背景技术
近年来,随着国民生产总值的不断提高,橡胶行业有着突飞猛进的发展,加上中国汽车行业的不断发展,对橡胶行业更起到了巨大的推动作用。不论是在生产还是生活领域,越来越多的使用到橡胶制品。随着新产品的不断出现,应用领域的不断扩大,均对橡胶产品的生产提出了更新更高的要求。
橡胶混炼是橡胶生产最主要的工序之一,对橡胶混炼过程的有效控制直接影响到橡胶产品的质量。橡胶混炼是典型的间歇过程,具有明显的时变特性和非线性,因此对混炼胶质量检测的及时、准确,即对混炼过程的实时控制,是保证橡胶产品质量的关键。但是橡胶混炼过程很短,一般只有2~3分钟左右的时间,而且混练过程复杂,所以对混炼过程直接进行控制具有很大的挑战,因此也很难保障橡胶的质量。门尼粘度作为衡量胶料粘度特性、可加工特性和压延特性等多方面性能的综合物性指标,是橡胶质量检测最关键的指标之一。
目前,橡胶行业对门尼粘度的测量过程主要分为以下几个步骤:
(1)橡胶通过密炼、挤出、压延、开炼后,经过隔离剂,再进行风冷,风冷后进行垫片;
(2)停放一定时间(一般在四小时以上)以保证胶料物性趋于稳定后,工艺人员手动取样并记录其车次信息;
(3)将取得的终炼胶样品拿到快检室进行手动冲样;
(4)用门尼仪进行门尼粘度的测量。
经过上述一系列的复杂工序后,才能得到该车次橡胶的门尼粘度。发明人在实现本发明的过程中发现,现有技术中至少存在以下缺点和不足:
(1)测量具有很大的滞后性,橡胶质量得不到实时监测。混炼后得到的终炼胶至少要停放2~4小时以上才可进行检验和后续加工,而每混炼一车橡胶仅需2~3分钟左右的时间,每条生产线基本是全天工作的,每车橡胶从过隔离剂到垫片之间的时间大概是20分钟左右,再加上停放、取样、冲样和检测等程序,基本上要滞后四个小时以上,即相当于滞后混炼至少80车左右的时间。如此大的滞后效应严重制约着各种先进控制策略的应用和产品质量的进一步提高,由此也使生产厂商面临着巨大的经济损失风险。
(2)测量具有不确定性。如上所述,测量过程中所有工作均由工作人员手动完成,一方面工作人员只是通过目测的方法来确定大概的车次信息,混淆车次的可能性非常大;另一方面,取样裁片时的部位不同,也会在一定程度上引入不必要的随机误差。此外,测量人员和记录人员也有可能出现人为错误,进一步影响产品的质量。
(3)生产成本高。门尼仪本身价格很高,国产的达到8万每台,阿尔法的更是高达10~60万;由于市场需求的不断增加,工厂的每条生产线基本是全天工作,这样就会造成门尼仪的长期使用,需要大量的人力和物力资源来保证门尼仪的正常工作,因此也会导致工厂维护门尼仪的成本大大提高。另一方面,混炼生产线全天工作,产量非常大,门尼粘度的复杂人工测量过程要求必须有数名专门负责取样、冲样、测量的工作人员,由此给厂商带来了较大的劳动力成本以及相应的协调、分配等附加成本,降低了工厂的利益。
橡胶门尼粘度的测量成为生产过程的短板,长期以来影响到橡胶混炼过程的发展,严重制约着对橡胶生产质量的控制,寻求实时监测门尼粘度的方法成为提高生产效率和质量的主要发展趋势。
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,测量结果准确和生产成本低等优点,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)将当前车次橡胶混炼过程结束后质量监测系统采集到的终炼胶质量指标中的流变参数与门尼粘度在线预测模型自动连接,并且设定流变参数新样本为xnew;
(2)将所述流变参数新样本xnew输入所述门尼粘度在线预测模型中,根据f:x→y,自动输出门尼粘度值ynew;
(3)读取所述门尼粘度值ynew,并将所述门尼粘度值ynew传输给所述质量监测系统,所述质量监测系统接收所述门尼粘度值ynew,根据与门尼粘度预设值的对比,对同批次混炼过程进行相应的工艺调整,自动检测是否有所述流变参数新样本xnew输入(即同批次橡胶混炼过程是否仍在继续),如果是,执行步骤(4);如果否,执行步骤(5):
