烧结钕铁硼材料性能预测模型、其训练方法及应用

1.本发明涉及烧结钕铁硼技术领域，尤其涉及一种烧结钕铁硼材料性能预测模型、其训练方法及应用。


背景技术：

2.随着全球资源以及能源的日益紧张，新型节能环保新能源快速发展，推动了高性能钕铁硼永磁市场的快速增长。为了提高烧结钕铁硼的性能，相关从业人员进行了大量的试验进行测试。关于烧结钕铁硼性能的评估一直都是基于相关从业人员的实践经验，对于能够获得高准确率的评估结果一直以来缺少合理简便的方式。
3.这主要是两方面影响：一是烧结钕铁硼的性能与磁体成分和制备工艺都有重大影响，以往的模型评估只考虑了磁体成分方面，缺少完善的模型输入特征，不便于在实际生产活动中使用；二是烧结钕铁硼材料的磁性能影响机理较为复杂，在存在很多因素共同作用时更加难以明确分析，目前只能依赖大量的实验得到相应条件下的性能参数，消耗了过多的人力物力资源，使得烧结钕铁硼材料的研发变得低效，以上问题使得快速且合理地评估烧结钕铁硼性能成为一个难点，同样也阻碍了烧结钕铁硼工艺的研究。


技术实现要素：

4.针对现有技术的不足，本发明的目的在于提供一种烧结钕铁硼材料性能预测模型、其训练方法及应用。
5.为实现前述发明目的，本发明采用的技术方案包括：
6.第一方面，本发明提供一种烧结钕铁硼材料性能预测模型的训练方法，其包括：
7.获取烧结钕铁硼的烧结前的磁体成分参数、制备工艺参数以及烧结后对应的性能参数，构建数据集；
8.将数据集中的数据划分为训练集、验证集以及测试集；
9.使用所述训练集对机器学习算法进行训练，形成性能预测模型，在验证集上验证初步建立的性能预测模型，评估性能预测模型的预测精度，采用交叉验证方法评估性能预测模型的预测效果，依据所述预测效果对所述性能预测模型的进行超参数优化调节，迭代更新所述性能预测模型；
10.在所述测试集上测试所述性能预测模型，直至满足预测精度要求。
11.在一些优选实施例中，所述训练方法还包括：
12.利用所述性能预测模型对新建的磁体成分参数和制备工艺参数的组合进行性能预测，将得到的预测结果结合对应的所述磁体成分参数和制备工艺参数导入所述数据集中；
13.利用导入后的所述数据集对所述性能预测模型继续进行训练。
14.第二方面，本发明还提供一种上述训练方法训练获得的烧结钕铁硼材料性能预测模型。
15.第三方面本发明还提供一种烧结钕铁硼材料性能预测方法，其包括：
16.提供上述烧结钕铁硼材料性能预测模型；
17.将待预测烧结钕铁硼的烧结前的磁体成分参数、制备工艺参数输入所述烧结钕铁硼材料性能预测模型，获得预测的烧结后对应的性能参数。
18.第四方面，本发明还提供一种电子设备，所述电子设备包括处理器和存储器，存储器中存储有计算机程序，所述计算机程序被所述处理器运行时执行上述训练方法或上述烧结钕铁硼材料性能预测方法的步骤。
19.第五方面，本发明还提供一种可读存储介质，其中存储有计算机程序，所述计算机程序被运行时执行上述训练方法或上述烧结钕铁硼材料性能预测方法的步骤。
20.基于上述技术方案，与现有技术相比，本发明的有益效果至少包括：
21.本发明所提供的技术方案基于机器学习算法、采用烧结钕铁硼性能作为预测目标，建立了烧结钕铁硼性能预测评估的快速可靠方法，其中采用交叉验证的评估方式可以最大化利用数据信息，提高模型的泛化能力；超参数调节方式采用自动调参方式，可以节省人力物力，提高建模效率，可以更为快速和准确地评估未知烧结钕铁硼的性能，降低人力物力浪费，提高研发效率。
22.在一些优选实施方式中，通过新建参数的预测和导入更新数据集，采用迭代优化模型可以有效提高机器学习模型的准确率，通过对已有历史试验数据的充分使用进一步地提高了模型预测精度和训练效率。
