KR20230092889A - 환경 빅데이터 및 머신 러닝을 기반으로 한 고분자 재료의 사용 수명 예측 방법 - Google Patents

환경 빅데이터 및 머신 러닝을 기반으로 한 고분자 재료의 사용 수명 예측 방법 Download PDF

Info

Publication number
KR20230092889A
KR20230092889A KR1020237011933A KR20237011933A KR20230092889A KR 20230092889 A KR20230092889 A KR 20230092889A KR 1020237011933 A KR1020237011933 A KR 1020237011933A KR 20237011933 A KR20237011933 A KR 20237011933A KR 20230092889 A KR20230092889 A KR 20230092889A
Authority
KR
South Korea
Prior art keywords
data
environmental
machine learning
service life
temperature
Prior art date
Application number
KR1020237011933A
Other languages
English (en)
Other versions
KR102613725B1 (ko
Inventor
지아시앙 친
후아이 리
요우지 타오
위 시
샤오동 장
Original Assignee
차이나 내셔널 일렉트릭 애퍼레터스 리서치 인스티튜트 코., 엘티디.
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 차이나 내셔널 일렉트릭 애퍼레터스 리서치 인스티튜트 코., 엘티디. filed Critical 차이나 내셔널 일렉트릭 애퍼레터스 리서치 인스티튜트 코., 엘티디.
Publication of KR20230092889A publication Critical patent/KR20230092889A/ko
Application granted granted Critical
Publication of KR102613725B1 publication Critical patent/KR102613725B1/ko

Links

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
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/26—Composites
    • 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
    • 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
    • G06F2119/08—Thermal analysis or thermal optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)

Abstract

본 발명은 환경 빅데이터 및 머신 러닝 알고리즘을 기반으로 고분자 재료의 사용 수명을 예측하는 방법에 관한 것으로서, 상기 방법은 자연 환경의 특징 데이터를 추출하여 특징 매개변수로 사용하고, 주성분 분석 방법을 이용하여 특징 매개변수 데이터에 대하여 차원 축소 및 노이즈 감소 처리를 수행하며, 처리 후의 결과를 입력 매개변수로 사용하고, 해당 재료의 노화 정도를 출력 매개변수로 사용하며, 일부분 지역의 테스트 데이터를 트레이닝 세트로 사용하고, Python 소프트웨어를 이용하여 환경 및 성능 변화 관계의 기계학습을 수행하여 수명 예측 모델을 구축함으로써, 차후의 다른 지역의 고분자 재료의 사용 수명을 예측하는데 사용한다. 상기 방법은 편리하고 신속하며 정확도가 높은 등 장점이 있기 때문에, 테스트의 작업량을 효과적으로 감소할 수 있고, 재료의 내후성 향상 및 제품의 내후성 설계를 지도하는데 사용할 수 있다.

