CN109358185A - 基于极限学习机的橡胶配方性能预测模型及预测方法 - Google Patents
基于极限学习机的橡胶配方性能预测模型及预测方法 Download PDFInfo
- Publication number
- CN109358185A CN109358185A CN201811177254.5A CN201811177254A CN109358185A CN 109358185 A CN109358185 A CN 109358185A CN 201811177254 A CN201811177254 A CN 201811177254A CN 109358185 A CN109358185 A CN 109358185A
- Authority
- CN
- China
- Prior art keywords
- learning machine
- extreme learning
- layer
- rubber
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000010058 rubber compounding Methods 0.000 title claims abstract description 34
- 238000013528 artificial neural network Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000002474 experimental method Methods 0.000 claims abstract description 11
- 239000003292 glue Substances 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims description 63
- 229920001971 elastomer Polymers 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 12
- 238000011056 performance test Methods 0.000 claims description 12
- 238000002156 mixing Methods 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 11
- 210000002569 neuron Anatomy 0.000 claims description 10
- 239000004636 vulcanized rubber Substances 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 6
- 239000012752 auxiliary agent Substances 0.000 claims description 5
- 239000003795 chemical substances by application Substances 0.000 claims description 5
- 238000010074 rubber mixing Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 210000005036 nerve Anatomy 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000009864 tensile test Methods 0.000 claims description 3
- 238000009533 lab test Methods 0.000 claims description 2
- 238000000748 compression moulding Methods 0.000 claims 1
- 238000004901 spalling Methods 0.000 claims 1
- 238000007670 refining Methods 0.000 abstract description 3
- 238000013461 design Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 5
- 239000005864 Sulphur Substances 0.000 description 5
- XLOMVQKBTHCTTD-UHFFFAOYSA-N Zinc monoxide Chemical compound [Zn]=O XLOMVQKBTHCTTD-UHFFFAOYSA-N 0.000 description 4
