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技术

本发明专利技术公开了一种基于环境大数据和机器学习算法预测高分子材料服役寿命的方法，该方法通过提取自然环境的特征数据作为特征参数，运用主成分分析算法对特征参数数据进行降维减噪处理，把处理后的结果作为输入参数，以及对应材料的老化程度作为输出参数，将部分地区的试验数据作为训练集，利用Python软件进行环境与性能变化关系的机器学习，构建寿命预测模型，用于下一步不同地区的高分子材料服役寿命预测。该方法具有方便、快捷，准确度高等优点，能够有效减少试验工作量，可用于指导材料的耐候性提升及产品耐候性设计。候性提升及产品耐候性设计。候性提升及产品耐候性设计。

【技术实现步骤摘要】
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


[0001]本专利技术属于高分子材料服役寿命预测
，具体涉及一种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。

技术介绍

[0002]高分子材料由于一系列优异的性能和较高的性价比，其应用领域日益扩大，广泛应用于汽车、电子、电器、建筑、包装、化工、生物工程等领域装备产品中。装备产品高分子材料在加工、贮存和服役过程中随着时间的增长和各种内在和外在因素的共同作用下，高分子材料例如塑料、橡胶、涂料、油墨等会逐渐失去光泽、摧色、黄变、开裂、脱皮、脆化、及各种物理为学性能的下降，最后导致其丧失使用性能。相比于金属材料，高分子材料更容易老化，其寿命决定着装备的服役寿命。因此，高分子材料的服役寿命预测一直是行业关注的问题。
[0003]目前，现有的高分子材料服役寿命预测方法如下：
[0004](1)线性关系法。在不同的温度条件下，当材料性能P达到临界值时，老化时间t的对数与老化温度T的倒数成直线关系。线性关系法是从材料性能P随老化时间t变化服从一级反应规律推导出获得。而老化反应速率常数K和老化温度T服从阿伦尼乌斯方程式。因此，线性关系法计算公式如下：
[0005]f(P)＝Kt＝Ae-E/RT
ꢀꢀ
(式1)
[0006]式中，K为老化反应速率常数，t为时间，A为指前因子，E为反应活化能，T为温度，R为气体常数。但该方法存在严重的不足是，不同温度下的老化可能存在不同的老化机理，使得老化速率常数存在差异；同时该方法还忽略了环境湿度的影响，这就在很大程度上降低试验结果的准确性。
[0007](2)变量折合法。变量折合法本质上是一种画图的方法。根据时间温度的等效原理，将高温条件下的试验数据折算成较低温度条件下的数据。温度和时间存在如下的对应关系：
[0008]P(T1，t)＝P(T2，t/α
T
)
ꢀꢀ
(式2)
[0009]式中，P为性能，T为温度，t为时间，α
T
变换因子。该方法的局限性是设定不同温度下的老化机理及反应速率不变，其他因素不影响老化反应或影响很小，而实际服役状态下的高分子材料往往是在综合环境的协同作用下逐渐老化，这会导致预测结果与实际服役寿命存在较大差别。
[0010](3)数学模型法。通过拟合温度、湿度、辐照对大部分高分子材料老化的影响并参数化，获得基于各环境因素与材料服役寿命的数学关系模型。
[0011][0012]式中：f
A
为加速因子，T
f
为温度每上升10℃对材料的加速因子，根据材料的种类确定，x为有效太阳辐照因子，根据材料的种类确定，y为有效相对湿度因子，根据材料的种类
确定，I
r1
为太阳跟踪聚光加速老化试验中的年太阳紫外辐照总量，单位为兆焦每平方米(MJ/m2)，RH1为太阳跟踪聚光加速老化试验中的年平均相对湿度，T1为太阳跟踪聚光加速老化试验中的年平均温度，单位为摄氏度(℃)，I
rA
为地区A的年太阳紫外辐照总量，单位为兆焦每平方米(MJ/m2)，RH
A
为地区A的年平均相对湿度，T
A
为地区A的年平均温度，单位为摄氏度(℃)。该方法的局限性是湿度、辐照对材料的影响因素参数化拟合是基于很多种材料的平均值，不同材料受光辐照和湿度的影响存在较大的差异。这也会导致模型预测结果准确性较低。
[0013]因此，以上方法存在各种缺陷，需要开发一种新的高分子材料服役寿命预测方法。

