CN116364199A - 基于SVM的氟硅橡胶与JarylecC101浸渍剂相容性评估方法及系统 - Google Patents

Abstract

本发明公开了一种基于SVM的氟硅橡胶与JarylecC101浸渍剂相容性评估方法及系统，方法包括以下步骤：S1、对氟硅橡胶与Jarylec C101进行相容性实验并采集实验结果数据样本；S2、使用交叉验证法进行参数优化，选择最佳的惩罚参数、核函数参数以及核函数；S3、进行支持向量机回归预测模型训练，确定预测精度；S4、利用训练后的模型对氟硅橡胶与Jarylec C101的相容性进行评估，对预测结果进行反归一化，得到最终评估结果。本发明运用支持向量机的回归预测模型对电容器用氟硅橡胶密封圈和JarylecC101相容性进行评估，凭借回归预测模型极强的自适应、自学习能力，拟合非线性的试验数据，实现对氟硅橡胶密封圈和Jarylec C101相容性的准确评估。

Description

基于SVM的氟硅橡胶与JarylecC101浸渍剂相容性评估方法及 系统

技术领域

本发明属于电容器技术领域，具体涉及一种基于SVM的氟硅橡胶与JarylecC101浸渍剂相容性评估方法及系统。

背景技术

氟硅橡胶广泛用于与燃料油和润滑油接触胶管、垫片、密封圈等，在电气设备领域主要用于制作密封垫和密封圈；目前商品型号为JarylecC101的绝缘油被广泛使用为电力电容器浸渍剂，其性能优良，在高温、高压和低温等条件下，表现出很好的耐用性，但其可使橡胶密封垫圈溶胀和软化，可能会导致密封圈密封失效，引起浸渍剂泄露问题，而且橡胶中的无机添加剂溶解在浸渍剂中使浸渍剂介损升高，可能还会导致电容器发热，甚至引起击穿，火灾等事故，因此，能够准确评估电容器用密封硅橡胶和浸渍剂相容性具有重要意义。

现在鲜有电容器硅橡胶与浸渍剂的相容性评估方法，对于已有的动力学曲线直线化法、变量折合法及数学模型法等均是针对橡胶的剩余寿命预测方法，往往需要配合长时间的老化试验或者根据经验公式外推出寿命预测模型。

发明内容

本发明的主要目的在于克服现有技术的缺点与不足，提出一种基于SVM的氟硅橡胶与JarylecC101浸渍剂相容性评估方法及系统。

为了达到上述目的，本发明采用以下技术方案：

基于SVM的氟硅橡胶与JarylecC101浸渍剂相容性评估方法，包括以下步骤：

S1、对氟硅橡胶与Jarylec C101进行相容性实验并采集实验结果数据样本；

S2、使用交叉验证法进行参数优化，选择最佳的惩罚参数、核函数参数以及核函数；

S3、进行支持向量机回归预测模型训练，确定预测精度；

S4、利用训练后的模型对氟硅橡胶与Jarylec C101的相容性进行评估，对预测结果进行反归一化，得到最终评估结果。

进一步的，步骤S1具体为：

将氟硅橡胶浸渍在JarylecC101中进行105摄氏度，168小时的相容性实验；

测试电容器浸渍剂的酸值、水分含量、直流电阻率、介电损耗以及击穿电压，实验结果作为数据样本；

选择电容器浸渍剂的酸值、水分含量、直流电阻率、介电损耗和相容性实验时间作为自变量，以电容器浸渍剂的击穿场强作为因变量，并对自变量和因变量进行归一化处理，获得数据样本。

进一步的，归一化处理采用最大最小值法，具体为：

x_k＝(x_k-x_min)/(x_max-x_min)

其中，x_min表示最小值，x_max表示最大值。

进一步的，步骤S2具体为利用K折交叉验证法进行参数优化，并选择最佳的惩罚参数c和核函数参数g；

K折交叉验证法将训练样本的使用实现最大化，通过随机分割训练集与测试集，避免体现数据之间的内在联系，降低偶然性，使得SVM模型在得到充分训练的同时，避免过拟合现象的发生；

K折交叉验证法将待分类样本分为K组，每一组都有机会作为训练集和测试集，从而最大程度上剪断数据之间的联系，以K次分类结果的平均值作为分类指标，使得模型在训练集和测试集上均有比较良好的表现，具有较好的泛化能力。

进一步的，步骤S2中，选择核函数具体为：

核函数是支持向量机SVM保证任何问题实现利用分类超平面完成分类的关键所在，其被用于构造映射函数Φ(·)；

以两个待分类的向量，当其在低维空间内不可分，无法实现样本距离||Φ(x_i)-Φ(x_j)||的计算，利用映射函数将目标向量映射到高维空间，维数不限，直至可用分类超平面实现线性可分位置，同时标志着利用支持向量机实现分类问题的解决。

