一种涂料配方性能预测方法与流程

本发明涉及涂料配方智能设计，特别涉及一种涂料配方性能预测方法。

背景技术：

1、涂料配方性能预测是涂料研发的重要环节，通过在实验室制漆前对待测配方性能进行初步评估，有助于筛除不合理配方并减少实验试错。现有技术主要包括纯数据驱动模型、机理模型和人工智能综合预测三类。纯数据驱动模型以xgboost、随机森林、支持向量回归、神经网络等为核心，建立配方组成到性能指标的直接映射，但其预测能力高度依赖训练样本覆盖的配方空间，引入新原料或推向极端比例时外推能力弱，且通常直接以原料名称和添加比例作为输入，缺乏对涂料性能形成机理的利用，容易受数据泄漏、批次偶然性和伪相关因素影响，对训练阶段未出现的新原料难以正确处理，模型黑盒特性也限制了可解释性。机理模型依据颜料体积浓度、临界颜料体积浓度、当量比、固体份等理论参数通过确定性公式计算，物理意义明确，但只能覆盖有限的可量化参数，对附着力、耐盐雾性、硬度等复杂工程性能缺乏直接预测能力，且难以将高维原料信息映射至统一特征空间并随新增数据自适应调整。人工智能综合预测方法虽尝试结合数据驱动与领域描述符，但特征体系仍以人工固定特征或通用描述符为主，未建立面向目标漆种和待预测性能的性能特征候选池，难以形成差异化的有效特征集合，也缺乏同时兼顾统计显著性和涂料领域知识一致性的筛选机制。

2、进一步分析可知，现有技术在特征构建与选择层面存在共性不足：未针对目标漆种和待预测性能建立包含配方组成特征、理论参数、通用机理特征和性能特定机理特征的统一候选池；缺乏基于历史实测数据对候选特征进行统计筛选和约束校验的机制，容易保留伪相关特征或误删必要机理特征；对训练阶段未出现的新原料、未包含的已知原料以及计算关键特征时数据缺失的情形缺乏系统处理，易造成特征映射错误或外推不可靠；通常仅输出单一预测值，未判断是否超出训练数据覆盖范围，也未生成预测可靠性等级；未建立原始配方组成、机理特征、机器学习预测结果与历史实测数据的确定性融合机制。因此，如何确定目标漆种并构建性能特征候选池，基于历史实测数据对候选特征进行统计筛选和约束校验，得到有效特征集合，并基于该有效特征集合调用机器学习模型进行性能预测，成为本领域需要解决的技术问题。

技术实现思路

1、本发明实施例的目的是提供一种涂料配方性能预测方法，通过针对待测涂料配方的待预测性能构建包含配方组成特征、理论参数、通用机理特征和性能特定机理特征的性能特征候选池，并基于与目标漆种和待预测性能对应的历史配方实测数据对候选特征先进行统计筛选、再对经统计筛选后保留的候选特征进行约束校验，得到与待测性能对应的有效特征集合，提高了涂料配方性能预测中特征表达与目标漆种及待预测性能的针对性和预测结果的可靠性，解决了现有技术中特征构建依赖人工固定特征或原始配方比例、数据驱动与涂料领域知识脱节、训练样本覆盖不足时外推预测不可靠的问题。

2、为解决上述技术问题，本发明实施例的第一方面提供了一种涂料配方性能预测方法，包括如下步骤：

3、s1，获取待测涂料配方，并确定所述待测涂料配方所属的目标漆种。

4、s2，针对所述待测涂料配方的待预测性能，构建性能特征候选池，所述性能特征候选池为候选特征的集合，至少包括基于所述待测涂料配方确定的配方组成特征、由所述待测涂料配方计算得到的理论参数、适用于多个性能指标的通用机理特征以及与所述待测性能对应的性能特定机理特征，以及测试条件、关键特征缺失标记和组合特征中的至少一种。