Description

환경 빅데이터 및 머신 러닝을 기반으로 한 고분자 재료의 사용 수명 예측 방법
본 발명은 고분자 재료의 사용수명 예측 기술 분야에 관한 것으로서, 더욱 상세하게는 환경 빅데이터 및 머신 러닝을 기반으로 한 고분자 재료의 사용 수명 예측 방법에 관한 것이다.
고분자 재료는 일련의 우수한 성능 및 비교적 높은 가성비로 인하여, 그 적용 범위가 날이 갈수록 확장되고 있으며, 자동차, 전자, 전기제품, 건축, 포장, 화학 및 생명공학 등 분야의 장비 제품에 광범위하게 적용되고 있다. 장비 제품 고분자 재료는 가공, 저장 및 사용 과정 중에 시간의 흐름 및 다양한 내부 및 외부 요소의 공동 작용 하에, 예를 들면 플라스틱, 고무, 페인트 및 잉크 등과 같은 고분자 재료는 점차적으로 광택을 잃고, 변색, 황변, 크랙, 박리, 취화 및 다양한 물리학적 성능이 하강하면서, 최종적으로는 사용 성능의 저하를 초래하게 된다. 금속 재료에 비하여, 고분자 재료는 더욱 쉽게 노화되기 때문에, 그 수명이 장치의 사용 수명을 결정하게 된다. 따라서, 고분자 재료의 사용 수명 예측은 항상 업계의 주목을 받고 있다.
종래의 고분자 재료 사용 수명의 예측 방법은 다음과 같다.
(1) 선형 관계법 서로 다른 온도 조건 하에서, 재료의 성능 P가 임계값에 도달할 때, 노화 시간 t의 대수는 노화 온도 T의 역수와 선형 관계를 이룬다. 선형 관계법은 재료 성능 P의 노화 시간 t에 따른 변화가 1급 반응 법칙을 따른다는 것으로부터 도출된 것이다. 노화 반응 속도 상수 K 및 노화 온도 T는 아레니우스 방정식을 따른다. 따라서, 선형 관계법의 계산식은 다음과 같다.
Figure pct00001
(계산식 1)
상기 계산식에서, K는 노화 반응 속도 상수이고, t는 시간이며, A는 지수 앞자리 인자이고, E는 반응 활성화 에너지이며, T는 온도이고, R는 기체 상수이다. 하지만 상기 방법은, 서로 다른 온도 하에서의 노화는 서로 다른 노화 기전을 가질 수 있기 때문에, 노화 속도 상수에 차이가 존재한다는 문제가 있고; 또한 상기 방법은 환경 습도의 영향을 무시하였기 때문에, 테스트 결과의 정확성이 크게 떨어지는 문제가 있다.
(2) 변수 전환법 변수 전환법은 본질적으로 그림을 그리는 방법이다. 시간 온도의 등가 원리에 따라, 고온 조건 하에서의 테스트 데이터를 비교적 낮은 온도 조건 하에서의 데이터로 전환한다. 온도와 시간 사이에는 하기와 같은 대응 관계를 가진다.
Figure pct00002
(계산식 2)
상기 계산식에서, P는 성능이고, T는 온도이며, t는 시간이고,
Figure pct00003
는 전환 인자이다. 상기 방법은, 서로 다른 온도 하에서의 노화 기전 및 반응 속도가 일정하고, 기타 요소는 노화 반응에 영향을 주지 않거나 영향이 매우 작다고 가설하고 있지만, 실제 사용 상태에서의 고분자 재료는 통상적으로 종합적인 환경의 시너지 작용 하에서 점차적으로 노화되는 것이기 때문에, 예측 결과와 실제적인 사용 수명 사이에 비교적 큰 차이가 나는 문제가 있다.
(3) 수학 모델법 온도, 습도 및 조도가 대부분 고분자 재료의 노화에 대한 영향을 매칭시키고 매개변수화하여, 다양한 환경 요소와 재료 사용 수명을 기반으로 한 수학 관계 모델을 구축한다.
Figure pct00004
(계산식 3)
상기 계산식에서, f A 는 가속 인자이고, T f 는 온도가 10℃씩 상승할 때 재료에 대한 가속 인자로서 재료의 종류에 따라 확정되며, x는 유효 태양 조도 인자로서 재료의 종류에 따라 확정되고, y는 유효 상대 습도 인자로서 재료의 종류에 따라 확정되며, I r1 는 태양 추적 집중 광선 가속 노화 테스트 중의 연간 태양 자외선 조도 총량으로서 단위는 평방 미터 당 메가줄(MJ/m2)이고, Rh 1 는 태양 추적 집중 광선 가속 노화 테스트 중의 연간 평균 상대 습도이며, T 1 은 태양 추적 집중 광선 노화 테스트 중의 연간 평균 온도로서 단위는 섭씨도(oC)이고, I rA 는 지역 A의 연간 태양 자외선 조도 총량으로서 단위는 평방 미터 당 메가줄(MJ/m2)이며, RH A 는 지역 A의 연간 평균 상대 습도이고, Ta A 는 지역 A의 연간 평균 온도로서 단위는 섭씨도(℃)이다. 상기 방법은, 습도 및 조도가 재료에 대한 영향 요소의 매개변수화 매칭은 다양한 재료의 평균값을 기반으로 한 것인데, 서로 다른 재료가 받는 광선 조도 및 습도의 영향에 비교적 큰 차이가 있는 문제가 있다. 이는 또한 모델 예측 결과의 정확성이 비교적 낮은 문제를 초래하게 된다.
따라서, 상기와 같은 방법들의 다양한 문제를 해결할 수 있는 새로운 고분자 재료의 사용 수명 예측 방법을 개발해낼 필요가 있는 실정이다.
상기와 같은 문제를 해결하기 위하여, 본 발명은 실제 환경 하에서의 노화 테스트를 기반으로 환경 요소에 대한 실시간 검측을 통하여 환경 빅데이터를 구축하고, 머신 러닝 알고리즘을 기반으로 환경 빅데이터와 재료 성능 변화 사이의 관계를 도출해냄으로써, 다양한 환경 요소가 고분자 재료에 대한 실제적인 영향 인자를 발견하여, 정확성이 더욱 높고 범용성이 더욱 강한 고분자 재료의 사용 수명 예측 방법을 개발하는 것을 목적으로 한다.
본 발명의 상기와 같은 기술적 과제는 하기와 같은 기술적 방안을 통하여 실현될 수 있다. 즉,
(1) 고분자 재료를 선택하여, 서로 다른 지역에서 노화 테스트를 수행하되, 노화 과정 중에 실험 주기 내의 고분자 재료의 성능 매개변수의 변화를 수집하고, 상기 성능 매개변수의 변화를 수명 평가 지표로 사용하는 단계;
(2) 단계 (1) 중의 대응되는 실험 주기 내의 온도, 습도 및 조도를 포함하는 환경 데이터를 수집하는 단계;
(3) 단계 (2)에서 수집된 환경 데이터 중의 특징 데이터를 추출하여 특징 매개변수로 사용하고, 주성분 분석 방법을 이용하여 특징 매개변수에 대하여 차원 축소 및 노이즈 감소 처리를 수행하되, 그 중 특징 데이터는 서로 다른 환경 데이터 단계의 시간 누적 총합으로서 누적 손상 시간으로 정의하는 단계;
(4) 서로 다른 지역의 누적 손상 시간 - 재료 성능 변화를 그룹화하고, 일부분 지역을 트레이닝 세트로 사용하여 수명 예측 모델의 구축하며, 나머지 지역을 테스트 세트로 사용하여 수명 예측 모델을 검증하는 단계;
(5) 트레이닝 세트의 누석 손산 시간을 입력 매개변수로 사용하고, 트레이닝 세트의 재료 성능 변화를 출력 매개변수로 사용하며, Python 소프트웨어를 이용하여 머신 러닝 알고리즘을 구축하여 환경 빅데이터 수명 예측 모델 트레이닝을 수행하여 수명 예측 모델을 구축하는 단계; 및,
