基于bp神经网络的轮胎硫化质量rfv指标预测方法和系统
技术领域
1.本发明涉及神经网络预测技术领域，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。
背景技术：2.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。
3.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。
4.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。
技术实现要素：5.(一)解决的技术问题
6.针对现有技术的不足，本发明提供了一种基于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。
7.(二)技术方案
8.为实现以上目的，本发明通过以下技术方案予以实现：
9.第一方面，本发明提供一种基于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：
10.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；
11.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；
12.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；
13.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；
14.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；
15.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；
16.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。
17.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：
18.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＝2ar
1-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]
优选的，所述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，包括：
[0052]
定义并随机初始化新种群，计算适应度，将新种群适应度值与原始种群相比较，若新种群个体适应度小于原始种群，则将新种群的个体位置替换原始种群的个体位置，反之，以概率公式计算的概率θ接受新种群的个体位置，得到最优的鲸鱼个体位置；
[0053][0054]
其中，概率公式表示新种群鲸鱼个体适应度劣于原始种群鲸鱼个体时的调整概率，f
sa
(xj)为新种群第j个鲸鱼个体的适应度值，f(xj)为原始种群第j个鲸鱼个体的适应度值，tem代表当前退火温度。
[0055]
第二方面，本发明提供一种基于bp神经网络的轮胎硫化质量rfv指标预测系统，所述系统包括：
[0056]
数据获取模块，用于执行步骤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；
[0057]
模型结构确定模块，用于执行步骤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；
[0058]
初始化参数模块，用于执行步骤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；
[0059]
遍历模块，用于执行步骤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；
[0060]
位置更新模块，用于执行步骤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；
[0061]
寻优退火模块，用于执行步骤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，否则返回遍历模块重新执行步骤s4；
[0062]
预测模块，用于执行步骤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。
[0063]
第三方面，本发明提供一种计算机可读存储介质，其存储用于基于鲸鱼算法优化bp神经网络的轮胎硫化质量rfv指标预测的计算机程序，其中，所述计算机程序使得计算机执行如上述所述的基于bp神经网络的轮胎硫化质量rfv指标预测方法。
[0064]
第四方面，本发明提供一种电子设备，包括：
[0065]
一个或多个处理器；
[0066]
存储器；以及
[0067]
一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如上述所述的基于bp神经网络的轮胎硫化质量rfv指标预测方法。
[0068]
(三)有益效果
[0069]
本发明提供了一种基于bp神经网络的轮胎硫化质量rfv指标预测方法和系统。与现有技术相比，具备以下有益效果：
[0070]
本发明采用神经网络进行轮胎硫化后的rfv指标预测，比传统硫化实验数据分析预测更快更高效，而且即可为后续优化工艺提供模型基础，又可实现硫化结果可视化。同
时，本发明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。
附图说明
[0071]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0072]
图1为本发明实施例中基于bp神经网络的轮胎硫化质量rfv指标预测方法的框图；
[0073]
图2为本发明实施例中改进鲸鱼算法的流程示意图。
具体实施方式
[0074]
为使本发明实施例的目的、技术方案和优点更加清楚，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0075]
本技术实施例通过提供一种基于bp神经网络的轮胎硫化质量rfv指标预测方法和系统，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，利用模拟退火算法使整个算法具有跳出局部最优解的能力，改善了鲸鱼算法在优化过程中出现陷入局部最优的这一缺点，实现提升rfv指标预测结果的准确度。
[0076]
本技术实施例中的技术方案为解决上述技术问题，总体思路如下：
[0077]
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，解决了传统的试验方法耗时费力的问题。然而，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。为解决这一问题，本发明实施例利用模拟退火算法使整个算法具有跳出局部最优解的能力，提升rfv指标的预测精度。
[0078]
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
