）和時(shí)間(x2)為因子，透過(guò)率(y)為響應(yīng)。實(shí)驗(yàn)數(shù)據(jù)中溫度因子有4個(gè)水平，時(shí)間因子有6個(gè)水平，將溫度水平15℃、20℃、25℃、30℃設(shè)置為1、2、3、4，時(shí)間水平3min、5min、8min、10min、15min、20min設(shè)置為1、2、3、4、5、6。對(duì)透過(guò)率進(jìn)行標(biāo)準(zhǔn)化處理（Y），數(shù)據(jù)整理結(jié)果如下表所示：

S2：確定侵蝕溫度及侵蝕時(shí)間的優(yōu)化范圍，通過(guò)分析玻璃透過(guò)率的主效應(yīng)圖等，刪除主效應(yīng)值不顯著的水平，確定侵蝕溫度及侵蝕時(shí)間的優(yōu)化范圍，縮小優(yōu)化范圍；

利用Minitab軟件得到透過(guò)率的主效應(yīng)圖（如圖1所示）和透過(guò)率與溫度、時(shí)間的等值線圖（如圖2所示）。主效應(yīng)圖中，響應(yīng)變量透過(guò)率為望大特性，溫度因子4個(gè)參數(shù)水平的主效應(yīng)值較為接近，時(shí)間因子的第4水平主效應(yīng)值最高，而等直線圖中，時(shí)間因子在3、4、5水平時(shí)玻璃的透過(guò)率較高，最優(yōu)值在[3，5]區(qū)間。經(jīng)綜合考慮分析，將BP神經(jīng)網(wǎng)絡(luò)模型的參數(shù)優(yōu)化范圍設(shè)置溫度水平為區(qū)間[1，4]，時(shí)間水平為區(qū)間[3，5]。

S3：利用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建侵蝕溫度、侵蝕時(shí)間與玻璃透過(guò)率的關(guān)系模型，侵蝕溫度和侵蝕時(shí)間作為網(wǎng)絡(luò)輸入，玻璃透過(guò)率作為網(wǎng)絡(luò)輸出，通過(guò)對(duì)BP神經(jīng)網(wǎng)絡(luò)模型參數(shù)的調(diào)整設(shè)置，構(gòu)建較為理想的網(wǎng)絡(luò)模型；

溫度水平x1和時(shí)間水平x2作為輸入向量，響應(yīng)變量透過(guò)率Y作為輸出向量，構(gòu)造含有一個(gè)隱層的BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)，設(shè)置隱層的神經(jīng)元個(gè)數(shù)為10，隱層傳遞函數(shù)為tansig，輸出層傳遞函數(shù)為線性函數(shù)purelin，訓(xùn)練函數(shù)用trainlm，訓(xùn)練精度目標(biāo)值、速度、循環(huán)次數(shù)分別設(shè)置為0.001、0.001、300，并將均方誤差MSE作為模型評(píng)判標(biāo)準(zhǔn)，其值越小網(wǎng)絡(luò)擬合度越高。

網(wǎng)絡(luò)輸出結(jié)果為：

輸入層與隱層之間的連接權(quán)= -0.1785, 1.2981; 1.0741, -0.9699; 0.6312, 3.7664; 4.7115, -1.9050; 1.2084, -0.5859; -3.5209, -0.8002; -4.3116, 3.3895; -3.8963, 0.2129; 3.6576, -2.1460; -1.6869, 1.5647

隱層與輸出層之間的連接權(quán)值= -0.0660, 5.4741, 0.8410, -1.1194, 0.2299, -1.5823, 3.9276, 1.3642, -2.1112, -3.1658

隱層的閾值= -10.8432; -1.2465; -11.8121; -6.5742; 4.6294; 8.9475; 5.8527; 5.9798; 3.4294 ; -3.9617

輸出層的閾值=-0.1981

BP神經(jīng)網(wǎng)絡(luò)的均方誤差為6.8855e-4，其訓(xùn)練誤差曲線和回歸結(jié)果如圖4所示，網(wǎng)絡(luò)訓(xùn)練循環(huán)在35步達(dá)到訓(xùn)練精度0.001要求（如圖3），數(shù)據(jù)和模型的擬合度R達(dá)到99.973%（如圖4），模型建立良好。

