基于BP人工神经网络的橡胶减振器配方设计系统及方法技术方案

本发明专利技术涉及基于BP人工神经网络的橡胶减振器配方设计系统及方法，使用神经网络建立起配方和减振器性能之间的关系模型，并利用建立的模型根据设计需求对橡胶的配方进行逆向生成最优的配方。本发明专利技术考虑橡胶配方与混炼胶性能和混炼胶与橡胶减振器性能之间的关系，合理的建立了橡胶减振器配方预测模型，根据减振器性能较为准确的预测出橡胶配方，克服了配方与性能之间的高度非线性以及多输入多输出关系导致配方设计不准确的问题。本发明专利技术设计合理、结构紧凑且使用方便。

【技术实现步骤摘要】
基于BP人工神经网络的橡胶减振器配方设计系统及方法
本专利技术涉及橡胶减振器配方设计
，具体涉及一种基于BP人工神经网络的橡胶减振器配方设计方法。
技术介绍
橡胶减振器具有形状设计自由度高，可满足各个方向刚度和强度的要求，内耗高、减振降噪效果好，质量小，安装和拆卸方便且造价低廉等优点，被广泛运用于工程机械、交通运输设备，建筑减振等现代工业的各个方面，其结构形式是两块金属板之间夹有橡胶层，利用橡胶的剪切变形达到缓冲的目的，橡胶层的各种性能直接关系着橡胶减振器的减振效果以及使用寿命。但是目前存在的橡胶减振器配方的设计方法过于繁琐，而且分析结果不可靠。如果能够准确的预测胶料配方和橡胶减振器性能之间的关系，建立目标函数，给定减振器性能参数，便能利用搜索算法搜索到符合条件的胶料配方，可以大大的减少设计成本，提高生产效率。因此更准确、更便捷的橡胶减振器配方设计方法能给各种环境下的减振器的设计带来极大的便利。目前橡胶减振器的设计方法主要是以解析法、经验设计法和有限元法为主，解析法计算量大，计算结果容易出错，只能够对结构简单的减振器进行设计；经验设计法以技术人员的研究经验为主，核心研发人员培养本文档来自技高网...

【技术保护点】
1.一种基于BP人工神经网络的橡胶减振器配方设计系统，其特征在于：包括测试并采集橡胶减振器的性能参数的设备采用万能试验机、基于神经网络算法的BP神经网络模型以及基于BP神经网络模型预测结果建立的目标函数层； BP神经网络模型包括输入层，以橡胶配方的各组分含量作为神经网络训练学习样本的输入项，并对输入项进行正交试验与归一化处理；隐含层，通过误差反传学习算法、搜索算法、以及经验公式确定；输出层，作为以橡胶配方性能作为神经网络训练的期望输出项；性能参数包括静刚度系数、动刚度系数、损耗因子、阻尼系数。

【技术特征摘要】
1.一种基于BP人工神经网络的橡胶减振器配方设计系统，其特征在于：包括测试并采集橡胶减振器的性能参数的设备采用万能试验机、基于神经网络算法的BP神经网络模型以及基于BP神经网络模型预测结果建立的目标函数层；BP神经网络模型包括输入层，以橡胶配方的各组分含量作为神经网络训练学习样本的输入项，并对输入项进行正交试验与归一化处理；隐含层，通过误差反传学习算法、搜索算法、以及经验公式确定；输出层，作为以橡胶配方性能作为神经网络训练的期望输出项；性能参数包括静刚度系数、动刚度系数、损耗因子、阻尼系数。2.一种基于BP人工神经网络的橡胶减振器配方设计方法，其特征在于:借助于基于BP人工神经网络的橡胶减振器配方设计系统，其包括测试并采集橡胶减振器的性能参数的设备采用万能试验机、基于神经网络算法的BP神经网络模型以及基于BP神经网络模型预测结果建立的目标函数层；BP神经网络模型包括输入层，以橡胶配方的各组分含量作为神经网络训练学习样本的输入项，并对输入项进行正交试验与归一化处理；隐含层，通过误差反传学习算法、搜索算法、以及经验公式确定；输出层，作为以橡胶配方性能作为神经网络训练的期望输出项；性能参数包括静刚度系数、动刚度系数、损耗因子、阻尼系数；该方法包括以下步骤：步骤一、建立橡胶配方性能预测的BP神经网络模型；首先，分别选择橡胶配方中的炭黑、云母粉、蒙脱土、硫磺、加工油的用量重量份作为变量，即变量个数A=5，进行正交试验,同时，测量的减振器的性能参数，性能参数包括静刚度系数、动刚度系数、损耗因子、阻尼系数，即性能参数个数B=4；然后，将正交试验后的变量与性能参数作为该橡胶配方性能预测的BP神经网络模型的训练样本；其次，对训练样本所用的试验数据进行归一化处理；再次，在归一化后的试验数据中选定网络结构和参数，建立BP神经网络模型；步骤二，利用训练样本对步骤一的BP神经网络模型进行训练：首先，将所给的作为输入数据的变量，从输入层传递给隐含层；然后，隐含层通过权值及激励函数进行处理，并将处理后的结果传递给输出层；其次，利用测试样本对训练好的模型进行检验，将输出层的结果同正确结果进行比较，计算得到误差；BP神经网络模型的权值参数包括网络权值、阈值的初值、以及学习速率，其中，由Matlab矩阵随机函数在（-1，1）之间指定网络权值、阈值的初值；在阈值下限选取学习速率，并同时给定计算精度和最大学习次数；步骤三，根据输出层的结果，进行反向逆推对连接权值进行反馈修正；首先，设输入层的输入数据共有k组；然后，使用这k组数据中的任务数据量，利用公式计算每一层每一单元的值，其中表示第i层每一单元的值，表示第i层的权值，为激活函数，b为下一层神经元阈值，在计算的过程中每个节点的输出值是根据上层所有节点的输出值、当前节点与上层所有节点的权值和当前节点的阀值进行加权，在作为激活函数的因变量，对步骤一已建立的BP神经网络模型进行训练；其次，通过步骤一已建立的BP神经网络计算出预测值之后，通过与真实完成试验进行比较；步骤四，通过不断修改BP神经网络模型中的权值直到收敛，首先，通过计算误差函数输出层各神经元的偏导数，其中为输出层的数据，为真实结果，利用计算出的修正权值，直至全局误差小于阈值或者学习次数达到设定的最大次数设置，即完成本次训练；步骤五，在步骤四中的BP神经网络模...

【专利技术属性】
技术研发人员：曾宪奎，贾伟臣，滕彦理，陈洪帅，曾佳，苗清，
申请(专利权)人：青岛科技大学，
类型：发明
国别省市：山东,37