CN113867292B - 橡胶沥青质量控制方法 - Google Patents

橡胶沥青质量控制方法 Download PDF

Info

Publication number
CN113867292B
CN113867292B CN202111175998.5A CN202111175998A CN113867292B CN 113867292 B CN113867292 B CN 113867292B CN 202111175998 A CN202111175998 A CN 202111175998A CN 113867292 B CN113867292 B CN 113867292B
Authority
CN
China
Prior art keywords
modified asphalt
probability
target
rubber powder
value
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.)
Active
Application number
CN202111175998.5A
Other languages
English (en)
Other versions
CN113867292A (zh
Inventor
王国清
张庆
霍东辉
罗岩枫
刘延雷
杨龙
李硕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hebei Jiaotou Special Materials Technology Co ltd
Hengshui Hengfeng Yick Road Asphalt Science & Technology Co ltd
Original Assignee
Hebei Jiaotou Special Materials Technology Co ltd
Hengshui Hengfeng Yick Road Asphalt Science & Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hebei Jiaotou Special Materials Technology Co ltd, Hengshui Hengfeng Yick Road Asphalt Science & Technology Co ltd filed Critical Hebei Jiaotou Special Materials Technology Co ltd
Priority to CN202111175998.5A priority Critical patent/CN113867292B/zh
Publication of CN113867292A publication Critical patent/CN113867292A/zh
Application granted granted Critical
Publication of CN113867292B publication Critical patent/CN113867292B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32368—Quality control
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Road Paving Structures (AREA)

Abstract

本发明涉及沥青生产技术领域，提出了橡胶沥青质量控制方法，对影响改性沥青性能的参数进行数据收集，以胶粉细度，胶粉掺量，搅拌时间，反应温度，发育时间等参数进行拉丁超立方抽样，作为输入变量，以沥青的针入度和软化点作为模型的输出变量，建立神经网络模型，对神经网络模型进行训练，利用训练完毕的神经网络模型对测试集数据进行仿真；设定所需的沥青目标针入度和目标软化点，根据每个影响因素的符合概率，不断修正参数取值范围，最终获得符合要求的最优参数范围。通过上述技术方案，解决了相关技术中橡胶沥青质量控制成本高、效率低的问题。