5、s3，获取与所述目标漆种和所述待测性能对应的历史配方实测数据，基于所述历史配方实测数据对所述性能特征候选池中的候选特征先进行统计筛选，再对经所述统计筛选后保留的候选特征进行约束校验，得到与所述待测性能对应的候选特征子集，将所述候选特征子集作为与所述待测性能对应的有效特征集合。所述统计筛选为基于所述历史配方实测数据计算候选特征与所述待测性能之间的统计关联指标并据此保留或删除候选特征，所述约束校验为根据预置的涂料性能机理规则删除不符合所述预置的涂料性能机理规则的候选特征。

6、s4，基于所述有效特征集合，调用与所述待测性能对应的机器学习模型，对所述待测涂料配方进行性能预测，得到所述待测涂料配方的性能预测结果。

7、进一步地，步骤s2中所述针对所述待测涂料配方的待预测性能，构建性能特征候选池，包括：

8、s21，根据所述待测涂料配方和所述目标漆种，确定所述待测性能对应的候选特征来源，所述候选特征来源包括配方组成特征、理论参数、通用机理特征和性能特定机理特征，以及测试条件、关键特征缺失标记和组合特征，所述配方组成特征基于所述待测涂料配方中原料的唯一原料标识和添加比例确定，所述唯一原料标识为预置原料标识体系中用于唯一标识一种原料的标识信息。

9、s22，根据所述候选特征来源和所述唯一原料标识，构建固定维度的候选特征列，所述配方组成特征对应的候选特征与所述唯一原料标识一一对应，所述理论参数、所述通用机理特征和所述性能特定机理特征分别与预置的特征标识对应。

10、s23，从所述候选特征列中排除与所述待测性能实测值存在关联的候选特征，所述关联包括直接关联和间接关联，所述直接关联为候选特征本身即为所述待测性能实测值或其衍生统计量，所述间接关联为候选特征能够唯一确定所述待测性能实测值的取值。

11、s24，将所述待测涂料配方对应的测试条件、关键特征缺失标记以及根据预设特征构造规则生成的组合特征纳入所述候选特征列，汇总为所述性能特征候选池。所述关键特征缺失标记为用于表征计算所述配方组成特征、理论参数、通用机理特征或性能特定机理特征时所需数据缺失、或者所述待测涂料配方中某原料功能类别对应的全部原料均未包含在所述待测涂料配方中的状态。

12、进一步地，步骤s22中所述构建固定维度的候选特征列，还包括：

13、s2211，识别所述待测涂料配方中在历史配方实测数据对应的建模样本中未出现的新原料。

14、s2212，确定所述新原料在预置原料功能类别体系中对应的功能类别，所述预置原料功能类别体系为预先设定的用于对原料按功能进行分类的体系。

15、s2213，判断所述功能类别是否属于与所述待测性能相关的原料功能类别。

16、s2214，若所述功能类别属于与所述待测性能相关的原料功能类别，则统计所述新原料在所述待测涂料配方中的质量占比，作为分布外识别统计量。所述质量占比为所述新原料在混合后涂料中的绝对质量分数。所述分布外识别统计量不作为机器学习模型的输入特征。

17、s2215，将所述分布外识别统计量与预设触发阈值进行比较，若所述分布外识别统计量达到所述预设触发阈值，则将所述待测性能标记为分布外状态，并输出分布外预警信息以及终止所述待测性能的性能预测。

18、进一步地，步骤s22中所述构建固定维度的候选特征列，还包括：

19、s2221，对于所述待测涂料配方中未包含的已知原料，确定所述已知原料在预置原料功能类别体系中对应的功能类别。

20、s2222，判断所述功能类别在所述待测涂料配方中是否整体缺失，所述整体缺失为所述功能类别对应的全部原料均未包含在所述待测涂料配方中。

21、s2223，若所述功能类别在所述待测涂料配方中整体缺失，则生成关键特征缺失标记，所述关键特征缺失标记用于在步骤s24中作为独立候选特征纳入所述候选特征列。所述关键特征缺失标记为表示所述功能类别对应的全部原料均未包含在所述待测涂料配方中的标识。

22、s2224，若所述功能类别在所述待测涂料配方中未整体缺失，则将所述已知原料对应的候选特征设置为空值标记，所述空值标记为区别于有效数值范围的预设哨兵值。

23、进一步地，步骤s3中所述基于所述历史配方实测数据对所述性能特征候选池中的候选特征进行统计筛选，包括：

24、s311，按照基础配方系列、原料批次和采集时间对所述历史配方实测数据进行分组，在保持组别隔离和时间隔离的条件下划分训练数据集和验证数据集。所述基础配方系列为具有相同成膜树脂体系和固化剂体系的配方集合。所述分组为将具有相同基础配方系列标识和相同原料批次标识的历史样本归为同一历史样本组。所述组别隔离为同一历史样本组内的历史样本不跨越所述训练数据集和所述验证数据集，所述时间隔离为采集时间较晚的历史样本不进入所述训练数据集。

25、s312，基于所述训练数据集计算所述候选特征与所述待测性能之间的统计关联指标，并基于所述验证数据集对所述候选特征执行重复交叉验证，统计所述候选特征被选中的频率和关联方向在所述重复交叉验证中保持一致的程度。所述统计关联指标为表征候选特征与所述待测性能之间相关程度或重要性程度的指标，所述关联方向为所述候选特征与所述待测性能之间的正相关关系或负相关关系。

26、s313，根据所述统计关联指标、所述被选中的频率和所述关联方向保持一致的程度确定综合筛选得分，保留达到预设准入阈值和预设稳定性阈值的候选特征，删除未达到所述预设准入阈值或未达到所述预设稳定性阈值的候选特征。

27、s314，若候选特征属于预置的知识强制保留特征集合，则即使未达到所述预设准入阈值或未达到所述预设稳定性阈值，仍将其保留在候选特征子集中并标记为知识强制保留特征，记录所述知识强制保留特征的缺失状态和消融评价结果。所述知识强制保留特征集合为根据涂料性能形成机理预先确定的、对所述待测性能具有必要影响且不可由其他候选特征替代的候选特征集合。

28、进一步地，步骤s312中所述基于所述训练数据集计算所述候选特征与所述待测性能之间的统计关联指标，并基于所述验证数据集对所述候选特征执行重复交叉验证，包括：

29、s3121，基于所述训练数据集，分别计算所述候选特征与所述待测性能之间的互信息、置换重要性或样本级贡献，将计算结果作为所述统计关联指标。

30、s3122，基于所述验证数据集，对所述候选特征执行重复交叉验证，在每一次交叉验证中记录所述候选特征是否被选中，并在所述候选特征被选中时记录所述候选特征与所述待测性能之间的关联方向。

31、s3123，根据多次交叉验证的记录，统计所述候选特征被选中的频率，以及所述关联方向在所述重复交叉验证中保持一致的程度。

32、s3124，对经所述步骤s313保留的候选特征，在独立验证数据上执行消融验证，保留使所述机器学习模型的预测误差降低或使等级评价指标改善的候选特征，删除使所述预测误差升高或使所述等级评价指标恶化的候选特征。所述等级评价指标为用于评价所述机器学习模型对所述待测性能的等级划分准确程度的指标。所述独立验证数据为未参与相应筛选和校验的历史配方实测数据。

33、进一步地，步骤s313中所述根据所述统计关联指标、所述被选中的频率和所述关联方向保持一致的程度确定综合筛选得分，包括：

34、s3131，将所述统计关联指标确定为预测贡献项，将所述被选中的频率确定为选择稳定性项，将所述关联方向保持一致的程度确定为方向稳定性项，将对候选特征执行预置涂料性能机理规则校验所得到的涂料性能机理一致性结果确定为涂料性能机理一致性项，将与已选候选特征之间的冗余程度确定为冗余度项。所述涂料性能机理一致性项为用于计算所述综合筛选得分的评分项，所述涂料性能机理一致性结果为候选特征与预置的涂料性能机理规则之间的一致程度。

35、s3132，按照预置的加权系数对所述预测贡献项、所述选择稳定性项、所述方向稳定性项、所述涂料性能机理一致性项和所述冗余度项进行加权求和，得到所述候选特征的综合筛选得分。

36、s3133，将所述综合筛选得分与预设准入阈值进行比较，并将所述被选中的频率与预设稳定性阈值进行比较，保留同时达到所述预设准入阈值和所述预设稳定性阈值的候选特征，删除未达到所述预设准入阈值或未达到所述预设稳定性阈值的候选特征。

37、进一步地，步骤s3中基于所述历史配方实测数据对所述性能特征候选池中的候选特征进行约束校验，包括：

38、s321，对经所述统计筛选后保留的候选特征，根据原料功能类别和反应关系执行机理一致性校验，删除与预置的涂料性能机理规则不一致的候选特征。所述预置的涂料性能机理规则为根据涂料性能形成机理预先确定的、候选特征与所述待测性能之间允许的关联关系。

39、s322，对经所述机理一致性校验后保留的候选特征，根据所述候选特征的量纲是否属于所述待测性能对应的允许量纲集合，以及所述候选特征的取值范围是否位于预设取值范围之内，删除量纲不属于所述允许量纲集合或取值范围超出所述预设取值范围的候选特征。

40、s323，对经所述量纲一致性校验后保留的候选特征，根据预置的单调性规则执行影响方向校验，删除影响方向与所述预置的单调性规则不一致的候选特征。

41、s324，对经所述影响方向校验后保留的候选特征，执行共线性检查和消融验证，所述消融验证为在经所述约束校验中前述各步骤保留后的候选特征上执行的最终确认性消融验证，保留在独立验证数据上使所述机器学习模型的预测误差降低或使所述等级评价指标改善的候选特征，将最终保留的候选特征作为约束校验后的候选特征子集。所述共线性检查为计算候选特征之间的相关系数，并在所述相关系数高于预设相关系数阈值时，删除所述候选特征中与已保留候选特征之间冗余度较高的候选特征。所述独立验证数据为未参与相应筛选和校验的历史配方实测数据。

42、进一步地，步骤s321中所述根据原料功能类别和反应关系执行机理一致性校验，包括：

43、s3211，确定所述候选特征所对应原料在预置原料功能类别体系中的功能类别。

44、s3212，确定所述候选特征所对应原料在所述待测涂料配方中参与的反应关系。

45、s3213，根据预置的涂料性能机理规则，判断所述功能类别和所述反应关系是否属于与所述待测性能相关的允许组合。

46、s3214，若所述功能类别和所述反应关系不属于所述允许组合，则删除所述候选特征；若所述功能类别和所述反应关系属于所述允许组合，则保留所述候选特征。

47、s3215，根据预置的原料相容性规则库，判断所述候选特征所对应原料的功能类别和反应关系与所述待测涂料配方中其他原料的功能类别和反应关系之间是否存在禁止共同使用的组合；若存在所述禁止共同使用的组合，则删除所述禁止共同使用的组合中涉及的全部候选特征。

48、进一步地，步骤s323中所述根据预置的单调性规则执行影响方向校验，包括：

49、s3231，确定所述候选特征与所述待测性能之间的关联方向。

50、s3232，读取所述待测性能对应的预置单调性规则。

51、s3233，判断所述关联方向与所述预置单调性规则是否一致。

52、s3234，若所述关联方向与所述预置单调性规则不一致，则删除所述候选特征；若所述关联方向与所述预置单调性规则一致，则保留所述候选特征，并将所述关联方向记录为所述候选特征的预期影响方向，同时记录所述候选特征的特征标识及其对应的预期影响方向。所述预期影响方向为所述候选特征与所述待测性能之间允许的正相关关系或负相关关系。

