CN109693325A - 硫化工艺的集散控制方法、电子设备及存储介质 - Google Patents

硫化工艺的集散控制方法、电子设备及存储介质 Download PDF

Info

Publication number
CN109693325A
CN109693325A CN201811642233.6A CN201811642233A CN109693325A CN 109693325 A CN109693325 A CN 109693325A CN 201811642233 A CN201811642233 A CN 201811642233A CN 109693325 A CN109693325 A CN 109693325A
Authority
CN
China
Prior art keywords
station
central operation
vulcanizer
vulcanization
field control
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201811642233.6A
Other languages
English (en)
Other versions
CN109693325B (zh
Inventor
李泽
杨歆豪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou University of Science and Technology
Original Assignee
Suzhou University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Suzhou University of Science and Technology filed Critical Suzhou University of Science and Technology
Priority to CN201811642233.6A priority Critical patent/CN109693325B/zh
Publication of CN109693325A publication Critical patent/CN109693325A/zh
Application granted granted Critical
Publication of CN109693325B publication Critical patent/CN109693325B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C35/00—Heating, cooling or curing, e.g. crosslinking or vulcanising; Apparatus therefor
    • B29C35/002—Component parts, details or accessories; Auxiliary operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Abstract

本发明提供硫化工艺的集散控制方法，包括以下步骤：采集现场数据，预测性能指标，优化硫化工艺参数，控制现场设备，实时反馈控制。本发明还涉及存储介质、电子设备；本发明通过中央操作站将控制站采集的硫化工艺参数作为神经网络模型的输入，将预测的性能指标作为优化算法的目标函数搜索最优硫化工艺参数，控制站通过最优硫化工艺参数控制现场设备工作，并对硫化过程中实际温度进行实时采集，通过实际温度控制多台硫化机工作，本发明的中央操作站能够确定使产品性能指标达到要求的优化硫化工艺参数，使得产品性能稳定，能够根据硫化过程实际温度控制硫化机工作，硫化过程控制精确，采用中央操作站与现场控制站的连接，使得系统的可扩展性强。

