CN102567386A - 在线检测数据库更新方法 - Google Patents

Abstract

本发明所述在线检测数据库更新方法，采用在线递增更新与最大偏差贡献筛选策略以实现在线检测数据库的实时优化与数据更新。在线检测数据库更新方法是，引入至少n_min组门尼粘度值(x_i，y_i)以建立门尼粘度预测模型和构成门尼粘度在线检测数据库。当按常规风冷停放工艺预测出门尼粘度值Y_(wmin+1)不符合混炼工艺质量标准、而预测得出的门尼粘度值y_(wmin+1)符合混炼工艺质量标准时，对在线检测数据库中的n_min组门尼粘度值(x_i，y_i)进行更新。更新方法采取最大偏差贡献筛选策略，将max(λ_i)(i＝1，2，……，n_wmin+1)对应的那组门尼粘度值删除，以重新建立门尼粘度预测模型。

Description

在线检测数据库更新方法

技术领域

本发明适用于橡胶混炼门尼粘度检测工艺流程，具体地是针对在线检测数据库更新方法的改进，属于橡胶机械与工业自动化控制领域。

背景技术

随着橡胶材料制造技术的不断创新，多种配方的胶料进行混合生产已经得到普及推广。为提高混炼过程中的品质、助剂分散性和胶料整体均匀性，需对指定车次的胶料进行定位取样、送检以混炼胶料质量评判。做为衡量混炼胶粘度特性、可加工特性、压延特性等多方面重要性能指标的门尼粘度一直是提高混炼胶质量检测自动化水平、检测精度的关键因素。

目前国内外橡胶制造领域对于门尼粘度的检测主要存在着如下问题缺陷：

1、为提高自动化水平与质检精度，在工业化生产过程中通过建立预测模型以完成在线检测来控制混炼胶料的自动排胶过程。然而橡胶混炼过程是典型的间歇生产过程，并且由于在橡胶生产过程中，生产设备的不断磨损，新配方的不断增加以及现有配方的不断微调都将对预测模型的预测精度产生直接的影响，因此模型数据库的数据更新就显得非要必要和重要。目前检测数据库的更新方法，基本上是离线进行的，所以不能及时地采集到当前的生产工况信息，具有一定的偏差率。

2、现有检测数据库的筛选更新策略，通常采用先进先出式队列更新，即以最后进入数据库的信息数据替代最初的信息数据，因此易造成将最有代表性的有效样本加以删除而保留了对模型适应性较差的数据样本，其结果是更新后的预测模型稳定性较差。

发明内容

本发明所述的在线检测数据库更新方法，旨在解决上述现有技术存在的不足与缺陷而采用在线递增更新与最大偏差贡献筛选策略，以实现在线检测数据库的实时优化与数据更新，为质量控制策略地有效应用和产品制造质量的进一步提高提供必要的基础。

本发明的目的是，通过局部更新与全部更新方式的组合采用，提高门尼粘度预测模型与配方、生产工艺调节和设备磨损的一致性。

另一发明目的是，提高更新前、后门尼粘度检测结果的稳定性，以保证采用预测模型预测多车次胶料的精确度。

为实现上述发明目的，所述在线检测数据库更新方法主要包括有以下步骤：

在橡胶混炼门尼粘度在线软测量过程中，引入至少n_min组门尼粘度值(x_i，y_i)以建立门尼粘度预测模型；

x_i为第i车胶料经过挤出工序之后、经过隔离剂之前，在线取样、检测的门尼粘度值；

y_i为按常规风冷停放工艺实际检测的门尼粘度值；

至少n_min组门尼粘度值(x_i，y_i)构成门尼粘度在线检测数据库。

与现有技术的主要区别点是，

将第n_wmin+1车胶料的x_(wmin+1)引入门尼粘度预测模型，以通过映射关系f：x→y按常规风冷停放工艺预测出门尼粘度值Y_(wmin+1)；

当Y_(wmin+1)不符合混炼工艺质量标准时，则采用人工方式按常规风冷停放工艺进行二次验证检测，门尼粘度实测值计为y_(wmin+1)；

继续判断y_(wmin+1)是否符合混炼工艺质量标准，若是，则门尼粘度预测模型不符合预测要求，对在线检测数据库中的n_min组门尼粘度值(x_i，y_i)进行更新；