Description

橡胶沥青质量控制方法
技术领域
本发明涉及沥青生产技术领域，具体的，涉及橡胶沥青质量控制方法。
背景技术
沥青作为一种防水防潮和防腐的有机胶凝材料，主要用于涂料、塑料、橡胶等工业以及铺筑路面等。沥青的质量将直接影响整个工程施工的质量，目前，沥青的质量控制还停留在人工试验阶段，需要经过反复试验，存在如下问题：试验仪器昂贵；试验材料的浪费；试验周期长，效率低；试验存在潜在危险。
发明内容
本发明提出橡胶沥青质量控制方法，解决了相关技术中橡胶沥青质量控制成本高、效率低的问题。
本发明的技术方案如下：包括：
步骤S100：获得多组样本数据，每组样本数据包括一一对应的胶粉细度、胶粉掺量、搅拌时间、反应温度、发育时间、改性沥青针入度和改性沥青软化点；
步骤S200：建立质量控制模型，以胶粉细度、胶粉掺量、搅拌时间、反应温度和发育时间为输入数据，以改性沥青针入度和改性沥青软化点为输出数据，训练所述质量控制模型；
步骤S300：获得改性沥青目标针入度和改性沥青目标软化点；
步骤S400：获得N组测试数据，每组测试数据包括一一对应的胶粉细度X1、胶粉掺量X2、搅拌时间X3、反应温度X4和发育时间X5，其中，胶粉细度X1取值为X11，X12，X13或X14，胶粉掺量X2取值为X21，X22，X23或X24，搅拌时间X3取值为X31，X32，X33或X34，反应温度X4取值为X41，X42，X43或X44，发育时间X5取值为X51，X52，X53或X54；N为整数，且N≥100；
步骤S500：将每组测试数据输入所述质量控制模型，得到对应的改性沥青针入度Y1和改性沥青软化点Y2；N组测试数据及其对应的改性沥青针入度和改性沥青软化点构成N×7质量预测表；
步骤S600：读取N×7质量预测表，分别计算胶粉细度X1符合改性沥青目标针入度的概率、胶粉掺量X2符合改性沥青目标针入度的概率、搅拌时间X3符合改性沥青目标针入度的概率、反应温度X4符合改性沥青目标针入度的概率和发育时间X5符合改性沥青目标针入度的概率，以及胶粉细度X1符合改性沥青目标软化点的概率、胶粉掺量X2符合改性沥青目标软化点的概率、搅拌时间X3符合改性沥青目标软化点的概率、反应温度X4符合改性沥青目标软化点的概率和发育时间X5符合改性沥青目标软化点的概率；
将所述胶粉细度X1符合改性沥青目标针入度的概率作为目标针入度的置信区间概率P1；将所述胶粉细度X1符合改性沥青目标软化点的概率作为目标软化点的置信区间概率P2；
所述胶粉细度X1符合改性沥青目标针入度具体为：当N×7质量预测表中任一行的改性沥青针入度Y1与改性沥青目标针入度的差值在设定范围内时，该行的胶粉细度X1符合改性沥青目标针入度；
所述胶粉细度X1符合改性沥青目标软化点具体为：当N×7质量预测表中任一行的改性沥青软化点Y2与改性沥青目标软化点的差值在设定范围内时，该行的胶粉细度X1符合改性沥青目标软化点；
同样的，所述胶粉细度X2符合改性沥青目标针入度具体为：当N×7质量预测表中任一行的改性沥青针入度Y1与改性沥青目标针入度的差值在设定范围内时，该行的胶粉细度X2符合改性沥青目标针入度；
所述胶粉细度X2符合改性沥青目标软化点具体为：当N×7质量预测表中任一行的改性沥青软化点Y2与改性沥青目标软化点的差值在设定范围内时，该行的胶粉细度X2符合改性沥青目标软化点；
同样的，所述胶粉细度X3符合改性沥青目标针入度具体为：当N×7质量预测表中任一行的改性沥青针入度Y1与改性沥青目标针入度的差值在设定范围内时，该行的胶粉细度X3符合改性沥青目标针入度；
所述胶粉细度X3符合改性沥青目标软化点具体为：当N×7质量预测表中任一行的改性沥青软化点Y2与改性沥青目标软化点的差值在设定范围内时，该行的胶粉细度X3符合改性沥青目标软化点；
同样的，所述胶粉细度X4符合改性沥青目标针入度具体为：当N×7质量预测表中任一行的改性沥青针入度Y1与改性沥青目标针入度的差值在设定范围内时，该行的胶粉细度X4符合改性沥青目标针入度；
所述胶粉细度X4符合改性沥青目标软化点具体为：当N×7质量预测表中任一行的改性沥青软化点Y2与改性沥青目标软化点的差值在设定范围内时，该行的胶粉细度X4符合改性沥青目标软化点；
同样的，所述胶粉细度X5符合改性沥青目标针入度具体为：当N×7质量预测表中任一行的改性沥青针入度Y1与改性沥青目标针入度的差值在设定范围内时，该行的胶粉细度X5符合改性沥青目标针入度；
所述胶粉细度X5符合改性沥青目标软化点具体为：当N×7质量预测表中任一行的改性沥青软化点Y2与改性沥青目标软化点的差值在设定范围内时，该行的胶粉细度X5符合改性沥青目标软化点；步骤S700：在目标针入度的置信区间概率P1小于概率设定值、或者目标软化点的置信区间概率P2小于概率设定值时，缩小测试数据的取值范围，具体包括：
缩小胶粉细度X1的取值范围，并按照第一步长，在新的取值范围内选择新的取值X11，X12，X13或X14作为胶粉细度X1的当前取值；
缩小胶粉掺量X2的取值范围，并按照第二步长，在新的取值范围内选择新的取值X21，X22，X23或X24作为胶粉掺量X2的当前取值；
缩小搅拌时间X3的取值范围，并按照第三步长，在新的取值范围内选择新的取值X31，X32，X33或X34作为搅拌时间X3的当前取值；
缩小反应温度X4的取值范围，并按照第四步长，在新的取值范围内选择新的取值X41，X42，X43或X44作为反应温度X4的当前取值；
缩小发育时间X5的取值范围，并按照第五步长，在新的取值范围内选择新的取值X51，X52，X53或X54作为发育时间X5的当前取值；
将胶粉细度X1的当前取值X11，X12，X13或X14、胶粉掺量X2的当前取值X21，X22，X23或X24、搅拌时间X3的当前取值X31，X32，X33或X34、反应时间X4的当前取值X41，X42，X43或X44、发育时间X5的当前取值X51，X52，X53或X54作为当前测试数据，执行步骤S600～步骤S700。
步骤S800：目标针入度的置信区间概率P1和目标软化点的置信区间概率P2均大于概率设定值时，根据胶粉细度X1的当前取值X11，X12，X13或X14确定胶粉细度X1的最优参数范围，根据胶粉掺量X2的当前取值X21，X22，X23或X24确定胶粉掺量X2的最优参数范围，根据搅拌时间X3的当前取值X31，X32，X33或X34确定搅拌时间X3的最优参数范围，根据反应时间X4的当前取值X41，X42，X43或X44确定反应时间X4的最优参数范围，根据发育时间X5的当前取值X51，X52，X53或X54确定发育时间X5的最优参数范围。
进一步，步骤S600具体包括：步骤S610：当改性沥青针入度Y1与改性沥青目标针入度的差值在设定范围内时，该行的X1k符合改性沥青目标针入度的次数C1k 1加一，该行的X2k符合改性沥青目标针入度的次数C2k 1加一，该行的X3k符合改性沥青目标针入度的次数C3k 1加一，该行的X4k符合改性沥青目标针入度的次数C4k 1加一，该行的X5k符合改性沥青目标针入度的次数C5k 1加一，其中，k＝1，2，3，或4，
当改性沥青软化点Y2与改性沥青目标软化点的差值在设定范围内时，该行的X1k符合改性沥青目标针入度的次数C1k 2加一，该行的X2k符合改性沥青目标针入度的次数C2k 2加一，该行的X3k符合改性沥青目标针入度的次数C3k 2加一，该行的X4k符合改性沥青目标针入度的次数C4k 2加一，该行的X5k符合改性沥青目标针入度的次数C5k 2加一；
步骤S620：根据符合改性沥青目标针入度的次数Cjk 1和N计算符合改性沥青目标针入度的概率Fjk 1；根据符合改性沥青目标软化点的次数Cjk 2和N计算符合改性沥青目标软化点的概率Fjk 2；其中j＝1，2，3，4，5；