(4)重新执行步骤(1);
(5)流程结束。
步骤(1)中的所述门尼粘度在线预测模型具体为:
橡胶混炼结束后,对于最终得到的橡胶的两个重要质量指标——门尼粘度和流变参数,结合独立成分回归方法和高斯过程根据所述流变参数构建所述门尼粘度在线预测模型,通过所述门尼粘度在线预测模型获取最终回归值。
所述橡胶的质量指标,结合独立成分回归方法和高斯过程根据所述流变参数构建所述门尼粘度在线预测模型具体为:
1)首先采集终炼胶质量指标数据样本,建立数据库,数据样本包括流变参数和门尼粘度值,且规定流变参数对应的自变量X={x1,x2,...,xn},门尼粘度值对应的因变量Y={y1,y2,...,yn},n为建模所需样本数,xi,yi分别对应流变参数和门尼粘度值,i=1,2,...,n;
2)通过所述独立成分回归方法对所述自变量X进行非高斯信息提取,建立独立成分回归模型,得到对应的独立成分矩阵S、混合矩阵A以及回归值YICR;
和Y
E=Y-Y
ICR分别表示被所述独立成分回归模型提取后自变量矩阵和实际回归矩阵中余下的高斯信息部分,再将X
E和Y
E作为高斯过程训练样本的输入和输出,进行高斯过程的建模,提取出X
E中的高斯信息,得到回归值Y
GP;
4)获取所述最终回归值Ypred=YICR+YGP。
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:
本发明通过与门尼粘度有较强相关性的橡胶的另一重要质量指标——流变参数预测出门尼粘度值,在不增加采样负担、最大限度地降低质量检测结果滞后性的同时极大地节约生产成本,实时有效地预测出橡胶的门尼粘度,对混炼过程进行在线监控,为各种先进质量控制策略的有效应用和橡胶质量的进一步提高奠定必要的基础;同时本发明针对实际生产中遇到的“黑盒子”问题提出了一种多变量统计回归方法,它在特征提取过程中既能使变量中的高斯信息和非高斯信息完全提取出来,又能保证计算简单易行,不需要先验知识来选择大量参数而是通过自身的优化来实现,使回归问题得到很好的解决。
具体实施方式
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。
橡胶的另一主要质量指标流变参数(主要包括最低扭矩ML,最高扭矩MH和硫化时间参数TC30、TC60以及TC90)是每车橡胶在混炼结束后必须要测量的参数,每次测量只需要2~5分钟,检测快速简便。考虑到门尼仪和流变仪工作原理的相似性,以及流变参数与门尼粘度本身具有较强的相关性,那么如何通过流变参数拟合出门尼粘度成为解决门尼粘度测量瓶颈问题的一个可行方法。
目前为止,多元统计回归方法在数据驱动问题中已经广泛应用,而且对提高预测性能起到了明显的作用,解决了很多生产生活中的实际问题。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,人工神经网络)、SVM(SupportVector Machine,支持向量机)和GP(Gaussian Process,高斯过程)等等。尤其要突出的是高斯过程,它是最近十几年才发展起来的一种新型的基于概率思想的非线性核机器学习方法,可以通过自身的迭代完成最优参数的选择,而且达到相当高的分类和回归精度,因此在统计数据分析领域受到越来越多的关注。但是高斯过程和上述提及的各种数据驱动方法都是基于一个共同的假设建立的,样本满足高斯分布。而实际上,尤其对于工厂的实际采样数据而言,大部分不都是严格满足这一条件的。因此寻找另一种适合于非高斯样本分布的算法来解决数据驱动问题迫在眉睫。然而早在上个世纪九十年代有关学者就提出用ICA(Independentcomponent analysis,独立成分分析)解决盲源分离问题,它是指在无先验知识的情况下将混合信号分解为统计独立的源信号的线性组合的整个过程,这些源信号由ICs(Independent Components,独立成分)表示,也就是ICA可以分离出多变量统计数据的隐含成分,它在化工过程监控中也得到了很好的应用。但是特别要注意的一点是ICA的使用有一个前提——多变量统计数据满足非高斯分布。本世纪初,有学者将ICA进行改进应用于多变量统计回归问题中,即得到ICR(Independent Component Regression,独立成分回归)算法。基于样本满足非高斯分布的假设,ICR较之上面列出的多元统计回归方法来说可以提取出更多的非高斯信息。另一方面,由于提取出的ICs不仅是不相关的而且是相互独立的,所以可以克服变量之间的多重相关性,从而大大提高预测精度。
面对工厂的实际问题,尤其在没有任何先验知识的情况下,并不知道采样数据是满足高斯分布还是非高斯分布,因此用数据驱动的方法进行建模分析时,必须考虑到这个问题,进行特殊处理,以达到更高的预测精度。为了解决这个问题,近年来提出了很多新的方法,如ICA-PLS,ICA-PCA,ICA-KPLS(Kernel PartialLeast Squares,核部分最小二乘),ICA-SVM等,这些新的多变量统计回归方法在回归计算过程中都可以同时提取高斯信息和非高斯信息,且在一定程度上回归精度有所提高,但是依然不能解决所有问题,而且这些较复杂的方法也给多元回归模型带来了其他的问题。比如,ICA-PLS和ICA-PCA都是线性方法,所以对于非线性问题并不适用;ICA-KPLS和ICA-SVM等基于核的ICA方法能很好的解决非线性问题,但是核参数的选择和优化需要足够的先验知识,而在用流变参数拟合门尼粘度这个实际问题中并没有可供参考的先验知识(一般无任何先验知识的问题被称为“黑盒子”问题),因此也不适用。那么寻找更好的更适合解决无先验知识的非线性时变问题的回归方法是用流变参数ML拟合门尼粘度所面临的主要问题。
鉴于GP是一种基于概率思想的、通过自身的迭代完成最优参数选择的、非线性核机器学习方法,且具有很高的分类和回归精度,那么考虑到将ICR和GP结合起来处理多变量统计回归问题,这样就可以在无任何先验知识的情况下同时提取非高斯信息和高斯信息,解决非线性问题,且不存在任何核参数的优化问题。
独立成分分析(ICA)是最初被用于解决盲源分离问题的一种高阶统计算法,主要目的是将观察到的混合信号转化为统计独立的原始信号的线性组合。1999年有学者提出了FastICA(fixed-point method,基于快速不动点方法)解决ICA问题。在FastICA中核心计算公式之一为X=AS,其中X为观察到的混合信号,S和A分别为对应的独立成分矩阵(即源信号)和混合矩阵。求解S和A的方法是对观察样本估计出一个线性协调系统,在满足使输出矩阵U达到最强独立性的情况下求出观察样本的分解矩阵W,同时这些矩阵满足公式:
UT=WX=WAST=ST (1)
由此可见W和A互为逆矩阵,U和S都表示独立成分矩阵。
当ICA在化工过程监控和各种图像处理及模式识别问题中得到越来越好的应用时,基于FastICA的独立成分回归(ICR)也被提出用于解决非高斯信号的回归问题。回归系数矩阵表示为B=(STS)-1STYtr,其中S和Y分别为训练样本输入矩阵的独立成分和输出矩阵。对于预测样本Xte系数矩阵为Ate=XteS,最终得到回归矩阵为Ytei=AteB,若原始信号包含非高斯信号和高斯信号,那么该回归矩阵就可以看做是ICR提取出的非高斯信息对应的回归值。
高斯过程(GP)基于贝叶斯理论,通过训练样本参数的先验分布得到参数的后验分布,且输入随机变量的任意子集被假设为满足联合高斯分布。高斯过程的输入为随机数据集{Y(x)|x∈X},其中X=(x1,x2,...,xn)为n维输入样本矩阵,由于该随机数据集满足高斯分布,则自变量的均值函数和方差函数分别为:
m(x)=E[Y(x)]=0 (2)
C(x,xT)=E[(Y(x)-m(x))(Y(xT)-m(xT))](3)
由此得到GP的典型形式Y(x)~GP(m(x),C(x,xT))。
对于测试样本而言,预测得到的分布当然也满足高斯分布,均值函数和方差函数由训练样本的相关函数和测试样本的输入表示为:
t(x)=kTK-1y (4)
其中,k(x)=(C(x,x1),...,C(x,xp))T,K(Kij=C(xi,xj))为训练样本的协方差矩阵。
对于GP而言,协方差函数的形式多种多样,依据以前的诸多研究者结果,选择下面的协方差函数
协方差函数中包含了线性和非线性部分,这也说明了GP既能解决线性问题也能解决非线性问题,但是实际应用时,一般将其用于解决相对较复杂的非线性问题,可以得到很高的分类或者回归精度。
101:将当前车次混炼过程结束后质量监测系统采集到的终炼胶质量指标中的流变参数与门尼粘度在线预测模型ICGP自动连接,并且设定流变参数新样本为xnew;
其中,参见图1和图2,门尼粘度在线预测模型ICGP的建立具体为:对于橡胶的两个主要的质量指标——门尼粘度和流变参数,结合独立成分回归方法ICR和高斯过程GP根据流变参数构建门尼粘度在线预测模型ICGP,通过门尼粘度在线预测模型ICGP获取最终回归值。
本发明实施例在机理分析及大量实验验证基础上,构建门尼粘度在线预测模型ICGP,利用流变参数预测出传统采样测得的门尼粘度值,并提出新颖的机器学习算法寻找两者之间的关系,即利用先进的独立成分回归算法和高斯过程,模型的主要内容描述如下:
1)首先采集终炼橡胶质量指标数据样本,建立数据库,数据样本包括流变参数和门尼粘度值,且规定流变参数对应的自变量X={x1,x2,...,xn},门尼粘度值对应的因变量Y={y1,y2,...,yn},n为建模所需样本数,xi,yi分别对应流变参数和门尼粘度值,i=1,2,...,n;
2)通过独立成分回归方法ICR对自变量(流变参数)X进行非高斯信息提取,得到独立成分回归模型,得到对应的独立成分矩阵S、混合矩阵A以及回归值YICR,即门尼粘度中所包含的非高斯信息;
3)自变量矩阵X中包含的非高斯信息表示为(7)式;
YE=Y-YICR (9)
(8)式和(9)式分别表示被独立成分回归ICR提取后自变量矩阵(流变参数)和实际回归矩阵(门尼粘度)中余下的高斯信息部分,再将XE和YE作为高斯过程GP训练样本的输入和输出,进行高斯过程的建模,提取出XE中的高斯信息,得到回归值YGP,即门尼粘度中所包含的高斯信息;
4)获取最终回归值即门尼粘度为Ypred=YICR+YGP。
至此门尼粘度在线预测模型ICGP的建立就完成了,表示为f:x→y(其中自变量x为流变参数,因变量y为门尼粘度值)。
102:将新样本xnew输入门尼粘度在线预测模型ICGP中,根据f:x→y,自动输出回归值,即对应的门尼粘度值ynew;
103:读取门尼粘度值ynew,并将门尼粘度值ynew传输给质量监测系统,质量监测系统接收门尼粘度值ynew,根据与门尼粘度预设值的对比,对同批次的混炼过程进行相应的工艺调整,自动检测是否有新样本xnew输入(即同批次橡胶混炼过程是否继续),如果是,执行步骤104;如果否,执行步骤105;
其中,进行相应的工艺调整,例如:配方调整,混炼各阶段时间的调整等。
其中,门尼粘度预设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。
104:重新执行步骤101;
105: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;门尼粘度在线预测模型ICGP在建模过程中有效的提取了样本中的全部信息,包括高斯信息和非高斯信息,能保证得到较高的回归精度;与此同时保证方法的简单易行,不存在复杂的参数选择和优化问题。
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。