基于BP神经网络的轮胎硫化质量RFV指标预测方法和系统技术方案

本发明专利技术提供一种基于BP神经网络的轮胎硫化质量RFV指标预测方法和系统，涉及神经网络预测技术领域。本发明专利技术通过基于模拟退火的鲸鱼算法优化BP神经网络，加强鲸鱼算法局部搜索能力的同时，也使算法具有跳出局部最优解的能力，算法最后获得的解也更加准确有效，提升RFV指标的预测精度。指标的预测精度。指标的预测精度。

【技术实现步骤摘要】
基于BP神经网络的轮胎硫化质量RFV指标预测方法和系统


[0001]本专利技术涉及神经网络预测
，具体涉及一种基于BP神经网络的轮胎硫化质量RFV指标预测方法、系统、存储介质及电子设备。

技术介绍

[0002]RFV(径向力波动)是指负荷轮胎在固定负荷半径和恒定速度下，每转1周自身反复出现的径向力最大波动值。该指标与轮胎高速噪声有直接关系。为了改善噪声问题，需要优化轮胎的硫化过程。在实际生产中，由于橡胶硫化过程具有不确定性和复杂性，难以确定使性能指标达到要求的硫化工艺参数的最佳组合，因此实际生产中主要靠经验确定硫化工艺条件，且需要反复调整和试验，耗时费力。
[0003]为解决试验耗时费力这一问题，现有方法通过鲸鱼算法和BP神经网络建立硫化工艺参数与RFV指标的网络模型，对RFV指标和硫化工艺参数进行预测与优化。
[0004]然而，现有方法中因鲸鱼优化算法容易陷入局部最优解，导致RFV指标的预测精度较低。