(6) 테스트 세트의 누석 손상 시간을 입력 매개변수로 사용하여, 서로 다른 누석 손상 시간 하에서의 재료 성능 변화를 예측함으로써 그 사용 수명을 얻어내는 동시에, 실험값과의 관련 계수의 제곱값 R2를 계산하되, R2 ≥ 95%일 때 예측 결과를 신뢰할 수 있는 것으로 판정하는 단계; 를 포함하여 구성되는 환경 빅데이터 및 머신 러닝 알고리즘을 기반으로 고분자 재료의 사용 수명을 예측하는 방법을 제공한다.
따라서, 본 발명의 방법은 고분자 재료가 테스트 스테이션에서의 자연 노화를 통하여, 서로 다른 노화 정도 하의 성능 데이터를 수집하는 동시에, 자연 노화 과정 중에서 테스트 스테이션의 온도, 습도, 조도 등 환경 데이터를 기록한다. 자연 환경의 특징 데이터(예를 들면 35~36℃의 반년 내 누적 시간, 고온 고습 누적 시간, 조도가 1000W/m2 이상인 누적 시간 등)을 추출하여 특징 매개변수로 사용하고, 주성분 분석(PCA 알고리즘) 방법을 이용하여 특징 매개변수 데이터에 대하여 차원 축소 및 노이즈 감소 처리를 수행하며, 처리 후의 결과를 입력 매개변수로 사용하고, 해당 재료의 노화 정도(예를 들면 재료의 황변 지수, 인장 강도 및 충격 강도 등)를 출력 매개변수로 사용하며, 중국 테스트 스테이션의 테스트 데이터를 트레이닝 세트로 사용하고, Python 소프트웨어를 이용하여 환경 및 성능 변화 관계의 기계학습을 수행하여 수명 예측 모델을 구축함으로써, 차후의 다른 지역의 고분자 재료의 사용 수명을 예측하는데 사용한다.
상기 환경 빅데이터 및 머신 러닝 알고리즘을 기반으로 고분자 재료의 사용 수명을 예측하는 방법에 있어서,
바람직하게는, 단계 (1) 중의 상기 고분자 재료는 폴리스티렌, 폴리카보네이트, 폴리에틸렌 및 폴리프로필렌 중의 한가지 또는 여러가지의 복합 재료이다.
바람직하게는, 단계 (1) 중의 상기 서로 다른 지역은 중국 국내의 츙하이, 싼야, 광저우 및 사우디아라비아의 지다, 프랑스의 사나리 및 인도의 첸나이를 포함한다.
바람직하게는, 단계 (1) 중의 상기 노화 테스트는 자연 노화 실험, 자연 가속 노화 실험 또는 인공 가속 노화 실험이다.
바람직하게는, 단계 (1) 중의 상기 고분자 재료의 성능 매개변수는 광학적 성능, 역학적 성능 및 열적 성능을 포함한다.
바람직하게는, 단계 (1) 중의 상기 고분자 재료의 성능 매개변수는 황색 지수, 투명도, 인장 강도, 용융 온도, 유리 전이 온도 및 초기 분해 온도 중의 한가지 또는 여러가지이다.
단계 (1) ~ 단계 (2) 중의 실험 주기, 샘플링 간격 및 환경 데이터 기록 시간 등은 실제적인 실험 과정에 따라 조절할 수 있고, 그 중 샘플링 간격 및 환경 데이터의 기록 시간은 실험 주기의 길이에 따라 합리적으로 선택할 수 있는 바, 실험 주기가 길수록, 샘플링 간격 및 환경 데이터 기록 시간을 대응되게 연장시킬 수 있고, 실험 주기가 짧은 경우, 샘플링 간격 및 환경 데이터 기록 시간을 줄일 수 있으며, 주로는 대응되는 실험 기간 내에 충분한 대표적인 데이터를 얻어낼 수 있으면 된다.
바람직하게는, 단계 (1) ~ 단계 (2) 중의 상기 실험 기간은 1~5년이고, 고분자 재료의 성능 매개변수 변화의 샘플링 간격은 1~3개월이고, 상기 환경 데이터는 1~10h 간격으로 한번씩 기록한다.
바람직하게는, 단계 (2) 중의 환경 데이터는 테스트 스테이션에서의 현장 측정을 통하여 취득할 수 있고, 웹사이트에 공개된 정보를 통하여 온도, 습도 및 조도 등 데이터를 포함한 현지의 기후 환경 데이터를 취득할 수도 있다.
단계 (3) 중의 특징 데이터는 단일 요소의 누적 손상 시간 및 다중 요소의 시너지 누적 손상 시간을 포함하고, 그 중 단일 요소는 온도, 습도 및 조도를 포함하며, 다중 요소는 온도, 습도 및 조도 중의 두가지 또는 세가지를 포함한다.
바람직하게는, 단계 (3) 중의 누적 손상 시간의 취득 과정은, Python 소프트웨어를 이용하여 온도, 습도 및 조도 데이터를 통계 분석하는 단계와, 실험 주기 내의 조분자 재료의 성능 변화 데이터와 대응되는 온도, 습도 및 조도 하에서의 시간 누적 총합을 취득하는 단계와, 고온 고습 및 고온 고조도 조건 하에서의 시간 누적 총합을 취득하는 단계를 포함하여 구성된다.
실험 주기 내의 고분자 재료의 성능 변화 데이터와 대응되는 온도, 습도 및 조도 하에서의 시간 누적 통합의 예로서, 온도 누적 손상 시간(예를 들면 1개월 이내에 30℃를 초과하는 누적 시간), 습도 누적 손상 시간(예를 들면 습도가 80% 이상인 누적 시간), 조도 누적 손상 시간(예를 들면 조도가 1000W/m2 이상인 누적 시간), 고온 고습 하에서의 누적 손상 시간(예를 들면 온도 ≥ 30℃ 및 습도 ≥ 80%), 고온 고조도 하에서의 누적 손상 시간(예를 들면 ≥ 30℃, 조도 ≥ 850W/m2) 등을 예로 들 수 있다.
단계 (3)에서 자연 환경의 특징 데이터(예를 들면 고온 고습 누적 시간, 조도가 1000W/m2 이상인 누적 시간 등)를 특징 매개변수로 사용하고, 주성분 분석(PCA 알고리즘)을 이용하여 특징 매개변수 데이터에 대하여 차원 축소 및 노이즈 감소 처리를 수행한다.
더 나아가서, 본 발명의 바람직한 실시 방식으로서,
온도 누적 손상 시간을 선택하여 특징 매개변수로 사용할 때, 온도를 ≤ 0℃, 0~10℃, 10~20℃, 20~30℃ 및 30℃ 이상인 구간으로 구분하여, 상기 온도 구간 내의 누적 손상 시간을 각각 계산해낼 수 있다.
습도 누적 손상 시간을 선택하여 특징 매개변수로 사용할 때, 습도를 습도 ≤ 40%, 습도 > 40% 및 ≤ 80%, 습도 > 80%인 구간으로 구분하여, 상기 습도 구간 내의 누적 손상 시간을 각각 계산해낼 수 있다.
조도 누적 손상 시간을 선택하여 특징 매개변수로 사용할 때, 조도를 조도 범위 ≤ 30W/m2, 조도 범위 30~100W/m2, 조도 범위 100~300W/m2, 조도 범위 300~500W/m2, 조도 범위 500~700W/m2, 조도 범위 700~1000W/m2 및 조도 범위 ＞ 1000W/m2인 구간으로 구분하여, 상기 조도 구간 내의 누적 손상 시간을 각각 계산해낼 수 있다.
고온 고습 누적 손상 시간을 선택하여 특징 매개변수로 사용할 때, 기온이 30℃ 이상 및 습도가 80% 이상인 누적 손상 시간을 선택할 수 있다.
고온 고조도 누적 손상 시간을 선택하여 특징 매개변수로 사용할 때, 기온이 30℃ 이상 및 조도 범위가 850W/m2 이상인 누적 손상 시간을 선택할 수 있다.