- 239000006229 carbon black Substances 0.000 description 4
- 238000012827 research and development Methods 0.000 description 4
- 244000043261 Hevea brasiliensis Species 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 229920003052 natural elastomer Polymers 0.000 description 3
- 229920001194 natural rubber Polymers 0.000 description 3
- 229920002943 EPDM rubber Polymers 0.000 description 2
- 239000005662 Paraffin oil Substances 0.000 description 2
- 235000021355 Stearic acid Nutrition 0.000 description 2
- GUJOJGAPFQRJSV-UHFFFAOYSA-N dialuminum;dioxosilane;oxygen(2-);hydrate Chemical compound O.[O-2].[O-2].[O-2].[Al+3].[Al+3].O=[Si]=O.O=[Si]=O.O=[Si]=O.O=[Si]=O GUJOJGAPFQRJSV-UHFFFAOYSA-N 0.000 description 2
- HQQADJVZYDDRJT-UHFFFAOYSA-N ethene;prop-1-ene Chemical group C=C.CC=C HQQADJVZYDDRJT-UHFFFAOYSA-N 0.000 description 2
- 239000010445 mica Substances 0.000 description 2
- 229910052618 mica group Inorganic materials 0.000 description 2
- 229910052901 montmorillonite Inorganic materials 0.000 description 2
- QIQXTHQIDYTFRH-UHFFFAOYSA-N octadecanoic acid Chemical compound CCCCCCCCCCCCCCCCCC(O)=O QIQXTHQIDYTFRH-UHFFFAOYSA-N 0.000 description 2
- OQCDKBAXFALNLD-UHFFFAOYSA-N octadecanoic acid Natural products CCCCCCCC(C)CCCCCCCCC(O)=O OQCDKBAXFALNLD-UHFFFAOYSA-N 0.000 description 2
- 239000000843 powder Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 239000008117 stearic acid Substances 0.000 description 2
- 229920001897 terpolymer Polymers 0.000 description 2
- 239000011787 zinc oxide Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- -1 ethylene propylene diene Chemical class 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000013102 re-test Methods 0.000 description 1
- 238000004513 sizing Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000004073 vulcanization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/44—Resins; Plastics; Rubber; Leather
- G01N33/445—Rubber
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Compositions Of Macromolecular Compounds (AREA)
Abstract
