CN113779887A - 一种mf浸渍胶生产工艺参数优化控制方法 - Google Patents
一种mf浸渍胶生产工艺参数优化控制方法 Download PDFInfo
- Publication number
- CN113779887A CN113779887A CN202111106074.XA CN202111106074A CN113779887A CN 113779887 A CN113779887 A CN 113779887A CN 202111106074 A CN202111106074 A CN 202111106074A CN 113779887 A CN113779887 A CN 113779887A
- Authority
- CN
- China
- Prior art keywords
- production process
- glue
- neural network
- parameters
- process parameters
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 59
- 238000005457 optimization Methods 0.000 title claims abstract description 11
- 239000000853 adhesive Substances 0.000 title description 6
- 230000001070 adhesive effect Effects 0.000 title description 6
- 239000003292 glue Substances 0.000 claims abstract description 76
- 238000007598 dipping method Methods 0.000 claims abstract description 34
- 238000007599 discharging Methods 0.000 claims abstract description 27
- 230000008569 process Effects 0.000 claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 230000008859 change Effects 0.000 claims abstract description 12
- 238000013528 artificial neural network Methods 0.000 claims description 44
- 238000001816 cooling Methods 0.000 claims description 26
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 23
- WSFSSNUMVMOOMR-UHFFFAOYSA-N Formaldehyde Chemical compound O=C WSFSSNUMVMOOMR-UHFFFAOYSA-N 0.000 claims description 21
- 230000002068 genetic effect Effects 0.000 claims description 13
- 238000004321 preservation Methods 0.000 claims description 10
- MTHSVFCYNBDYFN-UHFFFAOYSA-N diethylene glycol Chemical compound OCCOCCO MTHSVFCYNBDYFN-UHFFFAOYSA-N 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000011534 incubation Methods 0.000 claims description 7
- 230000035772 mutation Effects 0.000 claims description 7
- JBKVHLHDHHXQEQ-UHFFFAOYSA-N epsilon-caprolactam Chemical compound O=C1CCCCCN1 JBKVHLHDHHXQEQ-UHFFFAOYSA-N 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 239000008367 deionised water Substances 0.000 claims description 3
