一种优化的橡胶老化性能预测方法

摘要

本发明提供了一种优化的橡胶老化性能预测方法。利用优化的BP人工神经网络对应用于复杂环境下的橡胶材料及制品的老化性能进行预测。首先对输入的数据要经过整理和筛选，然后确定输入层和输出层的参数，利用BP人工神经网络对输入数据进行训练，优选出隐含层神经元个数和训练函数，之后利用训练的神经网络模型对橡胶材料性能数据进行预测。本发明使用的BP人工神经网络具有良好的自适应性和自学习能力，其不需要建立物理或化学加速模型，也不需要明晰的材料老化机理，同时可以考虑多种影响因素。本发明能够为多因素耦合环境下橡胶材料及制品的老化性能提供迅速且准确的预测方法。

说明书

技术领域

本发明属于橡胶老化性能预测技术领域，特别涉及一种优化的橡胶老化性能预测方法。

背景技术

橡胶材料及制品的的使用环境趋向于复杂、特殊、综合的环境，例如高温、高湿、盐雾、日照、油介质、推进剂介质等环境。在这种多因素耦合的复杂使用环境下，橡胶材料及制品在长期保存和使用过程中会受到光、热、氧、水分、盐雾、侵蚀性介质以及机械应力等环境因素的影响，从而逐渐产生不可逆的老化现象，导致性能下降，甚至丧失工作能力。目前的性能预测方法一般仅考虑单一环境因素的影响，较少对多因素环境条件的影响进行研究。若涉及三个及以上的环境因素，则由于多因素耦合环境的复杂性，各环境因素的影响占比模糊，导致橡胶材料的老化机理不清晰，老化后的性能变化趋势不能采用已有的橡胶材料性能评价方法进行评价。如何评价橡胶材料及制品在这种多因素耦合的复杂环境下的性能成为新形势下亟需解决的问题。

人工神经网络是一种模拟大脑神经系统结构和功能，由大量神经元广泛连接组成的神经网络系统，在近年来得到迅速发展，具有在各领域应用的极大潜能。人工神经网络能够从已知数据中自动归纳规律，获得数据的内在规律，具有很强的非线性映射能力，并且具有高度的并行性，良好的容错性，较强的自适应性和自学习能力。可以同时考虑多种环境影响因素，非常适用于多因素耦合环境下橡胶材料的老化性能预测。在满足数据量较大，数据可靠和数据涵盖范围广的条件下，人工神经网络方法能够迅速可靠的预测橡胶材料的老化性能。

目前，人工神经网络在预测橡胶老化性能方面存在预测结果不准确的问题，主要的原因有两方面：一方面是数据量少，一方面是隐含层神经元个数选取不恰当。

发明内容

本发明的目的在于克服上述缺陷，提供一种优化的橡胶老化性能预测方法，基于BP(back propagation)人工神经网络，在神经网络训练数据集里加入自然老化数据，同时通过优化隐含层神经元个数，能够有效解决预测准确性的问题，本发明所述方法能够在不需要建立物理或化学加速模型，也不需要明晰的材料老化机理的前提下，利用已有数据对橡胶材料的老化性能进行有效预测。

为实现上述发明目的，本发明提供如下技术方案：

一种优化的橡胶老化性能预测方法，包括以下步骤：

(1)对橡胶材料的数据进行整理和筛选；所述数据为橡胶的老化条件及所述老化条件对应的老化性能；

(2)建立人工神经网络，依据橡胶的目标老化性能及老化条件，确定输入层和输出层的参数；

(3)训练人工神经网络，得到最优训练模型；所述训练人工神经网络过程包括确定训练函数和隐含层的神经元个数；

(4)利用最优训练模型，输入橡胶老化条件，得到橡胶的目标老化性能。

进一步的，步骤(1)中，所述数据≥50组；所述数据包括自然老化数据和加速老化数据，所述自然老化数据至少为1组；所述加速老化数据包括相同试样的历史测试数据和新测试数据。

