利用神经网络优化铁基软磁材料热处理工艺研究 于万林 ，赵浩峰 ，邱奕婷２，郑泽昌 ，林莹莹 ，张（１．南京中电熊猫磁电科技有限公司，江苏南京２１０００８； 群 ２．南京信息工程大学物理与光电工程学院，江苏南京２１００４４） 摘要：采用熔体快淬法制备软磁非晶薄带，经不同温度和时间对材料进行热处理，获得对应不同热处理 温度和时间的磁性能数据。利用基于ＭａｔＬａｂ软件平台的神经网络，将传统热处理工艺与其相结合，对铁基软磁 材料热处理工艺进行优化。研究结果表明，反向传播神经网络（ＢＰＮＮ）能够较好地预测这种材料磁特性随热处 理条件变化的规律，可用于优化铁基软磁材料热处理工艺。 关键词：铁基软磁材料；神经网络；热处ＪＥ；磁性能 中国分类号：ＴＭ２７１ ．１；ＴＧ１５６ 文献标识码：Ａ 文章编号：１００１。３８３０（２０１３）０２．００４１．０２ Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｂａｃｋ－ｐｒｏｐａｇａｔｉｏｎ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ（ＢＰＮＮ）ｔｏ ｔｈｅ ｏｐｔｉｍｉｚａｔｉｏｎ ｏｆ ｈｅａｔ－ｔｒｅａｔｍｅｎｔ ｏｆ Ｆｅ－ｂａｓｅｄ ｓｏｆｔ ｍａｇｎｅｔｉｃ ｍａｔｅｒｉａｌｓ ＹＵ Ｗａｎ．１ｉｎ ，ＺＨＡＯ Ｈａｏ—ｆｅｎｇ ，ＱＩＵ Ｙｉ—ｔｉｎｇ ，ＺＨＥＮ Ｚｅ—ｃｈａｎｇ ，ＬＩＮ Ｙｉｎ。ｙｉｎ ，ＺＨＡＮＧ Ｑｕｎ １．ＮａｎｊｉｎｇＪｉｎｎｉｎｇＥｌｅｃｔｒｏｎｉｃｓ Ｇｒｏｕｐ Ｃｏ，Ｌｔｄ，Ｎａｎｊｉｎｇ２１０００８，Ｃｈｉｎａ，＂ ２．Ｓｃｈｏｏｌ ｏｆＰ ｓｉｃｓ ａｎｄ Ｏｐｔｏｅｌｅｃｔｒｏｎｉｃ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｎａｎｊｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ ｆ ｏＩｎｆｏｒｍａｔｉｏｎ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，Ｎａｎｊｉｎｇ ２１００４４，Ｃｈｉｎａ Ａｂｓｔｒａｃｔ：Ｆｅ－ｂａｓｅｄ ｓｏｆｔ ｍａｇｎｅｔｉｃ ａｍｏｒｐｈｏｕｓ ａｌｌｏｙ ｒｉｂｂｏｎｓ ｗｅｒｅ ｐｒｅｐａｒｅｄ ｂｙ ｍｅｌｔ—ｓｐｉｎｎｉｎｇ，ｆｏｌｌｏｗｅｄ ｂｙ ｈｅａｔ－ｔｒｅａｔｍｅｎｔ ａｔ ｄｉｆｅｒｅｎｔ ｔｅｍｐｅｒａｔｕｒｅ ｆｏｒ ｄｉｆｅｒｅｎｔ ｔｉｍｅｓ．Ｕｓｉｎｇ ｂａｃｋ－ｐｒｏｐａｇａｔｉｏｎ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ（ＢＰＮＮ）ｂａｓｅｄ ｏｎ ＭａｔＬａｂ ｔｈｅ ｈｅａｔ ｔｒｅａｔｍｅｎｔ ｔｅｃｈｎｏｌｏｇｙ ｏｆ ｔｈｅ ａｌｌｏｙ ｗａｓ ｏｐｔｉｍｉｚｅｄ．