CN116277588A - 一种改性塑料粒子生产预警方法和系统 - Google Patents
一种改性塑料粒子生产预警方法和系统 Download PDFInfo
- Publication number
- CN116277588A CN116277588A CN202211582300.6A CN202211582300A CN116277588A CN 116277588 A CN116277588 A CN 116277588A CN 202211582300 A CN202211582300 A CN 202211582300A CN 116277588 A CN116277588 A CN 116277588A
- Authority
- CN
- China
- Prior art keywords
- parameters
- modified plastic
- temperature sequence
- cooling
- color
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 139
- 239000004033 plastic Substances 0.000 title claims abstract description 90
- 229920003023 plastic Polymers 0.000 title claims abstract description 90
- 239000002245 particle Substances 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 45
- 239000000463 material Substances 0.000 claims abstract description 126
- 238000001816 cooling Methods 0.000 claims abstract description 95
- 239000002994 raw material Substances 0.000 claims abstract description 14
- 238000003756 stirring Methods 0.000 claims abstract description 11
- 238000005520 cutting process Methods 0.000 claims abstract description 10
- 239000011265 semifinished product Substances 0.000 claims abstract description 8
- 238000001125 extrusion Methods 0.000 claims description 96
- 238000012545 processing Methods 0.000 claims description 19
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims 2
- 239000002932 luster Substances 0.000 abstract 1
- 230000005856 abnormality Effects 0.000 description 24
- 239000000047 product Substances 0.000 description 20
- 238000012549 training Methods 0.000 description 17
- 238000012360 testing method Methods 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000002372 labelling Methods 0.000 description 8
- 238000012986 modification Methods 0.000 description 8
- 230000004048 modification Effects 0.000 description 8
- 239000002131 composite material Substances 0.000 description 6
- 239000011347 resin Substances 0.000 description 6
- 229920005989 resin Polymers 0.000 description 6
- 238000001073 sample cooling Methods 0.000 description 6
- 239000002699 waste material Substances 0.000 description 5
- 230000000306 recurrent effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000010438 heat treatment Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 239000000498 cooling water Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000843 powder Substances 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- 239000004594 Masterbatch (MB) Substances 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000007605 air drying Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 239000013067 intermediate product Substances 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 238000005453 pelletization Methods 0.000 description 1
- 238000000518 rheometry Methods 0.000 description 1
- 238000007873 sieving Methods 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29B—PREPARATION OR PRETREATMENT OF THE MATERIAL TO BE SHAPED; MAKING GRANULES OR PREFORMS; RECOVERY OF PLASTICS OR OTHER CONSTITUENTS OF WASTE MATERIAL CONTAINING PLASTICS
- B29B9/00—Making granules
- B29B9/02—Making granules by dividing preformed material
- B29B9/06—Making granules by dividing preformed material in the form of filamentary material, e.g. combined with extrusion
