一種橡膠門尼粘度的在線自動測量方法
2023-11-12 07:57:12 1
專利名稱：一種橡膠門尼粘度的在線自動測量方法
技術領域：
本發明涉及橡膠輪胎製造領域的在線自動測量方法，特別涉及一種橡膠門尼粘度的在線自動測量方法。
背景技術：
近年來，隨著國民生產總值的不斷提高，橡膠行業有著突飛猛進的發展，加上中國汽車行業的不斷發展，對橡膠行業更起到了巨大的推動作用。不論是在生產還是生活領域， 越來越多的使用到橡膠製品。隨著新產品的不斷出現，應用領域的不斷擴大，均對橡膠產品的生產提出了更新更高的要求。橡膠混煉是橡膠生產最主要的工序之一，對橡膠混煉過程的有效控制直接影響到橡膠產品的質量。橡膠混煉是典型的間歇過程，具有明顯的時變特性和非線性，因此對混煉膠質量檢測的及時、準確，即對混煉過程的實時控制，是保證橡膠產品質量的關鍵。但是橡膠混煉過程很短，一般只有2 3分鐘左右的時間，而且混練過程複雜，所以對混煉過程直接進行控制具有很大的挑戰，因此也很難保障橡膠的質量。門尼粘度作為衡量膠料粘度特性、可加工特性和壓延特性等多方面性能的綜合物性指標，是橡膠質量檢測最關鍵的指標之一。目前，橡膠行業對門尼粘度的測量過程主要分為以下幾個步驟(1)橡膠通過密煉、擠出、壓延、開煉後，經過隔離劑，再進行風冷，風冷後進行墊片；(2)停放一定時間(一般在四小時以上)以保證膠料物性趨於穩定後，工藝人員手動取樣並記錄其車次信息；(3)將取得的終煉膠樣品拿到快檢室進行手動衝樣；(4)用門尼儀進行門尼粘度的測量。經過上述一系列的複雜工序後，才能得到該車次橡膠的門尼粘度。發明人在實現本發明的過程中發現，現有技術中至少存在以下缺點和不足(1)測量具有很大的滯後性，橡膠質量得不到實時監測。混煉後得到的終煉膠至少要停放2 4小時以上才可進行檢驗和後續加工，而每混煉一車橡膠僅需2 3分鐘左右的時間，每條生產線基本是全天工作的，每車橡膠從過隔離劑到墊片之間的時間大概是20 分鐘左右，再加上停放、取樣、衝樣和檢測等程序，基本上要滯後四個小時以上，即相當於滯後混煉至少80車左右的時間。如此大的滯後效應嚴重製約著各種先進控制策略的應用和產品質量的進一步提高，由此也使生產廠商面臨著巨大的經濟損失風險。(2)測量具有不確定性。如上所述，測量過程中所有工作均由工作人員手動完成， 一方面工作人員只是通過目測的方法來確定大概的車次信息，混淆車次的可能性非常大； 另一方面，取樣裁片時的部位不同，也會在一定程度上引入不必要的隨機誤差。此外，測量人員和記錄人員也有可能出現人為錯誤，進一步影響產品的質量。(3)生產成本高。門尼儀本身價格很高，國產的達到8萬每臺，阿爾法的更是高達10 60萬；由於市場需求的不斷增加，工廠的每條生產線基本是全天工作，這樣就會造成門尼儀的長期使用，需要大量的人力和物力資源來保證門尼儀的正常工作，因此也會導致工廠維護門尼儀的成本大大提高。另一方面，混煉生產線全天工作，產量非常大，門尼粘度的複雜人工測量過程要求必須有數名專門負責取樣、衝樣、測量的工作人員，由此給廠商帶來了較大的勞動力成本以及相應的協調、分配等附加成本，降低了工廠的利益。橡膠門尼粘度的測量成為生產過程的短板，長期以來影響到橡膠混煉過程的發展，嚴重製約著對橡膠生產質量的控制，尋求實時監測門尼粘度的方法成為提高生產效率和質量的主要發展趨勢。
發明內容
本發明要解決的技術問題在於提供一種橡膠門尼粘度的在線自動測量方法，該方法可以實現實時的測量門尼粘度，測量結果準確和生產成本低等優點，詳見下文描述一種橡膠門尼粘度的在線自動測量方法，所述方法包括以下步驟(1)將當前車次橡膠混煉過程結束後質量監測系統採集到的終煉膠質量指標中的流變參數與門尼粘度在線預測模型自動連接，並且設定流變參數新樣本為Xmw ；(2)將所述流變參數新樣本Xnrat輸入所述門尼粘度在線預測模型中，根據f: X — y，自動輸出門尼粘度值y細；(3)讀取所述門尼粘度值yMW，並將所述門尼粘度值ynOT傳輸給所述質量監測系統，所述質量監測系統接收所述門尼粘度值，根據與門尼粘度預設值的對比，對同批次混煉過程進行相應的工藝調整，自動檢測是否有所述流變參數新樣本Xnrat輸入(即同批次橡膠混煉過程是否仍在繼續)，如果是，執行步驟；如果否，執行步驟(5)(4)重新執行步驟(1)；(5)流程結束。步驟(1)中的所述門尼粘度在線預測模型具體為橡膠混煉結束後，對於最終得到的橡膠的兩個重要質量指標——門尼粘度和流變參數，結合獨立成分回歸方法和高斯過程根據所述流變參數構建所述門尼粘度在線預測模型，通過所述門尼粘度在線預測模型獲取最終回歸值。所述橡膠的質量指標，結合獨立成分回歸方法和高斯過程根據所述流變參數構建所述門尼粘度在線預測模型具體為1)首先採集終煉膠質量指標數據樣本，建立資料庫，數據樣本包括流變參數和門尼粘度值，且規定流變參數對應的自變量X = Ix1, X2,... , XnI，門尼粘度值對應的因變量Y =Iy1, y2，...，yn}，η為建模所需樣本數，Xi, Yi分別對應流變參數和門尼粘度值，i = 1， 2 ... J π ；2)通過所述獨立成分回歸方法對所述自變量X進行非高斯信息提取，建立獨立成分回歸模型，得到對應的獨立成分矩陣S、混合矩陣A以及回歸值Yra ；3)自變量矩陣X中包含的非高斯信息表示為；= ；Xe =X-文和\ = Y-Yice分別表示被所述獨立成分回歸模型提取後自變量矩陣和實際回歸矩陣中餘下的高斯信息部分，再將Xe和\作為高斯過程訓練樣本的輸入和輸出， 進行高斯過程的建模，提取出&中的高斯信息，得到回歸值YeP ；
4)獲取所述最終回歸值Ypred = Yra+YeP。本發明提供的一種橡膠門尼粘度的在線自動測量方法，與現有技術相比具有如下的優點本發明通過與門尼粘度有較強相關性的橡膠的另一重要質量指標——流變參數預測出門尼粘度值，在不增加採樣負擔、最大限度地降低質量檢測結果滯後性的同時極大地節約生產成本，實時有效地預測出橡膠的門尼粘度，對混煉過程進行在線監控，為各種先進質量控制策略的有效應用和橡膠質量的進一步提高奠定必要的基礎；同時本發明針對實際生產中遇到的「黑盒子」問題提出了一種多變量統計回歸方法，它在特徵提取過程中既能使變量中的高斯信息和非高斯信息完全提取出來，又能保證計算簡單易行，不需要先驗知識來選擇大量參數而是通過自身的優化來實現，使回歸問題得到很好的解決。
圖1為本發明提供的門尼粘度在線預測模型ICGP的示意圖；圖2為本發明提供的一種橡膠門尼粘度的在線自動測量方法的流程圖。
具體實施例方式為使本發明的目的、技術方案和優點更加清楚，下面將結合附圖對本發明實施方式作進一步地詳細描述。橡膠的另一主要質量指標流變參數(主要包括最低扭矩ML，最高扭矩MH和硫化時間參數TC30、TC60以及TC90)是每車橡膠在混煉結束後必須要測量的參數，每次測量只需要2 5分鐘，檢測快速簡便。考慮到門尼儀和流變儀工作原理的相似性，以及流變參數與門尼粘度本身具有較強的相關性，那麼如何通過流變參數擬合出門尼粘度成為解決門尼粘度測量瓶頸問題的一個可行方法。目前為止，多元統計回歸方法在數據驅動問題中已經廣泛應用，而且對提高預測性能起到了明顯的作用，解決了很多生產生活中的實際問題。比如PCA (Principal Component Analysis,主成分分析)、PLS (Partial Least Squares,部分最小二乘)、 ANN (Artificial Neural Networks，人工神經網絡)、SVM (Support Vector Machine，支持向量機)和GP (Gaussian I^rocess，高斯過程)等等。尤其要突出的是高斯過程，它是最近十幾年才發展起來的一種新型的基於概率思想的非線性核機器學習方法，可以通過自身的迭代完成最優參數的選擇，而且達到相當高的分類和回歸精度，因此在統計數據分析領域受到越來越多的關注。但是高斯過程和上述提及的各種數據驅動方法都是基於一個共同的假設建立的，樣本滿足高斯分布。