[0079]
本发明实施例提供一种基于bp神经网络的轮胎硫化质量rfv指标预测方法，如图1所示，该方法包括：
[0080]
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；
[0081]
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；
[0082]
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；
[0083]
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；
[0084]
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；
[0085]
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；
[0086]
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。
[0087]
本发明实施例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。
[0088]
下面对各个步骤进行详细描述：
[0089]
在步骤s1中，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。具体实施过程如下：
[0090]
通过mes系统收集获取轮胎硫化工艺参数(硫化温度t，硫化时间t，硫化压力f)的历史数据与轮胎质量指标径向力波动值rfv的历史数据。
[0091]
在步骤s2中，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。具体实施过程如下：
[0092]
s201、对所述历史数据进行归一化处理，其归一化处理的公式如下；
[0093][0094]
其中：x为历史数据中归一化前的各个变量，即硫化温度t，硫化时间t，硫化压力f以及径向力波动值rfv；max(x)、min(x)分别为历史数据的最大值和最小值y为归一化后的变量，归一化后变量符号不变。
[0095]
需要说明的是，各类数据分别进行归一化处理。
[0096]
s202、根据神经网络的误差最小值，计算bp神经网络的隐藏层节点数，确定bp神经网络模型的拓扑结构。具体实施过程如下：
[0097]
根据经验公式计算的节点数区间，结合网络训练计算神经网络的误差最小值，来确定bp神经网络的隐藏层节点数，经验公式如下：
[0098][0099]
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。由此得出隐藏层n取[3，12]中的整数，经计算，取隐藏层数n＝6的时候，神经网络误差值最小，由此建立一个3
×6×
4的bp神经网络结构。在具体实施过程中，将n取[3，12]中每一个数，分别代入bp神经网络进行训练，得出与之对应的误差值，取最小误差值对应的n值，即为所取隐藏层数，这一步已经省略并直接得出，后面使用的都是该参数值。需要说明的是，训练过程中，以硫化温度t，硫化时间t，硫化压力f作为bp神经网络模型的输入，质量指标数据作为bp神经网络模型的输出。
[0100]
在步骤s3中，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。具体实施过程如下：
[0101]
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：
[0102]
a＝2-2*(i/i)
[0103]
a＝2ar
1-a
[0104]
c＝2r2[0105]
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。
[0106]
在步骤s4中，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。具体实施过程如下：
[0107]
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：
[0108][0109][0110][0111][0112]
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。
[0113]
改进鲸鱼算法的流程如图2所示。
[0114]
在步骤s5中，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。具体实施过程如下：
[0115]
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。
[0116]
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。
[0117][0118][0119]
其中，表示鲸鱼个体与猎物(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。
[0120]
s503、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；
[0121][0122][0123]
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。
[0124]
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；
[0125][0126][0127]
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。
[0128]
在步骤s6中，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。具体实施过程如下：
[0129]
定义并随机初始化新种群，计算适应度，将新种群适应度值与原始种群相比较，若新种群个体适应度小于原始种群，则将新种群的个体位置替换原始种群的个体位置，反之，以概率公式计算的概率θ接受新种群的个体位置，得到最优的鲸鱼个体位置，保存适应度最优的鲸鱼个体，并进行退温操作，概率公式、退温操作公式如下；
[0130]
概率公式：
[0131][0132]
退温操作公式：
[0133]
tem＝0.99*tem
[0134]
其中，概率公式表示新种群鲸鱼个体适应度劣于原始种群鲸鱼个体时的调整概率，f
sa
(xj)为新种群第j个鲸鱼个体的适应度值，f(xj)为原始种群第j个鲸鱼个体的适应度值，tem代表当前退火温度，退温操作公式表示更新当前退火温度。
[0135]
在步骤s7中，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。具体实施过程如下：
[0136]
将s6得到的最优的鲸鱼个体位置赋值给bp神经网络的最佳权重和阈值，进行网络训练，得到优化后的bp神经网络模型，将合理范围内的硫化温度t，硫化时间t，硫化压力f输入到优化后的bp神经网络模型中，输出rfv指标预测结果。
[0137]
本发明实施例还提供一种基于bp神经网络的轮胎硫化质量rfv指标预测系统，该