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mechanical Engineering (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Extrusion Moulding Of Plastics Or The Like (AREA)
Abstract
本说明书实施例提供一种改性塑料粒子生产预警方法,该方法包括:对生产原料进行搅拌、挤压、冷却、切割处理,获得改性塑料粒子;获取产出物料的性能参数,性能参数包括热参数、流变参数、色泽参数中的至少一种;产出物料包括冷却后的半成品或改性塑料粒子;其中,获取产出物料的色泽参数包括:通过机械臂将产出物料置于拍摄区,获取产出物料在多个预设角度光源下的图像;将图像分割为多个识别区,以及确定多个识别区的色泽数据;基于多个识别区的色泽数据确定色泽参数;当性能参数不满足第二预设条件时,做出异常处理。
Description
分案说明
本申请是针对申请日为2022年02月08日、申请号为202210117749.9发明名称为“一种改性塑料的生产方法和系统”的中国申请提出的分案申请。
技术领域
本说明书涉及塑料生产领域,特别涉及一种改性塑料粒子生产预警方法和系统。
背景技术
改性塑料的生产工艺涉及多个环节,例如加热、冷却、切割等。其中,生产过程中的温度对最终产品的质量影响尤为重要。例如,若加热温度过高,会导致树脂分解,最终生成的塑料粒子颜色发黑;若加热温度过低,导致树脂不能充分熔化,最终生成的塑料粒子会出现空洞。准确把控各生产环节,在出现异常时及时采取措施,是生产出高质量改性塑料的关键。因此,希望提供一种技术方案,可以更高效且高质量的生产改性塑料粒子。
发明内容
本说明书实施例之一提供一种改性塑料粒子生产预警方法,所述改性塑料粒子生产预警方法包括:对生产原料进行搅拌、挤压、冷却、切割处理,获得改性塑料粒子;获取产出物料的性能参数,所述性能参数包括热参数、流变参数、色泽参数中的至少一种;所述产出物料包括所述冷却后的半成品或所述改性塑料粒子;其中,获取所述产出物料的色泽参数包括:通过机械臂将所述产出物料置于拍摄区,获取所述产出物料在多个预设角度光源下的图像;将所述图像分割为多个识别区,以及确定所述多个识别区的色泽数据;基于所述多个识别区的色泽数据确定所述色泽参数;当所述性能参数不满足第二预设条件时,做出异常处理。
本说明书实施例之一提供一种改性塑料粒子生产预警系统,所述改性塑料粒子生产预警系统包括:生产处理模块,用于对生产原料进行搅拌、挤压、冷却、切割处理,获得改性塑料粒子;第二判断模块,用于获取产出物料的性能参数,所述性能参数包括热参数、流变参数、色泽参数中的至少一种;所述产出物料包括所述冷却后的半成品或所述改性塑料粒子,当所述性能参数不满足第二预设条件时,做出异常处理;其中,为了获取所述产出物料的色泽参数,所述第二判断模块进一步用于:通过机械臂将所述产出物料置于拍摄区,获取所述产出物料在多个预设角度光源下的图像;将所述图像分割为多个识别区,以及确定所述多个识别区的色泽数据;基于所述多个识别区的色泽数据确定所述色泽参数。
本说明书实施例之一提供一种改性塑料粒子生产预警装置,包括处理器,所述处理器用于执行如本说明书任一实施例所述的改性塑料粒子生产预警方法。
本说明书实施例之一提供一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行如本说明书任一实施例所述的改性塑料粒子生产预警方法。
附图说明
本说明书将以示例性实施例的方式进一步说明,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本说明书一些实施例所示的改性塑料的生产系统的应用场景示意图;
图2是根据本说明书一些实施例所示的改性塑料的生产方法的示例性流程图;
图3是根据本说明书一些实施例所示的改性塑料的生产方法的另一示例性流程图;
图4是根据本说明书一些实施例所示的改性塑料的生产方法的又一示例性流程图;
图5是根据本说明书一些实施例所示的改性塑料的生产系统的示例性模块图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本说明书的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
图1是根据本说明书一些实施例所示的改性塑料的生产系统的应用场景示意图。如图1所示,本说明书实施例所涉及的改性塑料的生产系统的应用场景100可以包括处理器110、存储设备120、网络130、用户终端140和改性塑料生产装置150。
在一些实施例中,处理器110可以是改性塑料生产装置150中的一部分。在一些实施例中,改性塑料的生产系统可以通过实施本说明书中所披露的方法和/或过程来实现改性塑料的生产。
在一些实施例中,处理器110可以处理从其他设备或系统组成部分中获得的数据和/或信息。处理器110可以基于这些数据、信息和/或处理结果执行程序指令,以执行一个或多个本说明书实施例中描述的功能。在一些实施例中,处理器110可以在挤压的过程中,获取挤压温度序列,在冷却的过程中,获取冷却温度序列,处理器110可以在挤压温度序列和/或冷却温度序列不满足第一预设条件时,做出异常处理。在一些实施例中,处理器110可以在生产过程中,获取产出物料的性能参数,处理器110可以在性能参数不满足第二预设条件时,做出异常处理。在一些实施例中,处理器110可以包含一个或多个子处理设备(例如,单核处理设备或多核多芯处理设备)。
存储设备120可以存储数据、指令和/或任何其他信息。存储设备120可以包括一个或多个存储组件,每个存储组件可以是一个独立的设备,也可以是其他设备的一部分。在一些实施例中,存储设备120可在云平台上实现。在一些实施例中,存储设备120可以用于存储挤压温度序列、冷却温度序列等。
网络130可以连接系统的各组成部分和/或连接系统与外部资源部分。网络130使得各组成部分之间,以及与系统之外其他部分之间可以进行通讯,促进数据和/或信息的交换。在一些实施例中,网络130可以是有线网络或无线网络中的任意一种或多种。应用场景100的一个或多个组件可连接到网络130上以交换数据和/或信息;例如,处理器可以通过网络130基于改性塑料生产装置150获取生产相关数据150-1,又例如,处理器110可以通过网络获取产出物料的性能参数。
用户终端140可以指用户所使用的一个或多个终端设备或软件。在一些实施例中,使用用户终端140的可以是任意用户,例如个人、企业等。在一些实施例中,用户终端140可以是移动设备140-1、平板计算机140-2、膝上型计算机140-3、台式计算机140-4等其他具有输入和/或输出功能的设备中的一种或其任意组合。
改性塑料生产装置150可以指生产改性塑料的装置。在一些实施例中,改性塑料生产装置150可以对生产原料进行搅拌、挤压、冷却、切割处理,获得改性塑料粒子。在一些实施例中,改性塑料生产装置150可以包括搅拌装置、挤压装置、冷却装置、切割装置、风干装置和筛选装置等。不同的装置可以对生产原料进行不同的处理,进而获取改性塑料。在一些实施例中,处理器110可以通过改性塑料生产装置获取生产相关数据150-1。生产相关数据150-1可以包括温度数据(如,挤压温度、冷却温度等)、性能数据(如热参数、流变参数、色泽参数等)。关于改性塑料生产装置150的更多说明参见图2中的相关描述。
图2是根据本说明书一些实施例所示的改性塑料的生产方法的示例性流程图。如图2所示,流程200包括下述步骤。在一些实施例中,流程200可以由改性塑料生产装置150执行。
步骤210,对生产原料进行搅拌、挤压、冷却、切割处理,获得改性塑料粒子。在一些实施例中,步骤210可以由生产处理模块510执行。
在一些实施例中,生产处理模块510可以通过改性塑料生产装置150对生产原料进行加工,获取改性塑料粒子。例如,将生产原料倒入搅拌装置,生产原料依次在搅拌装置、挤压装置、冷却装置、切割装置等,进行搅拌、挤压、冷却、切割等的工序,直至获得改性塑料粒子。挤压装置和冷却装置中均有温度传感器,温度传感器可以为半导体传感器,半导体传感器可以感测产出物料挤压和冷却时的温度。在一些实施例中,生产处理模块510可以通过控制挤压装置中的液压泵、液压板等,可以有效的将加热熔化状态的塑料挤压向冷却装置中。冷却装置中的冷风机和喷淋机可以对产出物料进行双重冷却。
在一些实施例中,对生产原料的加工过程可以看成一个生产周期,一个生产周期可以生产出一批产出物料,每一批产出物料可以对应相应生产周期不同时间点的至少一组性能参数、相应生产周期不同时间段的至少一个挤压温度序列和不同时间段的至少一个冷却温度序列等。
步骤220,在挤压的过程中,获取挤压温度序列;在冷却的过程中,获取冷却温度序列。在一些实施例中,步骤220可以由第一判断模块520执行。
挤压温度序列可以指生产原料在挤压过程中的多个系列温度。挤压温度序列可以包括多个时间点的挤压温度。在一些实施例中,挤压温度序列可以包括不同长度的挤压温度序列,不同长度的挤压温度序列可以指包括的挤压温度的个数不同。例如,挤压温度序列1包括60个挤压温度;挤压温度序列2包括120个挤压温度。
在一些实施例中,在挤压的过程中,第一判断模块520可以获取挤压温度序列。例如,第一判断模块520可以通过挤压装置中的温度传感器获取多个挤压温度,生成挤压温度序列。多个挤压温度可以是一定间隔时间的多个挤压温度。示例性的,挤压过程为1分钟,预先设置的时间间隔为1秒,第一判断模块520可以每间隔1秒,从挤压装置中的温度传感器获取挤压温度,可以获取60个挤压温度,挤压温度序列可以为包括60个挤压温度的挤压温度序列。又例如,用户可以通过用户终端发送采集挤压温度的间隔时间,获取多个挤压温度,生成不同长度的挤压温度序列。示例性的,挤压过程为1分钟,用户终端发送采集挤压温度的间隔时间为0.5秒,第一判断模块520可以每间隔0.5秒,从挤压装置中的温度传感器获取挤压温度,可以获取120个挤压温度,挤压温度序列可以为包括120个挤压温度的挤压温度序列。当用户终端发送采集挤压温度的间隔时间为2秒时,相应的挤压温度序列可以为包括30个挤压温度的挤压温度序列。有关间隔时间第一判断模块520可以根据实际需求进行预先设置或者用户通过用户终端发送,具体可视实际需求确定。
冷却温度序列可以指生产原料在冷却过程中的多个系列温度。与挤压温度序列类似,冷却温度序列也可以包括多个时间点的冷却温度。在一些实施例中,冷却温度序列可以包括不同长度的冷却温度序列,不同长度的冷却温度序列可以指包括的冷却温度的个数不同。例如,冷却温度序列a包括50个冷却温度;冷却温度序列2包括100个冷却温度。
在一些实施例中,在冷却的过程中,第一判断模块520可以获取冷却温度序列。例如,第一判断模块520可以通过冷却装置中的温度传感器获取多个冷却温度,生成冷却温度序列。多个冷却温度可以是一定间隔时间的多个冷却温度。又例如,用户可以通过用户终端发送采集冷却温度的间隔时间,获取多个冷却温度,生成不同长度的冷却温度序列。获取冷却温度序列与获取挤压温度序列的方式类似,有关更多的关于获取冷却温度序列的内容可以参考获取挤压温度中的相关描述,此处不再赘述。
步骤230,基于挤压温度序列和冷却温度序列,通过温度预测模型获取未来某一时刻的预测温度信息。在一些实施例中,步骤230可以由第一判断模块520执行。
未来某一时刻可以指相对于当前时刻的未来的某一时刻,例如,相对于当前生产周期的下一个生产周期的开始时刻,又例如,相对于当前生产周期中的某一时刻的下一时刻等。
预测温度信息可以指未来某一时刻的温度信息,例如,未来某一时刻的挤压温度序列和冷却温度序列。
温度预测模型指可以预测未来某一时刻温度的模型。在一些实施例中,温度预测模型的类型可以为多种机器学习模型,例如,深度神经网络(Deep Neural Networks,DNN),循环神经网络(Recurrent Neural Network,RNN)等。模型类型的选择可视具体情况而定。
在一些实施例中,温度预测模型的输入可以包括挤压温度序列、冷却温度序列等。温度预测模型的输出可以包括未来某一时刻的预测温度信息。温度预测模型的输入可以包括多个生产周期的挤压温度序列和冷却温度序列,例如,过去某几个(5个、10个等)生产周期的挤压温度序列和冷却温度序列、过去3日内的生产周期的挤压温度序列和冷却温度序列等。
在一些实施例中,可以基于多个训练样本及标签训练得到温度预测模型。
在一些实施例中,训练样本包括样本挤压温度序列、样本冷却温度序列。标签为未来某一时刻的样本预测温度信息。训练数据可以基于历史数据获取,训练数据的标签可以通过人工标注或自动标注的方式确定。例如,将样本挤压温度序列、样本冷却温度序列对应的未来某一时刻的实际温度信息(如,挤压温度序列和冷却温度序列)标注为样本挤压温度序列、样本冷却温度序列的标签。
在一些实施例中,第一判断模块520可以通过温度预测模型获取未来某一时刻的预测温度信息。例如,第一判断模块520可以将过去某几个生产周期的挤压温度序列和冷却温度序列输入温度预测模型,温度预测模型输出未来某一时刻的预测温度信息。例如,下一个生产周期开始时刻的预测温度信息(如挤压温度序列和冷却温度序列)。
本说明书一些实施例中,通过温度预测模型获取未来某一时刻(如,下一个生产周期)的预测温度信息,可以基于实际温度信息更加准确地获取未来某一时刻的预测温度信息,可以有效预测未来某一时刻的挤压温度序列和冷却温度序列,有助于判断下一个生产周期是否存在异常等,当存在异常时,及时做出处理,减少物料的浪费。
步骤240,当挤压温度序列和/或冷却温度序列不满足第一预设条件时,或预测温度信息不满足第一预设条件时,做出异常处理。在一些实施例中,步骤240可以由第一判断模块520执行。
第一预设条件可以指改性塑料生产装置正常运行的条件。例如,改性塑料生产装置正常运行挤压温度序列和冷却温度序列需要满足的条件(如阈值等)。在一些实施例中,第一预设条件可以有多种表示方式。例如,第一预设条件为挤压温度序列和冷却温度序列中的多个温度值均小于或大于某一阈值。示例性的,挤压温度序列和冷却温度序列中的多个温度值均小于阈值A;或者挤压温度序列和冷却温度序列中的多个温度值均大于阈值C;又例如,第一预设条件为挤压温度序列中的多个温度值均小于某一阈值(如阈值A),冷却温度序列中的多个温度值均小于某一阈值(如阈值B)。又例如,第一预设条件为挤压温度序列和冷却温度序列中的任意两个相邻温度值之差的绝对值小于某一阈值(如阈值D)。
在一些实施例中,第一预设条件可以基于经验进行设定。例如,以上阈值可以(如阈值A、B、C、D等)基于经验进行设定。例如,挤压温度序列对应的挤压温度条件的设定。示例性的,ABS料造粒的基础温度约为200℃,挤压温度可以控制在180℃-230℃,如果挤压温度过高(如超过240℃等),可能导致树脂分解,颗粒外观颜色发黑等,进而影响粒子的质量;如果挤压温度过低(如低于170℃等),树脂可能不能充分熔化,有限的载体树脂可能无法将无机粉完全包覆,母粒的表面粗糙粒子中间出现空洞,树脂和无机粉体无法形成均匀的体系。又例如,冷却温度序列对应的冷却温度条件的设定。示例性的,冷却水温过高,可能会导致冷却温度过高,有可能造成物料的报废;冷却水温太低可能会导致物料收缩,造成收缩孔,进而导致塑化不良。因此,冷却温度条件的设定也可以基于原料性质、生产工序、历史生产经验等综合考虑。在一些实施例中,第一预设条件可以根据实际需求进行设置。
