WO2019052117A1 - 一种用于柔性材料卷对卷加工过程张力预测的误差流方法 - Google Patents

一种用于柔性材料卷对卷加工过程张力预测的误差流方法 Download PDF

Info

Publication number
WO2019052117A1
WO2019052117A1 PCT/CN2018/075508 CN2018075508W WO2019052117A1 WO 2019052117 A1 WO2019052117 A1 WO 2019052117A1 CN 2018075508 W CN2018075508 W CN 2018075508W WO 2019052117 A1 WO2019052117 A1 WO 2019052117A1
Authority
WO
WIPO (PCT)
Prior art keywords
roll
roller
tension
station
reel
Prior art date
Application number
PCT/CN2018/075508
Other languages
English (en)
French (fr)
Inventor
邓耀华
刘夏丽
Original Assignee
广东工业大学
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 广东工业大学 filed Critical 广东工业大学
Priority to JP2018536849A priority Critical patent/JP6755320B2/ja
Publication of WO2019052117A1 publication Critical patent/WO2019052117A1/zh

Links

Images

Classifications

    • 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
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/06—Power analysis or power optimisation

Definitions

  • the embodiment of the present invention relates to the technical field of each station tension prediction of a processing system, and in particular to a method for predicting the tension of a flexible material roll-to-roll process tension (English: Stream of Variation, referred to as SoV).
  • SoV Stream of Variation
  • R2R manufacturing usually consists of several or dozens of roller shafts consisting of a continuous production system for the processing of pressing, printing, etc. of flexible films.
  • the processing of flexible film materials causes material deformation due to tension fluctuation between rolls.
  • the processing quality problem is caused, and the tension variation of the R2R processing process has the characteristics of multi-factor coupling and error accumulation.
  • an object of the present invention is to provide a Stream of Variation method for predicting the tension of a roll-to-roll process of a flexible material, which is used for tension prediction of each station of the R2R processing system, and The evaluation of the processing quality is indirectly realized by the prediction of the tension.
  • An error flow method for predicting the tension of a roll-to-roll process of a flexible material comprising:
  • C extracts the influence factors of the tension fluctuation by the dynamic equation analysis of the unwinding roller, the winding roller, the driving roller and the guiding roller, and uses the influencing factor as the input variable of the error flow model;
  • D respectively establish a state equation of the tension transmission system of the unwinding roller, the winding roller, the driving roller and the guiding roller;
  • F calculates the tension value of each station through the state equation of the tension transmission system, and realizes the quality evaluation of the processing process of the roll-to-roll manufacturing system according to the tension value.
  • the average relative error of tension prediction is 0.39%, which is of great significance for realizing high-precision predictive manufacturing of flexible material rolls.
  • 1 is a block diagram of an error flow method for tension prediction of a roll-to-roll process of a flexible material
  • Figure 2 is a flow chart of a stepwise regression analysis method
  • Figure 3 is a flow chart of the Tobit maximum likelihood estimation algorithm.
  • the error flow method for predicting the tension of a flexible material roll-to-roll process includes the following steps:
  • the influencing factors of the tension fluctuation are extracted by the dynamic equation analysis of the unwinding roller, the winding roller, the driving roller and the guiding roller, and the influencing factors are used as input variables of the error flow model;
  • the tension value of each station is calculated by the state equation of the tension transfer system, and the quality of the process of the roll-to-roll manufacturing system is evaluated according to the tension value.
  • the dynamic equation of the unwinding roller, the dynamic equation of the winding roller, the dynamic equation of the driving roller, and the dynamic equations of the guiding roller are as follows:
  • T u (t) on the left side of the formula indicates the tension between the unwinding roller and the latter roller; M fu (t) indicates the frictional resistance moment of the unwinding roller, and M u (t) indicates that it is applied to the unwinding roller Electromagnetic torque, Indicates the angular velocity change rate of the unwinding roller, ⁇ u (t) represents the angular velocity of the unwinding roller; J 0 is the moment of inertia of the unwinding roller shaft, which is a fixed value; ⁇ is used to indicate the density of the flexible film material, and b is the flexible film material.
  • R 0 represents the radius of the hollow axis when the material is unwound
