人工神經網絡在汽車涂料老化預測中的應用

馬應斌，張　莉

(海南熱帶汽車試驗有限公司，海南瓊海 571400)

?

人工神經網絡在汽車涂料老化預測中的應用

馬應斌，張莉

(海南熱帶汽車試驗有限公司，海南瓊海 571400)

摘要：試圖利用神經網絡能快速、準確地擬合非線性函數的特點，使用大量不同種類汽車涂料自然老化試驗的色差數據進行建模。其意義在于如果能夠建立一套汽車涂料自然老化試驗中色差變化的預測模型，那么就可以在試驗中期利用已測定數據對后期變化情況進行預測，提前獲知該產品可能的耐老化性能，為汽車涂料產品的開發設計提供重要的指導性建議。

關鍵詞：廣義回歸神經網絡，汽車涂料，色差，老化

隨著中國經濟幾十年的持續高速增長，中國的汽車行業發展日益蓬勃，汽車的銷量及保有量不斷增加，具有裝飾及保護作用的汽車涂料需求量隨之增長。《2013—2017年中國汽車涂料行業產銷需求與投資預測分析報告》中稱預計到2015年，中國汽車涂料消耗量將達到62.5萬t。在汽車涂料行業中若想占得一席之地必須提升產品的品質，如研究新配方、提升工藝水平、改善工藝流程等。最終的產品還需要經過多項指標的檢測評價，在諸多評價指標中耐自然老化是很重要的一項，它在汽車涂料老化試驗中占有舉足輕重的地位，能夠最貼近模擬產品實際使用狀態，相對快速地反映出汽車涂料在實際使用過程中出現的老化問題，其真實性、可靠性是其它人工加速試驗所不能比擬的，是檢驗汽車涂料耐老化性能的最終手段。然而，試驗周期過長一直是自然老化試驗的缺點，隨著汽車涂料產品的高發展速度，汽車涂料產品的研發-投產-淘汰周期很短，過長的自然老化試驗周期不適合產品的開發設計。

為了加快自然老化試驗的周期，人們采用了很多加速性試驗方法，如加速自然老化試驗和人工加速老化試驗。加速自然老化一般是通過跟蹤太陽或者加設反光鏡等手段加快自然老化試驗進程，但其加速效果還是不能滿足產品研發的快速進程。人工加速老化試驗是通過諸如模擬陽光照射的氙燈老化箱和碳弧燈老化箱、模擬紫外輻射的紫外老化箱等人工設備考核產品老化性能的試驗。一般只能模擬一種或者幾種自然環境條件，雖然可以通過增加所模擬環境條件的強度達到加快試驗速度、減少試驗周期的目的，但是它的缺點也是非常明顯的，它并不能完全真實地反映出產品的耐老化性能。

因此，本文嘗試利用大量汽車涂料自然老化數據，使用人工神經網絡建立預測涂層老化色差模型，達到快速驗證涂層老化色差性能的目的。

1汽車涂料色差預測控制范圍

1.1人眼的色彩分辨力

CIE Lab顏色體系所表示顏色是均勻分布的，在整個體系中，由暗到明、由綠到紅、由藍到黃都是有著均勻的變化分布。雖然色差是根據人眼對色彩的視覺感官計算得出，但其又與人眼敏感度有些不同，有些顏色即便是不同的，人眼還是無法對它們進行有效區分的。換言之，在顏色空間中，顏色與顏色之間的距離小到一定程度就超出了人眼的分辨力，因此我們將人眼辨別臨界區定義為實際顏色有差異但人眼感官相同的區域。

1.2色差預測控制范圍

由于汽車涂層的顏色差異最終是由人眼評估，因此只要預測的色差值偏差在人眼不能識別或者很難識別的范圍內，那么本文都認為該預測值是可接受。

目視感覺對于顏色差別描述為：當△E*ab(總色差)=0～0.5(Trace)時，表示極其微少的差異，肉眼無法判定；△E*ab(總色差)=0.5～1.0(Slight)時，表示極少的差異，通常為一般總色差容許的范圍；當△E*ab(總色差)=1.5～3.0(Noticeable) 時，表示肉眼能感受程度的差異。結合上文各種數值，本文認為，色差預測值誤差控制在1.0較為合理，能夠符合絕大多數廠家要求，因此，本文規定當預測的色差數據誤差為±1.0時均為預測正確范疇。

