本申请公开了一种涂料寿命预测方法、装置、设备以及存储介质，其涂料寿命预测方法包括：预设涂料的使用温度和使用时长；将所述使用温度和所述使用时长输入至预先创建的涂料寿命预测网络模型中进行预测，得到预测的光泽度指标，其中，所述涂料寿命预测网络模型基于涂料样品的加速热老化试验数据和人工神经网络训练得到；基于所述光泽度指标计算失光率，基于所述失光率评估所述涂料在所述使用温度下的使用寿命。本申请通过结合加速热老化试验数据和人工神经网络对涂料寿命进行预测，提升了涂料寿命预测的准确度。了涂料寿命预测的准确度。了涂料寿命预测的准确度。
【技术实现步骤摘要】
涂料寿命预测方法、装置、设备以及存储介质
[0001]本申请涉及数据处理
，尤其涉及一种涂料寿命预测方法、装置、设备以及存储介质。
技术介绍
[0002]在涂料工业领域，涂料使用寿命是产品质量的重要指标。高分子涂料如高分子涂层成膜树脂，包括环氧类、聚氨酯类、丙烯酸酯类等，具有良好的装饰性和性能多样性，在汽车、航空、建筑等关系国计民生的重要行业中被广泛使用。高分子涂料由于部分化学键易被氧化、助剂可能发生迁移等原因，在使用一段时间后易出现失效现象，产生粉化、起泡、剥落、机械性能和光泽度等指标恶化的情况，给消费者带来极大不便。因此，为把控涂料质量，常需对涂料的使用寿命进行预测。
[0003]当前，涂料寿命预测方法主要有忽略涂层失效机理的灰度模型和机器学习，以及基于涂层失效机理建立的数学模型(如阿伦尼乌斯方程等)。但上述方法各有优缺点，灰色模型仅适用于接近指数型增长的数据趋势，对于受周期性外部环境影响显著或随机影响因素较多的涂层老化，该模型的预测结果可能偏差较大；机器学习对于训练数据的数量及质量要求高，对于有限的数据能够给出的计算结果可能不够准确；数学模型虽然效率高，但如阿伦尼乌斯方程(Arrhenius)等经验方程对影响因子的考虑过于理想化，当失效模式发生耦合时应用受限，进而影响寿命预测精度。
[0004]因此，针对上述问题，有必要提出一种提升涂料寿命预测准确度的方案。
技术实现思路
[0005]本申请的主要目的在于提供一种涂料寿命预测方法、装置、设备以及存储介质，旨在提升涂料寿命预测的准确度。
[0006]为实现上述目的，本申请提供一种涂料寿命预测方法，所述涂料寿命预测方法包括：
[0007]获取涂料的使用温度和使用时长；
[0008]将所述使用温度和所述使用时长输入至预先创建的涂料寿命预测网络模型中进行预测，得到预测的光泽度指标，其中，所述涂料寿命预测网络模型基于涂料样品的加速热老化试验数据和人工神经网络训练得到；
[0009]基于所述光泽度指标计算失光率，基于所述失光率评估所述涂料在所述使用温度下的使用寿命。
[0010]可选地，所述预设涂料的使用温度和使用时长的步骤之前，还包括：
[0011]基于所述涂料样品的加速热老化试验数据和所述人工神经网络训练得到所述涂料寿命预测网络模型，其中，所述加速热老化试验数据包括试验温度、试验老化周期和试验光泽度数据。
[0012]可选地，所述基于所述涂料样品的加速热老化试验数据和所述人工神经网络训练
得到所述涂料寿命预测网络模型的步骤包括：
[0013]获取预先采集的训练用的加速热老化试验数据和测试用的加速热老化试验数据，其中，所述训练用的加速热老化试验数据包括训练用的试验温度、训练用的试验老化周期和训练用的试验光泽度数据；
[0014]将所述训练用的试验温度和所述训练用的试验老化周期输入至所述人工神经网络中进行训练，得到输出的光泽度数据；
[0015]根据所述训练用的试验光泽度数据和所述输出的光泽度数据对所述人工神经网络进行优化，得到训练后的涂料寿命预测网络模型；
[0016]通过所述测试用的加速热老化试验数据对所述训练后的涂料寿命预测网络模型进行测试；
[0017]在所述训练后的涂料寿命预测网络模型通过测试的情况下，输出最终训练完成的涂料寿命预测网络模型。
[0018]可选地，所述基于所述涂料样品的加速热老化试验数据和所述人工神经网络训练得到所述涂料寿命预测网络模型的步骤之前，还包括：
[0019]将所述涂料样品制作成标准涂料试板；
[0020]通过高温试验箱对所述标准涂料试板进行加速热老化，记录所述加速热老化试验数据。
[0021]可选地，所述基于所述失光率评估所述涂料在所述使用温度下的使用寿命的步骤包括：
[0022]将所述失光率与预设临界值进行比对；
[0023]在所述失光率满足所述预设临界值的情况下，将所述使用温度和所述使用时长分别确定为所述涂料预期的使用环境和使用寿命。
[0024]可选地，所述涂料为内墙涂料，所述人工神经网络为概率神经网络PNN，创建的所述涂料寿命预测网络模型包括：输入层、模式层、求和层和输出层。
[0025]本申请实施例还提出一种涂料寿命预测装置，所述涂料寿命预测装置包括：
[0026]设置模块，用于预设涂料的使用温度和使用时长；