Ｔｈｅ ｒｅｓｕｌｔｓ ｉｎｄｉｃａｔｅｄ ｔｈａｔ ＢＰＮＮ ｍｏｄｅｌ ｃａｉ１ ｓｕｃｃｅｓｓｆｕｌｌｙ ｐｒｅｄｉｃｔ ｔｈｅ ｄｅｐｅｎｄｅｎｃｅ ｏｆ ｍａｇｎｅｔｉｃ ｐａｒａｍｅｔｅｒｓ ｏｎ ｈｅａｔ—ｒｅａｔｍｅｎｔ ｔｃｏｎｄｉｔｉｏｎｓ．ＢＰＮＮ ｉｓ ｐｒｏｖｅｄ ｔｏ ｂｅ ｕｓｅｄ ｉｎ ｈｅ ｔｏｐｔｉｍｉｚａｔｉｏｎ ｏｆ ｈｅａｔ ｒｔｅ￣ｍｅｍ ｐｒｏｃｅｓｓ ｏｆ Ｆｅ－ｂａｓｅｄ ｓｏｆｔ ｍａｇｎｅｔｉｃ ｍａｔｅｒｉａ１． Ｋｅｙ ｗｏｒｄｓ：Ｆｅ－－ｂａｓｅｄ ｓｏｆｔ ｍａｇｎｅｔｉｃ ｍａｔｅｒｉａｌ；ＢＰＮＮ；ｈｅａｔ－－ｔｒｅａｔｍｅｎｔ；ｍａｇｎｅｔｉｃ ｐｒｏｐｅｒｔｉｅｓ １引言 神经网络已广泛用于有机材料、无机材料及金 地互相连接而组成的复杂网络系统，目前工程领域 中较为流行的软件ＭａｔＬａｂ提供了现成的神经网络 工具箱（ＮＮｂｏｘ），用以解决神经网络问题中的编程 计算工作量问题。由于人工神经网络可以在无需事 先建立任何经验公式的条件下，直接依靠样本数据 属材料研究领域【ｌ 】。在金属材料领域，传统的热 处理工艺是典型的试错法，存在着诸如繁琐、耗时、 成本高、人为和环境不可控因素多等缺陷。随着材 料科学自身的进步和计算机科学的发展，人工神经 网络为优化工艺过程提供了一种可能。如颜开等Ｌ３】 采用神经网络手段研究了Ｎｄ．Ｆｅ—Ｂ永磁合金的热 处理工艺优化。人工神经网络（ＡＮＮ）是一个由大 实现从输出到输入的非线性映射。近年来，ＢＰＮＮ 等神经网络在神经专家系统、模式识别、智能控制、 组合优化、预测等领域得到了成功应用，特别适合 于生产工艺与物理性质等非线性系统预测方面［４， ｌ。 目前神经网络在软磁材料热处理工艺优化中用得不 多。在软磁材料生产过程中，热处理工艺对材料的 量简单的并行工作的处理单元（称为神经元）广泛 组织和性能影响很大，其中热处理中的温度和时间 收稿日期：２０１２．０７．１９ 通讯作者：于万林修回日期：２０１２．１０．１９ 控制又是材料制备中的关键因素之一。本实验采用 Ｅ－ｍａｉｌ：ｎｊ８９８＠１６３．ｃｏｍ ４１ 磁性材料及器件 ２０１３年４月 熔体快淬方法制备软磁非晶薄带，经不同温度和时 间对材料进行热处理，采用神经网络工具中的反向 磁导率 和ｌｋＨｚ的相对起始磁导率 随热处理温 度和时间的变化。从图中可以看出，处理温度较低时 随着热处理温度的提高和时间的延长，材料各项磁性 能都有一定的改善，当温度在４５０℃、保温６ｍｉｎ时， Ｂ。、／ｌｍ、 达到最大值 ＝１．３４Ｔ、ｐｍ－－１６ｘｌＯ 、 ｐ＝１８ｘ １０ ，但进一步提高热处理温度及延长热处理时 间，材料各项磁性能都有所下降。