基于煙花算法與長短時記憶網絡的模溫預測方法研究

張典范，栗子豪，程淑紅

(1.燕山大學 車輛與能源學院，河北 秦皇島 066004；2.燕山大學 電氣工程學院，河北 秦皇島 066004)

1 引 言

近年來，汽車輕量化的發(fā)展帶動了低壓鑄造行業(yè)，低壓鑄造工藝中鑄件液固成型溫度場控制和利用計算機軟件模擬分析模具關鍵部位的溫度曲線是其核心[1，2]。模具溫度在鑄件成型過程中起著關鍵作用，以鑄造生產中模具溫度建立模型[3]，精準預測模溫，可優(yōu)化溫度控制系統(tǒng)，提高鑄件質量[4]，并可為鑄造成型模溫自動控制提供保障。

隨著神經網絡的出現(xiàn)，傳統(tǒng)的大數(shù)據預測方法幾乎均采用了BP神經網絡[5～7]，其對模具溫度預測模型的應用也較為廣泛[8]，然而，BP模型更適合小規(guī)模的樣本數(shù)據，難以尋找大規(guī)模數(shù)據中變量的變化規(guī)律，從而導致大規(guī)模數(shù)據預測準確度低。長短時記憶網絡(long and short term memory network，LSTM)具有獨特的記憶性能特點[9]，該模型在語義分割[10，11]、目標識別[12]、機器翻譯[13]等領域應用前景廣泛。

模具溫度是低壓鑄造生產中影響鑄件質量的一個重要指標，針對BP神經網絡對模具溫度預測準確度低的問題，本文結合鑄造工藝生產方式和灰度關聯(lián)分析方法(grey relation analysis，GRA)[14，15]，分析出影響模具溫度關聯(lián)度高的變量，建立了低壓鑄造模溫預測的影響因子變量集合，采用煙花算法(fireworks algorithm，F(xiàn)WA)[16]優(yōu)化LSTM模型的超參數(shù)，將建立的FWA-LSTM模型應用于模具溫度預測建模中，并進行了仿真實驗。

2 模具溫度的影響因子變量選取

低壓鑄造中模具溫度主要取決于合金液液固成型和冷卻系統(tǒng)的冷卻狀況。……