23.上述说明仅是本发明技术方案的概述，为了能够使本领域技术人员能够更清楚地了解本技术的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合详细附图说明如后。
附图说明
24.图1为本发明一典型实施案例提供的烧结钕铁硼材料性能预测方法的流程示意图；
25.图2为本发明一典型实施案例提供的烧结钕铁硼材料性能预测模型的训练方法的学习曲线图；
26.图3为本发明一典型实施案例提供的烧结钕铁硼材料性能预测模型的训练方法的拟合效果曲线图；
27.图4为本发明另一典型实施案例提供的烧结钕铁硼材料性能预测模型的训练方法的学习曲线图；
28.图5为本发明另一典型实施案例提供的烧结钕铁硼材料性能预测模型的训练方法的拟合效果曲线图。
具体实施方式
29.鉴于现有技术中的不足，本案发明人经长期研究和大量实践，得以提出本发明的技术方案。如下将对该技术方案、其实施过程及原理等作进一步的解释说明。
30.在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的方式来实施，因此，本发明的保护范围并不受下面公开的具
体实施例的限制。
31.参见图1，本发明实施例提供了一种烧结钕铁硼材料性能预测模型的训练方法，其包括如下的步骤：
32.获取烧结钕铁硼的烧结前的磁体成分参数、制备工艺参数以及烧结后对应的性能参数，构建数据集；
33.将数据集中的数据划分为训练集、验证集以及测试集；
34.使用所述训练集对机器学习算法进行训练，形成性能预测模型，在验证集上验证初步建立的性能预测模型，评估性能预测模型的预测精度，采用交叉验证方法评估性能预测模型的预测效果，依据所述预测效果对所述性能预测模型的进行超参数优化调节，迭代更新所述性能预测模型；
35.在所述测试集上测试所述性能预测模型，直至满足预测精度要求。
36.在一些实施方案中，所述训练方法还可以包括：
37.利用所述性能预测模型对新建的磁体成分参数和制备工艺参数的组合进行性能预测，将得到的预测结果结合对应的所述磁体成分参数和制备工艺参数导入所述数据集中；
38.利用导入后的所述数据集对所述性能预测模型继续进行训练。
39.该步骤是将将依据训练中的模型预测出来的实验结果重新放入数据库中，重新训练模型。
40.在一些实施方案中，所述磁体成分参数包括元素组成及对应的元素含量，所述元素组成包括重稀土元素、轻稀土元素、非稀土元素中的任意一种或两种以上的组合；具体的磁体元素成分为重稀土元素(例如tb、dy、gd等)的一种或多种、轻稀土元素(例如la、ce、pr、nd、pm、sm、eu等)的一种或多种、非稀土元素(例如al、co、zn、cu、fe、b等)的一种或多种等。
41.在一些实施方案中，所述制备工艺参数包括粉末粒径、含氧量、烧结温度、烧结时间、一级回火温度、一级回火时间、二级回火温度、二级回火时间中的任意一种或两种以上的组合；
42.在一些实施方案中，所述性能参数包括磁体矫顽力、剩磁、方形度、最大磁能积中的任意一种或两种以上的组合。
43.在一些实施方案中，所述训练方法还包括对所述数据集进行预处理的步骤；
44.作为上述技术方案的一些典型的应用示例，上述训练方法可以采用如下的流程得以实施：
45.本发明主要步骤包括收集烧结钕铁硼数据库，数据预处理，数据分割，模型训练，模型评估等。
46.其中步骤一：
47.收集烧结钕铁硼数据库步骤，烧结钕铁硼数据库包括磁体具体成分参数和制备工艺参数以及磁体性能数据信息；
48.步骤二：
49.数据预处理步骤，包括特征创造、特征筛选和标准化等操作；
50.步骤三：
51.数据分割步骤，将数据库内数据按照特定比例分为训练集、验证集和测试集。
52.步骤四：
