CN119377732B 一种基于数据驱动的铬钼钒钢蠕变寿命预测方法 （招商新疆特种设备检验技术研究院有限公司）

一种基于数据驱动的铬钼钒钢蠕变寿命预本发明公开了一种基于数据驱动的铬钼钒于特征细化的自编码神经网络作为特征降维模2步骤S2，采用基于双曲空间嵌入的生成对抗网络算法步骤S3，采用基于动态群体进化优化的神经网络算步骤S4，采用基于特征细化的自编码神经网络作为步骤S5，采用基于量子态转移的分数阶神经网络作为分步骤S6，利用完全训练完成的特征提取模型、特c表示生成对抗网络的权重矩阵，bc表示表示生成对抗网络的偏置向量表示强度的第一参数，用于控制数据在双曲空间中的分布密度，Ba为调整映射强度的第二参并采用动态调节机制使得嵌入维度可以根据数据的实时特性进cccc3复合函数结合生成数据和参数，用于增加数据生成过程的kk为控制辅助卷积贡献的参数；c为生成对抗网络的学习率，Dwoa和分别为权重和偏置的梯度，4u式中，ΔWu为分数阶神经网络的权重更新增量，Δbu为分数阶神经网络的偏置更新增在反向传播中损失函数的梯度计算过程中，采用量子梯度通5网络的偏置，表示第t+1次迭代的分数阶神经网络的权重，bg2.根据权利要求1所述的一种基于数据驱动的铬钼钒钢蠕变寿命预测方法，其特征在实验室蠕变实验通过在控制条件下对材料样本施加不微观组织表征用于通过扫描电镜、电子背散射衍射或透射电镜的技63.根据权利要求1所述的一种基于数据驱动的铬钼钒钢蠕变寿命预测方法，其特征在4.根据权利要求1所述的一种基于数据驱动的铬钼钒钢蠕变寿命预测方法，其特征在5.根据权利要求1所述的一种基于数据驱动的铬钼钒钢蠕变寿命预测方法，其特征在式中，Wpi为第i个个体对应的神经网络的权重，bpi为第步骤S32，对于种群中的每个个体，利用其对应的神经网络配置来处理输入的训练数7b’pcsb’6.根据权利要求1所述的一种基于数据驱动的铬钼钒钢蠕变寿命预测方法，其特征在rZr；8ηr为自编码神经网络的学习率Lr()为自编码神经网络的损失函数，Yr为标签数据，表示损失函数对特征权重的梯度；’7.根据权利要求1所述的一种基于数据驱动的铬钼钒钢蠕变寿命预测方法，其特征在9[0010]本发明的目的在于克服现有的缺陷而提供的一种基于数据驱动的铬钼钒钢蠕变c()c[0041]判别结果处理函数利用控制函数的斜率参数来调整判别敏感度，计算方式表示k层的基础卷积操作，的权重，b?d为更新前的生成对抗网络的偏置，为更新后的生成对抗网络的权重，b:e"为更新后的生成对抗网络的偏置；2选定的第二个个体对应的神经网络的偏置，W'pi为交叉操作后的个体对应的神经网络的权值，表示所有特征在初始阶段具有相同的重要性；diag()为提取矩阵的对角线元素的函[0123]步骤S43，特征调整模块对初步生成的低维特征进行递归优化，即在每一轮迭代dec75％三种类别。位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，命≥75％三种类别。cc[0177]判别结果处理函数利用控制函数的斜率参数来调整判别敏感度，计算方式表示k层的基础卷积操作，pp2pk为第k个个体对应的神经网络的损失；bp1为选定的第一个个体对应的神经网络的偏置，Wp2为选定的第二个个体对应的神经网络p2为选定的第二个个体对应的神经网络的偏置，W'pi为交叉操作后的个体对应的W″值，表示所有特征在初始阶段具有相同的重要性；diag()为提取矩阵的对角线元素的函[0225]步骤S43，特征调整模块对初步生成的低维特征进行递归优化，即在每一轮迭代af")表示第t+1轮迭代的特征权重，为自编码神经网络的损失函数，Yr为标签数据，表示损失函数对特征权重的梯dec