2預測建模用神經網絡的篩選

2.1人工神經網絡

所謂人工神經網絡就是人們根據對人腦的理解，從信息處理的角度利用數學和物理的方法對人腦神經網絡進行抽象，并建立起一種具有智能的簡化模型。這種模型具有良好的智能特性，對于一些現代計算機無法解決的實際問題它都可以很好地解決，應用領域極為廣泛，如模式識別、自然語言理解、智能機器人、信號處理、自動控制、組合優化、預測預估、故障診斷、醫學與經濟學等領域。在預測方面比較典型的人工神經網絡是BP神經網絡[3-8]、徑向基神經網絡(RBF)[9-10]和廣義回歸神經網絡(GRNN)[11]。BP神經網絡是目前使用最廣泛的網絡，它的特點是預測精度較高，但訓練誤差收斂速度慢；RBF網絡收斂速度較BP網絡快，非線性映射能力較強；GRNN神經網絡逼近能力、分類能力、學習速度優于BP、RBF，較適合于樣本量少。為了挑選更利于油漆色板色差數據預測的神經網絡，本文設計了相關實驗對BP、RBF和GRNN進行驗證篩選。

2.2預測建模用神經網絡的篩選

實驗設計如下：首先，假定各種油漆色板在老化過程中色差的變化具有某種函數變化規律，這個函數是一個非常復雜的非線性函數，由多個變量組成。其次，利用已知函數，生成多組對應的輸入和監督數據樣本，分別用三種神經網絡進行學習和預測，分析各神經網絡預測結果的準確率和適用性。

本文用二元高階復雜函數進行測試，并且預測樣本的取值范圍大于訓練樣本，觀測比較在這種情況下三種網絡擬合程度。選定函數如式(1)：

(1)

訓練時，從[-3，3]隨機生成500組數據。為了更準確地反映三種神經網絡的預測能力，將自變量x1和x2范圍擴展為[-5，5]，步長0.1。

2.2.1BP神經網絡對于二元高階復雜函數的逼近

BP神經網絡對于復雜函數進行預測逼近時，設置訓練次數300，學習速率為0.3，最小誤差為0.0000001，預測結果見圖1。

圖1　BP神經網絡對于復雜函數的逼近

從圖1中可以看出，BP網絡對于復雜函數預測準確率大大降低，完全超出可承受的誤差范圍，所以無法用于更為復雜的涂層曝曬變化預測。

2.2.2RBF神經網絡對于二元高階復雜函數的逼近

RBF神經網絡對于復雜函數進行預測逼近時，運行結果見圖2。

圖2　BRF神經網絡對于復雜函數的逼近

從圖2中可以看出，BRF神經網絡能夠較好地逼近原函數數值，但是存在在局部范圍內生成極大或極小的死循環，如果用于預測會存在在多個區域嚴重偏離實際數值的情況。

2.2.3GRNN神經網絡對于二元高階復雜函數的逼近

GRNN神經網絡對于復雜函數進行預測逼近時，運行結果詳見圖3。

從圖3中可以看出，GRNN神經網絡能夠很好地逼近原函數數值，但是在某些范圍也會有一定的誤差，相比前兩種神經網絡其預測的準確率和可靠性是最高的同時，預測時的運行速度也是最快的。

圖3　GRNN神經網絡對于復雜函數的逼近

基于以上的驗證試驗可以看出GRNN神經網絡在復雜函數預測逼近方面具有一定的優越性，因此本文選擇使用GRNN神經網絡作為預測用網絡。

3利用GRNN對汽車涂料自然老化色差的預測

根據本文規定當預測的色差數據誤差為±1.0時均為預測正確范疇，能夠符合絕大多數廠家要求，并用色差變化值作為老化預測的判定指標。在汽車材料的研發選材階段，如果預測一種材料的耐老化性能是否合格的準確率能達到70%，那么預測結果都是可以被接受的，并且對產品研發選材具有積極的指導意義。所以只要預測準確率能達到至少70%都是在本文可接受范疇內。

利用廣義回歸神經網絡建模，預測模型建立首先要篩選學習樣本，保證樣本的準確性；其次需合理的設計網絡輸入層和網絡輸出層，即分別以不同測量周期的數據作為網絡輸入進行預測，然后對預測數據進行對比，在可接受的預測結果準確性的前提下，選擇時間最短的周期為網絡的輸入；網絡建模過程中必須確定最優平滑因子，使訓練網絡的擬合效果達到最佳，這也是建模最重要的部分；最后需要對學習好的網絡進行驗證，驗證合格后才能進行正式的預測工作。

3.1樣本的篩選與處理

本文選取的樣本為550種汽車涂層樣板2年自然老化的色差測量數據，每種樣板的測量周期均為4個月。將550組數據中的520組做為學習、訓練數據，剩余的30組數據做為未知數據用網絡預測。以上數據均按照MATLAB要求處理成行向量形式。

