一種橡膠混煉過程中門尼粘度的預報方法

2023-04-30 20:10:16

專利名稱：一種橡膠混煉過程中門尼粘度的預報方法
技術領域：
本發明涉及工藝生產中的軟測量技術領域，特別涉及一種橡膠混煉過程中門尼粘 度的預報方法。
背景技術：
密煉機橡膠混煉是橡膠製造流程的第一步，它是指在密煉機中將各種配合劑混入 生膠中製成質量均勻的混煉膠的生產過程。橡膠混煉過程是橡膠加工工藝中最基本和最重 要的工藝過程之一，決定著橡膠製造後續工序的功效，對產品的性能具有相當大的影響。實 際工業生產過程中對混煉膠的質量要求主要有一、膠料的質量要保證橡膠製品具有良好 的物理機械性能；二、膠料本身要具有良好的工藝加工性能。目前，國內外大多數企業都是在橡膠混煉結束後，對混煉膠進行採樣並送到實驗 室或者快檢站檢測其質量指標，同時混煉過程得到的混煉膠一般需要等待12 24小時後 才能進入下一步工序，這樣會嚴重降低橡膠製造工業的生產效率。在橡膠混煉過程中，主要 通過控制混煉膠的門尼粘度指標來保證混煉膠的質量。因此，實時測量、預報混煉膠的門尼 粘度等指標是輪胎廠等橡膠製造企業迫切需要解決的問題。橡膠混煉過程的工業現場自動化程度相對較低，其操作參數和工況具有很強的時 變特性，如催化劑的不斷老化、設備磨損、傳感器漂移，以及定期的設備維修和清洗等等，都 會造成工業過程特性隨時間而緩慢變化。在混煉過程現場，隨著生產的進行會不斷累積大 量的過程數據，如何有效地利用這些不斷累積的數據對生產過程進行有效監控成為目前的 主要問題。橡膠混煉過程是典型的具有不可測擾動的快速、時變、非線性的間歇過程，存在以 下顯著的特點(1)尚缺乏完善的混煉理論指導，無可靠的機理模型，過程的非線性、時變 性和不確定性嚴重，過程數據噪聲大且數據之間的相關性強；(2)原材料隨批次波動較大， 配方和工藝種類繁多且變換頻繁；(3)門尼粘度的質檢費時費力且存在嚴重滯後，由於目 前工藝生產中採用抽樣檢查的方式，只能得到非常有限的質檢結果。為實現對混煉膠質量的控制，首要問題就是對橡膠混煉這一非線性過程進行建 模。由於橡膠混煉過程沒有準確的機理模型，很多重要變量無法在線測量，傳統的基於機理 的建模方法在該間歇過程中不再適用。目前已有一些基於數據驅動的建模方法和狀態預測 方法，例如偏最小二乘(PLS)等多元統計回歸方法、人工神經網絡(ANN)、模糊控制技術、小 波網絡等。以上的方法均需要大量的建模樣本，另外，人工神經網絡則存在訓練費時、拓撲 結構難確定和推廣能力差等問題，PLS等多元統計回歸方法只能提取過程的線性信息，而且 這些方法都存在處理高維數據計算複雜度高、模型不能在線更新等缺點，無法滿足工業生 產中的實時在線控制要求。基於統計學習理論的支持向量機算法與Kernel學習機理論採用結構風險最小化 原則和核技術，將低維空間中不可分的大量樣本點映射到高維空間中求得最優分類面，並 將之區分，即可將低維非線性問題轉化到高維線性問題進行線性求解，具有高準確度、所需樣本少、計算複雜度低等優點，在發酵過程的建模研究中表現出了良好的性能。然而，經過 對公開專利等相關文獻檢索，發現目前的發明更多停留在離線建模形式且只針對單輸出的 情況，無法及時融合實際生產過程中不斷出現的非線性和時變信息，不能滿足工業現場對 於實時在線控制的需求
發明內容