而實際上，尤其對於工廠的實際採樣數據而言，大部分不都是嚴格滿足這一條件的。因此尋找另一種適合於非高斯樣本分布的算法來解決數據驅動問題迫在眉睫。然而早在上個世紀九十年代有關學者就提出用ICA(Ind印endent component analysis,獨立成分分析)解決盲源分離問題，它是指在無先驗知識的情況下將混合信號分解為統計獨立的源信號的線性組合的整個過程，這些源信號由ICsancbpendent Components，獨立成分)表示，也就是ICA可以分離出多變量統計數據的隱含成分，它在化工過程監控中也得到了很好的應用。但是特別要注意的一點是ICA的使用有一個前提—— 多變量統計數據滿足非高斯分布。本世紀初，有學者將ICA進行改進應用於多變量統計回歸問題中，即得到ICRGncbpendent Component Regression，獨立成分回歸)算法。基於樣本滿足非高斯分布的假設，ICR較之上面列出的多元統計回歸方法來說可以提取出更多的非高斯信息。另一方面，由於提取出的ICs不僅是不相關的而且是相互獨立的，所以可以克服變量之間的多重相關性，從而大大提高預測精度。面對工廠的實際問題，尤其在沒有任何先驗知識的情況下，並不知道採樣數據是滿足高斯分布還是非高斯分布，因此用數據驅動的方法進行建模分析時，必須考慮到這個問題，進行特殊處理，以達到更高的預測精度。為了解決這個問題，近年來提出了很多新的方法，如 ICA-PLS，ICA_PCA，ICA-KPLS (Kernel Partial Least Squares，核部分最小二乘)， ICA-SVM等，這些新的多變量統計回歸方法在回歸計算過程中都可以同時提取高斯信息和非高斯信息，且在一定程度上回歸精度有所提高，但是依然不能解決所有問題，而且這些較複雜的方法也給多元回歸模型帶來了其他的問題。比如，ICA-PLS和ICA-PCA都是線性方法，所以對於非線性問題並不適用；ICA-KPLS和ICA-SVM等基於核的ICA方法能很好的解決非線性問題，但是核參數的選擇和優化需要足夠的先驗知識，而在用流變參數擬合門尼粘度這個實際問題中並沒有可供參考的先驗知識(一般無任何先驗知識的問題被稱為「黑盒子」問題)，因此也不適用。那麼尋找更好的更適合解決無先驗知識的非線性時變問題的回歸方法是用流變參數ML擬合門尼粘度所面臨的主要問題。鑑於GP是一種基於概率思想的、通過自身的迭代完成最優參數選擇的、非線性核機器學習方法，且具有很高的分類和回歸精度，那麼考慮到將ICR和GP結合起來處理多變量統計回歸問題，這樣就可以在無任何先驗知識的情況下同時提取非高斯信息和高斯信息，解決非線性問題，且不存在任何核參數的優化問題。獨立成分分析(ICA)是最初被用於解決盲源分離問題的一種高階統計算法，主要目的是將觀察到的混合信號轉化為統計獨立的原始信號的線性組合。1999年有學者提出 7 FastICA (fixed-point method，基於快速不動點方法)解決ICA問題。^ FastICA中核心計算公式之一為X = AS，其中X為觀察到的混合信號，S和A分別為對應的獨立成分矩陣 (即源信號)和混合矩陣。求解S和A的方法是對觀察樣本估計出一個線性協調系統，在滿足使輸出矩陣U達到最強獨立性的情況下求出觀察樣本的分解矩陣W，同時這些矩陣滿足公式Ut = WX = WASt = St(1)由此可見W和A互為逆矩陣，U和S都表示獨立成分矩陣。當ICA在化工過程監控和各種圖像處理及模式識別問題中得到越來越好的應用時，基於!^astICA的獨立成分回歸(ICR)也被提出用於解決非高斯信號的回歸問題。回歸係數矩陣表示為B = (StS)-1StL，其中S和Y分別為訓練樣本輸入矩陣的獨立成分和輸出矩陣。對於預測樣本Xte係數矩陣為Ate = XteS，最終得到回歸矩陣為Ytei = AteB，若原始信號包含非高斯信號和高斯信號，那麼該回歸矩陣就可以看做是ICR提取出的非高斯信息對應的回歸值。高斯過程(GP)基於貝葉斯理論，通過訓練樣本參數的先驗分布得到參數的後驗分布，且輸入隨機變量的任意子集被假設為滿足聯合高斯分布。高斯過程的輸入為隨機數據集{Y(x) |x e X}，其中χ = (X1, &，...，Xn)為n維輸入樣本矩陣，由於該隨機數據集滿足高斯分布，則自變量的均值函數和方差函數分別為
m(x) = E[Y(x)] = 0(2)C(x,xT) = E[(Y(χ) -m(χ)) (Y(χτ) _m(χτ)) ] (3)由此得到GP的典型形式Υ(χ) GP (m(χ)，C (χ, χτ))。對於測試樣本而言，預測得到的分布當然也滿足高斯分布，均值函數和方差函數由訓練樣本的相關函數和測試樣本的輸入表示為t (χ) = kTrV(4)
權利要求
1.一種橡膠門尼粘度的在線自動測量方法，其特徵在於，所述方法包括以下步驟(1)將當前車次混煉過程結束後質量監測系統採集到的終煉膠質量指標中的流變參數與門尼粘度在線預測模型自動連接，並且設定流變參數新樣本為XnOT ；(2)將所述流變參數新樣本xnOT輸入所述門尼粘度在線預測模型中，根據f:x— y，自動輸出門尼粘度值ynOT;(3)讀取所述門尼粘度值ynOT，並將所述門尼粘度值ι細傳輸給所述質量監測系統，所述質量監測系統接收所述門尼粘度值，根據與門尼粘度預設值的對比，對同批次的混煉橡膠進行相應的工藝調整，自動檢測是否有所述流變參數新樣本Xnrat輸入，如果是，執行步驟⑷；如果否，執行步驟(5)(4)重新執行步驟⑴；(5)流程結束。
2.根據權利要求1所述的一種橡膠門尼粘度的在線自動測量方法，其特徵在於，步驟 (1)中的所述門尼粘度在線預測模型具體為根據所述門尼粘度值1側和所述流變參數，結合獨立成分回歸方法和高斯過程根據所述流變參數構建所述門尼粘度在線預測模型，通過所述門尼粘度在線預測模型獲取最終回歸值。
3.根據權利要求2所述的一種橡膠門尼粘度的在線自動測量方法，其特徵在於，所述根據所述門尼粘度值1側和所述流變參數，結合獨立成分回歸方法和高斯過程根據所述流變參數構建所述門尼粘度在線預測模型具體為1)首先採集終煉膠質量指標數據樣本，建立資料庫，數據樣本包括流變參數和門尼粘度值，且規定流變參數對應自變量X= Ix1, x2, ..., }，門尼粘度值對應因變量Y= Iy1, y2，. . .，yn}，η為建模所需樣本數，Xi, Yi分別對應流變參數和門尼粘度值，i = 1,2,...,η；2)通過所述獨立成分回歸方法對所述自變量X進行非高斯信息提取，建立獨立成分回歸模型，得到對應的獨立成分矩陣S、混合矩陣A以及回歸值Yra ；3)自變量矩陣X中包含的非高斯信息表示為；^= AV ；XE =X-文和\ = Y-Yice分別表示被所述獨立成分回歸模型提取後自變量矩陣和實際回歸矩陣中餘下的高斯信息部分，再將&和\作為高斯過程訓練樣本的輸入和輸出，進行高斯過程的建模，提取出Xe中的高斯信息，得到回歸值YeP ；4)獲取所述最終回歸值Ypred= Yra+YeP。
全文摘要
本發明公開了一種橡膠門尼粘度的在線自動測量方法，將橡膠混煉後質量監測系統採集到的終煉膠質量指標中的流變參數與門尼粘度在線預測模型自動連接，並且設定流變參數新樣本為xnew；將流變參數新樣本xnew輸入門尼粘度在線預測模型中，根據fx→y，自動輸出門尼粘度值ynew，讀取門尼粘度值ynew，並將門尼粘度值ynew傳輸給質量監測系統，接收所述門尼粘度值ynew，根據與門尼粘度預設值的對比，進行相應的工藝調整，自動檢測是否有流變參數新樣本ynew輸入，如果是，預測流程繼續進行；如果否，預測流程結束。本發明在不增加採樣負擔、最大限度地降低質量檢測結果滯後性的同時極大地節約生產成本。
文檔編號B29B7/28GK102303377SQ20111025111
公開日2012年1月4日 申請日期2011年8月29日 優先權日2011年8月29日
發明者吳芳, 宋凱 申請人:天津大學