Description

硫化工艺的集散控制方法、电子设备及存储介质
技术领域
本发明属于生产厂房内产品硫化过程中的控制方法技术领域，特别是涉及硫化工艺的集散控制方法。
背景技术
产品的硫化过程，就是将其放在一定温度、一定压力的硫化膜腔内，保持一定的时间，进行一种高分子交联反应。产品硫化后的质量好坏，取决于其所能达到的硫化程度，而硫化工艺参数是影响硫化程度的重要因素。在实际生产中，由于产品硫化过程具有不确定性和复杂性，难以确定使性能指标达到要求的硫化工艺参数，目前在实际生产中主要靠经验确定硫化工艺参数，需要反复调整和试验，耗时费力，导致产品性能不稳定。并且传统的控制硫化过程的方法是定时控制，这种方法假定产品硫化过程中模柜内温度和压力保持恒定，但是由于锅炉蒸汽压力波动以及蒸汽在管道中传输温度递减等因素的影响，生成出的产品经常出现过硫化或欠硫化现象，另外工人的劳动强度大，资源浪费严重。
发明内容
为了克服现有技术的不足，本发明提出的一种硫化工艺的集散控制方法，解决了在实际生产中主要靠经验确定硫化工艺参数，需要反复调整和试验，耗时费力，导致产品性能不稳定以及采用传统的定时控制方法生成出的产品经常出现过硫化或欠硫化现象的问题。
本发明提供硫化工艺的集散控制方法，包括以下步骤：
S0、采集现场数据，中央操作站接收现场控制站采集若干台硫化机的若干组硫化工艺参数及对应的产品性能指标，将若干组硫化工艺参数分为输入样本集和验证样本集，将所述输入样本集对应的产品性能指标作为输出样本集；
S1、预测性能指标，所述中央操作站通过所述输入样本集和所述输出样本集训练神经网络模型，将所述验证样本集输入所述神经网络模型，得到预测性能指标；
S2、优化硫化工艺参数，所述中央操作站通过优化算法将所述预测性能指标作为目标函数搜索最优解，得到最优的硫化工艺参数；
S3、控制现场设备，所述中央操作站根据所述最优的硫化工艺参数生成控制信号，并将所述控制信号发送至所述现场控制站控制现场设备的运行；
S4、实时反馈控制，所述中央操作站接收所述现场控制站实时采集的若干台硫化机对应加热介质中的温度信息，通过所述温度信息计算对应的硫化机的剩余硫化时间，将所述剩余硫化时间发送至所述现场控制站控制对应的硫化机。
进一步地，在步骤S0中，所述硫化工艺参数为温度信息、时间信息、压力信息，所述产品性能指标为所述硫化机中联轴器的拉伸强度、撕裂强度、邵尔硬度，所述中央操作站将若干组所述温度信息、所述时间信息、所述压力信息分为输入样本集和验证样本集，将所述输入样本集对应的拉伸强度、撕裂强度、邵尔硬度作为输出样本集。
进一步地，在步骤S0中，所述中央操作站接收所述现场控制站通过温度传感器采集若干台所述硫化机对应加热介质中的若干组温度信息，接收所述现场控制站通过压力传感器采集若干台所述硫化机对应压力系统中的若干组压力信息，接收所述现场控制站采集若干台所述硫化机中联轴器的拉伸强度、撕裂强度、邵尔硬度，并通过所述温度信息计算时间信息。
进一步地，在步骤S0中，所述中央操作站通过阿累尼兹方程式根据采集的温度信息计算所述时间信息。
进一步地，在步骤S1中，所述神经网络模型为BP神经网络模型，所述中央操作站通过所述输入样本集和所述输出样本集训练所述BP神经网络模型，将所述验证样本集输入所述BP神经网络模型，得到预测的拉伸强度、撕裂强度、邵尔硬度；
在步骤S2中，所述优化算法为遗传算法，所述中央操作站通过所述遗传算法将所述预测的拉伸强度、撕裂强度、邵尔硬度加权和最大作为目标函数搜索最优解，得到最优的温度信息、时间信息、压力信息。
进一步地，在步骤S3中，所述中央操作站根据所述最优的温度信息、时间信息、压力信息生成控制信号，并将所述控制信号发送至所述现场控制站设定所述硫化机对应加热介质的温度，所述硫化机对应压力系统的压力，所述硫化机的开模时间。
进一步地，在步骤S4中，所述中央操作站通过阿累尼兹方程式根据所述现场控制站实时采集的硫化机对应加热介质中的温度信息计算实际应硫化时间，通过所述实际应硫化时间减去已硫化时间，得到剩余硫化时间。