技术实现思路

[0005](一)解决的技术问题
[0006]针对现有技术的不足，本专利技术提供了一种基于BP神经网络的轮胎硫化质量RFV指标预测方法和系统，解决了现有方法中因鲸鱼优化算法容易陷入局部最优解，导致RFV指标的预测精度较低的技术问题。
[0007](二)技术方案
[0008]为实现以上目的，本专利技术通过以下技术方案予以实现：
[0009]第一方面，本专利技术提供一种基于BP神经网络的轮胎硫化质量RFV指标预测方法，包括以下步骤：/>[0010]S1、获取轮胎硫化工艺参数与轮胎质量指标径向力波动值RFV的历史数据；
[0011]S2、对所述历史数据进行归一化处理；结合经验公式，通过处理后的历史数据对神经网络进行训练，得到神经网络误差最小值，基于神经网络误差最小值，确定BP神经网络模型的拓扑结构；
[0012]S3、基于鲸鱼算法，针对轮胎硫化质量RFV指标预测场景初始化BP神经网络模型的参数；
[0013]S4、将鲸鱼个体位置作为BP神经网络模型的初始权重和阈值，BP神经网络模型的训练误差值作为适应度函数进行遍历；
[0014]S5、将鲸鱼进行搜索猎物、包围猎物或驱赶猎物并更新当前种群鲸鱼个体位置，得到原始种群；
[0015]S6、定义并随机初始化新种群，计算新种群和原始种群中鲸鱼个体适应度值并进行比较，得到最优的鲸鱼个体位置；进行退温操作，之后满足达到最大迭代数时，即停止迭
代寻优并输出鲸鱼的最优的鲸鱼个体位置，否则返回到步骤S4重新执行；
[0016]S7、将最优的鲸鱼个体位置赋值给BP神经网络模型的最佳权重和阈值，进行网络训练，得到优化后的BP神经网络模型，通过优化后的BP神经网络模型获取RFV指标预测结果。
[0017]优选的，所述结合经验公式，通过处理后的历史数据对神经网络进行训练，得到神经网络误差最小值，基于神经网络误差最小值，确定BP神经网络模型的拓扑结构，包括：
[0018]结合经验公式，对处理后的数据进行神经网络训练，根据得到的神经网络误差最小值，确定BP神经网络模型的拓扑结构，经验公式如下：
[0019][0020]其中，n为隐藏节点数，n1为输入层节点数，n2为输出层结点数，c为区间[1，10]的常数；
[0021]通过经验公式得到一组隐藏层节点数，分别带入神经网络计算各隐藏层节点数所对应的神经网络误差值，比较得到最小误差值，选取该值对应的隐藏层节点数作为最终的隐藏层节点数，从而确定BP神经网络模型的拓扑结构。
[0022]优选的，所述基于鲸鱼算法，针对轮胎硫化质量RFV指标预测场景初始化BP神经网络模型的参数，包括：
[0023]针对轮胎硫化质量RFV指标预测场景下初始化模型参数，设置鲸鱼数量N，最大迭代次数为I，初始退火温度为tem，以及初始化参数A、a、C，计算公式如下：
[0024]a＝2
‑
2*(i/I)
[0025]A＝2ar1‑
a
[0026]C＝2r2[0027]其中，a为收敛因子，随迭代次数从2递减到0，i为当前迭代次数，I为最大迭代次数；A和C为协同系数向量，r1和r2均为(0，1)的随机数。
[0028]优选的，所述将鲸鱼个体位置作为BP神经网络模型的初始权重和阈值，BP神经网络模型的训练误差值作为适应度函数进行遍历，包括：
[0029]将训练误差值error作为鲸鱼种群适应度值，计算出鲸鱼种群的最小适应度值以及最佳鲸鱼个体位置，将最佳鲸鱼个体位置作为BP神经网络模型的初始权重和阈值，根据梯度下降法更新权重和阈值，更新公式如下：
[0030][0031][0032][0033][0034]其中：μ为BP神经网络的学习率，ω1、b1分别为BP神经网络中输入层与隐藏层间的权重和阈值，ω2、b2分别为BP神经网络中隐藏层与输出层间的权重和阈值，ω
′1、b
′1分别为
ω1、b1更新后的权重与阈值，ω
′2、b
′2分别为ω2、b2更新后的权重与阈值。
[0035]优选的，将鲸鱼进行搜索猎物、包围猎物或驱赶猎物并进行位置更新，包括：
[0036]S501、生成一个0到1的随机数p，来决定鲸鱼选择寻找和包围猎物还是使用气泡网追赶，若p<0.5则执行步骤S502，否则，执行步骤S503；
[0037]S502、鲸鱼群通过制造气泡网的方式来驱赶猎物，在一个不断缩小的圆圈内绕着猎物游动，同时沿着螺旋形路径游动并更新位置，位置更新公式如下：
[0038][0039][0040]其中，表示鲸鱼个体与当前最优解之间的距离，是i时刻猎物的位置，是i时刻鲸鱼个体的位置，l为[
‑
1，1]之间的随机数；
[0041]S503、当|A|>1时，鲸鱼进行全局搜索猎物并更新位置；当|A|<1时，鲸鱼进行局部搜索猎物并更新位置。
[0042]优选的，所述当|A|>1时，鲸鱼进行全局搜索猎物并更新位置；当|A|<1时，鲸鱼进行局部搜索猎物并更新位置，包括：
[0043]当|A|>1时，鲸鱼群会进行随机寻找猎物阶段，即鲸鱼群会随机选择一个鲸鱼个体，并向当前随机鲸鱼个体更新鲸鱼群的位置；
[0044][0045][0046]其中，表示为当前选择的随机鲸鱼个体与其他鲸鱼个体间的距离，是i时刻随机一个鲸鱼个体的位置，是i时刻其他鲸鱼个体的位置，是随机向量。
[0047]当|A|<1时，鲸鱼群会进行包围猎物阶段，即鲸鱼群会向当前最优鲸鱼个体进行局部搜索猎物并更新位置；
[0048][0049][0050]其中，表示为当前最优鲸鱼个体与其他鲸鱼个体间的距离，是i时刻最优鲸鱼个体的位置，是i时刻其他鲸鱼个体的位置，是i时刻其他鲸鱼个体的位置，是随机向量。
[0051]优本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于BP神经网络的轮胎硫化质量RFV指标预测方法，其特征在于，包括以下步骤：S1、获取轮胎硫化工艺参数与轮胎质量指标径向力波动值RFV的历史数据；S2、对所述历史数据进行归一化处理；结合经验公式，通过处理后的历史数据对神经网络进行训练，得到神经网络误差最小值，基于神经网络误差最小值，确定BP神经网络模型的拓扑结构；S3、基于鲸鱼算法，针对轮胎硫化质量RFV指标预测场景初始化BP神经网络模型的参数；S4、将鲸鱼个体位置作为BP神经网络模型的初始权重和阈值，BP神经网络模型的训练误差值作为适应度函数进行遍历；S5、将鲸鱼进行搜索猎物、包围猎物或驱赶猎物并更新当前种群鲸鱼个体位置，得到原始种群；S6、定义并随机初始化新种群，计算新种群和原始种群中鲸鱼个体适应度值并进行比较，得到最优的鲸鱼个体位置；进行退温操作，之后满足达到最大迭代数时，即停止迭代寻优并输出鲸鱼的最优的鲸鱼个体位置，否则返回到步骤S4重新执行；S7、将最优的鲸鱼个体位置赋值给BP神经网络模型的最佳权重和阈值，进行网络训练，得到优化后的BP神经网络模型，通过优化后的BP神经网络模型获取RFV指标预测结果。2.如权利要求1所述的基于BP神经网络的轮胎硫化质量RFV指标预测方法，其特征在于，所述结合经验公式，通过处理后的历史数据对神经网络进行训练，得到神经网络误差最小值，基于神经网络误差最小值，确定BP神经网络模型的拓扑结构，包括：结合经验公式，对处理后的数据进行神经网络训练，根据得到的神经网络误差最小值，确定BP神经网络模型的拓扑结构，经验公式如下：其中，n为隐藏节点数，n1为输入层节点数，n2为输出层结点数，c为区间[1，10]的常数；通过经验公式得到一组隐藏层节点数，分别带入神经网络计算各隐藏层节点数所对应的神经网络误差值，比较得到最小误差值，选取该值对应的隐藏层节点数作为最终的隐藏层节点数，从而确定BP神经网络模型的拓扑结构。3.如权利要求1所述的基于BP神经网络的轮胎硫化质量RFV指标预测方法，其特征在于，所述基于鲸鱼算法，针对轮胎硫化质量RFV指标预测场景初始化BP神经网络模型的参数，包括：针对轮胎硫化质量RFV指标预测场景下初始化模型参数，设置鲸鱼数量N，最大迭代次数为I，初始退火温度为tem，以及初始化参数A、a、C，计算公式如下：a＝2
‑
2*(i/I)A＝2ar1‑
aC＝2r2其中，a为收敛因子，随迭代次数从2递减到0，i为当前迭代次数，I为最大迭代次数；A和C为协同系数向量，r1和r2均为(0，1)的随机数。4.如权利要求1所述的基于BP神经网络的轮胎硫化质量RFV指标预测方法，其特征在于，所述将鲸鱼个体位置作为BP神经网络模型的初始权重和阈值，BP神经网络模型的训练
误差值作为适应度函数进行遍历，包括：将训练误差值error作为鲸鱼种群适应度值，计算出鲸鱼种群的最小适应度值以及最佳鲸鱼个体位置，将最佳鲸鱼个体位置作为BP神经网络模型的初始权重和阈值，根据梯度下降法更新权重和阈值，更新公式如下：重和阈值，更新公式如下：重和阈值，更新公式如下：重和阈值，更新公式如下：其中：μ为BP神经网络的学习率，ω1、b1分别为BP神经网络中输入层与隐藏层间的权重和阈值，ω2、b2分别为BP神经网络中隐藏层与输出层间的权重和阈值，ω
′1、b
′1分别为ω1、b1更新后的权重与阈值，ω
′2、b
′2分别为ω2、b2更新后的权重与阈值。5.如权利要求1所述的基于BP神经网络的轮胎硫化质量RFV指标预测方法，其特征在于，将鲸鱼进行搜索猎物、包围猎物或驱赶猎物并进行位置更新，包括：S501、生成一个0到1的随机数p，来决定鲸鱼选择寻找和包围猎物还是使用气泡网追赶，若p＜0.5则执行步骤S502，否则，执行步骤S503；S502、鲸鱼群通过制造气泡网的方式来驱赶猎物，在一个不断缩小的圆圈内绕着猎物游动，同时沿着螺旋形路径游动并更新位置，位置更新公式如下：旋形路径游动并更新位置，位置...

【专利技术属性】
技术研发人员：胡小建，王跃，王之海，尹文龙，王韵玥，赵跃东，郑哲，吴小松，宋旭东，郭警中，罗毅，
申请(专利权)人：安徽维德工业自动化有限公司，
类型：发明
国别省市：