一种同时优化电接触材料的多种电接触性能的设计方法

1.本发明涉及电接触材料领域，具体涉及一种同时优化电接触材料的多种电接触性能的设计方法。
技术背景
2.电接触材料是电器完成“接通—传导—切断”电流以及信号产生和传输的功能载体，其电接触性能是影响电气与电子工程可靠性的关键，在低压电器领域有“低压电器之心脏”的称誉，被广泛应用于继电器、断路器、接触器、传感器、工业控制等产品。随着电接触材料应用领域的发展，对电接触材料的电接触使用性能提出更加苛刻的要求，而目前主要通过引入新的强化组元、改变添加元素含量以及优化制备工艺等方法来开发新型电接触材料。但改性过程中合金多为四元甚至其他多元合金，在设计开发时，面临因组分种类、组分含量和制备工艺等导致的研发工作量大等普遍性问题。而传统“试错法”在巨大的材料成分和制备工艺空间中寻找新的电接触材料，面临开发周期长、成本高(电接触材料大部分为贵金属基材料)等问题。因此，迫切需要提出一种电接触材料新型研发方式来解决传统材料研发方式的缺陷。
3.现实世界的工程优化问题通常需要同时优化多个目标，且这些目标函数的评估由于依赖物理实验而十分昂贵，这类问题被称为昂贵多目标优化问题。例如，对于电接触材料而言，当燃弧时间、燃弧能量和熔焊力这三个性能达到最佳表现时，接触电阻和质量变化值这两个性能的表现还不太好，导致最终电接触材料的综合服役状况令人不太满意。而通过实验难以对电接触材料的多种电接触性能(燃弧时间、燃弧能量、熔焊力、接触电阻以及质量变化值)进行同时优化，并且传统的“试错型”实验研究方法，具有成本高、效率低、周期长、尺度广等特点，难以找到上述5种电接触性能表现均较好的成分材料。因此，设计研发平衡材料各类性能较优值、实现综合性能最优的材料，一直是材料领域的难题。


技术实现要素：

4.本发明的目的是为了克服现有技术对同时优化四元及以上电接触材料多种电接触性能时存在实验周期长以及实验成本高等缺陷，而提供一种简便快捷、低成本、节省人力的基于机器学习技术同时优化电接触材料多种电接触性能的方法。本发明采用机器学习的多目标优化策略试图实现此类多性能的同时优化。
5.本发明的目的通过以下技术方案来实现：
6.一种同时优化电接触材料的多种电接触性能的设计方法，包括以下步骤：
7.1)从文献、公开数据库、自有数据库等渠道中查找电接触材料的化学式、制备工艺、测试条件、燃弧时间、燃弧能量、熔焊力、接触电阻以及质量变化值，以此作为数据集样本，其中化学式、制备工艺和电接触实验测试条件作为输入，燃弧时间、燃弧能量、熔焊力、接触电阻和质量变化值为机器学习模型的预测目标值；
8.2)将数据集随机地划分为训练集(80-90％)和测试集(10-20％)两部分；
9.3)采用集成算法xgboost、k近邻、人工神经网络、支持向量回归、朴素贝叶斯和随机森林等多种机器学习算法分别对燃弧时间、燃弧能量、熔焊力、接触电阻和质量变化值进行建模，并分别采用均方误差mse、平均绝对误差mae和均方根误差rmse等参数综合分析建模的效果。最终筛选出对5种电接触性能模型表现均较好的机器学习算法；
10.4)对于特定的制备工艺和电接触实验测试条件，选定元素种类搜索范围和各元素最小变化量建立成分空间，进行性能预测，结合多目标优化算法—非支配遗传算法(nsga
‑ⅱ
)对电接触材料的性能进行多目标性能快速综合优化。在预测得到的结果中选择位于pareto前沿的电接触性能均相对较好的数据作为新型设计合金。对于不同制备工艺和电接触实验测试条件的样本数据，选定制备工艺类型、电接触实验测试条件和元素种类的搜索范围以及制备工艺筛选种类、电接触实验测试条件筛选条件和元素最小变化量的搜索条件建立制备、测试和成分搜索空间，进行性能预测，并结合多目标优化算法—非支配遗传算法(nsga
‑ⅱ
)对电接触材料的性能进行多目标性能快速综合优化。基于这样的思路进行化学成分、制备工艺和电接触实验测试条件的同时优化；
