CN115862784A - 一种密炼机混炼门尼粘度预测方法 - Google Patents

Abstract

本发明公开了一种密炼机混炼门尼粘度预测方法。本发明通过构造出状态变化概率矩阵，能模拟出密炼机混炼过程中关键因素的变化过程，通过概率变化的方式，能描述出关键因素的波动情况，通过任一采样时刻关键因素状态就能预测出最后采样时刻关键因素的状态，最后利用建立的门尼粘度预测模型能预测出终炼胶的预测门尼粘度值。本发明所用方法简单可靠，考虑全面，能有效提升门尼粘度预测结果。

Description

一种密炼机混炼门尼粘度预测方法

技术领域

本发明涉及橡胶轮胎制造领域的在线自动测量装置及方法，具体涉及一种密炼机混炼门尼粘度预测方法。

背景技术：

密炼机是橡胶混炼的主要设备，在密炼机内安装有一对特定形状并相对运动的转子，在一定温度和压力下，通过转子的剪切、揉压、撕扯等机械作用，可将原材料胶料及配合剂炭黑、辅助材料油料等进行充分地混合和分散。密炼机混炼结束后排出的终炼胶质量常用门尼粘度进行评价，门尼粘度的数值代表了终炼胶的加工性能，对后工序生产具有非常重要的参考意义。

目前终炼胶的门尼粘度主要是通过门尼粘度计取样测试获得，测量结果滞后。当终炼胶门尼粘度测量结果出现不合格时，终炼胶需要返回密炼机重新混炼，造成能源及原料的浪费。因此，提前获取终炼胶的门尼粘度值，准确预测终炼胶混炼质量对提升密炼机混炼效率，对提高密炼机混炼质量具有重大意义。

影响终炼胶门尼粘度的工艺参数有多种，如转子能量、转子功率、转子转速、压砣压力、胶料温度、混炼时间等。传统的密炼机终炼胶门尼粘度预测方法主要是依靠技术人员通过反复实验，寻找这些工艺参数对终炼胶门尼粘度的影响规律，进而确定合适的混炼工艺参数值。由于工艺参数种类多，该方法需要大量实验才能分析出影响规律，这对技术人员专业技能要求相对较高，而且该方法仅从工艺参数设定值角度出发进行预测，忽略了工艺参数实际值是会受设备、原材料等因素影响在工艺参数设定值上下波动的情况，这些波动代表了转子对胶料的剪切、揉压、撕扯等机械作用不是一直相同的，是时刻发生变化的，这些变化最终都会反映到终炼胶的门尼粘度上，因此仅仅采用工艺参数设定值预测终炼胶的门尼粘度会导致预测结果不够准确。

发明内容：

为了提高密炼机混炼门尼粘度预测精度，本发明提供一种密炼机混炼门尼粘度预测方法，本发明的技术解决方案是

一种密炼机混炼门尼粘度预测方法，包括如下步骤：

步骤(1)、关键因素fac选定；

选定转子功率ZPW、转子电流ZI、压砣压力ZPN、胶料温度ZT为影响门尼粘度变化的关键因素fac。

步骤(2)、关键因素fac数据采集；

步骤(3)、构造关键因素fac的状态变化概率矩阵S(fac)；

步骤(4)、建立门尼粘度回归方程；

步骤(5)、密炼机混炼门尼粘度预测；

进一步的，步骤(2)关键因素fac数据采集具体方法如下；

设定密炼机转子每转动角度β为关键因素fac数据采样时刻，密炼机混炼结束前可获得m个数据采样时刻，且在密炼机混炼过程的第i个采样时刻可得到关键因素fac状态向量矩阵X_i；

密炼机混炼结束后，通过关键因素fac的采样数据构建矩阵X_m，矩阵X_m中每一列代表某一个采样时刻转子功率ZPW、转子电流ZI、压砣压力ZPN、胶料温度ZT状态，矩阵X_m中每一行代表密炼机混炼过程中该关键因素fac状态变化过程；

按上述方法对同一规格n个批次的关键因素fac数据采样，获得n个矩阵X_m，每个关键因素转子功率ZPW、转子电流ZI、压砣压力ZPN、胶料温度ZT均可获得m×n组状态；

同一规格任意时刻i及任意批次j关键因素fac状态能够表示为；

进一步的，步骤(3)构造关键因素fac的状态变化概率矩阵S(fac)，具体方法如下：

密炼机混炼是一个连续生产过程，关键因素fac的下一采样时刻i+1状态与上一个采样时刻i状态相关，并相互依赖，通过状态变化概率矩阵S(fac)表示该关键因素fac由上一个采样时刻i状态变为下一采样时刻i+1状态的状态变化概率，构造方法如下：

1)选定其中一个关键因素fac，将同一规格任意时刻i及任意批次j状态汇总，用矩阵X(fac)表示，

2)统计矩阵X(fac)状态个数k，构造k×k’状态变化类别次数矩阵O(fac)；

3)统计每一类别状态变化发生次数O(fac)_k,k’；

4)计算每一类别状态变化概率S(fac)_k,k’，计算公式如下：

S(fac)_k,k'＝O(fac)_k,k'/O(fac)_k

5)获得状态变化概率矩阵S(fac)；

进一步的，步骤(4)建立门尼粘度回归方程，具体方法如下；

建立门尼粘度回归方程：

μ＝f(ZPW、ZI、ZPN、ZT)

利用同一规格n个批次的密炼机混炼结束前最后采样时刻，关键因素fac状态向量矩阵X_i；

和密炼机混炼结束后排出终炼胶的门尼粘度测试值μ_m，通过数据拟合方法求解出回归方程中的参数；

进一步的，步骤(5)密炼机混炼门尼粘度预测，具体方法如下；

获取到密炼机混炼某一采样时刻关键因素fac状态向量矩阵X_i；

利用状态变化概率S(fac)计算出该采样时刻之后，各采样时刻关键因素fac的预测状态向量矩阵preX及对应的炼胶门尼粘度值μ，计算方法如下；

preX_i+1＝X_i×S(fac),μ_i+1＝f(preX_i+1)

preX_i+2＝preX_i+1×S(fac),μ_i+2＝f(preX_i+2)

preX_i+3＝preX_i+2×S(fac),μ_i+3＝f(preX_i+3)

/>

preX_m＝preX_m-1×S(fac),μ_m＝f(preX_m)

通过设定不同的概率可信区间，可获得各采样时刻关键因素fac预测状态向量矩阵preX，利用已建立的门尼粘度回归方程计算出对应的炼胶门尼粘度值μ。当出现满足工艺要求的门尼粘度时，计算出转子所需转动角度，控制转子转动至所需角度，即可排胶。

其他胶料规格亦可参照上述方法实现密炼机混炼门尼粘度的预测。

本发明有益效果如下：

本发明与现有技术相比，通过机器学习分析的方法，降低了对技术人员的依赖性；通过设定密炼机转子转动角度作为关键因素数据采样时刻，能反馈出转子实时机械动作对胶料混炼的过程；通过构造出状态变化概率矩阵，能预测出关键因素的变化过程；通过建立的门尼粘度回归方程能预测出终炼胶的门尼粘度。本发明所用方法简单可靠，考虑全面，能有效提升门尼粘度预测结果。

附图说明

图1为密炼机混炼门尼粘度预测模型建立方法流程图；

图2为密炼机混炼门尼粘度预测过程流程图。

图3为密炼机混炼门尼预测装置示意图；

具体实施方式

以下结合附图与实施例对本发明技术方案进行进一步描述。

如图1、2所示，一种密炼机混炼门尼粘度预测方法，包括如下步骤：

步骤(1)、关键因素fac选定；

由密炼机混炼原理可知，当胶料呈流体状态时，胶料的门尼粘度就与转子的剪切、揉压、撕扯等机械作用相关，而转子功率ZPW和转子电流ZI可以从侧面反映出转子工作时的状态。然而，仅从转子机械作用的角度研究终炼胶门尼粘度μ具有一定的局限性，在实际生产过程中，还应考虑如下因素：

(1)密炼机转子与胶料的机械摩擦会产生热量，导致密炼机混炼室温度升高，而胶料的粘度随胶料温度ZT而变化，温度越高，胶料的粘度越低。

(2)胶料最佳粘度除很大程度上取决于炭黑附聚力(由炭黑本身性质所决定)外，压砣压力ZPN也有重要作用，适度增大压砣压力ZPN可以使分散性得到改善。

根据上述分析，选定转子功率ZPW、转子电流ZI、压砣压力ZPN、胶料温度ZT为影响门尼粘度变化的关键因素fac。

步骤(2)、关键因素fac数据采集；

密炼机混炼工艺流程主要分为湿润、分散、捏炼三个阶段，湿润阶段由于胶料的均匀程度非常差，故而对于终炼胶门尼粘度预测意义不大，分散阶段是橡胶与作为补强剂的炭黑相互结合的关键过程，但该阶段因为会有加料过程，关键因素fac数据波动大，不利于终炼胶门尼粘度的预测，捏炼阶段配合剂的分散已基本完成，继续混炼可提高胶料的整体均匀性，此时关键因素fac数据趋于平稳，终炼胶门尼粘度出现规律变化，呈下降趋势，可以对终炼胶门尼粘度进行较好地预测。因此，关键因素fac数据数据采集时段设定在密炼机混炼进入捏炼阶段后。

设定密炼机转子每转动角度β为一次关键因素fac数据采样时刻，密炼机混炼进入捏炼阶段至结束期间可获得m个数据采样时刻，且在密炼机混炼过程的第i个采样时刻可得到关键因素fac状态向量矩阵X_i；

密炼机混炼结束后，通过关键因素fac的采样数据构建矩阵X_m，矩阵X_m中每一列代表某一个采样时刻转子功率ZPW、转子电流ZI、压砣压力ZPN、胶料温度ZT状态，矩阵X_m中每一行代表密炼机混炼过程中该关键因素fac状态变化过程；

按上述方法对同一规格n个批次的关键因素fac数据采样，获得n个矩阵X_m，每个关键因素转子功率ZPW、转子电流ZI、压砣压力ZPN、胶料温度ZT均可获得m×n组状态；

同一规格任意时刻i及任意批次j关键因素fac状态能够表示为；

步骤(3)、构造关键因素fac的状态变化概率矩阵S(fac)；

密炼机混炼是一个连续生产过程，关键因素fac的下一采样时刻i+1状态与上一个采样时刻i状态相关，并相互依赖，通过状态变化概率矩阵S(fac)表示该关键因素fac由上一个采样时刻i状态变为下一采样时刻i+1状态的状态变化概率，构造方法如下：

1)选定其中一个关键因素fac，将同一规格任意时刻i及任意批次j状态汇总，用矩阵X(fac)表示，

2)统计矩阵X(fac)状态个数k，构造k×k’状态变化类别次数矩阵O(fac)；

3)统计每一类别状态变化发生次数O(fac)_k,k’；

4)计算每一类别状态变化概率S(fac)_k,k’，计算公式如下：

S(fac)_k,k'＝O(fac)_k,k'/O(fac)_k

5)获得状态变化概率矩阵S(fac)；

步骤(4)、建立门尼粘度回归方程；

捏炼阶段密炼机混炼趋于平稳，对该阶段建立门尼粘度回归方程，

μ＝f(ZPW、ZI、ZPN、ZT)

因终炼胶门尼粘度仅在密炼机混炼结束，排出终炼胶后由门尼粘度计取样测试才能获得，所以回归方程参数求解时，将同一规格n个批次的密炼机混炼结束前最后采样时刻，关键因素fac状态向量矩阵X_i；

作为输入变量，密炼机混炼结束后排出终炼胶的门尼粘度测试值μ_m作为输出变量，再通过数据拟合的方法求解出合适的参数；

步骤(5)、密炼机混炼门尼粘度预测过程；

密炼机混炼进入捏炼阶段后，获取到某一采样时刻关键因素fac状态向量矩阵X_i；

利用状态变化概率S(fac)计算出该采样时刻之后，各采样时刻关键因素fac的预测状态向量矩阵preX及对应的炼胶门尼粘度值μ，计算方法如下；

preX_i+1＝X_i×S(fac),μ_i+1＝f(preX_i+1)

preX_i+2＝preX_i+1×S(fac),μ_i+2＝f(preX_i+2)

preX_i+3＝preX_i+2×S(fac),μ_i+3＝f(preX_i+3)

preX_m＝preX_m-1×S(fac),μ_m＝f(preX_m)

通过设定不同的概率可信区间，可获得各采样时刻关键因素fac预测状态向量矩阵preX，利用已建立的门尼粘度回归方程计算出对应的炼胶门尼粘度值μ。当出现满足工艺要求的门尼粘度时，计算出转子所需转动角度，控制转子转动至所需角度，即可排胶。

其他胶料规格亦可参照上述方法实现密炼机混炼门尼粘度的预测。

实施例

步骤(1)、关键因素fac选定；

选定转子功率ZPW、转子电流ZI、压砣压力ZPN、胶料温度ZT为影响门尼粘度变化的关键因素fac。

步骤(2)、关键因素fac数据采集；

关键因素fac的数据采集可以通过密炼机设备自身所带的传感器或增加对应的传感器实现。图3所示为关键因素fac数据采集的一种方式。

通过安装在密炼机压砣上的压砣压力传感器检测压砣压力ZPN；

通过安装在密炼机排胶口的温度传感器检测胶料温度ZT；

通过安装在密炼机转子上的转子角度编码器检测转子角度；

通过转子驱动器上的功率参数和电流参数获得转子功率ZPW、转子电流ZI；

控制器和数据处理器用于采集和处理传感器的数据。

选定A规格，设定密炼机转子每转动角度β＝30°为一次关键因素fac数据采样时刻，采样开始时刻为排出终炼胶前转子最后10转，可获得m＝120个数据采样时刻，对该规格n＝100个批次的数据进行采样，为便于说明，以4个批次10组数据为例，数据如下：

步骤(3)、构造关键因素fac的状态变化概率矩阵S(fac)；

1)选定其中一个关键因素fac，以转子功率ZPW为例，将4个批次数据汇总，用矩阵X(ZPW)表示，

2)统计矩阵X(ZPW)状态个数k＝4，构造4×4状态变化类别次数矩阵O(fac)；

3)统计每一类别状态变化发生次数O(ZPW)_k,k’；

4)计算每一类别状态变化概率S(ZPW)_k,k’，计算公式如下：

S(ZPW)_k,k'＝O(ZPW)_k,k'/O(ZPW)_k

5)获得状态变化概率矩阵S(ZPW)；

其他关键因素fac可用同样的方法获得S(fac)，

步骤(4)、建立门尼粘度回归方程；

这里选择线性回归方程

μ＝a₀X_ZPW+b₀X_ZI+c₀X_ZPN+d₀X_ZT+e₀

通过A规格n＝100个批次的关键因素fac最后采样时刻(排出终炼胶)状态向量矩阵X_m及对应的终炼胶门尼粘度值μ_m，利用数据拟合中的最小二乘法求解出线性回归方程中的参数a₀，b₀，c₀，d₀，e₀，结果如下：

参数	解
		a<sub>0</sub>	0.09481197
b<sub>0</sub>	-0.2378156
		c<sub>0</sub>	-3.328695046
d<sub>0</sub>	1.813213138
		e<sub>0</sub>	-0.165141664

步骤(5)、密炼机混炼门尼粘度预测过程；

A规格工艺要求门尼粘度为41±1，A规格进入捏炼阶段后，获取到某一时刻关键因素fac状态，利用状态变化概率S(fac)预测出关键因素fac变化过程，设定最佳概率对应的结果为可信值，通过已建立的门尼粘度回归方程计算出门尼粘度预测值，过程如下

转子角度°	0	30	60	90	120	150
							ZPW	467	467	467	467	467	467
ZI	1050	1050	1049	1049	1049	1049
							ZPN	5	5	5	5	5	5
ZT	142	142	145	145	145	145
							预测μ	35.23845872	35.23845872	40.91591373	40.91591373	40.91591373	40.91591373

预测结果表明，当密炼机转子继续旋转60°后，门尼粘度将达到工艺要求，此时即可排胶。

本方法，通过机器学习分析的方法，降低了对技术人员的依赖性；通过设定密炼机转子转动角度作为关键因素数据采样时刻，能反馈出转子实时机械动作对胶料混炼的过程；通过构造出状态变化概率矩阵，能预测出关键因素的变化过程；通过建立的门尼粘度回归方程能预测出终炼胶的门尼粘度。

以上内容是结合具体/优选的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员，在不脱离本发明构思的前提下，其还可以对这些已描述的实施方式做出若干替代或变型，而这些替代或变型方式都应当视为属于本发明的保护范围。

本发明未详细说明部分属于本领域技术人员公知技术。

Claims (5)

1.一种密炼机混炼门尼粘度预测方法，其特征在于，包括如下步骤：

步骤(1)、关键因素fac选定；

选定转子功率ZPW、转子电流ZI、压砣压力ZPN、胶料温度ZT为影响门尼粘度变化的关键因素fac；

步骤(2)、关键因素fac数据采集；

步骤(3)、构造关键因素fac的状态变化概率矩阵S(fac)；

步骤(4)、建立门尼粘度回归方程；

步骤(5)、密炼机混炼门尼粘度预测。

2.根据权利要求1所述的一种密炼机混炼门尼粘度预测方法，其特征在于，步骤(2)关键因素fac数据采集具体方法如下；

设定密炼机转子每转动角度β为关键因素fac数据采样时刻，密炼机混炼结束前可获得m个数据采样时刻，且在密炼机混炼过程的第i个采样时刻可得到关键因素fac状态向量矩阵X_i；

密炼机混炼结束后，通过关键因素fac的采样数据构建矩阵X_m，矩阵X_m中每一列代表某一个采样时刻转子功率ZPW、转子电流ZI、压砣压力ZPN、胶料温度ZT状态，矩阵X_m中每一行代表密炼机混炼过程中该关键因素fac状态变化过程；

按上述方法对同一规格n个批次的关键因素fac数据采样，获得n个矩阵X_m，每个关键因素转子功率ZPW、转子电流ZI、压砣压力ZPN、胶料温度ZT均可获得m×n组状态；

同一规格任意时刻i及任意批次j关键因素fac状态能够表示为；

3.根据权利要求2所述的一种密炼机混炼门尼粘度预测方法，其特征在于，步骤(3)构造关键因素fac的状态变化概率矩阵S(fac)，具体方法如下：

密炼机混炼是一个连续生产过程，关键因素fac的下一采样时刻i+1状态与上一个采样时刻i状态相关，并相互依赖，通过状态变化概率矩阵S(fac)表示该关键因素fac由上一个采样时刻i状态变为下一采样时刻i+1状态的状态变化概率，构造方法如下：

1)选定其中一个关键因素fac，将同一规格任意时刻i及任意批次j状态汇总，用矩阵X(fac)表示，

2)统计矩阵X(fac)状态个数k，构造k×k’状态变化类别次数矩阵O(fac)；

3)统计每一类别状态变化发生次数O(fac)_k,k’；

4)计算每一类别状态变化概率S(fac)_k,k’，计算公式如下：

5)获得状态变化概率矩阵S(fac)；

4.根据权利要求3所述的一种密炼机混炼门尼粘度预测方法，其特征在于，步骤(4)建立门尼粘度回归方程，具体方法如下；

建立门尼粘度回归方程：

μ＝f(ZPW、ZI、ZPN、ZT)

利用同一规格n个批次的密炼机混炼结束前最后采样时刻，关键因素fac状态向量矩阵X_i；

和密炼机混炼结束后排出终炼胶的门尼粘度测试值μ_m，通过数据拟合方法求解出回归方程中的参数。

5.根据权利要求4所述的一种密炼机混炼门尼粘度预测方法，其特征在于，步骤(5)密炼机混炼门尼粘度预测，具体方法如下；

获取到密炼机混炼某一采样时刻关键因素fac状态向量矩阵X_i；

利用状态变化概率S(fac)计算出该采样时刻之后，各采样时刻关键因素fac的预测状态向量矩阵preX及对应的炼胶门尼粘度值μ，计算方法如下；

preX_i+1＝X_i×S(fac),μ_i+1＝f(preX_i+1)

preX_i+2＝preX_i+1×S(fac),μ_i+2＝f(preX_i+2)

preX_i+3＝preX_i+2×S(fac),μ_i+3＝f(preX_i+3)

preX_m＝preX_m-1×S(fac),μ_m＝f(preX_m)

通过设定不同的概率可信区间，可获得各采样时刻关键因素fac预测状态向量矩阵preX，利用已建立的门尼粘度回归方程计算出对应的炼胶门尼粘度值μ；当出现满足工艺要求的门尼粘度时，计算出转子所需转动角度，控制转子转动至所需角度，即可排胶。

Images