【技术实现步骤摘要】
本专利技术涉及生产过程优化控制，具体是用于高填充改性材料生产过程优化的智能控制方法及系统。
技术介绍
1、高填充改性材料是一种高性能复合材料，通常由基体树脂(如pp、pe等热塑性塑料)、高含量无机填充料(如玻璃纤维、碳纤维等)和少量助剂(如相溶剂、阻燃剂等)经物理混合而成。这类材料兼具树脂的可加工性和填充料的高强度、高刚性等优点，被广泛应用于汽车、电子、航空等领域。
2、生产高填充改性材料一般需经过三道主要工序：
3、混合工序：将基体树脂、填充料和助剂按配比投料，在高温高速搅拌下充分混合均化。
4、注塑/挤出成型工序：将混合后的复合料在加热状态下注入模具或通过挤出机成型。
5、冷却工序：控制冷却速率，使成型品冷却固化并获得所需的几何形状和性能指标。
6、传统调控工艺参数主要依赖人工经验试错，无法量化考虑不同质量指标的权重，调参周期长、人力成本高，且缺乏系统理论模型指导，难以控制和提高产品质量水平，人为操作因素也会影响调参效果。
7、为此，本专利技术提出用于高填充改性材料生产过程优化的智能控制方法及系统。
技术实现思路
1、本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本专利技术提出用于高填充改性材料生产过程优化的智能控制方法及系统，大幅提高合格品率和生产效率。
2、为实现上述目的，提出用于高填充改性材料生产过程优化的智能控制方法，包括以下步骤：
3、步骤一：预先进行n次生产实
4、步骤二：基于产物质量标签集合，计算每次生产实验中每道生产工序的质量参数标签；
5、步骤三：对于第k道生产工序，基于历史过程数据、质量参数标签以及第k-1道生产工序的产物质量标签集合，为每道生产工序训练质量预测模型，并收集每道生产工序的质量预测模型对应的质量预测函数；k为生产工序按生产顺序排序的编号；
6、步骤四：为第k道生产工序预设质量阈值；对于待生产材料的第k道生产工序，基于第k-1道生产工序的质量参数标签、第k道生产工序的质量阈值和质量预测函数，获得第k道工序的优化生产参数集合。
7、具体地，所述收集每次生产实验中各道生产工序的历史过程数据和产物质量标签集合的方式为：
8、对于每次生产实验的第k道生产工序，收集输入该道生产工序的原料数据、该道生产工序的各项生产参数，组成历史过程数据。
9、具体地，对于每次生产实验的第k道生产工序，收集该道生产工序结束后获得的产物的各项质量参数的参数值，组成产物质量标签集合。
10、具体地，对于混合工序，所述质量参数包括填充物分散均匀性、实际密度；
11、对于注塑挤出工序，所述质量参数包括实际尺寸、实测拉伸强度值以及外观完整性；
12、对于冷却工序，所述质量参数包括尺寸变化率、体积收缩率、表面质量分数、实测冲击强度、实测hdt值以及表面电阻率。
13、具体地，所述基于产物质量标签集合，计算每次生产实验中每道生产工序的质量参数标签的方式为：
14、对于混合工序，基于填充物分散均匀性、实际密度，以及预先计算出的理论密度，构造出混合质量函数，并将每次生产实验的混合工序的各项质量参数的参数值代入混合质量函数中，计算出的函数值即为混合工序的质量参数标签；
15、对于注塑挤出工序，基于实际尺寸、实测拉伸强度值、外观完整性、预设的设计尺寸和预设的设计拉伸强度值，构造出注塑挤出质量函数，并将每次生产实验的注塑挤出工序的各项质量参数的参数值代入注塑挤出质量函数中，计算出的函数值即为注塑挤出工序的质量参数标签；
16、对于冷却工序，基于尺寸变化率、体积收缩率、表面质量分数、实测冲击强度、实测hdt值以及表面电阻率、预设的允许尺寸变化率、预设的设计收缩率、预设的设计冲击强度以及收集的使用温度，构造出冷却质量函数，并将每次生产实验的冷却工序的各项质量参数的参数值代入冷却质量函数中，计算出的函数值即为冷却工序的质量参数标签。
17、具体地，所述为每道生产工序训练质量预测模型的方式为：
18、将每次生产实验的第k道生产工序的原料数据、生产参数以及第k-1道生产工序的各项质量参数标签共同组成一组训练特征向量；
19、对于第k道生产工序，将第k道生产工序对应的每一次生产实验的训练特征向量作为质量预测模型的输入，所述质量预测模型以对该道生产工序产品的质量参数的预测值作为输出；所述质量预测模型以该道生产工序产品的质量参数标签作为预测目标，以质量参数的预测值和质量参数标签之间的差值作为预测误差，以最小化所有生产实验的预测误差的平方和作为训练目标；对质量预测模型进行训练，直至预测误差的平方和达到收敛时停止训练；所述质量预测模型为多项式模型。
20、具体地，所述收集每道生产工序的质量预测模型对应的质量预测函数的方式为：