11.5)对于优化出的化学成分、制备工艺和电接触实验测试条件，选择几个预测结果不确定性最大的成分、工艺或测试条件，进行实验合成制备和电接触性能测量，并扩展到初始数据集，迭代改进机器学习模型；
12.6)基于最终优化改进的机器学习模型，按照化学成分、制备工艺和电接触实验测试条件的要求，设计开发出燃弧时间、燃弧能量、熔焊力、接触电阻以及质量变化值等性能优异的新型电接触材料。
13.本发明与现有技术相比较，具有如下有益效果：
14.1.本发明方法对同时优化四元至多元电接触材料多种电接触性能具有较好的效果，该方法具有普适性；
15.2.本发明方法可以根据对电接触性能的使用需求，限制制备工艺条件、实际工业使用条件(即上文提及的实验测试条件)、电接触材料元素种类及范围，最终给出候选的满足设计需求和限制条件的化学式。该方法有效加快了新材料的设计效率，并克服了传统试错法的缺点。
附图说明
16.图1为本发明的设计方法的基本流程图。
具体实施方式
17.下面结合附图和优选实施例对本发明进行详细说明。
18.实施例1：ag-cu-ni-v系新型电接触材料的优化设计。
19.具体步骤如下：
20.1)本实施例的设计思路和流程如图1所示，从自有数据库中查找电接触材料的化学式、制备工艺、测试条件、燃弧时间、燃弧能量、熔焊力、接触电阻以及质量变化值，以此作为数据集样本，其中化学式、制备工艺和电接触实验测试条件作为输入，燃弧时间、燃弧能量、熔焊力、接触电阻和质量变化值为机器学习模型的预测目标值。在本实施例中由于为自有数据库中获取的数据，均采用了相同的制备工艺(铸造法)和测试条件(采用电接触触点
材料综合参数测试仪测试，型号：jf04c，具体测试参数如表1所示)，因此输入值只考虑化学成分，部分电接触材料的化学式和多种电接触材料性能的实验值如表2：
21.表1电接触测试参数
22.测试参数设置值电路参数直流，24v，20a测试次数20000次接触力40cn接触间距1mm频率2hz(0.5s)气氛空气
23.表2收集的部分电接触材料的化学式和多种电接触材料性能的实验值
[0024][0025]
2)将数据集随机地划分为训练集(80-90％)和测试集(10-20％)两部分；
[0026]
3)采用集成算法xgboost、k近邻、人工神经网络、支持向量回归、朴素贝叶斯和随机森林等多种机器学习算法分别对燃弧时间、燃弧能量、熔焊力、接触电阻和质量变化值进行建模，并分别采用均方误差mse、平均绝对误差mae和均方根误差rmse等参数综合分析建模的效果。最终筛选出对5种电接触性能模型表现均较好的机器学习算法，针对收集的数据，支持向量回归的模型效果最好，过拟合程度低，测试集的误差在10％以内；
[0027]
4)对于本实施例，制备工艺和电接触实验测试条件已经固定，因此以cu、ni和v 3个元素作为添加元素，选取各元素搜索范围(质量分数)为cu：0～40％、ni：0～10％、v：0～1.5％，各个元素均以0.1％(质量分数)的间距建立成分空间，进行性能预测。并结合多目标优化算法—非支配遗传算法(nsga
‑ⅱ
)对电接触材料的性能进行多目标性能快速综合优化。在预测得到的结果中选择位于pareto前沿的电接触性能均相对较好的数据作为新型设计合金。
[0028]
5)对于在上述特定制备工艺和电接触实验测试条件下优化出的化学成分，选择几个预测结果不确定性最大的成分，进行实验合成制备和电接触性能测量，并扩展到初始数据集，迭代改进机器学习模型；
[0029]
6)基于最终优化改进的机器学习模型，在对ag-cu-ni-v的电接触性能多目标性能