本發明提供了一種橡膠混煉過程中門尼粘度的預報方法，針對以上所述的現有橡 膠混煉過程實時在線建模預報技術存在的不足和缺陷，提出了一種可裁剪的Kernel在線 建模方法，可以有效地控制模型的複雜度，提高模型的泛化推廣能力，可廣泛應用於橡膠混 煉過程中的非線性建模。一種橡膠混煉過程中門尼粘度的預報方法，包括(1)將一個橡膠混煉班次內影響門尼粘度的工藝參數和該班次產品門尼粘度的集 合作為一個樣本數據，基於橡膠混煉工藝所積累的歷史樣本數據建立一個反映工藝參數和 門尼粘度之間對應關係的模型；首先選擇影響門尼粘度的工藝參數作為模型的輸入變量，比如排膠點功率、排膠 點能量等。在一個混煉班次內，這些工藝參數與該班次的門尼粘度組成一個樣本，用[Xi,m， Yi]表示，其中Xi，m表示第i個樣本(第i班次)內第m個輸入變量(工藝參數)，yi表示 該樣本的輸出變量(門尼粘度)，即一個樣本由m個輸入變量和一個輸出變量組成。用於建立初始模型的樣本個數為k，對這k個樣本建立模型，即是要找到一個基於 Kernel學習機方法建立的非線性模型函數滿足下式Yk = f(Wk,ffl,Xk,ffl)+Ek(1)式中，k為用於建模的樣本個數，m為一個樣本中工藝參數的個數，f即是待求的模 型函數，Xk,m SkXm的輸入變量矩陣，它的一個元素XiJl彡i彡k，l彡j彡m)為第i個 樣本的第j個工藝參數，用Xi表示輸入變量矩陣的一個行向量，即一個樣本內的工藝參數 集合，Yk為kXl的輸出變量矩陣，它的一個元素yi為第i個樣本的門尼粘度，Wk，m為kXm 的權值矩陣，它的一個元素Wy表示輸入變量矩陣中相應元素Xy的權值，Ek為kXl的誤 差矩陣，它的一個元素ei表示第i個樣本中門尼粘度的實際測量值yi與函數理論值之間的 誤差。由於橡膠混煉過程具有較強的非線性、時變性和不確定性，其工藝參數與最終門 尼粘度之間的關係也是非線性的，不能通過一般的建模方法來求解獲得。本發明方法採用 核學習建模技術，先採用一個非線性映射6(Xk,m) :Xk,m —Yk將樣本數據[Xk,m，Yk]由低維非 線性特徵空間映射到高維線性特徵空間，欲求的模型函數即是在此高維線性特徵空間內的 最優回歸函數，則式(1)可寫為Yk = f(Wkm,Xkm) + Ek - WlJiXkJ+ Ek(2)採用如下的等式化函數和正則化技術求解模型函數f mmj(WKm) = ^\Ekf+}a[\f\] γ>0(3)s.t. γ,-νξφ{χ )~β =0 i = \,---,k式中，J為模型求解的目標函數、s.t表示約束條件，Ω [| |f| |]為正則化項，一般取I IwkJ |2/2 ； Y為正則化參數，用於控制模型函數的光滑度，其值越大代表對誤差的懲罰 力度越強，即獲取更加光滑的模型函數；反之，越小的Y表示對誤差的懲罰力度越小，可以 獲得較複雜的擬合模型函數；特別當Y =O時，表示只考慮擬合誤差而不考慮模型函數的 複雜度，則退化成採用經驗風險最小化原則的神經網絡等傳統方法。採用拉格朗日乘子法求解上述的優化問題並採用核函數進行簡化，求解後的模型 方程為 式中，Qkjm = Pk7kPk = Hf1(5) α k,m為採用拉格朗日乘子法求解模型過程中引入的拉格朗日乘子，稱之為模型參 數。式(5)中的Kk為核矩陣，它為k階方陣，每個元素為一滿足Mercer條件的核函數。