즉, 온도, 습도 및 조도 중의 한가지 또는 여러가지를 특징 데이터로 사용하여, 우선 차원 축소 및 노이즈 감소 처리를 수행한 다음 입력 매개변수로 사용하고, 해당 재료의 노화 정도(예를 들면 재료의 황변 지수, 인장 강도, 충격 강도, 용융 온도, 유리 전이 온도 및 초기 분해 온도 등)를 출력 매개변수로 사용하며, 일부분 지역(예를 들면 중국 테스트 스테이션)의 테스트 데이터를 트레이닝 세트로 사용하고, Python 소프트웨어를 이용하여 환경 및 성능 변화 관계의 기계학습을 수행하여 수명 예측 모델을 구축함으로써, 차후의 다른 지역(예를 들면 중국 국외의 지역)의 고분자 재료의 사용 수명을 예측하는데 사용한다.
그 중 한가지 바람직한 실시방식으로서, 단계 (4)에서 중국 국내의 츙하이, 싼야 및 광저우를 트레이닝 데이터로 사용하고, 중국 국외의 사우디아라비아의 지다, 인도의 첸나이 및 프랑스의 사나리를 테스트 세트로 사용한다.
바람직하게는, 단계 (5) 중의 상기 머신 러닝 알고리즘은 신경망, 서포트 벡터 머신, 랜덤 포레스트, 회귀 분석, 딥 러닝 및 Xgboost 중의 한가지 또는 여러가지이다.
더 나아가서, 본 발명의 바람직한 실시방식으로서, 본 발명은,
(1) 임의 한가지 고분자 재료를 실험 대상으로 선택하여 자연 노화 테스트를 수행하되, 재료 시료에는 결험이 없고 균일성이 높아여 하며; 이와 동시에 관련 성능(예를 들면 황색 지수, 투명도, 인장 강도, 용융 온도, 유리 전이 온도 및 초기 분해 온도 등)을 수명 평가 지표로 사용하고, 테스트를 시작하기 전에 시료의 측정하고자 하는 초기 성능에 대하여 테스트를 수행하는 단계;
(2) 중국 국내의 츙하이, 싼야, 광저우와 중국 국외의 사우디아라비아의 지다, 프랑스의 사나리 및 인도의 첸나이 등의 자연 환경 테스트 스테이션에서 고분자 재료의 자연 노화 테스트를 수행하여, 달마다 황색 지수값, 투명도, 인장 강도, 용융 온도, 유리 전이 온도 및 초기 분해 온도 등을 검측하는 동시에, 1h 간격으로 온도, 습도 및 조도 등을 포함한 환경 데이터를 취득하는 단계;
(3) Python 소프트웨어를 이용하여 온도, 습도 및 조도 등 데이터를 통계하여, 각 시간대의 재료의 성능 변화 및 대응되는 온도 및 습도 하의 누적 손상 시간을 취득하는 동시에; 노화 기전에 있어서 고온, 고습 및 고조도는 고분자 재료에 대하여 가속 노화 작용이 있기 때문에, 고온 고습 및 고온 고조도 조건 하에서의 누적 손상 시간을 추출하고, 추출해낸 데이터 세트에 대하여 PCA(주성분 분석) 알고리즘을 이용하여 상기 데이터 세트에 대하여 차원 축소 및 노이즈 감소 처리를 수행함으로써 환경 빅데이터의 특징화 처리를 완성하는 단계;
(4) 특징화 처리된 환경 데이터 및 테스트 후의 재료 성능 변화 데이터를 기반으로 그룹화하고, 중국 국내의 츙하이, 싼야 및 광저우 등 테스트 스테이션의 환경 데이터 및 재료 성능 변화 데이터를 트레이닝 세트로 사용하여 머신 러닝 모델을 구축하는 동시에; 중국 국외의 사우디아라비아의 지다, 인도의 첸나이 및 프랑스의 사나리 등 테스트 스테이션의 테스트 데이터 및 재료 성능 변화 데이터를 테스트 세트로 사용하여, 차후의 모델 검증에 적용하는 단계;
(5) Python 소프트웨어를 기반으로, 머신 러닝 알고리즘을 통하여 트레이닝 세트에 대하여 수명 예측 모델 트레이닝을 수행함으로써 예측 모델을 구축하되, 트레이닝 세트의 입력 매개변수는 주로 온도 누적 손상 시간, 습도 누적 손상 시간과 고온 고습 및 고온 고온 고조도 등 종합적 작용 누적 손상 시간인 단계; 및,
(6) 특징화 처리된 중국 국외의 환경 누적 손상 시간 데이터를 입력 레이어로 사용하여, 서로 다른 누석 손상 시간 하에서의 재료 성능 변화를 예측함으로써 그 사용 수명을 얻어내는 동시에, 실험값과의 관련 계수의 제곱값(R2)를 계산하되, R2 ≥ 95%일 때 예측 결과를 신뢰할 수 있는 것으로 판정하는 단계; 를 포함하여 구성되는 머신 러닝을 기반으로 한 고분자 재료의 사용 수명 예측 방법을 제공한다.
상기 바람직한 실시방식에 있어서, 고분자 재료 시료를 테스트 대상으로 하여, 중국 국내의 츙하이, 싼야, 광저우와 중국 국외의 사우디아라비아의 지다, 인도의 첸나이 및 프랑스의 사나리 등의 자연 환경 테스트 스테이션에서 자연 노화 테스트를 수행하는 동시에; 중국 국내외 각 스테이션의 전반 테스트 주기 내의 온도, 습도 및 조도 등을 포함하는 기후 환경 데이터를 수집하고, Python을 기반으로 데이터 처리를 수행함으로써, 누적 손상 시간 데이터를 생성하고 특징화하며, 동시에 PCA(주성분 분석) 알고리즘을 이용하여 취득한 특징 데이터 세트에 대하여 차원 축소 및 노이즈 감소 처리를 수행한 다음; 중국 국내의 환경 누적 손상 시간 - 고분자 재료 성능 변화를 트레이닝 세트로 사용하여, 머신 러닝 알고리즘을 통하여 모델 트레이닝을 수행함으로써 사용 수명 모델을 구축하여, 중국 국외의 서로 다른 지역의 성능 변화 법칙 및 사용 수명을 예측하는데 사용한다. 상기 방법은 중국 국내 테스트 스테이션의 테스트 데이터 및 중국 국외 환경 데이터를 이용하여 장비 제품의 고분자 재료가 중국 국외에서 사용될 때의 성능 변화 법칙 및 사용 수명을 예측함으로써, 테스트 원가를 절감하고, 제품 개발 주기를 단축하며, 제품의 내후성 품질을 향상시키는 등 장점이 있기 때문에, 매우 높은 적용 가치가 있다.
종래 기술에 비하여, 본 발명은 하기와 같은 장점이 있다.
(1) 본 발명의 방법은 실제 환경 하에서의 노화 테스트를 기반으로 환경 요소에 대한 실시간 검측을 통하여 환경 빅데이터를 구축하고, 머신 러닝 알고리즘을 기반으로 환경 빅데이터와 재료 성능 변화 사이의 관계를 도출해냄으로써, 다양한 요소가 고분자 재료에 대한 실제적인 영향 인자를 발견하여, 정확성이 더욱 높은 고분자 재료의 사용 수명 예측 방법을 개발할 수 있고;
(2) 본 발명의 방법은 머신 러닝을 기반으로 환경 빅데이터에 대하여 특징화 처리를 수행함으로써, 환경 요소가 고분자 재료의 노화에 대한 영향을 충분히 수집하여, 서로 다른 지역의 고분자 재료의 사용 수명을 예측해낼 수 있는 동시에; 상기 방법은 더욱 강한 범용성을 가짐으로써 서로 다른 고분자 재료 및 서로 다른 성능 지표의 수명 예측에 사용될 수 있기 때문에, 장비 제품의 내후성 설계를 지도하고, 장비 제품의 품질을 향상시킴으로써, 중국 장비 제품의 수출 및 품질 향상 전략에 도움을 줄 수 있으며;
(3) 본 발명은 최초로 환경 빅데이터를 고분자 재료의 사용 수명 예측에 적용하여, 환경이 재료의 노화에 대한 영향 정보를 충분히 수집함으로써, 모델 예측 결과의 정확도륵 더욱 향상시킬 수 있고,
(4) 본 발명의 방법은 중국 국내 테스트 스테이션의 테스트 데이터 및 중국 국외 환경 데이터를 이용하여 장비 제품의 고분자 재료가 중국 국외에서 사용될 때의 성능 변화 법칙 및 사용 수명을 예측함으로써, 테스트 원가를 절감하고, 제품 개발 주기를 단축하며, 제품의 내후성 품질을 향상시키는 등 장점이 있기 때문에, 매우 높은 적용 가치가 있으며;