步骤S630：计算X1符合改性沥青目标针入度的概率F1k 1，X2符合改性沥青目标针入度的概率F2k 1，X3符合改性沥青目标针入度的概率F3k 1，X4符合改性沥青目标针入度的概率F4k 1，X5符合改性沥青目标针入度的概率F5k 1，如下：
计算X1符合改性沥青目标软化点的概率F1k 2，X2符合改性沥青目标软化点的概率F2k 2，X3符合改性沥青目标软化点的概率F3k 2，X4符合改性沥青目标软化点的概率F4k 2，X5符合改性沥青目标软化点的概率F5k 2，如下：
进一步，步骤S700具体包括：
在F1k 1小于概率设定值或F1k 2小于概率设定值时，删除其F1k 1与F1k 2之和最小的胶粉细度X1的取值X1k，并在胶粉细度X1的其他取值确定的范围内，按照第一步长，选择新的取值X11，X12，X13或X14作为胶粉细度X1的当前取值；
在F2k 1小于概率设定值或F2k 2小于概率设定值时，删除其F2k 1与F2k 2之和最小的胶粉掺量X2的取值X2k，并在胶粉掺量X2的其他取值确定的范围内，按照第二步长，选择新的取值X21，X22，X23或X24作为胶粉掺量X2的当前取值；
在F3k 1小于概率设定值或F3k 2小于概率设定值时，删除其F3k 1与F3k 2之和最小的搅拌时间X3的取值X3k，并在搅拌时间X3的其他取值确定的范围内，按照第三步长，选择新的取值X31，X32，X33或X34作为搅拌时间X3的当前取值；
在F4k 1小于概率设定值或F4k 2小于概率设定值时，删除其F4k 1与F4k 2之和最小的反应时间X4的取值X4k，并在反应时间X4的其他取值确定的范围内，按照第四步长，选择新的取值X41，X42，X43或X44作为反应时间X4的当前取值；
在F5k 1小于概率设定值或F5k 2小于概率设定值时，删除其F5k 1与F5k 2之和最小的发育时间X5的取值X5k，并在发育时间X5的其他取值确定的范围内，按照第五步长，选择新的取值X51，X52，X53或X54作为发育时间X5的当前取值。
进一步，所述第一步长、所述第二步长、第三步长、第四步长和第五步长的计算步骤具体包括：
计算N×7质量预测表中第j列的均值
计算N×7质量预测表中第j列的均方差
计算N×7质量预测表中第j列的动态系数
计算N×7质量预测表中第j列的权重，再进行归一化处理
其中，Mij为N×7质量预测表中第i行第j列的数值，Dj为动态系数，E(Xj)为第j列数据的均值，Pj为动态系数法求出的权重，σj为求第j列Xj的均方差；
读取权重-步长分配表，得到与胶粉细度X1的权重对应的第一步长、与胶粉掺量X2的权重对应的第二步长、与搅拌时间X3的权重对应的第三步长、与反应温度X4对应的第四步长和与发育时间X5对应的第五步长。
本发明的工作原理及有益效果为：
本发明首先以胶粉细度，胶粉掺量，搅拌时间，反应温度，发育时间作为输入变量，以沥青的针入度和软化点作为输出变量，训练质量控制模型；然后通过将N组测试数据输入到质量控制模型，得到N组测试数据对应的改性沥青针入度Y1和改性沥青软化点Y2，N组测试数据及其对应的改性沥青针入度和改性沥青软化点构成N×7质量预测表；根据用户设定的改性沥青目标针入度和改性沥青目标软化点，计算目标针入度的置信区间概率P1和目标软化点的置信区间概率P2；当上述概率均小于概率设定值时，逐步缩小胶粉细度X1、胶粉掺量X2、搅拌时间X3、反应温度X4和发育时间X5的取值范围，再次输入到质量控制模型进行改性沥青针入度Y1、改性沥青软化点Y2、以及符合概率的计算；如此反复，直到目标针入度的置信区间概率P1和目标软化点的置信区间概率P2均大于概率设定值，则表明此时的胶粉细度X1、胶粉掺量X2、搅拌时间X3、反应温度X4和发育时间X5的取值范围符合要求，从而得到合适的参数范围，避免进行大量重复性的试验操作，避免了试验试件的制作，有效地减少人力、物力和财力的浪费。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明控制方法流程图；
图2为本发明质量控制模型预测的针入度和软化点的绝对误差；
图3为本发明质量控制模型预测的针入度和软化点的相对误差；
图4为概率分布曲线示意图；
具体实施方式
下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都涉及本发明保护的范围。
如图1所示，为本实施例橡胶沥青质量控制方法流程图，包括：
步骤S100：获得T组样本数据，每组样本数据包括一一对应的胶粉细度、胶粉掺量、搅拌时间、反应温度、发育时间、改性沥青针入度和改性沥青软化点；
胶粉细度、胶粉掺量、搅拌时间、反应温度和发育时间为影响橡胶沥青性能的关键因素，改性沥青针入度和改性沥青软化点是衡量橡胶沥青质量的关键指标。
步骤S200：建立质量控制模型，以胶粉细度、胶粉掺量、搅拌时间、反应温度和发育时间为输入数据，以改性沥青针入度和改性沥青软化点为输出数据，训练所述质量控制模型；
具体的，所述质量控制模型基于BP神经网络。
多组样本数据经过拉丁超立方抽样后，得到一百组样本数据，具体包括：
获得每个影响因素的取值范围；
根据取值范围，将每个影响因素分为四个水平；
每个影响因素抽取一个数，随机排列；
将五个影响因素组合；
重复上述步骤，直到T组样本数据抽取完成，生成初始种群，其中T为整数，且T>100；
采用遗传算法对初始种群进行筛选，输出一百组抽样结果，具体包括：
计算适应度函数：
fi＝m(1-m)i-1+(α-1)i+1
根据适应度函数的数值，计算每个样本数据的概率分布，并根据概率分布确定抽样结果：
其中，m为(0，1)之间的常数，α为(-1，0)之间的常数，i＝1，2，...，T；
本实施例中，拉丁超立方的抽样结果经过遗传算法进行筛选，由适应度函数数值的大小决定的概率分布来确定哪些染色体适应生存，哪些被淘汰，最终选出最优的一百组抽样结果，进行相容性控制模型的训练，有利于提高模型的准确性和泛化性。
单独采用m(1-m)i-1的适应度函数，会出现数值远小于1的情况，从而使适应度函数产生较大的误差，准确性下降。本发明实施例通过引入新的常数(α-1)i+1，使适应度函数fi的值更加稳定，在实现筛选性能的同时，不至于发生过大的波动。
步骤S300：获得改性沥青目标针入度和改性沥青目标软化点；
本实施例中，设定改性沥青目标针入度为50±5，改性沥青目标软化点为60±5。
步骤S400：获得N组测试数据，每组测试数据包括一一对应的胶粉细度X1、胶粉掺量X2、搅拌时间X3、反应温度X4和发育时间X5，其中，胶粉细度X1取值为X11，X12，X13或X14，胶粉掺量X2取值为X21，X22，X23或X24，搅拌时间X3取值为X31，X32，X33或X34，反应温度X4取值为X41，X42，X43或X44，发育时间X5取值为X51，X52，X53或X54；N为整数，且N≥100；
本实施例中，根据设定的改性沥青目标针入度和改性沥青目标软化点，选择测试数据初始范围为：胶粉细度X1[50，80]，胶粉掺量X2[16，40]，搅拌时间X3[32，80]，反应温度X4[170，200]，发育时间X5[40，70]。
采用拉丁超立方抽样法抽取一百组试验方案，抽样原则为：在满足一个超平面内只有一个试验方案的前提下，随机抽取一百组试验方案。
拉丁超立方(KHS)实验设计的实验次数是可以人为控制的，甚至可以出现实验次数小于因素数的情况，便于设置实验者需求的实验次数；其次，拉丁超立方(KHS)实验设计的均匀性更好，不存在像正交实验那样出现实验点堆积问题，即试验点组合没有充满整个实验空间，所得的模型也将不能代表整个参数变化区域。拉丁超立方(KHS)实验设计是一种充满空间设计，使输入组合相对均匀地填满整个试验区间；再者拉丁超立试验设计不像正交和均匀试验设计那样有一套自己的实验表格，因此实验设计更加灵活可控，能够更好地实现抽取的样本代表所有的实验，并且数量可控，效率更高。
拉丁超立方抽样算法的具体步骤如下:
本实施例中，根据拉丁超立方抽样算法，将5个参数分为4个水平，即X11＝50，X12＝60，X13＝70，X14＝80；X21＝16％，X22＝24％，X23＝32，X24＝40％；X31＝32，X32＝48，X33＝64，X34＝80；X41＝170，X42＝180，X43＝190，X44＝200；X51＝40，X52＝50，X53＝60，X54＝70。
步骤S500：将每组测试数据输入所述质量控制模型，得到对应的改性沥青针入度Y1和改性沥青软化点Y2；N组测试数据及其对应的改性沥青针入度和改性沥青软化点构成N×7质量预测表。初始测试数据输入质量控制模型得到的N×7质量预测表如表1所示，其中，X1，X2，X3，X4，X5均采用归一化表示。
表1初始测试结果
步骤S600：读取N×7质量预测表，分别计算胶粉细度X1符合改性沥青目标针入度的概率、胶粉掺量X2符合改性沥青目标针入度的概率、搅拌时间X3符合改性沥青目标针入度的概率、反应温度X4符合改性沥青目标针入度的概率和发育时间X5符合改性沥青目标针入度的概率，以及胶粉细度X1符合改性沥青目标软化点的概率、胶粉掺量X2符合改性沥青目标软化点的概率、搅拌时间X3符合改性沥青目标软化点的概率、反应温度X4符合改性沥青目标软化点的概率和发育时间X5符合改性沥青目标软化点的概率；
将所述胶粉细度X1符合改性沥青目标针入度的概率作为目标针入度的置信区间概率P1；将所述胶粉细度X1符合改性沥青目标软化点的概率作为目标软化点的置信区间概率P2；
所述胶粉细度X1符合改性沥青目标针入度具体为：当N×7质量预测表中任一行的改性沥青针入度Y1与改性沥青目标针入度的差值在设定范围内时，该行的胶粉细度X1符合改性沥青目标针入度；
所述胶粉细度X1符合改性沥青目标软化点具体为：当N×7质量预测表中任一行的改性沥青软化点Y2与改性沥青目标软化点的差值在设定范围内时，该行的胶粉细度X1符合改性沥青目标软化点；
同样的，所述胶粉细度X2符合改性沥青目标针入度具体为：当N×7质量预测表中任一行的改性沥青针入度Y1与改性沥青目标针入度的差值在设定范围内时，该行的胶粉细度X2符合改性沥青目标针入度；
所述胶粉细度X2符合改性沥青目标软化点具体为：当N×7质量预测表中任一行的改性沥青软化点Y2与改性沥青目标软化点的差值在设定范围内时，该行的胶粉细度X2符合改性沥青目标软化点；
同样的，所述胶粉细度X3符合改性沥青目标针入度具体为：当N×7质量预测表中任一行的改性沥青针入度Y1与改性沥青目标针入度的差值在设定范围内时，该行的胶粉细度X3符合改性沥青目标针入度；
所述胶粉细度X3符合改性沥青目标软化点具体为：当N×7质量预测表中任一行的改性沥青软化点Y2与改性沥青目标软化点的差值在设定范围内时，该行的胶粉细度X3符合改性沥青目标软化点；
同样的，所述胶粉细度X4符合改性沥青目标针入度具体为：当N×7质量预测表中任一行的改性沥青针入度Y1与改性沥青目标针入度的差值在设定范围内时，该行的胶粉细度X4符合改性沥青目标针入度；
所述胶粉细度X4符合改性沥青目标软化点具体为：当N×7质量预测表中任一行的改性沥青软化点Y2与改性沥青目标软化点的差值在设定范围内时，该行的胶粉细度X4符合改性沥青目标软化点；
同样的，所述胶粉细度X5符合改性沥青目标针入度具体为：当N×7质量预测表中任一行的改性沥青针入度Y1与改性沥青目标针入度的差值在设定范围内时，该行的胶粉细度X5符合改性沥青目标针入度；
所述胶粉细度X5符合改性沥青目标软化点具体为：当N×7质量预测表中任一行的改性沥青软化点Y2与改性沥青目标软化点的差值在设定范围内时，该行的胶粉细度X5符合改性沥青目标软化点；
其中，概率的具体计算过程为：
步骤S610：当改性沥青针入度Y1与改性沥青目标针入度的差值在设定范围内时，该行的X1k符合改性沥青目标针入度的次数C1k 1加一，该行的X2k符合改性沥青目标针入度的次数C2k 1加一，该行的X3k符合改性沥青目标针入度的次数C3k 1加一，该行的X4k符合改性沥青目标针入度的次数C4k 1加一，该行的X5k符合改性沥青目标针入度的次数C5k 1加一，其中，k＝1，2，3，或4，
当改性沥青软化点Y2与改性沥青目标软化点的差值在设定范围内时，该行的X1k符合改性沥青目标针入度的次数C1k 2加一，该行的X2k符合改性沥青目标针入度的次数C2k 2加一，该行的X3k符合改性沥青目标针入度的次数C3k 2加一，该行的X4k符合改性沥青目标针入度的次数C4k 2加一，该行的X5k符合改性沥青目标针入度的次数C5k 2加一；
步骤S620：根据符合改性沥青目标针入度的次数Cjk 1和N计算符合改性沥青目标针入度的概率Fjk 1；根据符合改性沥青目标软化点的次数Cjk 2和N计算符合改性沥青目标软化点的概率Fjk 2；其中j＝1，2，3，4，5；具体为：
步骤S630：计算X1符合改性沥青目标针入度的概率F1k 1，X2符合改性沥青目标针入度的概率F2k 1，X3符合改性沥青目标针入度的概率F3k 1，X4符合改性沥青目标针入度的概率F4k 1，X5符合改性沥青目标针入度的概率F5k 1，如下：
计算X1符合改性沥青目标软化点的概率F1k 2，X2符合改性沥青目标软化点的概率F2k 2，X3符合改性沥青目标软化点的概率F3k 2，X4符合改性沥青目标软化点的概率F4k 2，X5符合改性沥青目标软化点的概率F5k 2，如下：
本实施例中，胶粉细度X1、胶粉掺量X2、搅拌时间X3、反应温度X4和发育时间X5各参数的概率分布如表2所示，以胶粉细度X1为例，其中X11＝50，符合目标针入度的概率为0.13；X12＝60，符合目标针入度的概率为0.16；X13＝70，符合目标针入度的概率为0.15；X14＝80，符合目标针入度的概率为0.18；X1符合目标针入度的概率为0.13+0.16+0.15+0.18＝0.62。
表2初始测试概率分布
由表2可知，X1～X5各因素符合改性沥青目标针入度的概率相等，均为0.62；X1～X5各因素符合改性沥青目标软化点的概率相等，均为0.66；所以以胶粉细度X1符合改性沥青目标针入度的概率作为目标针入度的置信区间概率P1、以胶粉细度X1符合改性沥青目标软化点的概率作为目标软化点的置信区间概率P2。
以测试数据组数为X轴，绘制目标针入度的置信区间概率曲线f1(x)、以及目标软化点的置信区间概率分布曲线f2(x)，如图4所示；
计算曲线f1(x)的斜率E1和曲线f2(x)的斜率E2，具体为：
E1＝df1(x)
E2＝df2(x)
E1和E2用于表征质量控制模型的收敛速度，当E1和E2均大于零时，表明目标针入度的置信区间概率P1、以及目标软化点的置信区间概率P2在逐渐增加，质量控制模型有效，执行步骤S700；否则当E1≤0或E2≤0时，判定质量控制模型无效，需要及时修改质量控制模型参数，以提高质量控制模型的收敛速度，减少实验次数。
步骤S700：在目标针入度的置信区间概率P1小于概率设定值、或者目标软化点的置信区间概率P2小于概率设定值时，缩小测试数据的取值范围，具体包括：
缩小胶粉细度X1的取值范围，并按照第一步长，在新的取值范围内选择新的取值X11，X12，X13或X14作为胶粉细度X1的当前取值；
在胶粉掺量X2符合改性沥青目标针入度的概率小于概率设定值、或者胶粉掺量X2符合改性沥青目标软化点的概率小于概率设定值时，缩小胶粉掺量X2的取值范围，并按照第二步长，在新的取值范围内选择新的取值X21，X22，X23或X24作为胶粉掺量X2的当前取值；