- 229910021641 deionized water Inorganic materials 0.000 claims description 3
- 239000008098 formaldehyde solution Substances 0.000 claims description 3
- JDSHMPZPIAZGSV-UHFFFAOYSA-N melamine Chemical compound NC1=NC(N)=NC(N)=N1 JDSHMPZPIAZGSV-UHFFFAOYSA-N 0.000 claims description 3
- 229920000877 Melamine resin Polymers 0.000 claims description 2
- 238000009472 formulation Methods 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims description 2
- 238000010079 rubber tapping Methods 0.000 claims 3
- 238000010438 heat treatment Methods 0.000 claims 2
- 238000002474 experimental method Methods 0.000 abstract description 4
- 150000001875 compounds Chemical class 0.000 abstract description 3
- 108090000623 proteins and genes Proteins 0.000 description 6
- 210000000349 chromosome Anatomy 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 239000002994 raw material Substances 0.000 description 3
- 238000007792 addition Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000012644 addition polymerization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 239000003431 cross linking reagent Substances 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 230000036314 physical performance Effects 0.000 description 1
- 238000006068 polycondensation reaction Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000007086 side reaction Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Adhesives Or Adhesive Processes (AREA)
Abstract
本发明提供一种MF浸渍胶生产工艺参数优化控制方法,所述工艺参数优化控制方法包括:通过经验数据进行算法训练,建立所述MF浸渍胶生产工艺参数与实际出胶性质间的运算模型;计算所述实际出胶性质与目标出胶性质间的偏差值,得到所述MF浸渍胶生产工艺参数与所述偏差值间的关系;改变所述MF浸渍胶生产工艺参数,通过所述偏差值的输出,得到所述MF浸渍胶生产工艺参数与所述偏差值间的变化关系,以指导MF浸渍胶的实际生产。所述方法可以建立工艺参数与出胶性质间的运算模型,通过运算即可得到工艺参数对出胶性质的影响,从而实现对实际生产的指导,减少了工艺参数调整过程中的时间耗费以及实验成本,从而实现生产效率和利润的提高。
Description
技术领域
本发明属于化工领域,涉及一种MF浸渍胶生产工艺,尤其涉及一种MF浸渍胶生产工艺参数优化控制方法。
背景技术
在当今气候变化收到全球关注,保护森林成为人类共识,而是世界上活可采森林资源日益减少。人造装饰板已成为人们家装等领域不可或缺的部分,人造板和装饰纸是交联剂,MF浸渍胶不仅更加环保,而且可以让人造装饰板表面具有更强的耐磨性。MF浸渍胶水多采用反应釜控温搅拌制作,但是过程控制复杂,而且无法中断,目前采用经验丰富的工艺人员全程监管和调控,需要实时根据情况灵活调整,对于企业的生产经营带来极大挑战。
发明内容
为解决现有技术中存在的技术问题,本发明提供一种MF浸渍胶生产工艺参数优化控制方法,所述方法可以建立工艺参数与出胶性质间的运算模型,通过运算即可得到工艺参数对出胶性质的影响,从而实现对实际生产的指导,减少了工艺参数调整过程中的时间耗费以及实验成本,从而实现生产效率和利润的提高。
为达到上述技术效果,本发明采用以下技术效果:
本发明提供一种MF浸渍胶生产工艺参数优化控制方法,所述工艺参数优化控制方法包括以下步骤:
通过经验数据进行算法训练,建立所述MF浸渍胶生产工艺参数与实际出胶性质间的运算模型;
计算所述实际出胶性质与目标出胶性质间的偏差值,得到所述MF浸渍胶生产工艺参数与所述偏差值间的关系;
改变所述MF浸渍胶生产工艺参数,通过所述偏差值的输出,得到所述MF浸渍胶生产工艺参数与所述偏差值间的变化关系,以指导MF浸渍胶的实际生产。
本发明中,通过使用大量生产数据进行算法训练,可以得到生产工艺参数与出胶性质间的运算模型,进而可以生产工艺作为输入参数,通过改变生产工艺参数得到不同的出胶性质,并与目标出胶性质进行比较,得到实际出胶性质与目标出胶性质的偏差值,从而可以得到生产工艺参数改变与偏差值变化的关系。进而,在MF浸渍胶生产过程中由于原料批次变化、气候变化等因素等造成出胶性质变化时,仅通过计算就可以对生产工艺参数进行调控,得到可以生产出目标出胶性质的浸渍胶的最佳生产工艺。大幅减少调整工艺参数所带来的时间成本以及生产成本。
作为本发明优选的技术方案,所述MF浸渍胶生产工艺参数包括配方参数以及生产工艺参数。
优选地,所述实际出胶性质包括MF浸渍胶的粘度、水溶比、浊度、pH以及游离甲醛的浓度。
作为本发明优选的技术方案,所述配方参数包括甲醛溶液质量、三聚氰胺质量、己内酰胺质量、二甘醇质量以及去离子水质量。
本发明中,配方参数可以是各原料的质量或各原料之间的质量比。
优选地,所述生产工艺参数包括温度参数、时间参数、粘度参数、pH参数以及水溶比参数。
作为本发明优选的技术方案,所述温度参数包括二次加料温度、保温温度以及快速降温终点温度。
本发明中,二次加料相关的温度和时间等参数,以及与保温相关的温度和时间等参数的选择,对MF浸渍胶制备过程中发生的加聚反应以及缩聚反应的程度、副反应和产物的链段长度有着直接影响,进而对MF浸渍胶的物理性质和性能产生影响。
优选地,所述时间参数包括升温至二次加料温度的时间、升温至保温温度的时间、保温时间、快速降温时间以及冷却时间。
本发明中,与快速降温有关的温度以及时间等参数,对最终制备的MF浸渍胶的性状以及物理性质有着直接影响,进而对MF浸渍胶的机械性能产生影响。
优选地,所述粘度参数包括快速降温起始粘度、快速降温终点粘度以及保温过程粘度。
优选地,所述保温过程粘度包括在保温过程中在至少10个时间点测得的粘度数值。
优选地,所述pH参数包括起始pH、二次加料pH、保温起始pH、快速降温起始pH以及快速降温终点pH。
优选地,所述水溶比参数包括快速降温起始水溶比以及快速降温终点水溶比。
本发明中,与粘度以及水溶比相关的参数,对MF浸渍胶的使用性能有着直接影响,决定了MF浸渍胶的使用的环境及条件。
作为本发明优选的技术方案,所述运算模型为BP神经网络。
本发明中,通过BP神经网络的非线性拟合,同时利用遗传算法对BP神经网络的权值以及阈值进行优化,提高BP神经网络对生产工艺参数模拟的精确性。
作为本发明优选的技术方案,所述BP神经网络的建立方法包括:
(1)以所述配方参数以及生产工艺参数为输入参数,以所述实际出胶性质为输出参数;
(2)根据所述输入参数以及输出参数确定BP神经网络结构,对所述BP神经网络的权值以及阈值进行初始化,并进行种群初始化个体编码;
(3)输入数据,通过对所述BP神经网络进行训练得到适应度值;
(4)通过遗传算法优化所述BP神经网络,得到最优权值以及阈值;
(5)将所述最优权值以及阈值带入BP神经网络,完成所述BP神经网络的建立。
作为本发明优选的技术方案,所述BP神经网络结构包括输入层、隐含层以及输出层。
优选地,所述隐含层的层数为1~5层,如1层、2层、3层、4层或5层等。
优选地,所述BP神经网络结构的激活函数为sigmoid函数、tanh函数以及ReLU函数中的任意一种。
作为本发明优选的技术方案,所述遗传算法包括循环进行的选择操作、交叉操作、变异操作以及适应度值计算。
作为本发明优选的技术方案,所述适应度值为绝对误差。
本发明中,遗传算法首先进行种群初始化个体编码,编码方法为实数编码,每个个体均为一个实数串,由输入层和隐含层连接权值、隐含层阈值、隐含层与输出层连接权值以及输出层阈值4个部分组成。个体包含了神经网络全部的权值和阈值,在网路结构一致的情况下,就可以构成一个结构、权值、阈值确定的神经网络。
本发明中,选择操作采用轮盘赌注法,每个个体i的选择概率为Pi:
式中,fi为个体i适应度值,N为种群个体数目。
本发明中,交叉操作采用实数交叉法,第m个染色体am和第n个染色体an在j位上交叉方法:
amj=amj(1-b)+anjb
anj=anj(1-b)+amjb
其中b是[0,1]之间的随机数。
本发明中,变异操作为选取第i个个体的第j个基因aij进行变异,变异操作方法如下:
式中,amax为基因aij的上界;amin为基因aij的下界;r2是一个随机数;g为当前迭代次数;Gmax是最大的进化次数;r为[0,1]间的随机数。
作为本发明优选的技术方案,所述遗传算法的结束条件为计算得到的适应度值F小于预设的适应度值。
作为本发明优选的技术方案,所述实际出胶性质与目标出胶性质间的偏差值包括全部出胶性质的[(实际值-目标值)/目标值]的均方根误差,并取其中偏差大作为计算。
与现有技术相比,本发明至少具有以下有益效果:
本发明提供一种MF浸渍胶生产工艺参数优化控制方法,所述方法可以建立工艺参数与出胶性质间的运算模型,通过运算即可得到工艺参数对出胶性质的影响,从而实现对实际生产的指导,减少了工艺参数调整过程中的时间耗费以及实验成本,从而实现生产效率和利润的提高。
附图说明
图1为本发明提供的MF浸渍胶生产工艺参数优化控制方法的工作机制图;
图2为本发明实施例1使用BP神经网络拓扑结构图。
下面对本发明进一步详细说明。但下述的实例仅仅是本发明的简易例子,并不代表或限制本发明的权利保护范围,本发明的保护范围以权利要求书为准。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
为更好地说明本发明,便于理解本发明的技术方案,本发明的典型但非限制性的实施例如下:
实施例1
本实施例提供一种MF浸渍胶生产工艺参数优化控制方法,所述工艺参数优化控制方法包括以下步骤:
通过经验数据进对BP神经网络行训练,建立所述MF浸渍胶生产工艺参数与实际出胶性质间的运算模型;
计算所述实际出胶性质与目标出胶性质间的偏差值,得到所述MF浸渍胶生产工艺参数与所述偏差值间的关系;
改变所述MF浸渍胶生产工艺参数,通过所述偏差值的输出,得到所述MF浸渍胶生产工艺参数与所述偏差值间的变化关系,以指导MF浸渍胶的实际生产。
所述BP神经网络的建立方法包括:
(1)对经验数据进行整理确定输入参数以及输出参数;
(2)根据所述输入参数以及输出参数确定BP神经网络结构,对所述BP神经网络的权值以及阈值进行初始化,并进行种群初始化个体编码;
(3)输入数据,通过对所述BP神经网络进行训练得到适应度值;
(4)通过遗传算法优化所述BP神经网络,得到最优权值以及阈值;
(5)将所述最优权值以及阈值带入BP神经网络进行计算,输出工艺参数。
输入参数为:
(1)配方参数:
F/M,C/M,D/M,W/M;
其中,F为37%甲醛溶液质量,M为三聚氰胺粉末质量,C为己内酰胺质量,D为地二甘醇质量,W为去离子水质量;
(2)工艺参数:
①温度:
二段加料温度-Tup2,保温温度-Tkeep,快速降温终点温度-TdownQ;
②时间:
升温到二次加料温度用时Δt1=t2-tstart
升温至保温温度用时Δt2=tkeep-tstart
保温时长Δt3=tdownS-tkeep
快速降温用时Δt4=tdownQ-tdownS
快速降温终点到降温停止用时Δt5=tlast-tdownQ;
③黏度:
开始降温黏度-VdownS,快速降温终点黏度-VdownQ;
保温过程按照均匀测量10次黏度分别为Vkeep(i)(其中i=1~10的整数);
④pH:
起始pH-pHstart
二次加料时pH-pHup2
保温开始pH-pHkeeps
降温开始pH-pHdowns
快速降温结束pH-pHdownQ;
⑤水溶比:
开始降温水溶比-Rdowns
快速降温终点水溶比-RdownQ。
输出参数为:
20℃下成品胶水的黏度V,水溶比R和pH。
BP神经网络:
BP神经网络拓扑结构如图2所示,激活函数采用tanh。
遗传算法:
遗传算法包括循环进行的选择操作、交叉操作、变异操作以及适应度值计算;
式中n为网络输出节点数,yi为BP神经网络第i个节点的期望输出,oi为第i个节点的实际输出,k为系数;
选择操作采用轮盘赌注法,每个个体i的选择概率为Pi:
式中,fi为个体i适应度值,N为种群个体数目;
交叉操作采用实数交叉法,第m个染色体am和第n个染色体an在j位上交叉方法:
amj=amj(1-b)+anjb
anj=anj(1-b)+amjb
其中b是[0,1]之间的随机数;
变异操作为选取第i个个体的第j个基因aij进行变异,变异操作方法如下:
式中,amax为基因aij的上界;amin为基因aij的下界;r2是一个随机数;g为当前迭代次数;Gmax是最大的进化次数;r为[0,1]间的随机数;
遗传算法的结束条件为适应度函数结果为负数,或迭代次数达到最大值。
最终以遗传算法得到的最优权值以及阈值带入BP神经网络,完成所述BP神经网络的建立。
实施例2
以实施例1得到的BP神经网络进行预测:
输入参数为:
配方参数:F/M=1.23:1,C/M=0.045:1,D/M=0.08:1,W/M=0.55:1;
工艺参数:
Tup2=83℃,Tkeep=92℃,TdownQ=25℃;
Δt1=45min,Δt2=15min,Δt3=75min,Δt4=25min,Δt5<90min;
VdownS=7s,VdownQ<14,Vkeep(i)<7,Vkeep(i)-Vkeep(i+1)<1;
pHstart=9.0,pHup2>8.0,7.5>pHkeeps>6.5,pHdowns>8.8,pHdownQ>9.0;
Rdowns=1:3.5,RdownQ=1:2~2.5。
输出参数为:
20℃下成品胶水的黏度V为15s,水溶比R为1:1.5,pH>9.0,游离甲醛浓度0.02wt%,浊度为高清。
实施例3
以实施例1得到的BP神经网络进行预测:
输入参数除Tup2=80℃外,其余均与实施例2相同。
输出参数为:
20℃下成品胶水的黏度V为16s,水溶比R为1:1.4,pH>9.0,游离甲醛浓度0.02wt%,浊度为高清。
实施例4
以实施例1得到的BP神经网络进行预测:
输入参数除Δt1=40min外,其余均与实施例2相同。
输出参数为:
20℃下成品胶水的黏度V为16s,水溶比R为1:1.5,pH>9.0,游离甲醛浓度0.02wt%,浊度为中清。
实施例5
以实施例1得到的BP神经网络进行预测:
输入参数除Tup2=80℃,Δt1=40min外,其余均与实施例2相同。
输出参数为:
20℃下成品胶水的黏度V为15s,水溶比R为1:1.4,和pH>9.0,游离甲醛浓度0.02wt%,浊度为中清。
通过实施例2-5的实际计算可以看出,当二段加料温度-Tup2由83℃降低至80℃时,成品胶水的黏度V有所增加而水溶比有所下降。当升温到二次加料温度用时Δt1由45min降低至40min时,成品胶水的黏度V有所增加而浊度有所下降。当二段加料温度-Tup2由83℃降低至80℃,同时二次加料温度用时Δt1由45min降低至40min时,成品胶水的黏度不变,水溶比下降,浊度下降。以上计算所得工艺参数变化与出胶性质将的变化关系,符合实际进行工艺参数调整实验时的变化关系,证明本申请提供的MF浸渍胶生产工艺参数优化控制方法,可以准确建立MF浸渍胶生产工艺参数与实际出胶性质间的运算模型,从而对实际生产进行指导。
申请人声明,本发明通过上述实施例来说明本发明的详细结构特征,但本发明并不局限于上述详细结构特征,即不意味着本发明必须依赖上述详细结构特征才能实施。所属技术领域的技术人员应该明了,对本发明的任何改进,对本发明所选用部件的等效替换以及辅助部件的增加、具体方式的选择等,均落在本发明的保护范围和公开范围之内。
以上详细描述了本发明的优选实施方式,但是,本发明并不限于上述实施方式中的具体细节,在本发明的技术构思范围内,可以对本发明的技术方案进行多种简单变型,这些简单变型均属于本发明的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合,为了避免不必要的重复,本发明对各种可能的组合方式不再另行说明。
此外,本发明的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明的思想,其同样应当视为本发明所公开的内容。
Claims (10)
1.一种MF浸渍胶生产工艺参数优化控制方法,其特征在于,所述工艺参数优化控制方法包括:
通过经验数据进行算法训练,建立所述MF浸渍胶生产工艺参数与实际出胶性质间的运算模型;
计算所述实际出胶性质与目标出胶性质间的偏差值,得到所述MF浸渍胶生产工艺参数与所述偏差值间的关系;
改变所述MF浸渍胶生产工艺参数,通过所述偏差值的输出,得到所述MF浸渍胶生产工艺参数与所述偏差值间的变化关系,以指导MF浸渍胶的实际生产。
2.根据权利要求1所述的工艺参数优化控制方法,其特征在于,所述MF浸渍胶生产工艺参数包括配方参数以及生产工艺参数;
优选地,所述实际出胶性质包括MF浸渍胶的粘度、水溶比、浊度、pH以及游离甲醛的浓度。
3.根据权利要求2所述的工艺参数优化控制方法,其特征在于,所述配方参数包括甲醛溶液质量、三聚氰胺质量、己内酰胺质量、二甘醇质量以及去离子水质量;
优选地,所述生产工艺参数包括温度参数、时间参数、粘度参数、pH参数以及水溶比参数。
4.根据权利要求3所述的工艺参数优化控制方法,其特征在于,所述温度参数包括二次加料温度、保温温度以及快速降温终点温度;
优选地,所述时间参数包括升温至二次加料温度的时间、升温至保温温度的时间、保温时间、快速降温时间以及冷却时间;
优选地,所述粘度参数包括快速降温起始粘度、快速降温终点粘度以及保温过程粘度;
优选地,所述保温过程粘度包括在保温过程中在至少10个时间点测得的粘度数值;
优选地,所述pH参数包括起始pH、二次加料pH、保温起始pH、快速降温起始pH以及快速降温终点pH;
优选地,所述水溶比参数包括快速降温起始水溶比以及快速降温终点水溶比。
5.根据权利要求1所述的工艺参数优化控制方法,其特征在于,所述运算模型为BP神经网络。
6.根据权利要求5所述的工艺参数优化控制方法,其特征在于,所述BP神经网络的建立方法包括:
(1)以所述配方参数以及生产工艺参数为输入参数,以所述实际出胶性质为输出参数;
(2)根据所述输入参数以及输出参数确定BP神经网络结构,对所述BP神经网络的权值以及阈值进行初始化,并进行种群初始化个体编码;
(3)输入数据,通过对所述BP神经网络进行训练得到适应度值;
(4)通过遗传算法优化所述BP神经网络,得到最优权值以及阈值;
(5)将所述最优权值以及阈值带入BP神经网络,完成所述BP神经网络的建立。
7.根据权利要求6所述的工艺参数优化控制方法,其特征在于,所述BP神经网络结构包括输入层、隐含层以及输出层;
优选地,所述隐含层的层数为1~5层;
优选地,所述BP神经网络结构的激活函数为sigmoid函数、tanh函数以及ReLU函数中的任意一种。
9.根据权利要求6所述的工艺参数优化控制方法,其特征在于,所述遗传算法的结束条件为计算得到的适应度值F小于预设的适应度值。
10.根据权利要求1所述的工艺参数优化控制方法,其特征在于,所述实际出胶性质与目标出胶性质间的偏差值包括全部出胶性质的[(实际值-目标值)/目标值]的均方根误差,并取其中偏差大作为计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111106074.XA CN113779887A (zh) | 2021-09-22 | 2021-09-22 | 一种mf浸渍胶生产工艺参数优化控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111106074.XA CN113779887A (zh) | 2021-09-22 | 2021-09-22 | 一种mf浸渍胶生产工艺参数优化控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113779887A true CN113779887A (zh) | 2021-12-10 |
Family
ID=78852562
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111106074.XA Pending CN113779887A (zh) | 2021-09-22 | 2021-09-22 | 一种mf浸渍胶生产工艺参数优化控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113779887A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2071329A2 (en) * | 2007-12-13 | 2009-06-17 | ENI S.p.A. | Method for predecting a parameter of a bitumen and relative prevision system |
CN103092074A (zh) * | 2012-12-30 | 2013-05-08 | 重庆邮电大学 | 半导体先进过程控制的参数优化控制方法 |
CN104778338A (zh) * | 2015-05-03 | 2015-07-15 | 长春工业大学 | 一种低能耗分子蒸馏过程给定值的优化方法 |
CN106758524A (zh) * | 2016-12-28 | 2017-05-31 | 江苏建丰装饰纸有限公司 | 低甲醛家具浸渍胶膜纸生产工艺 |
CN108059177A (zh) * | 2017-12-25 | 2018-05-22 | 岭南师范学院 | 一种利用盐湖苦卤制备六方片状氢氧化镁的方法 |
CN110262233A (zh) * | 2019-05-31 | 2019-09-20 | 江苏大学 | 一种基于遗传算法和bp神经网络的磁控镀膜仪工艺参数的优化方法 |
CN111401623A (zh) * | 2020-03-12 | 2020-07-10 | 重庆大学 | 一种基于bp神经网络的喷丸强化表面完整性预测方法 |
-
2021
- 2021-09-22 CN CN202111106074.XA patent/CN113779887A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2071329A2 (en) * | 2007-12-13 | 2009-06-17 | ENI S.p.A. | Method for predecting a parameter of a bitumen and relative prevision system |
CN103092074A (zh) * | 2012-12-30 | 2013-05-08 | 重庆邮电大学 | 半导体先进过程控制的参数优化控制方法 |
CN104778338A (zh) * | 2015-05-03 | 2015-07-15 | 长春工业大学 | 一种低能耗分子蒸馏过程给定值的优化方法 |
CN106758524A (zh) * | 2016-12-28 | 2017-05-31 | 江苏建丰装饰纸有限公司 | 低甲醛家具浸渍胶膜纸生产工艺 |
CN108059177A (zh) * | 2017-12-25 | 2018-05-22 | 岭南师范学院 | 一种利用盐湖苦卤制备六方片状氢氧化镁的方法 |
CN110262233A (zh) * | 2019-05-31 | 2019-09-20 | 江苏大学 | 一种基于遗传算法和bp神经网络的磁控镀膜仪工艺参数的优化方法 |
CN111401623A (zh) * | 2020-03-12 | 2020-07-10 | 重庆大学 | 一种基于bp神经网络的喷丸强化表面完整性预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103092074B (zh) | 半导体先进过程控制的参数优化控制方法 | |
CN109084415B (zh) | 基于神经网络和遗传算法的中央空调运行参数寻优方法 | |
CN110262233A (zh) | 一种基于遗传算法和bp神经网络的磁控镀膜仪工艺参数的优化方法 | |
CN106873379A (zh) | 一种基于迭代adp算法的污水处理最优控制方法 | |
CN101598109B (zh) | 一种风力发电机偏航系统的智能控制方法 | |
CN109784603A (zh) | 一种基于混合鲸鱼群算法求解柔性作业车间调度的方法 | |
CN103235620A (zh) | 基于全局变量预测模型的温室环境智能控制方法 | |
CN104375478B (zh) | 一种轧钢生产过程产品质量在线预测与优化的方法及装置 | |
CN108960491A (zh) | 基于rbf神经网络的光伏发电量预测方法 | |
CN102129259A (zh) | 用于砂尘环境试验风洞的基于神经网络pi的智能温度控制系统和方法 | |
CN109254530A (zh) | 基于磨矿过程基础回路的无模型自适应控制方法 | |
CN113300380B (zh) | 一种基于负荷曲线分段的配电网无功优化补偿方法 | |
CN110554715A (zh) | 基于rbf神经网络的硫酸氧钛外加晶种水解工艺温度pid控制方法 | |
CN111639820A (zh) | 一种水泥炉窑生产的能耗参数优化方法及系统 | |
CN116560313A (zh) | 一种多目标柔性作业车间问题的遗传算法优化调度方法 | |
CN108142976A (zh) | 一种叶丝干燥工艺参数优化方法 | |
CN110399697B (zh) | 基于改进遗传学习粒子群算法的飞行器的控制分配方法 | |
CN108857600A (zh) | 一种基于光催化的钴基合金加工方法及加工平台 | |
CN113779887A (zh) | 一种mf浸渍胶生产工艺参数优化控制方法 | |
CN110210623A (zh) | 基于模拟退火和信息熵的自适应多目标混合差分进化算法 | |
CN113328435A (zh) | 一种基于强化学习的主动配电网有功无功联合控制方法 | |
CN106773646A (zh) | 一种催化裂化过程中原油预热温度控制方法 | |
CN107831781B (zh) | 一种机器鱼运动的控制方法及系统 | |
CN116384653A (zh) | 基于卷尾猴搜索算法求解柔性作业车间调度问题的方法 | |
CN105511270A (zh) | 一种基于协同进化的pid控制器参数优化方法和系统 |
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 |