更新方法采取最大偏差贡献筛选策略，将max(λ_i)(i＝1，2，……，n_wmin+1)对应的那组门尼粘度值删除，以重新建立门尼粘度预测模型。

如上述基本方案特征，当混炼胶料的配方、生产工艺、原材料物性进行调整、或是生产设备出现磨损时，均对于已经建立的门尼粘度预测模型产生影响，原有建模时引入的至少n_min组门尼粘度值已经出现了偏差，需要重新评价以删除偏差度最大的那组。

本发明提出采取最大偏差贡献筛选策略，当有第n_wmin+1组门尼粘度值的数据可用时，并非直接删除建模时采用的第1车数据，而是将存在最大偏差max(λ_i)对应的那组门尼粘度值加以删除。有可能是第1车数据，也有可能是第n_wmin+1车数据。

上述方案提出的更新方法定义为局部更新，即引入一组新的数据，即从原有至少n_min组数据中删除偏差最大的一组数据。

为提高更新方法的有效性与重新建模的准确性，所述的最大偏差贡献筛选策略包括以下实现步骤：

第一步，将第n_min+1车胶料的门尼粘度值(x_(wmin+1)，y_(wmin+1))代入在线检测数据库；

在n_wmin+1组门尼粘度值中，先去掉第i(i＝1，2，……，n_wmin+1)车胶料对应的门尼粘度值，再采用交叉验证的方式以其余的n_wmin组数据建立门尼粘度预测模型，得到预测偏差err_(i，j)，从而根据求得对应的方差S_(i，n)；

第二步，针对第n_wmin+1车胶料采用交叉验证的方式进行门尼粘度值预测；

即以第i车胶料的门尼粘度值为预测样本、用剩余的n_wmin组门尼粘度值为训练样本以建立门尼粘度预测模型，得到预测偏差err_i，进而求出S_(i，n+1)；

第三步，设λ_i＝(S_i，n+1/S_i，n)，得出max(λ_i)(i＝1，2，……，n_wmin+1)。

上述在线检测数据库的更新，是针对当混炼胶料的配方、生产工艺、原材料物性进行部分或局部性调整时适用的，当预测模型存在的前提条件发生较大变化时，需对在线检测数据库进行全局更新。具体的改进方案可以是，

在线检测数据库更新过程中，跟踪M组门尼粘度值更新的删除率δ；

δ＝被删除的用于更新的门尼粘度值组数/M；

当δ不小于设定的警戒值时，放弃所述的最大偏差贡献筛选策略，而重新获取至少n_min组门尼粘度值以建立门尼粘度预测模型。

在采用最大偏差贡献筛选策略进行数据库更新时，如新引入的几组数据被认为引起的偏差贡献最大而随之被删除、不能进入数据库中，就说明预测模型建立的前提条件发生了较大的变化，即应当进行全局更新。

本发明所述的首样本检测，是指在第i车混炼胶料进行在线取样时，在该车胶料的纵向1/2至2/3处、以及横向的几何中心处进行采样。

本发明所述的建模过程是采用递推式建模过程，即：

第一步，对n车胶料分别进行首样本检测和按常规风冷停放工艺检测，记录门尼粘度值x_n和y_n，直至n达到最小样本数n_min；

第二步，将第1车至第n车胶料的实测门尼粘度值x_n、y_n组成测量序列

以获得拟合函数f：x→y，其中x到y映射的总误差最小；

设定线性函数f(x)＝wx+b，以支持向量机函数K(x_i，x_j)代替(x_i，x_j)实现从线性向非线性函数的转化，从而获得门尼粘度预测模型的最终决策函数f(x)＝w·x+b＝∑(α^* _i-α_i)K(x_i，x)+b；

第三步，将n车胶料的首样本检测门尼粘度值x₁……x_n，分别引入最终决策函数f(x)＝w·x+b＝∑(α^* _i-α_i)K(x_i，x)+b，以对应地预测出n车胶料按常规风冷停放工艺检测的门尼粘度值Y₁……Y_n；

