CN116494420A - 一种改性塑料生产控制系统和方法 - Google Patents
一种改性塑料生产控制系统和方法 Download PDFInfo
- Publication number
- CN116494420A CN116494420A CN202310483729.8A CN202310483729A CN116494420A CN 116494420 A CN116494420 A CN 116494420A CN 202310483729 A CN202310483729 A CN 202310483729A CN 116494420 A CN116494420 A CN 116494420A
- Authority
- CN
- China
- Prior art keywords
- production
- temperature
- module
- parameters
- adjustment
- 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 342
- 239000004033 plastic Substances 0.000 title claims abstract description 106
- 229920003023 plastic Polymers 0.000 title claims abstract description 106
- 238000000034 method Methods 0.000 title claims description 40
- 238000012544 monitoring process Methods 0.000 claims abstract description 89
- 238000001816 cooling Methods 0.000 claims abstract description 71
- 238000001125 extrusion Methods 0.000 claims abstract description 58
- 238000010438 heat treatment Methods 0.000 claims abstract description 49
- 238000000195 production control method Methods 0.000 claims abstract description 8
- 239000000203 mixture Substances 0.000 claims description 89
- 239000002994 raw material Substances 0.000 claims description 52
- 239000003607 modifier Substances 0.000 claims description 50
- 238000002156 mixing Methods 0.000 claims description 43
- 238000005520 cutting process Methods 0.000 claims description 22
- 238000011156 evaluation Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 15
- 239000002826 coolant Substances 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 2
- 239000013598 vector Substances 0.000 description 42
- 230000008569 process Effects 0.000 description 20
- 230000007547 defect Effects 0.000 description 15
- 230000000694 effects Effects 0.000 description 13
- 230000008859 change Effects 0.000 description 12
- 238000012986 modification Methods 0.000 description 11
- 230000004048 modification Effects 0.000 description 11
- 239000002245 particle Substances 0.000 description 11
- 239000000463 material Substances 0.000 description 10
- 239000000155 melt Substances 0.000 description 6
- 238000005453 pelletization Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 239000006185 dispersion Substances 0.000 description 5
- 238000012546 transfer Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000000178 monomer Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013329 compounding Methods 0.000 description 3
- 239000000498 cooling water Substances 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 239000012535 impurity Substances 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 229920000426 Microplastic Polymers 0.000 description 2
- 239000004698 Polyethylene Substances 0.000 description 2
- 239000004743 Polypropylene Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 238000003763 carbonization Methods 0.000 description 2
- 229920006351 engineering plastic Polymers 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005469 granulation Methods 0.000 description 2
- 230000003179 granulation Effects 0.000 description 2
- 239000004417 polycarbonate Substances 0.000 description 2
- -1 polyethylene Polymers 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 229920000122 acrylonitrile butadiene styrene Polymers 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 239000003963 antioxidant agent Substances 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003063 flame retardant Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 229920000515 polycarbonate Polymers 0.000 description 1
- 229920000573 polyethylene Polymers 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 229920001155 polypropylene Polymers 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 239000000454 talc Substances 0.000 description 1
- 229910052623 talc Inorganic materials 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
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
-
- 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
- B29B9/16—Auxiliary treatment of granules
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Abstract
本说明书实施例提供一种改性塑料生产控制方法,该方法由改性塑料生产控制系统的处理器执行,包括:基于从监测模块获取的监测数据,确定生产参数的调整量;基于调整量调整生产参数,并将调整后的生产参数发送至加热模块、冷却挤出模块、造粒模块中的至少一个。
Description
技术领域
本说明书涉及材料生产技术领域,特别涉及一种改性塑料生产控制系统和方法。
背景技术
随着高分子聚合物改性产业的迅速发展,改性塑料已被广泛应用于各行各业。在改性塑料的生产过程中,为了提高改性塑料生产质量,需要对改性塑料进行质量检测,进而及时对生产过程进行调整。目前,对于改性塑料的外部缺陷的检测技术比较完善,但对生产过程中可能存在的性能问题、成分缺陷、内部缺陷(杂质、碳化等)进行监测的技术较少,且监测后问题往往得不到及时反馈,例如,无法及时调整生产参数等,导致整体的生产质量得不到提高。因此,在改性塑料生产过程中,需要进行实时的生产监测和预警,进而进行生产方案的及时调整,保证生产质量。
鉴于此,CN114324368B公开了一种基于机械视觉检测的改性塑料生产检测方法及系统,通过塑料生产检测视觉数据的自动化生产缺陷定位追溯和缺陷原因分析,可以提高生产缺陷原因的分析准确性,由此提高后续塑料生产检测的可靠性。但CN114324368B未涉及改性塑料生产过程中原材料及各生产环节产出物的内在缺陷(如,温度变化、成分变化等)的监测。
因此,需要提供一种改性塑料生产控制系统和方法,通过提前监测引发改性塑料缺陷的因素,预先进行生产参数的调整,实现改性塑料生产过程的智能控制,提高缺陷预警的准确性和及时性,以提高生产质量。
发明内容
本说明书一个或多个实施例提供一种改性塑料生产控制系统,所述系统包括:配料模块、传送模块、加工仓、混合模块、加热模块、冷却挤出模块、造粒模块、监测模块以及处理器;所述配料模块与所述加工仓通过所述传送模块连接;所述混合模块、所述加热模块、所述冷却挤出模块与所述造粒模块位于所述加工仓内,所述混合模块、所述加热模块、所述冷却挤出模块与所述造粒模块连接;所述处理器分别与所述配料模块、所述监测模块、所述混合模块、所述加热模块、所述冷却挤出模块、所述造粒模块通信连接,所述处理器用于:基于从所述监测模块获取的监测数据,确定生产参数的调整量;基于所述调整量调整所述生产参数,并将调整后的所述生产参数发送至所述加热模块、所述冷却挤出模块、所述造粒模块中的至少一个。
本说明书一个或多个实施例提供一种改性塑料生产控制方法,所述方法由所述改性塑料生产控制系统的处理器执行,所述方法包括:基于从所述监测模块获取的监测数据,确定生产参数的调整量;基于所述调整量调整所述生产参数,并将调整后的所述生产参数发送至所述加热模块、所述冷却挤出模块、所述造粒模块中的至少一个。
本说明书一个或多个实施例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,计算机执行上述实施例中任意一个所述的改性塑料生产控制方法。
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生产控制系统的示例性模块图;
图2是根据本说明书一些实施例所示的改性塑料生产控制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确定生产参数的调整量的示例性流程图;
图4是根据本说明书一些实施例所示的基于温度预测模型确定产出物的预估温度序列的示例性示意图;
图5是根据本说明书一些实施例所示的确定生产参数的调整量的另一示例性流程图。
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。
改性塑料主要的产品问题出现在外部缺陷以及性能不达标方面。CN114324368B仅通过视觉数据进行自动化生产缺陷定位追溯和缺陷原因分析,监测问题仅涉及改性塑料的外部缺陷,未涉及改性塑料生产过程中原材料及各生产环节产出物的内在缺陷(如,温度变化、成分变化等)的监测,可能导致监测结果的可靠性较低。
因此,本说明书一些实施例,通过获取改性塑料生产过程中的监测数据(如各个生产环节产出物的特征及温度变化等监测信息),基于监测数据确定各个生产环节的生产参数的调整量,预先调整生产参数,有利于实现改性塑料生产过程的智能调控,提高缺陷预警准确性和及时性,以提高生产质量。
图1是根据本说明书一些实施例所示的改性塑料生产控制系统的示例性模块图。在一些实施例中,所述改性塑料生产控制系统100可以包括配料模块110、传送模块120、加工仓130、混合模块130-1、加热模块130-2、冷却挤出模块130-3、造粒模块130-4、监测模块140以及处理器150。
配料模块110可以用于对改性塑料生产的原材料和改性剂进行配料。例如,对各种原材料和改性剂的计量。其中,原材料可以指用于生产改性塑料的通用塑料和工程塑料。例如,聚乙烯PE、聚丙烯PP、聚碳酸酯PC、以及ABS树脂等。改性剂可以指用于满足不同加工和应用需求的添加剂。例如,阻燃剂、滑石粉、抗氧化剂等。
传送模块120可以用于将原材料和改性剂由配料模块110传输至加工仓130。在一些实施例中,配料模块110与加工仓130通过传送模块120连接。
加工仓130可以用于对原材料和改性剂进行加工处理,以生成改性塑料颗粒。在一些实施例中,加工仓130中可以包括混合模块130-1、加热模块130-2、冷却挤出模块130-3、造粒模块130-4。
混合模块130-1可以用于以混合参数对原材料和改性剂进行充分混合,生成初始混合物。关于混合参数的更多细节可以参见图2及其相关描述。
加热模块130-2可以用于以加热参数对初始混合物进行加热,生成熔融态混合物。关于加热参数的更多细节可以参见图2及其相关描述。
冷却挤出模块130-3可以用于以冷却挤出参数对熔融态混合物进行冷却、挤出操作,得到改性塑料条。关于冷却挤出参数的更多细节可以参见图2及其相关描述。
造粒模块130-4可以用于以切割参数对改性塑料条进行切割操作,得到改性塑料颗粒。关于切割参数的更多细节可以参见图2及其相关描述。
监测模块140可以用于获取监测数据。在一些实施例中,监测模块140可以包括配置于各个生产环节的传感器,如温度传感器、图像传感器等。关于监测数据的更多细节可以参见图2及其相关描述。
处理器150可以用于基于从监测模块获取的监测数据,确定生产参数的调整量;基于调整量调整生产参数,并将调整后的生产参数发送至加热模块、冷却挤出模块、造粒模块中的至少一个。
在一些实施例中,处理器150可以分别与配料模块110、监测模块140、混合模块130-1、加热模块130-2、冷却挤出模块130-3、造粒模块130-4通信连接。
需要注意的是,以上对于改性塑料生产控制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1中披露的配料模块110、传送模块120、加工仓130、混合模块130-1、加热模块130-2、冷却挤出模块130-3、造粒模块130-4、监测模块140以及处理器150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。
图2是根据本说明书一些实施例所示的改性塑料生产控制方法的示例性流程图。在一些实施例中,流程200可以由处理器执行。如图2所示,流程200包括下述步骤:
步骤210,基于从监测模块获取的监测数据,确定生产参数的调整量。
监测数据可以指改性塑料的生产过程中的相关数据。例如,监测数据可以包括温度监测数据、气味监测数据、图像监测数据等。
在一些实施例中,监测数据可以由监测模块获取。例如,处理器可以发送指令到监测模块,由监测模块控制设置于各个生产环节的传感器,获取各个生产环节及产出物的监测数据(如温度、图像等)。
生产参数可以指改性塑料的生产过程中各个模块的工作参数。例如,生产参数可以包括混合参数、加热参数、冷却挤出参数以及切割参数等。
混合参数可以指用于混合模块对原材料和改性剂进行混合操作的参数。例如,混合参数可以包括混合幅度、混合时长等。其中混合幅度可以指振动幅度。在一些实施例中,混合参数可以由处理器确定或调用预设值并发送至混合模块。
在一些实施例中,混合模块可以基于混合参数运行,混合参数可以基于原材料特征以及改性剂特征确定。
原材料特征可以指反映原材料特性的信息。例如,原材料特征可以包括原材料的单体质量、总添加质量、单体体积、表面光滑度、组成成分等。
改性剂特征可以指可以反映改性剂的特性的信息。例如,改性剂特征可以包括改性剂的单体质量、总添加质量、单体体积、表面光滑度、成分、浓度、类别等。
在一些实施例中,原材料特征和改性剂特征可以基于原材料生产厂家、改性剂生产厂家的产品参数表等获取。
在一些实施例中,处理器可以基于原材料特征和改性剂特征在第一预设表中检索,确定与当前原材料特征和改性剂特征相同或相似度满足预设要求的历史原材料特征和历史改性剂特征。将该历史原材料特征和历史改性剂特征对应的历史混合参数作为当前的混合参数。
第一预设表可以指存储改性塑料生产的多种历史生产数据的数据库。历史生产数据可以包括生产过程中涉及的各种历史原材料信息、历史改性剂信息、历史生产参数、历史产出物信息、历史生产图像信息等。
本说明书一些实施例中,通过原材料特征以及改性剂特征确定混合参数,可以针对具体的原材料特征和改性剂特征,确定适合的混合参数,使原材料和改性剂充分混合,避免或减少改性塑料颗粒上出现杂质、变色、着色不均匀的问题。
加热参数可以指用于加热模块将初始混合物加热至熔融态混合物的参数。例如,加热参数可以包括加热温度、加热时长等。在一些实施例中,加热参数可以由处理器确定并发送至加热模块。关于确定加热参数的更多细节可以参见步骤220及其相关描述。
冷却挤出参数可以指用于冷却挤出模块对熔融态混合物进行冷却、挤出操作的参数。例如,冷却挤出参数可以包括挤出参数,挤出参数可以用于在对熔融态混合物冷却后进行挤出操作,包括挤出压力、挤出温度、挤出速率等。在一些实施例中,冷却挤出参数可以由处理器确定并发送至冷却挤出模块。关于确定冷却挤出参数的更多细节可以参见步骤220及其相关描述。
在一些实施例中,冷却挤出参数还可以包括冷却参数。
冷却参数可以指用于对熔融态混合物进行冷却操作的参数。例如,冷却参数可以包括冷却介质类型、冷却介质温度、冷却时长中至少一种。
在一些实施例中,冷却挤出参数可以由处理器基于熔融态混合物特征确定。其中,熔融态混合物特征可以指可以反映熔融态混合物特性的信息。例如,熔融态混合物可以包括熔融态混合物各个区域的图像特征(如颜色、发光度等)。在一些实施例中,在一些实施例中,处理器可以获取熔融态混合物的图像,基于图像识别确定熔融态混合物特征。
在一些实施例中,处理器可以基于熔融态混合物图像在第一预设表中检索,确定相似度符合相似度条件的历史熔融态混合物图像,将其关联存储的历史冷却参数作为当前的冷却参数。其中,相似度条件可以为图像相似度大于预设阈值,预设阈值可以由人工设置或系统默认。
在一些实施例中,冷却参数还相关于原材料特征以及改性剂特征。
在一些实施例中,处理器可以基于原材料特征以及改性剂特征构建材料特征向量。基于材料特征向量,在向量数据库中检索,确定与材料特征向量的向量距离满足距离阈值的历史材料特征向量。将与历史材料特征向量关联存储的历史冷却参数,确定为当前的冷却参数。
向量数据库可以指用于存储多个历史材料特征向量及其关联的历史冷却参数的数据库。其中,历史材料特征向量是基于历史原材料特征以及历史改性剂特征构建的特征向量。
本说明书一些实施例中,对于不同的原材料和改性剂,其本身的特性也可能影响冷却情况,因此确定冷却参数时引入原材料特征和改性剂特征,有助于提高冷却参数的准确性。
在一些实施例中,冷却介质温度以及冷却时长,可以基于执行冷却挤出环节时冷却水的水温的变化动态调整。
在一些实施例中,冷却水的水温变化存在一个标准工序下的标准变化情况,处理器可以根据实时的水温变化情况与标准工序的标准变化情况的差异,调整冷却介质温度或冷却时长。例如,当实时水温变化情况比标准变化情况慢时,可以降低冷却介质温度或增加冷却时长。其中,变化情况可以指水温的增长速率。
本说明书一些实施例中,根据执行冷却挤出环节时冷却水的水温的变化动态调整冷却介质温度以及冷却时长,有助于提高冷却参数的准确性。
切割参数可以指用于运行对改性塑料条进行切割操作的参数。例如,切割参数可以包括切割速率、切割直径、切割厚度等。在一些实施例中,切割参数可以由处理器确定并发送至造粒模块。关于确定切割参数的更多细节可以参见步骤220及其相关描述。
生产参数的调整量可以包括加热参数调整量、冷却参数调整量、挤出参数调整量、切割参数调整量等。
在一些实施例中,处理器可以基于历史生产数据中的历史监测数据和对应的历史生产参数构建第二预设表。通过监测数据在第二预设表中检索,确定与监测数据相同或相近的历史监测数据,获取该历史监测数据对应的历史生产参数。处理器可以将历史生产参数与当前生产参数的差值确定为调整量。调整量包括正值和负值。
其中,第二预设表可以指用于存储历史监测数据和历史生产参数的数据库。
在一些实施例中,处理器可以基于调整量确定各个生产环节的生产参数是否出现异常。例如,某个生产环节的调整量的绝对值超过一定数值时,可以确定该生产环节为异常。在一些实施例中,当确定某个生产环节为异常时,处理器可以对该生产环节及其后续的生产环节的生产参数进行同步调整。
在一些实施例中,处理器可以基于本轮生产中已完成的生产环节的温度监测数据,预测至少一个后续生产环节的产出物的温度序列,进一步基于温度序列,确定至少一个后续生产环节的生产参数的调整量。关于基于温度序列确定生产参数的调整量的更多说明可以参见图3及其相关描述。
步骤220,基于调整量调整生产参数,并将调整后的生产参数发送至加热模块、冷却挤出模块、造粒模块中的至少一个。
在一些实施例中,处理器可以根据调整量,发送指令到对应的生产模块(如加热模块、冷却挤出模块、切割模块等),以调整对应的生产参数。
在一些实施例中,处理器可以基于调整后的生产参数生成对应的控制指令,并发送至加热模块、冷却挤出模块、造粒模块中的至少一个,以控制对应的生产模块运行。
本说明书一些实施例,根据从监测模块获取的监测数据,确定生产参数的调整量,并对生产参数进行调整,可以提高生产参数的准确性,实现生产参数的智能调控,提高改性塑料生产的准确性和效率。
图3是根据本说明书一些实施例所示的确定生产参数的调整量的示例性流程图。在一些实施例中,流程300可以由处理器执行。如图3所示,流程300可以包括步骤310和步骤320。
在一些实施例中,监测数据包括改性塑料的生产过程中的温度监测数据;温度监测数据包括本轮生产中至少一个生产环节的产出物的温度。其中,生产环节可以包括配料环节、混合环节、加热环节、冷却挤出环节和造粒环节。
温度监测数据可以指改性塑料生产过程中与温度相关的数据。温度监测数据可以包括各个生产环节的产出物的温度。其中,产出物可以包括熔融态混合物、改性塑料条、改性塑料颗粒等。
在一些实施例中,处理器可以通过监测模块获取温度监测数据。例如,处理器可以基于配置于各个生产环节的温度传感器等,获取各个生产环节的产出物的温度。
在一些实施例中,处理器基于从监测模块获取的监测数据,确定生产参数的调整量可以包括:
步骤310,基于本轮生产中已完成的生产环节的温度监测数据,预测至少一个后续生产环节的产出物的温度序列。
产出物的温度序列可以指产出物在多个时间点的温度按时间顺序组成的序列。其中,多个时间点可以包括历史时间点或未来时间点。
在一些实施例中,通过监测获取的温度序列可以称为实际温度序列,通过预测获取的温度序列可以称为预估温度序列。
在一些实施例中,处理器可以基于本轮生产中已完成的生产环节的产出物的实际温度序列、以及后续生产环节的生产参数,在第三预设表中检索,确定至少一个后续生产环节的产出物的预估温度序列。其中,实际温度序列可以基于温度监测数据确定。
第三预设表可以指存储改性塑料生产的历史生产数据的数据库。其中,历史生产数据可以包括以历史特征向量形式存储的产出物的历史温度序列、历史生产参数等。
例如,假设本轮生产中,已完成加热环节,则处理器可以基于加热环节获得的熔融态混合物的实际温度序列、后续的冷却挤出环节和造粒环节的生产参数(冷却挤出参数、切割参数)构建特征向量。处理器可以基于特征向量在第三预设表中检索,确定满足预设条件(如向量距离满足距离阈值)的历史生产数据中的改性塑料条的历史温度序列、和改性塑料颗粒的历史温度序列。将其确定为后续冷却挤出环节和造粒环节的改性塑料条的预估温度序列、改性塑料颗粒的预估温度序列。
特别地,在本轮生产还未进行时,处理器可以基于原材料温度、改性剂温度、以及本轮生产中至少一个生产环节的生产参数构建特征向量,基于特征向量在第三预设表中检索,确定后续至少一个生产环节的产出物的预估温度序列。
在一些实施例中,基于本轮生产中已完成的生产环节的温度监测数据,预测至少一个后续生产环节的产出物的温度序列可以包括:基于生产数据,通过温度预测模型,预测至少一个后续生产环节的产出物的温度序列;温度预测模型为机器学习模型;生产数据包括原材料温度、改性剂温度、熔融态混合物的实际温度序列、改性塑料条的实际温度序列、加热参数、冷却挤出参数、切割参数中至少一种。
关于通过温度预测模型确定产出物的温度序列的更多细节可以参见图4及其相关描述。
在一些实施例中,产出物还可以包括初始混合物,基于本轮生产中已完成的生产环节的温度监测数据,预测至少一个后续生产环节的产出物的温度序列还包括:预测初始混合物的预估温度序列。
初始混合物可以指将原材料和改性剂通过混合模块混合后的产出物。
初始混合物的预估温度序列可以指预测的初始混合物在多个时间点的温度按时间顺序组成的序列。
在一些实施例中,处理器可以基于原材料温度、改性剂温度和混合参数,构建特征向量。处理器可以基于特征向量在第三预设表中检索,确定满足预设条件的历史生产数据中的初始混合物的历史温度序列,将其确定为本轮生产中的初始混合物的预估温度序列。
本说明书一些实施例,通过预测初始混合物的预估温度,考虑了初始混合物的温度对后续生产环节的产出物的温度的影响,可以提高预测后续生产环节中产出物的预估温度序列的准确性。
步骤320,基于温度序列,确定至少一个后续生产环节的生产参数的调整量。
在一些实施例中,处理器可以基于某个生产环节的产出物的预估温度序列构建温度特征向量,基于温度特征向量在第四预设表中检索,确定是否对至少一个后续生产环节的生产参数的进行调整、以及对应的调整量。
其中,第四预设表可以指用于存储改性塑料生产中的产出物的历史温度序列、历史温度序列关联的历史生产效果数据和历史最优生产参数。其中,历史温度序列以历史温度特征向量的形式进行存储;历史生产效果数据可以反映基于历史温度序列进入后续生产环节,产出物是否会出问题;历史最优生产参数可以指历史温度序列对应的后续生产环节的最优的生产参数。
在一些实施例中,当改性塑料生产处于不同的生产环节时,可以对应不同的第四预设表。例如,当前生产环节为混合环节、加热环节、冷却挤出环节、造粒环节时,可以分别对应4个不同的第四预设表。每一个第四预设表中存储当前生产环节对应的产出物的历史温度序列、历史温度序列关联的历史生产效果数据和历史最优生产参数。
在一些实施例中,处理器可以基于温度特征向量在第四预设表中检索,获取满足预设条件(向量距离满足距离阈值)的历史温度特征向量,并获取历史温度特征向量关联的历史生产效果数据。基于历史生产效果数据,处理器可以确定是否对至少一个后续生产参数进行调整。例如,处理器可以基于历史生产效果数据确定后续生产环节的产出物是否会出现问题(如碳化、杂质等),判断是否需要进行调整。若需要进行调整,则处理器可以获取历史温度特征向量关联的历史最优生产参数,基于历史最优生产参数与当前生产参数的差值,确定调整量。
应当理解的是,对生产参数进行调整是对后续至少一个生产环节的生产参数同步进行调整,因此,确定的调整量包括后续至少一个生产环节中每个生产参数的调整量。
在一些实施例中,基于温度序列,确定至少一个后续生产环节的生产参数的调整量可以包括:生成至少一组调整量组合;确定至少一组调整量组合中每组的调整评估值;基于调整评估值,确定至少一个后续生产环节的生产参数的调整量。
关于基于调整评估值确定生产参数的调整量的更多细节可以参见图5及其相关描述。
本说明书一些实施例,通过预测至少一个后续生产环节的产出物的温度,并基于产出物的温度确定至少一个后续生产环节的生产参数的调整量,考虑了产出物的温度对后续生产可能带来的影响,可以提高确定改性塑料生产过程中各个生产参数的准确性,提高改性塑料生产的效率和质量。
应当注意的是,上述有关流程300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300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4是根据本说明书一些实施例所示的基于温度预测模型确定产出物的预估温度序列的示例性示意图。
在一些实施例中,处理器基于本轮生产中已完成的生产环节的温度监测数据,预测至少一个后续生产环节的产出物的温度序列可以包括:基于生产数据,通过温度预测模型,预测至少一个后续生产环节的产出物的温度序列;其中,温度预测模型为机器学习模型。
生产数据可以指与改性塑料生产过程相关的数据。例如,生产数据可以包括原材料温度、改性剂温度、熔融态混合物的实际温度序列、改性塑料条的实际温度序列、加热参数、冷却挤出参数、切割参数中至少一种。
其中,原材料温度为改性塑料生产所需的原材料的温度。例如,原材料温度可以包括通用塑料的温度、工程塑料的温度等。
改性剂温度可以指用于生产改性塑料的改性剂的温度。
在一些实施例中,处理器可以通过监测模块(如,配置于配料模块的温度传感器)获取原材料温度和改性剂温度。
熔融态混合物的实际温度序列可以指加热模块生成的熔融态混合物在多个时间点的监测温度按时间顺序组成的序列。
改性塑料条的实际温度序列可以指冷却挤出模块生成的改性塑料条在多个时间点的监测温度按时间顺序组成的序列。
在一些实施例中,处理器可以发送指令到监测模块,控制监测模块基于预设的多个时间点,监测各个生产环节的产出物的温度数据。基于多个时间点的产出物的温度数据生成对应的实际温度序列,如,熔融态混合物的实际温度序列、改性塑料条的实际温度序列。
温度预测模型可以指用于预测未发生的生产环节的产出物的温度的模型。在一些实施例中,温度预测模型可以是下文中自定义结构的机器学习模型。温度预测模型还可以是其他结构的机器学习模型,例如,神经网络模型等。
在一些实施例中,温度预测模型的输入可以包括生产数据,输出可以包括至少一个后续生产环节的产出物的温度序列。例如,熔融态混合物的预估温度序列、改性塑料条的预估温度序列、改性塑料颗粒的预估温度序列等。
在一些实施例中,温度预测模型的输入还可以包括混合参数、初始混合物的实际温度序列,输出还可以包括初始混合物的预估温度序列。
初始混合物的实际温度序列可以指混合模块生成的初始混合物在多个时间点的监测温度组成的序列。在一些实施例中,处理器可以基于与获取熔融态混合物的实际温度序列的方式类似的方式,获取初始混合物的实际温度序列,在此不作赘述。
本说明书一些实施例,初始混合物的温度也可能会对各个生产环节的产出物的温度造成影响,通过预测初始混合物的预估温度序列,可以提高温度预测模型预测后续生产环节中的产出物的预估温度序列的准确性。
在一些实施例中,温度预测模型的输入还可以包括原材料特征、改性剂特征、初始混合物特征、熔融态混合物特征、改性塑料条特征中至少一种。
其中,初始混合物特征可以指用于反映初始混合物特性的信息。例如,初始混合物特征可以包括原材料特征、改性剂特征以及混合的均匀程度、颜色等。在一些实施例中,处理器可以获取初始混合物的图像,基于图像识别确定初始混合物特征。
改性塑料条特征可以指用于反映改性塑料条特性的信息。改性塑料条特征可以包括改性塑料条的外观特征,例如,改性塑料条的颜色、光滑度、是否有裂痕等。在一些实施例中,处理器可以获取改性塑料条的图像,通过图像识别确定改性塑料条特征。
关于原材料特征、改性剂特征、熔融态混合物特征的更多细节可以参见图2及其相关描述。
本说明书一些实施例,通过在温度预测模型中引入原材料特征、改性剂特征、及其他产出物特征,有助于判断各个生产环节中的温度变化情况(如摩擦生热等),提高温度预测模型预测各个生产环节的产出物的预估温度序列的准确性。
在一些实施例中,如图4所示,温度预测模型可以包括熔融物温度确定层420、改性塑料条温度确定层430、改性塑料颗粒温度确定层440;通过温度预测模型预测至少一个后续生产环节的产出物的温度序列可以包括:根据本轮生产已完成的生产环节的第一历史数据,通过温度预测模型的至少一部分,预测至少一个后续生产环节的产出物的温度序列。
在一些实施例中,熔融物温度确定层420、改性塑料条温度确定层430、改性塑料颗粒温度确定层440可以为卷积神经网络模型(Convolutional Neural Networks,CNN)。
第一历史数据可以指与已完成的生产环节相关的数据。例如,第一历史数据可以包括已完成的生产环节的生产参数、产出物的预估温度序列/实际温度序列、产出物特征等。
在一些实施例中,处理器可以通过预测模型的至少一部分(如熔融物温度确定层420等),预测至少一个后续生产环节(如加热环节等)的产出物的预估温度序列(如熔融态混合物的预估温度序列),具体可以参见下文所述。
本说明书一些实施例,通过为模型设置不同的层,分别预测不同生产环节的产出物的预估温度序列,不同的预测层可以针对性的处理对应的输入数据,提高预测的准确性和效率。
在一些实施例中,如图4所示,温度预测模型还可以包括初始混合物温度确定层410。在一些实施例中,初始混合物温度确定层410可以为CNN。在一些实施例中,初始混合物温度确定层410可以用于预测初始混合物的预估温度序列。
本说明书一些实施例,通过设置初始混合物温度确定层,可以用于预测混合模块生成的初始混合物的预估温度序列,为后续熔融混合物温度确定层的预测提供数据支撑。
在一些实施例中,温度预测模型的输入还可以包括原材料特征、改性剂特征、初始混合物特征、熔融态混合物特征以及改性塑料条特征中至少一种。
如图4所示,初始混合物温度确定层410可以用于对原材料温度410-1、改性剂温度410-2、原材料特征410-3、改性剂特征410-4、混合参数410-5进行处理,确定初始混合物的预估温度序列410-6。
熔融物温度确定层420可以用于对加热参数420-1、初始混合物特征420-2和初始混合物的预估温度序列410-6进行处理,确定熔融态混合物的预估温度序列420-3。在一些实施例中,当本轮生产已完成混合环节时,处理器可以获取初始混合物的实际温度序列。利用初始混合物的实际温度序列替换初始混合物的预估温度序列410-6,作为熔融物温度确定层420的输入的一部分,可以进一步提高预测的准确性。
改性塑料条温度确定层430可以用于对熔融态混合物的预估温度序列420-3、冷却挤出参数430-1、熔融态混合物特征430-2进行处理,确定改性塑料条的预估温度序列430-3。在一些实施例中,当本轮生产已完成加热环节时,处理器可以获取熔融态混合物的实际温度序列。利用熔融态混合物的实际温度序列替换熔融态混合物的预估温度序列420-3,作为改性塑料条温度确定层430的输入的一部分,进一步提高预测的准确性。
改性塑料颗粒温度确定层440可以用于对切割参数440-1、改性塑料条特征440-2、改性塑料条的预估温度序列430-3进行处理,确定改性塑料颗粒的预估温度序列440-3。在一些实施例中,当本轮生产已完成冷却挤出环节时,处理器可以获取改性塑料条的实际温度序列。利用改性塑料条的实际温度序列替换改性塑料条的预估温度序列430-3,作为改性塑料颗粒温度确定层440的输入的一部分,进一步提高预测的准确性。
关于上文温度预测模型涉及的各个输入输出参数的更多细节可以参见本说明书其他部分的相关描述,在此不做赘述。
在一些实施例中,温度预测模型可以基于温度序列中的时间顺序,每次处理输入的温度序列中的一个温度信息、及其他输入特征,输出对应的产出物的一个预估温度信息。通过多次处理,输出多个产出物的预估温度信息,组成产出物的预估温度序列。
在一些实施例中,温度预测模型可以通过联合训练初始混合物温度确定层、熔融物温度确定层、改性塑料条温度确定层、改性塑料颗粒温度确定层获取。联合训练方法可以采用梯度下降法等。
在一些实施例中,训练温度预测模型的训练样本可以基于改性塑料生产的历史生产数据获取。每一轮生产的历史生产数据可以作为一组训练样本。训练标签可以是每一轮生产中各个生产环节的产出物的历史实际温度序列,可通过历史温度监测数据获取。
本说明书一些实施例,通过为模型设置多个不同的层,每个层可以针对性的处理数据,提高模型预测的准确性和效率;通过引入原材料特征、改性剂特征以及各个环节的产出物特征作为模型输入,考虑了前述特征对每个生产环节的温度的影响,使得预测更加地准确;利用已完成生产环节的产出物的实际温度序列替换预估温度序列,作为下一生产环节产出物的温度预测的依据,进一步提高了预测的准确性。
本说明书一些实施例,通过温度预测模型预测各个生产环节的产出物的温度序列,可以利用机器学习模型的自学习能力,提高预测的准确性和效率。
图5是根据本说明书一些实施例所示的确定生产参数的调整量的另一示例性流程图。在一些实施例中,流程500可以由处理器执行。如图5所示,流程500可以包括如下步骤510、步骤520和步骤530。
在一些实施例中,基于温度序列,确定至少一个后续生产环节的生产参数的调整量可以包括:
步骤510,生成至少一组调整量组合。
调整量组合可以指多个生产环节的生产参数的调整量组成的集合。例如,调整量组合可以由加热参数调整量、冷却挤出参数调整量、切割参数调整量按照加工顺序组成。
在一些实施例中,处理器可以基于多个生产环节的生产参数的多个初始调整量,生成至少一组调整量组合。其中,初始调整量可以基于生产经验通过预设确定。在一些实施例中,处理器可以基于多个初始调整量,随机生成多组调整量组合。
在一些实施例中,生成至少一组调整量组合可以包括:为本轮生产的不同生产环节的生产参数赋予不同的调节活泼值;基于调节活泼值生成多组调整量组合;其中,每个生产环节的调节活泼值相关于距离信息,距离信息为每个生产环节与当前正在进行的生产环节的距离。
调节活泼值可以指用于衡量在调整量组合中,生产参数的调整量的均值及分散程度的数值。调节活泼值越大,对应的生产参数的调整量越活泼,即均值及分散程度越大。即在调整量组合中,其对应的生产参数的调整量可以取到更多可能的值。
例如,以生产参数A和生产参数B为例。假设用(+0.25,+0.1)表示生产参数A的调整量为0.25,生产参数B的调整量为0.1。若生产参数A的调整量的调节活泼值大于生产参数B的调整量的调节活泼值,假设生成了5组调整量组合,则这5组调整量组合可能分别为(+0.5,0),(+0.25,0),(+0.1,0),(+0.3,+0.1),(-0.2,0)。可以看出,这5组调整量组合中,生产参数A的调整量的均值和分散程度更大。即生产参数A的调整量取到了更多的值,更活泼,而调节活泼值较小的生产参数B的调整量取值变化很小。
在一些实施例中,处理器可以基于距离信息确定每个生产环节的生产参数的调整量的调节活泼值,距离信息越大,调节活泼值越小。在一些实施例中,处理器可以预设不同的距离信息对应的调节活泼值。
其中,距离信息可以用每个生产环节与当前正在进行的生产环节之间,间隔的生产环节数量表示。间隔的生产环节数量越多,距离信息越大,调节活泼值越小。
在一些实施例中,调节活泼值还相关于可靠点占比,可靠点占比越大,调节活泼值越大;可靠点占比为每个生产环节对应的预估温度序列中满足预设条件的温度数量占温度总数量的比值。
其中,预设条件可以指温度信息的准确性大于等于准确性阈值。准确性阈值可以基于系统默认设置。
在一些实施例中,处理器可以基于历史时刻(如某天上午8:00),利用温度预测模型预测历史时刻之后的多个未来时间点(如某天上午9:00左右)的多个预估温度信息。将该多个预估温度信息与达到该多个未来时间点时的实测温度信息进行比较,确定预估温度序列中每个温度信息的准确性,并确定准确性满足预设条件的温度信息的数量。例如,将预估温度信息与实测温度信息的差值确定为准确性,差值越小准确性越高。
在一些实施例中,处理器可以基于温度序列中准确性满足预设条件的温度数量除以温度总数量,得到可靠点占比。
在一些实施例中,处理器可以基于历史时间温度预测模型预测的温度序列对应的可靠点占比,确定当前温度预测模型预测的温度序列对应的可靠点占比。在一些实施例中,处理器可以基于温度预测模型预测时的输入数据构建输入特征向量。其中,当输入数据为原材料特征、改性剂特征、混合参数、原材料温度、改性剂温度时,示例性的输入特征向量可以表示为(原材料特征,改性剂特征,混合参数,原材料温度,改性剂温度)。处理器可以基于输入特征向量在预设数据库中检索,确定满足距离阈值的历史输入特征向量。处理器可以获取与该历史输入特征向量关联存储的历史温度序列,并将其对应的可靠点占比,确定为当前温度序列对应的可靠点占比。其中,预设数据库可以为存储历史输入特征向量和其关联的可靠点信息的数据库。
在一些实施例中,当满足距离阈值的历史输入特征向量有多个时,处理器可以将该多个满足距离阈值的历史输入特征向量对应的可靠点占比的平均值,确定为当前温度序列对应的可靠点占比。
例如,对于两组不同的历史输入数据,温度预测模型分别基于对应的输入特征向量A、B进行预测。假设预测的温度序列包含5个温度信息。其中,获得的历史预估温度序列A′中准确性满足准确性阈值的温度信息为3个,分别为温度序列A′中第1、3、5个温度信息,可靠点占比为3/5。历史预估温度序列B′中准确性满足准确性阈值的温度信息为2个,分别为温度序列B′中第2、4个温度信息,可靠点占比为2/5。而温度预测模型基于当前的输入数据对应的输入特征向量C进行预测,输入特征向量C与输入特征向量A的距离更近,则温度预测模型输出的温度序列模型中,可靠点占比为输入特征向量A对应的可靠点占比,即3/5。
通过这种方式,以历史数据作为参考来确定可靠点占比。随着温度预测模型应用的增加,预设数据库中的历史数据逐渐增加,确定可靠点占比会更加准确。
在一些实施例中,处理器可以基于可靠点占比确定调节活泼值,可靠点占比越大,调节活泼值越大。即,可靠点占比越大的预估温度序列,该预估温度序列对应的生产环节的生产参数的调整量的调节活泼值越大。可靠点占比与调节活泼值的对应关系可以预设。
在一些实施例中,处理器可以基于距离信息和可靠点占比确定调节活泼值。例如,处理器可以将基于距离信息确定的调节活泼值、与基于可靠点占比确定的调节活泼值进行加权求和,确定最终的调节活泼值。权重可以基于系统默认设置。
本说明书一些实施例,通过确定每个生产环节的预估温度序列的可靠点占比,可以基于预测的温度信息的可靠性来确定调节活泼值,越可靠的可以赋予其对应的生产参数更活跃的调节度,提高确定调节活泼值的合理性和准确性。
在一些实施例中,处理器可以基于每个生产参数的调节活泼值,确定该生产参数的调整量的均值和分散程度。处理器可以基于均值和分散程度在该生产参数的当前调整量的基础上,确定多个其他调整量。通过前述方式,可以为每个生产环节对应的生产参数确定多个调整量,并组合生成多组调整量组合。例如,处理器确定了各个生产参数的多个调整量分别为加热参数(C1,C2,C3,C4,C5)、冷却挤出参数(D1,D2,D3,D4,D5)、切割参数(E1,E2,E3,E4,E5),将其组合确定的多个调整量组合可以为(C1,D1,E1)、(C2,D2,E2)、……、(C5,D5,E5)。
本说明书一些实施例,通过为生产参数赋予调节活泼值,并基于调节活泼值生成生产参数的调整量组合,可以使得生成的调整量组合更加符合生产实际,避免某些生产参数的调整量变化过大或过小,产生较大的数据误差。
步骤520,确定至少一组调整量组合中每组的调整评估值。
调整评估值可以指用于反映基于调整量组合进行生产达到的生产效果,与标准效果的符合程度的数值。其中,生产效果可以基于每个生产环节的产出物的温度序列体现。
在一些实施例中,可以基于生产经验对每组调整量组合进行评估,确定对应的调整评估值。
在一些实施例中,处理器确定至少一组调整量组合中每组的调整评估值可以包括:对于每组调整量组合,将基于该组调整量组合调整后的生产参数输入温度预测模型的至少一部分,得到至少一个预估温度序列;基于至少一个预估温度序列,确定调整评估值。
在一些实施例中,处理器可以将基于每一组调整量组合调整后的生产参数、及其他输入特征(如初始混合物特征、熔融态混合物特征、改性塑料条特征等)输入温度预估模型。通过温度预估模型的至少一部分(如熔融混合物温度确定层)确定至少一个生产环节的产出物的预估温度序列。具体基于温度预测模型确定产出物的预估温度序列的内容可以参见图4及其相关描述。
在一些实施例中,处理器可以计算产出物的预估温度序列与标准优选温度序列之前的相似度(如向量相似度),基于相似度确定调整评估值。相似度越大,则对应的调整量组合的调整评估值越大。其中,标准优选温度序列可以基于历史生产经验通过预设确定。
本说明书一些实施例,通过预测基于调整量组合调整后的生产参数对应的生产效果(如产出物的温度),为每组调整量组合确定调整评估值,可以为后文基于调整评估值确定生产参数的调整量提供可靠的数据支撑。
步骤530,基于调整评估值,确定至少一个后续生产环节的生产参数的调整量。
在一些实施例中,处理器可以基于调整评估值,将调整评估值满足评估值要求的调整量组合,确定为目标调整量组合。其中,评估值要求可以由系统默认设置、例如,评估值要求可以包括调整评估值最大。目标调整量组合中包括后续至少一个生产环节的生产参数的调整量。
本说明书一些实施例,通过生成多组生产参数的调整量组合,并通过评估确定较优的调整量组合来作为生产参数的调整量,可以提高确定生产参数调整量的准确性,提高改性塑料生产的质量。
应当注意的是,上述有关流程500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500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。
本说明书一个或多个实施例还提供了一种计算机可读存储介质,该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,计算机执行如上述实施例中任一项所述的改性塑料生产控制方法。
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)
1.一种改性塑料生产控制系统,其特征在于,所述系统包括配料模块、传送模块、加工仓、混合模块、加热模块、冷却挤出模块、造粒模块、监测模块以及处理器;
所述配料模块与所述加工仓通过所述传送模块连接;
所述混合模块、所述加热模块、所述冷却挤出模块与所述造粒模块位于所述加工仓内,所述混合模块、所述加热模块、所述冷却挤出模块与所述造粒模块连接;
所述处理器分别与所述配料模块、所述监测模块、所述混合模块、所述加热模块、所述冷却挤出模块、所述造粒模块通信连接,所述处理器用于:
基于从所述监测模块获取的监测数据,确定生产参数的调整量;
基于所述调整量调整所述生产参数,并将调整后的所述生产参数发送至所述加热模块、所述冷却挤出模块、所述造粒模块中的至少一个。
2.根据权利要求1所述的系统,其特征在于,所述监测数据包括所述改性塑料的生产过程中的温度监测数据;
所述温度监测数据包括本轮生产中至少一个生产环节的产出物的温度;
所述基于从所述监测模块获取的监测数据,确定生产参数的调整量包括:
基于所述本轮生产中已完成的生产环节的所述温度监测数据,预测至少一个后续生产环节的所述产出物的温度序列;
基于所述温度序列,确定所述至少一个后续生产环节的所述生产参数的调整量。
3.根据权利要求2所述的系统,其特征在于,所述基于所述本轮生产中已完成的生产环节的所述温度监测数据,预测至少一个后续生产环节的所述产出物的温度序列包括:基于生产数据,通过温度预测模型,预测所述至少一个后续生产环节的所述产出物的温度序列;所述温度预测模型为机器学习模型;
所述生产数据包括原材料温度、改性剂温度、熔融态混合物的实际温度序列、改性塑料条的实际温度序列、加热参数、冷却挤出参数、切割参数中至少一种。
4.根据权利要求2所述的系统,其特征在于,所述基于所述温度序列,确定所述至少一个后续生产环节的所述生产参数的调整量包括:
生成至少一组调整量组合;
确定所述至少一组调整量组合中每组的调整评估值;
基于所述调整评估值,确定所述至少一个后续生产环节的所述生产参数的调整量。
5.根据权利要求1所述的系统,其特征在于,所述冷却挤出参数包括冷却参数,所述冷却参数包括冷却介质类型、冷却介质温度、冷却时长中至少一种;所述冷却挤出参数由所述处理器基于熔融态混合物特征确定。
6.一种改性塑料生产控制方法,其特征在于,所述方法由所述改性塑料生产控制系统的处理器执行,所述系统包括配料模块、传送模块、加工仓、混合模块、加热模块、冷却挤出模块、造粒模块、监测模块以及处理器;所述方法包括:
基于从所述监测模块获取的监测数据,确定生产参数的调整量;
基于所述调整量调整所述生产参数,并将调整后的所述生产参数发送至所述加热模块、所述冷却挤出模块、所述造粒模块中的至少一个。
7.根据权利要求6所述的方法,其特征在于,所述监测数据包括所述改性塑料的生产过程中的温度监测数据;
所述温度监测数据包括本轮生产中至少一个生产环节的产出物的温度;
所述基于从所述监测模块获取的监测数据,确定生产参数的调整量包括:
基于所述本轮生产中已完成的生产环节的所述温度监测数据,预测至少一个后续生产环节的所述产出物的温度序列;
基于所述温度序列,确定所述至少一个后续生产环节的所述生产参数的调整量。
8.根据权利要求7所述的方法,其特征在于,所述基于所述本轮生产中已完成的生产环节的所述温度监测数据,预测至少一个后续生产环节的所述产出物的温度序列包括:基于生产数据,通过温度预测模型,预测所述至少一个后续生产环节的所述产出物的温度序列;所述温度预测模型为机器学习模型;
所述生产数据包括原材料温度、改性剂温度、所述初始混合物的实际温度序列、所述熔融态混合物的实际温度序列、所述改性塑料条的实际温度序列、所述加热参数、所述冷却挤出参数、所述切割参数中至少一种。
9.根据权利要求7所述的方法,其特征在于,所述基于所述温度序列,确定所述至少一个后续生产环节的所述生产参数的调整量包括:
生成至少一组调整量组合;
确定所述至少一组调整量组合中每组的调整评估值;
基于所述调整评估值,确定所述至少一个后续生产环节的所述生产参数的调整量。
10.一种计算机可读存储介质,其特征在于,所述存储介质存储计算机指令,当计算机读取所述计算机指令时,所述计算机执行如权利要求6-9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310483729.8A CN116494420B (zh) | 2023-04-28 | 2023-04-28 | 一种改性塑料生产控制系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310483729.8A CN116494420B (zh) | 2023-04-28 | 2023-04-28 | 一种改性塑料生产控制系统和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116494420A true CN116494420A (zh) | 2023-07-28 |
CN116494420B CN116494420B (zh) | 2023-12-01 |
Family
ID=87322661
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310483729.8A Active CN116494420B (zh) | 2023-04-28 | 2023-04-28 | 一种改性塑料生产控制系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116494420B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116945544A (zh) * | 2023-09-20 | 2023-10-27 | 张家港禾福新材料科技有限公司 | 一种基于用途的塑料母粒生产过程调节控制方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004338243A (ja) * | 2003-05-15 | 2004-12-02 | Daicel Chem Ind Ltd | プラスチック混合物の造粒方法 |
JP2006159466A (ja) * | 2004-12-03 | 2006-06-22 | Fujitsu Autom Ltd | プラスチック混合物の成形方法及び装置 |
US20200200474A1 (en) * | 2017-06-15 | 2020-06-25 | Pegaso Industries S.P.A. | Process for drying polymeric granular material and system operating according to said process |
CN111844689A (zh) * | 2020-06-15 | 2020-10-30 | 江苏通光信息有限公司 | 一种挤塑设备的生产线智能联动控制方式 |
WO2022034210A1 (en) * | 2020-08-14 | 2022-02-17 | Basf Se | Computer-implemented method for controlling and/or monitoring at least one injection molding process |
CN114474473A (zh) * | 2022-02-08 | 2022-05-13 | 苏州博之顺材料科技有限公司 | 一种改性塑料的生产方法和系统 |
CN115157476A (zh) * | 2022-07-12 | 2022-10-11 | 林定忠 | 一种pe塑料颗粒的制备系统与制备方法 |
CN115816692A (zh) * | 2023-02-16 | 2023-03-21 | 张家港市普瑞塑胶机械有限公司 | 可降解塑料的造粒生产系统 |
-
2023
- 2023-04-28 CN CN202310483729.8A patent/CN116494420B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004338243A (ja) * | 2003-05-15 | 2004-12-02 | Daicel Chem Ind Ltd | プラスチック混合物の造粒方法 |
JP2006159466A (ja) * | 2004-12-03 | 2006-06-22 | Fujitsu Autom Ltd | プラスチック混合物の成形方法及び装置 |
US20200200474A1 (en) * | 2017-06-15 | 2020-06-25 | Pegaso Industries S.P.A. | Process for drying polymeric granular material and system operating according to said process |
CN111844689A (zh) * | 2020-06-15 | 2020-10-30 | 江苏通光信息有限公司 | 一种挤塑设备的生产线智能联动控制方式 |
WO2022034210A1 (en) * | 2020-08-14 | 2022-02-17 | Basf Se | Computer-implemented method for controlling and/or monitoring at least one injection molding process |
CN114474473A (zh) * | 2022-02-08 | 2022-05-13 | 苏州博之顺材料科技有限公司 | 一种改性塑料的生产方法和系统 |
CN115157476A (zh) * | 2022-07-12 | 2022-10-11 | 林定忠 | 一种pe塑料颗粒的制备系统与制备方法 |
CN115816692A (zh) * | 2023-02-16 | 2023-03-21 | 张家港市普瑞塑胶机械有限公司 | 可降解塑料的造粒生产系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116945544A (zh) * | 2023-09-20 | 2023-10-27 | 张家港禾福新材料科技有限公司 | 一种基于用途的塑料母粒生产过程调节控制方法及系统 |
CN116945544B (zh) * | 2023-09-20 | 2024-03-12 | 张家港禾福新材料科技有限公司 | 一种基于用途的塑料母粒生产过程调节控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116494420B (zh) | 2023-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116494420B (zh) | 一种改性塑料生产控制系统和方法 | |
US20200230857A1 (en) | A computer implemented method for generating a mold model for production predictive control and computer program products thereof | |
CN1248074C (zh) | 过程控制系统 | |
CN113165243A (zh) | 用于改进物理生产过程的方法和系统 | |
CN117048022B (zh) | 共混型互穿网络热塑性弹性体的挤出优化方法及系统 | |
Ahmed et al. | Warpage prediction of Injection-molded PVC part using ensemble machine learning algorithm | |
CN109614651A (zh) | 一种注塑件加工参数与变形关系的高精度估算方法 | |
CN117008557A (zh) | 共混型互穿网络热塑性弹性体的生产控制方法及系统 | |
CN111428329B (zh) | 基于模型的机器学习系统 | |
US11660799B2 (en) | Method for controlling film production | |
US20200086546A1 (en) | Method for controlling film production | |
KR20190039131A (ko) | 폴리머의 연속 제조를 위한 플랜트의 제어를 위한 방법 및 시스템 | |
US6862562B1 (en) | Computer method and apparatus for determining state of physical properties in a chemical process | |
CN113962150A (zh) | 一种烧结混合料粒度预测方法及系统 | |
CN116373197B (zh) | 一种橡胶生产设备和方法 | |
CN116214762B (zh) | 一种改性塑料加工系统和方法 | |
CN108250342B (zh) | 一种聚全氟乙丙烯产品生产方法及系统 | |
CN115545367A (zh) | 注塑成型过程的异常监控方法、电子设备及存储介质 | |
Utomo et al. | Optimization Injection Molding Parameters of Polypropylene Materials to Minimize Product Not Complete Defects Using the Taguchi Method | |
CN106127326B (zh) | 一种化工材料加工熔融指数预报方法 | |
CN115880101B (zh) | 一种基于大数据的水利数据管理系统 | |
Trifkovic et al. | Model identification of a twin screw extruder for thermoplastic vulcanizate (TPV) applications | |
Kugler et al. | Robust soft sensor based on an artificial neural network for real-time determination of the melt viscosity of polymers | |
CN116811171B (zh) | 注塑机数据采集系统 | |
Trienens et al. | Investigation regarding the correlation of the relative influences during the extrusion process of cast films on the resulting melt quality |
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 |