在搅拌时间X3符合改性沥青目标针入度的概率小于概率设定值、或者搅拌时间X3符合改性沥青目标软化点的概率小于概率设定值时，缩小搅拌时间X3的取值范围，并按照第三步长，在新的取值范围内选择新的取值X31，X32，X33或X34作为搅拌时间X3的当前取值；
在反应温度X4符合改性沥青目标针入度的概率小于概率设定值、或者反应温度X4符合改性沥青目标软化点的概率小于概率设定值时，缩小反应温度X4的取值范围，并按照第四步长，在新的取值范围内选择新的取值X41，X42，X43或X44作为反应温度X4的当前取值；
在发育时间X5符合改性沥青目标针入度的概率小于概率设定值、或者发育时间X5符合改性沥青目标软化点的概率小于概率设定值时，缩小发育时间X5的取值范围，并按照第五步长，在新的取值范围内选择新的取值X51，X52，X53或X54作为发育时间X5的当前取值；
将胶粉细度X1的当前取值X11，X12，X13或X14、胶粉掺量X2的当前取值X21，X22，X23或X24、搅拌时间X3的当前取值X31，X32，X33或X34、反应时间X4的当前取值X41，X42，X43或X44、发育时间X5的当前取值X51，X52，X53或X54作为当前测试数据，执行步骤S400～步骤S700。
本实施例中，概率设定值为95％，从表2可知，初始设定的参数范围，胶粉细度X1符合改性沥青目标针入度的概率、胶粉掺量X2符合改性沥青目标针入度的概率、搅拌时间X3符合改性沥青目标针入度的概率、反应温度X4符合改性沥青目标针入度的概率和发育时间X5符合改性沥青目标针入度的概率相同，均为0.62，小于0.95；胶粉细度X1符合改性沥青目标软化点的概率、胶粉掺量X2符合改性沥青目标软化点的概率、搅拌时间X3符合改性沥青目标软化点的概率、反应温度X4符合改性沥青目标软化点的概率和发育时间X5符合改性沥青目标软化点的概率相同，均为0.66，小于0.95。
因此需要缩小胶粉细度X1、胶粉掺量X2、搅拌时间X3、反应温度X4和发育时间X5的取值范围。
缩小范围的具体步骤包括：
在F1k 1小于概率设定值或F1k 2小于概率设定值时，删除其F1k 1与F1k 2之和最小的胶粉细度X1的取值X1k，并在胶粉细度X1的其他取值确定的范围内，按照第一步长，选择新的取值X11，X12，X13或X14作为胶粉细度X1的当前取值；
在F2k 1小于概率设定值或F2k 2小于概率设定值时，删除其F2k 1与F2k 2之和最小的胶粉掺量X2的取值X2k，并在胶粉掺量X2的其他取值确定的范围内，按照第二步长，选择新的取值X21，X22，X23或X24作为胶粉掺量X2的当前取值；
在F3k 1小于概率设定值或F3k 2小于概率设定值时，删除其F3k 1与F3k 2之和最小的搅拌时间X3的取值X3k，并在搅拌时间X3的其他取值确定的范围内，按照第三步长，选择新的取值X31，X32，X33或X34作为搅拌时间X3的当前取值；
在F4k 1小于概率设定值或F4k 2小于概率设定值时，删除其F4k 1与F4k 2之和最小的反应时间X4的取值X4k，并在反应时间X4的其他取值确定的范围内，按照第四步长，选择新的取值X41，X42，X43或X44作为反应时间X4的当前取值；
在F5k 1小于概率设定值或F5k 2小于概率设定值时，删除其F5k 1与F5k 2之和最小的发育时间X5的取值X5k，并在发育时间X5的其他取值确定的范围内，按照第五步长，选择新的取值X51，X52，X53或X54作为发育时间X5的当前取值。
本实施例中，如表2所示，以胶粉掺量X2为例，X24符合目标针入度的概率为0.04，为本行最小的一个值，X24符合目标软化点的概率为0.05，为本行最小的一个值，因此，从胶粉掺量X2的取值范围中删除X24＝40这个点。
需要说明的是，本实施例中针入度和软化点的测试方法如下：
针入度实验：标准圆锥体(一般共载重150克)在5秒钟内沉入保温在25℃时的润滑脂试样中的深度。
软化点实验：把确定质量的钢球置于填满试样的金属环上，在规定的升温条件下，钢球进入试样，从一定的高度下落，当钢球触及底层金属挡板时的温度，视为其软化点，以摄氏温度表示(℃)指的是沥青在一特定实验条件下达到一定黏度时的条件温度。一般随着软化点增大针入度减小，所以要协调考虑这两个指标需要进行多因素综合性分析。
由于各因素之间是互相影响的，例如胶粉细度X1与发育时间X5有密切关系，本实施例结合影响橡胶沥青性能的各个因素之间的关系得到动态权重系数公式，进行动态权重系数的确定，同时对各因素之间互相影响情况进行量化分析，并且由于引入了动态系数，通过影响因素之间的数值影响情况进行分析，增强了权值的灵活性和准确性，使权值不再是一个固定不变的数值而是随着每次影响因素的数值变化而发生变化的数值，主要步骤如下：
计算N×7质量预测表中第j列的均值，通过求均值能够减小异常值的影响：
计算N×7质量预测表中第j列的均方差，通过均方差，能够反映组内个体间的离散程度：
计算N×7质量预测表中第j列的动态系数，通过对不同影响因素的数值进行比较，从而对各因素之间互相影响情况进行量化分析，得到动态系数，从而增强权值的灵活性和准确性，使权值不再是一个固定不变的数值而是随着每次影响因素的数值变化而发生变化的数值：
计算N×7质量预测表中第j列的权重，将动态权重的值对影响因素进行处理，从而得到新的影响因素的值，再进行归一化处理
其中，Xij为N×7质量预测表中第i行第j列的数值，Dj为动态系数，E(Xj)为第j个评价指标的均值，Pj为动态系数法求出的权重，σj为求第j个指标Xj的均方差；
本实施例中，在初始参数范围：胶粉细度X1[50，80]，胶粉掺量X2[16，40]，搅拌时间X3[32，80]，反应温度X4[170，220]，发育时间X5[40，70]，各因素权重值如表3所示。
表3初始参数范围各因素权重值
影响因素 X1胶粉细度 X2胶粉掺量 X3搅拌时间 X4反应温度 X5发育时间
权重 0.2012 0.4212 0.0892 0.1643 0.1241
将计算出的权重系数运用到参数范围的调整过程中，通过动态权重进行概率的计算，权重大的影响因素由于影响性强、要求的精度高，所以步长小一些，权重小的影响因素由于影响性弱、要求的精度也低，所以步长大一些。权重-步长分配表如下表4所示。
表4权重-步长分配表
权重 步长
0.3以上 3-8
0.1-0.3 4-10
0-0.1 5-16
读取权重-步长分配表，得到与胶粉细度X1的权重对应的第一步长、与胶粉掺量X2的权重对应的第二步长、与搅拌时间X3的权重对应的第三步长、与反应温度X4对应的第四步长和与发育时间X5对应的第五步长。
第一次缩小取值范围
以胶粉掺量X2为例，初始取值范围为[16，40]，由表2可知，胶粉掺量X2取值为40时，符合改性沥青目标针入度的概率和符合改性沥青目标软化点的概率最小，所以首先删除X2＝40这个点，胶粉掺量X2的取值范围缩小为[16，32]。
同理，胶粉细度X1的取值范围缩小为[60，80]，搅拌时间X3的取值范围缩小为[48，80]，反应温度X4的取值范围缩小为[170，190]，发育时间X5的取值范围为[40，60]。
根据修改后的取值范围，计算各因素的权重值，如下表5所示。
影响因素 X1胶粉细度 X2胶粉掺量 X3搅拌时间 X4反应温度 X5发育时间
权重 0.2112 0.3212 0.0992 0.1443 0.2241
根据表5和表4，确定第一次缩小范围后胶粉细度X1的步长(即第一步长)为10，胶粉掺量X2的步长(即第二步长)为6，搅拌时间X3的步长(即第三步长)为11，反应温度X4的步长(即第四步长)为7，发育时间X5的步长(即第五步长)为7。
仍以胶粉掺量X2为例，为了适应第二步长为6，将16这个点调整为17，32这个值调整为33，这样在[15，33]之间会有15，21，27，33四个取值。