在５５０℃热处理样 品综合磁性能不及４５０℃处理样品的高。 ３．２热处理工艺优化 传播神经网络（ＢＰＮＮ）研究热处理工艺对磁性能 的影响。ＢＰＮＮ是一种多层前反馈神经网络，其权 重和阀值的调整采用负梯度下降方法。 ２实验方法和条件 实验采用的合金材料的化学成分为：Ｓｉ＋Ｂ，２０％； Ｃｕ，２ ％；混合稀土，１－２％；其余为铁。在感应电 炉中熔制好母合金，然后放入真空感应快淬炉内的重 熔管式坩埚中进行重熔，重熔管式坩埚的底部置于Ｊ陕 淬炉转轮轮缘之上２￣４ｍｍ处，母合金置于管式坩埚 内熔化，合金熔融后在氩气氛下从坩埚底部直径为 利用ＭａｔＬａｂ７．１０．０中的神经网络工具箱，对实 验数据进行训练。网络训练的过程为：实验数据录 入 输入参数选择 输出参数选择 训练模式选 择．÷得出训练结果。在这一过程中，采用ｓｉｇｍｏｉｄ 为激活函数，输入Ｐｆ为热处理温度 、处理时间ｔ， ｌｍｍ的孔中喷出与旋转的转轮边缘接触，形成厚度 为４００￣６００ｕｍ的合金带；辊轮轮缘的旋转线速度为 ２５－２７ｍ／ｓ。然后对淬态合金薄带进行热处理，热处理 在具有保护措施的箱式炉中进行，热处理温度设在 ２００～５５０℃范围，保温时间在２－８ｍｉｎ。 热处理结束后测量合金的饱和磁通密度 、最 相应的输出ｑｆ为Ｂ 、 、 。通过对不同训练函数 和学习函数训练后的网络误差分析发现，当ｔｒａｉｎｌｍ 为训练函数，ｌｅａｍｇｄｍ为学习函数时，ＢＰＮＮ效果 最好。为了获取最佳的隐含层节点数，利用 Ｋｏｌｍｏｇｏｒｏｖ定理： ｌ＝大相对磁导率 和ｌｋＨｚ的相对初始磁导率 。性 能采用ＭＡＴＳ软磁测量装置测试。 √ ＋ｍ＋口（１≤口 １０） （１） 其中，ｎ为输入种类，ｍ为输出种类。从而得到节 ３实验结果及讨论 ３．１合金的软磁－性能 图１给出了合金的饱和磁通密度 、最大相对 点数： １＋，ｚ】＋，ｚ１ｍ＋ｍ。根据实验数据量，经过计 算和训练，确定隐层节点数为１３时效果最好。 图２ａ为 的ＢＰ神经网络训练过程均方误差， 热处理温度／℃ 热处理温度／℃ 热处理温度／℃ 性能的影响：（ａ）饱和磁通密度，（ｂ）最大磁导率，（ｃ）ｌｋＨｚ的起始磁导率 ｌ 羞 ｉ 重 藏翱●■● －０，＿ ‘＇■＿＿一 （ａ１饱和磁通密度Ｂ （ｂ）最大磁导率 （ｃ）ｌｋＨｚ的磁导率 图２各参数的ＢＰ神经网络训练过程均方误差 ４２ （下转７８页） ＪＭａｇｎＭａｔｅｒＤｅｖｉｃｅｓ Ｖｏｌ４４ Ｎｏ ２ 共７３篇，研究发展状态及现状的共３３篇。 人以上合著发表居多，下载次数较多的多是软磁材 ３结论 料发展状态类的叙述性论文，２５３篇软磁论文中， 以叙述软磁铁氧体居多，内容分析主要以制备工艺 从上述对《磁性材料及器件》的软磁论文分析 为主，软磁材料的磁性能分析及发展现状为辅。 