基于BP神经网络算法的橡胶配方性能预测软件

黄 乐，谭 锋，肖风亮

（广州机械科学研究院有限公司，广东 广州 510535）

橡胶制品性能与橡胶配方组分息息相关，通常橡胶制品性能数据主要依靠测试试验获取，橡胶配方设计工作具有很大的盲目性和滞后性。采用有效的模型预测橡胶制品性能不仅能够缩短新橡胶配方的研发周期，还可以节约研发成本。

橡胶配方中各组分对橡胶制品性能的影响并不是单一的，而是交互的。在多因素的影响下，橡胶制品性能测试数据与橡胶配方组分之间的关系并不是呈简单的线性关系，从而使研究复杂化。传统数据分析模型难以解决此类问题，而人工神经网络可有效解决此类疑难问题。人工神经网络不需要任何先验公式就能从已有数据中自动地归纳出规则，获得这些数据的内在规律，从而为材料科学的研究开创新的途径。

近年来，人工神经网络在预测橡胶配方性能方面的研究逐步深入[1-10]，但很少有人将其整合成工程应用软件，以方便普通橡胶配方设计人员的使用。

本工作借助Matlab软件，将基于人工神经网络的橡胶配方性能预测方法整合成可独立运行的工程应用软件，从而为橡胶配方性能预测提供一个方便、快捷的工具。

1 开发工具

1.1 BP神经网络

人工神经网络是一种旨在模仿人脑结构及其功能的信息处理系统，其研究始于20世纪40年代，迄今已有半个多世纪。目前应用的人工神经网络模型中80%～90%是BP神经网络（即误差反向传播的多层前馈式网络）或其变化形式。BP神经网络具有很强的自组织、自学习、联想和推理功能，并且具有很强的映射能力。它能够学习大量的输入与输出之间的映射关系，而不需要任何输入和输出之间的精确数学表达式，只要用已知样本数据对BP神经网络加以训练，网络就具有输入与输出之间的映射能力。BP神经网络的这种特性使其具有良好的容错性，因此非常适合用于研究非线性系统的特性。

1.2 Matlab工具箱

Matlab是由美国Mathworks公司出品的计算软件，它将矩阵计算、数值分析、数据可视化以及非线性动态系统的建模和仿真等诸多强大功能集成在一个易于使用的视窗环境中，为科学研究、工程设计以及必须进行有效数值计算的众多科学领域提供了一种全面的解决方案。

Matlab提供了现成的神经网络工具箱（Neural Network Toolbox，简称NNbox）。工具箱里有很多经典的学习算法，使用它能够快速实现对实际问题的建模求解。在解决实际问题时，应用Matlab语言构造典型神经网络的激活传递函数，编写各种神经网络设计与训练的子程序；神经网络的设计者可以根据需要调用工具箱中有关神经网络的设计训练程序。

Matlab还提供了功能强大的集成图形用户界面（graphical user interface，简称GUI）开发环境（GUIDE）。该开发环境为用户提供了12种GUI控件：触控按钮、静态文本、切换按钮、滑动条、单选按钮、可编辑文本、复选框、列表框、弹起式菜单、按钮组、面板和坐标轴。通过GUIDE功能，用户可按自己的设想来开发设计图形用户界面，实现工作目标[11]。

2 软件开发

2.1 总体设计

橡胶配方性能预测软件的总体工作流程如图1所示。

图1 橡胶配方性能预测软件的总体工作流程

登录软件后，首先需要确定此次预测的输入层、隐藏层和输出层参数（节点数）；然后选择是否使用现有神经网络进行预测，如果选“否”，则需要输入样本数据以训练新的神经网络，如果选“是”，则导入已有的神经网络；选择神经网络后，就可以根据输入的橡胶配方组分预测橡胶配方性能。

BP神经网络的训练流程如图2所示。

图2 BP神经网络的训练流程

以橡胶配方的各组分（如生胶、炭黑、硫化剂和促进剂等）含量作为神经网络训练学习样本的输入项，以橡胶配方性能（如硫化胶的拉伸强度、磨耗量、永久变形、拉断伸长率、硬度和密度等）作为神经网络训练的期望输出项，确定神经网络输入层和输出层结构。设置合适的隐藏层结构，依据BP神经网络算法，构建一个神经网络预测模型。神经网络首先随机获取各层神经元之间的连接权重，然后向神经网络输入橡胶配方中各组分含量（学习样本数据须经归一化处理），通过计算得到神经网络预测值，并将其与对应学习样本中的期望输出值进行比较，神经网络依据训练误差完成自身的一次调整（调整连接权重），不断重复这一循环过程来完善神经网络结构的各层权值，直到神经网络预测值与期望输出值之间的误差在所要求的误差范围内或者完成预先设定的学习次数后才能结束训练。

神经网络模型训练完成后就可以进入预测环节。输入未经训练的橡胶配方，利用已经训练的神经网络模型就能实现橡胶配方性能的预测，预测流程如图3所示。

图3 橡胶配方性能预测流程

2.2 界面开发

2.2.1 登录界面

点击软件，在登录界面中输入正确的用户名和密码就能进入到软件的工作界面。

2.2.2 工作界面

软件的工作界面如图4所示。工作界面主要包括5个区域：神经网络结构设置区、神经网络训练区、神经网络属性区、预测配方输入区、配方性能预测区。

图4 橡胶配方性能预测软件的工作界面

神经网络结构设置区主要用于设置输入层、隐藏层的节点以及输出层的输出变量。神经网络训练区主要用于神经网络的训练，既可以选择以前训练好的神经网络，也可以通过输入新样本来训练新的神经网络，可以通过单选框激活相应版块。神经网络属性区可以查看所采用的神经网络的误差以及保存新训练的神经网络。预测配方输入区用于输入待预测的橡胶配方组分，其中输入框的数量及名称会自动依据神经网络结构设置区的设定而改变。配方性能预测区可以对输入配方的性能进行预测，并显示预测结果。

2.3 生成软件

通过Matlab的deploytool工具将Matlab GUI编译成exe格式的可执行程序，使数值仿真程序可脱离Matlab环境运行，增强预测软件的可移植性。在编译前需安装编译器，通过在Matlab命令窗口输入mbuild-setup命令来选择合适的编译器。

3 应用实例

3.1 试验数据

选取一组丁腈橡胶（NBR）基本配方的正交试验数据[2]（如表1所示）对软件预测结果进行验证，其中第2和第7个配方为测试样本，其余配方为训练样本。

表1 正交试验数据

3.2 性能预测

将正交试验数据录入到软件中（如图5所示），其中7个训练样本用于训练神经网络，2个测试样本用于检验软件预测结果的准确性。设定学习速率为0.1、误差精度为0.000 01，训练次数为100。

图5 试验数据输入

点击神经网络属性区的神经网络误差按钮，可以查看用训练样本训练的神经网络预测的性能与训练样本的实测性能的误差曲线（如图6所示）。

图6 训练样本性能预测值与实测值的对比

测试样本性能的软件预测值与实测值的误差如表2所示。

表2 测试样本性能预测值与实测值的对比

从图6和表2可以看出，软件预测性能与实测性能的相对误差较小，说明软件预测精度较高，预测结果可靠。

4 结论

利用Matlab的神经网络工具箱和图形用户界面环境，采用BP神经网络，开发出橡胶配方性能预测软件。通过正交试验数据对性能预测结果进行验证，证实软件的预测精度较高，从而为橡胶配方性能预测和评价提供了一个方便快捷的工具。该软件具备新的神经网络训练和保存功能，可在使用中不断升级完善，还可以方便地查看预测误差，具有很好的工程应用价值。

神经网络的预测精度与神经网络结构、训练算法以及所采用的样本数量都有关系，基于神经网络的预测软件仍需进一步研究和改进。