本发明提供一种基于极限学习机的橡胶配方性能预测方法，属于橡胶配方技术领域。该方法避免了传统算法训练速度慢、容易陷入局部极小点以及需要设置大量网络训练参数等问题，极限学习机只需要设置神经网络的隐含层节点个数，而且在算法执行过程中不需要调整输入权值，明显提高了预测速度和精度，且可在使用中随着炼胶实验次数的增加对配方各组分的用量进行调整与优化，提高配方设计速度和精度，减少成本，增加可行度。
Description
技术领域
本发明涉及一种基于极限学习机的橡胶配方性能预测模型及预测方法，属于橡胶配方技术领域。
背景技术
橡胶制品的性能主要取决于胶料配方的设计，通过建立橡胶配合剂与橡胶性能的预测模型，能减少试验次数，节省人力、物力和财力，为企业降低研发成本，加快配方的研发速度。目前常用响应曲面设计等来建立橡胶配方性能的预测模型，但响应曲面设计预测误差较大，适应性较差，其他设计模型又存在结构参数多，易陷入局部最小值，建模时间长等缺点。如何提供一种比较简单，参数设置少，只需设置隐含层节点个数，便可获得唯一的最优解，学习速度快、预测精度高、泛化性能好，适用于橡胶配方性能的预测方法成为急需解决的技术问题。
发明内容
为了加快橡胶配方研发工作进程，降低企业成本，发明人检索与翻阅了大量的国内外在先文献，花费了三年时间，在一次偶然在与计算机专利朋友喝咖啡聊天时候，听该朋友聊起关于计算机算法在实际中的应用越来越广泛，可以处理很多包含非线性过程且观测数据缺乏的预测问题，通过一些模糊，无关联的数据进行算法处理得到一个较为精确的预测结果。该朋友介绍了模糊数学在电网统计应用等。该朋友的团队正在做针对我国西北某地区做干旱指数预测，通过采集当地的年蒸发能力，年降水量，风速，日照等参数信息，利用一种极限学习机算法进行处理，可以得到较为精确的干旱指数预测，误差率低于15％。当发明人听到该极限学习机后，突然灵机一动，认为可以尝试将该算法融入对橡胶配方性能预测。为此，发明人团队经过多次对该算法进行调整改进，使得其解决传统预测模型的弊端。
本发明提供一种基于极限学习机的橡胶配方性能预测方法。该方法避免了传统模型训练速度慢的问题，具有不容易陷入局部极小点以及设置少量的网络训练参数的优点，本发明只需要设置神经网络的隐藏层节点个数，而且在算法执行过程中不需要调整输入权值，明显提高了预测精度，且可在使用中随着炼胶车次的增加对配方各组分的用量进行调整与优化，提高配方设计速度和精度，减少成本，增加可行度，预测精度目前在6％-10％之间。
本发明公开了一种基于极限学习机的橡胶配方性能预测方法，包括如下步骤：
步骤1：以生产常规橡胶制品所需的橡胶配方为例(例如参见《实用橡胶配方手册》)，以其中不同组分的用量作为试验因子进行正交试验，用传统设备在相同工艺下进行炼胶、硫化(例如参见《橡胶工业手册》)，用门尼粘度仪测定混炼橡胶的门尼粘度，用硬度计、拉力试验机对硫化橡胶的硬度、撕裂强度、拉伸强度、100％定伸应力、300％定伸应力等基本物理机械性能进行测试并记录试验结果；
步骤2：以橡胶配方中的不同组分的用量作为输入，以混炼橡胶、硫化橡胶的基本物理机械性能的试验结果作为输出，作为样本集，随机选取样本集中一定比例85％的数据作为训练集，剩余15％的数据作为测试集；
步骤3：根据所述步骤2的训练集和测试集，对其进行归一化处理，众所周知，神经网络含有输入层、隐含层和输出层，在此需设定神经网络的隐含层节点个数，调用极限学习机的elmtrain()函数结合训练集创建并训练极限学习机神经网络模型；
步骤4：根据所述步骤3，通过查看测试集的相对误差来验证极限学习机神经网络预测模型的准确性，若相对误差不在10％以内，则重新设定神经网络的隐含层节点个数，直至相对误差都在10％以内，若相对误差都不在10％以内，则核查实验数据的准确性，必要时重做实验，重新测试收集数据；
步骤5：根据所述步骤4，将得到的预测结果进行反归一化，输出预测值和相对误差。
进一步，所述步骤1中，传统设备包括密炼机、开炼机以及平板硫化机，用开炼机对生胶进行塑炼，用密炼机按照炼胶工艺加入各种助剂进行混炼，排胶，然后将混炼橡胶放置开炼机上并加入硫化剂，薄通数次，下片取样，将混炼橡胶放置8h后，取试样用平板硫化机进行硫化。
进一步，所述步骤3中，极限学习机神经网络模型包括3层，分别是输入层、隐含层和输出层，其中样本集数据由输入层输入，之后传播至隐含层，再由隐含层传播至输出层，输入层的节点数是由样本集属性决定的，输出层的节点个数是由目标值的种类数目决定的，该隐含层节点数预设为100个，设定该100个预设节点中，每个预设节点循环30次，同时调用极限学习机的elmpredict()函数进行30次极限学习机神经网络的预测并将该30次预测的相对误差取平均误差Dd，d取值在1……100中；对100个预设节点的平均误差Dd进行比较，并选取平均误差Dd＝Ddmin最小值对应的节点数值为该隐含层实际节点数；
进一步，所述步骤4中，相对误差小于10％被认为预测精度足够高，相对误差用下面的计算公式进行计算：
式中l为相对误差，yp表示预测模型输出的预测值，ye表示输出的试验值。
本发明与现有技术相比的优点在于：
(1)上述方案中，在试验次数少，试验数据少的情况下，充分利用已有实验数据，训练和建立根据橡胶配方来预测硫化橡胶基本物理机械性能参数的神经网络预测模型，该模型训练速度快、预测精度高、适应性较好，较传统预测模型的预测精度和运算速度都有了明显的提升，进而加快橡胶配方的研发速度。
(2)本发明是一种基于极限学习机的橡胶配方性能预测方法，首次将极限学习机算法应用于橡胶配方性能的预测，从而降低试验周期和企业研发成本。
附图说明
图1为本发明的一种基于极限学习机的橡胶配方性能预测方法的流程图；
图2为本发明的极限学习机神经网络的拓扑结构模型示意图。
具体实施方式
如图1-2所示，本实施例的一种基于极限学习机的橡胶配方性能预测模型，包括极限学习机神经网络模型与预测结果层；
极限学习机神经网络模型，包括作为输入参数集的输入层、含有激活函数g(x)的隐含层、以及输出预测结果集的输出层；
输入层包括由随机选取样本集属性决定的输入层节点数；
输出层包括由预测的目标值的种类数目决定的输出层节点数；
隐含层包括由隐含层节点数，其中，该隐含层节点数预设为A个，设定该A个预设节点中，每个预设节点循环B次，同时调用极限学习机的elmpredict()函数进行B次极限学习机神经网络的预测并将该B次预测的相对误差取平均误差Dd，d取值在1……A中；对A个预设节点的平均误差Dd进行比较，并选取平均误差Dd＝Ddmin最小值对应的A值为该隐含层实际节点数；
输入参数集包括经过正交试验得到的橡胶配方中各个组分用量试验数据；
输出预测结果集为包括物理机械性能的试验结果的样本集，样本集包括占比例为E的训练集与占比例为1-E的测试集；
在预测结果层中，当测试集的相对误差都在10％以内时，对该测试集得到的预测结果进行反归一化的预测结果层的输出预测值和相对误差。
所述的橡胶配方中各个组分用量取自于《实用橡胶配方手册》；物理机械性能的试验结果包括门尼粘度仪测定混炼橡胶的门尼粘度，用硬度计和/或拉力试验机对硫化橡胶测定的硬度、撕裂强度、拉伸强度、100％定伸应力、300％定伸应力试验结果；
物理机械性能测试应用的设备包括按照炼胶工艺加入各种助剂进行混炼与排胶的密炼机、对生胶进行塑炼的开炼机、以及对开炼机后加入硫化剂的橡胶下片取样进行硫化的平板硫化机。
实施例的基于极限学习机的橡胶配方性能预测方法，其特征在于，借助于极限学习机；该方法包括以下，
步骤一，搭建基于极限学习机的神经网络：该极限学习机神经网络含有输入层、隐含层和输出层；
其中，X为输入变量，n为输入变量的维数，X、n由输入层的输入值及输入目标种类的数目决定；
WnL为输入层与隐含层神经元之间的连接权重，bL为隐含层神经元的阈值，WnL、bL是由极限学习机算法随机设定；
L为隐含层神经元的个数，L是人为的设定；
g(x)为隐含层神经元的激活函数，g(x)选择默认的S型函数；
βLm为隐含层和输出层神经元之间的连接权重，βLm是隐含层的输出值所组成矩阵的Moore-Penrose广义逆和输出层的输出值所组成矩阵的逆矩阵的乘积；
y为输出向量，m为输出层输出向量的维数，y、m则是由输出层输出值及输出层输出目标种类的数据决定；
步骤二，采集并设定橡胶数据；首先，根据待预测性能橡胶制品的配方，选择配方中的组分的用量作为试验因子并进行正交试验；然后，根据需要得到的物理机械性能，设定性能测试结果；其次，将试验因子从输入层输入，将性能测试结果从输出层输出；然后，随机将试验因子与性能测试结果分为G组，作为样本集；再次，从样本集中选取比例E为训练集，从样本集中选取比例为1-E为测试集；
步骤三，首先，针对步骤一，根据随机选取样本集属性决定的输入层节点数，根据预测的目标值的种类数目决定的输出层节点数，确定隐含层节点数；然后，针对步骤二，对训练集与测试集进行归一化处理；其次，调用极限学习机的elmtrain()函数结合训练集创建并训练极限学习机神经网络模型，得到预测结果；
步骤四，首先，通过查看测试集的相对误差来验证极限学习机神经网络预测模型得到预测结果的准确性；
若相对误差至少一个不在10％以内且至少一个相对误差至少一个在10％以内，则返回步骤三，重新设定神经网络的隐含层节点个数，直至相对误差都在10％以内；
若相对误差都不在10％以内，核查实验数据的准确性，同时返回步骤二，重新测试收集数据；
若相对误差均在10％内，则执行步骤五；
步骤五：对满足步骤四准确性的预测结果进行反归一化，并输出预测值和相对误差。
在步骤三中，首先，该隐含层节点数预设为A个，设定该A个预设节点中，每个预设节点循环B次，同时调用极限学习机的elmpredict()函数进行B次极限学习机神经网络的预测并将该B次预测的相对误差取平均误差Dd，d取值在1……A中；对A个预设节点的平均误差Dd进行比较，并选取平均误差Dd＝Ddmin最小值对应的A值为该隐含层实际节点数；