在一些实施例中,当挤压温度序列和/或冷却温度序列不满足第一预设条件时,第一判断模块520可以做出异常处理。例如,当挤压温度序列和/或冷却温度序列不满足第一预设条件时,第一判断模块520可以通过改性塑料生产装置发出警报。又例如,当挤压温度序列和/或冷却温度序列不满足第一预设条件时,第一判断模块520可以使改性塑料生产装置停止生产。在一些实施例中,当预测温度信息不满足第一预设条件时,第一判断模块520可以做出异常处理。例如,当预测温度信息不满足第一预设条件时,第一判断模块520可以使改性塑料生产装置停止生产并发出警报。当改性塑料生产装置的异常被处理后,再进入下一个生产周期,例如,可以人工对改性塑料生产装置进行检修,排除异常后开始下一个生产周期。
本说明书一些实施例中,通过获取生产过程中的相关温度信息(如挤压温度序列、冷却温度序列等),可以基于挤压温度序列、冷却温度序列等是否满足预设条件,进而判断生产过程是否存在异常,当生产过程存在异常时,做出异常处理,可以对生产过程进行实时监控,保证产出物料的质量,减少物料的浪费。
图3是根据本说明书一些实施例所示的改性塑料的生产方法的另一示例性流程图。如图3所示,流程300包括下述步骤。在一些实施例中,流程300可以由处理器110执行。
步骤310,获取产出物料的性能参数,性能参数可以包括热参数、流变参数、色泽参数中的一种或多种。产出物料可以包括冷却后的半成品或改性塑料粒子。在一些实施例中,步骤310可以由第二判断模块530执行。
产出物料可以指对生产原料进行一系列处理后获取的产物,例如,中间产物(如冷却后的半成品等)、最终产物(如改性塑料粒子等)等。
性能参数指可以表示产出物料自身特性的参数。通过产出物料的性能参数可以获取或者评价产出物料的品质。在一些实施例中,产出物料的性能参数可以包括热参数、流变参数、色泽参数等中的一种或多种。
热参数指可以反映产出物料有关热性能的相关参数。在一些实施例中,热参数可以包括导热率、比热容、热膨胀系数、熔点、热扩散率等。
在一些实施例中,第二判断模块530可以通过改性塑料生产装置自动获取产出物料的热参数。例如,改性塑料生产装置中有相关的测试部件可以对产出物料进行相关的测试,第二判断模块530进而获取测试部件有关产出物料的热参数(如热膨胀系数等)。在一些实施例中,第二判断模块530可以通过用户终端的输入获取产出物料的热参数。例如,用户通过一种或多种测试仪器对产出物料的相关热参数进行测试,并将测试结果通过用户终端输入系统,第二判断模块530进而获取有关产出物料的热参数(如热膨胀系数等)。有关产出物料的热参数可以通过其他可能的方式进行获取,具体可视实际情况确定。
流变参数指可以反映产出物料在外力作用下的变形和流动性质的相关参数。
在一些实施例中,第二判断模块530可以自动获取产出物料的流变参数。例如,改性塑料生产装置中有相关的测试部件可以对产出物料进行相关的测试,第二判断模块530进而获取测试部件有关产出物料的流变参数。在一些实施例中,第二判断模块530可以通过用户终端的输入获取产出物料的流变参数。例如,用户通过流变测试仪对产出物料的相关流变参数进行测试,并将测试结果通过用户终端输入系统,第二判断模块530进而获取有关产出物料的流变参数。有关产出物料的流变参数也可以通过其他可能的方式进行获取,具体可视实际情况确定。
色泽参数指可以反映产出物料有关颜色的参数,例如,RGB值等。
在一些实施例中,第二判断模块530可以获取产出物料在多个预设角度光源下的图像,基于图像通过图像识别模型确定色泽参数。
多个预设角度光源可以指多个不同角度的不同颜色的光源。多个预设角度光源可以是预先设定的多个指定角度的指定颜色的光源。
产出物料的图像可以指拍摄的包含产出物料的图像。
在一些实施例中,第二判断模块530可以获取产出物料在多个预设角度光源下的图像。例如,第二判断模块530可以通过机械臂将产出物料置于拍摄区,该拍摄区具有多个预设角度光源,以及具有多个高清摄像机布置在不同位置,高清摄像机可以定期对产出物料进行拍摄,第二判断模块530可以将拍摄的图像数据传输至第二判断模块530。
在一些实施例中,第二判断模块530可以基于拍摄的图像通过图像识别模型确定色泽参数。
图像识别模型指可以通过形状检测或识别算法等对图像中产出物料区域进行识别的模型。在一些实施例中,图像识别模型可以包括FT算法、HOG算法、隐变量支持向量机、隐条件随机场等。模型类型的选择可视具体情况而定。
在一些实施例中,图像识别模型的输入可以包括一张或多张产物物料的图像等。图像识别模型的输出可以包括包含产出物料区域的色泽数据(如,RGB值等)。
在一些实施例中,可以基于多个训练样本及标签训练得到图像识别模型。
在一些实施例中,训练样本包括样本图像。标签为样本图像的色泽数据。训练数据可以基于历史数据获取,训练数据的标签可以通过人工标注或自动标注的方式确定。例如,将样本图像对应的包含产出物料区域的色泽数据(如,RGB值等)标注为样本图像的标签。
在一些实施例中,第二判断模块530可以通过图像识别模型确定色泽参数。例如,第二判断模块530可以将图像输入图像识别模型,图像识别模型输出包含产出物料区域的色泽数据。第二判断模块530可以通过一个或多个算法确定产出物料的色泽参数,例如,第二判断模块530计算包含产出物料区域的RGB平均值、或加权计算包含产出物料区域的RGB平均值等,将RGB平均值确定为产出物料的色泽参数。
本说明书一些实施例中,基于多个预设角度光源下的图像通过图像识别模型确定产出物料的色泽参数,可以确保产出物料的色泽参数的准确性。
在一些实施例中,第二判断模块530可以获取产出物料的图像,基于YOLO模型分割确定多个识别区,基于多个识别区的色泽数据确定色泽参数。
YOLO模型指可以通过分割等对图像中产出物料区域进行识别的模型。
在一些实施例中,YOLO模型的输入可以包括一张或多张产出物料的图像等。YOLO模型的输出可以包括图像分割结果。图像分割结果可以包括图像的多个识别区域、多个识别区域对应的分类(如,识别区域是否是产出物料、识别区域的色泽数据)等。
在一些实施例中,可以基于多个训练样本及标签训练得到YOLO模型。
在一些实施例中,训练样本包括样本图像。标签为样本图像的色泽数据。训练数据可以基于历史数据获取,训练数据的标签可以通过人工标注或自动标注的方式确定。例如,将样本图像对应的不同区域以及不同区域对应的分类标注为样本图像的标签。
第二判断模块530可以通过YOLO模型确定多个识别区。例如,第二判断模块530可以将图像输入YOLO模型,YOLO模型输出图像的多个识别区域以及多个识别区域对应的分类(如,识别区域是否是产出物料、识别区域的色泽数据)。第二判断模块530可以通过一个或多个算法确定产出物料的色泽参数,例如,YOLO模型输出图像的4个识别区以及对应的4个RGB值,第二判断模块530可以对4个RGB值求平均值,将RGB平均值确定为产出物料的色泽参数。
本说明书一些实施例中,通过YOLO模型分割确定图像的多个识别区,基于多个识别区的色泽数据确定产出物料的色泽参数,可以进一步确保产出物料的色泽参数的准确性。
步骤320,基于性能参数序列和冷却温度序列,通过产品异常预测模型确定未来某一时刻的预测性能参数。在一些实施例中,步骤320可以由第二判断模块530执行。
预测性能参数可以指预测的未来某一时刻的产出物料的性能参数。通过产出物料的预测性能参数可以获取或者评价未来某一时刻的产出物料的品质。
产品异常预测模型指可以预测未来某一时刻性能参数的模型。在一些实施例中,产品异常预测模型的类型可以为多种机器学习模型,例如,深度神经网络(Deep NeuralNetworks,DNN),循环神经网络(Recurrent Neural Network,RNN)等。模型类型的选择可视具体情况而定。
在一些实施例中,产品异常预测模型的输入可以包括性能参数序列、冷却温度序列等。产品异常预测模型的输出可以包括未来某一时刻的预测性能参数。产品异常预测模型的输入可以包括一个或多个生产周期的性能参数序列、冷却温度序列。
在一些实施例中,可以基于多个训练样本及标签训练得到产品异常预测模型。
在一些实施例中,训练样本包括样本性能参数序列、样本冷却温度序列。标签为未来某一时刻的样本预测性能参数。训练数据可以基于历史数据获取,训练数据的标签可以通过人工标注或自动标注的方式确定。例如,将样本性能参数序列、样本冷却温度序列对应的未来某一时刻的实际性能参数(如,热参数、流变参数、色泽参数等)标注为样本性能参数序列、样本冷却温度序列的标签。
在一些实施例中,第二判断模块530可以通过产品异常预测模型获取未来某一时刻的预测性能参数。例如,第二判断模块530可以将过去某一个或几个生产周期的性能参数序列、冷却温度序列输入产品异常预测模型,产品异常预测模型输出未来某一时刻的预测性能参数。
示例性的,一个生产周期为10分钟,生产开始时间为8:00,第一批产出物料的产出时间为8:10;第二批产出物料的产出时间为8:20,第二判断模块530可以获取上述两个生产周期的性能参数组成的性能参数序列、冷却温度组成的冷却温度序列。第二判断模块530可以将上述的性能参数序列、冷却温度序列输入产品异常预测模型,预测产出时间为8:30的第三批产出物料的预测性能参数。当第三个生产周期结束时,第二判断模块530可以将上述三个生产周期的组成的性能参数序列、冷却温度序列输入产品异常预测模型,预测下一个生产周期(产出时间为8:40)第四批产出物料的预测性能参数。
在一些实施例中,第二判断模块530可以通过当前时间单个生产周期的性能参数序列和冷却温度序列来预测下一个生产周期的预测性能参数。例如,如上所述,一个生产周期为10分钟,生产开始时间为8:00,第一批产出物料的产出时间为8:10;第二判断模块530可以将第一批产出物料的性能参数序列、冷却温度序列输入产品异常预测模型,预测产出时间为8:20的第二批产出物料的预测性能参数;第二判断模块530可以将第二批产出物料的性能参数序列、冷却温度序列输入产品异常预测模型,预测产出时间为8:30的第三批产出物料的预测性能参数。
本说明书一些实施例中,通过产品异常预测模型获取未来某一时刻(如,下一个生产周期)的预测性能参数,可以基于预测性能参数判断未来某一时刻的产出物料的品质,有助于判断下一个生产周期是否存在异常等,当存在异常时,可以及时做出处理(如停止生产等),减少物料的浪费。本说明书一些实施例中,并非仅仅通过历史的性能参数序列来预测未来某一时刻的性能参数,还同时考虑了历史冷却温度序列的影响,可以进一步提高判断未来某一时刻的产出物料的品质是否存在异常的准确性。
步骤330,当性能参数或预测性能参数不满足第二预设条件时,做出异常处理。在一些实施例中,步骤330可以由第二判断模块530执行。
第二预设条件可以指产出物料的性能参数或预测性能参数需要满足的条件。例如,产出物料的热参数、流变参数、色泽参数等需要满足的条件(如预设范围等)。在一些实施例中,第二预设条件可以有多种表示方式。例如,第二预设条件为产物物料的性能参数均在某一预设范围内。示例性的,热参数中的导热率在预设范围a-b之间;流变参数在预设范围c-d之间;色泽参数在预设范围e-f之间等。
在一些实施例中,第二预设条件可以基于经验进行设定。例如,以上预设范围可以基于经验进行设定。在一些实施例中,第二预设条件的设定可以基于改性塑料生产的相关标准确定,即产出物料的性能参数需要符合相关生产标准。在一些实施例中,第二预设条件可以根据实际需求进行设置。
在一些实施例中,当性能参数或预测性能参数不满足第二预设条件时,第二判断模块530可以做出异常处理。例如,当性能参数不满足第二预设条件时,第二判断模块530可以通过改性塑料生产装置发出警报或者停止生产。在一些实施例中,当预测性能参数不满足第二预设条件时,第二判断模块530可以做出异常处理。例如,当预测性能参数不满足第二预设条件时,第二判断模块530可以使改性塑料生产装置停止生产并发出警报。当改性塑料生产装置的异常被处理后,再进入下一个生产周期,例如,可以人工对改性塑料生产装置进行检修,排除异常后开始下一个生产周期。
本说明书一些实施例中,通过获取产出物料的性能参数(如热参数、流变参数、色泽参数等),可以基于性能参数是否满足预设条件,进而判断产出物料的品质是否存在异常,当产物物料存在异常时,做出异常处理,可以对生产过程进行实时监控,保证产出物料的质量,减少物料的浪费。
图4是根据本说明书一些实施例所示的改性塑料的生产方法的又一示例性流程图。如图4所示,流程400包括下述步骤。在一些实施例中,流程400可以由处理器110(如,第一判断模块520)执行。
步骤410,获取综合异常指数。
综合异常指数指可以表示温度异常率和性能异常率的综合性指数。温度异常率可以指温度超出预设范围的程度,例如,温度预设范围为190℃-220℃,温度230℃的温度异常率为4.5%,该异常率通过算式(230-220)/220计算得到;又例如,温度170℃的温度异常率为-10.5%,该异常率通过算式(170-190)/190计算得到。性能异常率可以指产出物料的性能参数超出预设范围的程度,例如,热参数导热率的预设范围为 导热率0.2(W/m.K)的性能异常率为-20%,该异常率通过算式(0.2-0.25)/0.25计算得到。在一些实施例中,温度预设范围和性能预设范围可以基于经验进行确定。在一些实施例中,温度预设范围和性能预设范围可以通过相关生产标准进行确定。在一些实施例中,综合异常指数可以反映发生异常的可能性的大小。例如,综合异常指数越大,发生异常的可能性的越大。
在一些实施例中,第一判断模块520可以通过一定的算法获取综合异常指数。例如,第一判断模块520对温度异常率和性能异常率进行加权求和,获取综合异常指数。在一些实施例中,第一判断模块520可以根据预设规则确定权重。例如,权重可以根据温度和/或性能参数等对产出物料的品质影响大小确定。示例性的,温度对产出物料的品质影响程度较大,预设权重为0.3;热参数中的导热率对产出物料的品质影响较小,预设权重为0.1,流变参数的对产出物料的品质影响一般,预设权重为0.15等。
步骤420,当综合异常指数高于预设值不满足第三预设条件是时做出异常处理。
第三预设条件可以指需要做异常处理的最小综合异常指数。例如,综合异常指数需要满足的条件(如预设范围等)。在一些实施例中,第三预设条件可以基于经验进行确定。例如,以上预设范围可以基于经验进行设定。在一些实施例中,第三预设条件可以根据实际需求进行设置。
在一些实施例中,当综合异常指数高于预设值时,第一判断模块520可以做出异常处理。例如,当综合异常指数高于预设值,第一判断模块520可以通过改性塑料生产装置发出警报或者停止生产。
本说明书一些实施例中,通过获取综合异常指数(如温度异常率、性能异常率等),可以基于综合异常指数是否高于预设值,进而判断未来某一时刻的温度或者产出物料的性能参数是否存在异常,当温度或产出物料存在异常时,做出异常处理,可以对生产过程进行实时监控,综合考虑未来某一时刻的温度和产出物料的性能参数,保证产出物料的质量,减少物料的浪费。
应当注意的是,上述有关流程的描述仅仅是为了示例和说明,而不限定本说明书的适用范围。对于本领域技术人员来说,在本说明书的指导下可以对流程进行各种修正和改变。然而,这些修正和改变仍在本说明书的范围之内。
图5是根据本说明书一些实施例所示的改性塑料的生产系统的示例性模块图。在一些实施例中,系统500中的一个或多个模块可以设置在图1中的处理器110中。如图5所示,系统500至少可以包括以下模块:
生产处理模块510可以用于对生产原料进行搅拌、挤压、冷却、切割处理,获得改性塑料粒子。关于改性塑料粒子及获得改性塑料粒子的更多内容,参见图2及其相关描述,此处不再赘述。
第一判断模块520可以用于获取挤压温度序列和冷却温度序列,当所述挤压温度序列和/或所述冷却温度序列不满足第一预设条件时,做出异常处理。关于挤压温度序列及其获取方法、冷却温度序列及其获取方法、第一预设条件的更多内容可参见图2及其相关描述,此处不再赘述。
在一些实施例中,第一判断模块520可以用于基于所述挤压温度序列和所述冷却温度序列,通过温度预测模型获取未来某一时刻的预测温度信息;当所述预测温度信息不满足第一预设条件时,做出异常处理。关于温度预测模型和异常处理的更多内容可参见图2及其相关描述,此处不再赘述。
第二判断模块530可以用于获取产出物料的性能参数,所述性能参数包括热参数、流变参数、色泽参数中的至少一种;所述产出物料包括所述冷却后的半成品或所述改性塑料粒子当所述性能参数不满足第二预设条件时,做出异常处理。关于产出物料的性能参数和第二预设条件的更多内容可参见图3及其相关描述,此处不再赘述。
在一些实施例中,第二判断模块530可以用于获取所述产出物料在多个预设角度光源下的图像;基于所述图像通过图像识别模型确定所述色泽参数。关于图像识别模型和色泽参数的更多内容可参见图3及其相关描述,此处不再赘述。
应当理解,图5所示的系统及其模块可以利用各种方式来实现。例如,在一些实施例中系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。
需要注意的是,以上对于系统及其模块的描述,仅为描述方便,并不能把本说明书限制在所举实施例范围之内。可以理解,对于本领域的技术人员来说,在了解该系统的原理后,可能在不背离这一原理的情况下,对各个模块进行任意组合,或者构成子系统与其他模块连接。在一些实施例中,图5中披露的生产处理模块、第一判断模块和第二判断模块可以是一个系统中的不同模块,也可以是一个模块实现上述的两个或两个以上模块的功能。例如,各个模块可以共用一个存储模块,各个模块也可以分别具有各自的存储模块。诸如此类的变形,均在本说明书的保护范围之内。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本说明书的限定。虽然此处并没有明确说明,本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议,所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时,本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,除非权利要求中明确说明,本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本说明书披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本说明书实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外,对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是,如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方,以本说明书的描述、定义和/或术语的使用为准。
最后,应当理解的是,本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此,作为示例而非限制,本说明书实施例的替代配置可视为与本说明书的教导一致。相应地,本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (10)
1.一种改性塑料粒子生产预警方法,其特征在于,所述方法包括:
对生产原料进行搅拌、挤压、冷却、切割处理,获得改性塑料粒子;
获取产出物料的性能参数,所述性能参数包括热参数、流变参数、色泽参数中的至少一种;所述产出物料包括所述冷却后的半成品或所述改性塑料粒子;其中,获取所述产出物料的色泽参数包括:
通过机械臂将所述产出物料置于拍摄区,获取所述产出物料在多个预设角度光源下的图像;
将所述图像分割为多个识别区,以及确定所述多个识别区的色泽数据;
基于所述多个识别区的色泽数据确定所述色泽参数;
当所述性能参数不满足第二预设条件时,做出异常处理。
2.如权利要求1所述的改性塑料粒子生产预警方法,其特征在于,所述将所述图像分割为多个识别区包括:
通过分割模型对所述图像进行处理,确定所述多个识别区以及所述多个识别区的色泽数据。
3.如权利要求2所述的改性塑料粒子生产预警方法,其特征在于,所述基于所述多个识别区的色泽数据确定所述色泽参数包括:
对所述多个识别区的色泽数据求平均,确定所述色泽参数。
4.如权利要求1所述的改性塑料粒子生产预警方法,其特征在于,所述方法还包括:
判断所述挤压的过程中的挤压温度序列和所述冷却的过程中的冷却温度序列是否满足第一预设条件;
当不满足时,做出异常处理,其中,所述第一预设条件包括:所述挤压温度序列和所述冷却温度序列中的多个温度值与第一阈值的大小关系、所述挤压温度序列和所述冷却温度序列中的任意两个相邻温度值之差的绝对值小于第二阈值。
5.一种改性塑料粒子生产预警系统,包括:
生产处理模块,用于对生产原料进行搅拌、挤压、冷却、切割处理,获得改性塑料粒子;
第二判断模块,用于获取产出物料的性能参数,所述性能参数包括热参数、流变参数、色泽参数中的至少一种;所述产出物料包括所述冷却后的半成品或所述改性塑料粒子,当所述性能参数不满足第二预设条件时,做出异常处理;其中,为了获取所述产出物料的色泽参数,所述第二判断模块进一步用于:
通过机械臂将所述产出物料置于拍摄区,获取所述产出物料在多个预设角度光源下的图像;
将所述图像分割为多个识别区,以及确定所述多个识别区的色泽数据;
基于所述多个识别区的色泽数据确定所述色泽参数。
6.如权利要求5所述的改性塑料粒子生产预警系统,其特征在于,为了将所述图像分割为多个识别区,所述第二判断模块进一步用于:
通过分割模型对所述图像进行处理,确定所述多个识别区以及所述多个识别区的色泽数据。
7.如权利要求6所述的改性塑料粒子生产预警系统,其特征在于,为了基于所述多个识别区的色泽数据确定所述色泽参数,所述第二判断模块进一步用于:
对所述多个识别区的色泽数据求平均,确定所述色泽参数。
8.如权利要求5所述的改性塑料粒子生产预警系统,其特征在于,所述系统还包括:
第一判断模块,用于判断所述挤压的过程中的挤压温度序列和所述冷却的过程中的冷却温度序列是否满足第一预设条件;
当不满足时,做出异常处理,其中,所述第一预设条件包括:所述挤压温度序列和所述冷却温度序列中的多个温度值与第一阈值的大小关系、所述挤压温度序列和所述冷却温度序列中的任意两个相邻温度值之差的绝对值小于第二阈值。
9.一种改性塑料粒子生产预警装置,包括处理器,所述处理器用于执行权利要求1~4中任一项所述的改性塑料粒子生产预警方法。
10.一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行如权利要求1~4中任一项所述的改性塑料粒子生产预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211582300.6A CN116277588B (zh) | 2022-02-08 | 2022-02-08 | 一种改性塑料粒子生产预警方法和系统 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210117749.9A CN114474473B (zh) | 2022-02-08 | 2022-02-08 | 一种改性塑料的生产方法和系统 |
CN202211582300.6A CN116277588B (zh) | 2022-02-08 | 2022-02-08 | 一种改性塑料粒子生产预警方法和系统 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210117749.9A Division CN114474473B (zh) | 2022-02-08 | 2022-02-08 | 一种改性塑料的生产方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116277588A true CN116277588A (zh) | 2023-06-23 |
CN116277588B CN116277588B (zh) | 2024-01-02 |
Family
ID=81477579
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210117749.9A Active CN114474473B (zh) | 2022-02-08 | 2022-02-08 | 一种改性塑料的生产方法和系统 |
CN202211582300.6A Active CN116277588B (zh) | 2022-02-08 | 2022-02-08 | 一种改性塑料粒子生产预警方法和系统 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210117749.9A Active CN114474473B (zh) | 2022-02-08 | 2022-02-08 | 一种改性塑料的生产方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN114474473B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115671874B (zh) * | 2022-10-28 | 2023-10-13 | 苏州米果环保设备科技有限公司 | 一种多功能过滤材料的生产方法、系统、装置及存储介质 |
CN117261028A (zh) * | 2023-03-16 | 2023-12-22 | 苏州博之顺材料科技有限公司 | 一种改性塑料生产自动控制系统和方法 |
CN116494420B (zh) * | 2023-04-28 | 2023-12-01 | 苏州博之顺材料科技有限公司 | 一种改性塑料生产控制系统和方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004172745A (ja) * | 2002-11-18 | 2004-06-17 | Seiko Epson Corp | 被写体の大きさに応じた画質の自動調整 |
JP2004198148A (ja) * | 2002-12-16 | 2004-07-15 | Omron Corp | 品質データのモニタリング方法及び装置 |
CN101010246A (zh) * | 2004-07-31 | 2007-08-01 | 苏拉有限及两合公司 | 在制造管线状聚合物产品时用于质量控制的方法和装置 |
CN203592592U (zh) * | 2013-10-23 | 2014-05-14 | 潍坊丰泰新材料科技有限公司 | 阻燃剂母粒制备用造粒装置 |
CN204585615U (zh) * | 2015-04-10 | 2015-08-26 | 常州市双成塑母料有限公司 | 具有保护功能的白色母粒生产设备 |
CN105459379A (zh) * | 2015-12-25 | 2016-04-06 | 杜崇铭 | 智能化物料塑化双线生产系统 |
CN206038552U (zh) * | 2016-08-30 | 2017-03-22 | 上海富驰高科技有限公司 | 基于机器视觉的产品外观检测装置 |
CN107081859A (zh) * | 2017-04-27 | 2017-08-22 | 合肥卡洛塑业科技有限公司 | 一种改性塑料及色母粒生产系统 |
EP3316061A1 (en) * | 2016-10-31 | 2018-05-02 | Fundacion Deusto | Procedure for predicting the mechanical properties of pieces obtained by casting |
CN108687993A (zh) * | 2018-04-09 | 2018-10-23 | 江苏理工学院 | 一种基于机械视觉检测的改性塑料生产线及其检测方法 |
WO2019231659A1 (en) * | 2018-05-29 | 2019-12-05 | Microsoft Technology Licensing, Llc | Data anomaly detection |
US20200206998A1 (en) * | 2018-12-28 | 2020-07-02 | Jtekt Corporation | Quality prediction system and molding machine |
CN111497163A (zh) * | 2018-12-28 | 2020-08-07 | 株式会社捷太格特 | 品质预测系统以及成型机 |
CN113836826A (zh) * | 2021-11-25 | 2021-12-24 | 深圳市裕展精密科技有限公司 | 关键参数确定方法、装置、电子装置及存储介质 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6604929B2 (en) * | 2000-01-27 | 2003-08-12 | Woodshed Technologies, Inc. | Fiber cutting mechanism |
CN102390096B (zh) * | 2011-08-29 | 2013-08-28 | 天津大学 | 一种橡胶门尼粘度的在线自动测量方法 |
WO2020056253A1 (en) * | 2018-09-13 | 2020-03-19 | Davis-Standard, Llc | Diagnostic troubleshooting system for an extrusion apparatus |
JP7263680B2 (ja) * | 2019-03-29 | 2023-04-25 | 三井化学株式会社 | 温度情報推測方法、温度情報推測モデル生成方法、装置、及びプログラム |
EP4065336B1 (en) * | 2019-11-28 | 2023-07-26 | Basf Se | Method and controlling system for controlling polymer viscosity quality |
CN111141739A (zh) * | 2020-02-14 | 2020-05-12 | 中国农业科学院茶叶研究所 | 一种茶汤图像采集装置及茶汤色泽参数优化提取方法 |
CN112140413B (zh) * | 2020-09-02 | 2022-04-08 | 金发科技股份有限公司 | 一种塑料制件开模收缩率的预测方法及系统 |
CN112503846A (zh) * | 2020-09-28 | 2021-03-16 | 深圳数联天下智能科技有限公司 | 一种检测冰箱风门电机状态的方法、冰箱及存储介质 |
CN215282793U (zh) * | 2021-06-15 | 2021-12-24 | 苏州博之顺材料科技有限公司 | 一种用于树脂聚合物生产的3t立式搅拌机 |
-
2022
- 2022-02-08 CN CN202210117749.9A patent/CN114474473B/zh active Active
- 2022-02-08 CN CN202211582300.6A patent/CN116277588B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004172745A (ja) * | 2002-11-18 | 2004-06-17 | Seiko Epson Corp | 被写体の大きさに応じた画質の自動調整 |
JP2004198148A (ja) * | 2002-12-16 | 2004-07-15 | Omron Corp | 品質データのモニタリング方法及び装置 |
CN101010246A (zh) * | 2004-07-31 | 2007-08-01 | 苏拉有限及两合公司 | 在制造管线状聚合物产品时用于质量控制的方法和装置 |
US20080315446A1 (en) * | 2004-07-31 | 2008-12-25 | Reinhard Muhlenmeister | Method and Device for Controlling the Quality During the Production of an Extruded Polymer Product |
CN203592592U (zh) * | 2013-10-23 | 2014-05-14 | 潍坊丰泰新材料科技有限公司 | 阻燃剂母粒制备用造粒装置 |
CN204585615U (zh) * | 2015-04-10 | 2015-08-26 | 常州市双成塑母料有限公司 | 具有保护功能的白色母粒生产设备 |
CN105459379A (zh) * | 2015-12-25 | 2016-04-06 | 杜崇铭 | 智能化物料塑化双线生产系统 |
CN206038552U (zh) * | 2016-08-30 | 2017-03-22 | 上海富驰高科技有限公司 | 基于机器视觉的产品外观检测装置 |
EP3316061A1 (en) * | 2016-10-31 | 2018-05-02 | Fundacion Deusto | Procedure for predicting the mechanical properties of pieces obtained by casting |
CN107081859A (zh) * | 2017-04-27 | 2017-08-22 | 合肥卡洛塑业科技有限公司 | 一种改性塑料及色母粒生产系统 |
CN108687993A (zh) * | 2018-04-09 | 2018-10-23 | 江苏理工学院 | 一种基于机械视觉检测的改性塑料生产线及其检测方法 |
WO2019231659A1 (en) * | 2018-05-29 | 2019-12-05 | Microsoft Technology Licensing, Llc | Data anomaly detection |
US20200206998A1 (en) * | 2018-12-28 | 2020-07-02 | Jtekt Corporation | Quality prediction system and molding machine |
CN111497163A (zh) * | 2018-12-28 | 2020-08-07 | 株式会社捷太格特 | 品质预测系统以及成型机 |
CN113836826A (zh) * | 2021-11-25 | 2021-12-24 | 深圳市裕展精密科技有限公司 | 关键参数确定方法、装置、电子装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114474473A (zh) | 2022-05-13 |
CN114474473B (zh) | 2023-04-07 |
CN116277588B (zh) | 2024-01-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116277588B (zh) | 一种改性塑料粒子生产预警方法和系统 | |
KR102021944B1 (ko) | 제철소 철강제품 품질관리를 위한 지능형 결함 제어 방법 및 시스템 | |
Jafari-Marandi et al. | From in-situ monitoring toward high-throughput process control: cost-driven decision-making framework for laser-based additive manufacturing | |
Bugatti et al. | Towards real-time in-situ monitoring of hot-spot defects in L-PBF: A new classification-based method for fast video-imaging data analysis | |
Bisheh et al. | A layer-by-layer quality monitoring framework for 3D printing | |
CN114201905B (zh) | 一种改性粒子的生产方法和装置 | |
CN114707970B (zh) | 一种电解生产参数确定方法 | |
CN109968671B (zh) | 3d打印过程故障诊断方法和装置 | |
CN110057820B (zh) | 在线检测氯化氢合成炉氯氢配比的方法、系统及存储介质 | |
Siegel et al. | Automated non-destructive inspection of fused filament fabrication components using thermographic signal reconstruction | |
CN115358281A (zh) | 一种基于机器学习的冷热一体机监测控制方法及系统 | |
CN116926299B (zh) | 一种淬火炉控制系统及方法 | |
CN113033704B (zh) | 基于模式识别的铜转炉吹炼造铜期终点智能判断方法及系统 | |
Lela et al. | Model-based controlling of extrusion process | |
CN116494420B (zh) | 一种改性塑料生产控制系统和方法 | |
Bertoli et al. | In-situ quality monitoring of extrusion-based additive manufacturing via random forests and clustering | |
CN117593255A (zh) | 一种基于时空信息融合的激光增材制造缺陷监控方法 | |
CN117754834A (zh) | 一种基于智慧工厂的注塑机一站式服务平台 | |
CN113205178B (zh) | 人工智能红外图像传感系统及方法 | |
CN115620205A (zh) | 化工场景监控识别方法、装置、计算机设备和存储介质 | |
CN117066313B (zh) | 边框铝材生产线的自动控制系统及其方法 | |
CN117475245B (zh) | 一种用于制备阻燃聚烯烃绝缘料的智能化生产方法及系统 | |
CN116214762B (zh) | 一种改性塑料加工系统和方法 | |
CN118314145B (zh) | 一种基于机器视觉的触摸屏缺陷检测方法及系统 | |
CN117146523B (zh) | 螺旋速冻机的冷冻参数控制方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |