人工神经网络在汽车涂料老化预测中的应用

马应斌，张　莉

(海南热带汽车试验有限公司，海南琼海 571400)



人工神经网络在汽车涂料老化预测中的应用

马应斌，张莉

(海南热带汽车试验有限公司，海南琼海 571400)

摘要：试图利用神经网络能快速、准确地拟合非线性函数的特点，使用大量不同种类汽车涂料自然老化试验的色差数据进行建模。其意义在于如果能够建立一套汽车涂料自然老化试验中色差变化的预测模型，那么就可以在试验中期利用已测定数据对后期变化情况进行预测，提前获知该产品可能的耐老化性能，为汽车涂料产品的开发设计提供重要的指导性建议。

关键词：广义回归神经网络，汽车涂料，色差，老化

随着中国经济几十年的持续高速增长，中国的汽车行业发展日益蓬勃，汽车的销量及保有量不断增加，具有装饰及保护作用的汽车涂料需求量随之增长。《2013—2017年中国汽车涂料行业产销需求与投资预测分析报告》中称预计到2015年，中国汽车涂料消耗量将达到62.5万t。在汽车涂料行业中若想占得一席之地必须提升产品的品质，如研究新配方、提升工艺水平、改善工艺流程等。最终的产品还需要经过多项指标的检测评价，在诸多评价指标中耐自然老化是很重要的一项，它在汽车涂料老化试验中占有举足轻重的地位，能够最贴近模拟产品实际使用状态，相对快速地反映出汽车涂料在实际使用过程中出现的老化问题，其真实性、可靠性是其它人工加速试验所不能比拟的，是检验汽车涂料耐老化性能的最终手段。然而，试验周期过长一直是自然老化试验的缺点，随着汽车涂料产品的高发展速度，汽车涂料产品的研发-投产-淘汰周期很短，过长的自然老化试验周期不适合产品的开发设计。

为了加快自然老化试验的周期，人们采用了很多加速性试验方法，如加速自然老化试验和人工加速老化试验。加速自然老化一般是通过跟踪太阳或者加设反光镜等手段加快自然老化试验进程，但其加速效果还是不能满足产品研发的快速进程。人工加速老化试验是通过诸如模拟阳光照射的氙灯老化箱和碳弧灯老化箱、模拟紫外辐射的紫外老化箱等人工设备考核产品老化性能的试验。一般只能模拟一种或者几种自然环境条件，虽然可以通过增加所模拟环境条件的强度达到加快试验速度、减少试验周期的目的，但是它的缺点也是非常明显的，它并不能完全真实地反映出产品的耐老化性能。

因此，本文尝试利用大量汽车涂料自然老化数据，使用人工神经网络建立预测涂层老化色差模型，达到快速验证涂层老化色差性能的目的。

1汽车涂料色差预测控制范围

1.1人眼的色彩分辨力

CIE Lab颜色体系所表示颜色是均匀分布的，在整个体系中，由暗到明、由绿到红、由蓝到黄都是有着均匀的变化分布。虽然色差是根据人眼对色彩的视觉感官计算得出，但其又与人眼敏感度有些不同，有些颜色即便是不同的，人眼还是无法对它们进行有效区分的。换言之，在颜色空间中，颜色与颜色之间的距离小到一定程度就超出了人眼的分辨力，因此我们将人眼辨别临界区定义为实际颜色有差异但人眼感官相同的区域。

1.2色差预测控制范围

由于汽车涂层的颜色差异最终是由人眼评估，因此只要预测的色差值偏差在人眼不能识别或者很难识别的范围内，那么本文都认为该预测值是可接受。

目视感觉对于颜色差别描述为：当△E*ab(总色差)=0～0.5(Trace)时，表示极其微少的差异，肉眼无法判定；△E*ab(总色差)=0.5～1.0(Slight)时，表示极少的差异，通常为一般总色差容许的范围；当△E*ab(总色差)=1.5～3.0(Noticeable) 时，表示肉眼能感受程度的差异。结合上文各种数值，本文认为，色差预测值误差控制在1.0较为合理，能够符合绝大多数厂家要求，因此，本文规定当预测的色差数据误差为±1.0时均为预测正确范畴。

2预测建模用神经网络的筛选

2.1人工神经网络

所谓人工神经网络就是人们根据对人脑的理解，从信息处理的角度利用数学和物理的方法对人脑神经网络进行抽象，并建立起一种具有智能的简化模型。这种模型具有良好的智能特性，对于一些现代计算机无法解决的实际问题它都可以很好地解决，应用领域极为广泛，如模式识别、自然语言理解、智能机器人、信号处理、自动控制、组合优化、预测预估、故障诊断、医学与经济学等领域。在预测方面比较典型的人工神经网络是BP神经网络[3-8]、径向基神经网络(RBF)[9-10]和广义回归神经网络(GRNN)[11]。BP神经网络是目前使用最广泛的网络，它的特点是预测精度较高，但训练误差收敛速度慢；RBF网络收敛速度较BP网络快，非线性映射能力较强；GRNN神经网络逼近能力、分类能力、学习速度优于BP、RBF，较适合于样本量少。为了挑选更利于油漆色板色差数据预测的神经网络，本文设计了相关实验对BP、RBF和GRNN进行验证筛选。

2.2预测建模用神经网络的筛选

实验设计如下：首先，假定各种油漆色板在老化过程中色差的变化具有某种函数变化规律，这个函数是一个非常复杂的非线性函数，由多个变量组成。其次，利用已知函数，生成多组对应的输入和监督数据样本，分别用三种神经网络进行学习和预测，分析各神经网络预测结果的准确率和适用性。

本文用二元高阶复杂函数进行测试，并且预测样本的取值范围大于训练样本，观测比较在这种情况下三种网络拟合程度。选定函数如式(1)：

(1)

训练时，从[-3，3]随机生成500组数据。为了更准确地反映三种神经网络的预测能力，将自变量x1和x2范围扩展为[-5，5]，步长0.1。

2.2.1BP神经网络对于二元高阶复杂函数的逼近

BP神经网络对于复杂函数进行预测逼近时，设置训练次数300，学习速率为0.3，最小误差为0.0000001，预测结果见图1。

图1　BP神经网络对于复杂函数的逼近

从图1中可以看出，BP网络对于复杂函数预测准确率大大降低，完全超出可承受的误差范围，所以无法用于更为复杂的涂层曝晒变化预测。

2.2.2RBF神经网络对于二元高阶复杂函数的逼近

RBF神经网络对于复杂函数进行预测逼近时，运行结果见图2。

图2　BRF神经网络对于复杂函数的逼近

从图2中可以看出，BRF神经网络能够较好地逼近原函数数值，但是存在在局部范围内生成极大或极小的死循环，如果用于预测会存在在多个区域严重偏离实际数值的情况。

2.2.3GRNN神经网络对于二元高阶复杂函数的逼近

GRNN神经网络对于复杂函数进行预测逼近时，运行结果详见图3。

从图3中可以看出，GRNN神经网络能够很好地逼近原函数数值，但是在某些范围也会有一定的误差，相比前两种神经网络其预测的准确率和可靠性是最高的同时，预测时的运行速度也是最快的。

图3　GRNN神经网络对于复杂函数的逼近

基于以上的验证试验可以看出GRNN神经网络在复杂函数预测逼近方面具有一定的优越性，因此本文选择使用GRNN神经网络作为预测用网络。

3利用GRNN对汽车涂料自然老化色差的预测

根据本文规定当预测的色差数据误差为±1.0时均为预测正确范畴，能够符合绝大多数厂家要求，并用色差变化值作为老化预测的判定指标。在汽车材料的研发选材阶段，如果预测一种材料的耐老化性能是否合格的准确率能达到70%，那么预测结果都是可以被接受的，并且对产品研发选材具有积极的指导意义。所以只要预测准确率能达到至少70%都是在本文可接受范畴内。

利用广义回归神经网络建模，预测模型建立首先要筛选学习样本，保证样本的准确性；其次需合理的设计网络输入层和网络输出层，即分别以不同测量周期的数据作为网络输入进行预测，然后对预测数据进行对比，在可接受的预测结果准确性的前提下，选择时间最短的周期为网络的输入；网络建模过程中必须确定最优平滑因子，使训练网络的拟合效果达到最佳，这也是建模最重要的部分；最后需要对学习好的网络进行验证，验证合格后才能进行正式的预测工作。

3.1样本的筛选与处理

本文选取的样本为550种汽车涂层样板2年自然老化的色差测量数据，每种样板的测量周期均为4个月。将550组数据中的520组做为学习、训练数据，剩余的30组数据做为未知数据用网络预测。以上数据均按照MATLAB要求处理成行向量形式。

3.2网络输入层和网络输出层的确定

根据本文选取样本的特点，为了获得最佳输入层色差值的周期节点，分别以4个月、8个月、12个月、16个月和20个月作为周期节点，即分别以0到4个月、0到8个月、0到12个月、0到16个月和0到20个月的色差数据网络输入，预测输出24个月的色差值，分析选取各个节点为网络输入时预测结果的可接受性，在所有可接受的节点中选取所用周期时间最短的节点。

