摘要
橡胶配方好坏决定着橡胶产品质量的高低，橡胶产品性能与多种因素相关，实现橡胶配方参数设计存在较高难度以及较高成本。现有橡胶配方设计多采用多项式回归模型以及神经网络模型反映橡胶产品性能与配合剂之间的复杂关系，但多项式回归模型受限于拟合能力有限，神经网络模型受限于数据样本量大，使得在橡胶配方参数设计时难以满足实际需求，为此本文开展了如下研究： 首先，引入高斯过程回归等代理模型，研究高斯过程回归模型刻画配合剂用量与橡胶产品性能之间的作用关系。在对比分析不同代理模型的基础上，分别采用数值仿真生成数据和实际实验设计真实数据进行性能预测，通过百分比绝对误差，验证高斯过程回归更适合于橡胶配方参数设计过程中。 其次，为解决高斯过程回归中参数估计问题，使用一种改进的布谷鸟搜索算法,将混沌序列加入布谷鸟搜索，增加种群多样性且容易跳出局部极值，并采用自适应步长搜索策略和自适应发现概率策略，平衡算法的局部搜索与全局搜索能力，提高算法效率和质量。 最后，在试验设计安排实际物理实验和测试数据的基础上，使用熵权损失函数和满意度函数将多指标响应问题转化为单指标优化问题，通过上述算法获得最终的橡胶配方参数设计结果。研究结果表明：与其它模型相比，选取高斯过程回归模型作为橡胶产品配方过程的代理模型，并使用质量损失函数处理橡胶配方多指标优化问题，可实现橡胶产品低成本和高性能设计目标。
NETL