[发明专利]基于极限学习机的橡胶配方性能预测模型及预测方法

说明书

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。

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。