技术实现思路

[0014]为了解决以上问题，本专利技术基于实际环境中的老化试验，通过环境因素实时监测形成环境大数据，并基于机器学习算法挖掘构建环境大数据与材料性能变化的关系，从而挖掘各个环境因素对于高分子材料的实际影响因子，开发出一种准确性更高，普适性更强的高分子材料服役寿命预测方法。
[0015]本专利技术上述所要解决的技术问题可以通过以下技术方案来实现：一种基于环境大数据和机器学习算法预测高分子材料服役寿命的方法，包括以下步骤：
[0016](1)选取高分子材料，开展不同地区老化试验，老化过程中获取实验周期内高分子材料的性能参数变化，并将所述性能参数变化作为寿命评价指标；
[0017](2)收集步骤(1)中相应实验周期内的环境数据，包括温度、湿度和辐照；
[0018](3)提取步骤(2)所得环境数据中的特征数据作为特征参数，运用主成分分析算法对特征参数数据进行降维减噪处理，其中特征数据为不同环境数据阶段的时间累积总和，定义为累计损伤时间；
[0019](4)将不同地区的累计损伤时间-材料性能变化分组，将部分地区作为训练集，用于寿命预测模型的构建，将剩余地区作为测试集，用于寿命预测模型验证；
[0020](5)将训练集的累计损伤时间作为输入参数，将训练集的材料性能变化作为输出参数，利用Python软件构建机器学习算法进行环境大数据寿命预测模型训练，形成寿命预测模型；
[0021](6)将测试集的累计损伤时间作为输入参数，预测其不同累计损伤时间下的材料性能变化，获取其服役寿命，同时，计算其与实验值的相关系数的平方值R2，当R2≥95％，预测结果可信。
[0022]因此，本专利技术方法通过高分子材料在试验站的自然老化，获取其不同老化程度下的性能数据，同时自然老化过程中，记录试验站的温度、湿度、辐照等环境数据。通过提取自然环境的特征数据(如35～36℃在半年内的累计时间、高温高湿累计时间、大于1000W/m2辐照强度累计时间等)作为特征参数，运用主成分分析(PCA算法)算法对特征参数数据进行降维减噪处理，把处理后的结果作为输入参数，以及对应材料的老化程度(如材料的黄变指数、拉伸强度、冲击强度等)作为输出参数，将国内试验站的试验数据作为训练集，利用Python软件进行环境与性能变化关系的机器学习，构建寿命预测模型，用于下一步不同地区的高分子材料服役寿命预测。
[0023]在上述基于环境大数据和机器学习算法预测高分子材料服役寿命的方法中：
[0024]优选的，步骤(1)中所述的高分子材料为聚苯乙烯、聚碳酸酯、聚乙烯和聚丙烯中的一种或几种的复合材料。
[0025]优选的，步骤(1)中所述不同地区包括国内琼海、三亚、广州和国外沙特阿拉伯吉达、法国萨那里、印度金奈。
[0026]优选的，步骤(1)中所述老化试验为自然老化实验、自然加速老化实验或人工加速老化实验。
[0027]优选的，步骤(1)中所述高分子材料的性能参数包括光学性能、力学性能和热性能。
[0028]优选的，步骤(1)中所述高分子材料的性能参数为黄色指数、透明度、拉伸强度、熔融温度、玻璃化转变温度和初始分解温度中的一种或几种。
[0029]步骤(1)～步骤(2)中实验周期、取样间隔和环境数据记录时间等可根据实际实验过程进行调整，其中取样间隔和环境数据的记录时间可根据实验周期长短进本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于环境大数据和机器学习算法预测高分子材料服役寿命的方法，其特征是包括以下步骤：(1)选取高分子材料，开展不同地区老化试验，老化过程中获取实验周期内高分子材料的性能参数变化，并将所述性能参数变化作为寿命评价指标；(2)收集步骤(1)中相应实验周期内的环境数据，包括温度、湿度和辐照；(3)提取步骤(2)所得环境数据中的特征数据作为特征参数，运用主成分分析算法对特征参数数据进行降维减噪处理，其中特征数据为不同环境数据阶段的时间累积总和，定义为累计损伤时间；(4)将不同地区的累计损伤时间-材料性能变化分组，将部分地区作为训练集，用于寿命预测模型的构建，将剩余地区作为测试集，用于寿命预测模型验证；(5)将训练集的累计损伤时间作为输入参数，将训练集的材料性能变化作为输出参数，利用Python软件构建机器学习算法进行环境大数据寿命预测模型训练，形成寿命预测模型；(6)将测试集的累计损伤时间作为输入参数，预测其不同累计损伤时间下的材料性能变化，获取其服役寿命，同时，计算其与实验值的相关系数的平方值R2，当R2≥95％，预测结果可信。2.根据权利要求1所述的基于环境大数据和机器学习算法预测高分子材料服役寿命的方法，其特征是：步骤(1)中所述的高分子材料为聚苯乙烯、聚碳酸酯、聚乙烯和聚丙烯中的一种或几种的复合材料。3.根据权利要求1所述的基于环境大数据和机器学习算法预测高分子材料服役寿命的方法，...

【专利技术属性】
技术研发人员：覃家祥，李淮，陶友季，时宇，张晓东，
申请(专利权)人：中国电器科学研究院股份有限公司，
类型：发明
国别省市：