同时优化的过程中，最终优化的成分为：ag-10.56cu-0.42ni-0.22v，其对应的电接触性能分别为：燃弧时间：4ms、燃弧能量：265mj、熔焊力：14cn、接触电阻：3.62mω以及质量变化值：-0.25mg，其优化结果较收集数据的成分对应的性能更好。经实验验证，电接触材料的多目标性能的预测值与实验值误差均小于8％。因此，本发明的方法在同时优化电接触材料的电接触性能时具有较好的效果。
[0030]
实施例2：ag-cu-ni-ce系新型电接触材料的优化设计。
[0031]
本实施例与上述实施例1中的步骤1)、2)、3)和5)基本相同，特别之处在于步骤4)和6)：
[0032]
对于本实例，制备工艺和电接触实验测试条件已经固定，因此以cu、ni和ce 3个元素作为添加元素，选取各元素搜索范围(质量分数)为cu：0～40％、ni：0～10％、ce：0～1.5％，各个元素均以0.1％(质量分数)的间距建立成分空间，进行性能预测。并结合多目标优化算法—非支配遗传算法(nsga
‑ⅱ
)对电接触材料的性能进行多目标性能快速综合优化。在预测得到的结果中选择位于pareto前沿的电接触性能均相对较好的数据作为新型设计合金。
[0033]
基于最终优化改进的机器学习模型，在对ag-cu-ni-ce的电接触性能多目标性能同时优化的过程中，最终优化的成分为：ag-9.98cu-0.79ni-0.11ce，其对应的电接触性能分别为：燃弧时间：4ms、燃弧能量：243mj、熔焊力：13cn、接触电阻：3.44mω以及质量变化值：-0.21mg，其优化结果较收集数据的成分对应的性能更好。经实验验证，电接触材料的多目标性能的预测值与实验值误差均小于8％。
[0034]
实施例3：ag-cu-ni-v-y系新型电接触材料的优化设计。
[0035]
本实施例与上述实施例1中的步骤1)、2)、3)和5)基本相同，特别之处在于步骤4)和6)：
[0036]
对于本实例，制备工艺和电接触实验测试条件已经固定，因此以cu、ni、v和y 4个元素作为添加元素，选取各元素搜索范围(质量分数)为cu：0～40％、ni：0～10％、v：0～1.5％、y：0～1.5％，各个元素均以0.1％(质量分数)的间距建立成分空间，进行性能预测。并结合多目标优化算法—非支配遗传算法(nsga
‑ⅱ
)对电接触材料的性能进行多目标性能快速综合优化。在预测得到的结果中选择位于pareto前沿的电接触性能均相对较好的数据作为新型设计合金。
[0037]
基于最终优化改进的机器学习模型，在对ag-cu-ni-v-y的电接触性能多目标性能的同时优化的过程中，最终优化的成分为：ag-10.45cu-0.29ni-0.21v-0.13y，其对应的电接触性能分别为：燃弧时间：4ms、燃弧能量：213mj、熔焊力：12cn、接触电阻：3.50mω以及质量变化值：-0.18mg，其优化结果较收集数据的成分对应的性能更好。经实验验证，电接触材料的多目标性能的预测值与实验值误差均小于8％。
[0038]
综上所述，上述实施例基于机器学习技术，面向电接触材料多目标性能设计需求对多元电接触材料多性能同时优化的方法，首先，从文献、公开数据库、自有数据库等渠道中查找电接触材料的化学式、制备工艺、测试条件、燃弧时间、燃弧能量、熔焊力、接触电阻以及质量变化值，以此作为数据集样本；将数据集随机划分为训练集和测试集，采用多种机器学习算法分别对电接触性能进行建模，并筛选出对5种电接触性能模型表现均较好的机器学习算法；采用多目标优化算法对建立的预测模型进行多性能优化，并通过迭代优化改
进模型，最终实现综合性能优异的新型电接触材料开发；本发明基于可靠的文献数据和机器学习技术，对优化四元乃至多元的电接触材料的电接触性能具有简便快捷、低成本、准确率高等优点。
[0039]
上述实施例中仅列举本发明部分的实施例，上述各实施例可在不脱离本发明的范围下加以若干变化，此处不再一一列举，故以上的说明所包含应视为例示性，而非用以限制本发明申请专利的保护范围。