  • R u (t) represents the real-time radius of the unwinding roll
  • h represents the thickness of the flexible film
  • T w (t) represents the winding roll and the previous roll
  • ⁇ w (t) represents the real-time angular velocity of the winding roller.
  • R w (t) represents the real-time radius of the winding roller
  • M w (t) represents the electromagnetic torque applied to the winding roller
  • M fw (t) represents the application.
  • T i represents the tension value of the current reel
  • Ti -1 represents the tension value of the previous reel of the current reel
  • J i (t) represents the equivalent moment of inertia of the current reel
  • ⁇ i (t) represents the real-time angular velocity of the current roll
  • a i represents the percentage of torque transmitted from the motor to the drive roller
  • M motor_i represents the electromagnetic torque of the current motor
  • b i is the coefficient of friction
  • R i represents the real-time radius of the current roll of the roll .
  • the main factors affecting the tension fluctuation are taken as the input variables of the model, including the coil radius R(t), the roll angular velocity ⁇ (t), etc.
  • the error flow (SoV) theory is introduced to establish the unwinding roller.
  • T i * indicates that the station number is represented by i
  • R i (t) represents the roll radius of the i-th station
  • R i represents the radius of the i-th station roll axis
  • J i represents the i-th
  • W i represents the random error
  • the electromagnetic torque of the i-th station roller shaft M i a i M motor_i
  • the friction resistance torque of the i-th station roller shaft M fi b i ⁇ i (t)
  • a i is the percentage of torque transmitted from the motor to the drive roller
  • b i is the coefficient of friction.
  • T 0 (R 1 (t)) is the initial tension of the unwinding roll, and the initial tension also changes as the roll radius changes.
  • ⁇ i (t) is the angular velocity of the current station (i-th station)
  • M motor_1 is the electromagnetic torque of the motor of the first station.
  • a 1 is the percentage of torque transmitted to the drive roller by the motor in the first station
  • b 1 is the friction coefficient in the first station
  • ⁇ 1 (t) is the angular velocity of the first station
  • M motor_i is the first The electromagnetic torque of the motor of the i station
  • T i-1 represents the tension value of the previous roll of the current roll
  • ⁇ represents the density of the flexible film material
  • b represents the width of the flexible film material
  • R 0 represents the unwound material.
  • h represents the thickness of the flexible film.
  • stepwise regression analysis is used to determine the model structure.
  • the process of stepwise regression method selection of variables contains two basic steps, as shown in Figure 2, one is to remove the insignificant variables from the regression equation, and the other is to introduce new variables into the regression equation.
  • y be the dependent variable
  • x 1 , x 2 , L, x m are all independent variables
  • the independent variable be selected into the model with a significance level of a 1
  • the rejected model with a significance level of a 2
  • the general steps of the stepwise screening method are:
  • step l+1 is:
  • T 0 (R 1 (t)) is the initial tension of the unwinding roll and L 0 (R 1 (t)) is the slack length of the printed image, depending on its position at the roll.
  • Y is a restricted dependent variable with a lower bound of zero.
  • X 1 to Xm represent the dependent variable
  • ⁇ represents the censored random variable
  • ⁇ 0 to ⁇ m represent the coefficient vector
  • the standard density function is represented by ⁇ (x), and the standard normal distribution function is represented by ⁇ (x).
  • the corresponding probability distribution function is:
  • the model is estimated by MLE using the MLE and the Newton iteration method is used to solve the Euler equation at the maximum of the likelihood function.
  • the process is as follows:
  • the above-mentioned maximum likelihood estimation is used to estimate the unknown parameters J i , a i and b i .
  • the flexible material roll-to-roll manufacturing system tension prediction error flow model is completed.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Operations Research (AREA)
  • Evolutionary Computation (AREA)
  • Algebra (AREA)
  • Geometry (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Controlling Rewinding, Feeding, Winding, Or Abnormalities Of Webs (AREA)
  • Force Measurement Appropriate To Specific Purposes (AREA)

Abstract

一种用于柔性材料卷对卷加工过程张力预测的误差流方法，所述方法包括以下步骤：对柔性材料卷对卷加工制造系统模块进行动力学分析；建立系统模块中放卷辊、收卷辊、驱动辊和导向辊的动力学方程；通过放卷辊、收卷辊、驱动辊和导向辊的动力学方程分析提取出张力波动影响因素，并将所述影响因素作为误差流模型的输入变量；分别建立放卷辊、收卷辊、驱动辊和导向辊的张力传递系统状态方程；通过逐步回归法、Tobit算法对张力传递状态方程的结构和参数进行识别，得到完整的张力传递系统状态方程；通过张力传递系统状态方程计算各工位的张力值，并根据所述张力值实现卷对卷制造系统加工过程质量评估。

Description

一种用于柔性材料卷对卷加工过程张力预测的误差流方法
本申请要求于2017年09月14日提交中国专利局、申请号为201710828580.7、发明名称为“一种用于柔性材料卷对卷加工过程张力预测的SoV方法”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。
技术领域
本申请实施例涉及加工系统各工位张力预测技术领域，尤其涉及一种用于柔性材料卷对卷加工过程张力预测的误差流(英文：Stream of Variation，简称：SoV)方法。
背景技术
现有近年来，以柔性薄膜作为衬底材料的可穿戴传感器、有机发光二极管(英文：Organic Light-Emitting Diode，简称：OLED)、薄膜太阳能电池技术研究取得突破，其产业化、规模化生产需求已经提上日程。但是柔性薄膜材料属于各向异性材料，变形具有多样性和不确定，极易出现褶皱、层间滑移、破损等质量问题。卷对卷连续制造系统由于具有自动化程度高，生产效率高，生产过程受人为因素影响小等优点，从而成为柔性材料加工制造的最佳选择。
柔性材料卷对卷(R2R)制造通常由几个或数十个辊轴组成连续生产系统进行柔性薄膜的压制、印刷等加工，柔性薄膜材料加工过程由于卷辊之间张力波动而引起材料变形，进而造成加工质量问题，考虑到R2R加工过程张力变化具有多因素耦合、误差累积的特点。
发明内容
为解决上述技术问题，本发明的目的是提供一种用于柔性材料卷对卷加工过程张力预测的误差流(Stream of Variation)方法，该方法用于R2R加工系统各工位的张力预测，并通过张力的预测来间接实现加工质量的评估。
本发明的目的通过以下的技术方案来实现：
一种用于柔性材料卷对卷加工过程张力预测的误差流方法，包括：
A对柔性材料卷对卷加工制造系统模块进行动力学分析；
B建立系统模块中放卷辊、收卷辊、驱动辊和导向辊的动力学方程；
C通过放卷辊、收卷辊、驱动辊和导向辊的动力学方程分析提取出张力波动影响因素，并将所述影响因素作为误差流模型的输入变量；
D分别建立放卷辊、收卷辊、驱动辊和导向辊的张力传递系统状态方程；
E通过逐步回归法、Tobit算法对张力传递状态方程的结构和参数进行识别，得到完整的张力传递系统状态方程；
F通过张力传递系统状态方程计算各工位的张力值，并根据所述张力值实现卷对卷制造系统加工过程质量评估。
与现有技术相比，本发明的一个或多个实施例可以具有如下优点：
1、实现了以最少的传感器产生最有效的监测能力，从而最大限度地降低制造加工的成本。
2、克服了卷对卷制造系统加工过程在线质量评估的困难。
3、张力预测平均相对误差为0.39％，这对实现柔性材料卷对卷高精度预测性制造具有重要意义。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对本申 请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申请的一些示意性的实施例，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，还可以根据这些附图获得其他的附图。
图1是用于柔性材料卷对卷加工过程张力预测的误差流方法框图；
图2是逐步回归分析方法流程图；
图3是Tobit最大似然估计算法流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合实施例及附图对本发明作进一步详细的描述。
如图1所示，为用于柔性材料卷对卷加工过程张力预测的误差流方法，包括以下步骤：
对柔性材料卷对卷加工制造系统模块进行动力学分析；
建立系统模块中放卷辊、收卷辊、驱动辊和导向辊的动力学方程；
通过放卷辊、收卷辊、驱动辊和导向辊的动力学方程分析提取出张力波动影响因素，并将所述影响因素作为误差流模型的输入变量；
分别建立放卷辊、收卷辊、驱动辊和导向辊的张力传递系统状态方程；
通过逐步回归法、Tobit算法对张力传递状态方程的结构和参数进行识别，得到完整的张力传递系统状态方程；
通过张力传递系统状态方程计算各工位的张力值，并根据所述张力值实现卷对卷制造系统加工过程质量评估。
上述放卷辊动力学方程、收卷辊动力学方程、驱动辊动力学方程、导向辊 动力学方程分别为：
[根据细则26改正04.04.2018]　
Figure WO-DOC-MATHS-1
[根据细则26改正04.04.2018]　
Figure WO-DOC-MATHS-2
[根据细则26改正04.04.2018]　
Figure WO-DOC-MATHS-3
[根据细则26改正04.04.2018]　
Figure WO-DOC-MATHS-4