进一步地，在步骤S4中还包括接收所述现场控制站实时采集的硫化机合模开关的状态，当所述中央操作站启动时，所述现场控制站设置无干扰切入标志无效，当所述中央操作站接收到一次所述现场控制站发送的开模信号时，设置所述无干扰切入标志有效，直至当所述中央操作站接收到所述现场控制站发送的合模信号时，所述中央操作站将所述剩余硫化时间发送至所述现场控制站控制所述硫化机的开模时间。
一种电子设备，包括：处理器；
存储器；以及程序，其中所述程序被存储在所述存储器中，并且被配置成由处理器执行，所述程序包括用于执行硫化工艺的集散控制方法。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行硫化工艺的集散控制方法。
相比现有技术，本发明的有益效果在于：
本发明提供硫化工艺的集散控制方法，包括以下步骤：采集现场数据，预测性能指标，优化硫化工艺参数，控制现场设备，实时反馈控制。本发明还涉及存储介质、电子设备；本发明通过中央操作站将现场控制站采集的硫化过程中的温度、时间、压力作为神经网络模型的输入，将预测出的硫化机中联轴器的拉伸强度、撕裂强度、邵尔硬度作为优化算法的目标函数，搜索到硫化过程中最优的温度、时间、压力，现场控制站通过最优的温度、时间、压力控制现场设备工作，并对硫化过程中加热介质的实际温度进行实时采集，通过实际温度调节多台硫化机的开模时间，本发明的中央操作站能够确定使产品性能指标达到要求的优化硫化工艺参数，使得产品性能稳定，能够根据硫化过程实际温度调节硫化机开模时间，精确的控制了硫化过程，避免产品出现过硫化或欠硫化现象，节省资源，控制过程简单有效，采用中央操作站与现场控制站的连接，使得系统的可扩展性强，通过增加现场控制站实现对更多硫化机的控制。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明的硫化工艺的集散控制方法流程示意图；
图2为本发明的实时反馈控制步骤流程示意图。
具体实施方式
下面，结合附图以及具体实施方式，对本发明做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
硫化工艺的集散控制方法，如图1所示，包括以下步骤：
S0、采集现场数据，中央操作站与若干现场控制站实时通讯，各现场控制站控制若干硫化机，各现场控制站采集若干台硫化机的若干组硫化工艺参数及对应的产品性能指标，中央操作站接收现场控制站采集若干台硫化机的若干组硫化工艺参数及对应的产品性能指标，将若干组硫化工艺参数分为输入样本集和验证样本集，将输入样本集对应的产品性能指标作为输出样本集；优选地，由于硫化温度、时间、压力是影响产品性能指标的重要参数，因此选择硫化工艺参数为温度信息、时间信息、压力信息，因拉伸强度、撕裂强度、邵尔硬度是硫化产品的重要性能指标，故本实施例中选择产品性能指标为硫化机中联轴器的拉伸强度、撕裂强度、邵尔硬度，中央操作站将若干组温度信息、时间信息、压力信息分为输入样本集和验证样本集，将输入样本集对应的拉伸强度、撕裂强度、邵尔硬度作为输出样本集。硫化工艺参数具体的采集方式为：各现场控制站通过温度传感器采集若干台硫化机对应加热介质中的若干组温度信息，加热介质可以为蒸汽，则相应地，各现场控制站通过温度传感器采集若干台硫化机对应刘虎蒸汽管道中的若干组温度信息，通过压力传感器采集若干台硫化机对应压力系统中的若干组压力信息，压力系统可以为液压缸，则相应地，各现场控制站通过压力传感器采集若干台硫化机对应液压缸中的若干组压力信息，采集若干台硫化机中联轴器的拉伸强度、撕裂强度、邵尔硬度。中央操作站通过阿累尼兹方程式根据采集的温度信息计算时间信息，阿累尼兹方程式如下：
其中，t1为标准硫化温度，t2为实际硫化温度，T1为标准硫化时间，T2为实际应硫化时间，r为气体常数，e为硫化反应活化能，也为常数。
S1、预测性能指标，中央操作站通过样本集和输出样本集训练神经网络模型，将验证样本集输入神经网络模型，得到预测性能指标；具体地，神经网络模型为BP神经网络模型，中央操作站通过输入样本集和输出样本集训练BP神经网络模型，BP神经网络模型经大量学习样本的训练后，其输入与输出之间形成了一种能够映射硫化工艺参数与性能指标内在联系的连接关系，即获得应用性能预报的神经网络模型，训练后的神经网络模型具有较高的预测精度和良好的泛化能力，将验证样本集输入BP神经网络模型，得到预测的拉伸强度、撕裂强度、邵尔硬度；
S2、优化硫化工艺参数，由于BP神经网络模型输出的结果只是映射值，并非最优值，要获得最优硫化工艺参数，应进行优化计算，即中央操作站通过优化算法将预测性能指标作为目标函数搜索最优解，得到最优的硫化工艺参数；具体地，优化算法为遗传算法，中央操作站通过遗传算法将预测的拉伸强度、撕裂强度、邵尔硬度加权和最大作为目标函数搜索最优解，即当目标函数取得最大值时，达到优化目标，相应的一组硫化工艺参数为最优参数，得到最优的温度信息、时间信息、压力信息。
S3、控制现场设备，中央操作站根据最优的硫化工艺参数生成控制信号，并将控制信号发送至现场控制站控制现场设备的运行；具体地，中央操作站根据最优的温度信息、时间信息、压力信息生成控制信号，并将控制信号发送至现场控制站设定硫化机对应加热介质的温度，硫化机对应压力系统的压力，硫化机的开模时间。
S4、实时反馈控制，虽然通过上述步骤得到了最优的硫化工艺参数，并按照最优的硫化工艺参数对现场设备参数进行了设置，但是锅炉蒸汽压力会出现波动，蒸汽在管道中传输温度会递减，使得硫化温度不稳定，因此需要对实际硫化过程进行实时精确地控制，如图2所示，中央操作站接收现场控制站实时采集的若干台硫化机对应加热介质中的温度信息，通过温度信息计算对应的硫化机的剩余硫化时间，将剩余硫化时间发送至现场控制站控制对应的硫化机。具体地，中央操作站通过阿累尼兹方程式根据现场控制站实时采集的硫化机对应加热介质中的温度信息计算实际应硫化时间，具体计算过程参照步骤S0，通过实际应硫化时间减去已硫化时间，得到剩余硫化时间。系统刚开始运行时，若检测到一台硫化机正处于合模状态，也就是正在工作，因无法确定该硫化机已经工作多长时间，若此时通过控制站将实际应硫化时间设定至硫化机中，会引起过硫化现象，优选地，在步骤S4中还包括接收现场控制站实时采集的硫化机合模开关的状态，当中央操作站启动时，现场控制站设置无干扰切入标志无效，即使检测到一台硫化机处于合模状态，中央操作站也不对该硫化机的本次运行进行干预，当中央操作站接收到一次现场控制站发送的开模信号时，设置无干扰切入标志有效，直至当中央操作站再接收到现场控制站发送的合模信号时，中央操作站将剩余硫化时间发送至现场控制站控制硫化机的开模时间。
一种电子设备，包括：处理器；
存储器；以及程序，其中程序被存储在存储器中，并且被配置成由处理器执行，程序包括用于执行硫化工艺的集散控制方法。
一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行硫化工艺的集散控制方法。
本发明提供硫化工艺的集散控制方法，包括以下步骤：采集现场数据，预测性能指标，优化硫化工艺参数，控制现场设备，实时反馈控制。本发明还涉及存储介质、电子设备；本发明通过中央操作站将现场控制站采集的硫化过程中的温度、时间、压力作为神经网络模型的输入，将预测出的硫化机中联轴器的拉伸强度、撕裂强度、邵尔硬度作为优化算法的目标函数，搜索到硫化过程中最优的温度、时间、压力，现场控制站通过最优的温度、时间、压力控制现场设备工作，并对硫化过程中加热介质的实际温度进行实时采集，通过实际温度调节多台硫化机的开模时间，本发明的中央操作站能够确定使产品性能指标达到要求的优化硫化工艺参数，使得产品性能稳定，能够根据硫化过程实际温度调节硫化机开模时间，精确的控制了硫化过程，避免产品出现过硫化或欠硫化现象，节省资源，控制过程简单有效，采用中央操作站与现场控制站的连接，使得系统的可扩展性强，通过增加现场控制站实现对更多硫化机的控制。
以上，仅为本发明的较佳实施例而已，并非对本发明作任何形式上的限制；凡本行业的普通技术人员均可按说明书附图所示和以上而顺畅地实施本发明；但是,凡熟悉本专业的技术人员在不脱离本发明技术方案范围内，利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化，均为本发明的等效实施例；同时,凡依据本发明的实质技术对以上实施例所作的任何等同变化的更动、修饰与演变等，均仍属于本发明的技术方案的保护范围之内。

