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制造領域的質量實時監控方法，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：
橡膠行業是國民經濟的重要基礎產業之一。它不僅為人們提供日常生活不可或缺的日用、醫用等輕工橡膠產品，而且向采掘、交通、建筑、機械、電子等重工業和新興產業提供各種橡膠制生產設備或橡膠部件。隨著生產技術水平的不斷提高，以市場為導向的經營方式對橡膠產品的質量提出了更高的要求。橡膠混煉是用煉膠機將生膠或塑煉生膠與配合劑煉成橡膠的工藝，是橡膠加工最重要的生產工藝。本質來說是配合劑在生膠中均勻分散的過程，粒狀配合劑呈分散相，生膠呈連續相。加入配合劑后的橡膠料的質量，對半成品的工藝性能和成品質量均具有決定性影響。這一點在橡膠輪胎的生產過程中顯得尤為重要。所以保證橡膠的質量是橡膠加工過程中的最基本要求。橡膠混煉過程具有較強的時變性、非線性，是典型的工業間歇生產過程。因此，獲得實時、可靠的橡膠產品質量數據是是保證生產連續性的關鍵。門尼粘度是衡量橡膠加工性能好壞的重要指標，它反映了膠料的粘度特性、可加工特性和壓延特性等多方面性能。當前國內橡膠輪胎生產過程中，橡膠門尼粘度的檢測主要依靠質檢人員手動采樣、制樣并使用相關儀器測量，主要經過以下步驟1、膠料通過密煉、擠出、壓延、開煉等工序后，經過隔離劑，風機冷卻，風冷后疊片并記錄相關車次信息；2、疊好的橡膠需停放一定時間G 8小時)，使其物料特性穩定，然后由質檢人員取樣送檢；3、在快檢室手動沖樣，制備出合適的樣品；4、采用門尼粘度儀測量樣品的門尼粘度并記錄。可見，由此得到的膠料質量指標——門尼粘度明顯滯后于實際生產，使得生產過程的連續性大大降低。每車次橡膠至少需停放4小時以上，待檢測合格方可進行后續加工，而每車次膠料混煉僅需2 3分鐘，技術水平的限制，使得橡膠門尼粘度的檢測率通常不到20%，如此嚴重的滯后效應導致生產效率大幅降低，嚴重制約著各種先進控制技術的普及應用和產品質量的進一步提高，使橡膠輪胎的生產商面臨著巨大的經濟風險。此外，由于測量過程中，裁片、取樣、沖樣等工作均由人工完成，增加了測量數據的不確定性，進一步影響著橡膠的質量，加工性能也得不到保證。并且這種檢測方法需要專門的工作人員，配備多臺門尼檢測儀器，增加了各種人力、財力、物力成本，降低了企業生產效益。因此，門尼粘度值檢測的滯后性和不確定性，長期以來嚴重制約著橡膠混煉過程的發展，是橡膠輪胎生產工藝改進的瓶頸問題。
發明內容
本發明要解決的技術問題在于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，測量結果準確和成產成本低等優點，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)將質檢系統獲得的終煉膠流變參數輸入門尼粘度在線預測模型，自動輸出門尼粘度值；(2)將所述門尼粘度值反饋給所述質檢系統，所述質檢系統判斷所述門尼粘度值是否在門尼粘度預設范圍值內，如果是，繼續生產，更新所述門尼粘度在線預測模型；如果否，發出警報，由操作人員檢查生產流程并予以校正，舍棄超出范圍的門尼粘度值
^new ‘(3)重復執行步驟(1)-步驟( ，直至不再有所述終煉膠流變參數輸入時，流程結
束ο所述門尼粘度在線預測模型具體為1)首先采集所述終煉膠流變參數，建立原始樣本集X。ld，對所述原始樣本集Xold進行多項式改造得到Xraitea，組成Xnew= [XoldXextra]；2)通過偏最小二乘算法(PLS)，提取Xnew的潛變量u和Y的潛變量t ；w = XtXY/(YtXY)；w = w/sqrt(wTXw)；t = XXw q = YTXt/(tTXt)；u = YXq/(qTXq)；其中，Y表示正常范圍的門尼粘度值，w表示X的權重，q為Y的負載向量；3)利用高斯過程建立所述潛變量u和所述潛變量t的回歸關系；4)計算數據矩陣Xnrat的殘差E和Y的殘差F，返回至第2、步，再次提取第二對潛變量u和t ；5)重復步驟幻和步驟4)，直至預測殘差平方和的增量小于收斂值，即為收斂，獲取所述門尼粘度在線預測模型。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根據橡膠混煉過程中檢測率為100%的流變參數來預測門尼粘度，在不增加采樣負擔的前提下，最大限度地減少橡膠停放時間，在一定程度上保證生產的連續性；利用門尼粘度在線預測模型計算出門尼粘度的實時預測值；同時保證模型的可靠性，即不斷更新門尼粘度在線預測模型，對橡膠混煉過程進行實時監控，能夠實時反映并跟蹤生產狀況，使得門尼粘度在線預測模型更能體現現有生產特征。
圖1為本發明提供的門尼粘度在線測量模型的示意圖；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。流變儀檢測的各項指標是橡膠質量體系的重要組成部分，通常檢測時間較短，僅需2分鐘左右，且不需停放后檢測。調查研究表明，流變指標與門尼粘度之間存在緊密聯系。所以，通過流變參數來估算或預測門尼粘度值是解決門尼粘度檢測問題的有效途徑。流變儀檢測得到的各參數在一定程度上反映了膠料質量及加工性能是橡膠質量體系的重要組成部分。主要包括最低扭矩、最高扭矩和硫化時間參數。流變參數的檢測率是100%，每次僅需2分鐘，且不需停放后檢測。調查研究表明，流變指標與門尼粘度之間存在緊密聯系。所以采用數據驅動的方法，即通過流變參數來估算或預測門尼粘度值是解決門尼粘度檢測問題的有效途徑。隨著計算機技術和工業自動化的發展，基于數據驅動的方法已經在很多領域都得到了廣泛應用，包括過程工業、商業和金融業等。通常，這些方法根據歷史數據，借助統計手段，分析并提取相關信息，以應對當前或未來的決策需要。不過，很多時候，歷史數據雖然較多，但包含的信息卻相對缺乏，這在一定程度上也推動了統計方法的發展，促使人們尋求更有效、更可靠的數學工具來解決相關問題。多年來，科學家們提出了許多基于統計的數學方法，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 VectorMachine，支持向量機)和GP(GauSSian ftOcess，高斯過程)等等。其中，較早的線性方法如PCA、PLS，由于其易于理解，方便可靠，至今仍在廣泛使用。它們通過提取潛在變量，并克服變量之間的相關性來減少變量的維數，提高計算效率，不僅適用于小樣本數據集，也適合大樣本數據集。然而，這些方法在面對復雜過程變化時，就不足以解釋數據信息及數據之間的相互關系了。很多時候，復雜的工業過程表現出來的非線性較強。如產品的質量指標或是某一特定需求指標與各種可測變量之間，由于受復雜外在環境影響，或是其本身的性質變化，呈現復雜的非線性關系。這時就需要比較好的非線性方法來解決相應的問題。GP是最近十年來由科學研究人員提出的一種新的非線性算法，其在非線性，小樣本數據集上表現優秀。是一種概率意義的核學習的機器學習算法，它采用迭代的方法優化學習參數。但是，GP在建立數學模型時，在某些方面也會遇到困難。比如，當輸入變量維數比較高的時候，需要更多的時間來優化參數，大幅增加了計算成本。一種有效的工具是PCA，來降低輸入變量的維數。使用PLS或許更有效，因為它考慮了輸入和輸出之間的相互影響，而PCA并未考慮這一點。因為許多數據驅動的方法其前提假設就是樣本服從高斯分布。事實上，對于橡膠混煉過程，由于各種儀器噪聲或是測量噪聲的影響，測量結果在GP分布這一點假設上是滿足的。所以，結合PLS和GP的優勢，可以得到更有效的數學模型，來描述數據關系。由于PLS是線性的，為了獲得更好的模型精度，科學研究人員們開發了一些非線性的 PLS 算法，如 Kernel PLS(KPLS)， Neural Network PLS(NNPLS)， GeneralizedPLS(GPLS)，其中，GPLS是一種采用多項式對輸入數據轉換的PLS方法，定義原始輸入數據矩陣為 X，X = (X1, χ2,... , X1V，那么新輸入變量為 Xnew = (X1, X2,... ,X1,... , x1+s)。也就
