CN116749487A - 一种多层共挤机头加温控制管路、系统及方法 - Google Patents
一种多层共挤机头加温控制管路、系统及方法 Download PDFInfo
- Publication number
- CN116749487A CN116749487A CN202310879284.5A CN202310879284A CN116749487A CN 116749487 A CN116749487 A CN 116749487A CN 202310879284 A CN202310879284 A CN 202310879284A CN 116749487 A CN116749487 A CN 116749487A
- Authority
- CN
- China
- Prior art keywords
- layer
- communication space
- medium
- valve
- pressure
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000010438 heat treatment Methods 0.000 title claims abstract description 27
- 238000004891 communication Methods 0.000 claims abstract description 61
- 238000003860 storage Methods 0.000 claims abstract description 11
- 230000005540 biological transmission Effects 0.000 claims abstract description 5
- 210000002569 neuron Anatomy 0.000 claims description 38
- 230000008569 process Effects 0.000 claims description 21
- 230000001276 controlling effect Effects 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 14
- 238000010792 warming Methods 0.000 claims description 14
- 238000003062 neural network model Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 11
- 238000011217 control strategy Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 6
- 230000003213 activating effect Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000001125 extrusion Methods 0.000 abstract description 12
- 238000004519 manufacturing process Methods 0.000 abstract description 7
- 239000012467 final product Substances 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 17
- 230000009021 linear effect Effects 0.000 description 6
- 238000009413 insulation Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004132 cross linking Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000004703 cross-linked polyethylene Substances 0.000 description 1
- 229920003020 cross-linked polyethylene Polymers 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 230000009022 nonlinear effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 229920003023 plastic Polymers 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
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
-
- 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
- B29C2948/00—Indexing scheme relating to extrusion moulding
- B29C2948/92—Measuring, controlling or regulating
- B29C2948/92504—Controlled parameter
- B29C2948/92704—Temperature
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Extrusion Moulding Of Plastics Or The Like (AREA)
Abstract
本发明涉及海底电缆制造技术领域，具体涉及一种多层共挤机头加温控制管路、系统及方法，系统包括：若干等截面主管路和联通空间；若干主管路一端分别与多层共挤机头对应的各台模温机出口一一对应连接，各主管路的另一端均与联通空间联通，联通空间在各主管路间实现介质的传递；主管路在自模温机出口至联通空间的方向上依次设置有开关阀、介质出口和流量阀；对应的加温控制系统包括故障识别模块、开关阀控制模块、存储模块、流量阀调节模块、泄压控制模块和压力采集模块。本发明中，通过联通空间的使用，使得各个主管路之间形成独立工作模式和协助工作模式，通过模式的切换有效的保证了最终的产品质量。
Description
技术领域
本发明涉及海底电缆制造技术领域，具体涉及一种多层共挤机头加温控制管路、系统及方法。
背景技术
XLPE电缆绝缘制造工艺一般为CCV（悬链式）交联生产工艺和VCV（立式）交联生产工艺，绝缘和内外屏蔽等层级会对应采用多层共挤的方式挤出，塑料颗粒通过挤出机加热，流经对应层数的共挤机头并通过模具成型。在上述工艺中，挤出机和机头的温度是绝缘和内外屏蔽等层级成型的关键因素，目前，多层共挤机头温度通过多台模温机共同控制。
在实际的生产中，为实现大长度海底电缆制造长度的不断增大，绝缘连续挤出开机时间必须要长，对于大截面电缆连续开机时间可达30天以上。在长时间高负荷的运转工况下，模温机出现故障的频率变高，任何一台模温机故障的发生均可能导致冷水进入机头，这必然会使得多层共挤机头温度无法满足工艺要求，使得生产的产品合格率降低。
发明内容
本发明中提供了一种多层共挤机头加温控制管路、系统及方法，从而有效解决背景技术中所指出的问题。
为了达到上述目的，本发明所采用的技术方案是：
一种多层共挤机头加温控制管路，包括若干等截面主管路和联通空间；
若干所述主管路一端分别与多层共挤机头对应的各台模温机出口一一对应连接，各所述主管路的另一端均与所述联通空间联通，所述联通空间在各所述主管路间实现介质的传递；
所述主管路在自模温机出口至联通空间的方向上依次设置有开关阀、介质出口和流量阀。
进一步地，所述联通空间设置有压力表及泄压阀；
所述泄压阀的工作依据包括所述压力表的压力采集结果，以及所述流量阀的控制结果。
进一步地，所述联通空间通过两端封闭的等截面管体提供，各所述主管路与所述管体的顶部等间隔连接。
一种多层共挤机头加温控制系统，用于对如上所述的多层共挤机头加温控制管路进行控制，包括：
故障识别模块，对所述模温机的故障信息进行采集；
开关阀控制模块，接收所述故障信息，且在接收时刻关闭与故障的模温机所对应主管路上的所述开关阀；
存储模块，对所述主管路流通截面面积、介质出口截面面积、介质初始设定流速和温度、联通空间容积进行存储；
流量阀调节模块，在所述开关阀关闭的时刻开启所述流量阀的调节控制，且调节控制过程中将所述存储模块的存储内容作为工作依据；
泄压控制模块，在联通空间内的压力超过设定范围，或使用需求完成后，控制所述泄压阀工作；
压力采集模块，对所述联通空间内的介质压力大小进行采集，且压力采集结果作为所述流量阀调节模块和泄压控制模块的工作依据。
进一步地，所述流量阀调节模块中设置有多层感知器，所述多层感知器包括输入层、隐藏层和输出层：
所述输入层接收所述主管路流通截面面积、介质出口截面面积、介质初始设定流速和温度、联通空间容积和压力采集结果作为输入特征；
所述隐藏层包括若干神经元，所述输入特征与所述神经元的数量之间线性关联，所述神经元将输入特征进行非线性映射，并将结果传递给所述输出层；
所述输出层通过激活函数生成所述流量阀的调节控制策略。
进一步地，通过所述多层感知器构建神经网络模型，包括以下步骤:
收集数据集，所述数据集包括主管路流通截面面积、介质出口截面面积、介质初始设定流速和温度、联通空间容积和压力采集结果；
对各数据进行预处理，使得所述数据具备一致性和可比性；
确定所述输入层的节点数、所述隐藏层的规模以及所述输出层的激活函数类型；
将准备好的所述数据集分为训练集和验证集，使用所述训练集对神经网络模型进行训练，通过反向传播算法调整模型的权重和偏置，以及，通过验证集监控模型的性能，并根据需要进行超参数调优；
使用测试集对训练好的模型进行评估，满足要求后获得所述神经网络模型。
进一步地，所述神经元将输入特征进行非线性映射，采用ReLU函数作为激活函数，包括：
所述神经元接收所述主管路流通截面面积、介质出口截面面积、介质初始设定流速和温度、联通空间容积和压力采集结果；
所述神经元对每个输入特征进行加权求和，其中权重是模型训练过程中学习到的参数；
将加权求和的结果与阈值进行比较，如果大于等于所述阈值，则激活神经元；否则，不激活神经元；
若所述神经元被激活，则输出为加权求和的结果；若所述神经元未激活，则输出为0。
进一步地，所述多层感知器还包括循环层，用于捕捉所述介质初始设定流速和温度数据中的上下文信息和时序关系。
进一步地，所述循环层的工作步骤如下：
在所述多层感知器模型中添加一个循环层；
将所述介质初始设定流速和温度变量构造成一个序列输入所述循环层；
将所述循环层的输出与其他输入特征进行连接或级联，并传递给所述隐藏层和输出层。
一种多层共挤机头加温控制方法，用于如上所述的多层共挤机头加温控制系统，包括：
实时采集所述模温机的故障信息，当获取采集结果时关闭与故障模温机所对应主管路上的所述开关阀；
实时采集所述联通空间内的介质压力，且将压力采集结果以及存储的主管路流通截面面积、介质出口截面面积、介质初始设定流速和温度、联通空间容积输入所述多层感知器，而输出流量阀的调节控制策略；
在所述流量阀的调节控制过程中，根据调节控制结果以及压力采集结果对所述泄压阀进行控制。
通过本发明的技术方案，可实现以下技术效果：
本发明中提供了一种安装于多层共挤机头和对应的各模温机之间的加温控制管路，其中的各个主管路可针对正常的工作状态而独立向多层供给机头提供设定温度范围的介质，而在个别模温机出现故障时，为了保证多层共挤机头工作的稳定性，并不减少参与工作的主管路个数，而是将故障主管路的介质供应端从原本对应的模温机出口改变为联通空间，从而尽可能降低对于多层共挤机头的影响，联通空间所供应的介质来自于其他的主管路，且此处所指的介质来自于其他正常工作的模温机，是经过温度控制的；通过联通空间的使用，使得各个主管路之间形成独立工作模式和协助工作模式，通过模式的切换有效的保证了最终的产品质量。
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，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地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，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他的附图。
图1为多层共挤机头加温控制管路的示意图（包括介质流通方向）；
图2为一个模温机发生故障后，介质的流通方向示意图；
图3为多层共挤机头加温控制系统的框架图；
图4为多层共挤机头加温控制系统的优化框架图；
图5为通过多层感知器构建神经网络模型的流程图；
图6为神经元将输入特征进行非线性映射的流程图；
图7为循环层的设置步骤；
图8为多层共挤机头加温控制方法流程图；
附图标记：01、介质入口；02、介质出口；03、开关阀；04、流量阀；05、联通空间；051、压力表；052、泄压阀；06、模温机。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
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。在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例一
一种多层共挤机头加温控制管路，包括若干等截面主管路和联通空间05；若干主管路一端，即介质入口01分别与多层共挤机头对应的各台模温机06出口一一对应连接，各主管路的另一端均与联通空间05联通，联通空间05在各主管路间实现介质的传递；主管路在自模温机06出口至联通空间05的方向上依次设置有开关阀03、介质出口02和流量阀04。
如图1所示，本发明中提供了一种安装于多层共挤机头和对应的各模温机06之间的加温控制管路；其中的各个主管路可针对正常的工作状态而独立向多层供给机头提供设定温度范围的介质，而在个别模温机06出现故障时，如图2所示，故障的模温机06对应虚线展示的主观题，为了保证多层共挤机头工作的稳定性，本发明中并不减少参与工作的主管路个数，而是将故障主管路的介质供应端从原本对应的模温机06出口改变为联通空间05，从而尽可能降低对于多层共挤机头的影响；当然，在上述过程中，联通空间05所供应的介质来自于其他的主管路，且此处所指的介质来自于其他正常工作的模温机06，是经过温度控制的。
在上述技术方案中，通过联通空间05的使用，使得各个主管路之间形成独立工作模式和协助工作模式，通过模式的切换有效的保证了最终的产品质量。在工作过程中，开关阀03和流量阀04具有不同的功能性，具体地：
开关阀03执行及时有效的开启及关闭动作，从而快速的实现故障模温机06的切断，以及正常模温机06的接入；而流量阀04通过流量的过程调节而实现更为精细的控制过程。
作为上述实施例的优选，联通空间05设置有压力表051及泄压阀052；泄压阀052的工作依据包括压力表051的压力采集结果，以及流量阀04的控制结果。在本发明中，泄压阀052的使用是尤为关键的，其中，至少需要其参与的两项较为重要的工作包括：
（1）在联通空间05进行介质传递的过程中，采集联通空间05内部的实时压力，以便在压力过高时及时进行泄压工作；
（2）在模温机06由个别故障转为全部正常后，需要将联通空间05内的介质全部排空，从而避免联通空间05在下次工作时，使得内部残留的温度较低介质参与到介质流通过程中，这对于多层共挤机头必然会造成影响。
在本发明中，并不对联通空间05的截面形状做具体限定，此处所指的截面如图1中A-A处所示的，作为一种优选地，联通空间05通过两端封闭的等截面管体提供，各主管路与管体的顶部等间隔连接；此种方式是一种成本较佳的实施方式，此种情况下管体为直线状的结构，介质在其中的流通较为流畅。
实施例二
如图3所示，一种多层共挤机头加温控制系统，用于对如实施例一所述的多层共挤机头加温控制管路进行控制，包括：
故障识别模块，对模温机的故障信息进行采集；开关阀控制模块，接收故障信息，且在接收时刻关闭与故障的模温机所对应主管路上的开关阀；存储模块，对主管路流通截面面积、介质出口截面面积、介质初始设定流速和温度、联通空间容积进行存储；流量阀调节模块，在开关阀关闭的时刻开启流量阀的调节控制，且调节控制过程中将存储模块的存储内容作为工作依据；泄压控制模块，在联通空间内的压力超过设定范围，或使用需求完成后，控制泄压阀工作；压力采集模块，对联通空间内的介质压力大小进行采集，且压力采集结果作为流量阀调节模块和泄压控制模块的工作依据。
在上述控制系统中，开关阀控制模块接收故障信息，并在接收到信息的时刻关闭与故障的模温机所对应主管路上的开关阀，可以切断故障模温机的介质供应，避免冷水到达多层共挤机头；存储模块对针对控制系统较为重要的信息进行存储，可在后续信息读取后进行使用。在实际工作的过程中，通过联通空间的使用，虽然可有效的保证与故障的模温机所对应主管路能够得到来自于其他主管路介质的补充，但是必然也会对其他主管路造成一定程度的影响，而这种影响可通过对各个流量阀采用更优的控制策略而缓解，缓解的过程中对于更好的实现多层供给机头的工作优化也是有帮助的，在本发明中，作为优选地，如图4所示，流量阀调节模块中设置有多层感知器，多层感知器包括输入层、隐藏层和输出层：输入层接收主管路流通截面面积、介质出口截面面积、介质初始设定流速和温度、联通空间容积和压力采集结果作为输入特征；隐藏层包括若干神经元，输入特征与神经元的数量之间线性关联，神经元将输入特征进行非线性映射，并将结果传递给输出层；输出层通过激活函数生成流量阀的调节控制策略。
通过将主管路流通截面面积、介质出口截面面积、介质初始设定流速和温度、联通空间容积和压力采集结果作为输入特征，模型能够综合考虑多个关键因素，这样可以更全面地分析流量阀调节控制策略与这些特征之间的关系；通过线性关联输入特征与隐藏层神经元数量，建立了一种直接的对应关系，这种简单而直观的关联方式可以使得隐藏层的神经元数量与输入特征之间具有一定的可解释性。在多层感知器模型中，隐藏层神经元通过激活函数进行非线性映射，这意味着即使输入特征与隐藏层神经元数量之间存在线性关联，通过激活函数的作用，神经网络仍然具备了非线性拟合能力，这对于实际问题中存在复杂关系的情况非常重要，能够更好地捕捉输入特征与流量阀调节控制策略之间的非线性关系，隐藏层神经元数量的线性关联主要用于设定隐藏层的规模。
综上，上述优选方案中采用了多层感知器构建流量阀调节模块中的神经网络模型，并将输入特征与隐藏层神经元数量建立起线性关系，这样的设计能够综合考虑多个输入特征，具备非线性映射能力，并且提供了灵活性和可调节性。
作为上述实施例的优选，如图5所示，通过多层感知器构建神经网络模型，包括以下步骤:
S1：收集数据集，数据集包括主管路流通截面面积、介质出口截面面积、介质初始设定流速和温度、联通空间容积和压力采集结果；
S2：对各数据进行预处理，使得数据具备一致性和可比性；
S3：确定输入层的节点数、隐藏层的规模以及输出层的激活函数类型；
S4：将准备好的数据集分为训练集和验证集，使用训练集对神经网络模型进行训练，通过反向传播算法调整模型的权重和偏置，以及，通过验证集监控模型的性能，并根据需要进行超参数调优；
S5：使用测试集对训练好的模型进行评估，满足要求后获得神经网络模型。
通过将实时数据输入模型，获取模型的输出结果，并根据输出结果生成相应的调节控制策略来调节流量阀。
在本发明的一些实施例中，如图6所示，神经元将输入特征进行非线性映射，采用ReLU函数作为激活函数，包括：
A1：神经元接收主管路流通截面面积、介质出口截面面积、介质初始设定流速和温度、联通空间容积和压力采集结果；
A2：神经元对每个输入特征进行加权求和，其中权重是模型训练过程中学习到的参数；加权求和结果可以表示为： weighted_sum = w1 * feature1 + w2 * feature2 +... + w6 * feature6，其中，w1是主管路流通截面面积对应的权重，w2是介质出口截面面积对应的权重，w3是介质初始设定流速对应的权重，w4是介质初始设定温度对应的权重，w5是联通空间容积对应的权重，w6是压力采集结果对应的权重，而feature1、feature2、feature3、feature4、feature5和feature6则分别代表上述个数据；权重参数通过模型训练过程中学习到，使得模型能够自动调整特征的重要性和影响程度。
A3：将加权求和的结果与阈值进行比较，如果大于等于阈值，则激活神经元；否则，不激活神经元；
A4：若神经元被激活，则输出为加权求和的结果；若神经元未激活，则输出为0。
采用ReLU函数（修正线性单元）可以实现输入特征的非线性映射，从而允许神经网络学习更复杂的关系和模式，相比于Sigmoid函数和Tanh函数，ReLU函数的非线性性质更强；对于大于0的输入，ReLU函数的导数始终为1，使得相应的梯度在反向传播时保持不变，这样可以避免梯度消失问题，有助于提高训练速度和模型的收敛性；ReLU函数的计算简单快速，并且不涉及指数运算等复杂操作，因此在实际应用中具有较高的计算效率。通过以上步骤，神经元可以对主管路流通截面面积、介质出口截面面积、介质初始设定流速和温度、联通空间容积和压力采集结果进行非线性映射，从而为后续的神经网络模型提供更具表达能力的特征表示。
在上述各特征中，介质初始设定流速和温度等变量根据模温机的调节结果获得，而在模温机调节的过程中，由于其系统具有较高的复杂性，因此介质初始设定流速和温度很可能存在时间上的先后关系或时序依赖，为了帮助模型更好地理解和利用这些时序特征，作为优选地，多层感知器还包括循环层，用于捕捉介质初始设定流速和温度数据中的上下文信息和时序关系。
其中，循环层的设置步骤如下：
B1：在所多层感知器模型中添加一个循环层；例如基于长短时记忆网络（LSTM）或门控循环单元（GRU）的循环层，这样模型就可以在处理其他输入特征的同时，对序列输入进行逐步的处理和学习，在上述步骤中需要注意设置循环层的隐藏状态大小和层数，以适应数据和问题复杂度，可以通过调整超参数来平衡模型的复杂性和表达能力。
B2：将所介质初始设定流速和温度变量构造成一个序列输入循环层；
B3：将所循环层的输出与其他输入特征进行连接或级联，并传递给隐藏层和输出层。
上述优选方案中，通过添加循环层，模型可以更好地捕捉介质初始设定流速和温度之间的时序关系，提高模型对这些时序特征的理解和利用能力。
实施例三
如图8所示，一种多层共挤机头加温控制方法，用于如实施例二所述的多层共挤机头加温控制系统，包括：
C1：实时采集模温机的故障信息，当获取采集结果时关闭与故障模温机所对应主管路上的开关阀；
C2：实时采集联通空间内的介质压力，且将压力采集结果以及存储的主管路流通截面面积、介质出口截面面积、介质初始设定流速和温度、联通空间容积输入多层感知器，而输出流量阀的调节控制策略；
C3：在流量阀的调节控制过程中，根据调节控制结果以及压力采集结果对泄压阀进行控制。
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种多层共挤机头加温控制管路，其特征在于，包括若干等截面主管路和联通空间；
若干所述主管路一端分别与多层共挤机头对应的各台模温机出口一一对应连接，各所述主管路的另一端均与所述联通空间联通，所述联通空间在各所述主管路间实现介质的传递；
所述主管路在自模温机出口至联通空间的方向上依次设置有开关阀、介质出口和流量阀。
2.根据权利要求1所述的多层共挤机头加温控制管路，其特征在于，所述联通空间设置有压力表及泄压阀；
所述泄压阀的工作依据包括所述压力表的压力采集结果，以及所述流量阀的控制结果。
3.根据权利要求1或2所述的多层共挤机头加温控制管路，其特征在于，所述联通空间通过两端封闭的等截面管体提供，各所述主管路与所述管体的顶部等间隔连接。
4.一种多层共挤机头加温控制系统，用于对如权利要求2所述的多层共挤机头加温控制管路进行控制，其特征在于，包括：
故障识别模块，对所述模温机的故障信息进行采集；
开关阀控制模块，接收所述故障信息，且在接收时刻关闭与故障的模温机所对应主管路上的所述开关阀；
存储模块，对所述主管路流通截面面积、介质出口截面面积、介质初始设定流速和温度、联通空间容积进行存储；
流量阀调节模块，在所述开关阀关闭的时刻开启所述流量阀的调节控制，且调节控制过程中将所述存储模块的存储内容作为工作依据；
泄压控制模块，在联通空间内的压力超过设定范围，或使用需求完成后，控制所述泄压阀工作；
压力采集模块，对所述联通空间内的介质压力大小进行采集，且压力采集结果作为所述流量阀调节模块和泄压控制模块的工作依据。
5.根据权利要求4所述的多层共挤机头加温控制系统，其特征在于，所述流量阀调节模块中设置有多层感知器，所述多层感知器包括输入层、隐藏层和输出层：
所述输入层接收所述主管路流通截面面积、介质出口截面面积、介质初始设定流速和温度、联通空间容积和压力采集结果作为输入特征；
所述隐藏层包括若干神经元，所述输入特征与所述神经元的数量之间线性关联，所述神经元将输入特征进行非线性映射，并将结果传递给所述输出层；
所述输出层通过激活函数生成所述流量阀的调节控制策略。
6.根据权利要求5所述的多层共挤机头加温控制系统，其特征在于，通过所述多层感知器构建神经网络模型，包括以下步骤:
收集数据集，所述数据集包括主管路流通截面面积、介质出口截面面积、介质初始设定流速和温度、联通空间容积和压力采集结果；
对各数据进行预处理，使得所述数据具备一致性和可比性；
确定所述输入层的节点数、所述隐藏层的规模以及所述输出层的激活函数类型；
将准备好的所述数据集分为训练集和验证集，使用所述训练集对神经网络模型进行训练，通过反向传播算法调整模型的权重和偏置，以及，通过验证集监控模型的性能，并根据需要进行超参数调优；
使用测试集对训练好的模型进行评估，满足要求后获得所述神经网络模型。
7.根据权利要求6所述的多层共挤机头加温控制系统，其特征在于，所述神经元将输入特征进行非线性映射，采用ReLU函数作为激活函数，包括：
所述神经元接收所述主管路流通截面面积、介质出口截面面积、介质初始设定流速和温度、联通空间容积和压力采集结果；
所述神经元对每个输入特征进行加权求和，其中权重是模型训练过程中学习到的参数；
将加权求和的结果与阈值进行比较，如果大于等于所述阈值，则激活神经元；否则，不激活神经元；
若所述神经元被激活，则输出为加权求和的结果；若所述神经元未激活，则输出为0。
8.根据权利要求5所述的多层共挤机头加温控制系统，其特征在于，所述多层感知器还包括循环层，用于捕捉所述介质初始设定流速和温度数据中的上下文信息和时序关系。
9.根据权利要求8所述的多层共挤机头加温控制系统，其特征在于，所述循环层的工作步骤如下：
在所述多层感知器模型中添加一个循环层；
将所述介质初始设定流速和温度变量构造成一个序列输入所述循环层；
将所述循环层的输出与其他输入特征进行连接或级联，并传递给所述隐藏层和输出层。
10.一种多层共挤机头加温控制方法，用于如权利要求5所述的多层共挤机头加温控制系统，其特征在于，包括：
实时采集所述模温机的故障信息，当获取采集结果时关闭与故障模温机所对应主管路上的所述开关阀；
实时采集所述联通空间内的介质压力，且将压力采集结果以及存储的主管路流通截面面积、介质出口截面面积、介质初始设定流速和温度、联通空间容积输入所述多层感知器，而输出流量阀的调节控制策略；
在所述流量阀的调节控制过程中，根据调节控制结果以及压力采集结果对所述泄压阀进行控制。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310879284.5A CN116749487B (zh) | 2023-07-17 | 2023-07-17 | 一种多层共挤机头加温控制管路、系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310879284.5A CN116749487B (zh) | 2023-07-17 | 2023-07-17 | 一种多层共挤机头加温控制管路、系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116749487A true CN116749487A (zh) | 2023-09-15 |
| CN116749487B CN116749487B (zh) | 2024-01-19 |
Family
ID=87953306
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310879284.5A Active CN116749487B (zh) | 2023-07-17 | 2023-07-17 | 一种多层共挤机头加温控制管路、系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116749487B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH05264072A (ja) * | 1992-03-17 | 1993-10-12 | Osaka Gas Co Ltd | 暖房または冷房のための装置 |
| CN203228385U (zh) * | 2013-05-16 | 2013-10-09 | 川田机械制造(上海)有限公司 | 水循环模温机 |
| CN203726785U (zh) * | 2014-03-03 | 2014-07-23 | 江门市携成机械有限公司 | 一种高效模温机 |
| CN107081894A (zh) * | 2017-05-05 | 2017-08-22 | 江苏亨通高压海缆有限公司 | 一种交联工序稳定加热系统及控制方法 |
| CN112529166A (zh) * | 2020-12-25 | 2021-03-19 | 中国科学院西安光学精密机械研究所 | 融合神经元模型、神经网络结构及训练、推理方法、存储介质和设备 |
| CN213564211U (zh) * | 2020-10-16 | 2021-06-29 | 广州远控智能科技有限公司 | 一种电加热模温机控制器及模温机 |
| CN113064220A (zh) * | 2021-06-03 | 2021-07-02 | 四川九通智路科技有限公司 | 基于非线性自回归神经网络的能见度测量系统及测量方法 |
| CN213593559U (zh) * | 2020-09-09 | 2021-07-02 | 深圳市奥德机械有限公司 | 模温机 |
| CN114368130A (zh) * | 2021-12-15 | 2022-04-19 | 中天科技海缆股份有限公司 | 电缆交联生产线模温机系统及其控制方法 |
| CN115366281A (zh) * | 2022-08-22 | 2022-11-22 | 青岛科技大学 | 基于机器学习的模温机温度控制方法、装置及可存储介质 |
| CN115933360A (zh) * | 2022-09-05 | 2023-04-07 | 苏州福瑞格精密机械有限公司 | 基于大数据的智能变频模温分路控制系统及方法 |
-
2023
- 2023-07-17 CN CN202310879284.5A patent/CN116749487B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH05264072A (ja) * | 1992-03-17 | 1993-10-12 | Osaka Gas Co Ltd | 暖房または冷房のための装置 |
| CN203228385U (zh) * | 2013-05-16 | 2013-10-09 | 川田机械制造(上海)有限公司 | 水循环模温机 |
| CN203726785U (zh) * | 2014-03-03 | 2014-07-23 | 江门市携成机械有限公司 | 一种高效模温机 |
| CN107081894A (zh) * | 2017-05-05 | 2017-08-22 | 江苏亨通高压海缆有限公司 | 一种交联工序稳定加热系统及控制方法 |
| CN213593559U (zh) * | 2020-09-09 | 2021-07-02 | 深圳市奥德机械有限公司 | 模温机 |
| CN213564211U (zh) * | 2020-10-16 | 2021-06-29 | 广州远控智能科技有限公司 | 一种电加热模温机控制器及模温机 |
| CN112529166A (zh) * | 2020-12-25 | 2021-03-19 | 中国科学院西安光学精密机械研究所 | 融合神经元模型、神经网络结构及训练、推理方法、存储介质和设备 |
| CN113064220A (zh) * | 2021-06-03 | 2021-07-02 | 四川九通智路科技有限公司 | 基于非线性自回归神经网络的能见度测量系统及测量方法 |
| CN114368130A (zh) * | 2021-12-15 | 2022-04-19 | 中天科技海缆股份有限公司 | 电缆交联生产线模温机系统及其控制方法 |
| CN115366281A (zh) * | 2022-08-22 | 2022-11-22 | 青岛科技大学 | 基于机器学习的模温机温度控制方法、装置及可存储介质 |
| CN115933360A (zh) * | 2022-09-05 | 2023-04-07 | 苏州福瑞格精密机械有限公司 | 基于大数据的智能变频模温分路控制系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116749487B (zh) | 2024-01-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11423200B2 (en) | Pump machine unit optimized operation regulation system and method based on digital twin | |
| CN111474965B (zh) | 基于模糊神经网络的串联输水渠道水位预测与控制方法 | |
| Jang et al. | Neuro-fuzzy modeling and control | |
| de Jesus Rubio | SOFMLS: online self-organizing fuzzy modified least-squares network | |
| CN110689171A (zh) | 一种基于e-lstm的汽轮机健康状态预测方法 | |
| CN109242147A (zh) | 基于Bp神经网络的信号融合风机状态预测方法 | |
| CN112329172A (zh) | 基于并联式神经网络的盾构机刀盘扭矩预测方法及系统 | |
| CN116749487B (zh) | 一种多层共挤机头加温控制管路、系统及方法 | |
| CN116842856B (zh) | 一种基于深度强化学习的工业过程优化方法 | |
| Singh et al. | Neuro-fuzzy technology for computerized automation | |
| Caihong et al. | A study on quality prediction for smart manufacturing based on the optimized BP-AdaBoost model | |
| Netisopakul et al. | AI-enhanced predictive maintenance in manufacturing processes | |
| CN115409217B (zh) | 一种基于多专家混合网络的多任务预测性维护方法 | |
| Korbicz et al. | Confidence estimation of GMDH neural networks and its application in fault detection systems | |
| CN116343360A (zh) | 一种基于数据驱动的冷轧带钢纵向厚度连续预测方法 | |
| Xu et al. | Short-term gas load forecast based on tcn-bigru | |
| Mun et al. | Design and analysis of optimal recipe prediction model based on deep learning for advanced composite material injection molding | |
| Branco et al. | The application of fuzzy logic in automatic modelling of electromechanical systems | |
| Yuan et al. | On the integration of neural networks: And fuzzy logic systems | |
| CN115013863A (zh) | 基于数字孪生模型的喷射泵供热系统自主优化调控方法 | |
| Phatwong et al. | Kappa number prediction of pulp digester using LSTM neural network | |
| Vu et al. | Artificial Neural Network-Based Milk Pasteurization Quality Prediction System | |
| Bystrov et al. | Practice. Neuro-Fuzzy Logic Systems Matlab Toolbox Gui | |
| Foley et al. | The application of fuzzy logic in determining linguistic rules and associative membership functions for the control of a manufacturing process | |
| Tsaikin | Error splitting method for training a built-in neural network storage element with SR-latch functionality |
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 | ||
| CP03 | Change of name, title or address |
Address after: No. 9 Yuanjiang Road, Lusigang Economic Development Zone, Qidong City, Nantong City, Jiangsu Province, China, 214205 Patentee after: Yusheng Electric Co.,Ltd. Country or region after: China Patentee after: Yusheng Electric (Qidong) Co.,Ltd. Address before: 214205 No.101 hengtongdao, Xinjie street, Yixing City, Wuxi City, Jiangsu Province Patentee before: Yusheng Electric Co.,Ltd. Country or region before: China Patentee before: Yusheng Electric (Qidong) Co.,Ltd. |
|
| CP03 | Change of name, title or address |