21、读取每道生产工序训练完成的质量预测模型所对应的多项式函数表达式作为质量预测函数。
22、具体地，对于待生产材料的第k道生产工序，基于第k-1道生产工序的质量参数标签、第k道生产工序的质量阈值和质量预测函数，获得第k道工序的优化生产参数集合的方式为：
23、在对待生产材料进行第k道生产工序之前，收集第k-1道生产工序的产品的原料数据，并标记为原料集合a，以及收集第k-1道生产工序的产品的各项质量参数的参数值，并标记为质量集合b；
24、将第k道生产工序的质量预测函数的函数表达式标记为fk，fk＝fk(a，b，x)；其中，fk为第k道生产工序的质量预测模型对应的函数方程式，x为第k道生产工序的生产参数变量集合；
25、将第k道生产工序的质量阈值标记为yk；
26、将质量阈值代入质量预测函数中，构造优化限制条件：yk＜fk(a，b，x)，使用遗传算法或蚁群算法，对所述优化限制条件进行可行解求解，获得生产参数变量集合的可行解集合作为优化生产参数集合。
27、提出用于高填充改性材料生产过程优化的智能控制系统，包括测试数据收集模块、质量计算模块、模型训练模块以及生产控制模块；其中，各个模块之间通过电性方式连接；
28、测试数据收集模块，预先进行n次生产实验，收集每次生产实验中各道生产工序的历史过程数据和产物质量标签集合，并将历史过程数据和产物质量标签集合发送至模型训练模块，将产物质量标签集合发送至质量计算模块；
29、质量计算模块，基于产物质量标签集合，计算每次生产实验中每道生产工序的质量参数标签，并将质量参数标签发送至模型训练模块；
30、模型训练模块，对于第k道生产工序，基于历史过程数据、质量参数标签以及第k-1道生产工序的产物质量标签集合，为每道生产工序训练质量预测模型，并收集每道生产工序的质量预测模型对应的质量预测函数，本文档来自技高网...
【技术保护点】
1.用于高填充改性材料生产过程优化的智能控制方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的用于高填充改性材料生产过程优化的智能控制方法，其特征在于，对于每次生产实验的第k道生产工序，收集输入该道生产工序的原料数据、该道生产工序的各项生产参数，组成历史过程数据。
3.根据权利要求1所述的用于高填充改性材料生产过程优化的智能控制方法，其特征在于，对于每次生产实验的第k道生产工序，收集该道生产工序结束后获得的产物的各项质量参数的参数值，组成产物质量标签集合。
4.根据权利要求3所述的用于高填充改性材料生产过程优化的智能控制方法，其特征在于，所述基于产物质量标签集合，计算每次生产实验中每道生产工序的质量参数标签的方式为：
5.根据权利要求4所述的用于高填充改性材料生产过程优化的智能控制方法，其特征在于，所述为每道生产工序训练质量预测模型的方式为：
6.根据权利要求5所述的用于高填充改性材料生产过程优化的智能控制方法，其特征在于，所述收集每道生产工序的质量预测模型对应的质量预测函数的方式为：
7.根据权利要
8.用于高填充改性材料生产过程优化的智能控制系统，其用于实现权利要求1-7中任意一项所述的用于高填充改性材料生产过程优化的智能控制方法，其特征在于，包括测试数据收集模块、质量计算模块、模型训练模块以及生产控制模块；其中，各个模块之间通过电性方式连接；
9.一种电子设备，其特征在于，包括：处理器和存储器，其中，
10.一种计算机可读存储介质，其特征在于，其上存储有可擦写的计算机程序；
...【技术特征摘要】
1.用于高填充改性材料生产过程优化的智能控制方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的用于高填充改性材料生产过程优化的智能控制方法，其特征在于，对于每次生产实验的第k道生产工序，收集输入该道生产工序的原料数据、该道生产工序的各项生产参数，组成历史过程数据。
3.根据权利要求1所述的用于高填充改性材料生产过程优化的智能控制方法，其特征在于，对于每次生产实验的第k道生产工序，收集该道生产工序结束后获得的产物的各项质量参数的参数值，组成产物质量标签集合。
4.根据权利要求3所述的用于高填充改性材料生产过程优化的智能控制方法，其特征在于，所述基于产物质量标签集合，计算每次生产实验中每道生产工序的质量参数标签的方式为：
5.根据权利要求4所述的用于高填充改性材料生产过程优化的智能控制方法，其特征在于，所述为每道生产工序训练质量预测模型的方式为：
【专利技术属性】
技术研发人员：庾高轩，李玉荣，
申请(专利权)人：永轩新材料集团有限公司，
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。