CN117475245B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN117475245B CN117475245B CN202311826252.5A CN202311826252A CN117475245B CN 117475245 B CN117475245 B CN 117475245B CN 202311826252 A CN202311826252 A CN 202311826252A CN 117475245 B CN117475245 B CN 117475245B
- Authority
- CN
- China
- Prior art keywords
- product
- data
- time
- color
- temperature
- 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.)
- Active
Links
- 239000003063 flame retardant Substances 0.000 title claims abstract description 69
- RNFJDJUURJAICM-UHFFFAOYSA-N 2,2,4,4,6,6-hexaphenoxy-1,3,5-triaza-2$l^{5},4$l^{5},6$l^{5}-triphosphacyclohexa-1,3,5-triene Chemical compound N=1P(OC=2C=CC=CC=2)(OC=2C=CC=CC=2)=NP(OC=2C=CC=CC=2)(OC=2C=CC=CC=2)=NP=1(OC=1C=CC=CC=1)OC1=CC=CC=C1 RNFJDJUURJAICM-UHFFFAOYSA-N 0.000 title claims abstract description 51
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 46
- 229920000098 polyolefin Polymers 0.000 title claims abstract description 25
- 239000011810 insulating material Substances 0.000 title claims abstract description 10
- 239000000047 product Substances 0.000 claims abstract description 88
- 238000006243 chemical reaction Methods 0.000 claims abstract description 49
- 238000012544 monitoring process Methods 0.000 claims abstract description 43
- 239000002994 raw material Substances 0.000 claims abstract description 26
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 239000012467 final product Substances 0.000 claims abstract description 10
- 238000006116 polymerization reaction Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 19
- 230000002159 abnormal effect Effects 0.000 claims description 17
- 238000009826 distribution Methods 0.000 claims description 15
- 239000012535 impurity Substances 0.000 claims description 13
- 230000001276 controlling effect Effects 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 239000012774 insulation material Substances 0.000 claims description 7
- 238000002156 mixing Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 230000001105 regulatory effect Effects 0.000 claims description 5
- 208000025174 PANDAS Diseases 0.000 claims description 3
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 claims description 3
- 235000016496 Panda oleosa Nutrition 0.000 claims description 3