(5) 본 발명의 방법은 편리하고 신속하며 정확도가 높은 등 장점이 있기 때문에, 테스트의 작업량을 효과적으로 감소할 수 있고, 재료의 내후성 향상 및 제품의 내후성 설계를 지도하는데 사용할 수 있다.
도 1은 본 발명의 실시예 1~3에서 제공하는 신경망 빅데이터를 기반으로 고분자 재료의 사용 수명을 예측하는 방법의 흐름도이다.
도 2는 본 발명의 실시예 1에서 제공하는 중국 국내 테스트 데이터를 이용하여 사우디아라비아의 지다 지역의 재료 성능 변화 상황을 예측한 결과이다.
도 3은 본 발명의 실시예 2에서 제공하는 중국 국내 테스트 데이터를 이용하여 프랑스의 사나리 지역의 재료 성능 변화 상황을 예측한 결과이다.
도 4는 본 발명의 실시예 3에서 제공하는 중국 국내 테스트 데이터를 이용하여 인도의 첸나이 지역의 재료 성능 변화 상황을 예측한 결과이다.
실시예 1
도 1에 도시된 바와 같이, 본 실시예에서 제공하는 환경 빅데이터 및 머신 러닝 알고리즘을 기반으로 고분자 재료의 사용 수명을 예측하는 방법은 하기와 같은 단계를 포함하여 구성된다.
중국 국내의 츙하이, 싼야, 광저우와 중국 국외의 사우디아라비아의 지다 등 지역에서, 폴리스티렌 컬러 보드 시료의 자연 노화 테스트를 수행하되, 컬러 보드의 사이즈는 50×80×4mml이고, 테스트 방법은 GB/T 3681을 참조하였다. 시료는 표면에 결함이 없고 투명도가 높아야 한다. 황색 지수를 수명 평가 지표로 설정하고, 황색 지수와 초기값과의 차이가 50일 때를 수명 종말점으로 설정하였으며, 테스트를 수행하기 전에 샘플의 초기 황색 지수를 측정하였다.
폴리스티렌 컬러 보드 시료의 자연 노화 과정 중, 1개월 간격으로 샘플링 테스트를 수행하여, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11 및 12개월 동안 자연 환경에 노출되었을 때의 대응되는 황색 지수를 분석하였다(도 2 참조).
이와 동시에, 실시간 모니터링을 통하여 1h 간격으로 기록한 테스트 지역의 온도, 습도 및 조도 데이터를 수집하였다.
Python 소프트웨어를 이용하여 수집된 온도, 습도 및 조도 등 데이터를 통계하여, 테스트 지역의 각 시간대 내의 재료 성능 변화 및 대응되는 온도 누적 손상 시간(예를 들면 1개월 이내에 30℃를 초과하는 누적 시간, 하기 표 1 참조), 습도 누적 손상 시간(예를 들면 습도가 80% 이상인 누적 시간, 하기 표 1 참조), 조도 누적 손상 시간(예를 들면 조도가 1000W/m2 이상인 누적 시간), 고온 고습 하에서의 누적 손상 시간(온도 ≥ 30℃ 및 습도 ≥ 80%), 고온 고조도 하에서의 누적 손상 시간(온도 ≥ 30℃, 조도 ≥ 850W/m2)을 수집한 다음, 대응되는 노화 시간 후의 폴리스티렌 황색 지수와의 매핑 관계를 구축함으로써, 환경 빅데이터에 대한 특징화 처리를 완성하였다.
표 1 지다의 1년간 환경 데이터 누적 손상 시간 통계 분석
Figure pct00005
특징화 처리된 환경 누적 손상 시간과 대응되는 노화 시간 후의 재료 성능 변화 데이터 세트를 기반으로 그룹화하고, 중국 국내의 츙하이, 싼야 및 광저우 등 테스트 스테이션의 테스트 데이터 및 재료 성능 변화 데이터를 트레이닝 세트로 사용하여 머신 러닝 모델을 구축하는 동시에; 중국 국외의 사우디아라비아의 지다 등 테스트 스테이션의 테스트 데이터 및 재료 성능 변화 데이터를 테스트 세트로 사용하여, 차후의 모델 검증에 적용하였다.
Python 소프트웨어를 통하여 BP 신경망 알고리즘을 이용하여 트레이닝 세트에 대하여 머신 러닝을 수행함으로써 예측 모델을 구축하되, 매개변수는 다음과 같이 설정하였다. 초기 가중치를 0으로 설정하고; 트레이닝 알고리즘으로서 “trainlm”을 사용하며; 뉴런의 수량을 8개로 설정하고, 트레이닝 세트와 검증 세트의 비율은 0.85:0.15, 학습률은 0.1로 설정하며; 검증 세트 데이터의 최대 실패 반복 연산 횟수는 26으로 설정하고; 기타 매개변수는 시스템의 기본 매개변수를 사용하였다.
특징화 처리된 중국 국외의 환경 누적 손상 시간 데이터를 입력 레이어로 사용하여, 서로 다른 누석 손상 시간 하에서의 재료 성능 변화를 예측함으로써 그 사용 수명을 얻어냈다. 도 2에 도시된 바와 같이, 예측 모델에서 PS 수명 종말점 황색 지수를 50으로 입력함으로써, 황색 지수 50에 대응되는 시간이 9.8개월임을 산출해내었는 바, 즉 PS 가 사우디아라비아의 지다에서의 사용 수명은 약 10개월임을 의미하고, 실험값과의 관련 계수의 제곱값 R2를 산출하였다. R2=96%로서 95%이상인 바, 예측 결과가 정확하다는 것을 알 수 있다.
실시예 2
도 1에 도시된 바와 같이, 본 실시예에서 제공하는 환경 빅데이터 및 머신 러닝 알고리즘을 기반으로 고분자 재료의 사용 수명을 예측하는 방법은 하기와 같은 단계를 포함하여 구성된다.
중국 국내의 츙하이, 싼야, 광저우와 중국 국외의 프랑스의 사나리 등 지역에서, 폴리카보네이트 컬러 보드 시료의 자연 노화 테스트를 수행하되, 컬러 보드의 사이즈는 50×80×4mml이고, 테스트 방법은 GB/T 3681을 참조하였다. 시료는 표면에 결함이 없고 투명도가 높아야 한다. 색차를 수명 평가 지표로 설정하고, 색차와 초기값과의 차이가 35일 때를 수명 종말점으로 설정하였으며, 테스트를 수행하기 전에 샘플의 초기 색차를 측정하였다.
폴리카보네이트 컬러 보드 시료의 자연 노화 과정 중, 1개월 간격으로 샘플링 테스트를 수행하여, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11 및 12개월 동안 자연 환경에 노출되었을 때의 대응되는 색차를 분석하였다(도 3 참조).
실시간 모니터링을 통하여 1h 간격으로 기록한 테스트 지역의 온도, 습도 및 조도 데이터를 수집하였고, 그 결과를 하기 표 2에 기재하였다.
표 2 프랑스 사나리의 1년간 환경 데이터 누적 손상 시간 통계 분석
Figure pct00006
Python 소프트웨어를 이용하여 수집된 온도, 습도 및 조도 등 데이터를 통계하여, 테스트 지역의 각 시간대 내의 재료 성능 변화 및 대응되는 온도 누적 손상 시간(예를 들면 1개월 이내에 30℃를 초과하는 누적 시간), 습도 누적 손상 시간(예를 들면 습도가 80% 이상인 누적 시간), 조도 누적 손상 시간(예를 들면 조도가 1000W/m2 이상인 누적 시간), 고온 고습 하에서의 누적 손상 시간(온도 ≥ 30℃ 및 습도 ≥ 80%), 고온 고조도 하에서의 누적 손상 시간(온도 ≥ 30℃, 조도 ≥ 850W/m2)을 수집한 다음, 대응되는 노화 시간 후의 폴리카보네이트 색차와의 매핑 관계를 구축함으로써, 환경 빅데이터에 대한 특징화 처리를 완성하였다.