进一步的，核函数与映射函数的结构关系表示为：

|Φ(x_i)-Φ(x_j)||²＝g(x₁,x₁)-2*g(x₁,x₂)+g(x₂,x₂)

核函数有四种，分别为线性核函数、多项式核函数、径向基核函数以及两层感知器核函数，具体表示为：

线性核函数：g(x,x_k)＝x^Tx_i；

多项式核函数：g(x,x_k)＝(γx^Tx_i+r)^p,γ＞0；

径向基核函数：g(x,x_k)＝exp(-γ||x-x_i||²),γ＞0；

两层感知器核函数：g(x,x_k)＝tanh(γx^Tx_i+r)。

进一步的，在选取出核函数和惩罚参数c后，即能构造并求解出最优解：

进一步的，步骤S3具体为：

利用得到的最佳参数c和g对SVM进行训练，然后再对原始数据进行回归预测，具体模型如下：

cost(x)＝max(0,|d(x)-g(x)|-ε)

其中，d是标准答案；

加入松弛变量e，获得宽度为2e的松弛区间，公式表示为：

d(xi)-g(xi)＜ε+e,e≥0

g(xi)-d(xi)＜ε+e,e≥0

在引入拉格朗日乘子之后，将SVR转化为对偶问题，得到最终预测值为：

进一步的，步骤S3还包括利用多组数据样本，根据预测模型输出的预测值与数据样本实际值，计算预测误差百分比、决定系数R²以及均方误差，进而确定预测精度，当预测精度达到所需的要求，则表明该预测模型可准确评估氟硅橡胶与Jarylec C101浸渍剂之间的相容性，将其用于实际评估氟硅橡胶与Jarylec C101浸渍剂之间的相容性；若精度没达到要求，则继续训练。

本发明还包括基于SVM的氟硅橡胶与JarylecC101浸渍剂相容性评估系统，系统采用本发明提供的评估方法，系统包括：

相容性实验模块，用于进行对氟硅橡胶与Jarylec C101进行相容性实验并采集实验结果数据样本；

参数优化模块，利用K折交叉验证法选择最佳的惩罚参数、核函数参数以及核函数；

回归预测模型模块，用于构建基于SVM的回归预测模型并进行训练；

输出模块，用于对回归预测模型模块输出的预测结果进行反归一化，输出最终评估结果。

本发明与现有技术相比，具有如下优点和有益效果：

1、本发明运用支持向量机的回归预测模型对电容器用氟硅橡胶密封圈和JarylecC101相容性进行评估，凭借回归预测模型极强的自适应、自学习能力，拟合非线性的试验数据，实现对氟硅橡胶密封圈和Jarylec C101相容性的准确评估。

附图说明

图1是本发明方法的流程图；

图2是本发明实施例中预测值与实际值的曲线图；

图3是本发明实施例中预测误差百分比示意图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例

如图1所示，本发明，基于SVM的氟硅橡胶与JarylecC101浸渍剂相容性评估方法，包括以下步骤：

S1、对氟硅橡胶与Jarylec C101进行相容性实验并采集实验结果数据样本；

在本实施例中，步骤S1具体为：

将氟硅橡胶浸渍在JarylecC101中进行105摄氏度，168小时的相容性实验；

测试电容器浸渍剂的酸值、水分含量、直流电阻率、介电损耗以及击穿电压，实验结果作为数据样本；

选择电容器浸渍剂的酸值、水分含量、直流电阻率、介电损耗和相容性实验时间作为自变量，以电容器浸渍剂的击穿场强作为因变量，并对自变量和因变量采用最大最小值法进行归一化预处理，获得数据样本；

具体处理如下：

x_k＝(x_k-x_min)/(x_max-x_min)

其中，x_min表示最小值，x_max表示最大值。

S2、利用K折交叉验证法进行参数优化，选择最佳的惩罚参数c、核函数参数g以及核函数。

K折交叉验证法的原则是将训练样本的使用实现最大化，通过随机分割训练集与测试集，尽量避免体现数据之间的内在联系，降低偶然性，使得SVM模型在得到充分训练的同时，避免过拟合现象的发生。K折交叉验证法，顾名思义，将待分类样本分为K组，每一组都有机会作为训练集和测试集，从而最大程度上“剪断”数据之间的联系，以K次分类结果的平均值作为分类指标，使得模型在训练集和测试集上均有比较良好的表现，具有较好的泛化能力。

核函数是支持向量机(SVM)能够保证任何问题实现利用分类超平面完成分类的关键所在，其被用于构造映射函数Φ(·)；以两个待分类的向量为例，当其在低维空间内不可分，无法实现样本距离||Φ(x_i)-Φ(x_j)||的计算，利用映射函数将目标向量映射到高维空间，维数不限，直至可以用分类超平面实现线性可分位置，同时标志着利用支持向量机实现分类问题的解决。

核函数与映射函数的结构关系表示为：

|Φ(x_i)-Φ(x_j)||²＝g(x₁,x₁)-2*g(x₁,x₂)+g(x₂,x₂)

核函数有四种，分别为线性核函数、多项式核函数、径向基核函数以及两层感知器核函数，具体表示为：

线性核函数：g(x,x_k)＝x^Tx_i；

多项式核函数：g(x,x_k)＝(γx^Tx_i+r)^p,γ＞0；

径向基核函数：g(x,x_k)＝exp(-γ||x-x_i||²),γ＞0；

两层感知器核函数：g(x,x_k)＝tanh(γx^Tx_i+r)。

在本实施例中，选择最佳的惩罚参数c为1和径向基核函数，核函数参数g，即能构造并求出最优解：

S3、利用得到的参数c和g对SVM进行训练；

在本实施例中，使用36组数据样本进行支持向量机回归预测模型训练，具体模型为：

cost(x)＝max(0,|d(x)-g(x)|-ε)

其中，d是标准答案；

加入松弛变量e，获得宽度为2e的松弛区间，公式表示为：

d(xi)-g(xi)＜ε+e,e≥0

g(xi)-d(xi)＜ε+e,e≥0

在引入拉格朗日乘子之后，将SVR转化为对偶问题，得到预测值为：

利用预测模型对9组数据样本进行预测测试。

根据预测模型输出的预测值与数据样本实际值，计算预测误差百分比、决定系数R²以及均方误差，进而确定预测精度。

S4、利用训练后的模型对氟硅橡胶与Jarylec C101的相容性进行评估，对预测结果进行反归一化，得到最终评估结果。

获取经过相容性实验后的氟硅橡胶与Jarylec C101性能数据作为数据样本，共得到45组试验数据。部分原始数据如下表1所示：

表1

选择相容性实验时间、酸值、水分、直流电阻率、介电损耗作为自变量，选取击穿电压作为因变量，并对自变量和因变量进行归一化处理；

使用交叉验证法进行参数优化，选择最佳的惩罚参数c、核函数参数g以及核函数；

使用36组数据样本进行支持向量机回归预测模型训练，

利用得到的模型对9组数据样本进行预测测试。

本实施例中利用支持向量机神经网络算法获得的氟硅橡胶与Jarylec C101浸渍剂相容性评估模型获得的预测值与实际值的曲线图如图2所示，预测结果表明，预测值与实际值基本符合；预测误差百分比如图3所示，预测误差绝对值保持在10％以内，决定系数R²为0.998976，均方误差为8.34291e-04，具有较高的预测精度，表明该基于向量机的神经网络预测模型可以准确评估氟硅橡胶与Jarylec C101浸渍剂之间的相容性。

在另一个实施例中，提供了基于SVM的氟硅橡胶与JarylecC101浸渍剂相容性评估系统，系统采用上述实施例所述评估方法，系统包括：

相容性实验模块，用于进行对氟硅橡胶与Jarylec C101进行相容性实验并采集实验结果数据样本；

参数优化模块，利用K折交叉验证法选择最佳的惩罚参数、核函数参数以及核函数；

回归预测模型模块，用于构建基于SVM的回归预测模型并进行训练；

输出模块，用于对回归预测模型模块输出的预测结果进行反归一化，输出最终评估结果。

还需要说明的是，在本说明书中，诸如术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其他实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.基于SVM的氟硅橡胶与JarylecC101浸渍剂相容性评估方法，其特征在于，包括以下步骤：

S1、对氟硅橡胶与Jarylec C101进行相容性实验并采集实验结果数据样本；

S2、使用交叉验证法进行参数优化，选择最佳的惩罚参数、核函数参数以及核函数；

S3、进行支持向量机回归预测模型训练，确定预测精度；

S4、利用训练后的模型对氟硅橡胶与Jarylec C101的相容性进行评估，对预测结果进行反归一化，得到最终评估结果。

2.根据权利要求1所述的基于SVM的氟硅橡胶与JarylecC101浸渍剂相容性评估方法，其特征在于，步骤S1具体为：

将氟硅橡胶浸渍在JarylecC101中进行105摄氏度，168小时的相容性实验；

测试电容器浸渍剂的酸值、水分含量、直流电阻率、介电损耗以及击穿电压，实验结果作为数据样本；

选择电容器浸渍剂的酸值、水分含量、直流电阻率、介电损耗和相容性实验时间作为自变量，以电容器浸渍剂的击穿场强作为因变量，并对自变量和因变量进行归一化处理，获得数据样本。

3.根据权利要求2所述的基于SVM的氟硅橡胶与JarylecC101浸渍剂相容性评估方法，其特征在于，归一化处理采用最大最小值法，具体为：

x_k＝(x_k-x_min)/(x_max-x_min)

其中，x_min表示最小值，x_max表示最大值。

4.根据权利要求1所述的基于SVM的氟硅橡胶与JarylecC101浸渍剂相容性评估方法，其特征在于，步骤S2具体为利用K折交叉验证法进行参数优化，并选择最佳的惩罚参数c和核函数参数g；

K折交叉验证法将训练样本的使用实现最大化，通过随机分割训练集与测试集，避免体现数据之间的内在联系，降低偶然性，使得SVM模型在得到充分训练的同时，避免过拟合现象的发生；

K折交叉验证法将待分类样本分为K组，每一组都有机会作为训练集和测试集，从而最大程度上剪断数据之间的联系，以K次分类结果的平均值作为分类指标，使得模型在训练集和测试集上均有比较良好的表现，具有较好的泛化能力。

5.根据权利要求1所述的基于SVM的氟硅橡胶与JarylecC101浸渍剂相容性评估方法，其特征在于，步骤S2中，选择核函数具体为：

核函数是支持向量机SVM保证任何问题实现利用分类超平面完成分类的关键所在，其被用于构造映射函数Φ(·)；

以两个待分类的向量，当其在低维空间内不可分，无法实现样本距离||Φ(x_i)-Φ(x_j)||的计算，利用映射函数将目标向量映射到高维空间，维数不限，直至可用分类超平面实现线性可分位置，同时标志着利用支持向量机实现分类问题的解决。

6.根据权利要求5所述的基于SVM的氟硅橡胶与JarylecC101浸渍剂相容性评估方法，其特征在于，核函数与映射函数的结构关系表示为：

|Φ(x_i)-Φ(x_j)||²＝g(x₁，x₁)-2*g(x₁，x₂)+g(x₂，x₂)

核函数有四种，分别为线性核函数、多项式核函数、径向基核函数以及两层感知器核函数，具体表示为：

线性核函数：g(x，x_k)＝x^Tx_i；

多项式核函数：g(x，x_k)＝(γx^Tx_i+r)^p，γ＞0；

径向基核函数：g(x，x_k)＝exp(-γ||x-x_i||²)，γ＞0；

两层感知器核函数：g(x，x_k)＝tanh(γx^Tx_i+r)。

7.根据权利要求6所述的基于SVM的氟硅橡胶与JarylecC101浸渍剂相容性评估方法，其特征在于，在选取出核函数和惩罚参数c后，即能构造并求解出最优解：

8.根据权利要求7所述的基于SVM的氟硅橡胶与JarylecC101浸渍剂相容性评估方法，其特征在于，步骤S3具体为：

利用得到的最佳参数c和g对SVM进行训练，然后再对原始数据进行回归预测，具体模型如下：

cost(x)＝max(0,|d(x)-g(x)|-ε)

其中，d是标准答案；

加入松弛变量e，获得宽度为2e的松弛区间，公式表示为：

d(xi)-g(xi)＜ε+e,e≥0

g(xi)-d(xi)＜ε+e,e≥0

在引入拉格朗日乘子之后，将SVR转化为对偶问题，得到最终预测值为：

9.根据权利要求8所述的基于SVM的氟硅橡胶与JarylecC101浸渍剂相容性评估方法，其特征在于，步骤S3还包括利用多组数据样本，根据预测模型输出的预测值与数据样本实际值，计算预测误差百分比、决定系数R²以及均方误差，进而确定预测精度，当预测精度达到所需的要求，则表明该预测模型可准确评估氟硅橡胶与Jarylec C101浸渍剂之间的相容性，将其用于实际评估氟硅橡胶与Jarylec C101浸渍剂之间的相容性；若精度没达到要求，则继续训练。

10.基于SVM的氟硅橡胶与JarylecC101浸渍剂相容性评估系统，系统采用权利要求1-9任一项所述评估方法，系统包括：

相容性实验模块，用于进行对氟硅橡胶与Jarylec C101进行相容性实验并采集实验结果数据样本；

参数优化模块，利用K折交叉验证法选择最佳的惩罚参数、核函数参数以及核函数；

回归预测模型模块，用于构建基于SVM的回归预测模型并进行训练；

输出模块，用于对回归预测模型模块输出的预测结果进行反归一化，输出最终评估结果。

Images