将n车胶料按常规风冷停放工艺实际检测的门尼粘度值y₁……y_n，与预测出的门尼粘度值Y₁……Y_n按每车次对应地进行比较，判断n组数据的差值是否全部处于门尼粘度检测设备的系统误差范围之内；若是，则建模成功，将所建立的门尼粘度预测模型用于第n+1车及其以后车次胶料的门尼粘度值预测；若否，则说明建模不成功，重新返回第一步操作。

更为优化与细化的改进方案是，在递推式建模的第二步中，将支持向量机函数：K(x_i，x_j)＝<φ(x_i)，φ(x_j)>投射到高维特征空间H；

H是再生核希尔伯特空间(Reproducing Kernel Hilbert Space，RKHS)，在特征映射φ(x_i)张成的高维子空间H中寻求拟合函数f：x→y。

综上所述，本发明在线检测数据库更新方法具有以下优点和有益效果：

1、能够数据库的实时优化与数据更新，从而有效地提高门尼粘度预测模型与配方、生产工艺调节和设备磨损的一致性。

2、通过跟踪数据库更新进程的删除率δ，以保证更新前、后门尼粘度检测结果的稳定性和多车次胶料的精确度。

3、利用首样本取样和支持向量机算法函数建立门尼粘度预测模型，明显地缩短了门尼粘度检测周期，最大限度地降低胶料检测数据滞后性，为混炼胶的粘度特性等工艺质量指标提供衡量依据。

附图说明

现结合以下附图对本发明做进一步的说明。

图1是所述门尼粘度预测模型的建立过程示意图；

图2是所述橡胶混炼门尼粘度在线软测量方法的示意图；

图3是所述最大偏差贡献筛选策略的流程图；

图4是所述在线检测数据库更新方法的流程图。

具体实施方式

实施例1，如图1和图2所示，所述的橡胶混炼门尼粘度在线软测量方法，是在胶料经过密炼、挤出、压延、开炼的混炼加工过程中，进行首样本取样并检测。

具体地，引入支持向量机函数K(x_i，x_j)＝<φ(x_i)，φ(x_j)>以建立门尼粘度预测模型；

在第i车的混炼胶料经过挤出工序之后、经过隔离剂之前，进行在线取样操作；

对于取样后的胶样进行首样本检测，门尼粘度值并计为x_i；

将x_i引入门尼粘度预测模型以通过映射关系f：x→y，预测出按常规风冷停放工艺检测得出的第i车胶样门尼粘度值Y_i。

针对预测得出的、按常规风冷停放工艺的门尼粘度值Y_i，判断其是否在混炼工艺质量标准范围之内，若是，则说明门尼粘度预测模型工作正常，将x_i和Y_i分别存储至在线软测量数据库；

若否，则采用人工方式按常规风冷停放工艺进行二次验证检测，胶样门尼粘度实测值计为y_i；

继续判断门尼粘度实测值y_i是否在混炼工艺质量标准范围之内，若否，则说明门尼粘度预测模型符合预测要求，将第i车胶料废弃不用；若是，则说明门尼粘度预测模型不符合预测要求，需重新进行建模。

所述门尼粘度预测模型的建模过程采用递推式建立方式，包括以下实现步骤：

第一步，对n车胶料分别进行首样本检测和按常规风冷停放工艺检测，记录门尼粘度值x_n和y_n，直至n达到最小样本数n_min；最小样本数n_min可根据胶料混炼配方、制造工艺和门尼检测设备等参数确定，如设定n_min＝20。

第二步，将第1车至第n车胶料的实测门尼粘度值x_n、y_n组成测量序列

以获得拟合函数f：x→y，其中x到y映射的总误差最小；

设定线性函数f(x)＝wx+b，以支持向量机函数K(x_i，x_j)代替(x_i，x_j)实现从线性向非线性函数的转化，从而获得门尼粘度预测模型的最终决策函数f(x)＝w·x+b＝∑(α^* _i-α_i)K(x_i，x)+b；

支持向量机函数K(x_i，x_j)＝<φ(x_i)，φ(x_j)>，即Kernel函数：Ξ×Ξ→-，对应于相应的点积<·，·>_H，成立：(1)k具有再生性质，即<f，k(x，·)>＝f(x)，

(2)k张成子空间H，即

其中

表示集合Ξ的闭集。因此组份仪的建模可以看作是先利用一个“虚拟”映射φ：：Ξ→H，将x_i∈Ξ投影到H上，其中φ是与kernel函数k有关的非线性算子。

将支持向量机函数K(x_i，x_j)投射到高维特征空间H，H是再生核希尔伯特空间(Reproducing Kernel Hilbert Space，RKHS)，在特征映射φ(x_i)张成的高维子空间H中寻求拟合函数f：x→y。

按现有常规的模型建立过程，通常是利用前n-1车数据来预测第n车数据，当样本数n小于规定的最小样本数n_min时，并不进行模型的建立和预测，n_min的取值根据具体的生产过程而定，通常为几十到几百个不等。由此给制造企业带来了很大的采样压力。

为最大限度地减轻采样工作量，本实施例提出递进式数据库初始化策略。即当样本数大于2时即开始预测，即由前两个预测第三个，由前三个预测第四个，如此一个个的递推下去，并同时提供预测精度的可信度。当n＞n_min(n_min≤δ，δ是根据具体混炼配方而定的一个具体的数值)时，需要保证预测精度的绝对值小于门尼检测设备的系统误差。

而本实施例在建模过程中采用支持向量机函数的方法，所以能够较大地减少建模样本的数量，即n_min的值大大降低。

具体预测问题是根据所给定的一组已知的(x_i，y_i)来得出一个函数关系式f(x)。

先从线性关系着手，设f(x)＝wx+b，那么只要求得w和b：

首先由数据类型以及实际情况，先选择适当的不敏感系数ε，其原始问题可以转化为：

min             1/2||w||²

s.t.            ((w·x_i)+b)-y_i≤ε

                y_i-((w·x_i)+b)≤ε，i＝1，2，3...l

上述l为训练样本的数量，对于求极值问题，引入如下拉格朗日函数，

L＝1/2||w||²-∑α_i(ε+y_i-(w·x_i)-b)-∑α^* _i(ε-y_i+(w·x_i)+b)

α^* _i，α_i≥0为拉格朗日乘子，先对L函数关于w，b求极小值，即分别对w，b求偏导，并分别令它们等于0，得到

L’_w＝w-∑(α^* _i-α_i)x_i＝0

L’_b＝∑(α^* _i-α_i)＝0

再把极值条件代入L函数中，得到原始问题的对偶问题为：

min    1/2∑(α^* _i-α_i)(α^* _j-α_j)(x_i，x_j)+ε∑(α^* _i+α_i)-∑y_i(α^* _i-α_i)

s.t.  ∑(α^* _i-α_i)＝0，α^* _i，α_i≥0，i＝1，2，3...l

对偶问题的解为α(^*)＝(α₁，α^* ₁，...，α_l，α^* _l)^T，则原始问题的解为w＝∑(α^* _i-α_i)x_i，选择α的正分量α_j＞0，b＝y_j-(w·x_j)+ε＝y_j-∑(α^* _i-α_i)(x_i，x_j)+ε，或选择α^*的正分量α^* _j＞0，b＝y_j-(w·x_j)-ε，则(w，b)是原始问题的解。

那么，决策函数变成f(x)＝w·x+b＝∑(α^* _i-α_i)(x_i，x)+b，即函数f：x→y，也满足α^* _i≠0或α_i≠0对应的输入向量x_i为支持向量。

以上是关于线性问题，通过核函数K(x_i，x_j)代替上面(x_i，x_j)即实现了从线性向非线性转化，其中K(x_i，x_j)是事先根据实际情况取定的非线性函数，那么最终的决策函数变成f(x)＝w·x+b＝∑(α^* _i-α_i)K(x_i，x)+b，即最终的模型。

第三步，将n车胶料的首样本检测门尼粘度值x₁……x_n，分别引入最终决策函数f(x)＝w·x+b＝∑(α^* _i-α_i)K(x_i，x)+b，以对应地预测出n车胶料按常规风冷停放工艺检测的门尼粘度值Y₁……Y_n；

将n车胶料按常规风冷停放工艺实际检测的门尼粘度值y₁……y_n，与预测出的门尼粘度值Y₁……Y_n按每车次对应地进行比较，判断n组数据的差值是否全部处于

门尼粘度检测设备的系统误差范围之内；若是，则建模成功，将所建立的门尼粘度预测模型用于第n+1车及其以后车次胶料的门尼粘度值预测；若否，则说明建模不成功，重新返回第一步操作。

如图3和图4所示，所述的在线检测数据库更新方法，在橡胶混炼门尼粘度在线软测量过程中，引入至少n_min＝20组门尼粘度值(x_i，y_i)以建立门尼粘度预测模型。

即至少n_min＝20组门尼粘度值(x_i，y_i)构成了门尼粘度在线检测数据库。

将第n_wmin+1车胶料的x_(wmin+1)引入门尼粘度预测模型，以通过映射关系f：x→y按常规风冷停放工艺预测出门尼粘度值Y_(wmin+1)；

当Y_(wmin+1)不符合混炼工艺质量标准时，则采用人工方式按常规风冷停放工艺进行二次验证检测，门尼粘度实测值计为y_(wmin+1)；

继续判断y_(wmin+1)是否符合混炼工艺质量标准，若是，则门尼粘度预测模型不符合预测要求，对在线检测数据库中的n_min组门尼粘度值(x_i，y_i)进行更新；

更新方法采取如下最大偏差贡献筛选策略：

第一步，将第n_min+1车胶料的门尼粘度值(x_(wmin+1)，y_(wmin+1)代入在线检测数据库；

在n_wmin+1组门尼粘度值中，先去掉第i(i＝1，2，……，n_wmin+1)车胶料对应的门尼粘度值，再采用交叉验证的方式以其余的n_wmin组数据建立门尼粘度预测模型，得到预测偏差err_(i，j)，从而根据求得对应的方差S_(i，n)；

第二步，针对第n_wmin+1车胶料采用交叉验证的方式进行门尼粘度值预测；

即以第i车胶料的门尼粘度值为预测样本、用剩余的n_wmin组门尼粘度值为训练样本以建立门尼粘度预测模型，得到预测偏差err_i，进而求出S_(i，n+1)；

第三步，设λ_i＝(S_i，n+1/S_i，n)，得出max(λ_i)(i＝1，2，……，n_wmin+1)，将max(λ_i)(i＝1，2，……，n_wmin+1)对应的那组门尼粘度值删除，以重新建立门尼粘度预测模型，即完成在线检测数据库的局部更新。

以上述在线检测数据库的局部更新为基础，通过跟踪M组门尼粘度值更新的删除率δ；以判断是否执行在线检测数据库的全局更新。

其中，δ＝被删除的用于更新的门尼粘度值组数/M；

当δ不小于设定的警戒值时，放弃所述的最大偏差贡献筛选策略，而重新获取至少n_min组门尼粘度值以建立门尼粘度预测模型。

例如设定M＝10，判断进行全局更新警戒值为60％。

在任意连续10组用于更新的门尼粘度值时，若其中有多于4组的门尼粘度值被用于进行在线检测数据库的局部更新，则说明当前混炼胶料的配方、生产工艺、原材料物性等参数指标未发生较大变化，采用最大偏差贡献筛选策略是适合的。若δ等于或大于60％，即仅有4组或少于4组的门尼粘度值被用于进行在线检测数据库的局部更新，则说明当前混炼胶料的配方、生产工艺、原材料物性等参数指标发生了较大变化，最大偏差贡献筛选策略不再适用，应当进行全局更新。

Claims (6)

1.一种在线检测数据库更新方法，在橡胶混炼门尼粘度在线软测量过程中，

引入至少n_min组门尼粘度值(x_i，y_i)以建立门尼粘度预测模型；

x_i为第i车胶料经过挤出工序之后、经过隔离剂之前，在线取样、检测的门尼粘度值；

y_i为按常规风冷停放工艺实际检测的门尼粘度值；

至少n_min组门尼粘度值(x_i，y_i)构成门尼粘度在线检测数据库，其特征在于：

将第n_wmin+1车胶料的x_(wmin+1)引入门尼粘度预测模型，以通过映射关系f：x→y按常规风冷停放工艺预测出门尼粘度值Y_(wmin+1)；

当Y_(wmin+1)不符合混炼工艺质量标准时，则采用人工方式按常规风冷停放工艺进行二次验证检测，门尼粘度实测值计为y_(wmin+1)；

继续判断y_(wmin+1)是否符合混炼工艺质量标准，若是，则门尼粘度预测模型不符合预测要求，对在线检测数据库中的n_min组门尼粘度值(x_i，y_i)进行逐一更新；

更新方法采取最大偏差贡献筛选策略，将max(λ_i)(i＝1，2，……，n_wmin+1)对应的那组门尼粘度值删除，以重新建立门尼粘度预测模型。

2.根据权利要求1所述的在线检测数据库更新方法，其特征在于：所述的最大偏差贡献筛选策略包括以下实现步骤，

第一步，将第n_min+1车胶料的门尼粘度值(x_(wmin+1)，y_(wmin+1))代入在线检测数据库；

在n_wmin+1组门尼粘度值中，先去掉第i(i＝1，2，……，n_wmin+1)车胶料对应的门尼粘度值，再采用交叉验证的方式以其余的n_wmin组数据建立门尼粘度预测模型，得到预测偏差err_(i，j)，从而根据求得对应的方差S_(i，n)；

第二步，针对第n_min+1车胶料采用交叉验证的方式进行门尼粘度值预测；

即以第i车胶料的门尼粘度值为预测样本、用剩余的n_wmin组门尼粘度值为训练样本以建立门尼粘度预测模型，得到预测偏差err_i，进而求出S_(i，n+1)；

第三步，设λ_i＝(S_i，n+1/S_i，n)，得出max(λ_i)(i＝1，2，……，n_wmin+1)。

3.根据权利要求2所述的在线检测数据库更新方法，其特征在于：在线检测数据库更新过程中，跟踪M组门尼粘度值更新的删除率δ；

δ＝被删除的用于更新的门尼粘度值组数/M；

当δ不小于设定的警戒值时，放弃所述的最大偏差贡献筛选策略，而重新获取至少n_min组门尼粘度值以建立门尼粘度预测模型。

4.根据权利要求1、2或3所述的在线检测数据库更新方法，其特征在于：在第i车混炼胶料进行在线取样时，在该车胶料的纵向1/2至2/3处、以及横向的几何中心处进行采样。

5.根据权利要求4所述的在线检测数据库更新方法，其特征在于：所述门尼粘度预测模型的建立采用递推式建模过程，

第一步，对n车胶料分别进行首样本检测和按常规风冷停放工艺检测，记录门尼粘度值x_n和y_n，直至n达到最小样本数n_min；

第二步，将第1车至第n车胶料的实测门尼粘度值x_n、y_n组成测量序列

以获得拟合函数f：x→y，其中x到y映射的总误差最小；

设定线性函数f(x)＝wx+b，以支持向量机函数K(x_i，x_j)代替(x_i，x_j)实现从线性向非线性函数的转化，从而获得门尼粘度预测模型的最终决策函数f(x)＝w·x+b＝∑(α^* _i-α_i)K(x_i，x)+b；

第三步，将n车胶料的首样本检测门尼粘度值x₁……x_n，分别引入最终决策函数f(x)＝w·x+b＝∑(α^* _i-α_i)K(x_i，x)+b，以对应地预测出n车胶料按常规风冷停放工艺检测的门尼粘度值Y₁……Y_n；

将n车胶料按常规风冷停放工艺实际检测的门尼粘度值y₁……y_n，与预测出的门尼粘度值Y₁……Y_n按每车次对应地进行比较，判断n组数据的差值是否全部处于门尼粘度检测设备的系统误差范围之内；若是，则建模成功，将所建立的门尼粘度预测模型用于第n+1车及其以后车次胶料的门尼粘度值预测；若否，则说明建模不成功，重新返回第一步操作。

6.根据权利要求5所述的在线检测数据库更新方法，其特征在于：在递推式建模的第二步中，将支持向量机函数：K(x_i，x_j)＝<φ(x_i)，φ(x_j)>投射到高维特征空间H；

H是再生核希尔伯特空间(Reproducing Kernel Hilbert Space，RKHS)，在特征映射φ(x_i)张成的高维子空间H中寻求拟合函数f：x→y。

Images