其中公式左侧的T u(t)表示放卷辊与后一个辊轴之间的张力；M fu(t)表示放卷辊的摩擦阻力矩，M u(t)表示施加在放卷辊上的电磁转矩，
Figure PCTCN2018075508-appb-000005
表示放卷辊的角速度变化率，ω u(t)表示放卷辊的角速度；J 0为放卷辊轴的转动惯量，为固定值；用ρ表示柔性薄膜材料的密度，b表示柔性薄膜材料的宽度，R 0表示未缠绕材料时的空轴半径，R u(t)表示放卷辊卷材的实时半径，h表示柔性薄膜厚度，T w(t)表示收卷辊与上一个辊轴之间的张力，ω w(t)表示收卷辊的实时角速度，
Figure PCTCN2018075508-appb-000006
表示收卷辊的角速度变化率，R w(t)表示收卷辊卷材的实时半径，M w(t)表示施加在收卷辊上的电磁转矩，M fw(t)表示施加在收卷辊上摩擦阻力矩，T i表示当前卷辊的张力值，T i-1表示当前卷辊的前一个卷辊的张力值，J i(t)表示当前卷辊的等效转动惯量，ω i(t)表示当前卷辊的实时角速度，
Figure PCTCN2018075508-appb-000007
表示当前卷辊的角速度变化率，a i表示从电机传给驱动辊的扭矩的百分比，M motor_i表示当前电机的电磁转矩，b i为摩擦系数，R i表示当前卷辊卷材的实时半径。
将影响张力波动的主要因素作为模型的输入变量，包括卷材半径R(t)、卷辊转动角速度ω(t)等，根据动力学方程，引入误差流(SoV)理论建立了放卷辊、收卷辊、驱动辊、导向辊初始的张力传递系统状态方程：
放卷辊初始张力传递系统状态方程：
[根据细则26改正04.04.2018]　
Figure WO-DOC-MATHS-5
收卷辊初始张力传递系统状态方程：
[根据细则26改正04.04.2018]　
Figure WO-DOC-MATHS-6
驱动辊初始张力传递系统状态方程：
[根据细则26改正04.04.2018]　
Figure WO-DOC-MATHS-7
导向辊初始张力传递系统状态方程：
[根据细则26改正04.04.2018]　
Figure WO-DOC-MATHS-8
其中公式左侧T i*表示用i表示工位序号，R i(t)表示第i个工位的料卷半径，R i表示第i个工位辊轴的半径，J i表示第i个工位辊轴的转动惯量，W i表示随机误差，第i个工位辊轴的电磁转矩M i＝a iM motor_i，第i个工位辊轴的摩擦阻力矩M fi＝b iω i(t)，a i是从电机传给驱动辊的扭矩的百分比，b i为摩擦系数。T 0(R 1(t))是放卷辊的初始张力，当料卷半径变化时，初始张力也会变化。
Figure PCTCN2018075508-appb-000012
为当前工位(第i个工位)的角速度变化率，ω i(t)为当前工位(第i个工位)的角速度，M motor_1为第一个工位的电机的电磁转矩，a 1为第一个工位中电机传给驱动辊的扭矩的百分比，b 1为第一个工位中的摩擦系数，ω 1(t)为第1个工位的角速度，M motor_i为第i个工位的电机的电磁转矩，T i-1表示当前卷辊的前一个卷辊的张力值，ρ表示柔性薄膜材料的密度，b表示柔性薄膜材料的宽度，R 0表示未缠绕材料时的空轴半径，h表示柔性薄膜厚度。
初始的张力传递系统状态方程建立完成后，通过逐步回归分析法来实现模 型结构确定。其中，逐步回归法选择变量的过程包含两个基本步骤，见图2，一是从回归方程中剔除不显著的变量，二是引入新变量到回归方程中。
设y是因变量，x 1,x 2,L,x m是所有自变量，y i,x i1,x i2,L,x im(i＝1,2,L,n)是独立抽取的n组样本。设自变量被选进模型的显著性水平为a 1，被剔除模型的显著性水平为a 2，且0<a 1≤a 2<1。逐步筛选法的一般步骤为：
假设已经进行l步筛选，并且已经选入p个自变量，相应的残差平方和为
Figure PCTCN2018075508-appb-000013
协方差矩阵为：
[根据细则26改正04.04.2018]　
Figure WO-DOC-MATHS-9
则第l+1步的筛选过程为：
a)考虑能否从回归方程中剔除变量，计算自变量的贡献：
[根据细则26改正04.04.2018]　
Figure WO-DOC-MATHS-10
b)检验已选入的自变量是否显著：
[根据细则26改正04.04.2018]　
取模型中变量的最小值：
Figure WO-DOC-MATHS-11
[根据细则26改正04.04.2018]　
计算
Figure WO-DOC-MATHS-12
其中
Figure WO-DOC-MATHS-13
检验变量x k能否被剔除：
[根据细则26改正04.04.2018]　
若
Figure WO-DOC-MATHS-14
将x k剔除，转入d)；
[根据细则26改正04.04.2018]　
若
Figure WO-DOC-MATHS-15
则x k不能被剔除，转入c)；
[根据细则26改正04.04.2018]　
c)考虑能否再引入新变量，计算不在回归方程的变量的偏回归平方和，取模型外变量贡献的最大值，
Figure WO-DOC-MATHS-16
[根据细则26改正04.04.2018]　
计算
Figure WO-DOC-MATHS-17
[根据细则26改正04.04.2018]　
检验变量x k能否被引入：若
Figure WO-DOC-MATHS-18
筛选结束；
[根据细则26改正04.04.2018]　
若
Figure WO-DOC-MATHS-19
则选入x k，转入d)；
[根据细则26改正04.04.2018]　
d)将
Figure WO-DOC-MATHS-20
转化为
Figure WO-DOC-MATHS-21
进行第l+2步筛选；
[根据细则26改正04.04.2018]　
Figure WO-DOC-MATHS-22
其中
Figure WO-DOC-MATHS-23
在确认T 0(R 1(t))、L 0(R 1(t))的模型结构的时候，根据测量得到的T 0、R 1(t)以及L 0、R 1(t)，进行回归方程的选择和自变量的选择，然后对回归模型进行求解。首先假定T 0(R 1(t))、L 0(R 1(t))均为R 1(t)的3次多项式：
[根据细则26改正04.04.2018]　
Figure WO-DOC-MATHS-24
其中，T 0(R 1(t))是放卷辊的初始张力，L 0(R 1(t))是印刷图的松弛长度，取决于其在料卷的位置。
然后在模型训练过程中通过逐步回归分析方法完成。
模型结构确认以后，需要对其未知参数进行求解。由于加工过程中张力受多因素的影响，且属于删失数据。因此，采用Tobit回归模型最大似然估计的方法来进行模型未知参数求解，实现方法如下所述：
假设Y是受限因变量，具有下限0。
[根据细则26改正04.04.2018]　
Figure WO-DOC-MATHS-25
其中，X 1至Xm代表因变量，ε代表删失的随机变量，β 0至β m表示系数向量。
用φ(x)表示标准密度函数，Φ(x)表示标准正态分布函数，相应的概率分布函数为：
[根据细则26改正04.04.2018]　
Figure WO-DOC-MATHS-26
[根据细则26改正04.04.2018]　
Figure WO-DOC-MATHS-27
对该模型用MLE估计似然函数，并用牛顿迭代法求解似然函数最大值时的欧拉方程，过程如下：
①令(a 0,a 1,…,a m,a)为
Figure PCTCN2018075508-appb-000033
的估计值
②求样本的似然函数：
[根据细则26改正04.04.2018]　
Figure WO-DOC-MATHS-28
[根据细则26改正04.04.2018]　
其中，
Figure WO-DOC-MATHS-30
I i＝Y ia＝a 0+a 1X 1i+a 2X 2i+L+a mX mi
③对似然函数取对数：
[根据细则26改正04.04.2018]　
Figure WO-DOC-MATHS-33
④求一阶条件表达式：
[根据细则26改正04.04.2018]　
Figure WO-DOC-MATHS-34
k＝0,1,2,L,m
[根据细则26改正04.04.2018]　
Figure WO-DOC-MATHS-35
[根据细则26改正04.04.2018]　
根据一阶条件公式，代入初始值运用牛顿迭代法计算，迭代直到Δa的值的变化非常小时，得到的估计值就是Tobit模型的估计值
Figure WO-DOC-MATHS-36
算法流程图如图3所示。
基于Tobit的误差流模型结构确定以后，采用上述最大似然估计(MLE)来估计J i、a i和b i这些未知参数。到此，柔性材料卷对卷制造系统张力预测误差流模型构建完成。
为了计算柔性材料卷对卷系统各工位张力值，需要随机采集放卷过程的数据作为输入来进行上述的模型训练来完成建模。每隔2秒采集一次，主要包括：初始张力值和最后工位张力值，放卷速度、导向辊速度、驱动辊速度、料卷半径、初始张力、放卷电机转矩、驱动辊电机转矩。即：在不需要T 1 *的基础上进行参数J 1、a 1、b 1、J 2、b 2、W 1、W 2的估计，实现在有限传感器情况下估计每个工位的张力，并以此为依据实现卷对卷制造系统加工过程质量评估。
虽然本发明所揭露的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (7)

  1. 一种用于柔性材料卷对卷加工过程张力预测的误差流方法，其特征在于，所述方法包括以下步骤：
    A对柔性材料卷对卷加工制造系统模块进行动力学分析；
    B建立系统模块中放卷辊、收卷辊、驱动辊和导向辊的动力学方程；
    C通过放卷辊、收卷辊、驱动辊和导向辊的动力学方程分析提取出张力波动影响因素，并将所述影响因素作为误差流模型的输入变量；
    D分别建立放卷辊、收卷辊、驱动辊和导向辊的张力传递系统状态方程；
    E通过逐步回归法、Tobit算法对张力传递状态方程的结构和参数进行识别，得到完整的张力传递系统状态方程；
    F通过张力传递系统状态方程计算各工位的张力值，并根据所述张力值实现卷对卷制造系统加工过程质量评估。
  2. [根据细则26改正04.04.2018]　
    如权利要求1所述的用于柔性材料卷对卷加工过程张力预测的误差流方法，其特征在于，所述放卷辊、收卷辊、驱动辊和导向辊的动力学方程分别为：
    Figure WO-DOC-FIGURE-41

    Figure WO-DOC-FIGURE-42

    Figure WO-DOC-FIGURE-43

    Figure WO-DOC-FIGURE-44

    其中公式左侧的T u(t)表示放卷辊与后一个辊轴之间的张力；M fu(t)表示放卷辊的摩擦阻力矩，M u(t)表示施加在放卷辊上的电磁转矩，
    Figure PCTCN2018075508-appb-100005
    表示放卷辊的 角速度变化率，ω u(t)表示放卷辊的角速度；J 0为放卷辊轴的转动惯量，为固定值；用ρ表示柔性薄膜材料的密度，b表示柔性薄膜材料的宽度，R 0表示未缠绕材料时的空轴半径，R u(t)表示放卷辊卷材的实时半径，h表示柔性薄膜厚度，T w(t)表示收卷辊与上一个辊轴之间的张力，ω w(t)表示收卷辊的实时角速度，
    Figure PCTCN2018075508-appb-100006
    表示收卷辊的角速度变化率，R w(t)表示收卷辊卷材的实时半径，M w(t)表示施加在收卷辊上的电磁转矩，M fw(t)表示施加在收卷辊上摩擦阻力矩，T i表示当前卷辊的张力值，T i-1表示当前卷辊的前一个卷辊的张力值，J i(t)表示当前卷辊的等效转动惯量，ω i(t)表示当前卷辊的实时角速度，
    Figure PCTCN2018075508-appb-100007
    表示当前卷辊的角速度变化率，a i表示从电机传给驱动辊的扭矩的百分比，M motor_i表示当前电机的电磁转矩，b i为摩擦系数，R i表示当前卷辊卷材的实时半径。
  3. 如权利要求1所述的用于柔性材料卷对卷加工过程张力预测的误差流方法，其特征在于，所述张力波动影响因素包括卷材半径R(t)、卷辊转动角速度ω(t)。
  4. [根据细则26改正04.04.2018]　
    如权利要求1所述的用于柔性材料卷对卷加工过程张力预测的误差流方法，其特征在于，步骤D具体包括：根据动力学方程，引入误差流理论分别建立放卷辊、收卷辊、驱动辊和导向辊初始的张力传递系统状态方程，所述方程如下：
    Figure WO-DOC-FIGURE-45

    Figure WO-DOC-FIGURE-46

    Figure WO-DOC-FIGURE-47

    Figure WO-DOC-FIGURE-48

    其中公式左侧T i*表示用i表示工位序号，R i(t)表示第i个工位的料卷半径，R i表示第i个工位辊轴的半径，J i表示第i个工位辊轴的转动惯量，W i表示随机误差，第i个工位辊轴的电磁转矩M i＝a iM motor_i，第i个工位辊轴的摩擦阻力矩M fi＝b iω i(t)，a i是从电机传给驱动辊的扭矩的百分比，b i为摩擦系数，T 0(R 1(t))是放卷辊的初始张力，当料卷半径变化时，初始张力也会变化，
    Figure PCTCN2018075508-appb-100012
    为当前工位(第i个工位)的角速度变化率，ω i(t)为当前工位(第i个工位)的角速度，M motor_1为第一个工位的电机的电磁转矩，a 1为第一个工位中电机传给驱动辊的扭矩的百分比，b 1为第一个工位中的摩擦系数，ω 1(t)为第1个工位的角速度，M motor_i为第i个工位的电机的电磁转矩；T i-1表示当前卷辊的前一个卷辊的张力值，ρ表示柔性薄膜材料的密度，b表示柔性薄膜材料的宽度，R 0表示未缠绕材料时的空轴半径，h表示柔性薄膜厚度。
  5. 如权利要求1所述的用于柔性材料卷对卷加工过程张力预测的误差流方法，其特征在于，所述步骤E具体包括：通过逐步回归分析法来实现卷对卷加工制造系统模型结构的确定，在模型结构的确定后，采用Tobit回归模型最大似然估计的方法来进行模型未知参数求解。
  6. 如权利要求5所述的用于柔性材料卷对卷加工过程张力预测的误差流方法，其特征在于，所述逐步回归法选择变量的过程包含：
    从回归方程中剔除不显著的变量；
    并引入新变量到回归方程中。
  7. 如权利要求1所述的用于柔性材料卷对卷加工过程张力预测的误差流方法，其特征在于，所述柔性材料卷对卷系统各工位张力值是通过随机采集放卷过程的数据作为输入来进行模型训练完成建模；所述采集的数据包括初始张力值和最后工位张力值，即放卷速度、导向辊速度、驱动辊速度、料卷半径、初始张力、放卷电机转矩、驱动辊电机转矩。
PCT/CN2018/075508 2017-09-14 2018-02-07 一种用于柔性材料卷对卷加工过程张力预测的误差流方法 WO2019052117A1 (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2018536849A JP6755320B2 (ja) 2017-09-14 2018-02-07 フレキシブル材料のローラツーローラ加工過程の張力予測用の連続的な公差解析方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201710828580.7 2017-09-14
CN201710828580.7A CN107729287B (zh) 2017-09-14 2017-09-14 一种用于柔性材料卷对卷加工过程张力预测的sov方法

Publications (1)

Publication Number Publication Date
WO2019052117A1 true WO2019052117A1 (zh) 2019-03-21

Family

ID=61206232

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2018/075508 WO2019052117A1 (zh) 2017-09-14 2018-02-07 一种用于柔性材料卷对卷加工过程张力预测的误差流方法

Country Status (3)

Country Link
JP (1) JP6755320B2 (zh)
CN (1) CN107729287B (zh)
WO (1) WO2019052117A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110704884A (zh) * 2019-09-30 2020-01-17 中国人民解放军海军工程大学 一种对数正态型通用件备件需求量计算方法及装置
CN115146492A (zh) * 2022-09-06 2022-10-04 楚能新能源股份有限公司 一种评估卷绕极片张力的方法

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108622707B (zh) * 2018-03-20 2020-12-01 武汉科技大学 柔性基材卷绕系统的分布式跟随误差控制模型构建方法
CN110502043B (zh) * 2018-05-18 2024-05-24 伊顿公司 幅材卷绕机张力控制系统中的动态性能和主动阻尼方法
CN112561317B (zh) * 2020-12-15 2023-07-28 广东工业大学 一种柔性材料卷对卷加工控制决策生成方法及装置
CN113151989B (zh) * 2021-04-19 2022-10-18 山东大学 布料处理方法、系统及缝制机器人

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101324795A (zh) * 2008-07-11 2008-12-17 华中科技大学 一种卷到卷间歇式柔性基材传输的张力控制方法及装置
CN102615923A (zh) * 2012-04-16 2012-08-01 姜洪波 一种实现卷对卷定位复合的设备和方法
CN202758329U (zh) * 2012-04-16 2013-02-27 姜洪波 一种制备用于柔性触摸屏的触控电极卷材的设备
KR101247184B1 (ko) * 2011-12-30 2013-03-25 건국대학교 산학협력단 롤투롤 라미네이션 공정에서 박리현상과 리와인딩 구간에서의 슬립현상을 방지하기 위한 운전 장력 설정 방법

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100586825C (zh) * 2008-06-30 2010-02-03 陕西北人印刷机械有限责任公司 一种非线性收卷张力控制方法
CN102556737B (zh) * 2011-12-23 2014-11-26 深圳众为兴技术股份有限公司 一种张力控制方法
CN103440416A (zh) * 2013-08-27 2013-12-11 西北工业大学 基于扩展误差流的叶片加工过程误差预测方法
US9557374B2 (en) * 2014-10-08 2017-01-31 Eastman Kodak Company Vision-guided alignment system
CN105775806A (zh) * 2014-12-24 2016-07-20 重庆鑫仕达包装设备有限公司 一种圆盘式收放卷复合机
CN205114638U (zh) * 2015-10-15 2016-03-30 苏州伍洲设计包装有限公司 一种纸卷收放卷机
CN105887286B (zh) * 2016-05-31 2018-11-20 天津工业大学 一种碳纤维多层角联织机纱线张力控制方法
CN106391725B (zh) * 2016-09-28 2018-05-01 燕山大学 一种适用于冷轧过程轧制压力随轧制速度变化预报方法
CN106626532B (zh) * 2016-11-23 2018-11-27 福建东南艺术纸品股份有限公司 一种采用水性油墨印刷的餐巾纸生产方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101324795A (zh) * 2008-07-11 2008-12-17 华中科技大学 一种卷到卷间歇式柔性基材传输的张力控制方法及装置
KR101247184B1 (ko) * 2011-12-30 2013-03-25 건국대학교 산학협력단 롤투롤 라미네이션 공정에서 박리현상과 리와인딩 구간에서의 슬립현상을 방지하기 위한 운전 장력 설정 방법
CN102615923A (zh) * 2012-04-16 2012-08-01 姜洪波 一种实现卷对卷定位复合的设备和方法
CN202758329U (zh) * 2012-04-16 2013-02-27 姜洪波 一种制备用于柔性触摸屏的触控电极卷材的设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
SHUI, HUANYI: "Roll-to-Roll Manufacturing System Modeling and Analysis by Stream of Variation Theory", ASME 2016 11TH INTERNATIONAL MANUFACTURING SCIENCE AND ENGINEERING CONFEREN- CE, vol. 2, 1 July 2016 (2016-07-01), pages 6 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110704884A (zh) * 2019-09-30 2020-01-17 中国人民解放军海军工程大学 一种对数正态型通用件备件需求量计算方法及装置
CN115146492A (zh) * 2022-09-06 2022-10-04 楚能新能源股份有限公司 一种评估卷绕极片张力的方法

Also Published As

Publication number Publication date
JP6755320B2 (ja) 2020-09-16
CN107729287B (zh) 2021-05-18
JP2019535609A (ja) 2019-12-12
CN107729287A (zh) 2018-02-23

Similar Documents

Publication Publication Date Title
WO2019052117A1 (zh) 一种用于柔性材料卷对卷加工过程张力预测的误差流方法
WO2021042935A1 (zh) 基于隐马尔科夫模型和迁移学习的轴承寿命预测方法
JP2019535609A5 (zh)
CN107247989B (zh) 一种实时的计算机视觉处理方法及装置
Zhang et al. Few-shot bearing fault diagnosis based on model-agnostic meta-learning
CN107742168B (zh) 一种基于物联技术的生产车间动态瓶颈预测方法
CN109784692B (zh) 一种基于深度学习的快速安全约束经济调度方法
TW201820174A (zh) 整體式學習預測裝置與方法、以及非暫存電腦可讀的儲存媒介
CN116821783A (zh) 一种故障检测方法、系统、设备及介质
Yang et al. A study on software reliability prediction based on support vector machines
CN115841004B (zh) 基于多维数据的带钢热轧过程力学性能软测量方法及装置
CN115019209A (zh) 一种基于深度学习的电力杆塔状态检测的方法及系统
Li et al. Bottleneck identification and alleviation in a blocked serial production line with discrete event simulation: A case study.
EP4118503B1 (en) Predictive maintenance with convolutional neural networks
CN111709577A (zh) 基于长程相关性gan-lstm的rul预测方法
CN114584406A (zh) 一种联邦学习的工业大数据隐私保护系统及方法
CN114398992A (zh) 一种基于无监督域适应的智能故障诊断方法
Ma et al. A missing manufacturing process data imputation framework for nonlinear dynamic soft sensor modeling and its application
CN116777183B (zh) 无人船集群智能调度方法及系统
CN117349748A (zh) 一种基于云边协同的主动学习故障诊断方法
Deng et al. Research on fault diagnosis of flexible material R2R manufacturing system based on quality control chart and SoV
CN110109969A (zh) 一种用于类不均衡应用的集成数据流挖掘方法和系统
CN109697271B (zh) 基于短时能量变化比和核极限学习机的滚动轴承健康评估与性能预测方法
CN107977742B (zh) 一种中长期电力负荷预测模型的构建方法
CN111222525A (zh) 基于改进极限学习机的涂胶质量数据库构建方法

Legal Events

Date Code Title Description
ENP Entry into the national phase

Ref document number: 2018536849

Country of ref document: JP

Kind code of ref document: A

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18857374

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18857374

Country of ref document: EP

Kind code of ref document: A1