【技术实现步骤摘要】
本专利技术涉及辊筒硬度检测，具体涉及一种辊筒硬度检测方法及系统。
技术介绍
1、在辊筒加工领域，确保产品批量的硬度符合规定标准是至关重要的；辊筒在工业生产中扮演着重要的角色，用于各种物流输送过程中；然而，由于制造过程中的各种因素，如材料特性和加工控制参数等，可能导致生产出的辊筒硬度存在差异，甚至出现批量产品硬度不合格的情况，这对生产效率和产品质量造成了严重影响，而传统的辊筒硬度检测方法主要包括离线检测方式，离线检测方式通常需要将辊筒从生产线中取出，使用硬度计等设备进行测试；这种方法不仅费时费力，还会中断生产流程，降低生产效率。
2、目前，缺乏智能化的辊筒硬度检测方法，当然存在部分相近的硬度检测技术，例如授权公告号为cn113447381b的专利公开了一种布氏硬度检测方法及检测系统，上述方法虽能实现硬度检测，但对上述方法以及现有技术进行研究和实际应用发现，现有技术至少存在以下部分缺陷：
3、(1)存在检测滞后性，无法在辊筒的生产过程中，实时预估出辊筒的检测硬度，进一步地，无法确定生产出的辊筒硬度是否合格，从而易导致出现批量硬度不合格的辊筒。
4、(2)无法在实时预估辊筒硬度的基础上，针对挤出机进行控制调整，进一步地，导致出现辊筒的批量返工，易造成辊筒制造成本的增加和辊筒制作不合格率的上升，容易导致生产出的辊筒出现较大的硬度误差。
技术实现思路
1、本专利技术的目的是提供一种辊筒硬度检测方法及系统，以解决
技术介绍
中的不足。
2、一种辊筒硬
3、在利用挤出机对辊筒原料进行加工时，实时获取挤出机的实际控制数据；所述实际控制数据包括实际挤出压力、实际挤出温度和实际挤出速度；
4、获取辊筒原料数据，将辊筒原料数据、实际挤出压力、实际挤出温度和实际挤出速度输入预构建第一机器学习模型中，以预测挤出成型后辊筒的预估硬度值；
5、将挤出成型后辊筒的预估硬度值与预设标准硬度值进行比对，以获取比对结果；所述比对结果包括辊筒硬度合格品和辊筒硬度不合格品。
6、进一步地，所述辊筒原料数据包括辊筒原料成分、辊筒原料成分配比和添加剂的含量。
7、进一步地，所述预构建第一机器学习模型的生成逻辑如下：
8、获取历史硬度检测训练数据，将历史硬度检测训练数据划分为硬度检测训练集和硬度检测测试集；所述历史硬度检测训练数据中包含硬度检测特征数据及其对应的预估硬度值；
9、构建第一回归网络，将硬度检测训练集中的硬度检测特征数据作为第一回归网络输入数据，以及将硬度检测训练集中的预估硬度值作为第一回归网络输出数据，对第一回归网络进行训练，得到初始第一机器学习网络；
10、利用硬度检测测试集对初始第一机器学习网络进行模型验证，输出小于等于预设第一测试误差阈值的初始第一机器学习网络作为预构建第一机器学习模型。
11、进一步地，所述比对结果的生成过程如下：
12、将挤出成型后辊筒的预估硬度值与预设标准硬度值进行比对；
13、若预估硬度值与预设标准硬度值相等，则判定对应辊筒为辊筒硬度合格品；
14、若预估硬度值与预设标准硬度值不相等，则判定对应辊筒为辊筒硬度不合格品。
15、进一步地，所述方法还包括：
16、当比对结果为辊筒硬度不合格时，将预估硬度值与预设标准硬度值的差值作为生产硬度误差，将生产硬度误差输入预构建的第二机器学习模型中，以获取挤出机的最佳调整控制数据；
17、根据最佳调整控制数据对挤出机进行调控，以使得挤出成型后辊筒达到出厂标准。
18、进一步地，所述预构建的第二机器学习模型的生成逻辑如下：
19、获取历史控制参数训练数据，将历史控制参数训练数据划分为控制参数训练集和控制参数测试集；所述历史控制参数训练数据中包含多个生产硬度误差及其对应的最佳调整控制数据；所述最佳调整控制数据包括最佳修正挤出压力、最佳修正挤出温度和最佳修正挤出速度；
20、构建第二回归网络，将控制参数训练集中的生产硬度误差作为第二回归网络输入数据，以及将控制参数训练集中的最佳调整控制数据作为第二回归网络输出数据，对第二回归网络进行训练，得到初始第二机器学习网络；
21、利用控制参数测试集对初始第二机器学习网络进行模型验证，输出小于等于预设第二测试误差阈值的初始第二机器学习网络作为预构建的第二机器学习模型。
22、进一步地，所述历史控制参数训练数据中最佳修正挤出压力的生成逻辑如下：
23、a1：在测试场景中，获取在利用挤出机对辊筒原料进行加工时，获取挤出机的实际挤出压力，并将实际挤出压力记作m，m为大于零的整数；
24、a2：并令q＝m+n，或令q＝m-n，得到修正挤出压力q，q和n为大于零的整数；
25、a3：利用修正挤出压力q对挤出机进行控制，并根据修正挤出压力q获取挤出成型后辊筒的预估硬度值，判断预估硬度值与预设标准硬度值是否相等，若相等，则将修正挤出压力q作为最佳修正挤出压力；若不相等，则令n＝n+1，或令n＝n-1，并返回步骤a2；
26、a4：重复上述步骤a2-a3，直至得到最佳修正挤出压力时，结束循环；
27、所述历史控制参数训练数据中最佳修正挤出温度的生成逻辑如下：
28、b1：在测试场景中，获取在利用挤出机对辊筒原料进行加工时，获取挤出机的实际挤出温度，并将实际挤出温度记作p，p为大于零的整数；
29、b2：并令g＝p+u，或令g＝p-u，得到修正挤出温度g，g和u为大于零的整数；
30、b3：利用修正挤出温度g对挤出机进行控制，并根据修正挤出温度g获取挤出成型后辊筒的预估硬度值，判断预估硬度值与预设标准硬度值是否相等，若相等，则将修正挤出温度g作为最佳修正挤出温度；若不相等，则令u＝u+1，或令u＝u-1，并返回步骤b2；
31、b4：重复上述步骤b2-b3，直至得到最佳修正挤出温度时，结束循环；
32、所述历史控制参数训练数据中最佳修正挤出速度的生成逻辑如下：
33、c1：在测试场景中，获取在利用挤出机对辊筒原料进行加工时，获取挤出机的实际挤出速度，并将实际挤出速度记作e，e为大于零的整数；
34、c2：并令f＝e+b，或令f＝e-b，得到修正挤出速度f，f和b为大于零的整数；
35、c3：利用修正挤出速度f对挤出机进行控制，并根据修正挤出速度f获取挤出成型后辊筒的预估硬度值，判断预估硬度值与预设标准硬度值是否相等，若相等，则将修正挤出速度f作为最佳修正挤出速度；若不相等，则令u＝u+1，或令u＝u-1，并返回步骤b2；
36、c4：重复上述步骤b2-b3，直至得到修正挤出速度时，结束循环。
37、一种辊筒硬度检测系统，所述系统包括：
38、数据采集模块，用于在利用挤出机对辊筒本文档来自技高网...
【技术保护点】
1.一种辊筒硬度检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的辊筒硬度检测方法，其特征在于，所述辊筒原料数据包括辊筒原料成分、辊筒原料成分配比和添加剂的含量。
3.根据权利要求2所述的辊筒硬度检测方法，其特征在于，所述预构建第一机器学习模型的生成逻辑如下：
4.根据权利要求3所述的辊筒硬度检测方法，其特征在于，所述比对结果的生成过程如下：
5.根据权利要求4所述的辊筒硬度检测方法，其特征在于，所述方法还包括：
6.根据权利要求5所述的辊筒硬度检测方法，其特征在于，所述预构建的第二机器学习模型的生成逻辑如下：
7.根据权利要求6所述的辊筒硬度检测方法，其特征在于，所述历史控制参数训练数据中最佳修正挤出压力的生成逻辑如下：
8.一种辊筒硬度检测系统，其特征在于，所述系统包括：
9.根据权利要求8所述的辊筒硬度检测系统，其特征在于，所述系统还包括：
【技术特征摘要】
1.一种辊筒硬度检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的辊筒硬度检测方法，其特征在于，所述辊筒原料数据包括辊筒原料成分、辊筒原料成分配比和添加剂的含量。
3.根据权利要求2所述的辊筒硬度检测方法，其特征在于，所述预构建第一机器学习模型的生成逻辑如下：
4.根据权利要求3所述的辊筒硬度检测方法，其特征在于，所述比对结果的生成过程如下：
5.根据权利要求4所述的辊...
【专利技术属性】
技术研发人员：王耀亮，汪虹，王敏杰，沈琦伟，
申请(专利权)人：湖州盟泰智能科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。