CN112989691A - 一种优化的橡胶老化性能预测方法 - Google Patents
一种优化的橡胶老化性能预测方法 Download PDFInfo
- Publication number
- CN112989691A CN112989691A CN202110181680.1A CN202110181680A CN112989691A CN 112989691 A CN112989691 A CN 112989691A CN 202110181680 A CN202110181680 A CN 202110181680A CN 112989691 A CN112989691 A CN 112989691A
- Authority
- CN
- China
- Prior art keywords
- aging
- neurons
- data
- rubber
- aging performance
- 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
- 230000032683 aging Effects 0.000 title claims abstract description 76
- 229920001971 elastomer Polymers 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 43
- 210000002569 neuron Anatomy 0.000 claims abstract description 55
- 238000012549 training Methods 0.000 claims abstract description 44
- 238000013528 artificial neural network Methods 0.000 claims abstract description 26
- 239000000463 material Substances 0.000 claims abstract description 20
- 230000035882 stress Effects 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000003672 processing method Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000006467 substitution reaction Methods 0.000 claims description 4
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000008878 coupling Effects 0.000 abstract description 6
- 238000010168 coupling process Methods 0.000 abstract description 6
- 238000005859 coupling reaction Methods 0.000 abstract description 6
- 230000001133 acceleration Effects 0.000 abstract description 3
- 230000007246 mechanism Effects 0.000 abstract description 3
- 238000004643 material aging Methods 0.000 abstract description 2
- 239000000126 substance Substances 0.000 abstract description 2
- 238000003062 neural network model Methods 0.000 abstract 1
- 229920002379 silicone rubber Polymers 0.000 description 8
- 230000007613 environmental effect Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 3
- 239000004945 silicone rubber Substances 0.000 description 3
- 150000003839 salts Chemical class 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000003595 mist Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 239000003380 propellant Substances 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
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。
Description
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。
实施例1
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。
隐含层神经元个数 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
MSE | 436 | 171 | 127 | 120 | 67.3 | 63.9 | 56.7 | 51.3 | 79.1 | 51.9 |
隐合层神经元个数 | 11 | 12 | 13 | 14 | 15 | 16 | 17 | 18 | 19 | 20 |
MSE | 47.8 | 31.8 | 33.3 | 48.9 | 44.2 | 30.8 | 29.8 | 68.4 | 28.8 | 51.6 |
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。
Claims (10)
1.一种优化的橡胶老化性能预测方法,其特征在于,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。
2.根据权利要求1所述的一种优化的橡胶老化性能预测方法,其特征在于,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。
3.根据权利要求1所述的一种优化的橡胶老化性能预测方法,其特征在于,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。
4.根据权利要求1所述的一种优化的橡胶老化性能预测方法,其特征在于,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;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。
5.根据权利要求4所述的一种优化的橡胶老化性能预测方法,其特征在于,所述输入层的神经元个数等于输入层的参数个数二所述输出层的神经元个数等于输出层的参数个数。
6.根据权利要求1所述的一种优化的橡胶老化性能预测方法,其特征在于,步骤(3)中,采用的训练函数为基于数值优化方法的Levenberg-Marquardt。
7.根据权利要求1所述的一种优化的橡胶老化性能预测方法,其特征在于,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。
8.根据权利要求7所述的一种优化的橡胶老化性能预测方法,其特征在于,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。
9.根据权利要求1所述的一种优化的橡胶老化性能预测方法,其特征在于,所述隐含层采用S型激活函数。
10.根据权利要求1所述的一种优化的橡胶老化性能预测方法,其特征在于,所述输出层采用线性激活函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110181680.1A CN112989691A (zh) | 2021-02-09 | 2021-02-09 | 一种优化的橡胶老化性能预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110181680.1A CN112989691A (zh) | 2021-02-09 | 2021-02-09 | 一种优化的橡胶老化性能预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112989691A true CN112989691A (zh) | 2021-06-18 |
Family
ID=76393300
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110181680.1A Pending CN112989691A (zh) | 2021-02-09 | 2021-02-09 | 一种优化的橡胶老化性能预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112989691A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114279554A (zh) * | 2021-11-19 | 2022-04-05 | 国网内蒙古东部电力有限公司电力科学研究院 | 低温振颤传感器的多地同步自适应性能测试方法及系统 |
CN116754467A (zh) * | 2023-07-04 | 2023-09-15 | 深圳市耀杰橡胶制品有限公司 | 一种天然橡胶老化性能的测评方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104834808A (zh) * | 2015-04-07 | 2015-08-12 | 青岛科技大学 | 基于bp神经网络的橡胶减振器使用寿命预测方法 |
-
2021
- 2021-02-09 CN CN202110181680.1A patent/CN112989691A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104834808A (zh) * | 2015-04-07 | 2015-08-12 | 青岛科技大学 | 基于bp神经网络的橡胶减振器使用寿命预测方法 |
Non-Patent Citations (6)
Title |
---|
刘晓丹;谢俊杰;冯志新;谢宇芳;: "橡胶材料加速老化试验与寿命预测方法研究进展", 合成材料老化与应用, no. 01, pages 69 - 73 * |
尹秋菊: "基于信号博弈和MAS的交易行为研究", 28 February 2019, 北京理工大学出版社, pages: 88 - 91 * |
方庆红, 路金林, 戴彩云, 曹大力, 王惠华: "BP神经网络在胶料性能预测中的应用", 橡胶工业, no. 04, pages 205 - 209 * |
方庆红等: "基于BP 人工神经网络的橡胶老化预报模型", 《合成材料老化与应用》, no. 2, pages 27 - 30 * |
曹翠微, 蔡体敏: "橡胶老化性能的神经网络研究方法", 固体火箭技术, no. 02, pages 142 - 144 * |
项可璐;项璞玉;吴友平;: "基于BP神经网络的敏感性分析模型在天然橡胶耐磨性分析中的应用", 合成橡胶工业, no. 01, pages 14 - 19 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114279554A (zh) * | 2021-11-19 | 2022-04-05 | 国网内蒙古东部电力有限公司电力科学研究院 | 低温振颤传感器的多地同步自适应性能测试方法及系统 |
CN116754467A (zh) * | 2023-07-04 | 2023-09-15 | 深圳市耀杰橡胶制品有限公司 | 一种天然橡胶老化性能的测评方法 |
CN116754467B (zh) * | 2023-07-04 | 2024-03-08 | 深圳市耀杰橡胶制品有限公司 | 一种天然橡胶老化性能的测评方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109931678B (zh) | 基于深度学习lstm的空调故障诊断方法 | |
CN113723010B (zh) | 一种基于lstm温度-位移相关模型的桥梁损伤预警方法 | |
CN112989691A (zh) | 一种优化的橡胶老化性能预测方法 | |
CN112903758A (zh) | 一种气体传感器重叠分块温湿度智能自校准方法 | |
CN104951803A (zh) | 基于动态移动窗最小二乘支持向量机的常压精馏塔航煤干点软测量方法 | |
CN109948920B (zh) | 一种基于证据理论的电力市场结算数据风险处理方法 | |
CN114692507A (zh) | 基于堆叠泊松自编码器网络的计数数据软测量建模方法 | |
CN112217668B (zh) | 基于比较模型的自适应网络故障诊断方法 | |
CN113871009A (zh) | 一种重症监护病房中脓毒症预测系统、存储介质及设备 | |
CN112069732A (zh) | 一种火炮可靠性鉴定试验的综合评估方法 | |
CN113435699A (zh) | 一种质量智能管控方法及系统 | |
CN115936485A (zh) | 一种基于故障树的生产线稳定性动态分析方法和系统 | |
CN117113166A (zh) | 一种基于改进的集成学习的工业锅炉故障检测方法 | |
CN111930601A (zh) | 一种基于深度学习的数据库状态综合评分方法及其系统 | |
CN113094989B (zh) | 一种基于随机配置网络的无人机电池寿命预测方法 | |
CN116341290B (zh) | 一种长贮装备可靠性抽样检测方法 | |
CN109359742A (zh) | 一种地铁子系统预防维修周期的生成方法 | |
CN116701381B (zh) | 一种分布式数据采集入库用的多级校验系统及校验方法 | |
CN117131437A (zh) | 发动机振动故障隔离方法 | |
CN103983332A (zh) | 一种基于hgsa-bp算法的传感器误差补偿方法 | |
CN113361025B (zh) | 一种基于机器学习的蠕变疲劳概率损伤评定方法 | |
CN115171816A (zh) | 一种用于航空装备关键材料应用验证的综合评价方法 | |
CN114648133A (zh) | 一种基于梯度提升树算法的矿用卡车发动机缸温预警方法 | |
CN113610148A (zh) | 一种基于偏置加权AdaBoost的故障诊断方法 | |
CN114187977B (zh) | 一种设备材料球化程度预测方法及系统 |
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 |