CN102608303A - 一种橡胶硬度的在线测量方法 - Google Patents

Abstract

本发明公开了一种橡胶硬度的在线测量方法，当用于模型更新的新样本X_new的数目达到阈值A时，硬度在线预测模型f:x→y更新一次；当没有达到阈值A时，不进行更新，直到达到阈值A，获取更新后的硬度在线预测模型，通过更新后的硬度在线预测模型预测下一车次的新样本X_new对应的橡胶硬度值，获取橡胶硬度值与实际测得的橡胶硬度值的差值，获得误差；本方法通过不断的对硬度在线预测模型进行更新，从而得到精确的橡胶硬度值，提高了橡胶的质量，并且通过实际的试验验证了采用本方法可以得到较高的精度，减少了安全隐患。

Description

一种橡胶硬度的在线测量方法

技术领域

本发明涉及橡胶轮胎制造领域，特别涉及一种橡胶硬度的在线测量方法。

背景技术

近年来，随着生产和生活中对橡胶需求的不断增加，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。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，而且橡胶混练过程复杂，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。硬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)用橡胶硬度计测量橡胶样品的硬度。经过上述一系列的复杂工序后，才能得到该车次橡胶的硬度。

近年来，基于软模型的质量预测方法受到广泛的应用，软测量的核心问题是建立测量模型，也就是建立被估计变量与其它直接测量变量间的关联模型。其中SVM(Support Vector Machine，支持向量机)预测模型在软测量方法中应用广泛。生产过程中，采集包含大量相关信息的数据，根据SVM相关理论只建立一次软测量模型，对整个生产过程的产品进行质量预测。由于橡胶生产过程是一个典型的间歇性过程，产品的质量受工艺和环境的影响因素很大，通常一次建立的模型不能完成对整个生产过程的质量实时监控，从而造成橡胶产品质量受到严重影响，对橡胶产品的再加工有很强的障碍，最终影响产品的质量和寿命，而且可能会有安全性隐患，给企业和产品使用者造成损失。

发明内容

本发明提供了一种橡胶硬度的在线测量方法，本发明提高了产品的质量和寿命，降低了橡胶硬度的测量误差，详见下文描述：

一种橡胶硬度的在线测量方法，所述方法包括以下步骤：

(1)在不同置信水平α下设定Q统计量的三个控制限Q_as、Q_al和Q_ah，其中Q_as＜Q_al＜Q_ah；

(2)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硬度在线预测模型f:x→y自动连接，并且设定流变参数的新样本X_{n ew}；

(3)计算所述新样本X_new对应的Q统计量的值Q_new；

(4)判断是否满足Q_new＞Q_ah，如果是，执行步骤(5)；如果否，执行步骤(6)；

(5)与所述硬度在线预测模型f:x→y相连接的质量监测系统发生警报，操作工人查看生产线的工况，然后进行相应的工艺调整，使当前工况恢复到正常状况，流程结束；

(6)判断是否满足Q_as≤Q_new≤Q_al，如果是，执行步骤(7)；如果否，执行步骤(9)；

(7)则所述新样本X_new用于所述硬度在线预测模型f:x→y的更新，当用于模型更新的新样本X_new的数目达到阈值A时，所述硬度在线预测模型f:x→y更新一次；当没有达到阈值A时，不进行更新，直到达到阈值A，获取更新后的硬度在线预测模型，执行步骤(8)；

(8)通过所述更新后的硬度在线预测模型预测下一车次的新样本X_new对应的橡胶硬度值，获取所述橡胶硬度值与实际测得的橡胶硬度值的差值，获得误差；

(9)流程结束。

$Q_{\mathrm{\α}}={\mathrm{\θ}}_1{[\frac{C_{\mathrm{\α}}\sqrt{2{\mathrm{\θ}}_2{h}_0^2}}{\mathrm{\θ}}+1+\frac{{\mathrm{\θ}}_2{h}_0(h_0-1)}{{\mathrm{\θ}}_1^2}]}^{\frac{1}{h_0}}$

式中： ${\mathrm{\θ}}_i=\underset{j=k+1}{\overset{n}{\mathrm{\Σ}}}{\left({\mathrm{\λ}}_j\right)}^i$ (i＝1，2，3...)

$h_0=1-\frac{{2\mathrm{\θ}}_1{\mathrm{\θ}}_3}{{3\mathrm{\θ}}_2^2}$

λ_j为X的协方差矩阵的特征值，C_α为正态分布在检验水平为α下的临界值，k是主元模型中保留的主元个数，n是全部主元个数。

本发明提供的技术方案的有益效果是：本发明实施例提供了一种橡胶硬度的在线测量方法，本方法通过不断的对硬度在线预测模型进行更新，从而得到精确的橡胶硬度值，提高了橡胶的质量，并且通过实际的试验验证了采用本方法可以得到较高的精度，减少了安全隐患。

附图说明

图1为本发明提供的一种橡胶硬度的在线测量方法的流程图；

图2为本发明提供的橡胶硬度模型预测试验示意图。

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。

为了提高生产效率和产品的质量，实现在线自动测量，本发明实施例提供了一种橡胶硬度的在线测量方法，参见图1，详见下文描述：

橡胶的质量指标流变参数(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。考虑到邵氏硬度计和流变仪工作原理的相似性，以及流变参数与硬度本身具有较强的相关性，那么如何通过流变参数拟合出硬度成为解决硬度测量瓶颈问题的一个可行方法。

目前为止，多变量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。橡胶工业上橡胶硬度的检测多为多变量统计回归过程。用于回归的方法很多种，如传统的统计分析方法以及神经网络方法等。这些方法虽然在实际应用中占据主导地位，但人们也发现它们还存在着许多不足之处。比如，传统的统计方法一般需要事先知道样本的先验分布，并要求有足够多的样本数据，而这些要求在实际应用中往往难以达到，这就使其在实际应用中效果往往并不理想。神经网络方法虽然很好地解决了非线性问题，但由于其自身存在着结构不易确定、易陷入局部极小等固有的缺陷，从而限制了其实际应用。另外，神经网络的学习算法仅仅试图使经验风险最小化，并没有使期望风险最小化，与传统的最小二乘法相比，在原理上缺乏实质性的突破，这也是神经网络过拟合现象产生的原因，从而导致了其推广能力的下降。

101：在不同置信水平α下设定Q统计量的三个控制限Q_as、Q_al和Q_ah，其中Q_as＜Q_al＜Q_ah；

在多变量控制过程中，需要建立一个反映正常运行的主元模型，将反映正确运行的历史数据收集起来，对这些数据进行主元分析，建立主元模型。由于主元分析的结构受到数据的影响，因此在进行主元分析时，需要先将数据进行标准化，即将每个变量的均值减掉然后除以它的标准差。假设X∈R^n×m为收集到的过程正常运行数据，先将X做如下标准化，

${\stackrel{\‾}{X}}_s=[X-{(11...1)}^{T}M]\mathrm{diag}(\frac{1}{s_1},\frac{2}{s_2},...,\frac{1}{s_m})$

式中M＝[m₁，m₂...m_m]为变量X的均值，s＝[s₁，s₂...，s_m]为变量的标准差。对

进行主元分析可以得到

$\stackrel{\‾}{X}=t_1{p}_1^T+t_2{p}_2^T+L+t_m{p}_m^T$

如果可以用前k(k＜m)个主元来代表数据中的主要变化，那么可以得到下面的主元模型

$\stackrel{\‾}{X}=t_1{p}_1^T+t_2{p}_2^T+L+t_k{p}_k^T+E=X_p+E$

其中

$X_p=t_1{p}_1^T+t_2{p}_2^T+L+t_k{p}_k^T$

这个主元在i时刻的平方预测误差(SPE，Square Prediction Error)可以写为

式中：X_ij为i时刻第j个变量的预测值，

为第j个变量的主元模型预测值。

为了利用主元模型对生产过程进行监控，需要工业过程正常运行的数据来确定工业过程运行的SPE控制限，当主元模型的SPE超过它们的控制限时，就认为工业过程中出现了不正常情况。

主元模型的SPE也称作Q统计量，对第i个采样点来说

$Q_i=e_i{e}_i^T=X_i(I-P_k{P}_k^T)X_i^T$

其中e_i是式E的第i行，P_k＝[p₁，p₂，L p_k]，I是n×n的单位矩阵。SPE代表了数据没有被主元模型解释的变化。当SPE过大时，说明过程中出现了不正常情况，从而过程正常运行时的模型不再试用。控制线的计算是建立在一定的假设基础上的，当检验水平为α时，SPE控制限由按下式计算：

$Q_{\mathrm{\α}}={\mathrm{\θ}}_1{[\frac{C_{\mathrm{\α}}\sqrt{2{\mathrm{\θ}}_2{h}_0^2}}{\mathrm{\θ}}+1+\frac{{\mathrm{\θ}}_2{h}_0(h_0-1)}{{\mathrm{\θ}}_1^2}]}^{\frac{1}{h_0}}$

式中： ${\mathrm{\θ}}_i=\underset{j=k+1}{\overset{n}{\mathrm{\Σ}}}{\left({\mathrm{\λ}}_j\right)}^i$ (i＝1，2，3...)

$h_0=1-\frac{{2\mathrm{\θ}}_1{\mathrm{\θ}}_3}{{3\mathrm{\θ}}_2^2}$

λ_j为X的协方差矩阵的特征值，C_α为正态分布在检验水平为α下的临界值，k是主元模型中保留的主元个数，n是全部主元个数。其中，三个控制限Q_as、Q_al和Q_ah对应于α取三个不同值时得到的函数表达式。

Q统计量度量了一个数据点偏离主元模型的程度，当Q统计量超过控制限时，可以判断操作出现了不正常情况。

102：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硬度在线预测模型f:x→y自动连接，并且设定流变参数的新样本X_new；

其中，硬度在线预测模型f:x→y具体为：

1)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硬度值，且规定流变参数对应自变量X＝{x₁，x₂，...，x_n}，硬度值对应因变量Y＝{y₁，y₂，...，y_n}，n为建模所需样本数，x_i和y_i分别对应流变参数和硬度值，i＝1，2，...，n；

2)采用适当的非线性映射即核函数K(x_i，x_j)，将样本数据X映射到高维特征空间H，在这个空间内使拟合函数很好的线性逼近样本数据X，得到SVM非线性回归的函数型f:x→y为：

y＝f(x)＝wgφ(x)+b

式中w为权重，φ(x)为输入值的非线性映射集合，b为阈值，(g)表示点积。

3)将输入带入函数f:x→y中，得到相应的模型预测值。

103：计算新样本X_new对应的Q统计量的值Q_new；

104：判断是否满足Q_new＞Q_ah，如果是，执行步骤105；如果否，执行步骤106；

105：与在线预测模型f:x→y相连接的警报器发生警报，操作工人查看生产线的工况，然后进行相应的工艺调整，使当前工况恢复到正常状况，执行步骤109；

其中，相应的工艺调整包括：原料反应温度和混料顺序进行调节。

106：判断是否满足Q_as≤Q_new≤Q_al，如果是，执行步骤107；如果否，执行步骤109；

107：则新样本X_new用于硬度在线预测模型f:x→y的更新，当用于模型更新的新样本X_new的数目达到阈值A时，硬度在线预测模型f:x→y更新一次；当没有达到阈值A时，不进行更新，直到达到阈值A，获取更新后的硬度在线预测模型，执行步骤108；

其中，阈值A取值根据实际生产状况确定，具体实现时，本发明实施例对此不做限制。例如：当阈值A的取值为5时，当前车次用于模型更新的新样本X_new的数目为2，第二车次的模型更新的新样本X_new的数目为3，则用于更新的新样本X_new的数目为5，达到了阈值A，对硬度在线预测模型进行更新，获取更新后的硬度在线预测模型。

其中，对硬度在线预测模型f:x→y更新一次具体为：将用于更新的新样本输入到硬度在线预测模型数据库中，获取更新后的硬度在线预测模型。

其中，该步骤中的统计量的值Q_new满足：Q_new＜Q_a或Q_al＜Q_new≤Q_ah。

108：通过更新后的硬度在线预测模型预测下一车次的新样本X_new对应的橡胶硬度值，获取橡胶硬度值与实际测得的橡胶硬度值的差值，获得误差；

109：流程结束。

下面以一个具体的试验来验证本发明实施例提供的一种橡胶硬度的在线测量方法的可行性，详见下文描述：

随机抽取15个样本做实验分析，编号1到15，分别用现有技术和本方法计算橡胶的硬度值，得到的硬度值参见图2。

从图2中对比分析可以得出，本方法得到的橡胶硬度值更接近实际测得的橡胶硬度真实值，计算后得知平均预测误差可以减小15％左右，使橡胶硬度测量值更接近真实值。本方法在一定程度上解决了橡胶硬度预测值偏差过大的问题，因而减小了因为硬度测量不准确带来的损失。

综上所述，本发明实施例给出了一种橡胶硬度的在线测量方法，本方法通过不断的对硬度在线预测模型进行更新，从而得到精确的橡胶硬度值，提高了橡胶的质量，并且通过实际的试验验证了采用本方法可以得到较高的精度，减少了安全隐患。

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。

Claims (2)

1.一种橡胶硬度的在线测量方法，其特征在于，所述方法包括以下步骤：

(1)在不同置信水平α下设定Q统计量的三个控制限Q_as、Q_al和Q_ah，其中Q_as＜Q_al＜Q_ah；

(2)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硬度在线预测模型f:x→y自动连接，并且设定流变参数的新样本X_{n ew}；

(3)计算所述新样本X_new对应的Q统计量的值Q_new；

(4)判断是否满足Q_new＞Q_ah，如果是，执行步骤(5)；如果否，执行步骤(6)；

(5)与所述硬度在线预测模型f:x→y相连接的质量监测系统发生警报，操作工人查看生产线的工况，然后进行相应的工艺调整，使当前工况恢复到正常状况，流程结束；

(6)判断是否满足Q_as≤Q_new≤Q_al，如果是，执行步骤(7)；如果否，执行步骤(9)；

(7)则所述新样本X_new用于所述硬度在线预测模型f:x→y的更新，当可用于模型更新的新样本X_new的数目达到阈值A时，所述硬度在线预测模型f:x→y更新一次；当没有达到阈值A时，不进行更新，直到达到阈值A，获取更新后的硬度在线预测模型，执行步骤(8)；

(8)通过所述更新后的硬度在线预测模型预测下一车次的新样本X_new对应的橡胶硬度值，获取所述橡胶硬度值与实际测得的橡胶硬度值的差值，获得误差；

(9)流程结束。

2.根据权利要求1所述的一种橡胶硬度的在线测量方法，其特征在于，

$Q_{\mathrm{\α}}={\mathrm{\θ}}_1{[\frac{C_{\mathrm{\α}}\sqrt{2{\mathrm{\θ}}_2{h}_0^2}}{\mathrm{\θ}}+1+\frac{{\mathrm{\θ}}_2{h}_0(h_0-1)}{{\mathrm{\θ}}_1^2}]}^{\frac{1}{h_0}}$

式中： ${\mathrm{\θ}}_i=\underset{j=k+1}{\overset{n}{\mathrm{\Σ}}}{\left({\mathrm{\λ}}_j\right)}^i$ (i＝1，2，3...)

$h_0=1-\frac{{2\mathrm{\θ}}_1{\mathrm{\θ}}_3}{{3\mathrm{\θ}}_2^2}$

λ_j为X的协方差矩阵的特征值，C_α为正态分布检验水平为α下的临界值，k是主元模型中保留的主元个数，n是全部主元个数。

Images