53.模型训练步骤，使用训练集对机器学习算法进行训练，采用多个机器学习算法进行训练，在验证集上验证使用初步建立的机器学习预测模型，评估性能预测模型的预测精度，采用交叉验证方法评估模型效果，依据模型效果对模型的超参数进行调节，优化模型效果；
54.步骤五：
55.模型评估步骤，在测试集上测试机器学习模型，模型评估指标采用均方误差，均方根误差，平均绝对值误差等的一种或多种。
56.步骤六：
57.使用训练完毕的机器学习模型对新的参数组合进行性能预测，将得到的实验结果放入数据库中对模型重新进行训练，不断迭代训练从而优化模型效果，实现机器学习模型自动更新。
58.更加具体的，所述预处理例如可以包括特征创造、特征筛选、数据标准化中的任意一种或两种以上的组合；
59.在一些实施方案中，所述特征创造包括结合实际应用领域对所述数据集中的多个特征进行结合从而创造新特征的步骤；
60.在一些实施方案中，特征筛选包括根据斯皮尔曼相关性系数删除相关性高于预设相关度的特征，以及删除缺失值数目大于预设数目和/或具有异常值的特征，其中所述斯皮尔曼相关性系数的计算公式可以为：
[0061][0062]
其中，xi和yi分别表示两个特征变量的值，和分别表示两个特征各自的平均值，ρ为斯皮尔曼相关性系数；
[0063]
在一些实施方案中，所述数据标准化的计算公式可以为：
[0064][0065]
式中，yi为标准化数据，xi为原始数据，μ为所有样本数据中每一特征维度的平均值，σ为所有样本数据中每一特征维度的标准差。
[0066]
上述实施方式中，数据的特征创造为结合实际应用领域对数据库特征进行结合从而创造新特征的方式。数据的特征筛选包括根据斯皮尔曼相关性系数删除相关性较高地的特征，删除缺失值过多和具有异常值的特征
[0067]
在一些实施方案中，所述数据集按照预设比例随机划分为测试集，其余数据集构成所述训练集和测试集。
[0068]
在一些实施方案中，所述训练方法具体可以包括：
[0069]
采用交叉验证的方法，即将训练集和验证集分为n份，其中n-1份是训练集，1份是验证集，进行n次不重复的数据集分配，且每次分配后均将所获训练集输入所述性能预测模型中，进行模型精度评估，得到n次评估结果的平均值作为所述预测效果。
[0070]
具体例如，对于训练集和验证集的处理，采用十折交叉验证的方法，即将训练集和
验证集的集合分为10份，其中九份是训练集，一份是验证集，每一次数据的分配都会输入模型，进行模型评估，总共进行十轮不重复的验证集分配，最终得到十轮模型的评估结果平均值。当然采用其他数目的n折交叉验证方法亦可。
[0071]
在一些实施方案中，所述机器学习算法可以包括多元回归线性算法、gradient boosting regressor算法、随机森林回归算法；
[0072]
在一些实施方案中，所述超参数优化调节的算法可以包括自动搜索算法。所述调节模型超参数的方式包括所有自动调节模型超参数的方式，即自动搜索算法模型所有可能的参数组合，以便于寻找最优解。
[0073]
在一些实施方案中，所述性能预测模型的预测精度可以采用回归系数、均方根误差、均方误差中的任意一种或两种以上的组合进行计算。
[0074]
具体的，所述模型评估方法为使用建立好的模型在测试集上计算模型评价指标，评价指标有回归系数r2、均方根误差rmse、均方误差mse。
[0075]
所述回归系数r2的计算公式为：
[0076][0077]
所述均方根误差rmse的计算公式为：
[0078][0079]
所述均方误差mse的计算公式为：
[0080][0081]
公式中，n为总样本数，表示模型的预测值，yi表示真实值，表示真实值的平均值。
[0082]
值得注意的是，上述示例的为本发明所具体优选的实施方式，而实际应用中，基于上述同样的技术构思，一种烧结钕铁硼性能预测方法，可以根据实际拟合效果更换其他机器学习算法，比如elasticnet回归、决策树回归，xgboost回归等，数据处理的形式也可以根据实际效果改为归一化等其他形式。数据预处理步骤中的特征创造等步骤也可以依据实际需求进行更改。模型预测目标也可以根据实际需求更换为矫顽力、方形度、磁能积等。模型评估中的十折交叉验证也可以依据应当注意的是，所有这些改变都应属于本发明所附权利要求的保护范围。
[0083]
本发明实施例还提供了上述训练方法训练获得的烧结钕铁硼材料性能预测模型。
[0084]
作为上述技术方案的进一步应用，本发明实施例还提供了一种烧结钕铁硼材料性能预测方法，其包括如下的步骤：
[0085]
提供上述烧结钕铁硼材料性能预测模型；
[0086]
将待预测烧结钕铁硼的烧结前的磁体成分参数、制备工艺参数输入所述烧结钕铁硼材料性能预测模型，获得预测的烧结后对应的性能参数。
[0087]
以下通过若干实施例并结合附图进一步详细说明本发明的技术方案。然而，所选
的实施例仅用于说明本发明，而不限制本发明的范围。
[0088]
实施例1
[0089]
本实施例示例一烧结钕铁硼材料性能预测模型的训练过程以及烧结钕铁硼材料性能预测过程，具体如下所示：
[0090]
步骤一：
[0091]
收集烧结钕铁硼数据库步骤，烧结钕铁硼数据库包括磁体具体成分参数和制备工艺参数以及磁体性能数据信息；所述烧结钕铁硼数据库中，磁体各元素种类包括重稀土元素(tb、dy、gd)、轻稀土元素(la、ce、pr、nd、pm、sm、eu)、非稀土元素(al、co、zn、cu、fe、b)；制备工艺参数包括粉末粒径、含氧量、烧结温度、烧结时间、一级回火温度、一级回火时间、二级回火温度、二级回火时间；磁体性能数据为磁体剩磁性能。
[0092]
步骤二：
[0093]
数据预处理步骤，包括特征创造，特征筛选以及数据标准化。特征创造步骤中针对烧结钕铁硼领域，依据生产经验，总稀土含量对于最终磁体性能十分重要，所以创造出总稀土含量特征。数据的特征筛选包括根据斯皮尔曼相关性系数删除相关性较高地的特征，删除缺失值过多和具有异常值的特征，其中斯皮尔曼相关性系数，计算公式如下：
[0094][0095]
其中，xi和yi分别表示两个特征变量的值，和分别表示两个特征各自的平均值，ρ为斯皮尔曼相关性系数。
[0096]
数据的标准化采用如下公式：
[0097][0098]
式中，yi为标准化数据，xi为原始数据，μ为所有样本数据中每一维的平均值，σ为所有样本数据中每一维的标准差。
[0099]
步骤三：
[0100]
数据分割步骤，将数据库内数据按照特定比例分为训练集、验证集和测试集。按照8：2的比例将数据库内数据随机划分为训练集+验证集的集合和测试集，训练集+验证集占总数据集的80％，测试集占总数据集的20％。
[0101]
步骤四：
[0102]
模型训练步骤，使用训练集对一个或多个机器学习算法进行训练，磁体具体成分参数和制备工艺参数作为输入参数，采用多个机器学习算法进行训练，在验证集上验证使用初步建立的机器学习预测模型，评估性能预测模型的预测精度，采用交叉验证方法评估模型效果，同时调节模型的超参数使模型效果达到最优；
[0103]
所述机器学习算法具体为gradient boosting regressor算法。
[0104]
对于训练集的处理，采用十折交叉验证的方法，即将训练集分为10份，其中九份是子训练集，一份是验证集，每一次数据的分配都会输入模型，进行模型评估，总共进行十轮不重复的验证集分配，最终得到十轮模型的评估结果平均值。
[0105]
所述调节模型超参数的方式为网格搜索，即一种自动搜索算法模型所有可能的参
数组合，以便于寻找最优解。
[0106]
步骤五：