53、相应地，本发明实施例的第二方面提供了一种涂料配方性能预测系统，基于上述预测方法对涂料配方性能进行预测，包括

54、数据获取模块，用于获取待测涂料配方，并确定所述待测涂料配方所属的目标漆种；

55、候选池构建模块，用于针对所述待测涂料配方的待预测性能，构建性能特征候选池，所述性能特征候选池为候选特征的集合，至少包括基于所述待测涂料配方确定的配方组成特征、由所述待测涂料配方计算得到的理论参数、适用于多个性能指标的通用机理特征以及与所述待测性能对应的性能特定机理特征，以及测试条件、关键特征缺失标记和组合特征中的至少一种；

56、筛选校验模块，用于获取与所述目标漆种和所述待测性能对应的历史配方实测数据，基于所述历史配方实测数据对所述性能特征候选池中的候选特征先进行统计筛选，再对经所述统计筛选后保留的候选特征进行约束校验，得到与所述待测性能对应的候选特征子集，将所述候选特征子集作为与所述待测性能对应的有效特征集合；所述统计筛选为基于所述历史配方实测数据计算候选特征与所述待测性能之间的统计关联指标并据此保留或删除候选特征，所述约束校验为根据预置的涂料性能机理规则删除不符合所述预置的涂料性能机理规则的候选特征；

57、性能预测模块，用于基于所述有效特征集合，调用与所述待测性能对应的机器学习模型，对所述待测涂料配方进行性能预测，得到所述待测涂料配方的性能预测结果。

58、相应地，本发明实施例的第三方面提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行上述涂料配方性能预测方法。

59、相应地，本发明实施例的第四方面提供了一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现上述涂料配方性能预测方法。

60、本发明实施例的上述技术方案具有如下有益的技术效果：

61、1. 通过针对待测涂料配方的待预测性能构建包含配方组成特征、理论参数、通用机理特征和性能特定机理特征的性能特征候选池，并基于与目标漆种和待预测性能对应的历史配方实测数据对候选特征先进行统计筛选、再对经统计筛选后保留的候选特征进行约束校验，得到与待测性能对应的有效特征集合，本技术将数据驱动筛选与涂料领域知识校验有机融合，使有效特征集合同时满足统计显著性和机理一致性，提高了涂料配方性能预测中特征表达与目标漆种及待预测性能的针对性和预测结果的可靠性，解决了现有技术中特征构建依赖人工固定特征或原始配方比例、数据驱动与涂料领域知识脱节、训练样本覆盖不足时外推预测不可靠的问题；

62、2. 通过识别待测涂料配方中在历史配方实测数据对应的建模样本中未出现的新原料，确定其功能类别并在属于相关原料功能类别时统计其质量占比作为分布外识别统计量，且不将该统计量作为机器学习模型的输入特征，同时在达到预设触发阈值时标记分布外状态并输出分布外预警信息以及终止该性能预测，本技术有效避免了新原料被错误映射至已有原料或者其质量占比直接输入模型导致的外推失真，并通过对未包含已知原料判断功能类别是否整体缺失、生成关键特征缺失标记或者设置空值标记，系统化地处理了配方中原料缺失和功能类别整体缺失的情形，提高了训练数据覆盖不足、存在新原料或原料缺失时涂料配方性能预测的可信度和安全性；

63、3. 通过基于验证数据集对候选特征执行重复交叉验证，统计候选特征被选中的频率以及关联方向在重复交叉验证中保持一致的程度，并将方向稳定性项与预测贡献项、选择稳定性项、涂料性能机理一致性项和冗余度项共同纳入综合筛选得分，同时对属于知识强制保留特征集合的候选特征即使未达到统计阈值仍予以保留并记录其缺失状态和消融评价结果，本技术使有效特征集合的筛选过程能够识别并剔除统计显著但关联方向不稳定的伪相关特征，防止具有明确物理化学意义的必要机理特征被误删，并通过记录候选特征的预期影响方向及特征标识，提高了特征选择过程的可追溯性、可复现性和模型预测结果的可解释性。