本 發明中核函數採用Gaussian核函數，其數學表式為k (X1, x2) = exp [-1 | X1-X2 | / σ 2],則核 矩陣中的一個元素ki;s (1彡i彡k，1彡s彡k)表示為ki,s = exp [-1 I Xi-Xs I I / ο 2]，其中Xi、 xs分別表示第i個、第s個樣本的工藝參數組成的行向量。Ik為k階單位矩陣。式(4)中 的k為核矩陣中的一個行向量。正則化參數Y和核函數參數σ —般由經驗值確定。在高維特徵空間中所有運算都是點積運算，由於高維特徵空間的維數 一般很大，直接計算容易導致「維數災難」的問題。本發明引入核函數方法，即 MO =〈咖;Μ⑷〉，w = 通過引入核函數，我們無需知道樣本信息從原始低維空間映射 到高維特徵空間這一具體複雜的過程，只要選擇滿足Mercer條件(非線性或線性)核函數 就能夠把高維特徵空間中的點積運算轉化為低維空間的核函數運算，從而避免了在高維空 間中直接計算的難題。(2)將模型運用到工藝線上，採集當前混煉過程的工藝參數與門尼粘度作為當前 樣本，計算模型對當前樣本的預測誤差，並判斷新樣本是否為有效樣本；在工藝線上採集一個新的樣本[xk+1,m，yk+1]，包括一個班次的m個工藝參數和門尼 粘度，將工藝參數作為輸入變量輸入步驟(1)所建立的模型中，得到輸出變量，即預測的門 尼粘度y' k+1，計算實測值與預測值之間的誤差ek+1= Iy' k+1_yk+1|，並根據此誤差是否超 過預測誤差閾值S來判斷新樣本是否為有效樣本。若ek+1 δ，則表示模型對這個 新樣本的預測能力較差，此樣本為有效樣本，需要加入模型中。調節預測誤差閾值δ的大 小，可調節模型的精度，越小的S會帶來越精確的模型。這種基於模型預測能力的判斷方 法，將不會影響模型精度的無效樣本排除在模型之外，避免模型盲目吸納新樣本所帶來的 不必要的計算量。如果新樣本為無效樣本，則採集下一個樣本，並判斷其是否為有效樣本；如果新樣本為有效樣本，則執行步驟(3)；(3)將有效樣本加入模型，並對模型進行在線動態更新；步驟(1)中建立的模型中樣本個數為k、模型參數為α k,m，加入一個有效樣本後的樣本個數為k+1，對模型參數進行在線動態更新即是要求出加入一個有效樣本後的模型參 數ak+1,m。若按照式(5)來計算α k+1,m，當模型中樣本個數越來越多，式(5)中對矩陣的求 逆運算會越來越複雜，消耗較長的計算時間，本發明將此求逆運算轉換成遞推公式，降低其 運算複雜度α k+1>m = Pk+1yk+1
(6)式中，Pk為kXk的矩陣，0表示kXl的零矩陣，0T表示IXk的零矩陣，
為(k+1) X (k+1)的矩陣；
,νk 1 = [k(Xl，xk+1), k(x2, xk+1)...，k(xk, xk+1)]T,
,vk+1 = k(xk+1，xk+1)/Y+l。採用如式(6)所示的遞推方法避免對大型 矩陣複雜的求逆運算，將運算的複雜度由0(N3)降至0(N2)。將有效樣本加入模型，並對模型參數進行在線動態更新的過程稱之為向前學習階 段，這個階段不斷將足夠影響到模型精度的有效樣本加入到模型中，根據在線工藝情況不 斷調整模型參數，提高模型對實際工藝生產的預測能力。