五种组合的预测结果分别见图4、图5、图6、图7、图8。

通过实验分析，得出以4个月、8个月、12个月、16个月和20个月为节点预测的准确率，结果见表1。

图4　以4个月为周期节点的预测

图5　以8个月为周期节点的预测

图6　以12个月为周期节点的预测

图7　以16个月为周期节点的预测

图8　以20个月为周期节点的GRNN网络逼近

周期节点/(个月)48121620正确率/%6070708090

以4个月的数据进行预测，准确率低于预期值，因此不适合作为输入层节点，以8个月和12个月的数据进行预测准确率相同，都达到了预期要求，但是时间更短的8个月显然占有优势，而以16个月或20个月的数据进行预测准确率高，但试验周期太长，如果经过长达20个月试验后再对24个月数据进行预测并无实际意义。因此本文在准确率符合条件的前提下选择了试验时间最短的8个月作为网络的输入层节点。下面就以8个月作为网络输入为例，具体介绍GRNN预测模型建立的过程。

3.3GRNN的模型建立

3.3.1确定平滑因子

在matlab中，使用交叉验证法寻找最优平滑因子，以选定的老化测试数据为样本，在[0，1]范围内设定平滑因子step为0.01，计算每个平滑因子预测值，然后选定均方差最小的平滑因子为最优值，用于实际的预测计算中。均方差的变化曲线见图9，由图中可以看出，最优平滑因子应当在0～0.1范围内，根据计算值，最终确定最优平滑因子为0.04。

图9　GRNN平滑因子的确定

3.3.2对训练好的网络进行检验

最优平滑因子确定之后，网络已经训练完毕，接下来需要检验训练好的网络。在520组学习、训练样本中随机选取20组数据，用已训练好的网络对其进行预测，通过分析预测数据可以判断网络的收敛效果。检验结果如图10，为24个月的数据预测值与实测值的对比，如图所示预测值很好地拟合了实测值。经过对所有数据的计算，学习后的网络对于已知数据的预测正确率达到100%，即网络学习完毕，可以用于实际的预测工作。

图10　24个月数据拟合的结果

3.4预测结果与分析统计

利用训练好的网络，对之前选取的30组未参加学习的数据进行预测，预测结果见表2，经统计，针对24个月的预测数据，在允许范围±1.0内，正确的有24组，错误6组，预测正确率为80%，高于预期70%正确率，证明GRNN网络是可以对不同种类车用涂层色差老化数据进行预测的。

表2　预测结果

续表2

序号实测值(△E*ab)预测值(△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

图11　30组数据拟合结果

图11是24个月的预测值与真实值的拟合，从图中可以看出预测值能够很好地拟合实测值，其中也有部分点位存在偏差，预测值小于实测值。造成上述现象的可能原因是用于学习的样本数据覆盖面不全，导致部分预测结果发生偏离。以后应当增多学习样本的数据，随着学习样本数据种类的增多，相信预测精度也会随之提高。

4结论

本文采用广义回归神经网络对汽车涂料色差数据进行建模，研究汽车涂料自然老化色差的预测，通过实验，主要结论如下：

(1)通过研究论证，规定了色差值预测的允许偏差范围为1.0。所有的汽车试验都是立足于人，汽车涂料颜色的差异最终也是由人眼评估，因此只要预测值与实测值在人眼可分辨范围内本文都认为可接受。

(2)比较了BP神经网络、RBF神经网络和GRNN神经网络在函数逼近方面的能力，通过对复杂二元函数的逼近试验，选定了使用GRNN神经网络对汽车涂料自然老化色差的预测。

(3)通过尝试以不同周期节点的数据作为网络输入，寻找最合适的数据切分点。最终得出以8个月周期的数据作为网络的输入最为合适，通过较短周期的试验数据，预测出后期的老化数据，在一定程度上弥补了自然老化试验周期过长的弊端。

(4)以最终建立的GRNN神经网络对未参与学习的30组涂料色差老化数据进行预测，结果表明预测正确率达到了80%，符合预期的要求。预测数据作为重要的参考因素能够即时参与到涂料产品的设计、开发及筛选使用过程中。

由于目前数据量略少以及所用样本不能完全代表所有车用涂料，所以通过学习、训练所得的GRNN网络在预测工作中预测正确率可能会出现波动，同时，此次所使用的样本数据未能将测量时的人工误差和仪器误差的影响排除，所以当数据较小时，这些误差的影响会比较严重，从而误导了人工神经网络的判定精度。

今后还应当在数据分类、筛选方面多做工作，同时，尽可能地完善样本类型数据，使神经网络的预测适用范围和正确率都能够得到提升。以后还可以考虑如何将涂料老化试验的其它主观评价数据加入到神经网络，这样就可以对涂层样本进行综合的预测。

参考文献

[1] GB/T 1766-2008色漆和清漆 涂层老化的评级方法[S].

[2] 侯长林.车身外饰塑料件与车身涂层色差的改善和控制[J].现代涂料与涂装，2010，13(8)：41-43.

[3] 韩力群.人工神经网络教程[M].北京：北京邮电大学出版社，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] 师洪涛，杨静玲，丁茂生，等.基于小波-BP神经网络的短期风电功率预测方法[J].电力系统自动化，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.

中图分类号：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