基于物理约束机器学习的风电主轴工艺参数设计方法、系统及设备与流程

本发明属于风电大型锻件制造，具体涉及一种基于物理约束机器学习的风电主轴工艺参数设计方法、系统及设备。

背景技术：

1、风电主轴是风力发电机组的关键承载部件，其力学性能（抗拉强度、屈服强度、-40℃冲击功、疲劳寿命）直接决定风电机组的安全性与使用寿命。

2、目前风电主轴工艺设计主要依赖以下两类方法：经验试错法，且高度依赖个人经验，不同工程师设计的工艺方案差异大；物理冶金模型法，对复杂工艺条件下的多因素耦合效应描述能力有限，预测精度存在瓶颈。

3、近年来，机器学习方法被引入材料工艺优化领域，但现有方案多将工艺参数直接映射到力学性能，跳过了微观组织这一物理载体，模型缺乏可解释性，且会导致模型由于维度泛化崩塌、混淆统计相关性与物理因果性导致出现严重误差；此外模型对建立的是工艺参数与力学性能的尖峰映射，只要温度绝对值变了，性能预测就剧烈抖动，导致工艺鲁棒性差。

技术实现思路

1、针对现有技术的上述不足，本发明提供一种基于物理约束机器学习的风电主轴工艺参数设计方法、系统及设备，以解决上述技术问题。

2、第一方面，本发明提供一种基于物理约束机器学习的风电主轴工艺参数设计方法，包括：

3、获取数据样本，所述数据样本包括具有映射关系的工艺参数、微观组织参数和力学性能参数；从所述数据样本中提取物理冶金学特征；

4、构建物理约束的正向映射模型，所述正向映射模型以所述工艺参数及所述物理冶金学特征为输入，以所述微观组织参数和力学性能参数为多任务输出；所述物理约束包括对所述微观组织参数的预测值施加物理边界硬截断，以及在模型损失函数中加入因果一致性惩罚项；

5、基于所述正向映射模型，对预设的工艺参数空间进行离线穷举采样，生成查找表；所述查找表存储有每组工艺参数所对应的微观组织参数预测值和力学性能参数预测值；

6、根据用户输入的目标力学性能参数反推目标微观组织区间，在所述查找表中检索同时满足所述目标力学性能参数和所述目标微观组织区间的候选工艺参数组合；

7、对候选工艺参数组合进行多目标帕累托排序，并依次进行可行性过滤，将过滤后排序靠前的多组工艺参数作为推荐工艺方案输出。

8、第二方面，本发明提供一种基于物理约束机器学习的风电主轴工艺参数设计系统，包括：

9、数据获取模块，用于获取数据样本，所述数据样本包括具有映射关系的工艺参数、微观组织参数和力学性能参数；从所述数据样本中提取物理冶金学特征；

10、模型构建模块，用于构建物理约束的正向映射模型，所述正向映射模型以所述工艺参数及所述物理冶金学特征为输入，以所述微观组织参数和力学性能参数为多任务输出；所述物理约束包括对所述微观组织参数的预测值施加物理边界硬截断，以及在模型损失函数中加入因果一致性惩罚项；

11、穷举采样模块，用于基于所述正向映射模型，对预设的工艺参数空间进行离线穷举采样，生成查找表；所述查找表存储有每组工艺参数所对应的微观组织参数预测值和力学性能参数预测值；

12、数据查找模块，用于根据用户输入的目标力学性能参数反推目标微观组织区间，在所述查找表中检索同时满足所述目标力学性能参数和所述目标微观组织区间的候选工艺参数组合；

13、方案输出模块，用于对候选工艺参数组合进行多目标帕累托排序，并依次进行可行性过滤，将过滤后排序靠前的多组工艺参数作为推荐工艺方案输出。

14、第三方面，提供一种设备，包括：

15、存储器，用于存储基于物理约束机器学习的风电主轴工艺参数设计程序；

16、处理器，用于执行所述基于物理约束机器学习的风电主轴工艺参数设计程序时实现如第一方面提供的基于物理约束机器学习的风电主轴工艺参数设计方法的步骤。

17、第四方面，提供了一种计算机可读介质，介质上存储有基于物理约束机器学习的风电主轴工艺参数设计程序，基于物理约束机器学习的风电主轴工艺参数设计程序被处理器执行时实现如第一方面提供的基于物理约束机器学习的风电主轴工艺参数设计方法的步骤。

18、本发明的有益效果在于，本发明提供的基于物理约束机器学习的风电主轴工艺参数设计方法、系统及设备，通过将物理冶金学特征作为强制输入、施加输出边界硬截断和因果一致性惩罚，构建了物理可解释的正向映射模型，使预测结果始终服从晶粒细化强化、动态再结晶等冶金学基本规律，杜绝了纯数据驱动模型违背物理常识的预测风险；采用分阶段训练策略有效降低了小样本条件下的过拟合风险，提升了模型的泛化能力和工程可靠性；结合离线穷举建表与三层可行性过滤的反向寻优策略，在保证在线响应速度的同时，确保推荐方案均满足设备能力、行业规范和工艺稳定性三重硬性约束，实现了物理合理性、预测准确性与工程可行性的统一，能够有效指导风电主轴新品工艺开发与现有工艺优化。

1.一种基于物理约束机器学习的风电主轴工艺参数设计方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，从所述数据样本中提取物理冶金学特征，包括：

3.根据权利要求1所述的方法，其特征在于，构建物理约束的正向映射模型，包括：

4.根据权利要求3所述的方法，其特征在于，将提取得到的所述物理冶金学特征与所述工艺参数共同作为所述基础模型的强制输入特征，使基础模型在物理先验确定的可行域内进行残差学习，包括：

5.根据权利要求1所述的方法，其特征在于，基于所述正向映射模型，对预设的工艺参数空间进行离线穷举采样，生成查找表，包括：

6.根据权利要求1所述的方法，其特征在于，根据用户输入的目标力学性能参数反推目标微观组织区间，包括：

7.根据权利要求1所述的方法，其特征在于，对候选工艺参数组合进行多目标帕累托排序，并依次进行可行性过滤，包括：

8.根据权利要求7所述的方法，其特征在于，对初步排序后的候选工艺参数组合，依次进行多层可行性过滤，包括：

9.一种基于物理约束机器学习的风电主轴工艺参数设计系统，其特征在于，包括：

10.一种基于物理约束机器学习的风电主轴工艺参数设计设备，其特征在于，包括：