Claims (10)

1.硫化工艺的集散控制方法，其特征在于，包括以下步骤：
S0、采集现场数据，中央操作站接收现场控制站采集若干台硫化机的若干组硫化工艺参数及对应的产品性能指标，将若干组硫化工艺参数分为输入样本集和验证样本集，将所述输入样本集对应的产品性能指标作为输出样本集；
S1、预测性能指标，所述中央操作站通过所述输入样本集和所述输出样本集训练神经网络模型，将所述验证样本集输入所述神经网络模型，得到预测性能指标；
S2、优化硫化工艺参数，所述中央操作站通过优化算法将所述预测性能指标作为目标函数搜索最优解，得到最优的硫化工艺参数；
S3、控制现场设备，所述中央操作站根据所述最优的硫化工艺参数生成控制信号，并将所述控制信号发送至所述现场控制站控制现场设备的运行；
S4、实时反馈控制，所述中央操作站接收所述现场控制站实时采集的若干台硫化机对应加热介质中的温度信息，通过所述温度信息计算对应的硫化机的剩余硫化时间，将所述剩余硫化时间发送至所述现场控制站控制对应的硫化机。
2.如权利要求1所述的硫化工艺的集散控制方法，其特征在于：在步骤S0中，所述硫化工艺参数为温度信息、时间信息、压力信息，所述产品性能指标为所述硫化机中联轴器的拉伸强度、撕裂强度、邵尔硬度，所述中央操作站将若干组所述温度信息、所述时间信息、所述压力信息分为输入样本集和验证样本集，将所述输入样本集对应的拉伸强度、撕裂强度、邵尔硬度作为输出样本集。
3.如权利要求2所述的硫化工艺的集散控制方法，其特征在于：在步骤S0中，所述中央操作站接收所述现场控制站通过温度传感器采集若干台所述硫化机对应加热介质中的若干组温度信息，接收所述现场控制站通过压力传感器采集若干台所述硫化机对应压力系统中的若干组压力信息，接收所述现场控制站采集若干台所述硫化机中联轴器的拉伸强度、撕裂强度、邵尔硬度，并通过所述温度信息计算时间信息。
4.如权利要求3所述的硫化工艺的集散控制方法，其特征在于：在步骤S0中，所述中央操作站通过阿累尼兹方程式根据采集的温度信息计算所述时间信息。
5.如权利要求2所述的硫化工艺的集散控制方法，其特征在于：
在步骤S1中，所述神经网络模型为BP神经网络模型，所述中央操作站通过所述输入样本集和所述输出样本集训练所述BP神经网络模型，将所述验证样本集输入所述BP神经网络模型，得到预测的拉伸强度、撕裂强度、邵尔硬度；
在步骤S2中，所述优化算法为遗传算法，所述中央操作站通过所述遗传算法将所述预测的拉伸强度、撕裂强度、邵尔硬度加权和最大作为目标函数搜索最优解，得到最优的温度信息、时间信息、压力信息。
6.如权利要求5所述的硫化工艺的集散控制方法，其特征在于：在步骤S3中，所述中央操作站根据所述最优的温度信息、时间信息、压力信息生成控制信号，并将所述控制信号发送至所述现场控制站设定所述硫化机对应加热介质的温度，所述硫化机对应压力系统的压力，所述硫化机的开模时间。
7.如权利要求6所述的硫化工艺的集散控制方法，其特征在于：在步骤S4中，所述中央操作站通过阿累尼兹方程式根据所述现场控制站实时采集的硫化机对应加热介质中的温度信息计算实际应硫化时间，通过所述实际应硫化时间减去已硫化时间，得到剩余硫化时间。
8.如权利要求7所述的硫化工艺的集散控制方法，其特征在于：在步骤S4中还包括接收所述现场控制站实时采集的硫化机合模开关的状态，当所述中央操作站启动时，所述现场控制站设置无干扰切入标志无效，当所述中央操作站接收到一次所述现场控制站发送的开模信号时，设置所述无干扰切入标志有效，直至当所述中央操作站接收到所述现场控制站发送的合模信号时，所述中央操作站将所述剩余硫化时间发送至所述现场控制站控制所述硫化机的开模时间。
9.一种电子设备，其特征在于包括：处理器；
存储器；以及程序，其中所述程序被存储在所述存储器中，并且被配置成由处理器执行，所述程序包括用于执行如权利要求1所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行如权利要求1所述的方法。
CN201811642233.6A 2018-12-29 2018-12-29 硫化工艺的集散控制方法、电子设备及存储介质 Active CN109693325B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811642233.6A CN109693325B (zh) 2018-12-29 2018-12-29 硫化工艺的集散控制方法、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811642233.6A CN109693325B (zh) 2018-12-29 2018-12-29 硫化工艺的集散控制方法、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN109693325A true CN109693325A (zh) 2019-04-30
CN109693325B CN109693325B (zh) 2020-09-29

Family

ID=66232354

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811642233.6A Active CN109693325B (zh) 2018-12-29 2018-12-29 硫化工艺的集散控制方法、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN109693325B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114536616A (zh) * 2022-03-01 2022-05-27 国能神东煤炭集团有限责任公司 一种温度控制方法、电路、装置、系统及存储介质
CN115319974A (zh) * 2022-10-12 2022-11-11 南通岑春机械有限公司 一种自适应平板硫化机温度控制方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0875365A2 (en) * 1997-05-02 1998-11-04 Bridgestone Corporation Rubber product control method using identification marking
CN1289670A (zh) * 2000-09-29 2001-04-04 华南理工大学 橡胶硫化温度在线预测控制仪及其预测控制方法
CN1851715A (zh) * 2005-10-18 2006-10-25 宁波海太塑料机械有限公司 塑料注射过程中注塑件缺陷的智能修正方法及注塑机
CN1919579A (zh) * 2005-08-25 2007-02-28 中国科学院自动化研究所 用于注射模塑成型机的自适应温度控制方法及其电路
CN103737878A (zh) * 2013-12-27 2014-04-23 华中科技大学 一种注塑缺陷在线修正方法及注塑机
CN104035401A (zh) * 2014-05-20 2014-09-10 苏州智信通电子科技有限公司 数控热成型硫化系统及其控制方法
CN105117801A (zh) * 2015-09-07 2015-12-02 广东工业大学 基于智能算法的轮胎成型-硫化生产能耗实时优化方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0875365A2 (en) * 1997-05-02 1998-11-04 Bridgestone Corporation Rubber product control method using identification marking
CN1289670A (zh) * 2000-09-29 2001-04-04 华南理工大学 橡胶硫化温度在线预测控制仪及其预测控制方法
CN1919579A (zh) * 2005-08-25 2007-02-28 中国科学院自动化研究所 用于注射模塑成型机的自适应温度控制方法及其电路
CN1851715A (zh) * 2005-10-18 2006-10-25 宁波海太塑料机械有限公司 塑料注射过程中注塑件缺陷的智能修正方法及注塑机
CN103737878A (zh) * 2013-12-27 2014-04-23 华中科技大学 一种注塑缺陷在线修正方法及注塑机
CN104035401A (zh) * 2014-05-20 2014-09-10 苏州智信通电子科技有限公司 数控热成型硫化系统及其控制方法
CN105117801A (zh) * 2015-09-07 2015-12-02 广东工业大学 基于智能算法的轮胎成型-硫化生产能耗实时优化方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114536616A (zh) * 2022-03-01 2022-05-27 国能神东煤炭集团有限责任公司 一种温度控制方法、电路、装置、系统及存储介质
CN115319974A (zh) * 2022-10-12 2022-11-11 南通岑春机械有限公司 一种自适应平板硫化机温度控制方法

Also Published As

Publication number Publication date
CN109693325B (zh) 2020-09-29

Similar Documents

Publication Publication Date Title
US11002202B2 (en) Deep reinforcement learning for air handling control
CN109693325A (zh) 硫化工艺的集散控制方法、电子设备及存储介质
CN108121215B (zh) 基于全回路重构仿真的工业控制回路性能评价方法及装置
CN101799888B (zh) 基于仿生智能蚁群算法的工业软测量方法
CN108446769A (zh) 知识图谱关系推理方法、装置、计算机设备和存储介质
CN112182910B (zh) 一种用于控制交联材料制备效果的方法及装置
CN108872508A (zh) 一种ga-bp优化tsfnn的富营养水质评价方法
CN117008557B (zh) 共混型互穿网络热塑性弹性体的生产控制方法及系统
CN106401757A (zh) 发动机的断缸模式实现方法、系统及车辆
CN103279652B (zh) 一种基于蜂群行为的dna遗传算法的复杂化工过程建模方法
CN113962154A (zh) 一种基于迁移学习的锂电池核温评估方法及系统
CN109032117A (zh) 基于arma模型的单回路控制系统性能评价方法
Galiullin Development of automated test system for diesel engines based on fuzzy logic
CN106779065A (zh) 一种光伏阵列的最大功率点跟踪方法及系统
CN1295576C (zh) 槽式反应器基于支持向量机的非线性模型预测控制方法
CN105159247B (zh) 基于信息传递的间歇过程实时采样点阶段归属判断方法
CN112966399B (zh) 一种基于机器学习的脉管制冷机工况预测方法及系统
CN109435630A (zh) 一种基于人工神经网络算法的乘员舱温度控制方法
CN116485049B (zh) 一种基于人工智能的电能计量误差预测与优化系统
CN116776525B (zh) 一种数据驱动型igbt器件的驱动优化方法
CN106781502B (zh) 一种基于向量量化训练模型的燃油汽车路况识别方法
CN111796519B (zh) 一种基于极限学习机的多输入多输出系统自动控制方法
CN116430726A (zh) 基于减法聚类和模糊神经网络的涡轮机组控制方法
CN110298385A (zh) 一种基于*信息与增量svdd在线早期故障检测方法
CN114357867A (zh) 基于水轮机仿真智能求解的一次调频控制方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant