CN115320064A - 一种塑料箱吹塑过程挤出机的磨损情况监测方法 - Google Patents
一种塑料箱吹塑过程挤出机的磨损情况监测方法 Download PDFInfo
- Publication number
- CN115320064A CN115320064A CN202211232231.6A CN202211232231A CN115320064A CN 115320064 A CN115320064 A CN 115320064A CN 202211232231 A CN202211232231 A CN 202211232231A CN 115320064 A CN115320064 A CN 115320064A
- Authority
- CN
- China
- Prior art keywords
- sequence
- predicted
- prediction
- power
- ratio
- 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
Links
Images
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
- B29C48/00—Extrusion moulding, i.e. expressing the moulding material through a die or nozzle which imparts the desired form; Apparatus therefor
- B29C48/25—Component parts, details or accessories; Auxiliary operations
- B29C48/92—Measuring, controlling or regulating
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Extrusion Moulding Of Plastics Or The Like (AREA)
- Blow-Moulding Or Thermoforming Of Plastics Or The Like (AREA)
Abstract
本发明涉及挤出机的磨损情况监测技术领域,具体涉及一种塑料箱吹塑过程挤出机的磨损情况监测方法。方法包括:获取挤出机在当前预测时刻对应的耗产比序列、温度差异序列和功率差异序列;根据所述耗产比序列、温度差异序列和功率差异序列,得到当前预测时刻对应的预测特征序列集;将当前预测时刻对应的预测特征序列集和所有的历史预测时刻对应的预测特征序列集构成的集合记为目标集合;计算目标集合中任意两个预测特征序列集之间的相似度,基于相似度,利用密度聚类算法对目标集合中的预测特征序列集进行聚类;若得到的簇的数量大于等于第一阈值,则判定当前预测时刻之后的预设天数内挤出机磨损严重。本发明保证了挤出机的生产率。
Description
技术领域
本发明涉及挤出机的磨损情况监测技术领域,具体涉及一种塑料箱吹塑过程挤出机的磨损情况监测方法。
背景技术
塑料箱的原材料均为聚乙烯,对于这种中空制品可采用吹塑工艺成型技术进行生产;吹塑工艺不易产生熔接缝,壁厚的允许范围大,制品强度高,生产速度快;但是在挤出工艺阶段挤出机的螺杆和机筒比较容易损坏,其原因是螺杆在机筒内转动时,物料与二者的摩擦,使螺杆与机筒的工作表面逐渐磨损,进而导致螺杆直径逐渐缩小,机筒的内径逐渐加大;久而久之,螺杆与机筒之间的间隙也会逐渐增大。当螺杆与机筒之间的间隙增大时,由于机筒的机头和分流板的阻力没有改变,会导致部分原料漏流,使得最终的生产量下降;又因为部分原料漏在机筒中,会造成物料分解,聚乙烯分解产生的氯化氢气体加强了对螺杆和机筒的腐蚀,若原料中加入了碳酸钙和玻璃纤维等填充料,会加快螺杆和机筒的磨损,导致生产率低;因此如何对吹塑过程中挤出机中的螺杆和机筒的磨损情况进行监测,以保证及时对磨损的挤出机进行维修,进而保证挤出机的生产率是十分重要的。
现有的检测方法主要有两种,一种是通过停机拆卸,直接观察的方法,该方法需要停机,然后再进行拆卸观察,不利于连续化生产;另一种是通过专业的带有感应器探头的检测设备或者内窥设备,在挤出机停机并且拔出螺杆的情况下,将检测设备送入机筒中进行测量,该方法同样需要停机观察;过长的停机时间和过于繁琐的操作不利于生产效益的提升。
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塑料箱吹塑过程挤出机的磨损情况监测方法,所采用的技术方案具体如下:
本发明提供了一种塑料箱吹塑过程挤出机的磨损情况监测方法包括以下步骤:
获取挤出机在当前预测时刻对应的耗产比序列、温度差异序列和功率差异序列;所述耗产比序列、螺杆温度差异序列和功率差异序列是当前预测时刻之前的预设天数中每天对应的耗产比、温度差异和功率差异构成的序列;
根据当前预测时刻对应的耗产比序列、温度差异序列和功率差异序列,得到当前预测时刻对应的预测耗产比序列、预测温度差异序列和预测功率差异序列;根据所述预测耗产比序列,得到对应的第一增长率序列;根据所述预测温度差异序列,得到对应的第二增长率序列;根据所述预测功率差异序列,得到对应的第三增长率序列;
将当前预测时刻对应的预测特征序列集和所有的历史预测时刻对应的预测特征序列集构成的集合记为目标集合;计算目标集合中任意两个预测特征序列集之间的相似度;所述预测特征序列集包括对应的预测耗产比序列、预测温度差异序列、预测功率差异序列、第一增长率序列、第二增长率序列和第三增长率序列;
根据目标集合中任意两个预测特征序列集之间的相似度,对目标集合中的各预测特征序列集进行聚类;若得到的簇的数量大于等于第一阈值,则判定当前预测时刻之后的预设天数内挤出机磨损严重。
优选的,所述获取挤出机在当前预测时刻对应的耗产比序列、温度差异序列和功率差异序列,包括:
获取当前预测时刻之前的预设天数中每天对应温度变化序列、生产量、加热模块耗电量以及功率变化序列;所述温度变化序列包括在该天的目标时间段中各第一采集时刻下送料段前端的温度;所述生产量为在该天的目标时间段中挤出机的生产量;所述加热模块耗电量为在该天的目标时间段中挤出机加热模块的耗电量;所述功率变化序列包括在该天的目标时间段中各第二采集时刻下电机的瞬时功率;
根据当前预测时刻之前的预设天数中每天对应的生产量、加热模块耗电量,得到当前预测时刻之前的预设天数中每天对应的耗产比;将所述每天对应的耗产比按照时间先后顺序进行排列,构成当前预测时刻对应的耗产比序列;
根据当前预测时刻之前的预设天数中每天对应的温度变化序列,得到当前预测时刻之前的预设天数中每天对应的温度差异;将所述每天对应的温度差异按照时间先后顺序进行排列,构成当前预测时刻对应的温度差异序列;
根据当前预测时刻之前的预设天数中每天对应的功率变化序列,得到当前预测时刻之前的预设天数中每天对应的功率差异;将所述每天对应的功率差异按照时间先后顺序进行排列,构成当前预测时刻对应的功率差异序列。
优选的,得到当前预测时刻之前的预设天数中任意一天对应的耗产比的公式如下:
其中,k为该天对应的耗产比,exp( )为以自然常数e为底的指数函数,B为该天对应的生产量,W为该天对应的加热模块耗电量;
得到当前预测时刻之前的预设天数中任意一天对应的温度差异的公式如下:
得到当前预测时刻之前的预设天数中任意一天对应的功率差异的公式如下:
优选的,所述根据当前预测时刻对应的耗产比序列、温度差异序列和功率差异序列,得到当前预测时刻对应的预测耗产比序列、预测温度差异序列和预测功率差异序列,包括:
将当前预测时刻对应的耗产比序列输入到训练好的耗产比预测网络中,得到当前预测时刻对应的预测耗产比序列;将当前预测时刻对应的温度差异序列输入到训练好的温度预测网络中,得到当前预测时刻对应的预测温度差异序列;将当前预测时刻对应的功率差异序列输入到训练好的功率预测网络中,得到当前预测时刻对应的预测功率差异序列。
优选的,所述根据所述预测耗产比序列,得到对应的第一增长率序列;根据所述预测温度差异序列,得到对应的第二增长率序列;根据所述预测功率差异序列,得到对应的第三增长率序列,包括:
计算所述预测耗产比序列中任意相邻的两个耗产比的比值;根据所述预测耗产比序列中任意相邻的两个耗产比的比值,构建第一增长率序列;所述相邻的两个耗产比的比值为后一个耗产比与前一个耗产比的比值;
计算所述预测温度差异序列中任意相邻的两个温度差异的比值;根据所述预测温度差异序列中任意相邻的两个温度差异的比值,构建第二增长率序列;所述相邻的两个温度差异的比值为后一个温度差异与前一个温度差异的比值;
计算所述预测功率差异序列中任意相邻两个功率差异的比值;根据所述预测功率差异序列中任意相邻的两个功率差异的比值,构建第二增长率序列;所述相邻的两个功率差异的比值为后一个功率差异与前一个功率差异的比值。
优选的,所述计算目标集合中任意两个预测特征序列集之间的相似度,包括:
对于目标集合中任意两个预测特征序列集:
将这两个预测特征序列集中的第一个预测特征序列集记为第一预测特征序列集,将这两个预测特征序列集中的第二个预测特征序列集记为第二预测特征序列集;
计算第一预测特征序列集中的预测耗产比序列与第二预测特征序列集中的预测耗产比序列的皮尔逊相关系数,记为第一相关系数;计算第一预测特征序列集中的预测温度差异序列与第二预测特征序列集中的预测温度差异序列的皮尔逊相关系数,记为第二相关系数;计算第一预测特征序列集中的预测功率差异序列与第二预测特征序列集中的预测功率差异序列的皮尔逊相关系数,记为第三相关系数;计算第一预测特征序列集中的第一增长率序列与第二预测特征序列集中的第一增长率序列的皮尔逊相关系数,记为第四相关系数;计算第一预测特征序列集中的第二增长率序列与第二预测特征序列集中的第二增长率序列的皮尔逊相关系数,记为第五相关系数;计算第一预测特征序列集中的第三增长率序列与第二预测特征序列集中的第三增长率序列的皮尔逊相关系数,记为第六相关系数;
将第一相关系数、第二相关系数、第三相关系数、第四相关系数、第五相关系数和第六相关系数的乘积,作为这两个预测特征序列集之间的相似度。
优选的,根据目标集合中任意两个预测特征序列集之间的相似度,对目标集合中的各预测特征序列集进行聚类,包括:
对于目标集合中任意两个预测特征序列集:计算1与这两个预测特征序列集之间的相似度的差值,作为这两个预测特征序列集之间的差异距离;
基于目标集合中任意两个预测特征序列集之间的差异距离,利用密度聚类算法对目标集合中各预测特征序列集进行聚类。
本发明具有如下有益效果:
本发明首先获取挤出机在当前预测时刻对应的耗产比序列、温度差异序列和功率差异序列;相比于单一因素信息可能出现的误差性以及不确定性,本发明结合了三方面的因素更能确定螺杆与机筒的磨损情况。为了能够提前预测出挤出机内螺杆和机筒磨损情况的发展趋势,进而能够给技术人员合理的安排维修更换时间,以减少挤出机磨损带来的生产损失,保证生产量,本发明根据当前预测时刻对应的耗产比序列、温度差异序列和功率差异序列,对未来的数据进行预测,得到当前预测时刻对应的预测耗产比序列、预测温度差异序列、预测功率差异序列、第一增长率序列、第二增长率序列以及第三增长率序列。最后本发明结合当前预测时刻对应的预测特征序列集和所有的历史预测时刻对应的预测特征序列集中任意两个预测特征序列集之间的相似度进行聚类,若得到的簇的数量大于等于第一阈值,则判定当前预测时刻之后的预设天数内挤出机磨损严重;其中簇的数量可以反映出挤出机的磨损程度。本发明通过对未来时间内挤出机的特征数据进行预测,进而对未来时间内挤出机的磨损情况进行判断,可以使工作人员及时对磨损的挤出机进行维系,保证了挤出机的生产率。
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为本发明提供的一种塑料箱吹塑过程挤出机的磨损情况监测方法的流程图。