특징화 처리된 환경 누적 손상 시간과 대응되는 노화 시간 후의 재료 성능 변화 데이터 세트를 기반으로 그룹화하고, 중국 국내의 츙하이, 싼야 및 광저우 등 테스트 스테이션의 테스트 데이터 및 재료 성능 변화 데이터를 트레이닝 세트로 사용하여 머신 러닝 모델을 구축하는 동시에; 중국 국외의 프랑스의 사나리 등 테스트 스테이션의 테스트 데이터 및 재료 성능 변화 데이터를 테스트 세트로 사용하여, 차후의 모델 검증에 적용하였다.
Python 소프트웨어를 통하여 BP 신경망 알고리즘을 이용하여 트레이닝 세트에 대하여 머신 러닝을 수행함으로써 예측 모델을 구축하되, 매개변수는 다음과 같이 설정하였다. 초기 가중치를 0으로 설정하고; 트레이닝 알고리즘으로서 “trainlm”을 사용하며; 뉴런의 수량을 8개로 설정하고, 트레이닝 세트와 검증 세트의 비율은 0.85:0.15, 학습률은 0.1로 설정하며; 검증 세트 데이터의 최대 실패 반복 연산 횟수는 26으로 설정하고; 기타 매개변수는 시스템의 기본 매개변수를 사용하였다.
특징화 처리된 중국 국외의 환경 누적 손상 시간 데이터를 입력 레이어로 사용하여, 서로 다른 누석 손상 시간 하에서의 재료 성능 변화를 예측함으로써 그 사용 수명을 얻어냈다. 도 3에 도시된 바와 같이, 예측 모델에서 PC 수명 종말점 색차를 35으로 입력함으로써, 색차 35에 대응되는 시간이 8.6개월임을 산출해내었는 바, 즉 폴리카보네이트가 프랑스의 사나리에서의 사용 수명은 8.5개월임을 의미하고, 실험값과의 관련 계수의 제곱값 R2를 산출하였다. R2=97%로서 95%이상인 바, 예측 결과가 정확하다는 것을 알 수 있다.
실시예 3
도 1에 도시된 바와 같이, 본 실시예에서 제공하는 환경 빅데이터 및 머신 러닝 알고리즘을 기반으로 고분자 재료의 사용 수명을 예측하는 방법은 하기와 같은 단계를 포함하여 구성된다.
중국 국내의 츙하이, 싼야, 광저우와 중국 국외의 인도의 첸나이 등 지역에서, 고밀도 폴리에틸렌 아령 형태 시료의 자연 노화 테스트를 수행하되, 시료의 사이즈는 GB/T 1040에 부합되고, 테스트 방법은 GB/T 3681을 참조하였다. 시료는 완전하고 표면에 결함이나 흠집이 없어야 한다. 인장 강도를 수명 평가 지표로 설정하고, 인장 강도가 초기값의 30%일 때를 수명 종말점으로 설정하였으며, 테스트를 수행하기 전에 샘플의 초기 인장 강도를 측정하였다.
고밀도 폴리에틸렌 아령 형태 시료의 자연 노화 과정 중, 1개월 간격으로 샘플링 테스트를 수행하여, 3, 6, 9, 12, 15, 18, 21, 24, 27, 30, 33 및 36개월 동안 노화된 후의 대응되는 인장 강도를 분석하였다. 이와 동시에, 오픈소스 기상 웹사이트를 통하여 1h 간격으로 기록한 테스트 지역의 온도, 습도 및 조도 데이터를 수집하였고, 그 결과를 하기 표 3에 기재하였다.
Python 소프트웨어를 이용하여 수집된 온도, 습도 및 조도 등 데이터를 통계하여, 테스트 지역의 각 시간대 내의 재료 성능 변화 및 대응되는 온도 누적 손상 시간(예를 들면 1개월 이내에 30℃를 초과하는 누적 시간), 습도 누적 손상 시간(예를 들면 습도가 80% 이상인 누적 시간), 조도 누적 손상 시간(예를 들면 조도가 1000W/m2 이상인 누적 시간), 고온 고습 하에서의 누적 손상 시간(온도 ≥ 30℃ 및 습도 ≥ 80%), 고온 고조도 하에서의 누적 손상 시간(온도 ≥ 30℃, 조도 ≥ 850W/m2)을 수집한 다음, 대응되는 노화 시간 후의 고밀도 폴리에틸렌 인장 강도와의 매핑 관계를 구축함으로써, 환경 빅데이터에 대한 특징화 처리를 완성하였다.
특징화 처리된 환경 누적 손상 시간과 대응되는 노화 시간 후의 재료 성능 변화 데이터 세트를 기반으로 그룹화하고, 중국 국내의 츙하이, 싼야 및 광저우 등 테스트 스테이션의 테스트 데이터 및 재료 성능 변화 데이터를 트레이닝 세트로 사용하여 머신 러닝 모델을 구축하는 동시에; 중국 국외의 인도의 첸나이 등 테스트 스테이션의 테스트 데이터 및 재료 성능 변화 데이터를 테스트 세트로 사용하여, 차후의 모델 검증에 적용하였다.
Python 소프트웨어를 통하여 BP 신경망 알고리즘을 이용하여 트레이닝 세트에 대하여 머신 러닝을 수행함으로써 예측 모델을 구축하되, 매개변수는 다음과 같이 설정하였다. 초기 가중치를 0으로 설정하고; 트레이닝 알고리즘으로서 “trainlm”을 사용하며; 뉴런의 수량을 8개로 설정하고, 트레이닝 세트와 검증 세트의 비율은 0.85:0.15, 학습률은 0.1로 설정하며; 검증 세트 데이터의 최대 실패 반복 연산 횟수는 26으로 설정하고; 기타 매개변수는 시스템의 기본 매개변수를 사용하였다.
특징화 처리된 중국 국외의 환경 누적 손상 시간 데이터를 입력 레이어로 사용하여, 서로 다른 누석 손상 시간 하에서의 재료 성능 변화를 예측함으로써 그 사용 수명을 얻어냈다. 도 4에 도시된 바와 같이, 인장 강도를 수명 평가 참조 성능으로 설정하고, 인장 강도가 30%일 때를 수명 종말점(초기 인장 강도는 20.74MPa, 수명 종말점 인장 강도는 6.22MPa, 대응되는 예측 모델의 Y축 차이값은 -14.52)으로 설정하였으며, 예측 모델에 PE 수명 종말점을 -14.52로 입력함으로써, 수명 종말점인 30% 인장 강도에 대응되는 시간이 20.7개월임을 산출해냈는 바, 즉 고밀도 폴리에틸렌이 인도의 첸나이에서의 사용 수명은 20.7개월임을 의미한다. 이와 동시에, 실험값과의 관련 계수의 제곱값 R2를 산출하였다. R2=98%로서 95%이상인 바, 예측 결과가 정확하다는 것을 알 수 있다.
표 3 인도 첸나이의 3년간 환경 데이터 누적 손상 시간 통계 분석
Figure pct00007
상기 내용에서는 몇가지 많이 사용되는 고분자 재료 및 중국 국외의 세개 지역을 예로 들어 본 출원의 방법의 정확성을 검증하였고, 기타 고분자 재료 및 기타 지역도 특징 매개변수 및 노화 성능 매개변수를 본 출원을 통하여 구축된 모델에 입력함으로써, 수명을 예측할 수 있다.
본 발명의 상기 실시예는 본 발명의 보호범위를 한정하려는 것이 아니고, 본 발명의 실시방식도 상기 방식에 한정되는 것이 아니다. 본 발명의 상기 내용을 기반으로, 해당 분야의 통상적인 기술 및 관용적인 수단을 결합하여, 본 발명의 상기와 같은 기본적인 기술적 사상을 벗어나지 않는 범위 않에서 본 발명에 대한 다양한 형식의 수정, 교체 및 변경은 모두 본 발명의 보호범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (8)