进一步的，步骤(1)中，数据筛选包括缺失值和异常值的处理；所述缺失值的处理方法包括删除、替补和插补；所述异常值的处理方法包括删除或平均修正法。

进一步的，所述输入层参数包括温度、湿度、老化时间或应力中的一种或一种以上组合，与老化条件相对应；所述输出层参数包括拉伸强度、拉断伸长率、拉断永久变形、定伸应力、硬度、压缩永久变形率、剪切模量、损耗系数、应力松弛或蠕变中的一种或一种以上组合，与老化性能相对应。

进一步的，所述输入层的神经元个数等于输入层的参数个数；所述输出层的神经元个数等于输出层的参数个数。

进一步的，步骤(3)中，采用的训练函数为基于数值优化方法的Levenberg-Marquardt。

进一步的，步骤(3)中，所述隐含层的神经元个数的确定方法为：

(31)设立初始隐含层神经元个数；

(32)增大隐含层神经元个数，计算训练结果的均方误差；

(33)对比步骤(32)中所得各均方误差，得到均方误差不再明显下降时的隐含层神经元个数n；

(34)确定最优训练模型的隐含层神经元个数为n～n+10中且满足误差要求的数值。

进一步的，所述步骤(34)中，确定最优训练模型的隐含层神经元个数为n～n+10中满足误差要求的最小神经元个数，即确定最优训练模型的隐含层神经元个数为n～n+10中满足误差要求的最小值。

进一步的，所述隐含层采用S型激活函数。

进一步的，所述输出层采用线性激活函数。

本发明与现有技术相比具有如下有益效果：

(1)本发明一种优化的橡胶老化性能预测方法，基于BP人工神经网络，在不需要建立物理或化学加速模型，也不需要明晰的材料老化机理的前提下，可以同时考虑多种环境影响因素，适用于多因素耦合环境下橡胶材料的老化性能预测，并能迅速且准确的预测橡胶材料的老化性能；

(2)本发明一种优化的橡胶老化性能预测方法，在神经网络训练数据集里加入自然老化数据，同时不断加入新实验数据，能够提高预测准确性；

(3)本发明一种优化的橡胶老化性能预测方法，通过对均方误差的对比对隐含层神经元个数进行了优化，同时使隐含层神经元个数的选取同时满足训练精度和训练时间的要求。

附图说明

图1为本发明一种优化的橡胶老化性能预测方法的示意图。

具体实施方式

下面通过对本发明进行详细说明，本发明的特点和优点将随着这些说明而变得更为清楚、明确。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

本发明一种优化的橡胶老化性能预测方法，如图1所示，包括以下步骤：

(1)对橡胶材料的数据进行整理和筛选；所述数据为橡胶的老化条件及所述老化条件对应的老化性能；

(2)建立人工神经网络，依据橡胶的目标老化性能及老化条件，确定输入层和输出层的参数；

(3)训练人工神经网络，得到最优训练模型；所述训练人工神经网络过程包括确定训练函数和隐含层的神经元个数；

(4)利用最优训练模型，输入橡胶老化条件，得到橡胶的目标老化性能。

进一步的，步骤(1)中，所述数据≥50组；所述数据包括自然老化数据和加速老化数据，所述自然老化数据至少为1组，即数据须包含自然老化数据，自然老化数据能够很大程度上提高人工神经网络的预测精度；所述加速老化数据包括相同试样的历史测试数据和新测试数据。

进一步的，步骤(1)中，数据筛选包括缺失值和异常值的处理；所述缺失值的处理方法包括删除、替补和插补；所述异常值的处理方法包括删除或平均修正法。

进一步的，所述输入层参数应选取对橡胶材料性能影响较大的因素，包括温度、湿度、老化时间、应力等中的一种或一种以上组合；所述输出层参数根据实际性能预测的目标进行选取，在满足需求的条件下，应尽可能选取较少的输出层参数，包括拉伸强度、拉断伸长率、拉断永久变形、定伸应力、硬度、压缩永久变形率、剪切模量、损耗系数、应力松弛、蠕变等中的一种或一种以上组合。