- 238000001816 cooling Methods 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000010438 heat treatment Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 240000000220 Panda oleosa Species 0.000 claims 1
- 238000009413 insulation Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 3
- 240000004718 Panda Species 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011031 large-scale manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06V10/30—Noise filtering
-
- 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
- G06V10/54—Extraction of image or video features relating to texture
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明涉及一种用于制备阻燃聚烯烃绝缘料的智能化生产方法,包括以下步骤:步骤S1:对原材料的投入量进行监测,并结合PID控制算法和MPC对原料投入比例进行控制;步骤S2:在反应釜进行聚烯烃的聚合反应,根据温度传感器和压力传感器获取实时的温度和压力监测数据,并基于LSTM预测模型预测数据控制反应釜的温度和压力,确保反应条件的稳定;步骤S3:根据配方要求和生产过程中的实时参数,控制阻燃剂的加入量,实时监测,根据监测结果,对阻燃剂的加入量进行调整;步骤S4:基于图像识别算法对成品进行质量检测;步骤S5:将生产过程的数据及质量检测结果生成产品报告,得到最终的产品数据及其相应的产品报告。本发明有效提高阻燃聚烯烃绝缘料生产效率及质量。
Description
技术领域
本发明涉及智能化制造领域,尤其涉及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。
背景技术
低烟无卤阻燃聚烯烃绝缘料生产需要依赖先进的生产设备和自动化控制系统,包括搅拌设备、挤出机、混合设备等。这些设备需要具备高精度、高效率、可靠性强的特点,以适应大规模生产的需求,也需要实现对生产过程的实时监测、数据采集和智能化控制,这包括对原材料投入、生产工艺参数、产品质量等方面进行智能化监控和调整,以实现生产的自动化、智能化。
发明内容
为了解决上述问题,本发明的目的在于提供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。
为实现上述目的,本发明采用以下技术方案:
一种用于制备阻燃聚烯烃绝缘料的智能化生产方法,包括以下步骤:
步骤S1:在输送设备上设置重量传感器及流量传感器,对原材料的投入量进行监测,并结合PID控制算法和MPC对原料投入比例进行控制;
步骤S2:在反应釜中设有温度传感器和压力传感器,在反应釜进行聚烯烃的聚合反应,根据温度传感器和压力传感器获取实时的温度和压力监测数据,并基于LSTM预测模型预测数据控制反应釜的温度和压力,确保反应条件的稳定;
步骤S3:根据配方要求和生产过程中的实时参数,控制阻燃剂的加入量,并设置监测仪表,实时监测阻燃剂的加入量和混合均匀度,根据监测结果,对阻燃剂的加入量进行调整;
步骤S4:基于图像识别算法对成品进行质量检测,包括检测产品表面的均匀性、颜色、杂质;
步骤S5:将生产过程的数据及质量检测结果生成产品报告,得到最终的产品数据及其相应的产品报告。
进一步的,所述结合PID控制算法和MPC对原料投入比例进行控制,具体如下:
将PID控制器的输出作为MPC的初始值,然后通过MPC对未来一段时间内的控制输入进行优化;
使用PID控制算法对原料投入比例进行实时调节,PID控制器的输出表示为:
;
其中,u(t)为控制输入,e(t)为误差,Kp、Ki和Kd分别为比例、积分和微分系数,为误差在从0到t时间段的累积值,/>为误差变化率;
MPC利用系统的动态模型进行预测,并基于未来一段时间内的预测结果来优化控制输入,MPC的优化问题表示为:
;
其中,表示控制输入序列,/>表示寻找控制输入序列/> 来最小化紧随其后的代价函数,N为预测时域,y(t+1|t)为在时刻t对时刻t+1的预测值,r(t+1)为t+1时刻的参考值,/>表示y(t+1)与r(t+1)之间的误差的加权平方范数;/>表示控制输入u(t)的范数的加权平方;Q和R为权重矩阵。
进一步的,所述步骤S2具体为:
步骤S21:获取历史温度和压力数据,并预处理,然后组织成多变量时间序列的形式,得到据温度和压力时间序列数据;
步骤S22:根据温度和压力时间序列数据对LSTM模型进行训练,以学习温度和压力数据的模式和趋势;
步骤S23:根据已训练好的LSTM预测模型,输入实时温度和压力数据,进行未来一段时间内的温度和压力预测;
步骤S24:将预测的温度和压力变化数据导出为CSV文件或其他格式,并传输至控制算法使用,调节反应釜的加热、冷却和压力控制系统,以实现对反应条件的调节。
进一步的,所述预处理包括去除重复数据、处理缺失值和异常值,具体如下:
使用pandas库中的drop_duplicates()方法去除重复数据;对于缺失值,使用插值法进行填充; 对于异常值,使用±3倍标准差法进行识别和处理均值。
进一步的,所述时间序列数据集X,其中包含温度和压力的时间序列数据,在LSTM预测模型中,使用过去N个时间点的温度和压力数据来预测未来1个时间点的温度和压力数据,使用滑动窗口方法构建输入特征序列和对应的输出标签,具体如下:
设X_train是构建好的输入特征序列,其形状为(样本数, 时间步数, 特征数),y_train是对应的输出标签,其形状为(样本数, 特征数)
;
;
其中,表示第i个样本,/>表示第i个样本的过去3个时间点的温度和压力数据,/>表示第i个样本的输出标签,即未来一个时间点的温度和压力数据。
进一步的,所述LSTM模型,具体如下;
输入门: i_t = sigma(W_i *[h_{t-1}, x_t] + b_i);
tilde{C}_t = tanh(W_C * [h{t-1}, x_t] + b_C);
遗忘门:f_t = sigma(W_f *[h_{t-1}, x_t] + b_f) ;
细胞状态更新: C_t = f_t * C_{t-1} + i_t * tilde{C}_t;
输出门:o_t = sigma(W_o * [h_{t-1}, x_t] + b_o);
h_t = o_t * tanh(C_t) ;
其中: i_t 是输入门的输出,用于控制新信息的输入;tilde{C}_t 是新的候选细胞状态,用于更新细胞状态;f_t 是遗忘门的输出,用于控制上一时刻细胞状态的遗忘; C_t 是当前时刻的细胞状态,用于存储和传递信息; o_t 是输出门的输出,用于控制细胞状态的输出;h_t 是当前时刻的输出,也是LSTM的输出; W_i, W_f, W_C, W_o 是权重矩阵,b_i, b_f, b_C, b_o 是偏置向量, h_{t-1} 是上一时刻的输出, x_t是当前时刻的输入;sigma 是Sigmoid函数,用于将数值映射到0到1之间,tanh是双曲正切函数,用于将数值映射到-1到1之间。
进一步的,所述步骤S3具体为:
使用流量计实时监测阻燃剂的加入量,确保按照配方要求进行控制;
将流量计与控制单元连接,根据配方要求设定阻燃剂的加入量,控制单元自动调节阻燃剂的加入量;
根据流量计实时监测阻燃剂的加入量,并将数据传输给监控单元;
控制单元根据监测结果,对阻燃剂的加入量进行调整,确保混合物达到配方要求的均匀度和性能指标;
并在监控单元中设置阈值,当阻燃剂的加入量超出预设范围时,发出警报并记录异常数据。
进一步的,所述步骤S4具体为:
对采集到的产品表面图像进行预处理,包括去噪、图像增强、尺寸标准化,并使用图像处理算法,边缘检测、纹理分析,对产品表面图像进行处理,检测产品表面的均匀性;
使用颜色空间转换、颜色分布统计方法,识别产品表面的颜色,并与标准颜色进行比对,判断产品颜色是否符合要求;
将RGB颜色空间转换为HSV颜色空间进行颜色分析,RGB到HSV的转换公式如下:
Max = max(R, G, B);
Min = min(R, G, B);
V = Max;
S = (Max - Min) / Max;
;
对产品表面采集到的图像进行颜色空间转换,得到每个像素点的HSV值;
统计所有像素点的HSV值,生成颜色直方图或颜色密度分布图,表示产品表面的颜色分布情况;
设定标准颜色的HSV值范围,对产品表面颜色的直方图或颜色密度分布图进行分析,计算产品表面颜色的平均色相、饱和度和明度,将产品表面颜色的平均色相、饱和度和明度与标准颜色进行比对,判断产品颜色是否符合要求;
基于图像处理算法,对产品表面的图像进行分析,识别和检测异常纹理特征的区域;
根据图像识别算法的结果,对产品的均匀性、颜色和杂质进行判定,判断产品是否符合质量标准,并生成产品报告。
进一步的,所述基于图像处理算法,对产品表面的图像进行分析,识别和检测异常纹理特征的区域,具体如下:
将产品表面的彩色图像转换为灰度图像,通过预设的阈值,将图像分割成背景和前景两部分,并使用膨胀、腐蚀的形态学操作来去除图像中的噪声,以及连接和填充杂质区域;
计算GLCM的特征来描述图像的纹理特征;
使用纹理特征提取算法,来提取图像的纹理特征;
根据GLCM的特征,结合阈值分割方法,检测出具有异常纹理特征的区域;
;
其中,C表示GLCM的对比度特征,p(i,j)表示GLCM中像素值为i和j的联合概率分布,N表示像素灰度级数。
一种用于制备阻燃聚烯烃绝缘料的智能化生产系统,包括传感器单元、控制单元、图像识别单元、监控单元和数据库;所述传感器单元包括在输送设备上设置的重量传感器及流量传感器、在反应釜中设置的温度传感器和压力传感器和设置于阻燃剂加入口的流量计;所述控制单元包括原料投入控制模块、反应釜控制模块和阻燃剂加入控制模块;
所述在输送设备上设置重量传感器及流量传感器,对原材料的投入量进行监测,并结合PID控制算法和MPC对原料投入比例进行控制;
在反应釜中设有温度传感器和压力传感器,在反应釜进行聚烯烃的聚合反应,根据温度传感器和压力传感器获取实时的温度和压力监测数据,并基于LSTM预测模型预测数据控制反应釜的温度和压力,确保反应条件的稳定;
阻燃剂加入控制模块根据配方要求和生产过程中的实时参数,控制阻燃剂的加入量,并设置监测仪表,实时监测阻燃剂的加入量和混合均匀度,根据监测结果,对阻燃剂的加入量进行调整,若当阻燃剂的加入量超出预设范围时,监控单元发出警报并记录异常数据;
图像识别单元基于图像识别算法对成品进行质量检测,包括检测产品表面的均匀性、颜色、杂质;
将生产过程的数据及质量检测结果生成产品报告,得到最终的产品数据及其相应的产品报告存储于数据库。
本发明具有如下有益效果:
1、本发明实现对原材料的准确投入和配比,同时精确控制阻燃剂的加入量,确保生产过程中的原料配方要求得到满足,并通过预测模型与控制器结合,通过实时监测、预测和调节,实现对反应条件的精确控制,有效提高产品的生产效率和质量;
2、本发明基于图像识别算法的产品质量检测可以实现对产品表面均匀性、颜色和杂质的自动化检测和判定,提高了产品质量检测的效率和准确性,并生成产品的生产报告,实现产品的全周期管理。
附图说明
图1为本发明方法流程图。
具体实施方式
以下结合附图和具体实施例对本发明做进一步详细说明:
参考图1,在本发明中,提供一种用于制备阻燃聚烯烃绝缘料的智能化生产方法,包括以下步骤:
步骤S1:在输送设备上设置重量传感器及流量传感器,对原材料的投入量进行监测,并结合PID控制算法和MPC对原料投入比例进行控制;
步骤S2:在反应釜中设有温度传感器和压力传感器,在反应釜进行聚烯烃的聚合反应,根据温度传感器和压力传感器获取实时的温度和压力监测数据,并基于LSTM预测模型预测数据控制反应釜的温度和压力,确保反应条件的稳定;
步骤S3:根据配方要求和生产过程中的实时参数,控制阻燃剂的加入量,并设置监测仪表,实时监测阻燃剂的加入量和混合均匀度,根据监测结果,对阻燃剂的加入量进行调整;
步骤S4:基于图像识别算法对成品进行质量检测,包括检测产品表面的均匀性、颜色、杂质;
步骤S5:将生产过程的数据及质量检测结果生成产品报告,得到最终的产品数据及其相应的产品报告。
在本实施例中,所述结合PID控制算法和MPC对原料投入比例进行控制,具体如下:
将PID控制器的输出作为MPC的初始值,然后通过MPC对未来一段时间内的控制输入进行优化;
使用PID控制算法对原料投入比例进行实时调节,PID控制器的输出表示为:
;
其中,u(t)为控制输入,e(t)为误差,Kp、Ki和Kd分别为比例、积分和微分系数,为误差在从0到t时间段的累积值,/>为误差变化率;
MPC利用系统的动态模型进行预测,并基于未来一段时间内的预测结果来优化控制输入,MPC的优化问题表示为:
;
其中,表示控制输入序列,/>表示寻找控制输入序列/> 来最小化紧随其后的代价函数,N为预测时域,y(t+1|t)为在时刻t对时刻t+1的预测值,r(t+1)为t+1时刻的参考值,/>表示y(t+1)与r(t+1)之间的误差的加权平方范数;/>表示控制输入u(t)的范数的加权平方;Q和R为权重矩阵。
在本实施例中,所述步骤S2具体为:
步骤S21:获取历史温度和压力数据,并预处理,然后组织成多变量时间序列的形式,得到据温度和压力时间序列数据;
步骤S22:根据温度和压力时间序列数据对LSTM模型进行训练,以学习温度和压力数据的模式和趋势;
步骤S23:根据已训练好的LSTM预测模型,输入实时温度和压力数据,进行未来一段时间内的温度和压力预测;
步骤S24:将预测的温度和压力变化数据导出为CSV文件或其他格式,并传输至控制算法使用,调节反应釜的加热、冷却和压力控制系统,以实现对反应条件的调节。
在本实施例中,所述预处理包括去除重复数据、处理缺失值和异常值,具体如下:使用pandas库中的drop_duplicates()方法去除重复数据;对于缺失值,使用插值法进行填充; 对于异常值,使用±3倍标准差法进行识别和处理均值。
在本实施例中,所述时间序列数据集X,其中包含温度和压力的时间序列数据,在LSTM预测模型中,使用过去N个时间点的温度和压力数据来预测未来1个时间点的温度和压力数据,使用滑动窗口方法构建输入特征序列和对应的输出标签,具体如下:
设X_train是构建好的输入特征序列,其形状为(样本数, 时间步数, 特征数),例如(1000, 3, 2)表示有1000个样本,每个样本包含过去3个时间点的温度和压力数据,共2个特征。y_train是对应的输出标签,其形状为(样本数, 特征数),例如(1000, 2)表示有1000个样本,每个样本对应未来1个时间点的温度和压力数据,共2个特征。
;
;
其中,表示第i个样本,/>表示第i个样本的过去3个时间点的温度和压力数据,/>表示第i个样本的输出标签,即未来一个时间点的温度和压力数据。
在本实施例中,所述LSTM模型,具体如下;
输入门: i_t = sigma(W_i *[h_{t-1}, x_t] + b_i);
tilde{C}_t = tanh(W_C * [h{t-1}, x_t] + b_C);
遗忘门:f_t = sigma(W_f *[h_{t-1}, x_t] + b_f) ;
细胞状态更新: C_t = f_t * C_{t-1} + i_t * tilde{C}_t;
输出门:o_t = sigma(W_o * [h_{t-1}, x_t] + b_o) ;
h_t = o_t * tanh(C_t) ;
其中: i_t是输入门的输出,用于控制新信息的输入; tilde{C}_t 是新的候选细胞状态,用于更新细胞状态;f_t 是遗忘门的输出,用于控制上一时刻细胞状态的遗忘; C_t 是当前时刻的细胞状态,用于存储和传递信息; o_t 是输出门的输出,用于控制细胞状态的输出;h_t 是当前时刻的输出,也是LSTM的输出; W_i, W_f, W_C, W_o 是权重矩阵,b_i, b_f, b_C, b_o 是偏置向量, h_{t-1} 是上一时刻的输出, x_t是当前时刻的输入;sigma 是Sigmoid函数,用于将数值映射到0到1之间,tanh是双曲正切函数,用于将数值映射到-1到1之间。
在本实施例中,所述步骤S3具体为:
使用流量计实时监测阻燃剂的加入量,确保按照配方要求进行控制;
将流量计与控制单元连接,根据配方要求设定阻燃剂的加入量,控制单元自动调节阻燃剂的加入量;
根据流量计实时监测阻燃剂的加入量,并将数据传输给监控单元;
控制单元根据监测结果,对阻燃剂的加入量进行调整,确保混合物达到配方要求的均匀度和性能指标;
并在监控单元中设置阈值,当阻燃剂的加入量超出预设范围时,发出警报并记录异常数据。
在本实施例中,所述步骤S4具体为:
对采集到的产品表面图像进行预处理,包括去噪、图像增强、尺寸标准化,并使用图像处理算法,边缘检测、纹理分析,对产品表面图像进行处理,检测产品表面的均匀性;
使用颜色空间转换、颜色分布统计方法,识别产品表面的颜色,并与标准颜色进行比对,判断产品颜色是否符合要求;
将RGB颜色空间转换为HSV(色相、饱和度、明度)颜色空间进行颜色分析,RGB到HSV的转换公式如下:
Max = max(R, G, B);
Min = min(R, G, B);
V = Max;
S = (Max - Min) / Max;
对产品表面采集到的图像进行颜色空间转换,得到每个像素点的HSV值;
统计所有像素点的HSV值,生成颜色直方图或颜色密度分布图,表示产品表面的颜色分布情况;
设定标准颜色的HSV值范围,对产品表面颜色的直方图或颜色密度分布图进行分析,计算产品表面颜色的平均色相、饱和度和明度,将产品表面颜色的平均色相、饱和度和明度与标准颜色进行比对,判断产品颜色是否符合要求;
基于图像处理算法,对产品表面的图像进行分析,识别和检测异常纹理特征的区域;
根据图像识别算法的结果,对产品的均匀性、颜色和杂质进行判定,判断产品是否符合质量标准,并生成产品报告。
在本实施例中,所述基于图像处理算法,对产品表面的图像进行分析,识别和检测异常纹理特征的区域,具体如下:
将产品表面的彩色图像转换为灰度图像,通过预设的阈值,将图像分割成背景和前景两部分,并使用膨胀、腐蚀的形态学操作来去除图像中的噪声,以及连接和填充杂质区域;
计算GLCM的特征来描述图像的纹理特征;
使用纹理特征提取算法,如局部二值模式(LBP)、方向梯度直方图(HOG)等来提取图像的纹理特征;
根据GLCM的特征,结合阈值分割方法,检测出具有异常纹理特征的区域;
;
其中,C表示GLCM的对比度特征,p(i,j)表示GLCM中像素值为i和j的联合概率分布,N表示像素灰度级数。
在本实施例中,还提供一种用于制备阻燃聚烯烃绝缘料的智能化生产系统,包括传感器单元、控制单元、图像识别单元、监控单元和数据库;所述传感器单元包括在输送设备上设置的重量传感器及流量传感器、在反应釜中设置的温度传感器和压力传感器和设置于阻燃剂加入口的流量计;所述控制单元包括原料投入控制模块、反应釜控制模块和阻燃剂加入控制模块;
所述在输送设备上设置重量传感器及流量传感器,对原材料的投入量进行监测,并结合PID控制算法和MPC对原料投入比例进行控制;
在反应釜中设有温度传感器和压力传感器,在反应釜进行聚烯烃的聚合反应,根据温度传感器和压力传感器获取实时的温度和压力监测数据,并基于LSTM预测模型预测数据控制反应釜的温度和压力,确保反应条件的稳定;
阻燃剂加入控制模块根据配方要求和生产过程中的实时参数,控制阻燃剂的加入量,并设置监测仪表,实时监测阻燃剂的加入量和混合均匀度,根据监测结果,对阻燃剂的加入量进行调整,若当阻燃剂的加入量超出预设范围时,监控单元发出警报并记录异常数据;
图像识别单元基于图像识别算法对成品进行质量检测,包括检测产品表面的均匀性、颜色、杂质;
将生产过程的数据及质量检测结果生成产品报告,得到最终的产品数据及其相应的产品报告存储于数据库。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作其它形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (7)
1.一种用于制备阻燃聚烯烃绝缘料的智能化生产方法,其特征在于,包括以下步骤:
步骤S1:在输送设备上设置重量传感器及流量传感器,对原材料的投入量进行监测,并结合PID控制算法和MPC对原料投入比例进行控制;
步骤S2:在反应釜中设有温度传感器和压力传感器,在反应釜进行聚烯烃的聚合反应,根据温度传感器和压力传感器获取实时的温度和压力监测数据,并基于LSTM预测模型预测数据控制反应釜的温度和压力,确保反应条件的稳定;
步骤S3:根据配方要求和生产过程中的实时参数,控制阻燃剂的加入量,并设置监测仪表,实时监测阻燃剂的加入量和混合均匀度,根据监测结果,对阻燃剂的加入量进行调整;
步骤S4:基于图像识别算法对成品进行质量检测,包括检测产品表面的均匀性、颜色、杂质;
步骤S5:将生产过程的数据及质量检测结果生成产品报告,得到最终的产品数据及其相应的产品报告;
所述结合PID控制算法和MPC对原料投入比例进行控制,具体如下:
将PID控制器的输出作为MPC的初始值,然后通过MPC对未来一段时间内的控制输入进行优化;
使用PID控制算法对原料投入比例进行实时调节,PID控制器的输出表示为:
;
其中,u(t)为控制输入,e(t)为误差,Kp、Ki和Kd分别为比例、积分和微分系数,为误差在从0到t时间段的累积值,/>为误差变化率;
MPC利用系统的动态模型进行预测,并基于未来一段时间内的预测结果来优化控制输入,MPC的优化问题表示为:
;
其中,表示控制输入序列,/>表示寻找控制输入序列 来最小化紧随其后的代价函数,N为预测时域,y(t+1|t)为在时刻t对时刻t+1的预测值,r(t+1)为t+1时刻的参考值,/>表示y(t+1)与r(t+1)之间的误差的加权平方范数;/>表示控制输入u(t)的范数的加权平方;Q和R为权重矩阵;
所述步骤S4具体为:
对采集到的产品表面图像进行预处理,包括去噪、图像增强、尺寸标准化,并使用图像处理算法,边缘检测、纹理分析,对产品表面图像进行处理,检测产品表面的均匀性;
使用颜色空间转换、颜色分布统计方法,识别产品表面的颜色,并与标准颜色进行比对,判断产品颜色是否符合要求;
将RGB颜色空间转换为HSV颜色空间进行颜色分析,RGB到HSV的转换公式如下:
Max = max(R, G, B);
Min = min(R, G, B);
V = Max;
S = (Max - Min) / Max;
;
对产品表面采集到的图像进行颜色空间转换,得到每个像素点的HSV值;
统计所有像素点的HSV值,生成颜色直方图或颜色密度分布图,表示产品表面的颜色分布情况;
设定标准颜色的HSV值范围,对产品表面颜色的直方图或颜色密度分布图进行分析,计算产品表面颜色的平均色相、饱和度和明度,将产品表面颜色的平均色相、饱和度和明度与标准颜色进行比对,判断产品颜色是否符合要求;
基于图像处理算法,对产品表面的图像进行分析,识别和检测异常纹理特征的区域;
根据图像识别算法的结果,对产品的均匀性、颜色和杂质进行判定,判断产品是否符合质量标准,并生成产品报告;
所述基于图像处理算法,对产品表面的图像进行分析,识别和检测异常纹理特征的区域,具体如下:
将产品表面的彩色图像转换为灰度图像,通过预设的阈值,将图像分割成背景和前景两部分,并使用膨胀、腐蚀的形态学操作来去除图像中的噪声,以及连接和填充杂质区域;
计算GLCM的特征来描述图像的纹理特征;
使用纹理特征提取算法,来提取图像的纹理特征;
根据GLCM的特征,结合阈值分割方法,检测出具有异常纹理特征的区域;
;
其中,C表示GLCM的对比度特征,p(i,j)表示GLCM中像素值为i和j的联合概率分布,表示像素灰度级数。
2.根据权利要求1所述的一种用于制备阻燃聚烯烃绝缘料的智能化生产方法,其特征在于:所述步骤S2具体为:
步骤S21:获取历史温度和压力数据,并预处理,然后组织成多变量时间序列的形式,得到据温度和压力时间序列数据;
步骤S22:根据温度和压力时间序列数据对LSTM模型进行训练,以学习温度和压力数据的模式和趋势;
步骤S23:根据已训练好的LSTM预测模型,输入实时温度和压力数据,进行未来一段时间内的温度和压力预测;
步骤S24:将预测的温度和压力变化数据导出为CSV文件,并传输至控制算法使用,调节反应釜的加热、冷却和压力控制系统,以实现对反应条件的调节。
3.根据权利要求2所述的一种用于制备阻燃聚烯烃绝缘料的智能化生产方法,其特征在于:所述预处理包括去除重复数据、处理缺失值和异常值,具体如下:
使用pandas库中的drop_duplicates()方法去除重复数据;对于缺失值,使用插值法进行填充; 对于异常值,使用±3倍标准差法进行识别和处理均值。
4.根据权利要求2所述的一种用于制备阻燃聚烯烃绝缘料的智能化生产方法,其特征在于:所述时间序列数据集X,其中包含温度和压力的时间序列数据,在LSTM预测模型中,使用过去N个时间点的温度和压力数据来预测未来1个时间点的温度和压力数据,使用滑动窗口方法构建输入特征序列和对应的输出标签,具体如下:
设X_train是构建好的输入特征序列,其形状为(样本数, 时间步数, 特征数),y_train是对应的输出标签,其形状为(样本数, 特征数):
;
;
其中,表示第i个样本,/>表示第i个样本的过去3个时间点的温度和压力数据,/>表示第i个样本的输出标签,即未来一个时间点的温度和压力数据。
5.根据权利要求2所述的一种用于制备阻燃聚烯烃绝缘料的智能化生产方法,其特征在于:所述LSTM模型,具体如下;
输入门: i_t = sigma(W_i *[h_{t-1}, x_t] + b_i);
tilde{C}_t = tanh(W_C * [h{t-1}, x_t] + b_C);
遗忘门:f_t = sigma(W_f *[h_{t-1}, x_t] + b_f) ;
细胞状态更新: C_t = f_t * C_{t-1} + i_t * tilde{C}_t;
输出门:o_t = sigma(W_o * [h_{t-1}, x_t] + b_o) ;
h_t = o_t * tanh(C_t) ;
其中: i_t 是输入门的输出,用于控制新信息的输入; tilde{C}_t 是新的候选细胞状态,用于更新细胞状态;f_t 是遗忘门的输出,用于控制上一时刻细胞状态的遗忘; C_t是当前时刻的细胞状态,用于存储和传递信息; o_t 是输出门的输出,用于控制细胞状态的输出;h_t 是当前时刻的输出,也是LSTM的输出; W_i, W_f, W_C, W_o 是权重矩阵, b_i, b_f, b_C, b_o 是偏置向量, h_{t-1} 是上一时刻的输出, x_t是当前时刻的输入;sigma 是Sigmoid函数,用于将数值映射到0到1之间,tanh是双曲正切函数,用于将数值映射到-1到1之间。
6.根据权利要求1所述的一种用于制备阻燃聚烯烃绝缘料的智能化生产方法,其特征在于:所述步骤S3具体为:
使用流量计实时监测阻燃剂的加入量,确保按照配方要求进行控制;
将流量计与控制单元连接,根据配方要求设定阻燃剂的加入量,控制单元自动调节阻燃剂的加入量;
根据流量计实时监测阻燃剂的加入量,并将数据传输给监控单元;
控制单元根据监测结果,对阻燃剂的加入量进行调整,确保混合物达到配方要求的均匀度和性能指标;
并在监控单元中设置阈值,当阻燃剂的加入量超出预设范围时,发出警报并记录异常数据。
7.一种用于实现权利要求1-6任一所述的一种用于制备阻燃聚烯烃绝缘料的智能化生产方法的系统,其特征在于,包括传感器单元、控制单元、图像识别单元、监控单元和数据库;所述传感器单元包括在输送设备上设置的重量传感器及流量传感器、在反应釜中设置的温度传感器和压力传感器和设置于阻燃剂加入口的流量计;所述控制单元包括原料投入控制模块、反应釜控制模块和阻燃剂加入控制模块;
所述在输送设备上设置重量传感器及流量传感器,对原材料的投入量进行监测,并结合PID控制算法和MPC对原料投入比例进行控制;
在反应釜中设有温度传感器和压力传感器,在反应釜进行聚烯烃的聚合反应,根据温度传感器和压力传感器获取实时的温度和压力监测数据,并基于LSTM预测模型预测数据控制反应釜的温度和压力,确保反应条件的稳定;
阻燃剂加入控制模块根据配方要求和生产过程中的实时参数,控制阻燃剂的加入量,并设置监测仪表,实时监测阻燃剂的加入量和混合均匀度,根据监测结果,对阻燃剂的加入量进行调整,若当阻燃剂的加入量超出预设范围时,监控单元发出警报并记录异常数据;
图像识别单元基于图像识别算法对成品进行质量检测,包括检测产品表面的均匀性、颜色、杂质;
将生产过程的数据及质量检测结果生成产品报告,得到最终的产品数据及其相应的产品报告存储于数据库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311826252.5A CN117475245B (zh) | 2023-12-28 | 2023-12-28 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311826252.5A CN117475245B (zh) | 2023-12-28 | 2023-12-28 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117475245A CN117475245A (zh) | 2024-01-30 |
CN117475245B true CN117475245B (zh) | 2024-05-07 |
Family
ID=89629707
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311826252.5A Active CN117475245B (zh) | 2023-12-28 | 2023-12-28 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117475245B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104028189A (zh) * | 2013-03-08 | 2014-09-10 | 上海天坛助剂有限公司 | 一种复酚聚氧乙烯醚磺化物的自动化生产系统及其自动化控制方法 |
WO2018065661A1 (en) * | 2016-10-07 | 2018-04-12 | Aalto University Foundation Sr | Control and monitoring concept for mineral calcination |
CN109811326A (zh) * | 2019-01-17 | 2019-05-28 | 上海大学 | 利用hipims方法结合镀膜智能监控加气系统制备化合物薄膜材料的方法 |
CN115903698A (zh) * | 2022-11-14 | 2023-04-04 | 四川泸天化创新研究院有限公司 | 酯交换法合成碳酸二苯酯装置的先进控制系统和控制方法 |
CN116841262A (zh) * | 2023-06-27 | 2023-10-03 | 北京红山信息科技研究院有限公司 | 基于机器视觉的智慧工厂生产在线监测分析系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021076760A1 (en) * | 2019-10-18 | 2021-04-22 | Aspen Technology, Inc. | System and methods for automated model development from plant historical data for advanced process control |
-
2023
- 2023-12-28 CN CN202311826252.5A patent/CN117475245B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104028189A (zh) * | 2013-03-08 | 2014-09-10 | 上海天坛助剂有限公司 | 一种复酚聚氧乙烯醚磺化物的自动化生产系统及其自动化控制方法 |
WO2018065661A1 (en) * | 2016-10-07 | 2018-04-12 | Aalto University Foundation Sr | Control and monitoring concept for mineral calcination |
CN109811326A (zh) * | 2019-01-17 | 2019-05-28 | 上海大学 | 利用hipims方法结合镀膜智能监控加气系统制备化合物薄膜材料的方法 |
CN115903698A (zh) * | 2022-11-14 | 2023-04-04 | 四川泸天化创新研究院有限公司 | 酯交换法合成碳酸二苯酯装置的先进控制系统和控制方法 |
CN116841262A (zh) * | 2023-06-27 | 2023-10-03 | 北京红山信息科技研究院有限公司 | 基于机器视觉的智慧工厂生产在线监测分析系统 |
Non-Patent Citations (4)
Title |
---|
The Method of Neural Network Control over the Process of Manufacturing Foil Solar Panels;Anatoliy Sachenko et al;《2020 IEEE 2nd International Conference on System Analysis & Intelligent Computing (SAIC)》;20201029;全文 * |
原油集中处理装置缓冲罐液位的先进控制;李国荣 等;《信息系统工程》;20220620(第6期);第68-71页 * |
基于时序特征的稀土元素组分含量动态监测方法研究;陈明明;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》;20220115(第1期);第1-57页 * |
新型溴素生产物料远程自动监控系统;迟善武;;工业仪表与自动化装置;20060615(03);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117475245A (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112527788B (zh) | 变压器监测数据异常值检测与清洗的方法及装置 | |
CN110263846B (zh) | 基于故障数据深度挖掘及学习的故障诊断方法 | |
CN108241901B (zh) | 一种基于预测数据的变压器预警评估方法及装置 | |
CN112783938B (zh) | 一种水文遥测实时数据异常检测方法 | |
CN111813618A (zh) | 数据异常检测方法、装置、设备及存储介质 | |
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 | |
CN111062848A (zh) | 一种消防工程异常状态监测的智能监控方法 | |
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 | |
CN114879628A (zh) | 基于对抗局部最大均值差异的多模态工业过程故障诊断方法 | |
CN117086699B (zh) | 一种不锈钢构件切削加工温度测量方法及系统 | |
CN114403486A (zh) | 基于局部峰值编码循环网络的气流式烘丝机智能控制方法 | |
CN117565284A (zh) | 用于pvc膜加工的自动控制系统及方法 | |
CN116206208B (zh) | 一种基于人工智能的林业病虫害快速分析系统 | |
CN116484275B (zh) | 基于自适应时空图卷积神经网络的铝电解阳极效应监测方法 | |
CN114139643B (zh) | 一种基于机器视觉的单甘酯质量检测方法及系统 | |
CN115935285A (zh) | 基于掩码图神经网络模型的多元时间序列异常检测方法和系统 | |
CN110457906B (zh) | 一种网络安全事件智能告警方法 | |
CN112508320B (zh) | 一种批生产的自动过程阶段划分工作流 | |
CN106127326B (zh) | 一种化工材料加工熔融指数预报方法 | |
CN117160072B (zh) | 多向动态连续提取系统及其方法 | |
CN113094351B (zh) | 一种工业自动化生产过程知识挖掘与迁移方法、智能终端及存储介质 | |
CN116681184B (zh) | 生猪生长指标的预测方法、装置、设备及可读存储介质 | |
CN113487080B (zh) | 一种基于风速分类的风速动态场景生成方法、系统及终端 | |
CN116523845B (zh) | 一种基于电缆隧道的缺陷检测方法和系统 | |
CN115456142A (zh) | 基于对比学习的变化点检测方法 |
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 |