  1. (1) 고분자 재료를 선택하여, 서로 다른 지역에서 노화 테스트를 수행하되, 노화 과정 중에 실험 주기 내의 고분자 재료의 성능 매개변수의 변화를 수집하고, 상기 성능 매개변수의 변화를 수명 평가 지표로 사용하는 단계;
    (2) 단계 (1) 중의 대응되는 실험 주기 내의 온도, 습도 및 조도를 포함하는 환경 데이터를 수집하는 단계;
    (3) 단계 (2)에서 수집된 환경 데이터 중의 특징 데이터를 추출하여 특징 매개변수로 사용하고, 주성분 분석 방법을 이용하여 특징 매개변수에 대하여 차원 축소 및 노이즈 감소 처리를 수행하되, 그 중 특징 데이터는 서로 다른 환경 데이터 단계의 시간 누적 총합으로서 누적 손상 시간으로 정의하는 단계;
    (4) 서로 다른 지역의 누적 손상 시간 - 재료 성능 변화를 그룹화하고, 일부분 지역을 트레이닝 세트로 사용하여 수명 예측 모델의 구축하며, 나머지 지역을 테스트 세트로 사용하여 수명 예측 모델을 검증하는 단계;
    (5) 트레이닝 세트의 누석 손산 시간을 입력 매개변수로 사용하고, 트레이닝 세트의 재료 성능 변화를 출력 매개변수로 사용하며, Python 소프트웨어를 이용하여 머신 러닝 알고리즘을 구축하여 환경 빅데이터 수명 예측 모델 트레이닝을 수행하여 수명 예측 모델을 구축하는 단계; 및,
    (6) 테스트 세트의 누석 손상 시간을 입력 매개변수로 사용하여, 서로 다른 누석 손상 시간 하에서의 재료 성능 변화를 예측함으로써 그 사용 수명을 얻어내는 동시에, 실험값과의 관련 계수의 제곱값 R2를 계산하되, R2 ≥ 95%일 때 예측 결과를 신뢰할 수 있는 것으로 판정하는 단계; 를 포함하여 구성되는 것을 특징으로 하는 환경 빅데이터 및 머신 러닝 알고리즘을 기반으로 고분자 재료의 사용 수명을 예측하는 방법.
  2. 제1항에 있어서,
    단계 (1) 중의 상기 고분자 재료는 폴리스티렌, 폴리카보네이트, 폴리에틸렌 및 폴리프로필렌 중의 한가지 또는 여러가지의 복합 재료인 것을 특징으로 하는 환경 빅데이터 및 머신 러닝 알고리즘을 기반으로 고분자 재료의 사용 수명을 예측하는 방법.
  3. 제1항에 있어서,
    단계 (1) 중의 상기 노화 테스트는 자연 노화 실험, 자연 가속 노화 실험 또는 인공 가속 노화 실험인 것을 특징으로 하는 환경 빅데이터 및 머신 러닝 알고리즘을 기반으로 고분자 재료의 사용 수명을 예측하는 방법.
  4. 제1항에 있어서,
    단계 (1) 중의 상기 고분자 재료의 성능 매개변수는 광학적 성능, 역학적 성능 및 열적 성능을 포함하는 것을 특징으로 하는 환경 빅데이터 및 머신 러닝 알고리즘을 기반으로 고분자 재료의 사용 수명을 예측하는 방법.
  5. 제4항에 있어서,
    단계 (1) 중의 상기 고분자 재료의 성능 매개변수는 황색 지수, 투명도, 인장 강도, 용융 온도, 유리 전이 온도 및 초기 분해 온도 중의 한가지 또는 여러가지인 것을 특징으로 하는 환경 빅데이터 및 머신 러닝 알고리즘을 기반으로 고분자 재료의 사용 수명을 예측하는 방법.
  6. 제1항에 있어서,
    단계 (1) ~ 단계 (2) 중의 상기 실험 기간은 1~5년이고, 고분자 재료의 성능 매개변수 변화의 샘플링 간격은 1~3개월이고, 상기 환경 데이터는 1~10h 간격으로 한번씩 기록하는 것을 특징으로 하는 환경 빅데이터 및 머신 러닝 알고리즘을 기반으로 고분자 재료의 사용 수명을 예측하는 방법.
  7. 제1항에 있어서,
    단계 (3) 중의 누적 손상 시간의 취득 과정은, Python 소프트웨어를 이용하여 온도, 습도 및 조도 데이터를 통계하는 단계와, 실험 주기 내의 조분자 재료의 성능 변화 데이터와 대응되는 온도, 습도 및 조도 하에서의 시간 누적 총합을 취득하는 단계와, 고온 고습 및 고온 고조도 조건 하에서의 시간 누적 총합을 취득하는 단계를 포함하여 구성되는 것을 특징으로 하는 환경 빅데이터 및 머신 러닝 알고리즘을 기반으로 고분자 재료의 사용 수명을 예측하는 방법.
  8. 제1항에 있어서,
    단계 (5) 중의 상기 머신 러닝 알고리즘은 신경망, 서포트 벡터 머신, 랜덤 포레스트, 회귀 분석, 딥 러닝 및 Xgboost 중의 한가지 또는 여러가지인 것을 특징으로 하는 환경 빅데이터 및 머신 러닝 알고리즘을 기반으로 고분자 재료의 사용 수명을 예측하는 방법.
KR1020237011933A 2020-09-08 2020-12-01 환경 빅데이터 및 머신 러닝을 기반으로 한 고분자 재료의 사용 수명 예측 방법 KR102613725B1 (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN202010934619.5A CN112331281B (zh) 2020-09-08 2020-09-08 基于环境大数据和机器学习的高分子材料服役寿命预测方法
CN202010934619.5 2020-09-08
PCT/CN2020/133112 WO2022052333A1 (zh) 2020-09-08 2020-12-01 基于环境大数据和机器学习的高分子材料服役寿命预测方法