3.2網絡輸入層和網絡輸出層的確定

根據本文選取樣本的特點，為了獲得最佳輸入層色差值的周期節點，分別以4個月、8個月、12個月、16個月和20個月作為周期節點，即分別以0到4個月、0到8個月、0到12個月、0到16個月和0到20個月的色差數據網絡輸入，預測輸出24個月的色差值，分析選取各個節點為網絡輸入時預測結果的可接受性，在所有可接受的節點中選取所用周期時間最短的節點。

五種組合的預測結果分別見圖4、圖5、圖6、圖7、圖8。

通過實驗分析，得出以4個月、8個月、12個月、16個月和20個月為節點預測的準確率，結果見表1。

圖4　以4個月為周期節點的預測

圖5　以8個月為周期節點的預測

圖6　以12個月為周期節點的預測

圖7　以16個月為周期節點的預測

圖8　以20個月為周期節點的GRNN網絡逼近

周期節點/(個月)48121620正確率/%6070708090

以4個月的數據進行預測，準確率低于預期值，因此不適合作為輸入層節點，以8個月和12個月的數據進行預測準確率相同，都達到了預期要求，但是時間更短的8個月顯然占有優勢，而以16個月或20個月的數據進行預測準確率高，但試驗周期太長，如果經過長達20個月試驗后再對24個月數據進行預測并無實際意義。因此本文在準確率符合條件的前提下選擇了試驗時間最短的8個月作為網絡的輸入層節點。下面就以8個月作為網絡輸入為例，具體介紹GRNN預測模型建立的過程。

3.3GRNN的模型建立

3.3.1確定平滑因子

在matlab中，使用交叉驗證法尋找最優平滑因子，以選定的老化測試數據為樣本，在[0，1]范圍內設定平滑因子step為0.01，計算每個平滑因子預測值，然后選定均方差最小的平滑因子為最優值，用于實際的預測計算中。均方差的變化曲線見圖9，由圖中可以看出，最優平滑因子應當在0～0.1范圍內，根據計算值，最終確定最優平滑因子為0.04。

圖9　GRNN平滑因子的確定

3.3.2對訓練好的網絡進行檢驗

最優平滑因子確定之后，網絡已經訓練完畢，接下來需要檢驗訓練好的網絡。在520組學習、訓練樣本中隨機選取20組數據，用已訓練好的網絡對其進行預測，通過分析預測數據可以判斷網絡的收斂效果。檢驗結果如圖10，為24個月的數據預測值與實測值的對比，如圖所示預測值很好地擬合了實測值。經過對所有數據的計算，學習后的網絡對于已知數據的預測正確率達到100%，即網絡學習完畢，可以用于實際的預測工作。

圖10　24個月數據擬合的結果

3.4預測結果與分析統計

利用訓練好的網絡，對之前選取的30組未參加學習的數據進行預測，預測結果見表2，經統計，針對24個月的預測數據，在允許范圍±1.0內，正確的有24組，錯誤6組，預測正確率為80%，高于預期70%正確率，證明GRNN網絡是可以對不同種類車用涂層色差老化數據進行預測的。

表2　預測結果

續表2

序號實測值(△E*ab)預測值(△E*ab)12月16月20月24月12月16月20月24月73.23.54.65.21.92.64.54.883.33.54.54.71.92.64.54.893.13.74.84.61.92.64.54.8104.94.85.56.41.92.64.54.8114.84.85.66.31.92.64.54.8125.15.05.56.41.92.64.54.8132.02.22.92.72.12.02.52.8142.02.33.43.12.12.02.62.8152.12.13.13.12.21.92.62.8162.12.13.23.72.21.92.62.8172.22.33.23.72.21.92.62.8182.32.33.13.52.12.02.62.8190.70.50.80.60.60.70.80.8200.70.50.70.70.60.70.80.8210.70.50.80.70.60.70.80.8221.72.13.34.41.21.61.92.3231.72.23.24.11.11.51.82.1241.62.13.34.11.11.61.82.2250.50.30.40.40.60.70.70.9260.50.30.30.30.60.70.70.9270.50.30.40.30.60.70.70.9280.30.20.30.20.50.70.81.1290.30.30.20.30.50.70.81.1300.30.20.20.20.60.60.70.9

圖11　30組數據擬合結果

圖11是24個月的預測值與真實值的擬合，從圖中可以看出預測值能夠很好地擬合實測值，其中也有部分點位存在偏差，預測值小于實測值。造成上述現象的可能原因是用于學習的樣本數據覆蓋面不全，導致部分預測結果發生偏離。以后應當增多學習樣本的數據，隨著學習樣本數據種類的增多，相信預測精度也會隨之提高。