系统包括：
[0138]
数据获取模块，用于执行步骤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；
[0139]
模型结构确定模块，用于执行步骤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；
[0140]
初始化参数模块，用于执行步骤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；
[0141]
遍历模块，用于执行步骤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；
[0142]
位置更新模块，用于执行步骤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；
[0143]
寻优退火模块，用于执行步骤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，否则返回遍历模块重新执行步骤s4；
[0144]
预测模块，用于执行步骤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。
[0145]
可理解的是，本发明实施例提供的基于鲸鱼算法优化bp神经网络的轮胎硫化质量rfv指标预测系统与上述基于bp神经网络的轮胎硫化质量rfv指标预测方法相对应，其有关内容的解释、举例、有益效果等部分可以参考基于bp神经网络的轮胎硫化质量rfv指标预测方法中的相应内容，此处不再赘述。
[0146]
本发明实施例还提供一种计算机可读存储介质，其存储用于基于鲸鱼算法优化bp神经网络的轮胎硫化质量rfv指标预测计算机程序，其中，所述计算机程序使得计算机执行如上述所述的基于bp神经网络的轮胎硫化质量rfv指标预测方法。
[0147]
本发明实施例还提供一种电子设备，包括：
[0148]
一个或多个处理器；
[0149]
存储器；以及
[0150]
一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如上述所述的基于bp神经网络的轮胎硫化质量rfv指标预测方法。
[0151]
综上所述，与现有技术相比，具备以下有益效果：
[0152]
1、本发明实施例采用神经网络进行轮胎硫化后的rfv指标预测，比传统硫化实验数据分析预测更快更高效，而且即可为后续优化工艺提供模型基础，又可实现硫化结果可视化。同时，本发明实施例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。
[0153]
2、对鲸鱼算法中的的收敛因子a的计算公式进行改进，利用改进后的鲸鱼算法优
化bp神经网络的初始权重和阈值，改善了鲸鱼算法在优化过程中出现陷入局部最优的这一缺点，实现优化过程中协调局部搜索，提高局部开发能力，进一步提升轮胎硫化质量rfv指标预测精度。
[0154]
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0155]
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
技术特征：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＝2ar
1-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，位置更新公式如下：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；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。6.如权利要求5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：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；向当前随机鲸鱼个体更新鲸鱼群的位置；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。
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；搜索猎物并更新位置；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。7.如权利要求1～6任一所述的基于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，包括：定义并随机初始化新种群，计算适应度，将新种群适应度值与原始种群相比较，若新种群个体适应度小于原始种群，则将新种群的个体位置替换原始种群的个体位置，反之，以概率公式计算的概率θ接受新种群的个体位置，得到最优的鲸鱼个体位置；其中，概率公式表示新种群鲸鱼个体适应度劣于原始种群鲸鱼个体时的调整概率，f
sa
(x
j
)为新种群第j个鲸鱼个体的适应度值，f(x
j
)为原始种群第j个鲸鱼个体的适应度值，tem代表当前退火温度。8.一种基于bp神经网络的轮胎硫化质量rfv指标预测系统，其特征在于，所述系统包括：数据获取模块，用于执行步骤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；模型结构确定模块，用于执行步骤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；初始化参数模块，用于执行步骤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；遍历模块，用于执行步骤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；位置更新模块，用于执行步骤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；寻优退火模块，用于执行步骤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，否则返回遍历模块重新执行步骤s4；预测模块，用于执行步骤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。
9.一种计算机可读存储介质，其特征在于，其存储用于基于鲸鱼算法优化bp神经网络的轮胎硫化质量rfv指标预测的计算机程序，其中，所述计算机程序使得计算机执行如权利要求1～7任一所述的基于bp神经网络的轮胎硫化质量rfv指标预测方法。10.一种电子设备，其特征在于，包括：一个或多个处理器；存储器；以及一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如权利要求1～7任一所述的基于bp神经网络的轮胎硫化质量rfv指标预测方法。
技术总结本发明提供一种基于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
受保护的技术使用者：安徽维德工业自动化有限公司
技术研发日：2022.06.23
技术公布日：2022/11/1