(4)檢查模型中的樣本個數，與預設的最大樣本個數比較，通過剔除冗餘樣本使模 型的樣本個數維持在預設的最大樣本個數；模型參數更新完畢後，檢驗模型中現有樣本的個數，若現有樣本個數N沒有超過 預設的最大樣本個數N'，則繼續採集樣本數據，對其做是否為有效樣本的判斷，並基於判 斷結果進行相應的取捨操作；模型中樣本的個數一定程度上決定了模型的複雜度，為了控制模型的複雜度，需 要預先設置模型的最大樣本個數，否則樣本的數量激增會導致模型變得極其複雜，運算量 龐大，預報實時性下降。模型中每加入一個有效樣本，即要檢驗加入有效樣本之後的現有樣 本個數是否超過預設的最大樣本個數。當現有樣本個數N為N' +1時，即開始對模型樣本個 數進行裁剪，將冗餘樣本從現有模型中剔除。最大樣本個數N'的數值一般取750 1000。將某一個樣本從模型中剔除，模型樣本個數由N' +1降為N'個，由剩餘的N'個 樣本計算模型參數αΝ,…來求出這個被剔除的樣本的預測誤差，這個誤差定義為被剔除樣 本的剔除預測誤差，冗餘樣本即為剔除預測誤差最小的樣本，將之剔除對模型精度的影響 最小。由於剔除不同的樣本之後，模型對剔除樣本的預測誤差不同，採用剔除冗餘樣本的方 法，可以在控制模型複雜度的同時最大程度的保存模型精度。由此需要計算N' +1個樣本的剔除預測誤差，然後選擇剔除預測誤差最小的樣本 作為冗餘樣本將其從模型中剔除。傳統方法計算樣本的剔除預測誤差，先將該樣本剔除，計 算出剩餘N'個樣本時的模型參數,m，用該模型參數計算假設被剔除的樣本預測誤差。 這樣需要進行N' +1次的重複操作，計算量龐大。本發明通過簡化技術，找到樣本的剔除預 測誤差與剔除冗餘樣本之前的模型參數之間的關係，避免重複計算N' +1次模型參數。第 i個樣本的剔除預測誤差與剔除冗餘樣本之前的模型參數 +1,m的關係為θ = α ^Pi i = 1，...，N' +1(7)式中，α i為+1,ffl的第i個行向量，Pi為運用式(6)計算剔除冗餘樣本之前的 Pn, +1的第i個行向量。由於、和？1在加入第N' +1個有效樣本時已經計算得到了，採用如式(7)的簡化方法，可以極大精簡計算量，運算的複雜度由0(N3)降至0(N2)。 步驟(1)中用於建立初始模型的樣本個數k一般遠小於預設的最大樣本個數N'， 將初始模型運用到實際工藝線上後不斷將新的有效樣本加入進模型中，模型的樣本個數開 始逐漸增加，一直增加到N'時，並不立即執行冗餘樣本的檢查、剔除操作，模型還會吸收 一個新的有效樣本，使模型的樣本個數增加為N' +1，則開始執行冗餘樣本的檢查、剔除操 作，使模型的樣本個數降為N'。此後，模型的樣本個數將一直控制為N'個。這種剔除冗餘樣本的過程稱之為向後學習階段，可以有效防止非線性模型的動態 漂移，使模型更好的適應工藝過程的時變特性。相較於傳統直接剔除最舊樣本的滑動時間 窗方法，本方法能夠保證被剔除的樣本對原模型造成的損失最小；(5)接收工藝線上的樣本數據，基於以上方法建立一個可在線實時更新的模型；接收新的樣本，判斷其是否為有效樣本，按照以上方法不斷對模型進行在線更新， 通過吸收有效樣本、剔除冗餘樣本的動態過程，提高模型對門尼粘度的預報精度，建立一個 可在線實時更新的模型。(6)使用所建立的模型基於生產過程的工藝參數對橡膠混煉過程的門尼粘度進行 在線預報。本發明方法首先採用Kernel核技術和正則化技術以較少的樣本建立一個初始模 型，然後採集在線的新樣本，判斷其為有效樣本之後，加入到模型中，並對模型參數進行在 線實時更新。