CN111457091B - 具有稳固结构的密封组件 - Google Patents

Abstract

本公开实施例公开了具有稳固结构的密封组件。该密封组件的一具体实施方式包括：密封主体，密封主体与密封槽的尺寸相适配；可形变通道，可形变通道贯穿密封主体，在组装好的状态下，上述可形变通道在外力的作用下能够发生形变；稳固组件，稳固组件固设到密封主体的一侧，以及与可形变通道并列设置，在组装到密封槽的状态下，稳固组件受到挤压，以及压迫可形变通道发生形变。通过在密封主体上设置可变形通道和稳固组件，在将上述密封组件安装到密封槽上时，能够缓解该密封主体在受到挤压时形变过大而造成损伤。以及增强了上述密封组件与密封槽的贴合程度。

Description

具有稳固结构的密封组件

技术领域

本公开实施例涉及橡胶密封领域，具体涉及具有稳固结构的密封组件。

背景技术

现如今，橡胶产品已经应用到各个领域。具体来说，密封条是橡胶产品的一种，已经广泛应用到汽车、车窗、冰箱等各行各业。

对于具有直线槽、环形槽等较为规则的密封槽，在安装密封条时，通常会出现密封条安装不稳固而导致密封效果降低的问题。

目前的解决办法往往是在密封条与密封槽之间设置背胶，从而使密封条能够紧密地贴合到密封槽中。

但是，这种处理方法为后期更换密封条带来了困扰。同时也增加了操作步骤，降低了工作效率。

相应地，本领域需要一种新的密封条来解决上述问题。

发明内容

本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

为了解决上述问题，本公开的一些实施例提出了具有稳固结构的密封组件。

第一方面，本公开的一些实施例提供了一种具有稳固结构的密封组件，上述密封组件包括：密封主体，上述密封主体与密封槽的尺寸相适配；可形变通道，上述可形变通道贯穿上述密封主体，在组装好的状态下，上述可形变通道在外力的作用下能够发生形变；稳固组件，上述稳固组件固设到上述密封主体的一侧，以及与上述可形变通道并列设置，在组装到密封槽的状态下，上述稳固组件受到挤压，以及压迫上述可形变通道发生形变。

在一些实施例中，上述密封主体的两端还固设有可形变组件，上述可变性组件设置有与上述可变形通道方向相同的凹槽。

在一些实施例中，上述密封主体、上述可形变通道、上述稳固组件和上述可变形凹槽一体化制成。

在一些实施例中，制作上述密封组件的材料包括以下至少一项：聚氯乙烯，三元乙丙橡胶。

第二方面，本公开的一些实施例提供了一种用于制作上述具有稳固结构的密封组件的模具，包括：模具前板，包括前板主体和设置到上述前板主体上的进料口，上述进料口贯穿上述前板主体，在组装好的状态下，上述模具前板与挤出机的挤出口连接，上述进料口用于将挤出的原料传动到模具后板；模具后板，包括后板主体、设置到上述后板主体上的容纳腔和与上述容纳腔连通的成型腔，上述成型腔的形状与上述密封组件的横截面相适配；上述模具还包括排气柱和排气通道，上述排气柱设置有贯通上述排气柱的中空结构，上述排气柱插设到上述模具前板的第一端面，上述模具前板的第一端面朝向上述模具后板，上述排气通道连通上述中空结构，使外部空气能够通过上述排气通道进入到上述中空结构；在组装好的状态下，上述模具前板与上述模具后板紧密地接合，上述容纳腔与上述进料口连通，上述排气柱穿过上述成型腔，上述原料通过上述进料口进入到上述容纳腔中，通过上述成型腔后形成上述密封组件；其中，上述具有稳固结构的密封组件包括：密封主体，上述密封主体与密封槽的尺寸相适配；可形变通道，上述可形变通道贯穿上述密封主体，在组装好的状态下，上述可形变通道在外力的作用下能够发生形变；稳固组件，上述稳固组件固设到上述密封主体的一侧，以及与上述可形变通道并列设置，在组装到密封槽的状态下，上述稳固组件受到挤压，以及压迫上述可形变通道发生形变；可变形组件，上述可变形组件设置到上述密封主体的两端，上述可变性组件设置有与上述可变形通道方向相同的凹槽；上述密封主体、上述可形变通道、上述稳固组件和上述可变形凹槽一体化制成；制作上述密封组件的材料包括以下至少一项：聚氯乙烯，三元乙丙橡胶。