中可以看出，２００１年到２０１０年十年问，软磁论文 发表最活跃的地区是四川省，单位是电 科技人 作者简介：胡加燕（１９８３－－）女，云南省元谋人，本科 学，论文最多的作者是张怀武教授。软磁论文以３ 工程师，主要从事磁性材料研究。 ：Ｅ：Ｅ：＿ｒｇＥ： ：Ｅ：Ｅ： ：Ｅ：Ｅ｝Ｅ： Ｅ＝’Ｉ：Ｅ：Ｅ：Ｅ： ：Ｅ：Ｅ：Ｅ：Ｅ：Ｅ：Ｅ：Ｅ：Ｅ：Ｅ： ：Ｅ：— Ｅ：Ｅ：Ｅ：Ｅ：Ｅ：Ｅ： ：’＿：Ｅ：Ｅ：Ｅ： ：’厂：Ｅ： ： ：Ｅ：Ｅ： ：Ｅ：Ｅ： ：Ｅ： ：Ｅ： ：Ｅ：Ｅ： ： ：Ｅ （上接４２页） Ｔａｒｇｅｔ Ｔ￣ｒｇｅｔ Ｔａｒｇｅｔ （ａ】饱和磁通密度 （ｂ）最大磁导率 （ｃ）ＩｋＨｚ的磁导率 图３各参数的ＢＰ神经网络预测值与实测值比较 横轴表示迭代次数，纵轴表示误差。设置系统训练 实测值吻合得较好，可见人上神经网络可用于该 均方误差为ｌ０一，当迭代到第３２次时达到预设精 材料磁性能的预测。虽然人工神经网络无法反映物 度，表示神经网络已训练好。 质变化的内在微观本质，但是能很好地对实验进行 图２ｂ、２ｃ分别为 ｍ和 的ＢＰ神经网络训练 模拟与预测，对工艺设计有很大的帮助。 过程均方误差。设置系统训练均方误差为１Ｏ＿’，从 图中可以看出，当 和 分别迭代到第２６次和第 参考文献： ４１次时达到预设精度，神经网络训练完成。 【Ｉ】赖鹏．皋丁Ｍｏｌｄｆｌｏｗ和ＢＰ神经网络的超薄颦料制 将…一部分测试样本数据输入已训练好的神绛 流程长度预测［Ｊ］．工程塑料应用，２０１ １，３９（０２）：３９－４２． 网络进行预测，其过程为：测试数据录入 训练模 【２】 郑少瑛，陈静茹．荩丁神经网络在钢筋混凝土施Ｔ质 量评价中的应用研究［Ｊ］．四川建筑科学研究，２００９， 型一网络预测 预测结果。神经网络预测结果与训 ３５（０６）：３０１—３０３． 练样本数据比较，其训练情况如图３所示，横轴农 【３］颜开，赵浩峰，王玲，Ｎｄ．Ｆｅ．Ｂ合金热处理工艺优化研 示实际值，纵轴表示预测值。从图３可以看出，其 究．铸造设备与工艺，２０１０（１）：２９．３１． 预测值与实测值吻合得较好。可见人Ｔ神经网络可 ［４】蕈长虹．Ｍａｔ１ａｂ神经网络与应．Ｈ］［Ｍ［．北京：国防工业 用于该材料磁性能的预测。 ｍ版社，２００７． 【５】飞思科技产品研发中心．Ｍａｔｌａｂ６．５辅助神经网络分析 ４结论 与设计 ．北京：电子工业出版社，２００３ 通过ＢＰＮＮ模型建屯了从输入（Ｔ、 ）到输 作者简介：于万林（１９６８一），男，江苏南京人，高级工 出（鼠、 ｍ、 ）的非线性映射。针对不同输出， 程师，南京大学物理系毕业，现为南京中电熊猫磁电科技 需要仔细选择合适的相关控制参数（这一过程往往 有限公司（原８９８厂）副总经理，研究方向为磁性材料与 较为麻烦）。试验结果表明，人工神经网络预测值 器件。 ７８ ＪＭａｇｎＭａｔｅｒＤｅｖｉｃｅｓ Ｖｏｌ４４ Ｎｏ ２