當樣本個數超過預設的最大樣本個數後基於裁剪技術將模型的樣本個數控制 在預設的最大樣本個數，通過剔除冗餘樣本、加入新的有效樣本，不斷對模型參數進行在線 修正，提高模型對門尼粘度的預報精度，並通過在線採集的工藝數據預報出高精度的門尼 粘度。本發明基於可裁剪的Kernel在線建模方法，對橡膠混煉過程進行建模，克服了傳 統橡膠混煉過程在線建模收斂效果差、計算量大、實時性能差的缺點，通過對樣本的選擇性 吸收，在不斷提高模型精度的同時有效控制模型複雜度，可應用於橡膠混煉過程中的非線 性建模，實現橡膠混煉過程中門尼粘度的實時在線預報。


圖1是本發明對橡膠混煉過程建模並預報門尼粘度的流程圖。
具體實施例方式如圖1所示，一種橡膠混煉過程中門尼粘度的預報方法包括以下步驟(1)選擇合適的工藝參數，建立樣本庫；由於橡膠混煉過程中涉及種類繁多的配方、不同型號的密煉機以及混煉工藝，無 法建立單一固定的模型，只有根據過程的特性建立不同的模型進行門尼粘度的預報才具有 可行性。因此，本具體實施方式
不考慮橡膠密煉過程中相對固定不變的因素(例如密煉機 機型、母煉/終煉工藝等)，在線模型的更新只針對橡膠混煉過程中可能變化的因素。橡膠 混煉過程中，產生了大量的工業現場數據，如配方、混煉時間、溫度、能耗、壓力、橡膠硬度、 混煉工藝等。由於橡膠混煉過程中的特徵工藝參數選取尚缺乏有效的理論指導，根據工藝 人員的經驗以及主元成分分析方法，選取與橡膠混煉過程中門尼粘度預測密切相關的工藝參數作為特徵變量，具體的特徵變量選取如下工藝參數排膠點功率Xta ；排膠點能量xt,2 ；排膠點時間xt,3 ；加油點功率xt,4 ；力口 油點能量Xt,5 ；加油點時間Xt,6 ；投炭黑點能量Xt,7 ；投炭黑溫度Xt,8 ；混煉初始溫度Xt,9 ；混煉膠門尼粘度yt; 以上數據中的下標t表示這些數據來自同一混煉班次。該樣本庫中一共採集了 t 個班次的生產數據，得到t個樣本。現場採集同一配方的工藝參數以及相應的混煉膠門尼粘度組成樣本[xt,9，yt]，按 配方形成模型的樣本庫。考慮到橡膠混煉過程中原料經常波動，配方和工藝變換較為頻繁， 有必要針對不同的配方確定不同的特徵變量。因此，以上確定的特徵變量和樣本只是針對 某一特定配方，本發明方法應用於不同的間歇過程需要根據實際情況做一定的調整；(2)對現有的樣本數據進行離線建模；模型方程如式子(4)、(5)所示，其中核函數k選用Gaussian核函數，其數學表式 為K(xi，x2) = exp[-I |χι-χ2| l/o2]，其中Xl、X2表示同一混煉班次內的工藝參數集，σ為 核函數參數，正則化參數Y和核函數參數σ —般採用經驗值。為了使初始模型具有更高的精度，正則化參數Y和核函數參數σ的確定採用參 數自適應選擇方法。將正則化參數Y和核函數參數σ作為參數集，記為S= [Y，ο]，首 先給出一組經驗值，根據這個經驗初值算出的模型計算對每個現有樣本的預測誤差，然後 調整參數集S，計算每次調整之後的模型對現有樣本的預測誤差，直到模型對現有樣本的預 測誤差之後最小，此時的參數集S作為最終的正則化參數γ和核函數參數σ數值，數值確 定後不再變動。(3)將初始模型運用到實際工藝線上，採集工藝線上混煉班次的工藝參數和該班 次的門尼粘度作為新的樣本，將採集到的工藝參數輸入到模型中，得到模型預測的門尼粘 度值，算出預測誤差，並與預測誤差閾值δ比較。若預測誤差> δ，則該樣本為有效樣本； 若預測誤差<、則該樣本為無效樣本。根據經驗，預測誤差閾值一般設置為3，當實測的 門尼粘度為a時，若模型的預測值為a+3 a_3，就表明模型的預測精度達到要求，模型的本 次預報判定為合格。以兩個新樣本為例模型對新樣本的預測值為73. 4，門尼粘度的實測值為75. 0， 誤差為-1. 6。由於預設的預測誤差閾值為3，模型對該樣本的預測誤差絕對值小於預測誤 差閾值，則該新樣本為無效樣本，將該樣本排除，無需將其加入模型中；另一個新樣本的預測值為77. 5，門尼粘度的實測值為73. 2，誤差為4. 3，模型對該 樣本的預測誤差絕對值大於預測誤差閾值，則該新樣本為有效樣本，須將該有效樣本加入 到模型中，並根據式(6)並對模型參數α予以更新。(4)每加入一個有效樣本就對模型參數α更新一次，並檢查此時模型中的樣本個 數，判斷此時模型中的樣本個數是否超過預設的最大樣本個數N'，當模型中的樣本個數為 N' +1時，查找出冗餘樣本，並將冗餘樣本從模型中剔除，將模型的樣本個數控制在N'個。(5)採集工藝線上的工藝參數，根據模型預報出門尼粘度，並與實測的門尼粘度值 比較，基於以上方法不斷提高模型精度，得到準確的門尼粘度預報值。將本發明方法與傳統 神經網絡方法對門尼粘度的預報值作為對比，結果如下 上表中，RMSE表示預報均方誤差，RE表示預報相對均方誤差，MAE表示最大絕對誤 差。可以看出，本發明方法的預報優於傳統神經網絡方法，尤其當正則化參數Y和核函數 參數ο採用自適應選擇方法來確定時，模型的精度得到有效提高，當預測誤差閾值δ設為 2時，預報合格率是傳統神經網絡方法的兩倍。將本發明運用到實際橡膠混煉工藝線上，將通過本發明方法建立的模型的預報值 與實測值做對比，如下表所示 由上表可以看出，本發明方法所建立的模型具有較高的預報精度。
權利要求
一種橡膠混煉過程中門尼粘度的預報方法，其特徵在於，包括(1)將一個橡膠混煉班次內影響門尼粘度的工藝參數和該班次產品門尼粘度的集合作為一個樣本數據，基於橡膠混煉工藝所積累的歷史樣本數據建立一個反映工藝參數和門尼粘度之間對應關係的模型；(2)將模型運用到工藝線上，採集當前混煉過程的工藝參數與門尼粘度作為當前樣本，計算模型對當前樣本的預測誤差；(3)對當前樣本進行判斷，若模型對當前樣本的預測誤差小於或等於預設的預測誤差閾值，則當前樣本為無效樣本，並將無效樣本排除；若模型對當前樣本的預測誤差大於預設的預測誤差閾值，則當前樣本為有效樣本；(4)將有效樣本加入到模型中，對模型進行在線實時更新；(5)檢查模型中的樣本個數，若樣本個數沒有超過預設的最大樣本個數，則繼續採集樣本數據，對所採集的樣本數據做是否為有效樣本的判斷，並基於判斷結果進行相應的取捨操作；若模型中的樣本個數超過預設的最大樣本個數，將模型中的冗餘樣本剔除，使模型的樣本個數維持在預設的最大樣本個數；(6)接收工藝線上的樣本數據，基於以上方法建立一個可在線實時更新的模型，通過不斷吸收有效樣本提高模型的預報精度；(7)使用所建立的模型基於生產過程的工藝參數對橡膠混煉過程的門尼粘度進行在線預報。
