[发明专利]基于BP神经网络算法对涂层老化的分析方法

说明书

技术领域

本发明涉及涂层老化的分析技术领域，具体为基于BP神经网络算法对涂层老化的分析方法。

背景技术

现有涂料因具有保护基体材料、装饰、标志、绝缘等作用被广泛使用。涂料在加工、贮存和使用过程中，由于受内外因素的综合作用，其使用性能逐渐变坏，以致最后丧失使用价值，这种现象称为“老化”。老化是一种不可逆的变化。要想绝对防止涂料老化那是不可能的，但可以通过对老化过程的研究，逐步认识和掌握涂料老化的规律性，并利用这种规律，采取恰当的防老化措施，以延缓其老化速度，提高涂料的耐老化性能，达到延长使用寿命的目的。

涂料老化试验主要有两类方法。一类是在典型或严酷的自然环境下进行老化试验，如大气老化试验、土壤试验、海水试验；另一类是在实验室用仪器设备来模拟特定的环境条件，并强化某些因素，在短期内获得试验结果，主要有针对太阳辐射、温度、湿度、有害气体、霉菌等来进行设计试验方法。本文主要是对伪装涂料在温度为60℃恒温条件下加速老化研究。

在对涂料的老化专门研究中，许多人先后建立了一些涂料老化预报模型，对不同温度，不同光照时间的老化进行研究，但是伪装涂料有其固有特征，老化评价指标与其他涂料不同。涂料的变色对于伪装效果影响最大。老化机理研究表明，老化降解主要是光引发的氧化和水解，其影响因素主要有阳光(特别是紫外线)、温度、氧气、水和污染物等。因此涂层老化的主要影响因素为太阳辐射量(与时间是线性关系)、温度。而上述的老化指标可以量化的，主要有光泽值(保光率)以及变色(色差)。因此，建立新的伪装涂料预报模型，寻求太阳辐射量与涂料保光率和色差之间的隐含关系。

神经网络系统是一个复杂的非线性动力学系统。它由大量的神经元节点组成，神经元按一定的方式连接成网络集体工作并按一定的规则调整连接强度，因此，具有人工智能的作用。近年来，BP人工神经网络在材料科学领域得到了广泛的应用。在预报高聚物物理机械性能和复合材料结构力学性能方面发挥了巨大作用。BP神经网络与其他理论建模相比较，不失为一种更为实用的模型；但多层BP网络存在自身缺陷：1)易形成局部最小而不是全局最优解；2)训练次数多，收敛慢；3)隐层和因节点选取没有理论指导；4)继承性较差。

发明内容

针对上述问题，本发明提供了一种基于BP神经网络算法对涂层老化的分析方法，建模关系数目没有限制，将其应用于伪装涂料的老化预测，灵活性和预报精度较高，可以实现全局最优解，训练次数少，收敛快；3)隐层和因节点选取采用理论指导；4)继承性较好。

其技术方案是这样的：

其由信号的正向传播与误差的反向传播过程组成；正向传播是，输入样本从输入层传入，经各隐层逐层处理后，传向输出层；若输出层的实际输出与期望的输出不符，则转入误差的反向传播阶段；误差反传是将输出误差以某种形式通过隐层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此误差信号即作为修正各单元权值的依据；这种信号正向传播与误差反向传播的各层权值调整过程，是周而复始地进行，此过程一直进行到网络输出的误差减少到可接受的程度，或进行到预先设定的次数为止；

三层前馈网中，输入向量为X＝(x₁，x₂，L，x_i，L，x_n)^T；如加入x₀＝-1，可为隐层神经元引入阈值；隐层输出向量为Y＝(y₁，y₂，L，y_i，L，y_m)^T，如加入y₀＝-1，可为输出层神经元引入阈值；输出层输出向量为O＝(o₁，o₂，L，o_k，L，o_j)^T；期望输出向量为D＝(d₁，d₂，L，d_k，L，d_j)^T；输入层到隐层之间的权值矩阵用V表示；