同理，按照上述步长第一次缩小范围后，各因素的取值范围为：胶粉细度X1[60，80]，胶粉掺量X2[15，33]，搅拌时间X3[48，81]，反应温度X4[170，191]，发育时间X5[40，61]。
将第一次缩小范围后的测试数据输入质量控制模型，得到第二次测试概率分布，如表6所示：
表6第二次测试概率分布
从表6可知，第二次测试中，胶粉细度X1符合改性沥青目标针入度的概率、胶粉掺量X2符合改性沥青目标针入度的概率、搅拌时间X3符合改性沥青目标针入度的概率、反应温度X4符合改性沥青目标针入度的概率和发育时间X5符合改性沥青目标针入度的概率相同，均为0.75，小于0.95；胶粉细度X1符合改性沥青目标软化点的概率、胶粉掺量X2符合改性沥青目标软化点的概率、搅拌时间X3符合改性沥青目标软化点的概率、反应温度X4符合改性沥青目标软化点的概率和发育时间X5符合改性沥青目标软化点的概率相同，均为0.77，小于0.95。
因此需要第二次缩小胶粉细度X1、胶粉掺量X2、搅拌时间X3、反应温度X4和发育时间X5的取值范围。
第二次缩小取值范围
从表6可知，以胶粉掺量X2为例，X24符合目标针入度的概率为0.05，为本行最小的一个值，X24符合目标软化点的概率为0.07，为本行最小的一个值，因此，从胶粉掺量X2的取值范围中删除X24＝33这个点，得到胶粉掺量X2第二次缩小范围后的取值为[15，27]。
同理，第二次缩小范围后，各因素取值范围为：胶粉细度X1[60，70]，胶粉掺量X2[15，27]，搅拌时间X3[48，70]，反应温度X4[177，191]，发育时间X5[47，61]。
根据上述取值范围，再次计算各因素权重值，如表7所示。
表7第二次缩小范围后的权重值
影响因素 X1胶粉细度 X2胶粉掺量 X3搅拌时间 X4反应温度 X5发育时间
权重 0.1913 0.4113 0.0891 0.1221 0.1862
根据表7的权重值，得到第二次缩范围的步长为：第一步长为10；第二步长为4；第三步长为7；第四步长为5；第五步长为5。
按照上述步长，第二次缩范围后各因素取值范围调整为：胶粉细度X1[60，70]，胶粉掺量X2[15，27]，搅拌时间X3[49，70]，反应温度X4[177，192]，发育时间X5[46，61]。
将第二次缩小范围后的测试数据输入质量控制模型，得到第三次测试概率分布，如表8所示：
表8第三次测试概率分布
从表8可知，第三次测试中，胶粉细度X1符合改性沥青目标针入度的概率、胶粉掺量X2符合改性沥青目标针入度的概率、搅拌时间X3符合改性沥青目标针入度的概率、反应温度X4符合改性沥青目标针入度的概率和发育时间X5符合改性沥青目标针入度的概率相同，均为0.89，小于0.95；胶粉细度X1符合改性沥青目标软化点的概率、胶粉掺量X2符合改性沥青目标软化点的概率、搅拌时间X3符合改性沥青目标软化点的概率、反应温度X4符合改性沥青目标软化点的概率和发育时间X5符合改性沥青目标软化点的概率相同，均为0.91，小于0.95。
因此需要第三次缩小胶粉细度X1、胶粉掺量X2、搅拌时间X3、反应温度X4和发育时间X5的取值范围。
第三次缩小取值范围
从表8可知，以胶粉掺量X2为例，X21符合目标针入度的概率为0.03，为本行最小的一个值，X21符合目标软化点的概率为0.04，为本行最小的一个值，因此，从胶粉掺量X2的取值范围中删除X24＝15这个点，得到第三次缩小范围后胶粉掺量X2的取值为[19，27]。
同理，第三次缩小范围后，胶粉细度X1[60,70]，胶粉掺量X2[19,27]，搅拌时间X3[49，63]，反应温度X4[177,187]，发育时间X5[51,61]。
根据上述取值范围，再次计算各因素权重值，如表9所示。
影响因素 X1胶粉细度 X2胶粉掺量 X3搅拌时间 X4反应温度 X5发育时间
权重 0.2012 0.4103 0.0991 0.1443 0.1451
根据表9的权重值，得到第三次缩范围的步长为：第一步长为10；第二步长为3；第三步长为5；第四步长为4；第五步长为4。
按照上述步长，第三次缩范围后各因素取值范围为：胶粉细度X1[60，70]，胶粉掺量X2[18，27]，搅拌时间X3[48，63]，反应温度X4[175，187]，发育时间X5[50，62]。
步骤S800：目标针入度的置信区间概率P1和目标软化点的置信区间概率P2均均大于概率设定值时，根据胶粉细度X1的当前取值X11，X12，X13或X14确定胶粉细度X1的最优参数范围，根据胶粉掺量X2的当前取值X21，X22，X23或X24确定胶粉掺量X2的最优参数范围，根据搅拌时间X3的当前取值X31，X32，X33或X34确定搅拌时间X3的最优参数范围，根据反应时间X4的当前取值X41，X42，X43或X44确定反应时间X4的最优参数范围，根据发育时间X5的当前取值X51，X52，X53或X54确定发育时间X5的最优参数范围。
将第三次缩小范围后的测试数据输入质量控制模型，得到第四次测试概率分布，如表10所示：
表10第四次测试概率分布
从表10可知，第四次测试中，胶粉细度X1符合改性沥青目标针入度的概率、胶粉掺量X2符合改性沥青目标针入度的概率、搅拌时间X3符合改性沥青目标针入度的概率、反应温度X4符合改性沥青目标针入度的概率和发育时间X5符合改性沥青目标针入度的概率相同，均为0.96，大于0.95；胶粉细度X1符合改性沥青目标软化点的概率、胶粉掺量X2符合改性沥青目标软化点的概率、搅拌时间X3符合改性沥青目标软化点的概率、反应温度X4符合改性沥青目标软化点的概率和发育时间X5符合改性沥青目标软化点的概率相同，均为0.98，大于0.95。
此时相应的影响因素的范围为胶粉细度[60，70]，胶粉掺量[18，27]，搅拌时间[48，63]，反应温度[178，193]，发育时间[50，62]在该范围内的测试数据能够达到目标针入度[45，55]和目标软化点[55，65]的值。
本实施例通过建立质量控制模型，并根据各因素符合改性沥青目标针入度的概率、各因素符合改性沥青目标针入度的概率，逐步缩小影响橡胶沥青质量的参数范围，能够快速的得到合适的参数范围。其中，通过计算概率分布曲线f1(x)的斜率E1和概率分布曲线f2(x)的斜率E2，判断质量控制模型的有效性，及时修改质量控制模型参数，以提高质量控制模型的收敛速度，减少实验次数。
以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.橡胶沥青质量控制方法，其特征在于，包括：
步骤S100：获得多组样本数据，每组样本数据包括一一对应的胶粉细度、胶粉掺量、搅拌时间、反应温度、发育时间、改性沥青针入度和改性沥青软化点；
步骤S200：建立质量控制模型，以胶粉细度、胶粉掺量、搅拌时间、反应温度和发育时间为输入数据，以改性沥青针入度和改性沥青软化点为输出数据，训练所述质量控制模型；
步骤S300：获得改性沥青目标针入度和改性沥青目标软化点；
步骤S400：获得N组测试数据，每组测试数据包括一一对应的胶粉细度X1、胶粉掺量X2、搅拌时间X3、反应温度X4和发育时间X5，其中，胶粉细度X1取值为X11，X12，X13或X14，胶粉掺量X2取值为X21，X22，X23或X24，搅拌时间X3取值为X31，X32，X33或X34，反应温度X4取值为X41，X42，X43或X44，发育时间X5取值为X51，X52，X53或X54；N为整数，且N≥100；
步骤S500：将每组测试数据输入所述质量控制模型，得到对应的改性沥青针入度Y1和改性沥青软化点Y2；N组测试数据及其对应的改性沥青针入度和改性沥青软化点构成N×7质量预测表；
步骤S600：读取N×7质量预测表，分别计算胶粉细度X1符合改性沥青目标针入度的概率、胶粉掺量X2符合改性沥青目标针入度的概率、搅拌时间X3符合改性沥青目标针入度的概率、反应温度X4符合改性沥青目标针入度的概率和发育时间X5符合改性沥青目标针入度的概率，以及胶粉细度X1符合改性沥青目标软化点的概率、胶粉掺量X2符合改性沥青目标软化点的概率、搅拌时间X3符合改性沥青目标软化点的概率、反应温度X4符合改性沥青目标软化点的概率和发育时间X5符合改性沥青目标软化点的概率；
将所述胶粉细度X1符合改性沥青目标针入度的概率作为目标针入度的置信区间概率P1；将所述胶粉细度X1符合改性沥青目标软化点的概率作为目标软化点的置信区间概率P2；
所述胶粉细度X1符合改性沥青目标针入度具体为：当N×7质量预测表中任一行的改性沥青针入度Y1与改性沥青目标针入度的差值在设定范围内时，该行的胶粉细度X1符合改性沥青目标针入度；
所述胶粉细度X1符合改性沥青目标软化点具体为：当N×7质量预测表中任一行的改性沥青软化点Y2与改性沥青目标软化点的差值在设定范围内时，该行的胶粉细度X1符合改性沥青目标软化点；
步骤S700：在目标针入度的置信区间概率P1小于概率设定值、或者目标软化点的置信区间概率P2小于概率设定值时，缩小测试数据的取值范围，具体包括：
缩小胶粉细度X1的取值范围，并按照第一步长，在新的取值范围内选择新的取值X11，X12，X13或X14作为胶粉细度X1的当前取值；
缩小胶粉掺量X2的取值范围，并按照第二步长，在新的取值范围内选择新的取值X21，X22，X23或X24作为胶粉掺量X2的当前取值；
缩小搅拌时间X3的取值范围，并按照第三步长，在新的取值范围内选择新的取值X31，X32，X33或X34作为搅拌时间X3的当前取值；
缩小反应温度X4的取值范围，并按照第四步长，在新的取值范围内选择新的取值X41，X42，X43或X44作为反应温度X4的当前取值；
缩小发育时间X5的取值范围，并按照第五步长，在新的取值范围内选择新的取值X51，X52，X53或X54作为发育时间X5的当前取值；
将胶粉细度X1的当前取值X11，X12，X13或X14、胶粉掺量X2的当前取值X21，X22，X23或X24、搅拌时间X3的当前取值X31，X32，X33或X34、反应时间X4的当前取值X41，X42，X43或X44、发育时间X5的当前取值X51，X52，X53或X54作为当前测试数据，执行步骤S600～步骤S700;
步骤S800：在目标针入度的置信区间概率P1和目标软化点的置信区间概率P2均大于概率设定值时，根据胶粉细度X1的当前取值X11，X12，X13或X14确定胶粉细度X1的最优参数范围，根据胶粉掺量X2的当前取值X21，X22，X23或X24确定胶粉掺量X2的最优参数范围，根据搅拌时间X3的当前取值X31，X32，X33或X34确定搅拌时间X3的最优参数范围，根据反应时间X4的当前取值X41，X42，X43或X44确定反应时间X4的最优参数范围，根据发育时间X5的当前取值X51，X52，X53或X54确定发育时间X5的最优参数范围。
2.根据权利要求1所述的橡胶沥青质量控制方法，其特征在于，步骤S600具体包括：
步骤S610：当改性沥青针入度Y1与改性沥青目标针入度的差值在设定范围内时，该行的X1k符合改性沥青目标针入度的次数C1k 1加一，该行的X2k符合改性沥青目标针入度的次数C2k 1加一，该行的X3k符合改性沥青目标针入度的次数C3k 1加一，该行的X4k符合改性沥青目标针入度的次数C4k 1加一，该行的X5k符合改性沥青目标针入度的次数C5k 1加一，其中，k＝1，2，3，或4，
当改性沥青软化点Y2与改性沥青目标软化点的差值在设定范围内时，该行的X1k符合改性沥青目标针入度的次数C1k 2加一，该行的X2k符合改性沥青目标针入度的次数C2k 2加一，该行的X3k符合改性沥青目标针入度的次数C3k 2加一，该行的X4k符合改性沥青目标针入度的次数C4k 2加一，该行的X5k符合改性沥青目标针入度的次数C5k 2加一；
步骤S620：根据符合改性沥青目标针入度的次数Cjk 1和N计算符合改性沥青目标针入度的概率Fjk 1；根据符合改性沥青目标软化点的次数Cjk 2和N计算符合改性沥青目标软化点的概率Fjk 2；其中j＝1，2，3，4，5；
步骤S630：计算X1符合改性沥青目标针入度的概率F1k 1，X2符合改性沥青目标针入度的概率F2k 1，X3符合改性沥青目标针入度的概率F3k 1，X4符合改性沥青目标针入度的概率F4k 1，X5符合改性沥青目标针入度的概率F5k 1，如下：
计算X1符合改性沥青目标软化点的概率F1k 2，X2符合改性沥青目标软化点的概率F2k 2，X3符合改性沥青目标软化点的概率F3k 2，X4符合改性沥青目标软化点的概率F4k 2，X5符合改性沥青目标软化点的概率F5k 2，如下：
3.根据权利要求2所述的橡胶沥青质量控制方法，其特征在于，步骤S700具体包括：
在F1k 1小于概率设定值或F1k 2小于概率设定值时，删除其F1k 1与F1k 2之和最小的胶粉细度X1的取值X1k，并在胶粉细度X1的其他取值确定的范围内，按照第一步长，选择新的取值X11，X12，X13或X14作为胶粉细度X1的当前取值；
在F2k 1小于概率设定值或F2k 2小于概率设定值时，删除其F2k 1与F2k 2之和最小的胶粉掺量X2的取值X2k，并在胶粉掺量X2的其他取值确定的范围内，按照第二步长，选择新的取值X21，X22，X23或X24作为胶粉掺量X2的当前取值；
在F3k 1小于概率设定值或F3k 2小于概率设定值时，删除其F3k 1与F3k 2之和最小的搅拌时间X3的取值X3k，并在搅拌时间X3的其他取值确定的范围内，按照第三步长，选择新的取值X31，X32，X33或X34作为搅拌时间X3的当前取值；
在F4k 1小于概率设定值或F4k 2小于概率设定值时，删除其F4k 1与F4k 2之和最小的反应时间X4的取值X4k，并在反应时间X4的其他取值确定的范围内，按照第四步长，选择新的取值X41，X42，X43或X44作为反应时间X4的当前取值；
在F5k 1小于概率设定值或F5k 2小于概率设定值时，删除其F5k 1与F5k 2之和最小的发育时间X5的取值X5k，并在发育时间X5的其他取值确定的范围内，按照第五步长，选择新的取值X51，X52，X53或X54作为发育时间X5的当前取值。
4.根据权利要求1所述的橡胶沥青质量控制方法，其特征在于，所述第一步长、所述第二步长、第三步长、第四步长和第五步长的计算步骤具体包括：
计算N×7质量预测表中第j列的均值
计算N×7质量预测表中第j列的均方差
计算N×7质量预测表中第j列的动态系数
计算N×7质量预测表中第j列的权重，再进行归一化处理
其中，Mij为N×7质量预测表中第i行第j列的数值，Dj为动态系数，E(Xj)为第j列数据的均值，Pj为动态系数法求出的权重，σj为求第j列Xj的均方差；
读取权重-步长分配表，得到与胶粉细度X1的权重对应的第一步长、与胶粉掺量X2的权重对应的第二步长、与搅拌时间X3的权重对应的第三步长、与反应温度X4对应的第四步长和与发育时间X5对应的第五步长。
CN202111175998.5A 2021-10-09 2021-10-09 橡胶沥青质量控制方法 Active CN113867292B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111175998.5A CN113867292B (zh) 2021-10-09 2021-10-09 橡胶沥青质量控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111175998.5A CN113867292B (zh) 2021-10-09 2021-10-09 橡胶沥青质量控制方法

Publications (2)

Publication Number Publication Date
CN113867292A CN113867292A (zh) 2021-12-31
CN113867292B true CN113867292B (zh) 2023-09-19

Family

ID=79002198

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111175998.5A Active CN113867292B (zh) 2021-10-09 2021-10-09 橡胶沥青质量控制方法

Country Status (1)

Country Link
CN (1) CN113867292B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2071329A2 (en) * 2007-12-13 2009-06-17 ENI S.p.A. Method for predecting a parameter of a bitumen and relative prevision system
CN109709060A (zh) * 2019-01-30 2019-05-03 甘肃畅陇公路养护技术研究院有限公司 一种沥青软化点、针入度和质量损失的测定方法
CN109752338A (zh) * 2019-03-20 2019-05-14 广东华路交通科技有限公司 一种改沥青中sbs改性剂含量快速测定方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2071329A2 (en) * 2007-12-13 2009-06-17 ENI S.p.A. Method for predecting a parameter of a bitumen and relative prevision system
CN109709060A (zh) * 2019-01-30 2019-05-03 甘肃畅陇公路养护技术研究院有限公司 一种沥青软化点、针入度和质量损失的测定方法
CN109752338A (zh) * 2019-03-20 2019-05-14 广东华路交通科技有限公司 一种改沥青中sbs改性剂含量快速测定方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于BP神经网络沥青混合料低温弯拉应变预测模型;谭忆秋;公维强;徐慧宁;;沈阳建筑大学学报(自然科学版)(第02期);全文 *

Also Published As

Publication number Publication date
CN113867292A (zh) 2021-12-31

Similar Documents

Publication Publication Date Title
CN108897977B (zh) 一种基于大区域水文模拟的径流演变不确定归因方法
CN112070356B (zh) 一种基于rf-lssvm模型预测混凝土抗碳化性能的方法
CN111382929A (zh) 一种构建河流硅藻水华预警模型的方法及装置
CN103235096A (zh) 污水水质检测方法与装置
CN112989704B (zh) 一种基于de算法的irfm-cmnn出水bod浓度预测方法
CN116029598A (zh) 一种城市洪涝灾害适灾韧性的评估方法、装置及应用
CN108052793A (zh) 一种基于模糊加权elm的移动污染源排放浓度预测方法
CN113011661A (zh) 一种用于河流生态修复的曝气控制系统及其控制方法
CN112580864A (zh) 结合多元数据应用价值提升的村镇生活垃圾产量预测系统
CN113421023A (zh) 一种农田土壤生态系统健康评价方法及系统
CN108171432A (zh) 基于多维云模型-模糊支持向量机的生态风险评价方法
CN112885415A (zh) 基于分子表面点云的雌激素活性快速筛查方法
CN113867292B (zh) 橡胶沥青质量控制方法
CN116852665A (zh) 一种基于混合模型的注塑工艺参数智能调节方法
Yang et al. Entropy-Cloud Model of Heavy Metals Pollution Assessment in Farmland Soils of Mining Areas.
CN113869606A (zh) 一种基于城市人口流动的垃圾用地部署建模的方法
Ran et al. Improved runoff forecasting based on time-varying model averaging method and deep learning
Jieying et al. Spatial and temporal variation and driving factors of ecological carrying capacity in the Pan-Pearl River Basin, China
Cheng et al. Comprehensive evaluation of eco-environmental resources in the main grain-producing areas of China
CN117219211A (zh) 一种混凝土配合比多目标优化系统设计方法
CN115935040B (zh) 一种大气污染协同控制区域、时间识别方法
CN111859303A (zh) 基于动态贝叶斯平均的土壤湿度融合算法及系统
CN114170427B (zh) 基于雨胞的无线微波雨衰减模型ssim图像相似度评价方法
CN114999579A (zh) 一种筛选化合物分子描述符并确定其取值范围的方法
CN111340361B (zh) 求解黄酒原料指标范围的数据驱动模型分析方法及装置

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
TA01 Transfer of patent application right

Effective date of registration: 20230817

Address after: 053411 east of Tuan Village, qingliangdian Town, Wuyi County, Hengshui City, Hebei Province

Applicant after: Hengshui Hengfeng Yick Road Asphalt Science & Technology Co.,Ltd.

Applicant after: Hebei Jiaotou Special Materials Technology Co.,Ltd.

Address before: 053411 east of Tuan Village, qingliangdian Town, Wuyi County, Hengshui City, Hebei Province

Applicant before: Hengshui Hengfeng Yick Road Asphalt Science & Technology Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant