CN115061376B - 基于lof算法的挤塑过程优化控制方法 - Google Patents

基于lof算法的挤塑过程优化控制方法 Download PDF

Info

Publication number
CN115061376B
CN115061376B CN202210989876.8A CN202210989876A CN115061376B CN 115061376 B CN115061376 B CN 115061376B CN 202210989876 A CN202210989876 A CN 202210989876A CN 115061376 B CN115061376 B CN 115061376B
Authority
CN
China
Prior art keywords
temperature
sequence
surface roughness
rotating speed
optimal
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.)
Active
Application number
CN202210989876.8A
Other languages
English (en)
Other versions
CN115061376A (zh
Inventor
石小辉
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.)
Nantong Gaomi Precision Machinery Co ltd
Original Assignee
Nantong Gaomi Precision Machinery Co ltd
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 Nantong Gaomi Precision Machinery Co ltd filed Critical Nantong Gaomi Precision Machinery Co ltd
Priority to CN202210989876.8A priority Critical patent/CN115061376B/zh
Publication of CN115061376A publication Critical patent/CN115061376A/zh
Application granted granted Critical
Publication of CN115061376B publication Critical patent/CN115061376B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Extrusion Moulding Of Plastics Or The Like (AREA)

Abstract

本发明涉及设备调节技术领域，具体涉及一种基于LOF算法的挤塑过程优化控制方法，该方法将设定时段内塑料制品的表面粗糙程度序列、螺杆的转速序列和速度稳定指标、机筒的温度序列和温度波动指标构成挤出机的特征向量；将所有挤出机按照螺杆的标定转速分为多个组，筛选每组的特征向量得到目标特征向量，根据目标特征向量构建每组的温度与表面粗糙程度之间的线性关系函数，以得到每组对应的最佳温度；根据每组的最佳温度和标定转速获取机筒温度与螺杆转速之间的最优函数模型，根据最优函数模型进行螺杆转速和机筒温度的调整，在提高塑料制品的质量的同时保证产出效率，同时可适用于各种塑料，以降低操作人员的工作经验和能力要求，便于后续生产。

Description

基于LOF算法的挤塑过程优化控制方法
技术领域
本发明涉及设备调节技术领域，具体涉及一种基于LOF算法的挤塑过程优化控制方法。
背景技术
在塑料制品的挤出过程中，其工艺条件对塑料制品的产量和质量影响很大，并且这种影响往往是不可逆的，所以对于挤塑过程中的工艺条件进行控制是很必要的。在挤塑过程中，螺杆转速决定着挤出量，当车间需要提高挤出量时，需要对螺杆转速进行调整，但是单纯调整螺杆转速以提高产量是会对挤出成品的质量产生影响，还需要对塑料的熔融温度进行调整，目前对于挤塑过程中影响挤出质量因素的控制过度依赖人为经验，并且在调整的过程中有一定的滞后性，影响挤塑质量。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种基于LOF算法的挤塑过程优化控制方法，所采用的技术方案具体如下：
在挤塑过程中，根据设定采样频率采集塑料制品的表面粗糙程度、螺杆的转速和机筒的温度，分别得到设定时段内的表面粗糙程度序列、转速序列和温度序列；计算所述转速序列的速度稳定指标，计算所述温度序列的温度波动指标；将所述表面粗糙程度序列、所述转速序列、所述温度序列、所述速度稳定指标和所述温度波动指标构成挤出机的特征向量；
将所有的挤出机按照螺杆的标定转速分为N组，N为大于0的整数，获取每组中每个挤出机的所述特征向量；基于所述速度稳定指标的差异和所述温度波动指标的差异，利用LOF算法计算当前组中每个所述特征向量的局部离群因子，根据所述局部离群因子对所述特征向量进行筛选得到当前组的目标特征向量，由每个目标特征向量中的所述温度序列计算同一采样时刻的温度均值，得到温度均值序列，由每个目标特征向量中的所述表面粗糙程度序列计算同一采样时刻的表面粗糙程度均值，得到表面粗糙程度均值序列；利用所述温度均值序列和所述表面粗糙程度均值序列构建当前组的温度与表面粗糙程度之间的线性关系函数，由所述线性关系函数得到表面粗糙程度为0时对应的最佳温度；
获取每组的所述最佳温度，得到最佳温度序列，将每组对应的所述标定转速构成标定转速序列；利用所述最佳温度序列和所述标定转速序列获取机筒温度与螺杆转速之间的最优函数模型，根据所述最优函数模型对不同塑料的挤塑过程中进行螺杆转速和机筒温度的调整。
进一步地，所述计算所述转速序列的速度稳定指标的方法，包括：
获取所述转速序列的转速标准差和平均转速，将转速标准差和平均转速之间的乘积作为速度稳定指标。
进一步地，所述计算所述温度序列的温度波动指标的方法，包括：
计算所述温度序列的温度标准差和平均温度，获取所述温度序列中最大温度和最小温度之间的比值，将该比值、温度标准差和平均温度之间的乘积作为温度波动指标。
进一步地，所述根据所述局部离群因子对所述特征向量进行筛选得到当前组的目标特征向量的方法，包括：
设置局部离群因子阈值，当所述局部离群因子大于局部离群因子阈值时，剔除对应的所述特征向量；当所述局部离群因子小于或等于局部离群因子阈值时，将对应的所述特征向量作为目标特征向量。
进一步地，所述利用所述温度均值序列和所述表面粗糙程度均值序列构建当前组的温度与表面粗糙程度之间的线性关系函数的方法，包括：
利用指数函数对所述表面粗糙程度均值序列中的每个表面粗糙程度均值进行预处理，得到预处理后的表面粗糙程度均值，构成新序列；
根据所述温度均值序列和所述新序列中相邻采样时刻的温度均值和预处理后的表面粗糙程度均值得到对应的关系系数，则关系系数的计算公式为：
Figure 100002_DEST_PATH_IMAGE002
，其中，
Figure 100002_DEST_PATH_IMAGE004
为第
Figure 100002_DEST_PATH_IMAGE006
个关系系数；
Figure 100002_DEST_PATH_IMAGE008
为第
Figure 100002_DEST_PATH_IMAGE010
个表面粗糙程度均值；
Figure 100002_DEST_PATH_IMAGE012
为第
Figure 32325DEST_PATH_IMAGE006
个表面粗糙程度均值；
Figure 100002_DEST_PATH_IMAGE014
为第
Figure 385946DEST_PATH_IMAGE010
个温度均值和第
Figure 652979DEST_PATH_IMAGE006
个温度均值之间的差值；
获取所述温度均值序列和所述新序列的多个关系系数，构成关系系数序列，计算关系系数序列的平均关系系数，将平均关系系数作为目标关系系数；
分别计算所述温度均值序列中温度均值的第一平均值、所述新序列中预处理后表面粗糙程度均值的第二平均值，结合第一平均值、第二平均值和目标关系系数得到线性关系函数，线性关系函数为
Figure 100002_DEST_PATH_IMAGE016
，其中，
Figure 100002_DEST_PATH_IMAGE018
为目标关系系数，
Figure 100002_DEST_PATH_IMAGE020
为参数，
Figure 100002_DEST_PATH_IMAGE022
为温度，
Figure 100002_DEST_PATH_IMAGE024
为预处理后的表面粗糙程度。
进一步地，所述利用所述最佳温度序列和所述标定转速序列获取机筒温度与螺杆转速之间的最优函数模型的方法，包括：
设置机筒温度与螺杆转速之间的特征函数模型为：
Figure 100002_DEST_PATH_IMAGE026
，其中,
Figure 100002_DEST_PATH_IMAGE028
为最佳温度，
Figure 100002_DEST_PATH_IMAGE030
为标定转速，
Figure 100002_DEST_PATH_IMAGE032
为所述特征函数模型的参数；
将所述最佳温度序列和所述标定转速序列代入到所述特征函数模型中，得到多个参数
Figure 100002_DEST_PATH_IMAGE034
组合；设置损失函数
Figure 100002_DEST_PATH_IMAGE036
，
Figure 100002_DEST_PATH_IMAGE038
为所述特征函数模型计算的最佳温度，
Figure 100002_DEST_PATH_IMAGE040
为所述最佳温度序列中的最佳温度；令所述损失函数趋近于0时，得到参数
Figure 242093DEST_PATH_IMAGE034
组合的最优值，根据所述最优值得到所述特征函数模型对应的所述最优函数模型。
本发明实施例至少具有如下有益效果：通过获取螺杆转速和机筒温度之间的最优函数模型，以对挤塑过程中的螺杆转速和机筒温度进行实时调节，在提高塑料制品的质量的同时保证产出效率，同时可适用于各种塑料，以降低操作人员的工作经验和能力要求，便于后续生产。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明一个实施例提供的一种基于LOF算法的挤塑过程优化控制方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于LOF算法的挤塑过程优化控制方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于LOF算法的挤塑过程优化控制方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种基于LOF算法的挤塑过程优化控制方法的步骤流程图，该方法包括以下步骤：
步骤S001，在挤塑过程中，根据设定采样频率采集塑料制品的表面粗糙程度、螺杆的转速和机筒的温度，分别得到设定时段内的表面粗糙程度序列、转速序列和温度序列；计算转速序列的速度稳定指标，计算温度序列的温度波动指标；将表面粗糙程度序列、转速序列、温度序列、速度稳定指标和温度波动指标构成挤出机的特征向量。
具体的，在挤塑过程中，由于螺杆转速和机筒温度的不稳定性，会导致塑化不充分，导致塑料制品的表面粗糙，影响其质量，因此本发明实施例基于X射线衍射仪来测量塑料制品的表面光滑度：以波长
Figure 100002_DEST_PATH_IMAGE042
小于4Å的X射线作为探测光束入射到被测样品的表面，X射线衍射仪上的探测器以设定的间隔和速度旋转逐步扫描接收从样品表面反射出的散射光束，记录逐步的散射光强
Figure 100002_DEST_PATH_IMAGE044
，基于以下式子计算获得有效的表面粗糙度
Figure 100002_DEST_PATH_IMAGE046
。
Figure 100002_DEST_PATH_IMAGE048
Figure DEST_PATH_IMAGE050
其中，
Figure DEST_PATH_IMAGE052
为表面一维功率谱密度函数，
Figure DEST_PATH_IMAGE054
为光线入射角，
Figure DEST_PATH_IMAGE056
为散射角，
Figure DEST_PATH_IMAGE058
为由一维光栅方程决定的与
Figure 534140DEST_PATH_IMAGE056
和
Figure 793083DEST_PATH_IMAGE054
相关的空间频率范围；
Figure DEST_PATH_IMAGE060
为理想光滑表面的传输因子；
Figure DEST_PATH_IMAGE062
为介质的复介电常数；
Figure DEST_PATH_IMAGE064
为波矢量。
优选的，本发明实施例以5s为采样频率、10分钟为设定时段，得到塑料制品的表面粗糙程度序列
Figure DEST_PATH_IMAGE066
，其中，
Figure DEST_PATH_IMAGE068
为第1次采样的表面粗糙程度，
Figure DEST_PATH_IMAGE070
为第2次采样的表面粗糙程度，
Figure DEST_PATH_IMAGE072
为第
Figure DEST_PATH_IMAGE074
次采样的表面粗糙程度。
挤出机在工作时，螺杆结构是不变的，而螺杆的转速影响着挤出压力和挤出量，理论情况下螺杆转速应是不变的，但在实际工作中基于对挤塑质量的衡量需要对螺杆转速进行一定的优化，因此使用转速传感器采集螺杆转速的变化信息，同理以5s为采样频率、10分钟为设定时段，得到螺杆的转速序列
Figure DEST_PATH_IMAGE076
，其中，
Figure DEST_PATH_IMAGE078
为第1次采样的转速，
Figure DEST_PATH_IMAGE080
为第2次采样的转速，
Figure DEST_PATH_IMAGE082
为第
Figure 672046DEST_PATH_IMAGE074
次采样的转速。
机筒温度一般分为三段：加料段、压缩段、均化段，其中塑料在加料段进行机械剪切并搅拌混合形成固体塞；塑料在压缩段完成熔融和塑化；均化段起充分塑化的作用，物料在机筒中实现聚集态转变的关键阶段就是压缩段，如果压缩段温度不合理，会导致物料熔融不完全，塑化程度不足，进而导致其塑料制品的表面粗糙，因此本发明实施例以压缩段的机筒温度为采集源，利用温度传感器采集机筒的温度变化信息，同理，以5s为采样频率、10分钟为设定时段，得机筒的温度序列
Figure DEST_PATH_IMAGE084
，其中，
Figure DEST_PATH_IMAGE086
为第1次采样的温度，
Figure DEST_PATH_IMAGE088
为第2次采样的温度，
Figure DEST_PATH_IMAGE090
为第
Figure 707261DEST_PATH_IMAGE074
次采样的温度。
进一步地，根据挤出机在挤塑过程中机筒的温度变化和螺杆的转速变化分析该挤塑过程的工作场景，具体为：计算转速序列的转速标准差和平均转速，将转速标准差和平均转速之间的乘积作为速度稳定指标；同理，计算温度序列的温度标准差和平均温度，获取温度序列中最大温度和最小温度之间的比值，将该比值、温度标准差和平均温度之间的乘积作为温度波动指标。
将表面粗糙程度序列、转速序列、温度序列、速度稳定指标和温度波动指标构成挤出机的特征向量。
步骤S002，将所有的挤出机按照螺杆的标定转速分为N组，N为大于0的整数，获取每组中每个挤出机的特征向量；基于速度稳定指标的差异和温度波动指标的差异，利用LOF算法计算当前组中每个特征向量的局部离群因子，根据局部离群因子对特征向量进行筛选得到当前组的目标特征向量，由每个目标特征向量中的温度序列计算同一采样时刻的温度均值，得到温度均值序列，由每个目标特征向量中的表面粗糙程度序列计算同一采样时刻的表面粗糙程度均值，得到表面粗糙程度均值序列；利用温度均值序列和表面粗糙程度均值序列构建当前组的温度与表面粗糙程度之间的线性关系函数，由线性关系函数得到表面粗糙程度为0时对应的最佳温度。
具体的，为了更好的对挤出机的挤塑过程进行优化控制，将所有挤出机分为N组，N为大于0的整数，且对每一组的挤出机设置相同的螺杆的标定转速，然后同时启动所有的挤出机，利用步骤S001的方法，得到每个挤出机的特征向量。
根据同一组内每个特征向量的速度稳定指标和温度波动指标判断是否有异常的特征向量，出现异常的特征向量意味着其螺杆装置或者温度控制装置出现问题，为避免分析误差，异常特征向量不能参与机筒温度和表面粗糙度的关系分析，则对异常特征向量的筛选方法为：以一个组为例，根据速度稳定指标的差异和温度波动指标的差异计算当前组内任意两个特征向量之间的欧式距离，则欧式距离的计算公式为：
Figure DEST_PATH_IMAGE092
，其中
Figure DEST_PATH_IMAGE094
为特征向量A和特征向量B之间的欧式距离，
Figure DEST_PATH_IMAGE096
为特征向量A和特征向量B中速度稳定指标之间的差值，
Figure DEST_PATH_IMAGE098
为特征向量A和特征向量B中温度波动指标之间的差值；根据当前组内任意两个特征向量之间的欧式距离，利用LOF算法计算每个特征向量的局部离群因子，设置局部离群因子阈值，将大于局部离群因子阈值的特征向量标记出来，且排除这些标记的特征向量，将没有标记的特征向量作为当前组的目标特征向量，目标特征向量是指正常的特征向量。
优选的，本发明实施例中局部离群因子阈值取经验值，令局部离群因子阈值为1.5。
利用上述异常特征向量的筛选方法，得到当前组的目标特征向量，将目标特征向量中的温度序列组成一个温度矩阵，温度矩阵中每一列的温度为同一采样时刻下采集的数据、每一行为一个温度序列，对温度矩阵中的每一列计算温度均值，得到温度均值序列
Figure DEST_PATH_IMAGE100
，其中
Figure DEST_PATH_IMAGE102
为第1次采样对应的温度均值，
Figure DEST_PATH_IMAGE104
为第2次采样对应的温度均值，
Figure DEST_PATH_IMAGE106
为第
Figure 824121DEST_PATH_IMAGE074
次采样对应的温度均值；同理，将目标特征向量中的表面粗糙程度序列组成一个表面粗糙程度矩阵，表面粗糙程度矩阵中每一列的表面粗糙程度为同一采样时刻下采集的数据、每一行为一个表面粗糙程度序列，对表面粗糙程度矩阵中的每一列计算表面粗糙程度均值，得到表面粗糙程度均值序列
Figure DEST_PATH_IMAGE108
，其中
Figure DEST_PATH_IMAGE110
为第1次采样对应的表面粗糙程度均值，
Figure DEST_PATH_IMAGE112
为第2次采样对应的表面粗糙程度均值，
Figure DEST_PATH_IMAGE114
为第
Figure 50703DEST_PATH_IMAGE074
次采样对应的表面粗糙程度均值。
进一步地，利用当前组的温度均值序列和表面粗糙程度均值序列构建当前组的温度与表面粗糙程度之间的线性关系函数，具体方法为：
（1）为了便于构建线性关系函数，对表面粗糙程度均值序列中的每一个表面粗糙程度均值进行预处理：选择使用指数函数
Figure DEST_PATH_IMAGE116
对每一个表面粗糙程度均值进行处理，可得到一个处理后的新序列
Figure DEST_PATH_IMAGE118
，至此经指数函数处理后的数据其值域被限定在了[0,1]。
（2）因为在一定范围内随着温度的升高，塑料制品的粗糙度会下降，而粗糙度越小，
Figure DEST_PATH_IMAGE120
的值越大，所以
Figure 89067DEST_PATH_IMAGE120
与温度可以表示成一种正相关的关系，对二者进行线性关系函数的拟合：以
Figure 629769DEST_PATH_IMAGE120
作为纵坐标、温度均值作为横坐标，因为
Figure 273240DEST_PATH_IMAGE120
的值域是[0,1]，所以其值随温度的变化率也较小，那么二者在线性关系函数的特征上表现出的离散度较小，故在这种情况下，拟合温度与表面粗糙程度的关系函数时可以将其欠拟合成一个线性的关系函数，通过关系函数可以得到对应的特征值。
具体的，根据当前组的温度均值序列和新序列中相邻采样时刻的温度均值和预处理后的表面粗糙程度均值得到对应的关系系数，即关系系数的计算公式为：
Figure DEST_PATH_IMAGE122
其中，
Figure 638100DEST_PATH_IMAGE004
为第
Figure 632601DEST_PATH_IMAGE006
个关系系数；
Figure 976995DEST_PATH_IMAGE008
为第
Figure 474972DEST_PATH_IMAGE010
个表面粗糙程度均值；
Figure 512198DEST_PATH_IMAGE012
为第
Figure 462837DEST_PATH_IMAGE006
个表面粗糙程度均值；
Figure 610921DEST_PATH_IMAGE014
为第
Figure 228985DEST_PATH_IMAGE010
个温度均值和第
Figure 171533DEST_PATH_IMAGE006
个温度均值之间的差值。
由关系系数的计算公式能够计算温度均值序列和新序列对应的
Figure DEST_PATH_IMAGE124
个关系系数，构成一个关系系数序列，计算关系系数序列的平均关系系数，将平均关系系数作为温度与表面粗糙程度之间的线性关系函数的目标关系系数
Figure 140626DEST_PATH_IMAGE018
，然后分别计算温度均值序列中温度均值的第一平均值
Figure DEST_PATH_IMAGE126
、新序列中元素的第二平均值
Figure DEST_PATH_IMAGE128
，进而结合第一平均值
Figure 92401DEST_PATH_IMAGE126
、第二平均值
Figure 564971DEST_PATH_IMAGE128
和目标关系系数
Figure 944000DEST_PATH_IMAGE018
得到线性关系函数
Figure 134810DEST_PATH_IMAGE016
，其中，
Figure 359118DEST_PATH_IMAGE022
为温度，
Figure 686194DEST_PATH_IMAGE024
为预处理后的表面粗糙程度。
（3）理论情况下，当表面粗糙程度为0时，
Figure 236124DEST_PATH_IMAGE120
为最大值1，此时对应横坐标的温度即为最佳熔融温度，因此令线性关系函数中的
Figure DEST_PATH_IMAGE130
，得到当前组的最佳温度，而此时最佳温度仅代表在当前组下螺杆转速对应的最佳熔融温度，如果螺杆转速发生改变，此最佳温度也随之改变。
步骤S003，获取每组的最佳温度，得到最佳温度序列，将每组对应的标定转速构成标定转速序列；利用最佳温度序列和标定转速序列获取机筒温度与螺杆转速之间的最优函数模型，根据最优函数模型对不同塑料的挤塑过程中进行螺杆转速和机筒温度的调整。
具体的，利用步骤S002的方法，得到N组中每一组对应的温度与表面粗糙程度之间的线性关系函数，进而得到每一组的最佳温度，构成最佳温度序列。由于对所有挤出机分组时，每一组挤出机的螺杆的标定转速是一样，则根据每一组的标定转速构成标定转速序列。
一般情况下，提高螺杆转速是提高挤出产量的重要手段，实际操作中对螺杆转速的调节也较为频繁，但是螺杆转速增加导致流率增加，使得物料在机筒内停留的时间缩短，导致塑料塑化程度下降，进而影响到塑料制品的表面粗糙程度，因此需要增加螺杆转速来提高挤出产量时，还必须提高加热温度来提高塑料的塑化程度，以保证高速挤出时塑料挤出质量。
基于螺杆转速与机筒温度的关系特征，本发明实施例利用N组构成的最佳温度序列和标定转速序列作为数据信息，以构建螺杆转速与机筒温度之间的特征函数模型：因为螺杆转速与最佳温度之间的关系特征可能是线性的，也可能是非线性的，并且非线性关系特征还可以细分为两种，第一种是最佳温度随螺杆转速的提高其增大趋势逐渐变缓，第二种是最佳温度随螺杆转速的提高其增大趋势持续变陡，因此本发明实施例中设置特征函数模型为：
Figure 914230DEST_PATH_IMAGE026
，其中,
Figure 942229DEST_PATH_IMAGE028
为最佳温度，
Figure 389390DEST_PATH_IMAGE030
为标定转速，
Figure 346107DEST_PATH_IMAGE032
为特征函数模型的参数。
将最佳温度序列和标定转速序列代入到特征函数模型
Figure 245930DEST_PATH_IMAGE026
，可以得到若干个
Figure 77620DEST_PATH_IMAGE034
组合。设置损失函数，令损失函数趋近于0时，得到
Figure 644868DEST_PATH_IMAGE034
的最优值，进而得到一个最优函数模型，具体为：损失函数
Figure 5442DEST_PATH_IMAGE036
，
Figure 658140DEST_PATH_IMAGE038
为特征函数模型计算的最佳温度，
Figure 293521DEST_PATH_IMAGE040
为最佳温度序列中的最佳温度，对特征函数模型进行迭代训练，当损失函数趋近于0时，得到最优的
Figure 449696DEST_PATH_IMAGE034
组合，则将最优的
Figure 246750DEST_PATH_IMAGE034
组合相对应的特征函数模型作为螺杆转速与机筒温度之间的最优函数模型。
进一步地，对于任一塑料来说，其塑料的熔融温度都不是可以无限提高的，为了保证其塑化质量需要提升熔融温度，但是当温度达到一定程度时，会导致塑料的一些特性遭到破坏，尤其是对于易分解的塑料，故基于螺杆转速与机筒温度之间的最优函数模型对螺杆转速进行限制：，不同种类的塑料对应的最高熔融温度不同，将每种塑料的最高熔融温度通过最优函数模型可以得到对应螺杆的最大转速，也即是转速阈值，螺杆转速越大，对挤出机的稳定性要求越高，所以最大转速作为最大可调螺杆转速，如果对应塑料下挤塑过程中的螺杆转速超出最大转速，则立即进行报警。
需要说明的是，基于最优函数模型，可以在对螺杆转速调整之后，对机筒温度进行同步调节，且保证机筒温度在对应塑料类型下的最高熔融温度范围内进行调节，通过对螺杆转速和机筒温度的调整能够解决挤塑过程的滞后性问题。
综上所述，本发明实施例提供了一种基于LOF算法的挤塑过程优化控制方法，该方法将设定时段内塑料制品的表面粗糙程度序列、螺杆的转速序列和速度稳定指标、机筒的温度序列和温度波动指标构成挤出机的特征向量；将所有挤出机按照螺杆的标定转速分为多个组，对每组的特征向量进行筛选得到目标特征向量，根据目标特征向量构建每组的温度与表面粗糙程度之间的线性关系函数，以得到每组对应的最佳温度；根据每组的最佳温度和标定转速获取机筒温度与螺杆转速之间的最优函数模型，根据最优函数模型进行螺杆转速和机筒温度的调整，在提高塑料制品的质量的同时保证产出效率，同时可适用于各种塑料，以降低操作人员的工作经验和能力要求，便于后续生产。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
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 (4)

1.一种基于LOF算法的挤塑过程优化控制方法，其特征在于，该方法包括以下步骤：
在挤塑过程中，根据设定采样频率采集塑料制品的表面粗糙程度、螺杆的转速和机筒的温度，分别得到设定时段内的表面粗糙程度序列、转速序列和温度序列；计算所述转速序列的速度稳定指标，计算所述温度序列的温度波动指标；将所述表面粗糙程度序列、所述转速序列、所述温度序列、所述速度稳定指标和所述温度波动指标构成挤出机的特征向量；
将所有的挤出机按照螺杆的标定转速分为N组，N为大于0的整数，获取每组中每个挤出机的所述特征向量；基于所述速度稳定指标的差异和所述温度波动指标的差异，利用LOF算法计算当前组中每个所述特征向量的局部离群因子，根据所述局部离群因子对所述特征向量进行筛选得到当前组的目标特征向量，由每个目标特征向量中的所述温度序列计算同一采样时刻的温度均值，得到温度均值序列，由每个目标特征向量中的所述表面粗糙程度序列计算同一采样时刻的表面粗糙程度均值，得到表面粗糙程度均值序列；利用所述温度均值序列和所述表面粗糙程度均值序列构建当前组的温度与表面粗糙程度之间的线性关系函数，由所述线性关系函数得到表面粗糙程度为0时对应的最佳温度；
获取每组的所述最佳温度，得到最佳温度序列，将每组对应的所述标定转速构成标定转速序列；利用所述最佳温度序列和所述标定转速序列获取机筒温度与螺杆转速之间的最优函数模型，根据所述最优函数模型对不同塑料的挤塑过程中进行螺杆转速和机筒温度的调整；
所述基于所述速度稳定指标的差异和所述温度波动指标的差异，利用LOF算法计算当前组中每个所述特征向量的局部离群因子的方法，包括：
根据速度稳定指标的差异和温度波动指标的差异计算当前组内任意两个特征向量之间的欧式距离，则欧式距离的计算公式为：
Figure DEST_PATH_IMAGE002
，其中
Figure DEST_PATH_IMAGE004
为特征向量A和特征向量B之间的欧式距离，
Figure DEST_PATH_IMAGE006
为特征向量A和特征向量B中速度稳定指标之间的差值，
Figure DEST_PATH_IMAGE008
为特征向量A和特征向量B中温度波动指标之间的差值；根据当前组内任意两个特征向量之间的欧式距离，利用LOF算法计算每个特征向量的局部离群因子；
所述利用所述温度均值序列和所述表面粗糙程度均值序列构建当前组的温度与表面粗糙程度之间的线性关系函数的方法，包括：
利用指数函数对所述表面粗糙程度均值序列中的每个表面粗糙程度均值进行预处理，得到预处理后的表面粗糙程度均值，构成新序列；
根据所述温度均值序列和所述新序列中相邻采样时刻的温度均值和预处理后的表面粗糙程度均值得到对应的关系系数，则关系系数的计算公式为：
Figure DEST_PATH_IMAGE010
，其中，
Figure DEST_PATH_IMAGE012
为第
Figure DEST_PATH_IMAGE014
个关系系数；
Figure DEST_PATH_IMAGE016
为第
Figure DEST_PATH_IMAGE018
个表面粗糙程度均值；
Figure DEST_PATH_IMAGE020
为第
Figure 119122DEST_PATH_IMAGE014
个表面粗糙程度均值；
Figure DEST_PATH_IMAGE022
为第
Figure 301841DEST_PATH_IMAGE018
个温度均值和第
Figure 347158DEST_PATH_IMAGE014
个温度均值之间的差值；
获取所述温度均值序列和所述新序列的多个关系系数，构成关系系数序列，计算关系系数序列的平均关系系数，将平均关系系数作为目标关系系数；
分别计算所述温度均值序列中温度均值的第一平均值、所述新序列中预处理后表面粗糙程度均值的第二平均值，结合第一平均值、第二平均值和目标关系系数得到线性关系函数，线性关系函数为
Figure DEST_PATH_IMAGE024
，其中，
Figure DEST_PATH_IMAGE026
为目标关系系数，
Figure DEST_PATH_IMAGE028
为参数，
Figure DEST_PATH_IMAGE030
为温度，
Figure DEST_PATH_IMAGE032
为预处理后的表面粗糙程度；
所述利用所述最佳温度序列和所述标定转速序列获取机筒温度与螺杆转速之间的最优函数模型的方法，包括：
设置机筒温度与螺杆转速之间的特征函数模型为：
Figure DEST_PATH_IMAGE034
，其中,
Figure DEST_PATH_IMAGE036
为最佳温度，
Figure DEST_PATH_IMAGE038
为标定转速，
Figure DEST_PATH_IMAGE040
为所述特征函数模型的参数；
将所述最佳温度序列和所述标定转速序列代入到所述特征函数模型中，得到多个参数
Figure DEST_PATH_IMAGE042
组合；设置损失函数
Figure DEST_PATH_IMAGE044
，
Figure DEST_PATH_IMAGE046
为所述特征函数模型计算的最佳温度，
Figure DEST_PATH_IMAGE048
为所述最佳温度序列中的最佳温度；令所述损失函数趋近于0时，得到参数
Figure 132580DEST_PATH_IMAGE042
组合的最优值，根据所述最优值得到所述特征函数模型对应的所述最优函数模型。
2.如权利要求1所述的一种基于LOF算法的挤塑过程优化控制方法，其特征在于，所述计算所述转速序列的速度稳定指标的方法，包括：
获取所述转速序列的转速标准差和平均转速，将转速标准差和平均转速之间的乘积作为速度稳定指标。
3.如权利要求1所述的一种基于LOF算法的挤塑过程优化控制方法，其特征在于，所述计算所述温度序列的温度波动指标的方法，包括：
计算所述温度序列的温度标准差和平均温度，获取所述温度序列中最大温度和最小温度之间的比值，将该比值、温度标准差和平均温度之间的乘积作为温度波动指标。
4.如权利要求1所述的一种基于LOF算法的挤塑过程优化控制方法，其特征在于，所述根据所述局部离群因子对所述特征向量进行筛选得到当前组的目标特征向量的方法，包括：
设置局部离群因子阈值，当所述局部离群因子大于局部离群因子阈值时，剔除对应的所述特征向量；当所述局部离群因子小于或等于局部离群因子阈值时，将对应的所述特征向量作为目标特征向量。
CN202210989876.8A 2022-08-18 2022-08-18 基于lof算法的挤塑过程优化控制方法 Active CN115061376B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210989876.8A CN115061376B (zh) 2022-08-18 2022-08-18 基于lof算法的挤塑过程优化控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210989876.8A CN115061376B (zh) 2022-08-18 2022-08-18 基于lof算法的挤塑过程优化控制方法

Publications (2)

Publication Number Publication Date
CN115061376A CN115061376A (zh) 2022-09-16
CN115061376B true CN115061376B (zh) 2022-11-29

Family

ID=83207546

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210989876.8A Active CN115061376B (zh) 2022-08-18 2022-08-18 基于lof算法的挤塑过程优化控制方法

Country Status (1)

Country Link
CN (1) CN115061376B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115320064B (zh) * 2022-10-10 2022-12-30 南通至顺聚氨酯材料有限公司 一种塑料箱吹塑过程挤出机的磨损情况监测方法
CN117131035B (zh) * 2023-10-24 2024-01-05 山东尚儒弘毅精细化工有限公司 一种化工染料生产数据智能储存方法及系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2093167A (en) * 1967-04-27 1969-10-30 Eg. Howe Pty. Limited Plastic films
CN104657777B (zh) * 2015-03-16 2017-06-16 长春工业大学 基于混沌小波神经网络的车用电线挤塑工艺参数优化方法
CN106873365B (zh) * 2017-01-18 2019-07-23 西安交通大学 一种综合质量目标与设备性能的挤出吹塑工艺优化方法
CN109828532B (zh) * 2019-01-29 2021-12-28 贵州大学 一种基于ga-gbrt的表面粗糙度预测方法及工艺参数优化方法
CN114095856B (zh) * 2020-07-31 2022-09-23 中国电信股份有限公司 用于基站节能的处理方法和处理装置
CN113119425B (zh) * 2021-03-22 2023-05-16 广东工业大学 一种基于改进支持向量机的注塑产品质量预测方法

Also Published As

Publication number Publication date
CN115061376A (zh) 2022-09-16

Similar Documents

Publication Publication Date Title
CN115061376B (zh) 基于lof算法的挤塑过程优化控制方法
CN110667080B (zh) 一种bopp薄膜厚度模糊控制系统
CN1769030A (zh) 用于生产由热塑性材料制成的型材的方法
CN103217445B (zh) 与x射线散射联用进行原位结构检测的挤出拉伸装置及其实验方法
CN115122602B (zh) 一种注塑机智能控制方法及系统
CN112247674A (zh) 一种刀具磨损预测方法
CN114897890B (zh) 一种基于人工智能的改性塑料生产调控方法
EP0917945B1 (de) Verfahren zur kontinuierlichen Regelung des Schrumpfes einer amorphen Folie und eine Anordnung hierfür
CN107175808A (zh) Bopp膜厚均匀度控制方法
CN103890051B (zh) 经着色的聚合模制件、用于制造该模制件的方法和设备
AU770819B2 (en) Method and apparatus for rheometry, and its application to control of polymer manufacture
CN114953306B (zh) 一种彩色复合橡胶带压延工艺质量控制系统
CN208576074U (zh) 一种交联型低烟无卤电缆料加工设备
CN113858568B (zh) 胶条宽度闭环控制方法及控制装置
CN113665079B (zh) 一种塑料注塑成型工艺控制方法及系统
CN212920365U (zh) 一种轮胎胶部件智能压出生产线
Köllermeier et al. Integration of IR based inline measurement systems of the surface temperature of square hollow profiles in an extrusion process
CN107179687B (zh) Bopp膜厚均匀度控制器
CN113183434A (zh) 一种高压电缆半导电屏蔽料带材表面凸起物的检测系统及检测方法
CN118046559A (zh) 一种注塑用生物降解材料的制备方法
CN107144249A (zh) 一种基于螺栓自定位的膜厚监测系统
CN115139440B (zh) 一种压延机参数优化控制方法
CN203241363U (zh) 与x射线散射联用进行原位结构检测的挤出拉伸装置
Dohm et al. Experimental determination of the residence time distribution in blown film extrusion using colorimetry
Han et al. Research on Quality Control of Intelligent Injection Molding System Based on Process Monitoring

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