Publications (2)

Publication Number Publication Date
KR20230092889A true KR20230092889A (ko) 2023-06-26
KR102613725B1 KR102613725B1 (ko) 2023-12-13

Family

ID=74303092

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020237011933A KR102613725B1 (ko) 2020-09-08 2020-12-01 환경 빅데이터 및 머신 러닝을 기반으로 한 고분자 재료의 사용 수명 예측 방법

Country Status (3)

Country Link
KR (1) KR102613725B1 (ko)
CN (1) CN112331281B (ko)
WO (1) WO2022052333A1 (ko)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114023401A (zh) * 2021-10-28 2022-02-08 浙江省轻工业品质量检验研究院 一种家具用乳胶海绵的寿命预测方法
CN114034631A (zh) * 2021-11-16 2022-02-11 广州广电计量检测股份有限公司 一种高温硫化橡胶的寿命评估方法
CN114279554B (zh) * 2021-11-19 2024-06-21 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
CN114323672B (zh) * 2021-11-19 2023-08-11 中国电器科学研究院股份有限公司 一种基于深度学习的汽车耐候性零部件温度预测方法
CN116609255B (zh) * 2023-07-17 2023-09-22 张家港市卓华金属科技有限公司 一种建筑涂料的耐候性测试方法及系统
CN117690528B (zh) * 2023-12-11 2024-06-28 西南财经大学 基于分布式有限样本的多因素耦合寿命预测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190126970A (ko) * 2018-05-03 2019-11-13 주식회사 엘지화학 폴리머 소재의 물성 예측 방법
CN110927050A (zh) * 2019-09-25 2020-03-27 中国电器科学研究院股份有限公司 一种利用太阳跟踪聚光加速老化试验预测聚苯乙烯材料服役寿命的方法
CN111597759A (zh) * 2020-05-18 2020-08-28 中车永济电机有限公司 变流装置igbt剩余使用寿命预测模型的构建方法

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102004048649A1 (de) * 2004-10-06 2006-04-20 Fag Kugelfischer Ag & Co. Ohg Verfahren zur Zustandsüberwachung und Lebensdauerprognose wenigstens eines Wälzlagers in einer wälzgelagerten Vorrichtung
US7925454B1 (en) * 2008-08-20 2011-04-12 Florida Turbine Technologies, Inc. Process for determining a remaining life of a deteriorated turbine component
CN102081020B (zh) * 2010-01-26 2012-09-05 上海海事大学 基于支持向量机的材料疲劳寿命预测方法
CN103605891B (zh) * 2013-11-25 2016-09-21 国家电网公司 一种并网光伏逆变器户外运行综合效率的评价方法
CN104296888B (zh) * 2014-09-24 2017-02-15 中国电器科学研究院有限公司 用于服役寿命预测的高分子材料老化有效温度的计算方法
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
CN106199350B (zh) * 2016-06-27 2019-04-26 国网上海市电力公司 一种橡塑电缆绝缘老化状态评估方法
CN108896312A (zh) * 2018-08-08 2018-11-27 国电联合动力技术有限公司 一种风电主轴承故障预测和寿命评估系统及方法
CN109142362B (zh) * 2018-09-10 2021-01-26 中国大唐集团科学技术研究院有限公司华中分公司 一种基于bp神经网络的电厂用金属材料寿命评估方法
CN109523069A (zh) * 2018-11-01 2019-03-26 中南大学 一种利用机器学习预测充填材料强度参数的方法
CN110134988A (zh) * 2019-04-01 2019-08-16 北京航空航天大学 一种基于失效物理的器件级产品多应力强化试验剖面确定方法
CN110376003B (zh) * 2019-07-25 2021-01-26 中南大学 基于bim的智能列车整车服役寿命预测方法及其系统
CN111159827B (zh) * 2019-12-27 2021-11-30 电子科技大学 一种高铁轴承概率疲劳可靠性评估方法
CN111581893B (zh) * 2020-04-03 2022-06-17 上海理工大学 一种电驱动总成机械系统可靠性试验载荷谱的编制方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190126970A (ko) * 2018-05-03 2019-11-13 주식회사 엘지화학 폴리머 소재의 물성 예측 방법
CN110927050A (zh) * 2019-09-25 2020-03-27 中国电器科学研究院股份有限公司 一种利用太阳跟踪聚光加速老化试验预测聚苯乙烯材料服役寿命的方法
CN111597759A (zh) * 2020-05-18 2020-08-28 中车永济电机有限公司 变流装置igbt剩余使用寿命预测模型的构建方法

Also Published As

Publication number Publication date
KR102613725B1 (ko) 2023-12-13
WO2022052333A1 (zh) 2022-03-17
CN112331281A (zh) 2021-02-05
CN112331281B (zh) 2021-11-12

Similar Documents

Publication Publication Date Title
KR102613725B1 (ko) 환경 빅데이터 및 머신 러닝을 기반으로 한 고분자 재료의 사용 수명 예측 방법
CN103983595B (zh) 一种基于紫外-可见光谱处理的水质浊度解算方法
CN110927050B (zh) 一种利用太阳跟踪聚光加速老化试验预测聚苯乙烯材料服役寿命的方法
CN108872814B (zh) 一种高压电流互感器内部油纸绝缘寿命评估方法
WO2018076430A1 (zh) 一种复合绝缘材料表面硬度测试方法
CN106650043B (zh) 加速模拟试验与自然环境试验的相关性评价方法与系统
CN102122351A (zh) 一种基于rbf神经网络的管道缺陷智能识别方法
CN112179852B (zh) 一种复合绝缘子的剩余寿命预测方法和装置
CN110889234B (zh) 一种油浸式变压器内部绝缘油纸老化寿命评估方法
CN107843545A (zh) 一种模拟气候环境的高分子材料氙灯加速老化试验的设计方法
Possetti et al. Application of a long-period fibre grating-based transducer in the fuel industry
CN109615145A (zh) 一种快速预测不同老化程度基质沥青的物理性能的方法
CN107885921A (zh) 复合绝缘子棒芯老化评价方法
CN112505010A (zh) 一种基于荧光光谱的变压器故障诊断装置及方法
CN113484635A (zh) 绝缘子异常发热热源及其材料劣化特征分析方法
CN104914041A (zh) 盾构隧道弹性密封垫成品老化检测方法
CN111965167A (zh) 预测固体废弃物元素组成及热值的方法及装置
CN105093166A (zh) 一种电子式电能表的现场检验方法
Carlsson et al. The applicability of accelerated life testing for assessment of service life of solar thermal components
CN105158147B (zh) 一种用于测试密封圈材料老化的装置及方法
CN104253586B (zh) 一种太阳能电池板电气参数在线测量评价装置及方法
CN109709060B (zh) 一种沥青软化点、针入度和质量损失的测定方法
CN109269866B (zh) 快速判定电容器用聚丙烯薄膜电热老化的方法及其应用和验证方法
CN110516355A (zh) 基于预估函数模型的泄漏测试曲线趋势预测方法及系统
Elele et al. Towards Intrusive Non-Destructive Online Ageing Detection of Transformer Oil Leveraging Bootsrapped Machine Learning Models

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant