CN115890987A - 一种智能柔性模具及其应用生产系统 - Google Patents

Abstract

本发明公开了一种智能柔性模具及其应用生产系统，首先依据原料配比高温下制备流态混合物，并将混合物加工成分散网囊进行使用，并在外壁网兜处加入有智能冷冻器，一方面，柔性材料可以依据实际情况改变形态，拓宽了模具本身的适用范围，另一方面，网囊的使用相较于传统模具能够更好的调节各冷冻位置的冷冻参数，改变冷冻产品的层级理化性质，同时，冷冻器使用过程中，依据输入的参数进行实时拟合，获取冷冻变换概率后进行冷冻资源的分配，实现了智能层级冷冻，获取了不同冷冻度的产品，加大了智能化集约生产。

Description

一种智能柔性模具及其应用生产系统

技术领域

本发明涉及冰激凌智能生产的技术领域，尤其涉及一种智能柔性模具及其应用生产系统。

背景技术

冷冻食品是通过急速低温加工出来的食品，食物组织中的水分、汁液不会流失。而且在这样的低温下，微生物基本不会繁殖，食品安全有了保证。近几年来，居民收入增长与消费结构升级进一步提升了冷冻食品销量，物流行业、食品保质保鲜技术以及物联网技术的发展推动了本行业的发展，国家产业政策鼓励食品工业往规模化、智能化、集约化、供给质量和效率显著提高方向发展，支持产业规模不断壮大，产业结构持续优化。

目前，智慧生产工厂已经逐步走入行业生产中，极大提高了规模化及智能化的发展进程。在冰激凌智慧生产过程中，传统的都是通过制定模具进行冷冻生产，一方面由于不同冰激凌制作工艺不同，通过传统方式进行冷冻无法保证各工艺特定温度的同步实现，另一方面，传统模具一般都是PC制品，生产加工过程难以实现二次加工利用。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有冰激凌生产过程存在的问题，提出了本发明。

因此，本发明解决的技术问题是：解决现有冰激凌智慧生产过程中，传统的都是通过制定模具进行冷冻生产，一方面由于不同冰激凌制作工艺不同，通过传统方式进行冷冻无法保证各工艺特定温度的同步实现，另一方面，传统模具一般都是PC制品，生产加工过程难以实现二次加工利用的问题。

为解决上述技术问题，本发明提供如下技术方案：所述模具采用硅胶混合体制备而成；所述硅胶混合体按重量份计包括：硅胶20～30份、粒径0.01～0.025mm的陶瓷粉末2～5份、石英粉2～6份、纳米二氧化硅15～20份、石墨烯3～5份；

所述模具的制备工艺包括：

S1：定量称取，将上述所有的原料按照上述组分比进行称取；

S2：高温熔融所述硅胶呈现绸态后加入所述陶瓷粉末、所述纳米二氧化硅、所述石英粉及所述石墨烯，维温搅拌3h，混合均匀；

S3：取出S2步骤中的流态混合物，加入1～2份成膜剂及3～5份有机粘合剂，搅拌均匀后放置于成型模具中，降至室温，将所述硅胶混合体制作成分散目为确定目标目的分散网囊进行使用，其中，所述分散网囊成型内壁光滑，外壁上均匀分散有均匀的网兜；

S4：于所述网兜中加入智能冷冻器，输入冷冻参数，调节温度进行成型冷冻。

作为本发明所述的智能柔性模具的一种优选方案，其中：所述陶瓷粉末为碳化硼、氮化铝和氮化硅中的一种。

作为本发明所述的智能柔性模具的一种优选方案，其中：所述有机粘合剂包括10～35wt％有机树脂和65～90wt％有机溶剂。

作为本发明所述的智能柔性模具的一种优选方案，其中：所述成膜剂为丙烯酸树脂成膜剂。

为解决上述技术问题，本发明提供如下技术方案：一种智能柔性模具应用生产系统，包括，电源模块，用于给各个模块进行供电；原料处理及传输模块，用于对原料进行处理并将其传输至智能柔性模具中；智能柔性模具，接收冷冻参数及成型规格，将其改变至相应的成型规格，并启用相应网兜中的智能冷冻器，成型后完成取出，完成生产。

作为本发明所述的智能柔性模具应用生产系统的一种优选方案，其中：所述智能冷冻器应用过程包括，内置的MCU采集输入的冷冻参数；根据所述冷冻参数及所述智能冷冻器的分布映射图拟合高斯过程；根据拟合的高斯过程中的点向趋势获取冷冻变换概率；依据所述冷冻变换概率确定资源分配策略；依据重新确定的所述资源分配策略进行资源的分配，开启相应的所述智能冷冻器。

作为本发明所述的智能柔性模具应用生产系统的一种优选方案，其中：输入的所述冷冻参数具体包括，冷冻相应层级的分布及相应层级所需求的冷冻温度范围。

作为本发明所述的智能柔性模具应用生产系统的一种优选方案，其中：根据所述冷冻参数及所述智能冷冻器的分布映射图拟合高斯过程包括，依据所述冷冻参数中的冷冻层级分布及相应层级所需求的冷冻温度范围分别确定高低位冷冻点的范围占比；分别获取高低位冷冻点范围占比的赋值权重评分；依据各项权重评分进行高斯拟合，确定过程的走向趋势。

作为本发明所述的智能柔性模具应用生产系统的一种优选方案，其中：获取所述冷冻变换概率包括，获取所述走向趋势中连续上升及连续下降的点作为走向质点；对所述走向质点的后向评分进行测试，并定义后向评分均处于各项权重评分之间时为测试合格；依据测试合格的所述走向质点拟合走向波动曲线；获取所述走向波动曲线中的拐点导数值；确定拐点导数值的范围为所述冷冻变换概率范围。

作为本发明所述的智能柔性模具应用生产系统的一种优选方案，其中：依据所述冷冻变换概率确定资源分配策略包括，依据所述冷冻变换概率确定概率极值；依据所述概率极值确定权重变换参数范围；定义权重变换参数范围与所述概率极值的公差比小于阈值时为最终的权重变换参数范围；获取权重变换参数范围下对应的所述智能冷冻器的分布映射图；开启对应的所述智能冷冻器，完成生产。

本发明的有益效果：本发明提供一种智能柔性模具及其应用生产系统，首先依据原料配比高温下制备流态混合物，并将混合物加工成分散网囊进行使用，并在外壁网兜处加入有智能冷冻器，一方面，柔性材料可以依据实际情况改变形态，拓宽了模具本身的适用范围，另一方面，网囊的使用相较于传统模具能够更好的调节各冷冻位置的冷冻参数，改变冷冻产品的层级理化性质，同时，冷冻器使用过程中，依据输入的参数进行实时拟合，获取冷冻变换概率后进行冷冻资源的分配，实现了智能层级冷冻，获取了不同冷冻度的产品，加大了智能化集约生产。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，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性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为本发明提供的智能柔性模具的制备工艺流程图。

图2为本发明提供的智能柔性模具应用生产系统中智能冷冻器的应用过程流程图。

图3为本发明提供的智能柔性模具应用生产系统中拟合高斯过程的工艺流程图。

图4为本发明提供的智能柔性模具应用生产系统中获取冷冻变换概率的工艺流程图。

图5为本发明提供的智能柔性模具应用生产系统中依据冷冻变换概率确定资源分配策略的工艺流程图。

图6为本发明提供的网囊的外壁局部展示图。

图7为本发明提供的5组经过拟合的高斯过程示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。

在冰激凌智慧生产过程中，传统的都是通过制定模具进行冷冻生产，一方面由于不同冰激凌制作工艺不同，通过传统方式进行冷冻无法保证各工艺特定温度的同步实现，另一方面，传统模具一般都是PC制品，生产加工过程难以实现二次加工利用。

故此，本发明提供一种智能柔性模具，模具采用硅胶混合体制备而成；硅胶混合体按重量份计包括：硅胶20～30份、粒径0.01～0.025mm的陶瓷粉末2～5份、石英粉2～6份、纳米二氧化硅15～20份、石墨烯3～5份；

请参阅图1，模具的制备工艺包括：

S1：定量称取，将上述所有的原料按照上述组分比进行称取；

S2：高温熔融硅胶呈现绸态后加入陶瓷粉末、纳米二氧化硅、石英粉及石墨烯，维温搅拌3h，混合均匀；

S3：取出S2步骤中的流态混合物，加入1～2份成膜剂及3～5份有机粘合剂，搅拌均匀后放置于成型模具中，降至室温，将硅胶混合体制作成分散目为确定目标目的分散网囊进行使用，其中，分散网囊成型内壁光滑，外壁上均匀分散有均匀的网兜；

S4：于网兜中加入智能冷冻器，输入冷冻参数，调节温度进行成型冷冻。

其中，陶瓷粉末为碳化硼、氮化铝和氮化硅中的一种。

其中，有机粘合剂包括10～35wt％有机树脂和65～90wt％有机溶剂。有机树脂包括丙烯酸树脂、环氧丙烯酸树脂、达玛树脂中的一种或多种；有机溶剂包括松节油、PMA、脱芳烃溶剂油、己二酸二甲酯中的两种或两种以上组合混合物。

其中，成膜剂为丙烯酸树脂成膜剂。

参阅图6，本发明提供网囊的外壁局部展示图。

需要说明的是，智能冷冻器为现有技术的直接运用，通过无线连接与外接进行信号连接，在此不需多余赘述。

额外的，本发明还提供一种智能柔性模具应用生产系统，包括：

电源模块，用于给各个模块进行供电；

原料处理及传输模块，用于对原料进行处理并将其传输至智能柔性模具中；

智能柔性模具，接收冷冻参数及成型规格，将其改变至相应的成型规格，并启用相应网兜中的智能冷冻器，成型后完成取出，完成生产。

进一步的，参阅图2，智能冷冻器应用过程包括：

S1：内置的MCU采集输入的冷冻参数；

具体的，输入的冷冻参数具体包括：冷冻相应层级的分布及相应层级所需求的冷冻温度范围。

需要说明的是，现阶段不同冰激凌成型过程中需要有层级变化，尤其是功能性冰激凌，例如添加有燕窝酸的美白冰激凌，该类冰激凌具有层级分布，具体体现在上层为奶油冷冻——冷冻系数高，中间为燕窝酸冷冻层——冷冻系数低，下层为坚果芝士冷冻层——冷冻系数高，相应层级的冷冻参数不一致；额外的，层级分布也体现在内外层的冷冻层级分布。

额外的，MCU服务器版本选用以下：

S2：参阅图3，根据冷冻参数及智能冷冻器的分布映射图拟合高斯过程具体包括：

依据冷冻参数中的冷冻层级分布及相应层级所需求的冷冻温度范围分别确定高低位冷冻点的范围占比；

分别获取高低位冷冻点范围占比的赋值权重评分；

依据各项权重评分进行高斯拟合，确定过程的走向趋势。

需要说明的是，高低位冷冻点的范围占比由需要冷冻的冰激凌的温度层级所占据的径值范围决定，例如，一款美白冰激凌，从上至下分别为上层奶油成冷冻，占据0.3层——高冷冻参数，中间燕窝层——低冷冻参数，占据0.3层，下层水果层——高冷冻参数，占据0.4层，则高低位冷冻点的范围占比分别为0.7及0.3。

赋值评分过程具体为：

需要说明的是：

当高位冷冻点范围大于30％时，赋值权重评分为0.5或0.25；其中，高位冷冻点范围大于50％时，赋值权重评分为1.5；高位冷冻点范围大于30％，小于50％时，赋值权重评分为1；

当高位冷冻点范围小于30％时，赋值权重评分为0.1或1或1.5或2；其中，高位冷冻点范围小于10％时，赋值权重评分为0；高位冷冻点范围大于10％小于15％时，赋值权重评分为1；高位冷冻点范围大于15％小于30％时，赋值权重评分为2。

其中，采用现有算法中的高斯拟合算法和重心算法对各项评分进行走向落点位置的拟合，得到拟合后的走向趋势的最高点位置和最低点位置，其中，最高点位置为最终的峰值位置，利用重心算法在最高点和最低点位置处计算包括峰值点在内的每项指标的评分合格度，得到每项指标的权重合格度(与每项指标的评分合格度以性质论则一致，可准确估计出权重合格度)，每项指标的权重点评分加权求和得到最终的权重位置落点，该值作为最终的峰值带你位置落点，由于每项指标的位置落点均为索引位置，因此，拟合后的最终的峰值可以理解成拟合后的索引值。

而后以拟合的索引值作为横坐标，赋值权重评分作为纵坐标，确定过程的走向趋势，额外的，本发明给出5组经过拟合过程的走向趋势图，如图7所示。

S3：参阅图4，根据拟合的高斯过程中的点向趋势获取冷冻变换概率具体包括：

获取走向趋势中连续上升及连续下降的点作为走向质点；

对走向质点的后向评分进行测试，并定义后向评分均处于各项权重评分之间时为测试合格；

依据测试合格的走向质点拟合走向波动曲线；

获取走向波动曲线中的拐点导数值；

确定拐点导数值的范围为冷冻变换概率范围。

需要说明的是：由拟合走向趋势中能够直观获取走向质点，而后对其的后向评分进行测试，使用SPEC IaaS 2018进行后向评分的测试，各项权重评分之间时为测试合格，并舍弃测试不合格的走向质点。

具体的，采用SPEC IaaS 2018进行后向评分的测试包括：

通过SPEC IaaS 2018获取后向概率；

给出后向概率与后向评分的转化关系如下：

P＝∣H-50％∣/1.62；

其中，H为获取的后向概率，P为对应的后向评分，1.62为转化因子，其中，转化因子不同的研究机构所采用的不一致，本发明采用1.62，同样可优选的值包括1.27、2.02等。

优选的，当测试合格的走向质点所占比例少于50％时，引入激活函数进行修正，其中，激活函数具体为：

Y＝max(0,x-67％)；

其中，Y为修正后的走向质点的落点，x为初步测试不合格的走向质点的后向评分。

其中，“拟合”代指通过测试合格的走向质点确定走向波动曲线，即将测试合格(包括初始测试合格及通过激活函数激活后的符合要求的走向质点)的落点位置以平滑的曲线进行连接，模拟出走向波动曲线，需要注意的是，在以平滑的曲线进行连接时，拐点的导数值范围为(0,1)。

S4：参阅图5，依据冷冻变换概率确定资源分配策略具体包括：

依据冷冻变换概率确定概率极值，通过极值取值的规范确定概率极值即可；

依据概率极值确定权重变换参数范围；

定义权重变换参数范围与概率极值的公差比小于阈值时为最终的权重变换参数范围；

获取权重变换参数范围下对应的智能冷冻器的分布映射图；

开启对应的智能冷冻器，完成生产。

如下表1所示，为不同的概率极值对应的权重变换参数范围

表1：不同的概率极值对应的权重变换参数范围

需要注意的是，“公差比”＝[(权重变换参数范围)_{最小范围值}－概率极值]/[(权重变换参数范围)_{最大范围值}－概率极值]；

当“公差比”小于阈值0.1时，定义此时的权重变换参数范围合格，为最终的权重变换参数范围；

额外的，当出现好几组合格的权重变换参数范围时，定义权重变换参数范围相差最小的一组为最终的权重变换参数范围。

更进一步的，阈值为0.1。

S5：依据重新确定的资源分配策略进行资源的分配，开启相应的智能冷冻器。

本发明提供一种智能柔性模具及其应用生产系统，首先依据原料配比高温下制备流态混合物，并将混合物加工成分散网囊进行使用，并在外壁网兜处加入有智能冷冻器，一方面，柔性材料可以依据实际情况改变形态，拓宽了模具本身的适用范围，另一方面，网囊的使用相较于传统模具能够更好的调节各冷冻位置的冷冻参数，改变冷冻产品的层级理化性质，同时，冷冻器使用过程中，依据输入的参数进行实时拟合，获取冷冻变换概率后进行冷冻资源的分配，实现了智能层级冷冻，获取了不同冷冻度的产品，加大了智能化集约生产。

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种智能柔性模具，其特征在于：所述模具采用硅胶混合体制备而成；所述硅胶混合体按重量份计包括：硅胶20～30份、粒径0.01～0.025mm的陶瓷粉末2～5份、石英粉2～6份、纳米二氧化硅15～20份、石墨烯3～5份；

所述模具的制备工艺包括：

S1：定量称取，将上述所有的原料按照上述组分比进行称取；

S2：高温熔融所述硅胶呈现绸态后加入所述陶瓷粉末、所述纳米二氧化硅、所述石英粉及所述石墨烯，维温搅拌3h，混合均匀；

S3：取出S2步骤中的流态混合物，加入1～2份成膜剂及3～5份有机粘合剂，搅拌均匀后放置于成型模具中，降至室温，将所述硅胶混合体制作成分散目为确定目标目的分散网囊进行使用，其中，所述分散网囊成型内壁光滑，外壁上均匀分散有均匀的网兜；

S4：于所述网兜中加入智能冷冻器，输入冷冻参数，调节温度进行成型冷冻。

2.根据权利要求1所述的智能柔性模具，其特征在于：所述陶瓷粉末为碳化硼、氮化铝和氮化硅中的一种。

3.根据权利要求2所述的智能柔性模具，其特征在于：所述有机粘合剂包括10～35wt％有机树脂和65～90wt％有机溶剂。

4.根据权利要求3所述的智能柔性模具，其特征在于：所述成膜剂为丙烯酸树脂成膜剂。

5.一种应用上述权利要求1～4任一项所述的智能柔性模具应用生产系统，其特征在于：包括，

电源模块，用于给各个模块进行供电；

原料处理及传输模块，用于对原料进行处理并将其传输至智能柔性模具中；

智能柔性模具，接收冷冻参数及成型规格，将其改变至相应的成型规格，并启用相应网兜中的智能冷冻器，成型后完成取出，完成生产。

6.根据权利要求5所述的智能柔性模具应用生产系统，其特征在于：所述智能冷冻器应用过程包括，

内置的MCU采集输入的冷冻参数；

根据所述冷冻参数及所述智能冷冻器的分布映射图拟合高斯过程；

根据拟合的高斯过程中的点向趋势获取冷冻变换概率；

依据所述冷冻变换概率确定资源分配策略；

依据重新确定的所述资源分配策略进行资源的分配，开启相应的所述智能冷冻器。

7.根据权利要求6所述的智能柔性模具应用生产系统，其特征在于：输入的所述冷冻参数具体包括，冷冻相应层级的分布及相应层级所需求的冷冻温度范围。

8.根据权利要求7所述的智能柔性模具应用生产系统，其特征在于：根据所述冷冻参数及所述智能冷冻器的分布映射图拟合高斯过程包括，

依据所述冷冻参数中的冷冻层级分布及相应层级所需求的冷冻温度范围分别确定高低位冷冻点的范围占比；

分别获取高低位冷冻点范围占比的赋值权重评分；

依据各项权重评分进行高斯拟合，确定过程的走向趋势。

9.根据权利要求8所述的智能柔性模具应用生产系统，其特征在于：获取所述冷冻变换概率包括，

获取所述走向趋势中连续上升及连续下降的点作为走向质点；

对所述走向质点的后向评分进行测试，并定义后向评分均处于各项权重评分之间时为测试合格；

依据测试合格的所述走向质点拟合走向波动曲线；

获取所述走向波动曲线中的拐点导数值；

确定拐点导数值的范围为所述冷冻变换概率范围。

10.根据权利要求9所述的智能柔性模具应用生产系统，其特征在于：依据所述冷冻变换概率确定资源分配策略包括，

依据所述冷冻变换概率确定概率极值；

依据所述概率极值确定权重变换参数范围；

定义权重变换参数范围与所述概率极值的公差比小于阈值时为最终的权重变换参数范围；

获取权重变换参数范围下对应的所述智能冷冻器的分布映射图；

开启对应的所述智能冷冻器，完成生产。

Images