ES2331720A1 - Procedimiento para predecir la calidad resultante de perfiles de elastomeros. - Google Patents
Procedimiento para predecir la calidad resultante de perfiles de elastomeros. Download PDFInfo
- Publication number
- ES2331720A1 ES2331720A1 ES200901519A ES200901519A ES2331720A1 ES 2331720 A1 ES2331720 A1 ES 2331720A1 ES 200901519 A ES200901519 A ES 200901519A ES 200901519 A ES200901519 A ES 200901519A ES 2331720 A1 ES2331720 A1 ES 2331720A1
- Authority
- ES
- Spain
- Prior art keywords
- values
- variables
- extrusion
- quality
- profile
- 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 98
- 229920001971 elastomer Polymers 0.000 title claims abstract description 26
- 239000000806 elastomer Substances 0.000 title claims abstract description 22
- 238000004519 manufacturing process Methods 0.000 claims abstract description 17
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 8
- 230000007547 defect Effects 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims description 58
- 238000001125 extrusion Methods 0.000 claims description 46
- 239000000203 mixture Substances 0.000 claims description 13
- 230000003287 optical effect Effects 0.000 claims description 11
- 239000004615 ingredient Substances 0.000 claims description 9
- 239000013072 incoming material Substances 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 3
- 238000012549 training Methods 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 7
- 238000007689 inspection Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 241000196324 Embryophyta Species 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000009533 lab test Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000001303 quality assessment method Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 206010010071 Coma Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010070 extrusion (rubber) Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 235000013580 sausages Nutrition 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 239000007858 starting material Substances 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- B29C47/92—
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/17—Function evaluation by approximation methods, e.g. inter- or extrapolation, smoothing, least mean square method
- G06F17/175—Function evaluation by approximation methods, e.g. inter- or extrapolation, smoothing, least mean square method of multidimensional data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/40—Data acquisition and logging
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
- G07C3/14—Quality control systems
-
- 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
- B29C2948/92609—Dimensions
- B29C2948/92638—Length
-
- 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
- B29C48/03—Extrusion moulding, i.e. expressing the moulding material through a die or nozzle which imparts the desired form; Apparatus therefor characterised by the shape of the extruded material at extrusion
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29K—INDEXING SCHEME ASSOCIATED WITH SUBCLASSES B29B, B29C OR B29D, RELATING TO MOULDING MATERIALS OR TO MATERIALS FOR MOULDS, REINFORCEMENTS, FILLERS OR PREFORMED PARTS, e.g. INSERTS
- B29K2021/00—Use of unspecified rubbers as moulding material
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32187—Correlation between controlling parameters for influence on quality parameters
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32194—Quality prediction
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Quality & Reliability (AREA)
- Automation & Control Theory (AREA)
- Mechanical Engineering (AREA)
- Computer Hardware Design (AREA)
- Algebra (AREA)
- Manufacturing & Machinery (AREA)
- Extrusion Moulding Of Plastics Or The Like (AREA)
Abstract
Comprende al menos las etapas de estudiar valores de variables del proceso de fabricación (10a, 10b, 10c), relacionar dichos valores con unos valores de calidad previamente establecidos, obtener un conjunto de modelos (50, 51.. 5n) mediante técnicas basadas en inteligencia artificial, obtener a través los mismos una predicción de valores estimados de calidad en tiempo real a partir de los valores de las variables del proceso de fabricación (10a, 10b, 10c) en cada momento, e identificar tramos de perfil que cumplen o no unos criterios de calidad establecidos. Los valores en la etapa de estudio pueden comprender variables (20) asociadas a los propios elastómeros. Puede realizarse una etapa adicional de marcado (180) de tramos para que un operario pueda saber si son válidos o bien han de ser rechazados cuando sean cortados. Puede realizarse una etapa adicional de registro (170) del tipo de defecto detectado y su intensidad.
Description
Procedimiento para predecir la calidad
resultante de perfiles de elastómeros.
La presente invención se refiere a un
procedimiento para predecir de manera fiable y precisa la calidad
resultante de perfiles de elastómeros obtenidos a través de un
conjunto de extrusión.
Los actuales sistemas de supervisión asociados a
la producción de perfiles mediante técnicas de extrusión contemplan
los procesos productivos en su globalidad. Estos sistemas utilizan
medios para controlar los efectos derivados de las variaciones de la
composición de la pieza o la preparación del elastómero y su
influencia en operaciones siguientes, tanto inmediatamente como en
fases posteriores.
En los procesos de extrusión de elastómeros, las
dosificaciones y la preparación del material de partida, así como
las condiciones de extrusión afectan al comportamiento del producto
en la extrusión en sí, en los hornos de microondas, en los
conformados posteriores, etc. El proceso de extrusión normalmente
es complejo y depende de las características del elastómero, de las
propiedades de cada una de las extrusoras que incorpora el conjunto
de extrusión (temperatura, presión, velocidad, etc.), del diseño de
los diferentes canales de circulación de material por dentro de los
cabezales, alguno de ellos no directamente medibles en línea, como
las propiedades mecánicas del material de alimentación. Esto hace
que no se pueda desarrollar un control del mismo en bucle cerrado y
que sea necesario establecer una estrategia de control sobre la base
de consignas. Esto obliga a un control de calidad periódico del
producto, tras su fabricación.
Para ello se lleva a cabo una toma de muestras
una vez que el producto tiene ya una sección estabilizada, ya que a
la salida de la extrusora la sección aún es muy deformable. Desde
un punto de vista estadístico, los defectos, o no conformidades,
suelen tener que ver con incumplimientos dimensionales y, cuando
éstos se producen, se ordena un cambio de consignas en el proceso
de extrusión.
El principal inconveniente de esta supervisión
en los sistemas actuales es que, debido a que la alimentación se
produce por lotes y cada uno puede poseer diferentes propiedades
mecánicas, la repercusión en la dependencia de consignas es
significativa y, hasta que no se produce el análisis geométrico de
control de calidad, se pueden producir desperdicios de varias
centenas de metros, dependiendo de la configuración específica de
la línea de extrusión. Esta cantidad de material desperdiciado no es
deseable.
Es importante, por lo tanto, para determinar los
valores de fabricación conocer primero las propiedades del material
a extruir. Típicamente, esta información se obtiene a través de
pruebas en laboratorio sabre muestras tomadas fuera de línea una vez
que el elastómero ha sido producido. Esto supone inconvenientes en
términos de costes y tiempo.
Una propuesta para evitar tales inconvenientes
ha sido la realización de un modelo capaz de predecir las
características de la pieza de partida a partir de la composición de
la mezcla y de las condiciones de mezclado, tal como se describe en
"A neural network-based approach for
optimising rubber extrusion lines" de A. González Marcos, A.
V. Pernia Espinoza, F. Alba Elías y A. Garcia Forrada, páginas
828-837, publicado en International Journal of
Computer Integrated Manufacturing, volumen 20, el 8 de Diciembre de
2007. En este documento se describe la construcción de un modelo a
partir de valores de variables del producto inicial (composición de
la mezcla) y del proceso (condiciones de mezclado) para predecir
los puntos que definen la curva reométrica de la mezcla a extruir
(el material que alimenta las extrusora).
En dicha propuesta las variables de calidad del
producto extraído dependen únicamente del conocimiento de las
características de curado del elastómero. El modelo generado en
este trabajo no permite predecir, ni mucho menos explicar, las
variaciones bruscas en el proceso de extrusión, así como las
implicaciones de dichas variaciones en las propiedades
superficiales o geométricas del elastómero extruído. El modelo
tampoco es capaz de establecer la influencia de las variables de
proceso de extrusión sobre las propiedades del producto extraído,
ni es capaz de considerar el efecto de aspectos como la geometría
del elastómero a extruir en cada momento.
El documento US56138052 describe una máquina
para la conformación de productos extruídos o embutidos. Se propone
un procedimiento de control dimensional del tamaño del producto
formado utilizando sistemas de extensometría sin contacto, tal coma
láser y CCD. Los datos así obtenidos son analizados por ordenador y
utilizados para controlar los parámetros del proceso.
JP62183324 se refiere a un procedimiento de
corrección del espesor de láminas obtenidas por extrusión mediante
el uso de extensometría láser o ultrasonidos. El método calcula la
diferencia entre el espesor medido y un valor de referencia y actúa
sobre la máquina para corregir la desviación dimensional.
También JP60234821 describe un procedimiento de
control dimensional en procesos de extrusión que utiliza sistemas
de extensometría óptica sin contacto y de tratamiento matemático de
los datos obtenidos para realizar el control de la máquina.
Estos métodos conocidos para la monitorización
de procesos de extrusión presentan el inconveniente de que no
permiten una adecuada predicción de la pieza obtenida a la vez que
implican un gran número de operadores humanos en la línea para
llevar a cabo el control de las características geométricas del
producto. Además, como se ha indicado, con los métodos actuales de
monitorización de procesos de extrusión se produce una cantidad
indeseable de producto considerado no conforme por encontrarse
fuera de unas especificaciones preestablecidas.
La invención propone un procedimiento para
predecir la calidad resultante de perfiles de elastómeros obtenidos
a través de un conjunto de extrusión con el cual se solucionan los
inconvenientes citados y por media del cual se consiguen ventajas,
tal como se detallará a continuación.
El procedimiento objeto de la invención
comprende una o más de las etapas que se describen a
continuación.
En primer lugar, se lleva a cabo un estudio de
tos valores de las variables del proceso de fabricación de los
elastómeros y preferiblemente también de valores de variables
asociadas a los propios elastómeros. Posteriormente se realiza una
evaluación de la sección del elastómero extruído utilizando por
ejemplo un dispositivo óptico colocado a la salida del sistema de
extrusión que determine las dimensiones relativas a secciones
producidas con anteriori-
dad.
dad.
Posteriormente se relacionan estos valores con
unos valores de calidad previamente establecidos con el fin de, en
un modo de aprendizaje, determinar unos modelos de predicción que
permitan obtener los valores de calidad estimados y, en un moda de
operación, determinar unos valores de calidad estimados a partir de
los modelos determinadas en dicha fase de aprendizaje.
Como resultado de dicha relación de valores se
obtiene un conjunto de modelos a partir de los cuales se obtiene
una predicción de los valores de calidad (valores de calidad
estimados) en tiempo real a partir de los valores de las variables
del proceso del proceso de fabricación en cada momento, Finalmente,
se identifica, en base a dichos valores de calidad estimados, los
tramos de perfil que cumplen o no cumplen con los criterios de
calidad establecidos.
En una realización, el procedimiento puede
comprender una etapa adicional de marcado de los tramos
identificados para que un operario pueda saber si dichos tramos de
perfil son válidos o bien si han de ser rechazados cuando sean
cortados. El procedimiento de la invención puede comprender también
una etapa adicional de registro del tipo de defecto detectado y su
intensidad.
Se prevé que la etapa de obtención de modelos se
lleve a cabo utilizando técnicas basadas en inteligencia artificial
tales coma redes neuronales, árboles de clasificación, decisión y
regresión, proyectores multidimensionales etc, adecuadamente
combinados.
Las técnicas basadas en inteligencia artificial
las lleva a cabo el sistema de supervisión de la invención, que
está adaptado para aprender, a través de dichos modelos (basados en
variables del proceso de fabricación de los elastómeros y variables
de las especificaciones de calidad previamente establecidas). Para
el entrenamiento del sistema de supervisión se utilizan las
variables relativas al proceso, al producto, así como la posición
en la que han sido tomadas dichas variables, junto con la calidad
del producto en ese punto determinada por el sistema de inspección
(sistema óptico, ensayos de laboratorio, etc.).
El proceso de entrenamiento del sistema de
supervisión se produce en dos fases. En primer lugar, se lleva a
cabo una clasificación de los patrones disponibles, identificando
las distintas clases de comportamiento presentes en los datos. Para
esta clasificación se emplean técnicas de inteligencia artificial,
como, por ejemplo, proyectores Sammon, redes neuronales
auto-organizativas (SOM), etc. En esta etapa no se
utiliza la variable de calidad. En segundo lugar, para cada uno de
los grupos o clusters identificados en la fase anterior, se entrena
un modelo encargado de determinar la calidad del material extruído
(calidad estimada). Al conocer la variable de salida (calidad
real), puede llevarse a cabo un aprendizaje supervisado con
distintas técnicas de inteligencia artificial: árboles de decisión,
random forest, redes neuronales artificiales
feed-forward, máquinas de vectores soporte (SVM),
etc.
Una vez entrenado el sistema de supervisión,
éste recibe las variables de proceso, producto (variables del
proceso de fabricación) y posición. En primer lugar, y a partir de
esta información, un subsistema de clasificación identifica el
modelo que se debe aplicar en cada caso. En base a las variables
del proceso, producto y posición y al empleo del modelo escogido,
se estiman los valores de las variables de calidad del producto
final, que se almacena en una base de datos y activa el sistema de
marcado en caso de que la calidad estimada por el sistema no cumpla
con los estándares establecidos.
Los valores de calidad previamente establecidos
se obtienen a través de medios ópticos. Con dichos valores de
calidad y, a través de una serie de algoritmos, se obtienen los
modelos. Dichos medios ópticos, sin contacto, pueden ser, por
ejemplo un dispositiva compuesto por varias barras láser y varias
cámaras CCD dispuesto a la salida del sistema de extrusión.
\newpage
Los valores de variables del proceso de
fabricación pueden incluir, al menos una, seleccionada del grupo
que comprende valores de variables del proceso de mezcla de los
ingredientes que conforman el perfil a extruir, valores de variables
del proceso de extrusión del material entrante y valores de
variables del proceso de post-extrusión.
Los valores de variables del proceso de mezcla
de los ingredientes que conforman el perfil que va a ser
posteriormente extruído pueden incluir, al menos una, seleccionada
del grupo que comprende propiedades químicas y mecánicas de cada
ingrediente y proporciones de cada uno, las propiedades deseadas del
producto mezclado resultante, las propiedades del producto
obtenido, los tiempos de mezcla y curado de cada mezcla y la
temperatura y consumo eléctrico de la mezcladora.
Los valores de variables del proceso de
extrusión del material entrante ya mezclado pueden incluir, al
menos una, seleccionada del grupo que comprende al menos presión,
temperatura, consumo eléctrico y revoluciones de cada extrusora del
conjunto de extrusión y el diseño de los canales de circulación de
los cabezales de la extrusión.
Los valores de variables del proceso de
post-extrusión pueden ser valores de variables
asociadas a por lo menos un horno microondas de dicho conjunto de
extrusión.
Las dichas variables de especificaciones de
calidad establecidas pueden incluir, al menos una, seleccionada del
grupo que comprende geometría, características superficiales y
características mecánicas del perfil extruído.
Con el procedimiento descrito no se sugiere una
modificación de consignas, sino que únicamente se identifican y se
marcan los tramos erróneos. Una ventaja sustancial es que no es
preciso controlar de manera continuada los valores de calidad. Una
vez obtenidos los modelos, puede prescindirse de, por ejemplo, los
sistemas de inspección óptica, que son costosos (podría disponerse
un único equipo para toda una planta, pudiendo tener una planta de
fabricación de perfiles diez líneas de producción funcionando
simultáneamente). Además, una vez obtenidos los modelos, se podrían
emplear de nuevos los sistemas ópticos para la evaluación y mejorar
de los mismos.
Es importante destacar también que el
procedimiento de la invención no se centra en la identificación de
errores dimensionales, sino que también se realiza una revisión a
través de medios ópticos de los defectos superficiales (no
relacionados con la geometría de la sección). Además, los modelos
se re-entrenan periódicamente, según criterio del
departamento de calidad y disponibilidad de los equipos de medida
(visión artificial, laboratorio, ...).
Por otra parte, el procedimiento descrito supone
una herramienta de formación dado que los modelos se pueden emplear
para el entrenamiento de los operarios de línea permitiendo la
propuesta (por parte de los modelos) de condiciones de extrusión
(variables de proceso y producto) y la evaluación del efecto de la
modificación de ciertas variables (por ejemplo, características de
los ingredientes de las mezclas), en la calidad de la goma final
(establecida por el departamento de calidad). Finalmente, otra
ventaja del procedimiento de la invención es que se simplifican los
estudios de valoración de calidad estadística, en la medida en la
que, en tiempo real y de manera automática, se están identificando
las perdidas de calidad en cada perfil fabricado. Esto permite a
los grupos de mejora un trabajo más eficaz.
Hay que destacar también el hecho de que, en la
mayoría de casos, el aprendizaje del sistema de supervisión se
realiza de manera continua, según criterio del departamento de
calidad y disponibilidad de los equipos de medida (visión
artificial, laboratorio, etc) y que se consigue simplificar los
estudios de valoración de calidad estadística, en la medida en la
que, en tiempo real y de manera automática, se identifican las
perdidas de calidad en cada perfil fabricado. Esto permite a los
grupos de mejora un trabajo más eficaz. Puede haber sistemas de
determinación de valores de calidad que no se realicen de manera
continua, como por ejemplo, la caracterización de propiedades
mecánicas de la goma extraída como la elasticidad, resistencia al
desgaste, coeficientes de rozamiento, medias fuera de línea.
Otros objetivos, ventajas y características del
procedimiento de la invención serán claros a partir de la
descripción de la invención de una realización preferida. Esta
descripción se da a modo de ejemplo no limitativo y se ilustra en
los dibujos que se adjuntan.
La figura 1 es un diagrama de bloques que
ilustra las etapas del modo aprendizaje del procedimiento para
predecir la calidad resultante de perfiles de elastómeros obtenidos
por extrusión de la invención;
La figura 2 es un diagrama de bloques que
ilustra las etapas del proceso de aprendizaje en el modo
aprendizaje de la Figura 1; y
La figura 3 es un diagrama de bloques que
ilustra las etapas del procedimiento de la invención en modo
operación.
Se describe a continuación, y de acuerdo con las
figuras adjuntas, un procedimiento para predecir la calidad
resultante de perfiles de elastómeros obtenidos por extrusión. En
particular, el procedimiento está adaptado para identificar y marcar
tramos de perfil de elastómero que no cumplan con determinadas
especificaciones de calidad establecidas. De acuerdo con la
invención, esto se lleva a cabo utilizando modelos que permiten
determinar una calidad estimada con la ventaja de que no se
requieren complejos y costosos aparatos de inspección.
De acuerdo con la figura 1 de los dibujos que se
adjuntan, el procedimiento de la invención consta de un modo
aprendizaje (que incluye un proceso de aprendizaje, esquematizado
en la figura 2) y un modo operación esquematizado en la figura
3.
En el modo aprendizaje se estudian variables de
proceso de mezcla 10a, variables de proceso de extrusión 10b,
variables de proceso de post-extrusión 10c,
variables de producto 20 y variables de posición 30 (que pueden ser
de tipo temporal, por ejemplo). A modo de ejemplo, las citadas
variables 10a, 10b, 10c, 20, 30 son las relacionadas con el proceso
de mezcla de los ingredientes que conforman el perfil que va a ser
extruído (propiedades químicas/mecánicas tales como elasticidad,
resistencia al desgaste, coeficiente de fricción, viscosidad, de
cada ingrediente (medidas fuera de línea) y proporciones de cada
uno, las relacionadas con las propiedades consignadas de la goma
mezclada resultante, es decir, las propiedades deseadas, en función
del perfil objetivo, propiedades finalmente obtenidas de la goma
mezclada resultante (medidas fuera de o incluso estimadas mediante
modelos matemáticos basados en el resto de variables del proceso de
mezcla), los tiempos de mezcla y curado de cada mezcla (medidos en
línea), la temperatura y consumo eléctrico de la mezcladora (medidas
en línea). Dichas variables pueden ser también del proceso de
extrusión del material entrante (mezclado anteriormente, tales como
presión, temperatura, consumo eléctrico, revoluciones, etc. de cada
una de las extrusoras del conjunto de extrusión (medidas en linea);
el diseño de los canales de circulación de los cabezales de la
extrusión, el proceso de post-extrusión (variables
del horno, etc).
El proceso de aprendizaje o entrenamiento 50 se
realiza a partir de las variables de los citados procesos 10a, 10b,
10c, 20, 30 tal como se ha definido anteriormente y se detalla en
la figura 2 de los dibujos mediante el uso de técnicas basadas en
inteligencia artificial. De acuerdo con la citada figura 2, en el
proceso de aprendizaje o entrenamiento 50, las variables de los
procesos de mezcla, extrusión, post-extrusión, etc
10a, 10b, 10c, 20, 30 se agrupan en clases 41, 42, ... 4n. en un
proceso de clasificación 40. Cada clase 41, 42, ... 4n determina un
grupo de variables que se comportan substancialmente de la misma
manera en una posición (que, como se ha indicado, puede ser
temporal). Este proceso de clasificación 40 puede llevarse a cabo
proyectando en un plano un número definido de valores de
variables.
Siguiendo con la figura 2 de los dibujos, a
partir de la clasificación 40 llevada a cabo se obtienen unos
modelos 51, 52 ... 5n que consisten en formulación matemática que
relacionan las distintas variables 10a, 10b, 10c, 20, 30. Aunque se
citan y se representan algunas de dichas variables 10a, 10b, 10c,
20, 30, se entenderá que los modelos 51, 52, ... 5n son modelos de
caja negra sin expresión analítica que pueden tener tantas
variables como sea necesario tener en cuenta en el proceso. A partir
del proceso de aprendizaje o entrenamiento 50 de los modelos 51, 52
... 5n se obtienen los factores de cada variable 10a, 10b, 10c, 20,
30. De acuerdo con la Figura 1, el aprendizaje o entrenamiento 50
de los modelos 51, 52 ... 5n se realiza utilizando una medida de la
calidad real 60 del perfil por medio de un sistema de inspección 65
(visión artificial, laboratorio). A través de este sistema de
inspección 65 puede determinarse el rechazo del perfil a través de,
por ejemplo, la geometría del perfil extraído, que podría ser un
motivo de rechazo, pero no el único, utilizando barreras láser y
cámaras -medida en linea-, las características superficiales de la
goma extruída -defectos, cambios de color, etc, empleando cámaras
-medida en linea-, las características mecánicas de la goma
extruída -elasticidad, resistencia al desgaste, coeficientes de
rozamiento, etc, -medias fuera de línea-, etc.
Una vez entrenados los modelos 51, 52, ... 5n,
éstos se utilizan en el modo operación para estimar la calidad en
el proceso productivo, tal como se muestra en la figura 3. Como en
el caso del proceso de aprendizaje, las variables de proceso de
mezcla 100a, de extrusión 100b, de post-extrusión
100c, etc, las variables de producto 200 y las variables de
posición 300 se ordenan por clases en un proceso de clasificación
140. A esas clases se aplican los modelos entrenados 51, 52, ... 5n
para proporcionar una calidad estimada 160 que se almacena en una
base de datos 170 y que, además, puede activar un sistema de
marcado 180 del perfil que no está de acuerdo con las
especificaciones. Esto se realiza mediante un conjunto que expulsa
un chorro de tinta contra el perfil adecuado para que un operario
pueda retirarlo al final de la línea. La detección de perfiles
erróneos se realiza estableciendo una relación entre valores
estimados de variables obtenidas por algoritmos por medio de
técnicas de inteligencia artificial con valores permitidos con lo
que es posible identificar tramos de perfil que no cumplen con los
criterios de calidad establecidos. El sistema puede registrar el
tipo de defecto y su intensidad.
Con el procedimiento de la invención no se
sugiere la modificación de consignas, sino que únicamente se
identifican y se marcan tramos de perfil extruído que son
considerados coma erróneos. Por lo tanto, no es necesario controlar
de manera continuada variables relativas a las especificaciones de
calidad. Una vez obtenidos los algoritmos, no es necesario ningún
sistema de inspección óptica, que resultan costosos y delicados
(basta un único equipo para toda una planta). Una vez obtenidos los
algoritmos, pueden utilizarse de nuevo los sistemas ópticos, para la
evaluación y mejora de los mismos. Por lo tanto, el procedimiento
de la invención no se centra en la identificación de errores
dimensionales.
Claims (11)
1. Procedimiento para predecir la calidad
resultante de perfiles de elastómeros obtenidos a través de un
conjunto de extrusión, estando caracterizado dicho
procedimiento por el hecho de que comprende al menos las siguientes
etapas:
- -
- estudiar valores de variables asociadas al proceso de fabricación de los elastómeros (10a, 10b, 10c);
- -
- relacionar dichos valores con unos valores de calidad previamente establecidos;
- -
- obtener, como resultado de dicha relación de valores, un conjunto de modelos (50, 51.. 5n);
- -
- obtener a través de dichos modelos (50, 51 ... 5n) una predicción de valores estimados de calidad en tiempo real a partir de los valores de las variables del proceso de fabricación (10a, 10b, 10c) en cada momento; e
- -
- identificar, en base a dichos valores de calidad estimados, los tramos de perfil que cumplen o no cumplen con los criterios de calidad establecidos.
\vskip1.000000\baselineskip
2. Procedimiento según la reivindicación 1,
caracterizado por el hecho de que los valores en la citada
etapa de estudio comprenden también variables (20) asociadas a los
propios elastómeros.
3. Procedimiento según la reivindicación 1 o 2,
caracterizado por el hecho de que comprende una etapa
adicional de marcado (180) de los tramos identificados para que un
operario pueda saber si dichos tramos de perfil son válidos o bien
han de ser rechazados cuando sean cortados.
4. Procedimiento según cualquiera de las
reivindicaciones anteriores, caracterizado por el hecho de
que comprende una etapa adicional de registro (170) del tipo de
defecto detectado y su intensidad.
5. Procedimiento según cualquiera de las
reivindicaciones anteriores, caracterizado por el hecho de
que la etapa de obtención de modelos (50, 51 ... 5n) se realiza
mediante técnicas basadas en inteligencia artificial.
6. Procedimiento según cualquiera de las
reivindicaciones anteriores, caracterizado por el hecho de
que dichos valores de calidad previamente establecidos se obtienen a
través de medios ópticos (65).
7. Procedimiento según cualquiera de las
reivindicaciones anteriores, caracterizado por el hecho de
que los valores de variables del proceso de fabricación incluyen, al
menos una, seleccionada del grupo que comprende valores de
variables del proceso de mezcla (10a) de los ingredientes que
conforman el perfil a extruir, valores de variables del proceso de
extrusión (10b) del material entrante y valores de variables del
proceso de post-extrusión (10c).
8. Procedimiento según la reivindicación 7,
caracterizado por el hecho de que los valores de variables
del proceso de mezcla (10a) de los ingredientes que conforman el
perfil que va a ser posteriormente extruído incluyen, al menos una,
seleccionada del grupo que comprende propiedades químicas y
mecánicas de cada ingrediente y proporciones de cada uno, las
propiedades deseadas del producto mezclado resultante, las
propiedades del producto obtenido, los tiempos de mezcla y curado de
cada mezcla y la temperatura y consumo eléctrico de la
mezcladora.
9. Procedimiento según la reivindicación 7,
caracterizado por el hecho de que los valores de variables
del proceso de extrusión (10b) del material entrante ya mezclado
incluyen, al menos una, seleccionada del grupo que comprende al
menos presión, temperatura, consumo eléctrico y revoluciones de las
extrusoras del conjunto de extrusión y el diseño de los canales de
circulación de los cabezales de la extrusión
10. Procedimiento según la reivindicación 7,
caracterizado por el hecho de que los valores de variables
del proceso de post-extrusión (10c) son valores de
variables asociadas a por lo menos un horno microondas de dicho
conjunto de extrusión.
11. Procedimiento según cualquiera de las
reivindicaciones anteriores, caracterizado por el hecho de
que dichas variables de especificaciones de calidad establecidas
incluyen, al menos una, seleccionada del grupo que comprende
geometría, características superficiales y características
mecánicas del perfil extruído.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
ES200901519A ES2331720A1 (es) | 2009-06-24 | 2009-06-24 | Procedimiento para predecir la calidad resultante de perfiles de elastomeros. |
PCT/ES2010/000284 WO2010149808A1 (es) | 2009-06-24 | 2010-06-23 | Procedimiento para predecir la calidad resultante de perfiles de elastómeros |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
ES200901519A ES2331720A1 (es) | 2009-06-24 | 2009-06-24 | Procedimiento para predecir la calidad resultante de perfiles de elastomeros. |
Publications (1)
Publication Number | Publication Date |
---|---|
ES2331720A1 true ES2331720A1 (es) | 2010-01-13 |
Family
ID=41459914
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
ES200901519A Pending ES2331720A1 (es) | 2009-06-24 | 2009-06-24 | Procedimiento para predecir la calidad resultante de perfiles de elastomeros. |
Country Status (2)
Country | Link |
---|---|
ES (1) | ES2331720A1 (es) |
WO (1) | WO2010149808A1 (es) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021105325A1 (en) | 2019-11-28 | 2021-06-03 | Basf Se | Method and controlling system for controlling polymer viscosity quality |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3496344A (en) * | 1964-06-19 | 1970-02-17 | Industrial Nucleonics Corp | Statistical variance component analysis of sheet materials and the like using frequency-domain filter techniques |
US4889667A (en) * | 1983-06-03 | 1989-12-26 | Technoplas Inc. | Method for supervision of injection molding by use of waveform of internal die pressure |
ES2124381T3 (es) * | 1993-12-10 | 1999-02-01 | Socetec Sa | Metodo y dispositivo para memorizar datos transaccionales. |
ES2101773T5 (es) * | 1991-09-26 | 2000-11-01 | Mueller Weingarten Maschf | Metodo para la deteccion de desviaciones no admisibles de los parametros de un procedimiento. |
WO2001025862A1 (en) * | 1999-10-05 | 2001-04-12 | Abb Ab | A computer based method and system for controlling an industrial process |
ES2279704A1 (es) * | 2005-10-27 | 2007-08-16 | Universidade Da Coruña | Sistema para procesar espumas polimericas termoplasticas, utilizando dioxido de carbono (co2) como agente espumante. |
ES2190403T5 (es) * | 1999-03-15 | 2008-11-01 | Volkswagen Aktiengesellschaft | Sistema y procedimiento para el control de calidad en una linea de produccion. |
-
2009
- 2009-06-24 ES ES200901519A patent/ES2331720A1/es active Pending
-
2010
- 2010-06-23 WO PCT/ES2010/000284 patent/WO2010149808A1/es active Application Filing
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3496344A (en) * | 1964-06-19 | 1970-02-17 | Industrial Nucleonics Corp | Statistical variance component analysis of sheet materials and the like using frequency-domain filter techniques |
US4889667A (en) * | 1983-06-03 | 1989-12-26 | Technoplas Inc. | Method for supervision of injection molding by use of waveform of internal die pressure |
ES2101773T5 (es) * | 1991-09-26 | 2000-11-01 | Mueller Weingarten Maschf | Metodo para la deteccion de desviaciones no admisibles de los parametros de un procedimiento. |
ES2124381T3 (es) * | 1993-12-10 | 1999-02-01 | Socetec Sa | Metodo y dispositivo para memorizar datos transaccionales. |
ES2190403T5 (es) * | 1999-03-15 | 2008-11-01 | Volkswagen Aktiengesellschaft | Sistema y procedimiento para el control de calidad en una linea de produccion. |
WO2001025862A1 (en) * | 1999-10-05 | 2001-04-12 | Abb Ab | A computer based method and system for controlling an industrial process |
ES2279704A1 (es) * | 2005-10-27 | 2007-08-16 | Universidade Da Coruña | Sistema para procesar espumas polimericas termoplasticas, utilizando dioxido de carbono (co2) como agente espumante. |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021105325A1 (en) | 2019-11-28 | 2021-06-03 | Basf Se | Method and controlling system for controlling polymer viscosity quality |
Also Published As
Publication number | Publication date |
---|---|
WO2010149808A1 (es) | 2010-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210001526A1 (en) | Injection molding machine system | |
Gosselin et al. | A hyperspectral imaging sensor for on-line quality control of extruded polymer composite products | |
CN103777627A (zh) | 一种基于少量批次的批次过程在线监测方法 | |
CN109968671B (zh) | 3d打印过程故障诊断方法和装置 | |
CN105574587B (zh) | 一种塑料注塑过程的在线工况过程监控方法 | |
TWI784887B (zh) | 用於提供量化模型的設備和方法以及相關的非暫時性電腦可讀取媒體 | |
CN117008557B (zh) | 共混型互穿网络热塑性弹性体的生产控制方法及系统 | |
JP6573647B2 (ja) | 計算機と複数台の射出成形機とからなる射出成形機システム | |
CN108932711A (zh) | 图像分析神经网络系统 | |
US20220001586A1 (en) | Method and system for improving a physical production process | |
CN103116306A (zh) | 一种自动的步进式有序时段划分方法 | |
Wahl et al. | In‐line measurement of residence time distribution in melt extrusion via video analysis | |
CN105678409A (zh) | 一种自适应且分布无关的时间序列异常点检测方法 | |
JP2023507906A (ja) | ポリマー粘度の品質を制御するための方法及び制御システム | |
ES2331720A1 (es) | Procedimiento para predecir la calidad resultante de perfiles de elastomeros. | |
CN104502306A (zh) | 基于变量重要性的近红外光谱波长选择方法 | |
US20240085890A1 (en) | Method and System for Measuring Components and Program | |
CN116026487B (zh) | 液面温度测量方法、装置、计算机设备和存储介质 | |
DE112020005964T5 (de) | Sensorsystem, master-einheit, vorhersagevorrichtung und vorhersageverfahren | |
Perez Alvarado et al. | A Vision System for Surface Homogeneity Analysis of Dough Based on the Grey Level Co‐occurrence Matrix (GLCM) for Optimum Kneading Time Prediction | |
EP4328685A1 (en) | Process monitoring | |
CN106681204A (zh) | 在线生产质检系统和方法 | |
CN104049624B (zh) | 化工产品生产模式优化方法、装置和连续型化工系统 | |
CN106419833A (zh) | 头皮检测系统及头皮检测方法 | |
CN104535103A (zh) | 一种自动生成测试点的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
EC2A | Search report published |
Date of ref document: 20100113 Kind code of ref document: A1 |
|
FC2A | Grant refused |
Effective date: 20110118 |