应用BP神经网络和SVR研究添加元素对（Nd，Pr）FeB系永磁体性能的影响

题名:应用BP神经网络和SVR研究添加元素对（Nd，Pr）FeB系永磁体性能的影响
作者:王向中
学位授予单位:西华大学
关键词:(Nd,Pr)FeB系永磁体;;合金成分;;BP神经网络;;ε-SVR和LS-SVR;;模拟
摘要:

 在总结和分析合金元素对(Nd,Pr)FeB系永磁体性能影响的机理基础上,引入Bayesian正则化法BP神经网络和支持向量回归机,建立了合金成分与磁体性能之间的预测模型,预测和研究了Pr、Co和Zr等添加元素对磁体性能的影响Neodymium Magnets规律。

 为提高网络的泛化能力,本文在Bayesian正则化法BP神经网络的基础上,运用加权检验训练法和表决网法的思路训练网络。通过选择合适的模型参数,建立了磁粉制备工艺(快淬速度和晶化退火温度)、合金成分与磁性能之间的BP神经网络预测模型。研究结果表明,该模型泛化能力较高,预测的Br相对误差在2%左右、Hcj和(BH)m均在5%以内。

 支持向量机是建立在统计学习理论基础之上,相比于BP网络,处理小样本高维非线性回归问题具有显著优势。本文引入ε-SVR和LS-SVR预测合金成分对磁体性能影响。选择合适的模型参数,最终建立了拟合误差、预测误差均较小的模型。经比较LS-SVR预测精度较高,对检验样本Br、Hcj和(BH)m的预测相对误差平均值分别为1.62%、3.49%和4.07%。

 在小样本情况下,应用LS-SVR预测合金元素两两交互作用对(Nd,Pr)FeB系永磁体性能的影响,并与改进的BP网络预测结果相比较。分析发现,LS-SVR预测Nd和Pr之和即总的稀土含量对磁体性能影响较大,此规律与改进的BP网络预测相一致。同时,LS-SVR预测在Co-Zr交互作用下磁性能存在极值,与合金元素对磁性能http://www.everbeenmagnet.com/影响的理论分析一致,预测结果比改进的BP网络更加可靠、明确。LS-SVR优化出了具有较好综合磁性能的添加元素含量范围,Pr为at8%～10%,Co为at1.8%～2.5%,Zr为at1%～1.5%,并据此制备了具有良好综合性能的快淬粘结磁体(Nd0.2Pr0.8)10.5Fe80.5Co2Zr1B6,其磁性能为:Br=0.662T,Hcj=616kA/m1,(BH)m=74.0kJ/m3,预测结果与实验研究结果吻合较好。因此,将SVR应用于小样本情况下磁体性能的预测是可行的,且能极大的缩短试验周期,为研究合金成分对磁体性能的影响提供一种高效可靠的方法。
学位年度:2010