S4：BP神經(jīng)網(wǎng)絡(luò)尋優(yōu)搜索,在構(gòu)建良好網(wǎng)絡(luò)模型的基礎(chǔ)上，利用BP神經(jīng)網(wǎng)絡(luò)模型的高泛化能力對(duì)最優(yōu)參數(shù)組合尋優(yōu)搜索，初次迭代中，在S2中確定的侵蝕溫度及侵蝕時(shí)間的優(yōu)化范圍中賦值，并作為神經(jīng)網(wǎng)絡(luò)的檢測(cè)樣本，利用BP神經(jīng)網(wǎng)絡(luò)模型的泛化能力對(duì)檢測(cè)樣本預(yù)測(cè)出預(yù)測(cè)玻璃透過(guò)率數(shù)據(jù)，在最優(yōu)的預(yù)測(cè)玻璃透過(guò)率所對(duì)應(yīng)的侵蝕溫度及侵蝕時(shí)間組合上下小范圍波動(dòng)，作為下次神經(jīng)網(wǎng)絡(luò)迭代的檢測(cè)樣本，并預(yù)測(cè)出預(yù)測(cè)玻璃透過(guò)率數(shù)據(jù)，通過(guò)多次迭代，將迭代范圍逐漸減小，搜索最優(yōu)侵蝕溫度和侵蝕時(shí)間組合。

其中，確定迭代次數(shù)的具體方法為：假設(shè)第i次迭代的最優(yōu)響應(yīng)值為，其未標(biāo)準(zhǔn)化前為，

；

；

整理后如下：

；

將作為第i次迭代的實(shí)際優(yōu)化增值，根據(jù)上述公式將迭代優(yōu)化值轉(zhuǎn)化為響應(yīng)實(shí)際優(yōu)化增值，由于比較響應(yīng)值的實(shí)際優(yōu)化增值直觀，可以有效解決盲目迭代優(yōu)化的問(wèn)題，以較少迭代次數(shù)達(dá)到較優(yōu)的響應(yīng)值，即以合理的實(shí)際優(yōu)化增值確定神經(jīng)網(wǎng)絡(luò)的迭代次數(shù)。

在縮小的參數(shù)優(yōu)化范圍中，對(duì)因子水平賦值，利用BP神經(jīng)網(wǎng)絡(luò)的泛化能力搜索最優(yōu)參數(shù)組合，使得響應(yīng)變量透過(guò)率達(dá)到最高。迭代的實(shí)際優(yōu)化增值（%）設(shè)定為0.2，即當(dāng)?shù)趇次迭代的實(shí)際優(yōu)化值（%）小于0.2，神經(jīng)網(wǎng)絡(luò)停止迭代。

迭代1：將溫度x1設(shè)置水平為1、1.5、2、2.5、3、3.5、4，時(shí)間x2設(shè)置水平為3、3.5、4、4.5、5，并進(jìn)行全因子試驗(yàn)設(shè)計(jì)。迭代1中兩因子分別用x11、x21表示。利用BP神經(jīng)網(wǎng)絡(luò)的良好泛化能力在迭代1設(shè)置范圍中尋優(yōu)搜索，Matlab語(yǔ)句為a=[x11 x21]'; Y1= sim(net,a)，響應(yīng)透過(guò)率的預(yù)測(cè)結(jié)果見(jiàn)下表，其中x11為2.5水平，x21為3.5水平時(shí)，響應(yīng)Y最優(yōu)值為1.8433。第1次迭代的優(yōu)化增值（%）為6.37。

迭代2：在迭代1搜索的最優(yōu)參數(shù)組合（2.5，3.5）上下小范圍波動(dòng)，將溫度x1設(shè)置水平為2.2、2.3、2.4、2.5、2.6、2.7、2.8，時(shí)間x2設(shè)置水平為3.2、3.3、3.4、3.5、3.6、3.7、3.8，并進(jìn)行全排列試驗(yàn)設(shè)計(jì)，兩因子分別用x12、x22表示。利用BP神經(jīng)網(wǎng)絡(luò)的良好泛化能力在迭代2設(shè)置范圍中尋優(yōu)搜索，Matlab語(yǔ)句為a=[x12 x22]'；Y2=sim(net,a)。

響應(yīng)透過(guò)率的預(yù)測(cè)結(jié)果，其中x12為2.4水平，x22為3.3水平時(shí)，響應(yīng)Y最優(yōu)值為1.8685，第2次迭代的優(yōu)化值（%）為0.11，小于0.2，迭代停止。BP神經(jīng)網(wǎng)絡(luò)優(yōu)化方法確定的最優(yōu)參數(shù)水平組合為（2.4，3.3）。原始數(shù)據(jù)中響應(yīng)變量透過(guò)率（%）均值為84.0583，標(biāo)準(zhǔn)差為4.36836，BP神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化過(guò)程中透過(guò)率最優(yōu)值1.8685，將其轉(zhuǎn)化為透過(guò)率真值（%）為92.22，即將溫度設(shè)置為22℃，侵蝕時(shí)間設(shè)置為8.6min，可將防眩玻璃的最優(yōu)透過(guò)率89.9%提高到92.22%，因此，提出的基于BP神經(jīng)網(wǎng)絡(luò)的參數(shù)優(yōu)化方法可行、有效。