[0107]
模型评估步骤，在测试集上测试机器学习模型，模型评估指标采用均方误差，均方根误差，平均绝对值误差的组合平均值。
[0108]
所述回归系数r2的计算公式为：
[0109][0110]
所述均方根误差rmse的计算公式为：
[0111][0112]
所述均方误差mse的计算公式为：
[0113][0114]
公式中，n为总样本数，表示模型的预测值，yi表示真实值，表示真实值的平均值。
[0115]
上述训练及预测过程的学习曲线如图2所示，可以看出，在经历了若干次迭代后，模型的预测精度显著提升；其拟合效果如图3所示，可以看出其线性相关系数达到了较高水平，充分说明了本实施例所提供的技术方法的准确性。
[0116]
实施例2
[0117]
本实施例与实施例1大体相同，区别在于增加了模型自动更新的步骤，具体区别在于：
[0118]
增加了步骤六：
[0119]
使用训练完毕的机器学习模型对新的参数组合进行性能预测。其中，新的参数组合是通过对特征变量进行正交实验得出的配方组合。将新的参数组合进行实验，将实验结果与预测值进行比较，若平均误差小于5％，则认为该模型己达到预期目标，并停止训练。如果平均误差大于等于5％，则将得到的实验结果与相关参数一同存储在数据库中，并以这些数据为基础，对现有的机器学习模型重新进行训练和优化，然后再次进行预测和实验，不断迭代训练以提高模型的性能。通过这种方式，可以实现机器学习模型的自动更新，并不断优化其预测效果。
[0120]
采用该实施例所提供的更优方式，获得更佳的预测精度只需要迭代几次，有效提高模型训练效率，相比于实施例1其预测精度显著提高5％。图4与图5为与实例1相同数据集下模型训练效果图。其中均方误差下降0.007398，拟合精度提高5％。
[0121]
基于上述检测结果，可以明确，本发明实施例所提供的一种烧结钕铁硼性能预测方法，包括以下步骤：收集已知的烧结钕铁硼的磁体成分参数和制备工艺参数，构建数据集；对数据集进行特征筛选，标准化数据并依据特定比例分为训练集和测试集，在训练集上采用交叉验证方法评估模型效果，使用超参数优化算法进行调参；采用测试集测试已经训练完成模型的预测性能，直至达到合适的预测精度；对于具体的烧结钕铁硼，利用训练完成
的性能预测模型进行预测，获得其对应的预测性能；将依据模型预测出来的实验结果放入数据库中迭代训练模型。本发明基于机器学习算法、采用烧结钕铁硼性能作为预测目标，建立了烧结钕铁硼性能预测评估的快速可靠方法。其中，数据预处理手段可以有效提高机器学习模型的预测精度；采用交叉验证的评估方式可以最大化利用数据信息，提高模型的泛化能力；超参数调节方式采用自动调参方式，可以节省人力物力，提高建模效率。迭代优化模型可以有效提高机器学习模型的准确率。通过对已有历史试验数据的充分使用，可以更为快速和准确地评估未知烧结钕铁硼的性能，降低人力物力浪费，提高研发效率。
[0122]
应当理解，上述实施例仅为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围之内。

技术特征：
1.一种烧结钕铁硼材料性能预测模型的训练方法，其特征在于，包括：获取烧结钕铁硼的烧结前的磁体成分参数、制备工艺参数以及烧结后对应的性能参数，构建数据集；将数据集中的数据划分为训练集、验证集以及测试集；使用所述训练集对机器学习算法进行训练，形成性能预测模型，在验证集上验证初步建立的性能预测模型，评估性能预测模型的预测精度，采用交叉验证方法评估性能预测模型的预测效果，依据所述预测效果对所述性能预测模型的进行超参数优化调节，迭代更新所述性能预测模型；在所述测试集上测试所述性能预测模型，直至满足预测精度要求。2.根据权利要求1所述的训练方法，其特征在于，还包括：利用所述性能预测模型对新建的磁体成分参数和制备工艺参数的组合进行性能预测，将得到的预测结果结合对应的所述磁体成分参数和制备工艺参数导入所述数据集中；利用导入后的所述数据集对所述性能预测模型继续进行训练。3.根据权利要求1所述的训练方法，其特征在于，所述磁体成分参数包括元素组成及对应的元素含量，所述元素组成包括重稀土元素、轻稀土元素、非稀土元素中的任意一种或两种以上的组合；和/或，所述制备工艺参数包括粉末粒径、含氧量、烧结温度、烧结时间、一级回火温度、一级回火时间、二级回火温度、二级回火时间中的任意一种或两种以上的组合；和/或，所述性能参数包括磁体矫顽力、剩磁、方形度、最大磁能积中的任意一种或两种以上的组合。4.根据权利要求1所述的训练方法，其特征在于，还包括对所述数据集进行预处理的步骤；所述预处理包括特征创造、特征筛选、数据标准化中的任意一种或两种以上的组合；优选的，所述特征创造包括结合实际应用领域对所述数据集中的多个特征进行结合从而创造新特征的步骤；优选的，特征筛选包括根据斯皮尔曼相关性系数删除相关性高于预设相关度的特征，以及删除缺失值数目大于预设数目和/或具有异常值的特征，其中所述斯皮尔曼相关性系数的计算公式为：其中，x
i
和y
i
分别表示两个特征变量的值，和分别表示两个特征各自的平均值，ρ为斯皮尔曼相关性系数；优选的，所述数据标准化的计算公式为：式中，y
i
为标准化数据，x
i
为原始数据，μ为所有样本数据中每一特征维度的平均值，σ为所有样本数据中每一特征维度的标准差。5.根据权利要求1所述的训练方法，其特征在于，所述数据集按照预设比例随机划分为测试集，其余数据集构成所述训练集和测试集。
6.根据权利要求5所述的训练方法，其特征在于，具体包括：采用交叉验证的方法，即将训练集和验证集分为n份，其中n-1份是训练集，1份是验证集，进行n次不重复的数据集分配，且每次分配后均将所获训练集输入所述性能预测模型中，进行模型精度评估，得到n次评估结果的平均值作为所述预测效果。7.根据权利要求1所述的训练方法，其特征在于，所述机器学习算法包括多元回归线性算法、gradient boosting regressor算法、随机森林回归算法；和/或，所述超参数优化调节的算法包括自动搜索算法。8.根据权利要求1所述的训练方法，其特征在于，所述性能预测模型的预测精度采用回归系数、均方根误差、均方误差中的任意一种或两种以上的组合进行计算。9.权利要求1-8中任意一项所述的训练方法训练获得的烧结钕铁硼材料性能预测模型。10.一种烧结钕铁硼材料性能预测方法，其特征在于，包括：提供权利要求9所述的烧结钕铁硼材料性能预测模型；将待预测烧结钕铁硼的烧结前的磁体成分参数、制备工艺参数输入所述烧结钕铁硼材料性能预测模型，获得预测的烧结后对应的性能参数。

技术总结
本发明公开了一种烧结钕铁硼材料性能预测模型、其训练方法及应用。所述训练方法包括：构建数据集；划分为训练集、验证集以及测试集；使用训练集进行训练，在验证集上验证，采用交叉验证方法，依据预测效果进行超参数优化调节，迭代更新；在测试集上测试性能预测模型，直至满足精度要求。本发明所提供的技术方案基于机器学习算法、采用烧结钕铁硼性能作为预测目标，建立了烧结钕铁硼性能预测评估的快速可靠方法，其中采用交叉验证的评估方式可以最大化利用数据信息，提高模型的泛化能力；超参数调节方式采用自动调参方式，可以节省人力物力，提高建模效率，可以更为快速和准确地评估未知烧结钕铁硼的性能，降低人力物力浪费，提高研发效率。发效率。发效率。


技术研发人员：乔祖强 董生智 郑波 李晴 卢相明 陈仁杰
受保护的技术使用者：中国科学院宁波材料技术与工程研究所
技术研发日：2023.06.19
技术公布日：2023/10/6