在步骤二中，性能测试结果得到基于密炼机、开炼机以及平板硫化机，首先，用开炼机对生胶进行塑炼，用密炼机按照炼胶工艺加入助剂进行混炼，排胶；然后，将混炼橡胶放置开炼机上并加入硫化剂，薄通多次；其次，下片取样；再次，将混炼橡胶放置8小时后；最后，取试样用平板硫化机进行硫化。
在步骤四中，相对误差小于10％被认为预测精度符合预设的预设条件，相对误差的计算公式如下：
式中l为相对误差，yp表示预测模型输出的预测值，ye表示实验室实验得到的试验值。以下为具体应用：
实施例1
下面通过实施例并结合图表对本发明做进一步描述：
本实施例以三元乙丙橡胶配方为例，用基于极限学习机的方法来对其配方性能进行预测，包含以下步骤：
步骤1：
(1)本实施例采用的是三元乙丙橡胶，选择配方中的氧化锌x1、硬脂酸x2、炭黑x3、硫磺x4、石蜡油x5用量为试验因子进行五因子四水平正交试验，如表1所示，试验过程采用相同的工艺。
表1因子水平表
(2)三元乙丙硫化橡胶的基本物理机械性能包括门尼粘度y1、硬度y2、拉伸强度y3、撕裂强度y4、100％定伸应力y5，300％定伸应力y6，对每一项基本物理机械性能，用同一台试验设备进行测量。正交试验数据和性能测试结果如表2所示。
表2试验数据与性能测试结果
步骤2：以三元乙丙橡胶配方中的氧化锌x1、硬脂酸x2、炭黑x3、硫磺x4、石蜡油x5的用量作为输入，以三元乙丙硫化橡胶的基本物理机械性能参数门尼粘度y1、硬度y2、拉伸强度y3、撕裂强度y4、100％定伸应力y5，300％定伸应力y6为输出，随机将数据分为16组，并作为样本集，选取样本集的前14组数据作为训练集，后2组数据作为测试集；
步骤3：根据所述步骤2的训练集和测试集，对其进行归一化处理，众所周知，神经网络含有输入层、隐含层和输出层，在此需设定神经网络的隐含层节点个数，调用极限学习机的elmtrain()函数结合训练集创建并训练极限学习机神经网络模型；
步骤4：根据所述步骤3，通过查看测试集的相对误差来验证极限学习机神经网络预测模型的准确性，若相对误差不在10％以内，则重新设定神经网络的隐含层节点个数，直至相对误差都在10％以内，若相对误差都不在10％以内，则核查实验数据的准确性，必要时重做实验，重新测试收集数据；
步骤5：将据所述步骤4得到的预测结果进行反归一化，并输出预测值和相对误差。
结合表2和图1所示，建立样本集，并选取样本集的前14组数据作为训练集，后2组数据作为测试集。
结合表2和图1以及图2所示，用测试集对神经网络预测模型进行预测，对预测结果进行反归一化，并输出预测值和相对误差，相对误差小于10％被认为预测精度足够高，相对误差用公式(1)计算，得到的测试集预测值和相对误差如表3所示。
表3反归一化的预测结果及相对误差
得到该极限学习机的神经网络模型后，当需要用该配方进行试验时，便可预测该配方的基本物理机械性能，不需要再次进行试验，省时省力。
实施例2
下面通过实施例并结合图表对本发明做进一步描述：
本实施例以天然橡胶配方为例，用基于极限学习机的方法来对其配方性能进行预测，包含以下步骤：
步骤1：
(1)本实施例采用的是天然橡胶，选择配方中的炭黑α1、云母粉α2、蒙脱土α3、硫磺α4、加工油α5用量为试验因子进行五因子四水平正交试验，如表4所示，试验过程采用相同的工艺。
表4因子水平表
(2)天然硫化橡胶的基本物理机械性能包括门尼粘度β1、硬度β2、10％定伸应力β3、100％定伸应力β4、拉伸强度β5，撕裂强度β6，对每一项基本物理机械性能，用同一台试验设备进行测量。正交试验数据和性能测试结果如表5所示。
表5试验数据与性能测试结果
步骤2：以天然橡胶配方中的炭黑α1、云母粉α2、蒙脱土α3、硫磺α4、加工油α5的用量作为输入，以天然硫化橡胶的基本物理机械性能参数门尼粘度β1、硬度β2、10％定伸应力β3、100％定伸应力β4、拉伸强度β5，撕裂强度β6为输出，随机将数据分为16组，并作为样本集，选取样本集的前14组数据作为训练集，后2组数据作为测试集；
步骤3：根据所述步骤2的训练集和测试集，对其进行归一化处理，众所周知，神经网络含有输入层、隐含层和输出层，在此需设定神经网络的隐含层节点个数，调用极限学习机的elmtrain()函数结合训练集创建并训练极限学习机神经网络模型；
步骤4：根据所述步骤3，通过查看测试集的相对误差来验证极限学习机神经网络预测模型的准确性，若相对误差不在10％以内，则重新设定神经网络的隐含层节点个数，直至相对误差都在10％以内，若相对误差都不在10％以内，则核查实验数据的准确性，必要时重做实验，重新测试收集数据；
步骤5：将据所述步骤4得到的预测结果进行反归一化，并输出预测值和相对误差。
结合表5和图1所示，建立样本集，并选取样本集的前14组数据作为训练集，后2组数据作为测试集。
结合表5和图1以及图2所示，用测试集对神经网络预测模型进行预测，对预测结果进行反归一化，并输出预测值和相对误差，相对误差小于10％被认为预测精度足够高，相对误差用公式(1)计算，得到的测试集预测值和相对误差如表6所示。
表6反归一化的预测结果及相对误差
得到该极限学习机的神经网络模型后，当需要用该配方进行试验时，便可预测该配方的基本物理机械性能，不需要再次进行试验，省时省力。
Claims (7)
1.一种基于极限学习机的橡胶配方性能预测模型，其特征在于，包括极限学习机神经网络模型与预测结果层；
极限学习机神经网络模型，包括作为输入参数集的输入层、含有激活函数g(x)的隐含层、以及输出预测结果集的输出层；
输入层包括由随机选取样本集属性决定的输入层节点数；
输出层包括由预测的目标值的种类数目决定的输出层节点数；
隐含层包括隐含层节点数，其中，该隐含层节点数预设为A个，设定该A个预设节点中，每个预设节点循环B次，同时调用极限学习机的elmpredict()函数进行B次极限学习机神经网络的预测并将该B次预测的相对误差取平均误差Dd，d取值在1……A中；对A个预设节点的平均误差Dd进行比较，并选取平均误差Dd＝Ddmin最小值对应的A值为该隐含层实际节点数；
输入参数集包括经过正交试验得到的橡胶配方中各个组分用量试验数据；
输出预测结果集为包括物理机械性能的试验结果的样本集，样本集包括占比例为E的训练集与占比例为1-E的测试集；
在预测结果层中，当测试集的相对误差都在10％以内时，对该测试集得到的预测结果进行反归一化的预测结果层的输出预测值和相对误差。
2.根据权利要求1所述的基于极限学习机的橡胶配方性能预测模型，其特征在于，所述的橡胶配方中各个组分用量取自于《实用橡胶配方手册》；物理机械性能的试验结果包括门尼粘度仪测定混炼橡胶的门尼粘度，用硬度计和/或拉力试验机对硫化橡胶测定的硬度、撕裂强度、拉伸强度、100％定伸应力、300％定伸应力试验结果。
3.根据权利要求2所述的基于极限学习机的橡胶配方性能预测模型，其特征在于，物理机械性能测试应用的设备包括按照炼胶工艺加入各种助剂进行混炼与排胶的密炼机、对生胶进行塑炼的开炼机、以及对开炼机后加入硫化剂的橡胶下片取样进行硫化的平板硫化机。
4.一种基于极限学习机的橡胶配方性能预测方法，其特征在于，借助于极限学习机；该方法包括以下，
步骤一，搭建基于极限学习机的神经网络：该极限学习机神经网络含有输入层、隐含层和输出层；
其中，X为输入变量，n为输入变量的维数，X、n由输入层的输入值及输入目标种类的数目决定；
WnL为输入层与隐含层神经元之间的连接权重，bL为隐含层神经元的阈值，WnL、bL是由极限学习机算法随机设定；
L为隐含层神经元的个数，L是人为的设定；
g(x)为隐含层神经元的激活函数，g(x)选择默认的S型函数；
βLm为隐含层和输出层神经元之间的连接权重，βLm是隐含层的输出值所组成矩阵的Moore-Penrose广义逆和输出层的输出值所组成矩阵的逆矩阵的乘积；
y为输出向量，m为输出层输出向量的维数，y、m则是由输出层输出值及输出层输出目标种类的数据决定；
步骤二，采集并设定橡胶数据；首先，根据待预测性能橡胶制品的配方，选择配方中的组分的用量作为试验因子并进行正交试验；然后，根据需要得到的物理机械性能，设定性能测试结果；其次，将试验因子从输入层输入，将性能测试结果从输出层输出；然后，随机将试验因子与性能测试结果分为G组，作为样本集；再次，从样本集中选取比例E为训练集，从样本集中选取比例为1-E 为测试集；
步骤三，首先，针对步骤一，根据随机选取样本集属性决定的输入层节点数，根据预测的目标值的种类数目决定的输出层节点数，确定隐含层节点数；然后，针对步骤二，对训练集与测试集进行归一化处理；其次，调用极限学习机的elmtrain()函数结合训练集创建并训练极限学习机神经网络模型，得到预测结果；
步骤四，首先，通过查看测试集的相对误差来验证极限学习机神经网络预测模型得到预测结果的准确性；
若相对误差至少一个不在10％以内且至少一个相对误差至少一个在10％以内，则返回步骤三，重新设定神经网络的隐含层节点个数，直至相对误差都在10％以内；
若相对误差都不在10％以内，核查实验数据的准确性，同时返回步骤二，重新测试收集数据；
若相对误差均在10％内，则执行步骤五；
步骤五：对满足步骤四准确性的预测结果进行反归一化，并输出预测值和相对误差。
5.根据权利要求4所述的基于极限学习机的橡胶配方性能预测方法，其特征在于，在步骤三中，首先，该隐含层节点数预设为A个，设定该A个预设节点中，每个预设节点循环B次，同时调用极限学习机的elmpredict()函数进行B次极限学习机神经网络的预测并将该B次预测的相对误差取平均误差Dd，d取值在1……A中；对A个预设节点的平均误差Dd进行比较，并选取平均误差Dd＝Ddmin最小值对应的A值为该隐含层实际节点数。
6.根据权利要求4所述的基于极限学习机的橡胶配方性能预测方法，其特征在于，在步骤二中，性能测试结果得到基于密炼机、开炼机以及平板硫化机，首先，用开炼机对生胶进行塑炼，用密炼机按照炼胶工艺加入助剂进行混炼，排胶；然后，将混炼橡胶放置开炼机上并加入硫化剂，薄通多次；其次，下片取样；再次，将混炼橡胶放置8小时后；最后，取试样用平板硫化机进行硫化。
7.根据权利要求4所述的基于极限学习机的橡胶配方性能预测方法，其特征在于，在步骤四中，相对误差小于10％被认为预测精度符合预设的预设条件，相对误差的计算公式如下：
式中l为相对误差，yp表示预测模型输出的预测值，ye表示实验室实验得到的试验值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811177254.5A CN109358185A (zh) | 2018-10-10 | 2018-10-10 | 基于极限学习机的橡胶配方性能预测模型及预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811177254.5A CN109358185A (zh) | 2018-10-10 | 2018-10-10 | 基于极限学习机的橡胶配方性能预测模型及预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109358185A true CN109358185A (zh) | 2019-02-19 |
Family
ID=65348900
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811177254.5A Pending CN109358185A (zh) | 2018-10-10 | 2018-10-10 | 基于极限学习机的橡胶配方性能预测模型及预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109358185A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110263488A (zh) * | 2019-07-03 | 2019-09-20 | 昆明理工大学 | 一种基于集成即时学习的工业混炼胶门尼粘度软测量方法 |
| CN110569571A (zh) * | 2019-08-21 | 2019-12-13 | 天津大学 | 基于极限学习机的城市供水管网爆管预警方法 |
| WO2021032614A1 (de) * | 2019-08-19 | 2021-02-25 | Robert Bosch Gmbh | Vorrichtung und verfahren zur qualitätsbewertung von elastomeren |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2055720A1 (en) * | 2007-11-05 | 2009-05-06 | Total Petrochemicals Research Feluy | Predictive model for density and melt index of polymer leaving loop reactor |
| CN103302777A (zh) * | 2013-06-26 | 2013-09-18 | 广东工业大学 | 一种基于神经网络的轮胎硫化机能耗异常检测方法 |
| CN108182681A (zh) * | 2018-01-12 | 2018-06-19 | 石家庄铁道大学 | 一种基于多层超限学习网络的混凝土裂缝检测方法 |
| CN108287184A (zh) * | 2017-12-29 | 2018-07-17 | 东北电力大学 | 基于电子鼻的石蜡嗅味等级评定方法 |
-
2018
- 2018-10-10 CN CN201811177254.5A patent/CN109358185A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2055720A1 (en) * | 2007-11-05 | 2009-05-06 | Total Petrochemicals Research Feluy | Predictive model for density and melt index of polymer leaving loop reactor |
| CN103302777A (zh) * | 2013-06-26 | 2013-09-18 | 广东工业大学 | 一种基于神经网络的轮胎硫化机能耗异常检测方法 |
| CN108287184A (zh) * | 2017-12-29 | 2018-07-17 | 东北电力大学 | 基于电子鼻的石蜡嗅味等级评定方法 |
| CN108182681A (zh) * | 2018-01-12 | 2018-06-19 | 石家庄铁道大学 | 一种基于多层超限学习网络的混凝土裂缝检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| WEIYA JIN ET.AL.: "Fast property prediction in an industrial rubber mixing process with local ELM model", 《JOURNAL OF APPLIED POLYMER SCIENCE》 * |
| 王小川 等: "《MATLAB智能算法30个案例分析》", 31 August 2015, 北京航空航天大学出版社 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110263488A (zh) * | 2019-07-03 | 2019-09-20 | 昆明理工大学 | 一种基于集成即时学习的工业混炼胶门尼粘度软测量方法 |
| WO2021032614A1 (de) * | 2019-08-19 | 2021-02-25 | Robert Bosch Gmbh | Vorrichtung und verfahren zur qualitätsbewertung von elastomeren |
| CN110569571A (zh) * | 2019-08-21 | 2019-12-13 | 天津大学 | 基于极限学习机的城市供水管网爆管预警方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bella | A new competition model for individual trees | |
| CN106651656A (zh) | 基于改进的隶属度函数的供电可靠性模糊综合评价方法 | |
| CN109358185A (zh) | 基于极限学习机的橡胶配方性能预测模型及预测方法 | |
| CN108876021B (zh) | 一种中长期径流预报方法及系统 | |
| CN107463633A (zh) | 一种基于eemd‑神经网络的实时数据异常值检测方法 | |
| CN106503919A (zh) | 一种基于供电分区特性的配电网评价方法 | |
| CN104537010A (zh) | 基于决策树的网构软件中的构件分类方法 | |
| CN106528433A (zh) | 一种用于白盒测试的测试用例优先级排序方法 | |
| CN108921279A (zh) | 水库日入水量预测方法 | |
| CN109376933A (zh) | 基于神经网络的锂离子电池负极材料能量密度预测方法 | |
| CN105243193B (zh) | 一种确定徐变试验棱柱体试件抗压强度折算系数的方法 | |
| CN112330065A (zh) | 一种基于基流分割和人工神经网络模型的径流预报方法 | |
| CN110309609A (zh) | 一种基于粗糙集和小波神经网络的建筑室内空气品质评价方法 | |
| CN108090613A (zh) | 一种进近管制扇区管制员工作负荷预测方法 | |
| CN110705920A (zh) | 一种大数据环境下多隐层bp网络预测水泥强度方法 | |
| CN111859814B (zh) | 基于lstm深度学习的岩石时效变形预测方法及其系统 | |
| CN109917115A (zh) | 一种沥青混合料综合性能预测方法 | |
| CN113269384A (zh) | 一种对河流系统健康状态进行预警的方法 | |
| CN106874676A (zh) | 一种电能计量装置状态评估方法 | |
| CN109657287B (zh) | 基于综合得分法水文模型精度识别的方法 | |
| CN110197704A (zh) | 一种基于受限玻尔兹曼机的自组织bp神经网络出水总磷预测方法 | |
| CN109918791A (zh) | 一种核电站数字化主控室操纵员人因可靠性分析方法 | |
| CN106251006A (zh) | 一种阿根廷鱿鱼资源补充量预测方法 | |
| CN108537581A (zh) | 基于gmdh选择性组合的能源消费量时间序列预测方法及装置 | |
| Saad et al. | Gene expression programming (GEP) based intelligent model for high performance concrete comprehensive strength analysis |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |