CN102621018A - 一种橡胶硬度的在线自动测量方法 - Google Patents

Abstract

本发明公开了一种橡胶硬度的在线自动测量方法，当用于模型更新的新样本X_new的数目达到阈值C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C，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自动测量方法

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自动测量方法。

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。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。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一下几个步骤：

(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。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。

橡胶硬度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，寻求实时监测硬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硬度的在线自动测量方法，该方法可以实现实时的测量硬度，测量结果准确和生产成本低等优点，详见下文描述：

一种橡胶硬度的在线自动测量方法，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C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C时，不进行更新，直到达到阈值C，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为正态分布置信水平为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自动测量方法的流程图；

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自动测量方法，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。

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，也就是建立待估计变量与其它直接测量变量间的关联模型。其中部分最小二乘法(Partial Least Square PLS)不依赖于过程机理模型，训练时不需要故障样本，近年来在化工过程的质量控制和在线监测等方面得到广泛应用和研究。

现有PLS技术在建模时，通常需要积累一定的数据量，再用PLS建模算法对这些数据进行建模。模型一旦建立，即存入模型库中，之后对其更新的时间间隔和更新数据的多少没有明确的规定，完全却决于执行人员的认为因素，导致PLS无法利用新的生产数据在线更新PLS模型，即使可以重新建模，更新时间往往是根据认为经验设定，具有很强的主观性：如果更新模型太频繁，会浪费大量的人力和物力(数据采集、样本检测等)；如果更新时间间隔太久，又会导致模型偏离实际工况，无法反应当前过程的当前状况。递推部分最小二乘(Recursive PLS，RPLS)弥补了PLS在这方面的不足，RPLS引入了“遗忘因子”和“滑动窗口”方法，在一定程度上克服了“数据饱和”现象的不利影响。

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...mm]为变量X的均值，s＝[s₁，s₂...，sm]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：

(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)采集数据，构造原始数据矩阵{X，Y}，并对其进行数据预处理；

2)对{X，Y}采用PLS算法进行建模，{X，Y}→{T，W，P，B，Q}；

3)加入新数据，然后利用遗忘因子法对旧参数矩阵进行加权，即用遗忘因子λ(0＜λ≤1)对旧参数矩阵相乘从而达到削弱旧数据对建模的影响的作用，再和旧参数组成新数据矩阵X＝[λPT，X₁]，Y＝[λBQ^T，Y₁]

最后返回步骤2。

其中：①步骤1)中数据预处理指数据归一化；

②步骤2)中T＝{t₁，t₂，…，t_r}是X的得分矩阵，W＝[w₁，w₂，…，w_r]是X的权值矩阵，P＝[p₁，p₂，…，p_r]和Q＝[q₁，q₂，…，q_r]分别是X和Y的负荷矩阵，B＝diag{t₁，t₂，…t_r}；r是X的秩。

③遗忘因子λ取值根据橡胶生产过程工况确定。

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C时，硬度在线预测模型f:x→y更新一次；当没有达到阈值C时，不进行更新，直到达到阈值C，获取更新后的硬度在线预测模型，执行步骤108；

其中，阈值C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C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C，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自动测量方法的可行性，详见下文描述：

随机抽取8个样本做实验分析，编号1到8，分别用现有技术和本专利方法计算橡胶的硬度值，并分别得到预测值与真实值误差的平方(Square Error，SE)，结果比较见下图2。

从图2中对比分析可以得出，本方法得到的橡胶硬度预测值与真实值的误差平方可以更小，即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自动测量方法，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自动测量方法，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_{ne w}；

(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C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C时，不进行更新，直到达到阈值C，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自动测量方法，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为正态分布置信水平为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