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能效果,以下结合附图及较佳实施例,对依据本发明提出的一种塑料箱吹塑过程挤出机的磨损情况监测方法进行详细说明如下。
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塑料箱吹塑过程挤出机的磨损情况监测方法的具体方案。
一种塑料箱吹塑过程挤出机的磨损情况监测方法实施例:
如图1所示,本实施例的一种塑料箱吹塑过程挤出机的磨损情况监测方法包括以下步骤:
步骤S1,获取挤出机在当前预测时刻对应的耗产比序列、温度差异序列和功率差异序列;所述耗产比序列、螺杆温度差异序列和功率差异序列是当前预测时刻之前的预设天数中每天对应的耗产比、温度差异和功率差异构成的序列。
随着经济的发展,目前使用到塑料制品的地方越来越多,塑料箱作为其中的一种,其社会需求也越来越高,其优点也较多;对于这种中空制品可采用吹塑工艺成型;吹塑工艺不易产生熔接缝,壁厚的允许范围大,制品强度高,生产速度快,效率高;但是在挤出工艺阶段中挤出机的螺杆和机筒比较容易损坏,其原因是螺杆在机筒内转动时,物料与二者的摩擦,使螺杆与机筒的工作表面逐渐磨损,使最终的产量下降。为了对吹塑过程中的挤出机中的螺杆和机筒的磨损情况进行监测,本实施例提供了一种塑料箱吹塑过程挤出机的磨损情况监测方法,该方法通过对历史数据进行分析,预测未来一段时间内的数据,以判断未来一段时间内挤出机的磨损情况,进而使工作人员能够提前对磨损的挤出机进行维修,以保证挤出机的生产量,即生产率。
考虑到挤出机中的机筒和螺杆是分段的,一般分为输送段(即送料段)、熔融段、混炼段、排气段、均化段;其中输送段的作用是输送物料,防止溢料;熔融段通过热传递和摩擦剪切,使物料充分熔融和均化;当螺杆和机筒出现磨损,两者之间的缝隙加大时,在下一熔融阶段其塑料粒融化的胶液会有部分通过此缝隙进行回流,会使送料段前端的温度异常升高;因此本实施例每天对一段时间内挤出机的送料段前端的温度进行测量,具体的:在机筒外部放置一个微型温度传感器,使其能够采集其温度的变化情况,其采集频率为60秒采集一次;本实施例每天都会在目标时间段内对不同时刻下挤出机送料段前端的温度进行测量,得到每一天对应的温度变化序列(即每天测量同一时间段内送料段前端的温度,例如对每一天相同8小时内的温度进行测量),所述目标时间段可根据实际需要进行设置。对于任意一天的温度变化序列,记为,其中,T为这一天对应的温度变化序列,为这一天中在目标时间段内的第1个第一采集时刻得到的送料段前端的温度,为这一天中在目标时间段内的第t1个第一采集时刻(即最后一个第一采集时刻)得到的送料段前端的温度。所述第一采集时刻为在目标时间段内每次采集温度的时刻。
由于挤出机中的螺杆和机筒的磨损会造成原料回流,进而会导致挤出量下降,久而久之,就会造成生产率的下降(即相同时间内磨损的挤出机的生产量低),同时在相同时间内在加热模块所消耗的电量会有所增加,因此在生产量相同的情况下磨损的挤出机的能耗更多;因此本实施例每天对目标时间段内挤出机的生产量和加热模块耗电量进行测量,具体的:统计每天挤出机在目标时间段内塑料箱的生产量(即生产塑料箱的数量),得到每一天对应的生产量;除此之外统计挤出机在目标时间段内挤出机加热模块的耗电量,得到每一天对应的加热模块耗电量。
考虑到当螺杆和机筒磨损时,二者之间会出现缝隙,会导致螺杆转动的阻力降低,此时通过联轴器和减速器连接的电机的负载就会下降,进而电机的功率也会随着下降;因此本实施例每天对目标时间段内电机的功率进行检测,具体的:本实施例通过功率计采集电机的瞬时功率,并且每天都对目标时间段内电机在不同时刻下的瞬时功率进行采集,采集频率为2赫兹,进而可以得到每天对应的功率变化序列;任意一天的功率变化序列,记为,其中,P为这一天对应的功率变化序列,为这一天中在目标时间段内的第1个第二采集时刻得到的瞬时功率,为这一天中在目标时间段内的第t2个第二采集时刻(即最后一个第二采集时刻)得到的瞬时功率。所述第二采集时刻为在目标时间段内每次采集瞬时功率的时刻。
为了对塑料箱吹塑过程中挤出机的磨损情况进行监测,本实施例通过实时的数据对未来时间内的数据进行预测,进而提前预测磨损情况的发展趋势,能够及时对挤出机进行维修,降低带来的损失;本实施例首先获取当前预测时刻之前的预设天数中每天对应温度变化序列、生产量、加热模块耗电量以及功率变化序列;本实施例中相邻预测时刻之间的时间间隔是3天(即每隔三天预测一次),具体也可以根据实际需求进行调整;所述预测时刻为每次对未来数据进行预测的时刻(例如对当天的温度变化序列、生产量、加热模块耗电量以及功率变化序列检测完成后的某一时刻为当前预测时刻,预测到的是之后预设天数内每一天在目标时间段内的数据;所述当前预测时刻之前的预设天数中包括当天)。本实施例中预设天数为10天,具体可根据实际需要进行调整。
接下来,本实施例根据当前预测时刻之前的预设天数中每天对应的温度变化序列、生产量、加热模块耗电量以及功率变化序列,得到当前预测时刻之前的预设天数中每天对应耗产比、温度差异以及功率差异,进而得到当前预测时刻对应的耗产比序列、温度差异序列以及功率差异序列,具体的:
第一,得到当前预测时刻对应的耗产比序列。
由于挤出机磨损时加热模块耗电量和生产量与没有磨损的情况下相比是不同的,因为在挤出机磨损时加工一个塑料箱需要更长的加热时间,因此目标时间段内的加热时间会更长,所以加热模块的耗电量会增加;除此之外,挤出机磨损时对应的生产量也会降低。
本实施例根据当前预测时刻之前的预设天数中每天对应的生产量、加热模块耗电量,得到当前预测时刻之前的预设天数中每天对应的耗产比,进而根据耗产比来反映此时的磨损情况;当前预测时刻之前的预设天数中任意一天的耗产比的计算公式为:
其中,k为该天对应的耗产比,exp( )为以自然常数e为底的指数函数,B为该天对应的生产量,W为该天对应的加热模块耗电量。
当k越接近1时,说明此时挤出机的生产量和加热模块耗电量的比值越小,即说明此时生产量少且加热模块的耗电量多;反之,当k越接近0时,说明此时挤出机的生产量和加热模块耗电量的比值越大;当螺杆与机筒磨损时,部分在熔融段加热好的塑料会通过磨损的缝隙回流到送料段,此时为了完成其吹塑过程中所需要的塑料量,就需要送入更多的塑料原料,花费更长的加热时间,才能够保持和未磨损时一样的水平,使得每天的生产量下降;同时加热时间增加,造成了耗电量的上升,此时k就会有增大的趋势;不同的磨损情况对应的k是不同的。
根据上述过程能够得到当前预测时刻之前的预设天数中每天对应的耗产比,然后将当前预测时刻之前的预设天数中每天对应的耗产比按照时间先后顺序进行排列,构成当前预测时刻对应的耗产比序列。
第二,得到当前预测时刻对应的温度差异序列。
当螺杆和机筒出现磨损,两者之间的缝隙加大时,在下一熔融阶段中其塑料粒融化的胶液会有部分通过此缝隙进行回流,会使送料段前端的温度异常升高;因此本实施例根据当前预测时刻之前的预设天数中每天对应的温度变化序列分别与挤出机未磨损的情况下的温度变化序列进行对比,得到当前预测时刻之前的预设天数中每天对应的温度差异;当前预测时刻之前的预设天数中任意一天对应的温度差异的计算公式为:
根据上述过程能够得到当前预测时刻之前的预设天数中每天对应的温度差异,然后将当前预测时刻之前的预设天数中每天对应的温度差异按照时间先后顺序进行排列,构成当前预测时刻对应的温度差异序列。
第三,得到当前预测时刻对应的功率差异序列。
由于螺杆和机筒出现磨损时,电机的功率会出现降低的情况,因此本实施例根据当前预测时刻之前的预设天数中每天对应的功率变化序列分别与挤出机未磨损的情况下的功率变化序列进行对比,得到当前预测时刻之前的预设天数中每天对应的功率差异;当前预测时刻之前的预设天数中任意一天对应的功率差异的计算公式为:
根据上述过程能够得到当前预测时刻之前的预设天数中每天对应的功率差异,然后将当前预测时刻之前的预设天数中每天对应的功率差异按照时间先后顺序进行排列,构成当前预测时刻对应的功率差异序列。
本实施例中耗产比序列、温度差异序列和功率差异序列的长度均相同,且这三个特征的序列均能够反映螺杆与机筒的磨损情况(即挤出机的磨损情况)。
步骤S2,根据当前预测时刻对应的耗产比序列、温度差异序列和功率差异序列,得到当前预测时刻对应的预测耗产比序列、预测温度差异序列和预测功率差异序列;根据所述预测耗产比序列,得到对应的第一增长率序列;根据所述预测温度差异序列,得到对应的第二增长率序列;根据所述预测功率差异序列,得到对应的第三增长率序列。
为了能够提前预测出挤出机内螺杆和机筒磨损情况的发展趋势,进而能够给技术人员合理的安排维修更换时间,以减少挤出机磨损带来的生产损失,保证生产量。考虑到挤出机的磨损属于长时间的过程,很难通过短期的直线拟合完成,因此本实施例使用TCN神经网络,为不同数据建立不同的预测网络,进而对不同的数据进行预测;本实施例分别利用当前预测时刻对应的耗产比序列、温度差异序列和功率差异序列,预测未来预设天数内(即当前预测时刻之后的10天内)的耗产比序列、温度差异序列和功率差异序列,分别记为当前预测时刻对应的预测耗产比序列、预测温度差异序列和预测功率差异序列,具体的:
首先构建耗产比预测网络、温度预测网络和功率预测网络,所述耗产比预测网络、温度预测网络和功率预测网络均为TCN网络;然后获取大量的耗产比序列,构建第一样本集,获取大量的温度差异序列,构建第二样本集,获取大量的功率差异序列,构建第三样本集;第一样本集中的每个耗产比序列对应的标签数据为与其相邻的下一预设天数内(即本实施例中是之后10天内的)的耗产比序列;同理第二样本集中的每个温度差异序列对应的标签数据为与其相邻的下一预设天数内的温度差异序列;第三样本集中的每个功率差异序列对应的标签数据为与其相邻的下一预设天数内的功率差异序列。
接着,本实施例利用第一样本集对耗产比预测网络进行训练,得到训练好的耗产比预测网络;利用第二样本集对温度预测网络进行训练,得到训练好的温度预测网络;利用第三样本集对功率预测网络进行训练,得到训练好的功率预测网络;本实施例中训练耗产比预测网络、温度预测网络和功率预测网络的损失函数均为均方误差损失函数;由于TCN网络的训练过程为公知技术,在此就不再赘述。
本实施例将当前预测时刻对应的耗产比序列输入到训练好的耗产比预测网络中,得到当前预测时刻对应的预测耗产比序列;将当前预测时刻对应的温度差异序列输入到训练好的温度预测网络中,得到当前预测时刻对应的预测温度差异序列;将当前预测时刻对应的功率差异序列输入到训练好的功率预测网络中,得到当前预测时刻对应的预测功率差异序列。
步骤S3,将当前预测时刻对应的预测特征序列集和所有的历史预测时刻对应的预测特征序列集构成的集合记为目标集合;计算目标集合中任意两个预测特征序列集之间的相似度;所述预测特征序列集包括对应的预测耗产比序列、预测温度差异序列、预测功率差异序列、第一增长率序列、第二增长率序列和第三增长率序列。
本实施例根据步骤S2得到了当前预测时刻对应的预测耗产比序列、预测温度差异序列以及预测功率差异序列;接着本实施例分别对当前预测时刻对应的预测耗产比序列、预测温度差异序列以及预测功率差异序列的变化趋势进行分析,进而更好对挤出机的磨损情况进行分析,具体的:
对于当前预测时刻对应的预测耗产比序列:计算预测耗产比序列中任意相邻的两个耗产比的比值(即后一个耗产比与前一个耗产比的比值),即,其中为预测耗产比序列中第n个耗产比与第n-1个耗产比的比值,为预测耗产比序列中第n个耗产比,为预测耗产比序列中第n-1个耗产比;然后根据预测耗产比序列中任意相邻的两个耗产比的比值,构建第一增长率序列。例如预测耗产比序列为,则对应的第一增长率序列为。
对于当前预测时刻对应的预测温度差异序列:计算预测温度差异序列中任意相邻的两个温度差异的比值(即后一个温度差异与前一个温度差异的比值),即,其中为预测温度差异序列中第n个温度差异与第n-1个温度差异的比值,为预测温度差异序列中第n个温度差异,为预测温度差异序列中第n-1个温度差异;然后根据预测温度差异序列中任意相邻的两个耗产比的比值,构建第二增长率序列。
对于当前预测时刻对应的预测功率差异序列:计算预测功率差异序列中任意相邻的两个功率差异的比值(即后一个功率差异与前一个功率差异的比值),即,其中为预测功率差异序列中第n个功率差异与第n-1个功率差异的比值,为预测功率差异序列中第n个功率差异,为预测功率差异序列中第n-1个功率差异;然后根据预测功率差异序列中任意相邻的两个功率差异的比值,构建第三增长率序列。
至此,本实施例得到了当前预测时刻对应的第一增长率序列、第二增长率序列和第三增长率序列;不同的增长率序列可以反映出不同特征在未来预设天数内的变化趋势,进而更加准确的对磨损情况进行分析。通常当螺杆和机筒磨损情况趋于稳定时,其增长率序列也会趋于稳定,此时増量率序列中的值都趋近于1。
步骤S4,根据目标集合中任意两个预测特征序列集之间的相似度,对目标集合中的各预测特征序列集进行聚类;若得到的簇的数量大于等于第一阈值,则判定当前预测时刻之后的预设天数内挤出机磨损严重。
本实施例将上述步骤得到的当前预测时刻对应的预测耗产比序列、预测温度差异序列、预测功率差异序列、第一增长率序列、第二增长率序列和第三增长率序列构成的数据集记为当前预测时刻对应的预测特征序列集。
获取挤出机在所有的历史预测时刻对应的预测特征序列集(所述所有的历史预测时刻为从挤出机投入使用到当前预测时刻之间的各预测时刻);然后将当前预测时刻对应的预测特征序列集和之前的所有历史预测时刻对应的预测特征序列集构成的集合记为目标集合;随着挤出机的使用时长的增加,目标集合中包括的预测特征序列集的数量也会不断增加。
为了判断挤出机在何时进入了严重磨损状态,本实施例根据目标集合中包括的各预测特征序列集,判断任意两个预测特征序列集之间的相似度;由于挤出机的磨损是经过长期的使用导致的,因此不同预测时刻之间的间隔越远,其对应的预测特征序列集之间的相似度可能会越小;因此本实施例根据任意两个预测特征序列集之间的相似度对目标集合中各预测特征序列集进行聚类,如果得到的簇的数量越多,说明存在差异较大的预测特征序列集;基于此,本实施例根据聚类得到的簇的数量来判断挤出机的磨损情况,具体的:
对于目标集合中任意两个预测特征序列集:
将这两个预测特征序列集中的第一个预测特征序列集记为第一预测特征序列集,将第二个预测特征序列集记为第二预测特征序列集。计算第一预测特征序列集中的预测耗产比序列与第二预测特征序列集中的预测耗产比序列的皮尔逊相关系数,记为第一相关系数;计算第一预测特征序列集中的预测温度差异序列与第二预测特征序列集中的预测温度差异序列的皮尔逊相关系数,记为第二相关系数;计算第一预测特征序列集中的预测功率差异序列与第二预测特征序列集中的预测功率差异序列的皮尔逊相关系数,记为第三相关系数;计算第一预测特征序列集中的第一增长率序列与第二预测特征序列集中的第一增长率序列的皮尔逊相关系数,记为第四相关系数;计算第一预测特征序列集中的第二增长率序列与第二预测特征序列集中的第二增长率序列的皮尔逊相关系数,记为第五相关系数;计算第一预测特征序列集中的第三增长率序列与第二预测特征序列集中的第三增长率序列的皮尔逊相关系数,记为第六相关系数;将第一相关系数、第二相关系数、第三相关系数、第四相关系数、第五相关系数和第六相关系数的乘积,作为这两个预测特征序列集之间的相似度R。
当皮尔逊相关系数越接近于1时,说明对应的两个序列之间相似度越大,因此本实施例综合第一预测特征序列集和第二预测特征序列集中同一种序列的皮尔逊相关系数,来反映第一预测特征序列集和第二预测特征序列集的相似情况,当R越趋近于1时,说明第一预测特征序列集和第二预测特征序列集越相似。本实施例中皮尔逊相关系数的计算过程是公知的,在此就不再赘述。
至此本实施例能够得到目标集合中任意两个预测特征序列集之间的相似度;由于挤出机经过长时间的使用后,其磨损情况会不断加剧,因此当时目标集合中存在相似度小的两个预测特征序列集时可以反映出挤出机已经存在磨损;当存在相似度接近于0的两个预测特征序列集时,说明此时挤出机中的螺杆和机筒的磨损越严重。
接下来,计算目标集合中任意两个预测特征序列集之间的差异距离,即,其中为目标集合中第a个预测特征序列集和第b个预测特征序列集之间的差异距离,为目标集合中第a个预测特征序列集和第b个预测特征序列集之间的相似度;越大,说明两个预测特征序列集之间的差异越大,说明已经存在磨损了。
为了判断未来预设天数内螺杆和机筒的磨损情况,本实施例基于目标集合中任意两个预测特征序列集之间的差异距离,利用密度聚类算法(DBSCAN算法)对目标集合中各预测特征序列集进行聚类,得到不同的簇,即得到各簇对应的各预测特征序列集。本实施例中密度聚类算法为现有技术,在此就不再赘述。
本实施例使用密度聚类算法是为了使其能够自动聚出不同的簇从而判断其磨损程度,例如在新螺杆和机筒的使用阶段,其未发生磨损,此时各预测时刻对应的预测特征序列集之间的相似度趋于1,此时通过密度聚类会将其分在同一簇中;久而久之,随着磨损程度的增加,其聚类得到的簇的数量越来越多;当聚类得到的簇达到一定的数量时,就可以判定未来预设天数内的磨损程度会到达一定程度,需要提醒技术人员对挤出机中的螺杆和机筒进行维修更换。
为了保证其聚类的效果符合不同的磨损程度,本实施例应对密度聚类算法中的Eps(邻域距离阈值)和MinPts(样本数量阈值)进行合理的设置,本实施例经过多次实验选取Eps的值为0.2和MinPts的值为3;在实际过程中,Eps和MinPts的值实施者可根据实际情况进行设定。
若利用密度聚类算法对目标集合中各预测特征序列集进行聚类,得到的簇的数量大于等于第一阈值,则判定当前预测时刻之后的预设天数内挤出机进入了磨损较为严重的阶段,此时(即当前预测时刻)将进行预警并对挤出机的螺杆和机筒进行维护更换,以降低后续严重磨损造成的影响;本实施例中第一阈值的大小实施者可根据实际需要进行设置,本实施例中将第一阈值设置为5。若此时聚类得到的簇的数量为5,则这5个簇中的预测数据几乎是按照螺杆和机筒的生命周期排列的,即第一个簇内几乎为初始阶段的预测数据,第二个簇为磨损前期轻微状态时的预测,依次到出现第五个簇即为磨损较为严重状态时的预测数据。
本实施例首先获取挤出机在当前预测时刻对应的耗产比序列、温度差异序列和功率差异序列;相比于单一因素信息可能出现的误差性以及不确定性,本实施例结合了三方面的因素更能确定螺杆与机筒的磨损情况。为了能够提前预测出挤出机内螺杆和机筒磨损情况的发展趋势,进而能够给技术人员合理的安排维修更换时间,以减少挤出机磨损带来的生产损失,保证生产量,本实施例根据当前预测时刻对应的耗产比序列、温度差异序列和功率差异序列,对未来的数据进行预测,得到当前预测时刻对应的预测耗产比序列、预测温度差异序列、预测功率差异序列、第一增长率序列、第二增长率序列以及第三增长率序列。最后本实施例结合当前预测时刻对应的预测特征序列集和所有的历史预测时刻对应的预测特征序列集中任意两个预测特征序列集之间的相似度进行聚类,若得到的簇的数量大于等于第一阈值,则判定当前预测时刻之后的预设天数内挤出机磨损严重;其中簇的数量可以反映出挤出机的磨损程度。本实施例通过对未来时间内挤出机的特征数据进行预测,进而对未来时间内挤出机的磨损情况进行判断,可以使工作人员及时对磨损的挤出机进行维系,保证了挤出机的生产率。
需要说明的是: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 (7)
1.一种塑料箱吹塑过程挤出机的磨损情况监测方法,其特征在于,该方法包括以下步骤:
获取挤出机在当前预测时刻对应的耗产比序列、温度差异序列和功率差异序列;所述耗产比序列、螺杆温度差异序列和功率差异序列是当前预测时刻之前的预设天数中每天对应的耗产比、温度差异和功率差异构成的序列;
根据当前预测时刻对应的耗产比序列、温度差异序列和功率差异序列,得到当前预测时刻对应的预测耗产比序列、预测温度差异序列和预测功率差异序列;根据所述预测耗产比序列,得到对应的第一增长率序列;根据所述预测温度差异序列,得到对应的第二增长率序列;根据所述预测功率差异序列,得到对应的第三增长率序列;
将当前预测时刻对应的预测特征序列集和所有的历史预测时刻对应的预测特征序列集构成的集合记为目标集合;计算目标集合中任意两个预测特征序列集之间的相似度;所述预测特征序列集包括对应的预测耗产比序列、预测温度差异序列、预测功率差异序列、第一增长率序列、第二增长率序列和第三增长率序列;
根据目标集合中任意两个预测特征序列集之间的相似度,对目标集合中的各预测特征序列集进行聚类;若得到的簇的数量大于等于第一阈值,则判定当前预测时刻之后的预设天数内挤出机磨损严重。
2.根据权利要求1所述的一种塑料箱吹塑过程挤出机的磨损情况监测方法,其特征在于,所述获取挤出机在当前预测时刻对应的耗产比序列、温度差异序列和功率差异序列,包括:
获取当前预测时刻之前的预设天数中每天对应温度变化序列、生产量、加热模块耗电量以及功率变化序列;所述温度变化序列包括在该天的目标时间段中各第一采集时刻下送料段前端的温度;所述生产量为在该天的目标时间段中挤出机的生产量;所述加热模块耗电量为在该天的目标时间段中挤出机加热模块的耗电量;所述功率变化序列包括在该天的目标时间段中各第二采集时刻下电机的瞬时功率;
根据当前预测时刻之前的预设天数中每天对应的生产量、加热模块耗电量,得到当前预测时刻之前的预设天数中每天对应的耗产比;将所述每天对应的耗产比按照时间先后顺序进行排列,构成当前预测时刻对应的耗产比序列;
根据当前预测时刻之前的预设天数中每天对应的温度变化序列,得到当前预测时刻之前的预设天数中每天对应的温度差异;将所述每天对应的温度差异按照时间先后顺序进行排列,构成当前预测时刻对应的温度差异序列;
根据当前预测时刻之前的预设天数中每天对应的功率变化序列,得到当前预测时刻之前的预设天数中每天对应的功率差异;将所述每天对应的功率差异按照时间先后顺序进行排列,构成当前预测时刻对应的功率差异序列。
4.根据权利要求1所述的一种塑料箱吹塑过程挤出机的磨损情况监测方法,其特征在于,所述根据当前预测时刻对应的耗产比序列、温度差异序列和功率差异序列,得到当前预测时刻对应的预测耗产比序列、预测温度差异序列和预测功率差异序列,包括:
将当前预测时刻对应的耗产比序列输入到训练好的耗产比预测网络中,得到当前预测时刻对应的预测耗产比序列;将当前预测时刻对应的温度差异序列输入到训练好的温度预测网络中,得到当前预测时刻对应的预测温度差异序列;将当前预测时刻对应的功率差异序列输入到训练好的功率预测网络中,得到当前预测时刻对应的预测功率差异序列。
5.根据权利要求1所述的一种塑料箱吹塑过程挤出机的磨损情况监测方法,其特征在于,所述根据所述预测耗产比序列,得到对应的第一增长率序列;根据所述预测温度差异序列,得到对应的第二增长率序列;根据所述预测功率差异序列,得到对应的第三增长率序列,包括:
计算所述预测耗产比序列中任意相邻的两个耗产比的比值;根据所述预测耗产比序列中任意相邻的两个耗产比的比值,构建第一增长率序列;所述相邻的两个耗产比的比值为后一个耗产比与前一个耗产比的比值;
计算所述预测温度差异序列中任意相邻的两个温度差异的比值;根据所述预测温度差异序列中任意相邻的两个温度差异的比值,构建第二增长率序列;所述相邻的两个温度差异的比值为后一个温度差异与前一个温度差异的比值;
计算所述预测功率差异序列中任意相邻两个功率差异的比值;根据所述预测功率差异序列中任意相邻的两个功率差异的比值,构建第二增长率序列;所述相邻的两个功率差异的比值为后一个功率差异与前一个功率差异的比值。
6.根据权利要求1所述的一种塑料箱吹塑过程挤出机的磨损情况监测方法,其特征在于,所述计算目标集合中任意两个预测特征序列集之间的相似度,包括:
对于目标集合中任意两个预测特征序列集:
将这两个预测特征序列集中的第一个预测特征序列集记为第一预测特征序列集,将这两个预测特征序列集中的第二个预测特征序列集记为第二预测特征序列集;
计算第一预测特征序列集中的预测耗产比序列与第二预测特征序列集中的预测耗产比序列的皮尔逊相关系数,记为第一相关系数;计算第一预测特征序列集中的预测温度差异序列与第二预测特征序列集中的预测温度差异序列的皮尔逊相关系数,记为第二相关系数;计算第一预测特征序列集中的预测功率差异序列与第二预测特征序列集中的预测功率差异序列的皮尔逊相关系数,记为第三相关系数;计算第一预测特征序列集中的第一增长率序列与第二预测特征序列集中的第一增长率序列的皮尔逊相关系数,记为第四相关系数;计算第一预测特征序列集中的第二增长率序列与第二预测特征序列集中的第二增长率序列的皮尔逊相关系数,记为第五相关系数;计算第一预测特征序列集中的第三增长率序列与第二预测特征序列集中的第三增长率序列的皮尔逊相关系数,记为第六相关系数;
将第一相关系数、第二相关系数、第三相关系数、第四相关系数、第五相关系数和第六相关系数的乘积,作为这两个预测特征序列集之间的相似度。
7.根据权利要求1所述的一种塑料箱吹塑过程挤出机的磨损情况监测方法,其特征在于,根据目标集合中任意两个预测特征序列集之间的相似度,对目标集合中的各预测特征序列集进行聚类,包括:
对于目标集合中任意两个预测特征序列集:计算1与这两个预测特征序列集之间的相似度的差值,作为这两个预测特征序列集之间的差异距离;
基于目标集合中任意两个预测特征序列集之间的差异距离,利用密度聚类算法对目标集合中各预测特征序列集进行聚类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211232231.6A CN115320064B (zh) | 2022-10-10 | 2022-10-10 | 一种塑料箱吹塑过程挤出机的磨损情况监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211232231.6A CN115320064B (zh) | 2022-10-10 | 2022-10-10 | 一种塑料箱吹塑过程挤出机的磨损情况监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115320064A true CN115320064A (zh) | 2022-11-11 |
CN115320064B CN115320064B (zh) | 2022-12-30 |
Family
ID=83913671
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211232231.6A Active CN115320064B (zh) | 2022-10-10 | 2022-10-10 | 一种塑料箱吹塑过程挤出机的磨损情况监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115320064B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115982602A (zh) * | 2023-03-20 | 2023-04-18 | 济宁众达利电气设备有限公司 | 一种光伏变压器电故障检测方法 |
CN117802590A (zh) * | 2024-02-29 | 2024-04-02 | 山东津潍海润特种分离设备有限公司 | 一种海卤水处理膜纺丝工艺参数优化方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107127951A (zh) * | 2016-02-29 | 2017-09-05 | 莱芬豪舍机械制造两合公司 | 挤出机、塑料成型设备或组合设备及操作这种设备的方法 |
US20200409333A1 (en) * | 2018-01-10 | 2020-12-31 | KraussMaffei Extrusion GmbH | Method for operating an extrusion system and extrusion system |
EP3804956A1 (de) * | 2019-10-08 | 2021-04-14 | REHAU AG + Co | Verfahren zur überwachung von verschleiss- und/oder verschmutzungserscheinungen in einer kunststoff-extrusionsanlage |
CN114670420A (zh) * | 2020-12-24 | 2022-06-28 | 金发科技股份有限公司 | 一种鉴别双螺杆挤出机螺筒磨损的方法 |
CN115061376A (zh) * | 2022-08-18 | 2022-09-16 | 南通高米精密机械有限公司 | 基于lof算法的挤塑过程优化控制方法 |
-
2022
- 2022-10-10 CN CN202211232231.6A patent/CN115320064B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107127951A (zh) * | 2016-02-29 | 2017-09-05 | 莱芬豪舍机械制造两合公司 | 挤出机、塑料成型设备或组合设备及操作这种设备的方法 |
US20200409333A1 (en) * | 2018-01-10 | 2020-12-31 | KraussMaffei Extrusion GmbH | Method for operating an extrusion system and extrusion system |
EP3804956A1 (de) * | 2019-10-08 | 2021-04-14 | REHAU AG + Co | Verfahren zur überwachung von verschleiss- und/oder verschmutzungserscheinungen in einer kunststoff-extrusionsanlage |
CN114670420A (zh) * | 2020-12-24 | 2022-06-28 | 金发科技股份有限公司 | 一种鉴别双螺杆挤出机螺筒磨损的方法 |
CN115061376A (zh) * | 2022-08-18 | 2022-09-16 | 南通高米精密机械有限公司 | 基于lof算法的挤塑过程优化控制方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115982602A (zh) * | 2023-03-20 | 2023-04-18 | 济宁众达利电气设备有限公司 | 一种光伏变压器电故障检测方法 |
CN117802590A (zh) * | 2024-02-29 | 2024-04-02 | 山东津潍海润特种分离设备有限公司 | 一种海卤水处理膜纺丝工艺参数优化方法 |
CN117802590B (zh) * | 2024-02-29 | 2024-05-14 | 山东津潍海润特种分离设备有限公司 | 一种海卤水处理膜纺丝工艺参数优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115320064B (zh) | 2022-12-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115320064B (zh) | 一种塑料箱吹塑过程挤出机的磨损情况监测方法 | |
CN103143586B (zh) | 一种铝型材挤压模具的液氮冷却方法及装置 | |
US7805394B2 (en) | Apparatus and method for the analysis of a process having parameter-based faults | |
US20060138690A1 (en) | Method for producing profiles made of thermoplastic material | |
CN103488135B (zh) | 一种用于半导体生产加工过程监控的统计过程控制方法 | |
Estrada et al. | Energy gap method (EGM) to increase energy efficiency in industrial processes: Successful cases in polymer processing | |
CN101138885B (zh) | 挤出吹塑制品壁厚智能化控制系统及其控制方法 | |
CN114897890B (zh) | 一种基于人工智能的改性塑料生产调控方法 | |
CN101790746A (zh) | 用于对工业设备运行中的复杂生产顺序进行优化规划的方法和系统 | |
CN110906171A (zh) | 基于动态包络线法的管道保温状况监测和分级控制方法 | |
CN108595687A (zh) | 用水量异常检测方法和数据库服务器 | |
CN104608363A (zh) | 一种塑料挤出生产中工艺参数配置的专家系统及方法 | |
Guo et al. | Application of qualitative trend analysis in fault diagnosis of entrained-flow coal-water slurry gasifier | |
CN208556892U (zh) | 铣削工件表面粗糙度变化的铣刀剩余寿命在线监测系统 | |
Gao et al. | Thermo-mechanical recycling via ultrahigh-speed extrusion of film-grade recycled LDPE and injection molding | |
Wang et al. | Fault diagnosis of injection molding machine non-return valve based on data-driven model | |
Hyun et al. | Use of process data obtained from a data acquisition system for optimizing and debugging extrusion processes | |
CN110718273B (zh) | 一种石脑油裂解制乙烯的裂解炉运行过程的监测模型的建模方法 | |
PENG et al. | Diagnosis of quality defects in hot strip rolled products based on factor analysis | |
Fruth et al. | Condition monitoring for injection molding screws | |
Nóbrega et al. | Design of calibrators for profile extrusion–optimizing multi-step systems | |
CN111062608A (zh) | 基于线损分类器的10kV线路线损监控方法 | |
CN210389755U (zh) | 一种增强尼龙颗粒生产中的热熔切条装置 | |
CN117549535B (zh) | 一种用于保温板制备的设备智能监测方法 | |
Haridy et al. | Development of CUSUM Scheme for Monitoring Multiple Attributes |
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 |