其中s = 1+(1-1) + (1-2)+. · · +1，人1(1是原始輸入變量乂4吣 是附加的改造變量，Xextra 的每個變量分別為 XijXik, XijXik, Xim，其中(i = 1，2. . .，Π ； j，k，Hl = 1，2，. . .，1)。其他步驟與普通的PLS相同。近年來，高斯過程作為一種有效的建模工具，吸引了許多研究人員的注意，它不僅可以解決回歸問題，也可以解決分類問題，許多研究工作表明，它比ANN和SVM在部分情況下更有效。它基于貝葉斯理論，是一種概率核學習機。通常情況下，認為高斯過程是隨機變量的集合，任何有限的隨機變量的組合服從聯合高斯分布。高斯過程可以由一個均值函數和一個協方差函數完全確定，一般情況下，取0作為其均值函數。f(x) GP(0，C)其中C是N階協方差矩陣，如下的協方差函數形式，已被證明在大多數情況下適用且表現不錯
Γ 1 ti2 d C (x2 ,Xj) = v0 exp^--^^ (xn - x3l) \ +χηχβ + VlSlj
L ^ /=1J/=1其中Xi是第 i個變量，且當 i = j 時 δ。= 1，θ = log(Vq，Vi，Wi，···， ， ， )是模型的超參數對于一個新的待測點來說，其輸出分布仍然是高斯的，其均值和方差分別為y{x) = kT{x)K-lyσ》(jc*) = C{x\x)-kT [x)Klk[x)其中，k(χ) = (C(x*，xi)，···，C(x*，xn))T，Kij = C(Xi，Xj)。在上面幾個式子中*號表示新樣本。通過如下的似然函數，使用最大后驗估計或者是馬爾科夫鏈蒙特卡羅的方法，可以求出模型的最優超參數，
1\ηZ =--log det C ~-tTC'lt --log 2π下面按具體實施過程詳細描述本發明實施例提供的一種橡膠門尼粘度的在線自動測量方法。101 將質檢系統獲得的終煉膠流變參數輸入門尼粘度在線預測模型，自動輸出門尼粘度值；其中，該步驟具體為當前車次混煉過程結束后，將質檢系統檢測獲得的終煉膠流變參數信息輸入門尼粘度在線預測模型，自動輸出門尼粘度值ynOT。其中，該門尼粘度在線預測模型的建立過程為根據橡膠的兩個主要質量指標一一門尼粘度和流變參數之間的相互聯系，結合改進的偏最小二乘回歸方法GPLS和高斯過程GP根據流變參數建立門尼粘度在線預測模型GPLS-GP，獲得最終的預測值作為門尼粘度參考值。本發明實施例基于機理分析及大量實驗驗證，由此建立門尼粘度在線預測模型GPLS-GP,利用流變參數預測出門尼粘度值，模型描述如下根據已有歷史生產數據建立初始模型，初始模型樣本數為30個。生產正常時，每獲得一車次橡膠流變參數與對應門尼粘度值則替代一個原始模型中的樣本，保證模型中樣本總數不少于30個。
1)首先采集終煉膠流變參數，建立原始樣本集X。ld，對原始樣本集X。ld進行多項式改&子導至丨J Xextra' Slj^ Xnew = [X0IdXextrJ ；其中，原始樣本集X。ld中的樣本點數目超過30則更新原始樣本集X。ld，將原始樣本數據矩陣X經改造獲得新的數據矩陣XnOT，從而保證模型的非線性，此為GPLS條件。2)通過偏最小二乘算法(PLS)，提取Xnev的潛變量u和Y的潛變量t ；w = XtXY/(YtXY)；w = w/sqrt(wTXw)；t = XXw ；q = YTXt/(tTXt)；u = YXq/(qTXq)；其中，Y表示正常范圍的門尼粘度值，建模前為歷史經驗數據，建模后則以正常預測值替代，w表示X的權重，q為Y的負載向量。3)利用高斯過程建立u和t的回歸關系；4)計算數據矩陣Xnrat的殘差E和Y的殘差F，返回至第2、步，再次提取第二對潛變量u和t ；5)重復步驟幻和步驟4)，預測殘差平方和的增量小于收斂值，即為收斂，獲取門尼粘度在線預測模型。至此，門尼粘度在線預測模型建立完畢。其中，以PRESSao表示第k次提取后η個樣本的預測殘差平方和，即
ηPRESSfk) = Yj (yt - yt f