2.根據權利要求1所述的橡膠混煉過程中門尼粘度的預報方法，其特徵在於，所述的 影響門尼粘度的工藝參數包括排膠點功率、排膠點能量、排膠點時間、加油點功率、加油點 能量、加油點時間、投炭黑點能量、投炭黑溫度、混煉初始溫度。
3.根據權利要求2所述的橡膠混煉過程中門尼粘度的預報方法，其特徵在於，所述的 步驟(1)中模型的建立方法為a、採用非線性映射將樣本數據[xk，yk]由低維非線性特徵空間映射到高維線性特徵空 間，其中Xk為混煉班次內的工藝參數，yk為門尼粘度；b、建立門尼粘度yk與工藝參數Xk的關聯模型方程；c、採用等式化函數、正則化技術和拉格朗日乘子法對關聯模型方程進行求解，並用核 函數進行簡化，求解後得到門尼粘度與工藝參數的模型方程，方程式為λrα k = PkYk其中 Pk = Hk-1Hk = Kk/y+Ikak為模型參數，Y為正則化參數，k為核矩陣Kk中的行向量，核矩陣Kk的每個元素表 示一個滿足Mercer條件的核函數K，Ik為k階單位矩陣。
4.根據權利要求3所述的橡膠混煉過程中門尼粘度的預報方法，其特徵在於，所述的 對模型進行在線實時更新的方法為採用遞推公式計算加入有效樣本後的模型參數ak+1，遞推公式為 式中，0 表示 k X 1 的零矩陣，0T 表示 1 X k 的零矩陣， , Vk+1 = [K (x:，xk+1)， K(x2, xk+1)...，K(xk, xk+1)]T ),Vk+1 = K(xk+1, xk+1)"+l。
5.根據權利要求1所述的橡膠混煉過程中門尼粘度的預報方法，其特徵在於，所述的 冗餘樣本為模型所有的樣本中剔除預測誤差最小的樣本。
6.根據權利要求5所述的橡膠混煉過程中門尼粘度的預報方法，其特徵在於，所述的 剔除預測誤差為剔除某個樣本後的模型對該被剔除樣本的預測誤差。
7.根據權利要求3所述的橡膠混煉過程中門尼粘度的預報方法，其特徵在於，所述的 核函數為Gaussian核函數，數學表式為K(Xl，x2) = exp[-| xrx2 | / σ 2]，其中Xl、x2表示 同一混煉班次內的工藝參數集，o為核函數參數。
8.根據權利要求7所述的橡膠混煉過程中門尼粘度的預報方法，其特徵在於，在基於 歷史樣本數據建立模型的過程中，正則化參數Y和核函數參數o的數值採用自適應選擇 方法確定，確定的過程為首先根據經驗值給出正則化參數Y和核函數參數o的初值，然後調整這兩個參數的 數值，直到模型對歷史樣本數據的預測誤差之和最小為止。
全文摘要
本發明公開了一種橡膠混煉過程中門尼粘度的預報方法，首先根據工藝生產中積累的工藝參數和門尼粘度作為數據樣本建立一個初始的離線模型，然後將這個離線模型運用到實際工藝線上，採集新的樣本數據。若模型對新樣本的預測誤差超過預測誤差閾值，則將此樣本判斷為有效樣本，並將此有效樣本加入到模型中，對模型參數進行在線動態更新，當模型中的樣本個數超過預設的最大樣本個數，將模型中的冗餘樣本剔除，使模型的樣本個數控制在最大樣本個數內。本發明基於可裁剪技術在不斷提高模型精度的同時，能夠有效控制模型複雜度，模型具有較好的收斂效果，降低現有模型的計算量，能夠對橡膠混煉過程中的門尼粘度提供準確的在線實時預報。
文檔編號B29B7/28GK101863088SQ20101021567
公開日2010年10月20日 申請日期2010年6月30日 優先權日2010年6月30日
發明者劉毅, 王偉, 王海清, 錢路豐 申請人:浙江大學