在一些实施例中，上述排气通道连接有送风装置，在工作状态下，上述送风装置将产生的风通过上述排气通道，从上述中空结构中排出。

在一些实施例中，上述模具还包括控制器和与上述控制器通信连接的气体流量计，上述控制器还与上述送风装置通信连接，上述气体流量计用于监测上述排气通道中的气体流量，上述控制器响应于接收到上述气体流量计监测到的气体流量超过预设阈值，控制上述送风装置调整上述气体流量，其中，上述预设阈值是通过上述控制器所包括的人工智能芯片对原料的粘度进行分析得到的，其中，上述人工智能芯片所承载的机器学习模型是通过训练样本集合训练得到的。

在一些实施例中，上述训练样本集合包括样本原料的粘度和样本预设阈值，上述机器学习模型是以上述样本原料的粘度作为输入并以上述样本预设阈值作为期望输出训练得到的。

本公开的上述各个实施例中的一个实施例具有如下有益效果：通过在密封主体上设置可变形通道和稳固组件，由于密封主体与密封槽的尺寸相匹配，在将上述密封组件安装到密封槽上时，上述稳固组件受到挤压。此时，上述可形变通道产生形变，缓解该密封主体在受到挤压时形变过大而造成损伤。同时，该稳固组件会对上述密封槽的内部产生推力。进而，增强了上述密封组件与密封槽的贴合程度。

本公开的上述各个实施例中的一个实施例具有如下有益效果：通过在模具后板上设置容纳腔和与密封组件的横截面相适配的成型腔，可以使挤出的原料成型的产品与密封组件的外形相适配。进一步地，通过上述排气通道，能够使空气向上述中空结构中运动。避免了在成型过程中，密封组件的可变形通道发生内壁粘连的情况，提高了该模具的可靠性。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。

图1是根据本公开的具有稳固结构的密封组件的结构示意图；

图2是根据本公开的具有稳固结构的密封组件的主视图；

图3是根据本公开的用于制作具有稳固结构的密封组件的模具的结构示意图；

图4是根据本公开的模具前板的结构示意图；

图5是根据本公开的模具前板的又一结构示意图；

图6是根据本公开的模具前板的剖视图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

另外需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。

此外，在本发明的描述中，术语“上”、“下”、“内”、“外”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系，这仅仅是为了便于描述，而不是指示或暗示装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

下面将参考附图并结合实施例来详细说明本公开。

首先参阅图1和图2，图1是根据本公开的具有稳固结构的密封组件的结构示意图，图2是根据本公开的具有稳固结构的密封组件的主视图。如图1和图2所示，该密封组件包括：密封主体1、可变形通道2和稳固组件3。可选地，上述密封主体1、可变形通道2和稳固组件3可以一体化制成。具体而言，上述密封主体1与待安装的密封槽宽度的尺寸相适配。上述可变形通道2从长度方向上贯穿上述密封主体1。上述稳固组件3固设到上述密封主体1的一侧，以及与上述可形变通道2并列设置。在组装到密封槽的状态下，上述稳固组件3放置到该密封槽中。由于上述密封槽的宽度与密封主体1的宽度相适配，因此，在安装好的状态下，上述稳固组件3受到挤压，以及压迫上述可形变通道2发生形变。同时，该稳固组件3在受到挤压之后，能够产生反作用力，从而作用到该密封槽的内壁。进而增强了上述密封组件与密封槽的贴合程度。替代了目前采用设置背胶增加密封条与密封槽贴合程度的方式，简化了安装步骤，提高了安装效率。可选地，制作上述密封组件的材料可以包括以下至少一项：聚氯乙烯，三元乙丙橡胶。需要说明的是，上述制作密封组件的材料只是示例性的，本领域技术人员可以根据实际情况对上述制作材料进行替换，但是这种替换并不超出本公开的保护范围。

可选地，上述密封主体1的上下两端还可以固设有可形变组件4，上述可形变组件4设置有与上述可变形通道2方向相同的凹槽。需要说明的是，密封组件往往是放置到密封槽中，进而在安装盖板时，会挤压上述密封组件，实现盖板与密封槽之间的密封。当盖板挤压上述密封组件时，上述可变形组件4受到挤压，上述凹槽能够为该可变形组件4的形变提供空间。进而避免了上述可变形组件4在挤压过程中由于挤压程度过大而受损的情况发生。

本公开的一些实施例公开的具有稳固结构的密封组件，通过在密封主体上设置可变形通道和稳固组件，在将上述密封组件安装到密封槽上时，由于密封主体与密封槽的尺寸相匹配，上述稳固组件会受到挤压。此时，上述可形变通道产生形变，缓解该密封主体在受到挤压时形变过大而造成损伤。同时，该稳固组件在被挤压时，会对上述密封槽的内壁产生反作用力。进而，增强了上述密封组件与密封槽的贴合程度。如此一来，替代了目前采用的设置背胶增加密封条与密封槽贴合程度的方式，简化了安装步骤，提高了安装效率。

此外，上述可变形组件受到挤压，上述凹槽能够为该可变形组件的形变提供空间。进而避免了上述可变形组件在挤压过程中由于挤压程度过大而受损的情况发生。

接着参阅图3，图3是根据本公开的用于制作具有稳固结构的密封组件的模具的结构示意图。需要说明的是，该密封组件是上文一些实施例所描述的具有稳固结构的密封组件。如图3所示，该模具包括模具前板5和模具后板6。在组装好的状态下，上述模具前板5和上述模具后板6紧密地接合。上述模具前板5和模具后板6可以通过开设的固定孔7通过螺栓进行固定。

接着参阅图4，图4是根据本公开的模具前板的结构示意图。该模具前板包括前板主体51和设置到上述前板主体51上的进料口52，上述进料口52贯穿上述前板主体51。在组装好的状态下，上述前板主体51与挤出机的挤出口连接。上述进料口52用于将挤出的原料传动到模具后板6。

模具后板包括后板主体、设置到上述后板主体上的容纳腔和与上述容纳腔连通的成型腔61。上述成型腔61的形状与上述密封组件的横截面相适配。在组装好的状态下，上述模具前板6与上述模具后板5紧密地接合。上述容纳腔与上述进料口52连通，上述原料通过上述进料口52进入到上述容纳腔中。进而通过上述成型腔61后形成上述密封组件。

进一步地，接着参阅图5和图6，图5是根据本公开的模具前板的又一结构示意图。图6是根据本公开的模具前板的剖视图。如图5和图6所示，上述模具还包括排气柱53和排气通道54，上述排气柱53设置有贯通上述排气柱的中空结构55。上述排气柱53插设到上述模具前板5的第一端面。上述模具前板5的第一端面朝向上述模具后板6。上述排气通道54连通上述中空结构55，使外部空气能够通过上述排气通道54进入到上述中空结构55。在组装好的状态下，上述排气柱53穿过上述成型腔61。如此一来，在挤出机挤出原料的过程中，该排气柱53能够形成上述可变形通道。同时，通过上述排气通道54，能够使空气向上述中空结构55中运动。避免了在成型过程中，密封组件的可变形通道发生内壁粘连的情况，提高了该模具的可靠性。

在一些实施例的一些可选实施方案中，上述排气通道可以连接有送风装置。在工作状态下，上述送风装置将产生的风通过上述排气通道，从上述中空结构中排出。进而避免挤压成型的密封组件中的可变形通道的内壁发生粘连的情况。

进一步地，在一些实施例的一些可选实施方案中，上述模具还可以包括控制器和与上述控制器通信连接的气体流量计，上述控制器还与上述送风装置通信连接。上述气体流量计用于监测上述排气通道中的气体流量，上述控制器响应于接收到上述气体流量计监测到的气体流量超过预设阈值，控制上述送风装置调整上述气体流量。其中，上述预设阈值是通过上述控制器所包括的人工智能芯片对原料的粘度进行分析得到的。其中，上述人工智能芯片所承载的机器学习模型是通过训练样本集合训练得到的。可选的，工作人员可以通过与上述控制器连接的输入设备将上述原料的粘度发送到上述控制器。从而，上述控制器能够接收到原料的粘度信息。

作为示例，机器学习模型可以是基于训练样本集合执行以下训练步骤得到的：将训练样本集合中的至少一个训练样本的样本原料的粘度分别输入至初始机器学习模型，得到该粘度所对应的预设阈值；将上述至少一个训练样本中的每个样本原料的粘度对应的预设阈值与对应的样本预设阈值进行比较；根据比较结果确定上述初始机器学习模型的预测准确率；确定上述预测准确率是否大于预设准确率阈值；响应于确定上述准确率大于上述预设准确率阈值，则将上述初始机器学习模型作为训练完成的机器学习模型；响应于确定上述准确率不大于上述预设准确率阈值，调整上述初始机器学习模型的参数，以及使用未使用过的训练样本组成训练样本集合，使用调整后的初始机器学习模型作为初始机器学习模型，再次执行上述训练步骤。可以理解的是，经过上述训练之后，机器学习模型可以用于表征原料的粘度与预设阈值的对应关系。上述提及的机器学习模型可以是卷积神经网络模型。

作为示例，上述机器学习模型可以包括原料的粘度和对应关系表。其中，对应关系表可以是本领域技术人员基于对大量的原料的粘度与预设阈值的对应关系的对应关系表。这样，将该原料的粘度与对应关系表中的多个原料的粘度依次进行比较，若对应关系表中的某一个原料的粘度与该原料的粘度相同或者相近，则将对应关系表中的该原料的粘度对应的预设阈值作为该原料的粘度所指示的预设阈值。上述控制器能够针对原料的粘度，确定气体流量的预设阈值。省去了工作人员对每种原料的粘度对气体流量的预设阈值的设定，提高了上述模具的针对性，提高了密封组件成型的质量。

作为另一示例，上述初始机器学习模型可以是未经训练的深度学习模型或未训练完成的深度学习模型，初始的深度学习模型的各层可以设置有初始参数，参数在深度学习模型的训练过程中可以被不断地调整。初始深度学习模型可以是各种类型的未经训练或未训练完成的人工神经网络或者对多种未经训练或未训练完成的人工神经网络进行组合所得到的模型，例如，初始深度学习模型可以是未经训练的卷积神经网络，也可以是未经训练的循环神经网络，还可以是对未经训练的卷积神经网络、未经训练的循环神经网络和未经训练的全连接层进行组合所得到的模型。这样，可以将原料的粘度从深度学习模型的输入侧输入，依次经过深度学习模型中的各层的参数的处理，并从深度学习模型的输出侧输出，输出侧输出的信息即为气体流量的预设阈值。

本公开的一些实施例公开的用于制作具有稳固结构的密封组件的模具，通过在模具后板上设置容纳腔和与密封组件的横截面相适配的成型腔，可以使挤出的原料成型的产品与密封组件的外形相适配。进一步地，通过上述排气通道，能够使空气向上述中空结构中运动。避免了在成型过程中，密封组件的可变形通道发生内壁粘连的情况，提高了该模具的可靠性。

最后，上述控制器能够针对原料的粘度，确定气体流量的预设阈值。通过控制送风装置来调整上述排气通道中的气体流量。如此一来，该模具能够针对不同粘度的原料，控制送风装置的风量输出，进一步地确保挤压成型的密封组件中的可变形通道的内壁的质量。进而，提高了该模具的可靠性，保证了密封组件的质量。同时，也省去了工作人员调节上述送风装置的工作，提高了工作效率，简化了工作步骤。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (2)

1.一种用于制作具有稳固结构的密封组件的模具，其特征在于，包括：

模具前板，包括前板主体和设置到所述前板主体上的进料口，所述进料口贯穿所述前板主体，在组装好的状态下，所述模具前板与挤出机的挤出口连接，所述进料口用于将挤出的原料传动到模具后板；

模具后板，包括后板主体、设置到所述后板主体上的容纳腔和与所述容纳腔连通的成型腔，所述成型腔的形状与所述密封组件的横截面相适配；

所述模具还包括排气柱和排气通道，所述排气柱设置有贯通所述排气柱的中空结构，所述排气柱插设到所述模具前板的第一端面，所述模具前板的第一端面朝向所述模具后板，所述排气通道连通所述中空结构，使外部空气能够通过所述排气通道进入到所述中空结构，所述排气通道连接有送风装置，在工作状态下，所述送风装置将产生的风通过所述排气通道，从所述中空结构中排出；

在组装好的状态下，所述模具前板与所述模具后板紧密地接合，所述容纳腔与所述进料口连通，所述排气柱穿过所述成型腔，所述原料通过所述进料口进入到所述容纳腔中，通过所述成型腔后形成所述密封组件；

其中，所述具有稳固结构的密封组件包括：

密封主体，所述密封主体与密封槽的尺寸相适配；

可形变通道，所述可形变通道贯穿所述密封主体，在组装好的状态下，所述可形变通道在外力的作用下能够发生形变；

稳固组件，所述稳固组件固设到所述密封主体的一侧，以及与所述可形变通道并列设置，在组装到密封槽的状态下，所述稳固组件受到挤压，以及压迫所述可形变通道发生形变；

可形变组件，所述可形变组件设置到所述密封主体的两端，所述可形变组件设置有与所述可形变通道方向相同的凹槽；

所述密封主体、所述可形变通道、所述稳固组件和所述凹槽一体化制成；

制作所述密封组件的材料包括以下至少一项：聚氯乙烯，三元乙丙橡胶；

所述模具还包括控制器和与所述控制器通信连接的气体流量计，所述控制器还与所述送风装置通信连接，所述气体流量计用于监测所述排气通道中的气体流量，所述控制器响应于接收到所述气体流量计监测到的气体流量超过预设阈值，控制所述送风装置调整所述气体流量，其中，所述预设阈值是通过所述控制器所包括的人工智能芯片对原料的粘度进行分析得到的，其中，所述人工智能芯片所承载的机器学习模型是通过训练样本集合训练得到的。

2.根据权利要求1所述的用于制作具有稳固结构的密封组件的模具，其特征在于，所述训练样本集合包括样本原料的粘度和样本预设阈值，所述机器学习模型是以所述样本原料的粘度作为输入并以所述样本预设阈值作为期望输出训练得到的。

Images