i=l如果PRESSao-PRESS(H) < ε，其中，收斂值ε根據實際應用中的需要進行設定，例如收斂值為一般取略大于0的正數，如10_6。102 將門尼粘度值yMW反饋給質檢系統，質檢系統判斷門尼粘度值ynOT是否在門尼粘度預設范圍值內，如果是，繼續生產，更新門尼粘度在線預測模型；如果否，發出警報，由操作人員檢查生產流程并予以校正，并舍棄超出范圍的門尼粘度值ynOT;其中，根據實際情況，在進行生產校正時，通常需要調整橡膠擠出參數，壓延參數，膠料配比等。其中，門尼粘度預設范圍值根據實際應用中的需要進行設定，具體實現時，本發明實施例對此不做限制。103 重復執行步驟101-102，直至不再有終煉膠流變參數輸入時，流程結束。綜上所述，本發明實施例提供了一種橡膠門尼粘度的在線自動測量方法，本發明實施例依據用橡膠的流變參數預測出門尼粘度值，大大減少測量的滯后性，實現門尼粘度在線檢測，以便實時控制混煉膠的質量，為進一步保證橡膠制品的質量打下基礎，而且高質量橡膠的生產也為廠商帶來了更高的經濟利益；降低廠商的生產成本節省了購買和維護門尼儀的大量費用；避免了傳統測量門尼儀方法所需的大量人力物力所消耗的成本，可大大降低廠商的成本投入，提高工廠利益；該方法充分的考慮了變量之間的非線性關系，使得建立的門尼粘度在線預測模型更能反映參數之間的關系，預測數據更加準確可靠。同時，由于門尼粘度在線預測模型的適時更新，所以它能夠實時反映并跟蹤生產狀況，使得門尼粘度在線預測模型更能體現現有生產特征。該方法的提出，是先進控制策略的一項成功應用，為橡膠生產的智能控制的發展做出了巨大的貢獻，提高生產自動化水平，更為企業的發展提供了巨大的幫助，節約大量成本，創造更多的利潤。本領域技術人員可以理解附圖只是一個優選實施例的示意圖，上述本發明實施例序號僅僅為了描述，不代表實施例的優劣。以上所述僅為本發明的較佳實施例，并不用以限制本發明，凡在本發明的精神和原則之內，所作的任何修改、等同替換、改進等，均應包含在本發明的保護范圍之內。
權利要求
1.一種橡膠門尼粘度的在線自動測量方法，其特征在于，所述方法包括以下步驟(1)將質檢系統獲得的終煉膠流變參數輸入門尼粘度在線預測模型，自動輸出門尼粘度值；(2)將所述門尼粘度值ynOT反饋給所述質檢系統，所述質檢系統判斷所述門尼粘度值Ynew是否在門尼粘度預設范圍值內，如果是，繼續生產，更新所述門尼粘度在線預測模型；如果否，發出警報，由操作人員檢查生產流程并予以校正，舍棄超出范圍的門尼粘度值ynOT;(3)重復執行步驟(1)-步驟O)，直到不再有所述終煉膠流變參數輸入時，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，其特征在于，所述門尼粘度在線預測模型具體為1)首先采集所述終煉膠流變參數，建立原始樣本集X。ld，對所述原始樣本集Xold進行多項式改造得到Xrartra，組成Xnew= [XoldXextra]；2)通過偏最小二乘算法，提取Xnrat的潛變量u和Y的潛變量t；w = XtXY/ (YtXY)；w = w/sqrt (wT X w)；t = XXw ；q = YTXt/(tTXt)；u = YXq/(qTXq)；其中，Y表示正常范圍的門尼粘度值，w表示X的權重，q為Y的負載向量；3)利用高斯過程建立所述潛變量u和所述潛變量t的回歸關系；4)計算數據矩陣Xnev的殘差E和Y的殘差F，返回至第2、步，再次提取第二對潛變量u和t ；5)重復步驟幻和步驟4)，直至預測殘差平方和的增量小于收斂值，獲取所述門尼粘度在線預測模型。
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，所述方法包括以下步驟將質檢系統獲得的終煉膠流變參數輸入門尼粘度在線預測模型，自動輸出門尼粘度值ynew；將所述門尼粘度值ynew反饋給所述質檢系統，所述質檢系統判斷所述門尼粘度值ynew是否在門尼粘度預設范圍值內，如果是，繼續生產，更新所述門尼粘度在線預測模型；如果否，發出警報，由操作人員檢查生產流程并予以校正，舍棄超出范圍的門尼粘度值ynew；重復執行，直至不再有所述終煉膠流變參數輸入時，流程結束。在不增加采樣負擔的前提下，最大限度地減少橡膠停放時間，在一定程度上保證生產的連續性；利用門尼粘度在線預測模型計算出門尼粘度的實時預測值；同時保證模型的可靠性。
文檔編號B29B7/28GK102390096SQ20111025101
公開日2012年3月28日 申請日期2011年8月29日 優先權日2011年8月29日
發明者宋凱, 童拓鵬 申請人:天津大學