4結論

本文采用廣義回歸神經網絡對汽車涂料色差數據進行建模，研究汽車涂料自然老化色差的預測，通過實驗，主要結論如下：

(1)通過研究論證，規定了色差值預測的允許偏差范圍為1.0。所有的汽車試驗都是立足于人，汽車涂料顏色的差異最終也是由人眼評估，因此只要預測值與實測值在人眼可分辨范圍內本文都認為可接受。

(2)比較了BP神經網絡、RBF神經網絡和GRNN神經網絡在函數逼近方面的能力，通過對復雜二元函數的逼近試驗，選定了使用GRNN神經網絡對汽車涂料自然老化色差的預測。

(3)通過嘗試以不同周期節點的數據作為網絡輸入，尋找最合適的數據切分點。最終得出以8個月周期的數據作為網絡的輸入最為合適，通過較短周期的試驗數據，預測出后期的老化數據，在一定程度上彌補了自然老化試驗周期過長的弊端。

(4)以最終建立的GRNN神經網絡對未參與學習的30組涂料色差老化數據進行預測，結果表明預測正確率達到了80%，符合預期的要求。預測數據作為重要的參考因素能夠即時參與到涂料產品的設計、開發及篩選使用過程中。

由于目前數據量略少以及所用樣本不能完全代表所有車用涂料，所以通過學習、訓練所得的GRNN網絡在預測工作中預測正確率可能會出現波動，同時，此次所使用的樣本數據未能將測量時的人工誤差和儀器誤差的影響排除，所以當數據較小時，這些誤差的影響會比較嚴重，從而誤導了人工神經網絡的判定精度。

今后還應當在數據分類、篩選方面多做工作，同時，盡可能地完善樣本類型數據，使神經網絡的預測適用范圍和正確率都能夠得到提升。以后還可以考慮如何將涂料老化試驗的其它主觀評價數據加入到神經網絡，這樣就可以對涂層樣本進行綜合的預測。

參考文獻

[1] GB/T 1766-2008色漆和清漆 涂層老化的評級方法[S].

[2] 侯長林.車身外飾塑料件與車身涂層色差的改善和控制[J].現代涂料與涂裝，2010，13(8)：41-43.

[3] 韓力群.人工神經網絡教程[M].北京：北京郵電大學出版社，2006：58.

[4] Sufang Li，Mingyan Jiang. Complex-valued function approximation using an improved BP learning algorithm for wavelet neural networks[J]. Journal of Computational Information Systems，2014，10(18)：7985-7992.

[5] Sadeqi I，Zarghami R. RETRACTED ARTICLE：Some applications of BP-theorem in approximation theory[J]. Analysis in Theory and Applications，2011，27(3)：220-223.

[6] Sun G，Hoff S J，Zelle B C，et al. Development and Comparison of BP and GRNN Models to Predict Models to Predict Diurnal and Seasonal Gas and PM10 Concentrations and Emissions From Swine Building[J]. Transactions of the ASABE，2008，52(2)：685-694.

[7] Gill，Singh J，Singh B. Training back propagation neural networks with genetic algorithm for weather forecasting[C]∥ Intelligent Systems and Informatics (SISY)：2010 8th International Symposium on. Subotica：IEEE，2010：465-469.

[8] 師洪濤，楊靜玲，丁茂生，等.基于小波-BP神經網絡的短期風電功率預測方法[J].電力系統自動化，2011，35(16)：44-48.

[9] Moody，Darken C.Fast Learning in Networks of Locally-Tuned Processing Units[J].Neural Computation，1989，1(2)：281-294.

[10] Prasad Reddy P V G D，Sudha K R，Rama Sree P，et al. Software Effort Estimation using Radial Basis and Generalized Regression Neural Networks[J].JOURNAL OF COMPUTING，2010，2(5)：87-92.

[11] Donald F Specht. A General Regression Neural Network[J].IEEE Transactions on neural networks，1991，2(6)：568-576.

中圖分類號：O 69

Application of ANN in the Prediction for Automotive Coatings Weathering Test

MA Ying-bin，ZHANG Li

(Hainan Tropical Automobile Test Co.，Ltd.，Qionghai 571400，Hainan，China)

Abstract：We try to use the property that neural network can quickly and accurately fit the characteristics of nonlinear function，establish model by using a large number of different types of car coating weathering test data. It’s significance lies in the fact that it can be used to predict the late changes in the later period of the test，and to provide an important guidance for the development and design of automotive coatings.

Key words：general regression neural network，automotive coating，chromatic aberration，weathering test