[0027]预测模块，用于将所述使用温度和所述使用时长输入至预先创建的涂料寿命预测网络模型中进行预测，得到预测的光泽度指标，其中，所述涂料寿命预测网络模型基于涂料样品的加速热老化试验数据和人工神经网络训练得到；
[0028]评估模块，用于基于所述光泽度指标计算失光率，基于所述失光率评估所述涂料在所述使用温度下的使用寿命。
[0029]可选地，所述涂料寿命预测装置还包括：
[0030]模型训练模块，用于基于所述涂料样品的加速热老化试验数据和所述人工神经网络训练得到所述涂料寿命预测网络模型，其中，所述加速热老化试验数据包括试验温度、试验老化周期和试验光泽度数据。
[0031]本申请实施例还提出一种涂料寿命预测设备，所述涂料寿命预测设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的涂料寿命预测程序，所述涂料寿命预测程序被所述处理器执行时实现如上所述的涂料寿命预测方法的步骤。
[0032]本申请实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储
有涂料寿命预测程序，所述涂料寿命预测程序被处理器执行时实现如上所述的涂料寿命预测方法的步骤。
[0033]本申请实施例提出的涂料寿命预测方法、装置、设备以及存储介质，其涂料寿命预测方法通过预设涂料的使用温度和使用时长；将所述使用温度和所述使用时长输入至预先创建的涂料寿命预测网络模型中进行预测，得到预测的光泽度指标，其中，所述涂料寿命预测网络模型基于涂料样品的加速热老化试验数据和人工神经网络训练得到；基于所述光泽度指标计算失光率，基于所述失光率评估所述涂料在所述使用温度下的使用寿命。通过对涂料样品进行加速热老化试验，以获得更符合涂料使用环境情况的试验数据，避免了自然老化时间长、成本高等缺陷。同时，通过结合加速热老化试验数据和人工神经网络训练得到涂料寿命预测网络模型，通过涂料寿命预测网络模型对输入的涂料使用温度和时间进行预测，并基于预测的光泽度指标对涂料进行预测寿命评定，实现了以人工神经网络代替经验方程，利用人工神经网络的拟合能力弥补了经验方程的不足，在保证效率的前提下，提升涂料寿命的预测准确度。
附图说明
[0034]图1为本申请涂料寿命预测装置所属设备的功能模块示意图；
[0035]图2为本申请涂料寿命预测方法第一示例性实施例的流程示意图；
[0036]图3为本申请涂料寿命预测方法第二示例性实施例的流程示意图；
[0037]图4为本申请涂料寿命预测方法第二示例性实施例涉及的训练本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种涂料寿命预测方法，其特征在于，所述涂料寿命预测方法包括：预设涂料的使用温度和使用时长；将所述使用温度和所述使用时长输入至预先创建的涂料寿命预测网络模型中进行预测，得到预测的光泽度指标，其中，所述涂料寿命预测网络模型基于涂料样品的加速热老化试验数据和人工神经网络训练得到；基于所述光泽度指标计算失光率，基于所述失光率评估所述涂料在所述使用温度下的使用寿命。2.根据权利要求1所述的涂料寿命预测方法，其特征在于，所述预设涂料的使用温度和使用时长的步骤之前，还包括：基于所述涂料样品的加速热老化试验数据和所述人工神经网络训练得到所述涂料寿命预测网络模型，其中，所述加速热老化试验数据包括试验温度、试验老化周期和试验光泽度数据。3.根据权利要求2所述的涂料寿命预测方法，其特征在于，所述基于所述涂料样品的加速热老化试验数据和所述人工神经网络训练得到所述涂料寿命预测网络模型的步骤包括：获取预先采集的训练用的加速热老化试验数据和测试用的加速热老化试验数据，其中，所述训练用的加速热老化试验数据包括训练用的试验温度、训练用的试验老化周期和训练用的试验光泽度数据；将所述训练用的试验温度和所述训练用的试验老化周期输入至所述人工神经网络中进行训练，得到输出的光泽度数据；根据所述训练用的试验光泽度数据和所述输出的光泽度数据对所述人工神经网络进行优化，得到训练后的涂料寿命预测网络模型；通过所述测试用的加速热老化试验数据对所述训练后的涂料寿命预测网络模型进行测试；在所述训练后的涂料寿命预测网络模型通过测试的情况下，输出最终训练完成的涂料寿命预测网络模型。4.根据权利要求2所述的涂料寿命预测方法，其特征在于，所述基于所述涂料样品的加速热老化试验数据和所述人工神经网络训练得到所述涂料寿命预测网络模型的步骤之前，还包括：将所述涂料样品制作成标准涂料试板；通过高温试验箱对所述标准涂料试板进行加速热老化，记录所述加速热老化试验数...
【专利技术属性】
技术研发人员：林鸿波，夏诗明，刘庆佳，马庆斌，张杰，
申请(专利权)人：广东省清远市质量计量监督检测所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。