CN117841246A - 一种硫化温度监控方法和系统 - Google Patents
一种硫化温度监控方法和系统 Download PDFInfo
- Publication number
- CN117841246A CN117841246A CN202410168316.5A CN202410168316A CN117841246A CN 117841246 A CN117841246 A CN 117841246A CN 202410168316 A CN202410168316 A CN 202410168316A CN 117841246 A CN117841246 A CN 117841246A
- Authority
- CN
- China
- Prior art keywords
- rubber state
- rubber
- model
- historical
- full convolution
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000004073 vulcanization Methods 0.000 title claims abstract description 25
- 238000012544 monitoring process Methods 0.000 title claims abstract description 21
- 230000008569 process Effects 0.000 claims abstract description 24
- 238000013040 rubber vulcanization Methods 0.000 claims abstract description 20
- 230000001105 regulatory effect Effects 0.000 claims abstract description 9
- 230000007613 environmental effect Effects 0.000 claims abstract description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 230000001276 controlling effect Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 description 14
- 238000012549 training Methods 0.000 description 14
- 239000013598 vector Substances 0.000 description 12
- 230000004913 activation Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 239000004020 conductor Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
Landscapes
- Heating, Cooling, Or Curing Plastics Or The Like In General (AREA)
Abstract
本发明公开提供一种硫化温度监控方法和系统,包括:步骤S1、获取通过硫化机进行橡胶硫化过程中的历史橡胶状态图像;步骤S2、根据历史橡胶状态图像,得到橡胶状态预测模型;步骤S3、将实时的橡胶状态输入到橡胶状态预测模型,得到下一个时刻的橡胶状态;步骤S4、根据下一个时刻的橡胶状态,实时调节橡胶硫化过程的环境温度。采用本发明的技术方案,可以对橡胶硫化过程的温度动态调控。
Description
技术领域
本发明属于温度监控技术领域,尤其涉及一种应用于硫化机的硫化温度监控方法和系统。
背景技术
硫化机对各种橡塑制品进行硫化的设备,硫化温度是影响橡胶硫化过程的主要因素,若温度高10℃,硫化时间将缩短一半。由于橡胶是不良导热体,制品的硫化进程由于其各部位温度的差异而不同,因此,为了保证比较均匀的硫化程度,厚橡胶制品一般采用逐步升温、低温长时间硫化的方法,因此,对于硫化温度监控是目前亟待解决的一个重要问题。
发明内容
本发明要解决的技术问题是,提供一种硫化温度监控方法和系统,可以对橡胶硫化过程的温度动态调控。
为实现上述目的,本发明采用如下的技术方案:
一种硫化温度监控方法,包括:
步骤S1、获取通过硫化机进行橡胶硫化过程中的历史橡胶状态图像;
步骤S2、根据历史橡胶状态图像,得到橡胶状态预测模型;
步骤S3、将实时的橡胶状态输入到橡胶状态预测模型,得到下一个时刻的橡胶状态;
步骤S4、根据下一个时刻的橡胶状态,实时调节橡胶硫化过程的环境温度。
作为优选,步骤S1中还包括对历史橡胶状态图像进行数据预处理,步骤S2中根据预处理后的历史橡胶状态图像得到橡胶状态预测模型。
作为优选,所述橡胶状态预测模型为全卷积条件生成对抗模型;全卷积条件生成对抗模型为:以条件生成对抗网络模型cGAN为基础模型,将神经网络中所有层都替换成卷积层,构成全卷积条件生成对抗模型。
作为优选,全卷积条件生成对抗模型包括:生成器和鉴别器;其中,生成器包含:编码器和解码器,生成器采用U-Net架构,网络的输入设置为256×256×3,编码器学习8×8大小的256个特征图,解码器利用特征图和跳过连接的输入来学习生成256×256×3图像作为输出;鉴别器采用Patch GAN架构;使用四个卷积层,将256×256×6的输入转换为16×16×1的输出,表示鉴别器的平均有效响应,在每个层次中,使用3×3的卷积滤波器。
本发明还提供一种硫化温度监控系统,包括:
获取装置,用于获取通过硫化机进行橡胶硫化过程中的历史橡胶状态图像;
处理装置,用于根据历史橡胶状态图像,得到橡胶状态预测模型;
预测装置,用于将实时的橡胶状态输入到橡胶状态预测模型,得到下一个时刻的橡胶状态;
调控装置,用于根据下一个时刻的橡胶状态,实时调节橡胶硫化过程的环境温度。
作为优选,还包括预处理装置,用于对历史橡胶状态图像进行数据清洗。
作为优选,所述橡胶状态预测模型为全卷积条件生成对抗模型;全卷积条件生成对抗模型为:以条件生成对抗网络模型cGAN为基础模型,将神经网络中所有层都替换成卷积层,构成全卷积条件生成对抗模型。
作为优选,全卷积条件生成对抗模型包括:生成器和鉴别器;其中,生成器包含:编码器和解码器,生成器采用U-Net架构,网络的输入设置为256×256×3,编码器学习8×8大小的256个特征图,解码器利用特征图和跳过连接的输入来学习生成256×256×3图像作为输出;鉴别器采用Patch GAN架构;使用四个卷积层,将256×256×6的输入转换为16×16×1的输出,表示鉴别器的平均有效响应,在每个层次中,使用3×3的卷积滤波器。
本发明获取橡胶硫化过程中的历史橡胶状态图像;根据历史橡胶状态图像,得到橡胶状态预测模型;将实时的橡胶状态输入到橡胶状态预测模型,得到下一个时刻的橡胶状态;根据下一个时刻的橡胶状态,实时调节橡胶硫化过程(部分硫化、半硫化、全部硫化)的环境温度;采用本发明技术方案,可以对橡胶硫化过程的温度动态调控。
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的实施例,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,还可以根据提供的附图获得其他的附图。
图1是本发明实施例硫化温度监控方法的流程示意图;
图2为本发明实施例的硫化温度系统的结构示意图。
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。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1:
如图1所示,本发明实施例提供一种硫化温度监控方法,包括:
步骤S1、获取通过硫化机进行橡胶硫化过程中的历史橡胶状态图像;
步骤S2、根据历史橡胶状态图像,得到橡胶状态预测模型;
步骤S3、将实时的橡胶状态输入到橡胶状态预测模型,得到下一个时刻的橡胶状态;
步骤S4、根据下一个时刻的橡胶状态,实时调节橡胶硫化过程(部分硫化、半硫化、全部硫化)的环境温度。
作为本发明实施例的一种实施方式,步骤S1中还包括对历史橡胶状态图像进行数据预处理,步骤S2中根据预处理后的历史橡胶状态图像得到橡胶状态预测模型。
所述预处理为数据清洗,具体为:
从所述历史橡胶状态图像中筛除乱码数据和越位数据,得到筛选指标数据;
对所述筛选指标数据进行向量化操作,得到筛选指标向量集,为所述筛选指标向量集中的各个筛选指标向量添加时空向量,得到时空向量集;
对所述时空向量集进行特征聚类,得到聚类中心数据集;
根据所述聚类中心数据集对所述筛选指标数据中的各个空值数据进行填充。
作为本发明实施例的一种实施方式,根据历史橡胶状态图像,得到橡胶状态预测模型,具体为:将历史橡胶状态图像训练全卷积条件生成对抗模型,得到橡胶状态预测模型。所述橡胶状态预测模型为全卷积条件生成对抗模型;全卷积条件生成对抗模型为:以条件生成对抗网络模型cGAN为基础模型,将神经网络中所有层都替换成卷积层,构成全卷积条件生成对抗模型。
作为本发明实施例的一种实施方式,全卷积条件生成对抗模型包括:生成器和鉴别器。其中,生成器包含:编码器和解码器,生成器采用U-Net架构,网络的输入设置为256×256×3,编码器学习8×8大小的256个特征图,解码器利用特征图和跳过连接的输入来学习生成256×256×3图像作为输出;网络是全卷积的,没有使用全连接层,此外,每个层次都采用4×4的滤波器的2D卷积,并接入Leaky-ReLU非线性激活函数和批归一化BN,同时,每个编码器的输出与对应的解码器相连。鉴别器采用Patch GAN架构;使用四个卷积层,将256×256×6的输入转换为16×16×1的输出,表示鉴别器的平均有效响应,在每个层次中,使用3×3的卷积滤波器;然后采用与生成器相同的方式应用非线性激活和批归一化。
将历史橡胶状态图像训练全卷积条件生成对抗模型过程为:训练过程:对预处理后的数据,按照8:2的比例划分模型训练集与模型测试集,然后以训练样本对全卷积条件生成对抗模型进行训练;对全卷积条件生成对抗模型相关参数进行调试,并根据模型评价指标对训练后的全卷积条件生成对抗模型进行优劣进行评判,直到得到最优的全卷积条件生成对抗模型。
本发明进一步可采用可决系数R2和均方误差MSE(mean squared error)对模型的训练和测试结果进行评价,得到最优的全卷积条件生成对抗模型。
实施例2
如图2所示,本发明实施例还提供一种硫化温度监控系统,包括:
获取装置,用于获取通过硫化机进行橡胶硫化过程中的历史橡胶状态图像;
处理装置,用于根据历史橡胶状态图像,得到橡胶状态预测模型;
预测装置,用于将实时的橡胶状态输入到橡胶状态预测模型,得到下一个时刻的橡胶状态;
调控装置,用于根据下一个时刻的橡胶状态,实时调节橡胶硫化过程的环境温度。
作为本发明实施例的一种实施方式,还包括预处理装置,用于对历史橡胶状态图像进行数据清洗。
进一步,数据清洗具体为:
从所述历史橡胶状态图像中筛除乱码数据和越位数据,得到筛选指标数据;
对所述筛选指标数据进行向量化操作,得到筛选指标向量集,为所述筛选指标向量集中的各个筛选指标向量添加时空向量,得到时空向量集;
对所述时空向量集进行特征聚类,得到聚类中心数据集;
根据所述聚类中心数据集对所述筛选指标数据中的各个空值数据进行填充。
作为本发明实施例的一种实施方式,处理装置用于根据历史橡胶状态图像得到橡胶状态预测模型,具体为:将历史橡胶状态图像训练全卷积条件生成对抗模型,得到橡胶状态预测模型。所述橡胶状态预测模型为全卷积条件生成对抗模型;全卷积条件生成对抗模型为:以条件生成对抗网络模型cGAN为基础模型,将神经网络中所有层都替换成卷积层,构成全卷积条件生成对抗模型。
作为本发明实施例的一种实施方式,作为本发明实施例的一种实施方式,全卷积条件生成对抗模型包括:生成器和鉴别器。其中,生成器包含:编码器和解码器,生成器采用U-Net架构,网络的输入设置为256×256×3,编码器学习8×8大小的256个特征图,解码器利用特征图和跳过连接的输入来学习生成256×256×3图像作为输出;网络是全卷积的,没有使用全连接层,此外,每个层次都采用4×4的滤波器的2D卷积,并接入Leaky-ReLU非线性激活函数和批归一化BN,同时,每个编码器的输出与对应的解码器相连。鉴别器采用PatchGAN架构;使用四个卷积层,将256×256×6的输入转换为16×16×1的输出,表示鉴别器的平均有效响应,在每个层次中,使用3×3的卷积滤波器;然后采用与生成器相同的方式应用非线性激活和批归一化。
将历史橡胶状态图像训练全卷积条件生成对抗模型过程为:训练过程:对预处理后的数据,按照8:2的比例划分模型训练集与模型测试集,然后以训练样本对全卷积条件生成对抗模型进行训练;对全卷积条件生成对抗模型相关参数进行调试,并根据模型评价指标对训练后的全卷积条件生成对抗模型进行优劣进行评判,直到得到最优的全卷积条件生成对抗模型。
本发明进一步可采用可决系数R2和均方误差MSE(mean squared error)对模型的训练和测试结果进行评价,得到最优的全卷积条件生成对抗模型。
以上所述的实施例仅是对本发明优选方式进行的描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (8)
1.一种硫化温度监控方法,其特征在于,包括:
步骤S1、获取通过硫化机进行橡胶硫化过程中的历史橡胶状态图像;
步骤S2、根据历史橡胶状态图像,得到橡胶状态预测模型;
步骤S3、将实时的橡胶状态输入到橡胶状态预测模型,得到下一个时刻的橡胶状态;
步骤S4、根据下一个时刻的橡胶状态,实时调节橡胶硫化过程的环境温度。
2.如权利要求1所述的硫化温度监控方法,其特征在于,步骤S1中还包括对历史橡胶状态图像进行数据预处理,步骤S2中根据预处理后的历史橡胶状态图像得到橡胶状态预测模型。
3.如权利要求2所述的硫化温度监控方法,其特征在于,所述橡胶状态预测模型为全卷积条件生成对抗模型;全卷积条件生成对抗模型为:以条件生成对抗网络模型cGAN为基础模型,将神经网络中所有层都替换成卷积层,构成全卷积条件生成对抗模型。
4.如权利要求3所述的硫化温度监控方法,其特征在于,全卷积条件生成对抗模型包括:生成器和鉴别器;其中,生成器包含:编码器和解码器,生成器采用U-Net架构,网络的输入设置为256×256×3,编码器学习8×8大小的256个特征图,解码器利用特征图和跳过连接的输入来学习生成256×256×3图像作为输出;鉴别器采用Patch GAN架构;使用四个卷积层,将256×256×6的输入转换为16×16×1的输出,表示鉴别器的平均有效响应,在每个层次中,使用3×3的卷积滤波器。
5.一种硫化温度监控系统,其特征在于,包括:
获取装置,用于获取通过硫化机进行橡胶硫化过程中的历史橡胶状态图像;
处理装置,用于根据历史橡胶状态图像,得到橡胶状态预测模型;
预测装置,用于将实时的橡胶状态输入到橡胶状态预测模型,得到下一个时刻的橡胶状态;
调控装置,用于根据下一个时刻的橡胶状态,实时调节橡胶硫化过程的环境温度。
6.如权利要求5所述的硫化温度监控系统,其特征在于,还包括预处理装置,用于对历史橡胶状态图像进行数据清洗。
7.如权利要求6所述的硫化温度监控系统,其特征在于,所述橡胶状态预测模型为全卷积条件生成对抗模型;全卷积条件生成对抗模型为:以条件生成对抗网络模型cGAN为基础模型,将神经网络中所有层都替换成卷积层,构成全卷积条件生成对抗模型。
8.如权利要求7所述的硫化温度监控系统,其特征在于,全卷积条件生成对抗模型包括:生成器和鉴别器;其中,生成器包含:编码器和解码器,生成器采用U-Net架构,网络的输入设置为256×256×3,编码器学习8×8大小的256个特征图,解码器利用特征图和跳过连接的输入来学习生成256×256×3图像作为输出;鉴别器采用Patch GAN架构;使用四个卷积层,将256×256×6的输入转换为16×16×1的输出,表示鉴别器的平均有效响应,在每个层次中,使用3×3的卷积滤波器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410168316.5A CN117841246A (zh) | 2024-02-06 | 2024-02-06 | 一种硫化温度监控方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410168316.5A CN117841246A (zh) | 2024-02-06 | 2024-02-06 | 一种硫化温度监控方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117841246A true CN117841246A (zh) | 2024-04-09 |
Family
ID=90540225
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410168316.5A Pending CN117841246A (zh) | 2024-02-06 | 2024-02-06 | 一种硫化温度监控方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117841246A (zh) |
-
2024
- 2024-02-06 CN CN202410168316.5A patent/CN117841246A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110554657B (zh) | 一种数控机床运行状态健康诊断系统及诊断方法 | |
CN113469219B (zh) | 基于元迁移学习的复杂工况下的旋转机械故障诊断方法 | |
CN111428818A (zh) | 基于神经通路激活状态的深度学习模型测试方法与装置 | |
CN112784920B (zh) | 云边端协同的旋转部件对抗域自适应故障诊断方法 | |
CN109872313A (zh) | 一种基于深度卷积自编码器的产品表面缺陷检测方法 | |
CN115545321A (zh) | 一种制丝车间工艺质量在线预测方法 | |
CN112580784A (zh) | 基于多输入多输出卷积神经网络的设备智能预警方法 | |
CN106610584A (zh) | 一种基于神经网络与专家系统的再制造工序质量控制方法 | |
CN116520814B (zh) | 云边协同架构下基于联邦学习的设备故障预测方法及装置 | |
CN114693650A (zh) | 一种基于机器视觉的混合机智能控制方法 | |
CN117841246A (zh) | 一种硫化温度监控方法和系统 | |
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 | |
CN113033079B (zh) | 一种基于不平衡修正卷积神经网络的化学故障诊断方法 | |
CN112183469B (zh) | 一种公共交通的拥挤度识别及自适应调整方法 | |
CN112365009A (zh) | 一种基于深度学习网络的二次设备异常诊断方法 | |
CN117074415A (zh) | 基于transformer的小样本断丝检测方法及系统 | |
CN116776937A (zh) | 一种基于神经网络的数据处理方法及装置 | |
CN115631457A (zh) | 建筑施工监控视频中的人机协作异常检测方法及系统 | |
CN110457906B (zh) | 一种网络安全事件智能告警方法 | |
CN112115640B (zh) | 一种基于迁移学习的控制阀粘滞检测方法 | |
CN114818945A (zh) | 融入类别自适应度量学习的小样本图像分类方法及装置 | |
CN110739030B (zh) | 一种乙烯生产过程小样本的软测量方法 | |
Liu et al. | Image quality evaluation based on SVM and improved grid search algorithm | |
CN114359229A (zh) | 一种基于dsc-unet模型的缺陷检测方法 | |
CN116373197B (zh) | 一种橡胶生产设备和方法 |
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 |