进一步的，所述输入层的神经元个数等于输入层的参数个数；所述输出层的神经元个数等于输出层的参数个数。

进一步的，步骤(3)中，在训练时间可接受的前提下，BP人工神经网络的训练函数优选Levenberg-Marquardt函数。此函数是基于数值优化的梯度下降法和牛顿法的结合，具有收敛迅速的特点，能够满足一般情况下橡胶老化性能的预测需求。

进一步的，隐含层神经元个数的选取应同时考虑训练精度和训练时间。在具体设计时，应通过对不同神经元数进行训练对比，在满足精度要求即目标误差的前提下，优选个数少的隐含层神经元个数。

具体的说，隐含层神经元的个数选取使用训练后网络的均方误差(MSE)值来确定，选取MSE不再明显下降时的神经元个数以及此个数加10以内的神经元个数。若神经元个数的变化对训练结果的MSE影响很小，则应选择较小的神经元个数，以减少训练时间。

隐含层的神经元个数的具体确定方法为如下：

(31)设立初始隐含层神经元个数；

(32)增大隐含层神经元个数，计算训练结果的均方误差；

(33)对比步骤(2)中所得各均方误差，得到均方误差不再明显下降时的隐含层神经元个数n；

(34)确定最优训练模型的隐含层神经元个数为n～n+10中且满足误差要求的数值。

进一步的，步骤(34)中，确定最优训练模型的隐含层神经元个数为n～n+10中满足误差要求的最小神经元个数(即n～n+10中满足误差要求的最小值)，以减少训练时间。

进一步的，所述隐含层采用S型激活函数。

进一步的，所述输出层采用线性激活函数。

本发明也适用于橡胶制品例如密封圈、减振器等产品的性能预测。

应用于湿热环境的硅橡胶材料，需预测其10年后力学性能是否能够满足使用要求。硅橡胶的老化性能预测方法步骤如下：

(1)对此种硅橡胶材料的数据进行整理和筛选。将历史积累数据和新开展的试验收据收集整理，并包含自然老化数据，共整理了将近一百组数据。将这些数据中明显偏离正常趋势的数据点进行删除，若偏离的点可按一定方法修正，也可将数据修正后使用。最终共筛选出85组有效数据。

(2)由于要预测的为橡胶材料的力学性能，包括拉伸强度、拉断伸长率、拉断永久变形、定伸应力，因此，选定这四项参数作为输出参数。输入参数综合考虑应用环境因素和加速应力，包括温度、湿度、老化时间共三项输入参数。

(3)在matlab中编程，使用人工神经网络工具箱，建立BP神经网络，其中训练函数使用Levenberg-Marquardt函数，用trainlm表示，激活函数选择S型函数，用tansig表示，输出函数选择线性函数，用purelin表示。训练函数的代码为net＝newff(minmax(input)，output，[x]，{′tansig′，′purelin′}，′trainlm′)。其中x为隐含层神经元个数。

(4)根据训练结果选择合适的隐含层神经元个数。各隐含层神经元个数对应的MSE列于下表。

当神经元个数达到5后，MSE变化较小，则选择5～15范围内的神经元个数。本例选择神经元个数为8。

(5)使用隐含层神经元个数8对网络进行训练，建立起输入层为3，输出层为4的多因素耦合环境下的硅橡胶老化性能预测模型。

(6)利用此模型预测在温度为35℃，湿度为60％RH的应用环境中老化10年后，硅橡胶的拉伸强度、拉断伸长率、拉断永久变形和100％定伸应力分别为8.41MPa、436％、5.80％、1.06MPa。此结果表明，在此环境中10年后，硅橡胶的各项力学性能指标仍然满足要求。与类似硅橡胶材料自然贮存数据相比，预测结果偏差在15％以内，说明此人工神经网络模型预测老化性能的方法可靠。

以上结合具体实施方式和范例性实例对本发明进行了详细说明，不过这些说明并不能理解为对本发明的限制。本领域技术人员理解，在不偏离本发明精神和范围的情况下，可以对本发明技术方案及其实施方式进行多种等价替换、修饰或改进，这些均落入本发明的范围内。本发明的保护范围以所附权利要求为准。

本发明说明书中未作详细描述的内容属本领域技术人员的公知技术。