专利名称：一种橡胶门尼粘度的在线自动测量方法
技术领域：
本发明涉及橡胶轮胎制造领域的质量实时监控方法，特别涉及一种橡胶门尼粘度的在线自动测量方法。
背景技术：
橡胶行业是国民经济的重要基础产业之一。它不仅为人们提供日常生活不可或缺的日用、医用等轻工橡胶产品，而且向采掘、交通、建筑、机械、电子等重工业和新兴产业提供各种橡胶制生产设备或橡胶部件。随着生产技术水平的不断提高，以市场为导向的经营方式对橡胶产品的质量提出了更高的要求。橡胶混炼是用炼胶机将生胶或塑炼生胶与配合剂炼成橡胶的工艺，是橡胶加工最重要的生产工艺。本质来说是配合剂在生胶中均勻分散的过程，粒状配合剂呈分散相，生胶呈连续相。加入配合剂后的橡胶料的质量，对半成品的工艺性能和成品质量均具有决定性影响。这一点在橡胶轮胎的生产过程中显得尤为重要。所以保证橡胶的质量是橡胶加工过程中的最基本要求。橡胶混炼过程具有较强的时变性、非线性，是典型的工业间歇生产过程。因此，获得实时、可靠的橡胶产品质量数据是是保证生产连续性的关键。门尼粘度是衡量橡胶加工性能好坏的重要指标，它反映了胶料的粘度特性、可加工特性和压延特性等多方面性能。当前国内橡胶轮胎生产过程中，橡胶门尼粘度的检测主要依靠质检人员手动采样、制样并使用相关仪器测量，主要经过以下步骤1、胶料通过密炼、挤出、压延、开炼等工序后，经过隔离剂，风机冷却，风冷后叠片并记录相关车次信息；2、叠好的橡胶需停放一定时间G 8小时)，使其物料特性稳定，然后由质检人员取样送检；3、在快检室手动冲样，制备出合适的样品；4、采用门尼粘度仪测量样品的门尼粘度并记录。可见，由此得到的胶料质量指标——门尼粘度明显滞后于实际生产，使得生产过程的连续性大大降低。每车次橡胶至少需停放4小时以上，待检测合格方可进行后续加工，而每车次胶料混炼仅需2 3分钟，技术水平的限制，使得橡胶门尼粘度的检测率通常不到20%，如此严重的滞后效应导致生产效率大幅降低，严重制约着各种先进控制技术的普及应用和产品质量的进一步提高，使橡胶轮胎的生产商面临着巨大的经济风险。此外，由于测量过程中，裁片、取样、冲样等工作均由人工完成，增加了测量数据的不确定性，进一步影响着橡胶的质量，加工性能也得不到保证。并且这种检测方法需要专门的工作人员，配备多台门尼检测仪器，增加了各种人力、财力、物力成本，降低了企业生产效益。因此，门尼粘度值检测的滞后性和不确定性，长期以来严重制约着橡胶混炼过程的发展，是橡胶轮胎生产工艺改进的瓶颈问题。
发明内容
本发明要解决的技术问题在于提供一种橡胶门尼粘度的在线自动测量方法，该方法可以实现实时的测量门尼粘度，测量结果准确和成产成本低等优点，详见下文描述一种橡胶门尼粘度的在线自动测量方法，所述方法包括以下步骤(1)将质检系统获得的终炼胶流变参数输入门尼粘度在线预测模型，自动输出门尼粘度值；(2)将所述门尼粘度值反馈给所述质检系统，所述质检系统判断所述门尼粘度值是否在门尼粘度预设范围值内，如果是，继续生产，更新所述门尼粘度在线预测模型；如果否，发出警报，由操作人员检查生产流程并予以校正，舍弃超出范围的门尼粘度值
^new ‘(3)重复执行步骤(1)-步骤( ，直至不再有所述终炼胶流变参数输入时，流程结
束ο所述门尼粘度在线预测模型具体为1)首先采集所述终炼胶流变参数，建立原始样本集X。ld，对所述原始样本集Xold进行多项式改造得到Xraitea，组成Xnew= [XoldXextra]；2)通过偏最小二乘算法(PLS)，提取Xnew的潜变量u和Y的潜变量t ；w = XtXY/(YtXY)；w = w/sqrt(wTXw)；t = XXw q = YTXt/(tTXt)；u = YXq/(qTXq)；其中，Y表示正常范围的门尼粘度值，w表示X的权重，q为Y的负载向量；3)利用高斯过程建立所述潜变量u和所述潜变量t的回归关系；4)计算数据矩阵Xnrat的残差E和Y的残差F，返回至第2、步，再次提取第二对潜变量u和t ；5)重复步骤幻和步骤4)，直至预测残差平方和的增量小于收敛值，即为收敛，获取所述门尼粘度在线预测模型。本发明提供的一种橡胶门尼粘度的在线自动测量方法，与现有技术相比具有如下的优点根据橡胶混炼过程中检测率为100%的流变参数来预测门尼粘度，在不增加采样负担的前提下，最大限度地减少橡胶停放时间，在一定程度上保证生产的连续性；利用门尼粘度在线预测模型计算出门尼粘度的实时预测值；同时保证模型的可靠性，即不断更新门尼粘度在线预测模型，对橡胶混炼过程进行实时监控，能够实时反映并跟踪生产状况，使得门尼粘度在线预测模型更能体现现有生产特征。
图1为本发明提供的门尼粘度在线测量模型的示意图；图2为本发明提供的一种橡胶门尼粘度的在线自动测量方法的流程图。
具体实施例方式为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。流变仪检测的各项指标是橡胶质量体系的重要组成部分，通常检测时间较短，仅需2分钟左右，且不需停放后检测。调查研究表明，流变指标与门尼粘度之间存在紧密联系。所以，通过流变参数来估算或预测门尼粘度值是解决门尼粘度检测问题的有效途径。流变仪检测得到的各参数在一定程度上反映了胶料质量及加工性能是橡胶质量体系的重要组成部分。主要包括最低扭矩、最高扭矩和硫化时间参数。流变参数的检测率是100%，每次仅需2分钟，且不需停放后检测。调查研究表明，流变指标与门尼粘度之间存在紧密联系。所以采用数据驱动的方法，即通过流变参数来估算或预测门尼粘度值是解决门尼粘度检测问题的有效途径。随着计算机技术和工业自动化的发展，基于数据驱动的方法已经在很多领域都得到了广泛应用，包括过程工业、商业和金融业等。通常，这些方法根据历史数据，借助统计手段，分析并提取相关信息，以应对当前或未来的决策需要。不过，很多时候，历史数据虽然较多，但包含的信息却相对缺乏，这在一定程度上也推动了统计方法的发展，促使人们寻求更有效、更可靠的数学工具来解决相关问题。多年来，科学家们提出了许多基于统计的数学方法，如 PCA (Principal Component Analysis,主成分分析)、PLS (Partial Least Squares,部分最小二乘)、ANN(Artificial Neural Networks，人工神经网络)、SVM(Support VectorMachine，支持向量机)和GP(GauSSian ftOcess，高斯过程)等等。其中，较早的线性方法如PCA、PLS，由于其易于理解，方便可靠，至今仍在广泛使用。它们通过提取潜在变量，并克服变量之间的相关性来减少变量的维数，提高计算效率，不仅适用于小样本数据集，也适合大样本数据集。然而，这些方法在面对复杂过程变化时，就不足以解释数据信息及数据之间的相互关系了。很多时候，复杂的工业过程表现出来的非线性较强。如产品的质量指标或是某一特定需求指标与各种可测变量之间，由于受复杂外在环境影响，或是其本身的性质变化，呈现复杂的非线性关系。这时就需要比较好的非线性方法来解决相应的问题。GP是最近十年来由科学研究人员提出的一种新的非线性算法，其在非线性，小样本数据集上表现优秀。是一种概率意义的核学习的机器学习算法，它采用迭代的方法优化学习参数。但是，GP在建立数学模型时，在某些方面也会遇到困难。比如，当输入变量维数比较高的时候，需要更多的时间来优化参数，大幅增加了计算成本。一种有效的工具是PCA，来降低输入变量的维数。使用PLS或许更有效，因为它考虑了输入和输出之间的相互影响，而PCA并未考虑这一点。因为许多数据驱动的方法其前提假设就是样本服从高斯分布。事实上，对于橡胶混炼过程，由于各种仪器噪声或是测量噪声的影响，测量结果在GP分布这一点假设上是满足的。所以，结合PLS和GP的优势，可以得到更有效的数学模型，来描述数据关系。由于PLS是线性的，为了获得更好的模型精度，科学研究人员们开发了一些非线性的 PLS 算法，如 Kernel PLS(KPLS)， Neural Network PLS(NNPLS)， GeneralizedPLS(GPLS)，其中，GPLS是一种采用多项式对输入数据转换的PLS方法，定义原始输入数据矩阵为 X，X = (X1, χ2,... , X1V，那么新输入变量为 Xnew = (X1, X2,... ,X1,... , x1+s)。也就
其中s = 1+(1-1) + (1-2)+. · · +1，人1(1是原始输入变量乂4吣 是附加的改造变量，Xextra 的每个变量分别为 XijXik, XijXik, Xim，其中(i = 1，2. . .，Π ； j，k，Hl = 1，2，. . .，1)。其他步骤与普通的PLS相同。近年来，高斯过程作为一种有效的建模工具，吸引了许多研究人员的注意，它不仅可以解决回归问题，也可以解决分类问题，许多研究工作表明，它比ANN和SVM在部分情况下更有效。它基于贝叶斯理论，是一种概率核学习机。通常情况下，认为高斯过程是随机变量的集合，任何有限的随机变量的组合服从联合高斯分布。高斯过程可以由一个均值函数和一个协方差函数完全确定，一般情况下，取0作为其均值函数。f(x) GP(0，C)其中C是N阶协方差矩阵，如下的协方差函数形式，已被证明在大多数情况下适用且表现不错
Γ 1 ti2 d C (x2 ,Xj) = v0 exp^--^^ (xn - x3l) \ +χηχβ + VlSlj
L ^ /=1J/=1其中Xi是第 i个变量，且当 i = j 时 δ。= 1，θ = log(Vq，Vi，Wi，···， ， ， )是模型的超参数对于一个新的待测点来说，其输出分布仍然是高斯的，其均值和方差分别为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)。在上面几个式子中*号表示新样本。通过如下的似然函数，使用最大后验估计或者是马尔科夫链蒙特卡罗的方法，可以求出模型的最优超参数，
1\ηZ =--log det C ~-tTC'lt --log 2π下面按具体实施过程详细描述本发明实施例提供的一种橡胶门尼粘度的在线自动测量方法。101 将质检系统获得的终炼胶流变参数输入门尼粘度在线预测模型，自动输出门尼粘度值；其中，该步骤具体为当前车次混炼过程结束后，将质检系统检测获得的终炼胶流变参数信息输入门尼粘度在线预测模型，自动输出门尼粘度值ynOT。其中，该门尼粘度在线预测模型的建立过程为根据橡胶的两个主要质量指标一一门尼粘度和流变参数之间的相互联系，结合改进的偏最小二乘回归方法GPLS和高斯过程GP根据流变参数建立门尼粘度在线预测模型GPLS-GP，获得最终的预测值作为门尼粘度参考值。本发明实施例基于机理分析及大量实验验证，由此建立门尼粘度在线预测模型GPLS-GP,利用流变参数预测出门尼粘度值，模型描述如下根据已有历史生产数据建立初始模型，初始模型样本数为30个。生产正常时，每获得一车次橡胶流变参数与对应门尼粘度值则替代一个原始模型中的样本，保证模型中样本总数不少于30个。
1)首先采集终炼胶流变参数，建立原始样本集X。ld，对原始样本集X。ld进行多项式改&子导至丨J Xextra' Slj^ Xnew = [X0IdXextrJ ；其中，原始样本集X。ld中的样本点数目超过30则更新原始样本集X。ld，将原始样本数据矩阵X经改造获得新的数据矩阵XnOT，从而保证模型的非线性，此为GPLS条件。2)通过偏最小二乘算法(PLS)，提取Xnev的潜变量u和Y的潜变量t ；w = XtXY/(YtXY)；w = w/sqrt(wTXw)；t = XXw ；q = YTXt/(tTXt)；u = YXq/(qTXq)；其中，Y表示正常范围的门尼粘度值，建模前为历史经验数据，建模后则以正常预测值替代，w表示X的权重，q为Y的负载向量。3)利用高斯过程建立u和t的回归关系；4)计算数据矩阵Xnrat的残差E和Y的残差F，返回至第2、步，再次提取第二对潜变量u和t ；5)重复步骤幻和步骤4)，预测残差平方和的增量小于收敛值，即为收敛，获取门尼粘度在线预测模型。至此，门尼粘度在线预测模型建立完毕。其中，以PRESSao表示第k次提取后η个样本的预测残差平方和，即
ηPRESSfk) = Yj (yt - yt f
i=l如果PRESSao-PRESS(H) < ε，其中，收敛值ε根据实际应用中的需要进行设定，例如收敛值为一般取略大于0的正数，如10_6。102 将门尼粘度值yMW反馈给质检系统，质检系统判断门尼粘度值ynOT是否在门尼粘度预设范围值内，如果是，继续生产，更新门尼粘度在线预测模型；如果否，发出警报，由操作人员检查生产流程并予以校正，并舍弃超出范围的门尼粘度值ynOT;其中，根据实际情况，在进行生产校正时，通常需要调整橡胶挤出参数，压延参数，胶料配比等。其中，门尼粘度预设范围值根据实际应用中的需要进行设定，具体实现时，本发明实施例对此不做限制。103 重复执行步骤101-102，直至不再有终炼胶流变参数输入时，流程结束。综上所述，本发明实施例提供了一种橡胶门尼粘度的在线自动测量方法，本发明实施例依据用橡胶的流变参数预测出门尼粘度值，大大减少测量的滞后性，实现门尼粘度在线检测，以便实时控制混炼胶的质量，为进一步保证橡胶制品的质量打下基础，而且高质量橡胶的生产也为厂商带来了更高的经济利益；降低厂商的生产成本节省了购买和维护门尼仪的大量费用；避免了传统测量门尼仪方法所需的大量人力物力所消耗的成本，可大大降低厂商的成本投入，提高工厂利益；该方法充分的考虑了变量之间的非线性关系，使得建立的门尼粘度在线预测模型更能反映参数之间的关系，预测数据更加准确可靠。同时，由于门尼粘度在线预测模型的适时更新，所以它能够实时反映并跟踪生产状况，使得门尼粘度在线预测模型更能体现现有生产特征。该方法的提出，是先进控制策略的一项成功应用，为橡胶生产的智能控制的发展做出了巨大的贡献，提高生产自动化水平，更为企业的发展提供了巨大的帮助，节约大量成本，创造更多的利润。本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
权利要求
1.一种橡胶门尼粘度的在线自动测量方法，其特征在于，所述方法包括以下步骤(1)将质检系统获得的终炼胶流变参数输入门尼粘度在线预测模型，自动输出门尼粘度值；(2)将所述门尼粘度值ynOT反馈给所述质检系统，所述质检系统判断所述门尼粘度值Ynew是否在门尼粘度预设范围值内，如果是，继续生产，更新所述门尼粘度在线预测模型；如果否，发出警报，由操作人员检查生产流程并予以校正，舍弃超出范围的门尼粘度值ynOT;(3)重复执行步骤(1)-步骤O)，直到不再有所述终炼胶流变参数输入时，流程结束。
2.根据权利要求1所述的一种橡胶门尼粘度的在线自动测量方法，其特征在于，所述门尼粘度在线预测模型具体为1)首先采集所述终炼胶流变参数，建立原始样本集X。ld，对所述原始样本集Xold进行多项式改造得到Xrartra，组成Xnew= [XoldXextra]；2)通过偏最小二乘算法，提取Xnrat的潜变量u和Y的潜变量t；w = XtXY/ (YtXY)；w = w/sqrt (wT X w)；t = XXw ；q = YTXt/(tTXt)；u = YXq/(qTXq)；其中，Y表示正常范围的门尼粘度值，w表示X的权重，q为Y的负载向量；3)利用高斯过程建立所述潜变量u和所述潜变量t的回归关系；4)计算数据矩阵Xnev的残差E和Y的残差F，返回至第2、步，再次提取第二对潜变量u和t ；5)重复步骤幻和步骤4)，直至预测残差平方和的增量小于收敛值，获取所述门尼粘度在线预测模型。
全文摘要
本发明公开了一种橡胶门尼粘度的在线自动测量方法，所述方法包括以下步骤将质检系统获得的终炼胶流变参数输入门尼粘度在线预测模型，自动输出门尼粘度值ynew；将所述门尼粘度值ynew反馈给所述质检系统，所述质检系统判断所述门尼粘度值ynew是否在门尼粘度预设范围值内，如果是，继续生产，更新所述门尼粘度在线预测模型；如果否，发出警报，由操作人员检查生产流程并予以校正，舍弃超出范围的门尼粘度值ynew；重复执行，直至不再有所述终炼胶流变参数输入时，流程结束。在不增加采样负担的前提下，最大限度地减少橡胶停放时间，在一定程度上保证生产的连续性；利用门尼粘度在线预测模型计算出门尼粘度的实时预测值；同时保证模型的可靠性。
文档编号B29B7/28GK102390096SQ20111025101
公开日2012年3月28日 申请日期2011年8月29日 优先权日2011年8月29日
发明者宋凯, 童拓鹏 申请人:天津大学