【技术实现步骤摘要】
本专利技术涉及硅橡胶检测，具体涉及一种基于多模态数据融合的硅橡胶无损老化预测方法和系统。
技术介绍
1、硅橡胶是指主链由硅和氧原子交替构成，硅原子上通常连有两个有机基团的橡胶。普通的硅橡胶主要由含甲基和少量乙烯基的硅氧链节组成。苯基的引入可提高硅橡胶的耐高、低温性能，三氟丙基及氰基的引入则可提高硅橡胶的耐温及耐油性能。硅橡胶耐低温性能良好，一般在-55℃下仍能工作。引入苯基后，可达-73℃。硅橡胶的耐热性能也很突出，在180℃下可长期工作，稍高于200℃也能承受数周或更长时间仍有弹性，瞬时可耐300℃以上的高温。硅橡胶的透气性好，氧气透过率在合成聚合物中是最高的。此外，硅橡胶还具有生理惰性、不会导致凝血的突出特性，因此在医用领域应用广泛。
2、硅橡胶作为一种重要的工业材料，其老化性能的准确预测对于保证产品质量和延长使用寿命至关重要。现有技术中，对硅橡胶老化的评估多依赖于单一数据源，如光谱分析、物理性能测试等，难以全面反映硅橡胶的老化状态。此外，不同成分、环境条件对硅橡胶老化的影响尚未得到有效融合，导致预测模型的准确性和可靠性受限。并且，一些检测方法需要从硅橡胶产品上截取样品造成硅橡胶损坏。
技术实现思路
1、针对上述现有技术的不足，本专利技术旨在提供一种基于多模态数据融合的硅橡胶无损老化预测方法和系统，以解决现有硅橡胶老化评估预测通过单一数据进行评价造成的评估不准确的问题。
2、为了解决上述问题，本专利技术采用了如下的技术方案：
3、一方面，本专
4、通过太赫兹光谱分析硅橡胶的成分含量构成或通过硅橡胶制备时的成分占比，得成分及含量数据；
5、收集不同成分、不同厚度、密度的硅橡胶在不同温度、压缩或拉伸程度、环境湿度、电晕处理程度下随老化时间的时域光谱数据、振动响应信号时域数据和憎水性液滴面积及接触角数据；
6、采用收集的数据对深度信念网络进行训练和验证，挖掘不同成分、厚度和密度的硅橡胶在不同温度、压缩或拉伸程度、环境湿度和电晕处理程度下老化程度与老化时间的关系，得到老化预测模型；
7、将待估硅橡胶的成分数据、厚度和密度以及待估硅橡胶处于或工作状态下的温度、压缩或拉伸程度、环境湿度和/或电晕程度数据和光谱数据、振动响应信号数据和憎水性液滴面积及接触角数据输入至老化预测模型，老化预测模型输出待估硅橡胶老化程度和老化时间的关系曲线。
8、作为一种可实施方式，所述通过太赫兹光谱分析硅橡胶的成分含量构成或通过硅橡胶制备时的成分占比，得成分及含量数据，包括：
9、利用太赫兹光谱技术对硅橡胶样本进行扫描，获取其光谱数据；
10、对获取的光谱数据进行预处理，消除噪声和背景干扰，应用legendre矩方法对光谱数据进行特征提取；
11、将提取的特征用于构建样品吸光度光谱的三维图像并转换为灰度图像；
12、利用最小二乘-偏最小二乘回归模型对特征进行回归分析，得硅橡胶的成分及含量数据。
13、作为一种可实施方式，所述深度信念网络包括一个可见层和多个隐藏层，每层隐藏层具有隐藏单元多层受限玻尔兹曼机；所述受限玻尔兹曼机的能量函数为：
14、
15、其中，和分别为可见层和隐藏层的神经元状态，和是偏置项，是连接权重，网络的目标是最小化能量函数；
16、通过对受限玻尔兹曼机进行逐层训练，并将受限玻尔兹曼机学习到的特征用于下一受限玻尔兹曼机的输入，用于学习深层特征及之间的关联，实现对收集的数据的特征挖掘和融合。
17、作为一种可实施方式，所述采用收集的数据对深度信念网络进行训练和验证包括：
18、对收集的不同成分、不同厚度、密度的硅橡胶在不同温度、压缩或拉伸程度、环境湿度、电晕处理程度下随老化时间的时域光谱数据、振动响应信号时域数据和憎水性液滴面积数据进行归一化处理，形成训练集和验证集；
19、对深度信念网络中的多层受限玻尔兹曼机进行预训练，采用对比散度算法优化连接权重和偏置项；
20、使用反向传播算法对整个深度信念网络进行微调，计算每个隐藏层的连接权重和偏置项的调整量，实现对整个深度信念网络的微调；
21、当训练满足预测精度要求后，采用验证集中的数据，通过输入硅橡胶的成分数据、厚度和密度以及的温度、压缩或拉伸程度、环境湿度和/或电晕程度数据和光谱数据、振动响应信号数据和憎水性液滴面积及接触角数据，判断模型输出的老化程度与老化时间的关系是否准确。
22、作为一种可实施方式，所述憎水性液滴的面积数据的采集采用grab cut算法进行采集，包括：
23、收集憎水性液滴的原始图像；
24、选中原始图像中大致的憎水性液滴区域；
25、构建大致的憎水性液滴区域的s-t图像，将图像中的每一像素点均视为网络图中的节点；
26、根据节点之间的相似性的正相关定义网络图中各节点之间的权重；
27、确定前景和背景的相关像素点，并根据前景和背景的相关像素点确定独立节点及连接独立节点的边；
28、根据独立节点及其边和权重，构建能量函数；
29、通过多次迭代，将能量函数收敛至最小，得到图像主体与背景之间的边界节点；
30、通过对图像主体的面积进行计算，得到憎水性液滴的面积数据，通过图像主体的接触角计算，得到憎水性液滴的接触角数据。
31、另一方面，本专利技术提供一种基于多模态数据融合的硅橡胶无损老化预测系统，包括硅橡胶成分分析模块、数据采集处理模块、老化预测模型构建模块和检测模块；
32、所述硅橡胶成分分析模块用于通过太赫兹光谱分析硅橡胶的成分含量构成或通过硅橡胶制备时的成分占比，得成分及含量数据；
33、所述数据采集处理模块用于收集不同成分、不同厚度、密度的硅橡胶在不同温度、压缩或拉伸程度、环境湿度、电晕处理程度下随老化时间的时域光谱数据、振动响应信号时域数据和憎水性液滴面积及接触角数据；
34、所述老化预测模型构建模块用于采用收集的数据对深度信念网络进行训练和验证，挖掘不同成分、厚度和密度的硅橡胶在不同温度、压缩或拉伸程度、环境湿度和电晕处理程度下老化程度与老化时间的关系，得到老化预测模型；
35、所述检测模块用于将待估硅橡胶的成分数据、厚度和密度以及待估硅橡胶处于或工作状态下的温度、压缩或拉伸程度、环境湿度和/或电晕程度数据和光谱数据、振动响应信号数据和憎水性液滴面积及接触角数据输入至老化预测模型，老化预测模型输出待估硅橡胶老化程度和老化时间的关系曲线。
36、作为一种可实施方式，所述通过太赫兹光谱分析硅橡胶的成分含量构成或通过硅橡胶制备时的成分占比，得成分及含量数据，包括：
37、利用太赫兹光谱技术对硅橡胶样本进行扫描，获取其光谱数据；
38、对获取的光谱数据进行预处理，消本文档来自技高网...
【技术保护点】
1.一种基于多模态数据融合的硅橡胶无损老化预测方法，其特征在于，包括：
2.根据权利要求1所述的基于多模态数据融合的硅橡胶无损老化预测方法，其特征在于，所述通过太赫兹光谱分析硅橡胶的成分含量构成或通过硅橡胶制备时的成分占比，得成分及含量数据，包括：
3.根据权利要求1所述的基于多模态数据融合的硅橡胶无损老化预测方法，其特征在于，所述深度信念网络包括一个可见层和多个隐藏层，每层隐藏层具有隐藏单元多层受限玻尔兹曼机；所述受限玻尔兹曼机的能量函数为：
4.根据权利要求3所述的基于多模态数据融合的硅橡胶无损老化预测方法，其特征在于，所述采用收集的数据对深度信念网络进行训练和验证包括：
5.根据权利要求1所述的基于多模态数据融合的硅橡胶无损老化预测方法，其特征在于，所述憎水性液滴的面积数据的采集采用Grab Cut算法进行采集，包括：收集憎水性液滴的原始图像；选中原始图像中大致的憎水性液滴区域；
6.一种基于多模态数据融合的硅橡胶无损老化预测系统，其特征在于，包括硅橡胶成分分析模块、数据采集处理模块、老化预测模型构建模块和检测模块
7.根据权利要求6所述的基于多模态数据融合的硅橡胶无损老化预测系统，其特征在于，所述通过太赫兹光谱分析硅橡胶的成分含量构成或通过硅橡胶制备时的成分占比，得成分及含量数据，包括：
8.根据权利要求6所述的基于多模态数据融合的硅橡胶无损老化预测系统，其特征在于，所述深度信念网络包括一个可见层和多个隐藏层，每层隐藏层具有隐藏单元多层受限玻尔兹曼机；所述受限玻尔兹曼机的能量函数为：
9.根据权利要求8所述的基于多模态数据融合的硅橡胶无损老化预测系统，其特征在于，所述采用收集的数据对深度信念网络进行训练和验证包括：
10.根据权利要求6所述的基于多模态数据融合的硅橡胶无损老化预测系统，其特征在于，所述憎水性液滴的面积数据的采集采用Grab Cut算法进行采集，包括：收集憎水性液滴的原始图像；选中原始图像中大致的憎水性液滴区域；
...【技术特征摘要】
1.一种基于多模态数据融合的硅橡胶无损老化预测方法，其特征在于，包括：
2.根据权利要求1所述的基于多模态数据融合的硅橡胶无损老化预测方法，其特征在于，所述通过太赫兹光谱分析硅橡胶的成分含量构成或通过硅橡胶制备时的成分占比，得成分及含量数据，包括：
3.根据权利要求1所述的基于多模态数据融合的硅橡胶无损老化预测方法，其特征在于，所述深度信念网络包括一个可见层和多个隐藏层，每层隐藏层具有隐藏单元多层受限玻尔兹曼机；所述受限玻尔兹曼机的能量函数为：
4.根据权利要求3所述的基于多模态数据融合的硅橡胶无损老化预测方法，其特征在于，所述采用收集的数据对深度信念网络进行训练和验证包括：
5.根据权利要求1所述的基于多模态数据融合的硅橡胶无损老化预测方法，其特征在于，所述憎水性液滴的面积数据的采集采用grab cut算法进行采集，包括：收集憎水性液滴的原始图像；选中原始图像中大致的憎水性液滴区域；
6.一种基于多模态数据融合的...
【专利技术属性】
技术研发人员：方菊，陈云孝，
申请(专利权)人：深圳市锦胜有机硅科技有限公司，
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。