專(zhuān)利名稱(chēng)：一種橡膠門(mén)尼粘度的在線(xiàn)自動(dòng)測(cè)量方法
技術(shù)領(lǐng)域：
本發(fā)明涉及橡膠輪胎制造領(lǐng)域的在線(xiàn)自動(dòng)測(cè)量方法，特別涉及一種橡膠門(mén)尼粘度的在線(xiàn)自動(dòng)測(cè)量方法。
背景技術(shù)：
近年來(lái)，隨著國(guó)民生產(chǎn)總值的不斷提高，橡膠行業(yè)有著突飛猛進(jìn)的發(fā)展，加上中國(guó)汽車(chē)行業(yè)的不斷發(fā)展，對(duì)橡膠行業(yè)更起到了巨大的推動(dòng)作用。不論是在生產(chǎn)還是生活領(lǐng)域， 越來(lái)越多的使用到橡膠制品。隨著新產(chǎn)品的不斷出現(xiàn)，應(yīng)用領(lǐng)域的不斷擴(kuò)大，均對(duì)橡膠產(chǎn)品的生產(chǎn)提出了更新更高的要求。橡膠混煉是橡膠生產(chǎn)最主要的工序之一，對(duì)橡膠混煉過(guò)程的有效控制直接影響到橡膠產(chǎn)品的質(zhì)量。橡膠混煉是典型的間歇過(guò)程，具有明顯的時(shí)變特性和非線(xiàn)性，因此對(duì)混煉膠質(zhì)量檢測(cè)的及時(shí)、準(zhǔn)確，即對(duì)混煉過(guò)程的實(shí)時(shí)控制，是保證橡膠產(chǎn)品質(zhì)量的關(guān)鍵。但是橡膠混煉過(guò)程很短，一般只有2 3分鐘左右的時(shí)間，而且混練過(guò)程復(fù)雜，所以對(duì)混煉過(guò)程直接進(jìn)行控制具有很大的挑戰(zhàn)，因此也很難保障橡膠的質(zhì)量。門(mén)尼粘度作為衡量膠料粘度特性、可加工特性和壓延特性等多方面性能的綜合物性指標(biāo)，是橡膠質(zhì)量檢測(cè)最關(guān)鍵的指標(biāo)之一。目前，橡膠行業(yè)對(duì)門(mén)尼粘度的測(cè)量過(guò)程主要分為以下幾個(gè)步驟(1)橡膠通過(guò)密煉、擠出、壓延、開(kāi)煉后，經(jīng)過(guò)隔離劑，再進(jìn)行風(fēng)冷，風(fēng)冷后進(jìn)行墊片；(2)停放一定時(shí)間(一般在四小時(shí)以上)以保證膠料物性趨于穩(wěn)定后，工藝人員手動(dòng)取樣并記錄其車(chē)次信息；(3)將取得的終煉膠樣品拿到快檢室進(jìn)行手動(dòng)沖樣；(4)用門(mén)尼儀進(jìn)行門(mén)尼粘度的測(cè)量。經(jīng)過(guò)上述一系列的復(fù)雜工序后，才能得到該車(chē)次橡膠的門(mén)尼粘度。發(fā)明人在實(shí)現(xiàn)本發(fā)明的過(guò)程中發(fā)現(xiàn)，現(xiàn)有技術(shù)中至少存在以下缺點(diǎn)和不足(1)測(cè)量具有很大的滯后性，橡膠質(zhì)量得不到實(shí)時(shí)監(jiān)測(cè)?；鞜捄蟮玫降慕K煉膠至少要停放2 4小時(shí)以上才可進(jìn)行檢驗(yàn)和后續(xù)加工，而每混煉一車(chē)橡膠僅需2 3分鐘左右的時(shí)間，每條生產(chǎn)線(xiàn)基本是全天工作的，每車(chē)橡膠從過(guò)隔離劑到墊片之間的時(shí)間大概是20 分鐘左右，再加上停放、取樣、沖樣和檢測(cè)等程序，基本上要滯后四個(gè)小時(shí)以上，即相當(dāng)于滯后混煉至少80車(chē)左右的時(shí)間。如此大的滯后效應(yīng)嚴(yán)重制約著各種先進(jìn)控制策略的應(yīng)用和產(chǎn)品質(zhì)量的進(jìn)一步提高，由此也使生產(chǎn)廠(chǎng)商面臨著巨大的經(jīng)濟(jì)損失風(fēng)險(xiǎn)。(2)測(cè)量具有不確定性。如上所述，測(cè)量過(guò)程中所有工作均由工作人員手動(dòng)完成， 一方面工作人員只是通過(guò)目測(cè)的方法來(lái)確定大概的車(chē)次信息，混淆車(chē)次的可能性非常大； 另一方面，取樣裁片時(shí)的部位不同，也會(huì)在一定程度上引入不必要的隨機(jī)誤差。此外，測(cè)量人員和記錄人員也有可能出現(xiàn)人為錯(cuò)誤，進(jìn)一步影響產(chǎn)品的質(zhì)量。(3)生產(chǎn)成本高。門(mén)尼儀本身價(jià)格很高，國(guó)產(chǎn)的達(dá)到8萬(wàn)每臺(tái)，阿爾法的更是高達(dá)10 60萬(wàn)；由于市場(chǎng)需求的不斷增加，工廠(chǎng)的每條生產(chǎn)線(xiàn)基本是全天工作，這樣就會(huì)造成門(mén)尼儀的長(zhǎng)期使用，需要大量的人力和物力資源來(lái)保證門(mén)尼儀的正常工作，因此也會(huì)導(dǎo)致工廠(chǎng)維護(hù)門(mén)尼儀的成本大大提高。另一方面，混煉生產(chǎn)線(xiàn)全天工作，產(chǎn)量非常大，門(mén)尼粘度的復(fù)雜人工測(cè)量過(guò)程要求必須有數(shù)名專(zhuān)門(mén)負(fù)責(zé)取樣、沖樣、測(cè)量的工作人員，由此給廠(chǎng)商帶來(lái)了較大的勞動(dòng)力成本以及相應(yīng)的協(xié)調(diào)、分配等附加成本，降低了工廠(chǎng)的利益。橡膠門(mén)尼粘度的測(cè)量成為生產(chǎn)過(guò)程的短板，長(zhǎng)期以來(lái)影響到橡膠混煉過(guò)程的發(fā)展，嚴(yán)重制約著對(duì)橡膠生產(chǎn)質(zhì)量的控制，尋求實(shí)時(shí)監(jiān)測(cè)門(mén)尼粘度的方法成為提高生產(chǎn)效率和質(zhì)量的主要發(fā)展趨勢(shì)。

發(fā)明內(nèi)容
本發(fā)明要解決的技術(shù)問(wèn)題在于提供一種橡膠門(mén)尼粘度的在線(xiàn)自動(dòng)測(cè)量方法，該方法可以實(shí)現(xiàn)實(shí)時(shí)的測(cè)量門(mén)尼粘度，測(cè)量結(jié)果準(zhǔn)確和生產(chǎn)成本低等優(yōu)點(diǎn)，詳見(jiàn)下文描述一種橡膠門(mén)尼粘度的在線(xiàn)自動(dòng)測(cè)量方法，所述方法包括以下步驟(1)將當(dāng)前車(chē)次橡膠混煉過(guò)程結(jié)束后質(zhì)量監(jiān)測(cè)系統(tǒng)采集到的終煉膠質(zhì)量指標(biāo)中的流變參數(shù)與門(mén)尼粘度在線(xiàn)預(yù)測(cè)模型自動(dòng)連接，并且設(shè)定流變參數(shù)新樣本為Xmw ；(2)將所述流變參數(shù)新樣本Xnrat輸入所述門(mén)尼粘度在線(xiàn)預(yù)測(cè)模型中，根據(jù)f: X — y，自動(dòng)輸出門(mén)尼粘度值y細(xì)；(3)讀取所述門(mén)尼粘度值yMW，并將所述門(mén)尼粘度值ynOT傳輸給所述質(zhì)量監(jiān)測(cè)系統(tǒng)，所述質(zhì)量監(jiān)測(cè)系統(tǒng)接收所述門(mén)尼粘度值，根據(jù)與門(mén)尼粘度預(yù)設(shè)值的對(duì)比，對(duì)同批次混煉過(guò)程進(jìn)行相應(yīng)的工藝調(diào)整，自動(dòng)檢測(cè)是否有所述流變參數(shù)新樣本Xnrat輸入(即同批次橡膠混煉過(guò)程是否仍在繼續(xù))，如果是，執(zhí)行步驟；如果否，執(zhí)行步驟(5)(4)重新執(zhí)行步驟(1)；(5)流程結(jié)束。步驟(1)中的所述門(mén)尼粘度在線(xiàn)預(yù)測(cè)模型具體為橡膠混煉結(jié)束后，對(duì)于最終得到的橡膠的兩個(gè)重要質(zhì)量指標(biāo)——門(mén)尼粘度和流變參數(shù)，結(jié)合獨(dú)立成分回歸方法和高斯過(guò)程根據(jù)所述流變參數(shù)構(gòu)建所述門(mén)尼粘度在線(xiàn)預(yù)測(cè)模型，通過(guò)所述門(mén)尼粘度在線(xiàn)預(yù)測(cè)模型獲取最終回歸值。所述橡膠的質(zhì)量指標(biāo)，結(jié)合獨(dú)立成分回歸方法和高斯過(guò)程根據(jù)所述流變參數(shù)構(gòu)建所述門(mén)尼粘度在線(xiàn)預(yù)測(cè)模型具體為1)首先采集終煉膠質(zhì)量指標(biāo)數(shù)據(jù)樣本，建立數(shù)據(jù)庫(kù)，數(shù)據(jù)樣本包括流變參數(shù)和門(mén)尼粘度值，且規(guī)定流變參數(shù)對(duì)應(yīng)的自變量X = Ix1, X2,... , XnI，門(mén)尼粘度值對(duì)應(yīng)的因變量Y =Iy1, y2，...，yn}，η為建模所需樣本數(shù)，Xi, Yi分別對(duì)應(yīng)流變參數(shù)和門(mén)尼粘度值，i = 1， 2 ... J π ；2)通過(guò)所述獨(dú)立成分回歸方法對(duì)所述自變量X進(jìn)行非高斯信息提取，建立獨(dú)立成分回歸模型，得到對(duì)應(yīng)的獨(dú)立成分矩陣S、混合矩陣A以及回歸值Yra ；3)自變量矩陣X中包含的非高斯信息表示為；= ；Xe =X-文和\ = Y-Yice分別表示被所述獨(dú)立成分回歸模型提取后自變量矩陣和實(shí)際回歸矩陣中余下的高斯信息部分，再將Xe和\作為高斯過(guò)程訓(xùn)練樣本的輸入和輸出， 進(jìn)行高斯過(guò)程的建模，提取出&中的高斯信息，得到回歸值YeP ；
4)獲取所述最終回歸值Ypred = Yra+YeP。本發(fā)明提供的一種橡膠門(mén)尼粘度的在線(xiàn)自動(dòng)測(cè)量方法，與現(xiàn)有技術(shù)相比具有如下的優(yōu)點(diǎn)本發(fā)明通過(guò)與門(mén)尼粘度有較強(qiáng)相關(guān)性的橡膠的另一重要質(zhì)量指標(biāo)——流變參數(shù)預(yù)測(cè)出門(mén)尼粘度值，在不增加采樣負(fù)擔(dān)、最大限度地降低質(zhì)量檢測(cè)結(jié)果滯后性的同時(shí)極大地節(jié)約生產(chǎn)成本，實(shí)時(shí)有效地預(yù)測(cè)出橡膠的門(mén)尼粘度，對(duì)混煉過(guò)程進(jìn)行在線(xiàn)監(jiān)控，為各種先進(jìn)質(zhì)量控制策略的有效應(yīng)用和橡膠質(zhì)量的進(jìn)一步提高奠定必要的基礎(chǔ)；同時(shí)本發(fā)明針對(duì)實(shí)際生產(chǎn)中遇到的“黑盒子”問(wèn)題提出了一種多變量統(tǒng)計(jì)回歸方法，它在特征提取過(guò)程中既能使變量中的高斯信息和非高斯信息完全提取出來(lái)，又能保證計(jì)算簡(jiǎn)單易行，不需要先驗(yàn)知識(shí)來(lái)選擇大量參數(shù)而是通過(guò)自身的優(yōu)化來(lái)實(shí)現(xiàn)，使回歸問(wèn)題得到很好的解決。


圖1為本發(fā)明提供的門(mén)尼粘度在線(xiàn)預(yù)測(cè)模型ICGP的示意圖；圖2為本發(fā)明提供的一種橡膠門(mén)尼粘度的在線(xiàn)自動(dòng)測(cè)量方法的流程圖。
具體實(shí)施例方式為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合附圖對(duì)本發(fā)明實(shí)施方式作進(jìn)一步地詳細(xì)描述。橡膠的另一主要質(zhì)量指標(biāo)流變參數(shù)(主要包括最低扭矩ML，最高扭矩MH和硫化時(shí)間參數(shù)TC30、TC60以及TC90)是每車(chē)橡膠在混煉結(jié)束后必須要測(cè)量的參數(shù)，每次測(cè)量只需要2 5分鐘，檢測(cè)快速簡(jiǎn)便?？紤]到門(mén)尼儀和流變儀工作原理的相似性，以及流變參數(shù)與門(mén)尼粘度本身具有較強(qiáng)的相關(guān)性，那么如何通過(guò)流變參數(shù)擬合出門(mén)尼粘度成為解決門(mén)尼粘度測(cè)量瓶頸問(wèn)題的一個(gè)可行方法。目前為止，多元統(tǒng)計(jì)回歸方法在數(shù)據(jù)驅(qū)動(dòng)問(wèn)題中已經(jīng)廣泛應(yīng)用，而且對(duì)提高預(yù)測(cè)性能起到了明顯的作用，解決了很多生產(chǎn)生活中的實(shí)際問(wèn)題。比如PCA (Principal Component Analysis,主成分分析)、PLS (Partial Least Squares,部分最小二乘)、 ANN (Artificial Neural Networks，人工神經(jīng)網(wǎng)絡(luò))、SVM (Support Vector Machine，支持向量機(jī))和GP (Gaussian I^rocess，高斯過(guò)程)等等。尤其要突出的是高斯過(guò)程，它是最近十幾年才發(fā)展起來(lái)的一種新型的基于概率思想的非線(xiàn)性核機(jī)器學(xué)習(xí)方法，可以通過(guò)自身的迭代完成最優(yōu)參數(shù)的選擇，而且達(dá)到相當(dāng)高的分類(lèi)和回歸精度，因此在統(tǒng)計(jì)數(shù)據(jù)分析領(lǐng)域受到越來(lái)越多的關(guān)注。但是高斯過(guò)程和上述提及的各種數(shù)據(jù)驅(qū)動(dòng)方法都是基于一個(gè)共同的假設(shè)建立的，樣本滿(mǎn)足高斯分布。而實(shí)際上，尤其對(duì)于工廠(chǎng)的實(shí)際采樣數(shù)據(jù)而言，大部分不都是嚴(yán)格滿(mǎn)足這一條件的。因此尋找另一種適合于非高斯樣本分布的算法來(lái)解決數(shù)據(jù)驅(qū)動(dòng)問(wèn)題迫在眉睫。然而早在上個(gè)世紀(jì)九十年代有關(guān)學(xué)者就提出用ICA(Ind印endent component analysis,獨(dú)立成分分析)解決盲源分離問(wèn)題，它是指在無(wú)先驗(yàn)知識(shí)的情況下將混合信號(hào)分解為統(tǒng)計(jì)獨(dú)立的源信號(hào)的線(xiàn)性組合的整個(gè)過(guò)程，這些源信號(hào)由ICsancbpendent Components，獨(dú)立成分)表示，也就是ICA可以分離出多變量統(tǒng)計(jì)數(shù)據(jù)的隱含成分，它在化工過(guò)程監(jiān)控中也得到了很好的應(yīng)用。但是特別要注意的一點(diǎn)是ICA的使用有一個(gè)前提—— 多變量統(tǒng)計(jì)數(shù)據(jù)滿(mǎn)足非高斯分布。本世紀(jì)初，有學(xué)者將ICA進(jìn)行改進(jìn)應(yīng)用于多變量統(tǒng)計(jì)回歸問(wèn)題中，即得到ICRGncbpendent Component Regression，獨(dú)立成分回歸)算法?；跇颖緷M(mǎn)足非高斯分布的假設(shè)，ICR較之上面列出的多元統(tǒng)計(jì)回歸方法來(lái)說(shuō)可以提取出更多的非高斯信息。另一方面，由于提取出的ICs不僅是不相關(guān)的而且是相互獨(dú)立的，所以可以克服變量之間的多重相關(guān)性，從而大大提高預(yù)測(cè)精度。面對(duì)工廠(chǎng)的實(shí)際問(wèn)題，尤其在沒(méi)有任何先驗(yàn)知識(shí)的情況下，并不知道采樣數(shù)據(jù)是滿(mǎn)足高斯分布還是非高斯分布，因此用數(shù)據(jù)驅(qū)動(dòng)的方法進(jìn)行建模分析時(shí)，必須考慮到這個(gè)問(wèn)題，進(jìn)行特殊處理，以達(dá)到更高的預(yù)測(cè)精度。為了解決這個(gè)問(wèn)題，近年來(lái)提出了很多新的方法，如 ICA-PLS，ICA_PCA，ICA-KPLS (Kernel Partial Least Squares，核部分最小二乘)， ICA-SVM等，這些新的多變量統(tǒng)計(jì)回歸方法在回歸計(jì)算過(guò)程中都可以同時(shí)提取高斯信息和非高斯信息，且在一定程度上回歸精度有所提高，但是依然不能解決所有問(wèn)題，而且這些較復(fù)雜的方法也給多元回歸模型帶來(lái)了其他的問(wèn)題。比如，ICA-PLS和ICA-PCA都是線(xiàn)性方法，所以對(duì)于非線(xiàn)性問(wèn)題并不適用；ICA-KPLS和ICA-SVM等基于核的ICA方法能很好的解決非線(xiàn)性問(wèn)題，但是核參數(shù)的選擇和優(yōu)化需要足夠的先驗(yàn)知識(shí)，而在用流變參數(shù)擬合門(mén)尼粘度這個(gè)實(shí)際問(wèn)題中并沒(méi)有可供參考的先驗(yàn)知識(shí)(一般無(wú)任何先驗(yàn)知識(shí)的問(wèn)題被稱(chēng)為“黑盒子”問(wèn)題)，因此也不適用。那么尋找更好的更適合解決無(wú)先驗(yàn)知識(shí)的非線(xiàn)性時(shí)變問(wèn)題的回歸方法是用流變參數(shù)ML擬合門(mén)尼粘度所面臨的主要問(wèn)題。鑒于GP是一種基于概率思想的、通過(guò)自身的迭代完成最優(yōu)參數(shù)選擇的、非線(xiàn)性核機(jī)器學(xué)習(xí)方法，且具有很高的分類(lèi)和回歸精度，那么考慮到將ICR和GP結(jié)合起來(lái)處理多變量統(tǒng)計(jì)回歸問(wèn)題，這樣就可以在無(wú)任何先驗(yàn)知識(shí)的情況下同時(shí)提取非高斯信息和高斯信息，解決非線(xiàn)性問(wèn)題，且不存在任何核參數(shù)的優(yōu)化問(wèn)題。獨(dú)立成分分析(ICA)是最初被用于解決盲源分離問(wèn)題的一種高階統(tǒng)計(jì)算法，主要目的是將觀察到的混合信號(hào)轉(zhuǎn)化為統(tǒng)計(jì)獨(dú)立的原始信號(hào)的線(xiàn)性組合。1999年有學(xué)者提出 7 FastICA (fixed-point method，基于快速不動(dòng)點(diǎn)方法)解決ICA問(wèn)題。^ FastICA中核心計(jì)算公式之一為X = AS，其中X為觀察到的混合信號(hào)，S和A分別為對(duì)應(yīng)的獨(dú)立成分矩陣 (即源信號(hào))和混合矩陣。求解S和A的方法是對(duì)觀察樣本估計(jì)出一個(gè)線(xiàn)性協(xié)調(diào)系統(tǒng)，在滿(mǎn)足使輸出矩陣U達(dá)到最強(qiáng)獨(dú)立性的情況下求出觀察樣本的分解矩陣W，同時(shí)這些矩陣滿(mǎn)足公式Ut = WX = WASt = St(1)由此可見(jiàn)W和A互為逆矩陣，U和S都表示獨(dú)立成分矩陣。當(dāng)ICA在化工過(guò)程監(jiān)控和各種圖像處理及模式識(shí)別問(wèn)題中得到越來(lái)越好的應(yīng)用時(shí)，基于!^astICA的獨(dú)立成分回歸(ICR)也被提出用于解決非高斯信號(hào)的回歸問(wèn)題。回歸系數(shù)矩陣表示為B = (StS)-1StL，其中S和Y分別為訓(xùn)練樣本輸入矩陣的獨(dú)立成分和輸出矩陣。對(duì)于預(yù)測(cè)樣本Xte系數(shù)矩陣為Ate = XteS，最終得到回歸矩陣為Ytei = AteB，若原始信號(hào)包含非高斯信號(hào)和高斯信號(hào)，那么該回歸矩陣就可以看做是ICR提取出的非高斯信息對(duì)應(yīng)的回歸值。高斯過(guò)程(GP)基于貝葉斯理論，通過(guò)訓(xùn)練樣本參數(shù)的先驗(yàn)分布得到參數(shù)的后驗(yàn)分布，且輸入隨機(jī)變量的任意子集被假設(shè)為滿(mǎn)足聯(lián)合高斯分布。高斯過(guò)程的輸入為隨機(jī)數(shù)據(jù)集{Y(x) |x e X}，其中χ = (X1, &，...，Xn)為n維輸入樣本矩陣，由于該隨機(jī)數(shù)據(jù)集滿(mǎn)足高斯分布，則自變量的均值函數(shù)和方差函數(shù)分別為
m(x) = E[Y(x)] = 0(2)C(x,xT) = E[(Y(χ) -m(χ)) (Y(χτ) _m(χτ)) ] (3)由此得到GP的典型形式Υ(χ) GP (m(χ)，C (χ, χτ))。對(duì)于測(cè)試樣本而言，預(yù)測(cè)得到的分布當(dāng)然也滿(mǎn)足高斯分布，均值函數(shù)和方差函數(shù)由訓(xùn)練樣本的相關(guān)函數(shù)和測(cè)試樣本的輸入表示為t (χ) = kTrV(4)
權(quán)利要求
1.一種橡膠門(mén)尼粘度的在線(xiàn)自動(dòng)測(cè)量方法，其特征在于，所述方法包括以下步驟(1)將當(dāng)前車(chē)次混煉過(guò)程結(jié)束后質(zhì)量監(jiān)測(cè)系統(tǒng)采集到的終煉膠質(zhì)量指標(biāo)中的流變參數(shù)與門(mén)尼粘度在線(xiàn)預(yù)測(cè)模型自動(dòng)連接，并且設(shè)定流變參數(shù)新樣本為XnOT ；(2)將所述流變參數(shù)新樣本xnOT輸入所述門(mén)尼粘度在線(xiàn)預(yù)測(cè)模型中，根據(jù)f:x— y，自動(dòng)輸出門(mén)尼粘度值ynOT;(3)讀取所述門(mén)尼粘度值ynOT，并將所述門(mén)尼粘度值ι細(xì)傳輸給所述質(zhì)量監(jiān)測(cè)系統(tǒng)，所述質(zhì)量監(jiān)測(cè)系統(tǒng)接收所述門(mén)尼粘度值，根據(jù)與門(mén)尼粘度預(yù)設(shè)值的對(duì)比，對(duì)同批次的混煉橡膠進(jìn)行相應(yīng)的工藝調(diào)整，自動(dòng)檢測(cè)是否有所述流變參數(shù)新樣本Xnrat輸入，如果是，執(zhí)行步驟⑷；如果否，執(zhí)行步驟(5)(4)重新執(zhí)行步驟⑴；(5)流程結(jié)束。
2.根據(jù)權(quán)利要求1所述的一種橡膠門(mén)尼粘度的在線(xiàn)自動(dòng)測(cè)量方法，其特征在于，步驟 (1)中的所述門(mén)尼粘度在線(xiàn)預(yù)測(cè)模型具體為根據(jù)所述門(mén)尼粘度值1側(cè)和所述流變參數(shù)，結(jié)合獨(dú)立成分回歸方法和高斯過(guò)程根據(jù)所述流變參數(shù)構(gòu)建所述門(mén)尼粘度在線(xiàn)預(yù)測(cè)模型，通過(guò)所述門(mén)尼粘度在線(xiàn)預(yù)測(cè)模型獲取最終回歸值。
3.根據(jù)權(quán)利要求2所述的一種橡膠門(mén)尼粘度的在線(xiàn)自動(dòng)測(cè)量方法，其特征在于，所述根據(jù)所述門(mén)尼粘度值1側(cè)和所述流變參數(shù)，結(jié)合獨(dú)立成分回歸方法和高斯過(guò)程根據(jù)所述流變參數(shù)構(gòu)建所述門(mén)尼粘度在線(xiàn)預(yù)測(cè)模型具體為1)首先采集終煉膠質(zhì)量指標(biāo)數(shù)據(jù)樣本，建立數(shù)據(jù)庫(kù)，數(shù)據(jù)樣本包括流變參數(shù)和門(mén)尼粘度值，且規(guī)定流變參數(shù)對(duì)應(yīng)自變量X= Ix1, x2, ..., }，門(mén)尼粘度值對(duì)應(yīng)因變量Y= Iy1, y2，. . .，yn}，η為建模所需樣本數(shù)，Xi, Yi分別對(duì)應(yīng)流變參數(shù)和門(mén)尼粘度值，i = 1,2,...,η；2)通過(guò)所述獨(dú)立成分回歸方法對(duì)所述自變量X進(jìn)行非高斯信息提取，建立獨(dú)立成分回歸模型，得到對(duì)應(yīng)的獨(dú)立成分矩陣S、混合矩陣A以及回歸值Yra ；3)自變量矩陣X中包含的非高斯信息表示為；^= AV ；XE =X-文和\ = Y-Yice分別表示被所述獨(dú)立成分回歸模型提取后自變量矩陣和實(shí)際回歸矩陣中余下的高斯信息部分，再將&和\作為高斯過(guò)程訓(xùn)練樣本的輸入和輸出，進(jìn)行高斯過(guò)程的建模，提取出Xe中的高斯信息，得到回歸值YeP ；4)獲取所述最終回歸值Ypred= Yra+YeP。
全文摘要
本發(fā)明公開(kāi)了一種橡膠門(mén)尼粘度的在線(xiàn)自動(dòng)測(cè)量方法，將橡膠混煉后質(zhì)量監(jiān)測(cè)系統(tǒng)采集到的終煉膠質(zhì)量指標(biāo)中的流變參數(shù)與門(mén)尼粘度在線(xiàn)預(yù)測(cè)模型自動(dòng)連接，并且設(shè)定流變參數(shù)新樣本為xnew；將流變參數(shù)新樣本xnew輸入門(mén)尼粘度在線(xiàn)預(yù)測(cè)模型中，根據(jù)fx→y，自動(dòng)輸出門(mén)尼粘度值ynew，讀取門(mén)尼粘度值ynew，并將門(mén)尼粘度值ynew傳輸給質(zhì)量監(jiān)測(cè)系統(tǒng)，接收所述門(mén)尼粘度值ynew，根據(jù)與門(mén)尼粘度預(yù)設(shè)值的對(duì)比，進(jìn)行相應(yīng)的工藝調(diào)整，自動(dòng)檢測(cè)是否有流變參數(shù)新樣本ynew輸入，如果是，預(yù)測(cè)流程繼續(xù)進(jìn)行；如果否，預(yù)測(cè)流程結(jié)束。本發(fā)明在不增加采樣負(fù)擔(dān)、最大限度地降低質(zhì)量檢測(cè)結(jié)果滯后性的同時(shí)極大地節(jié)約生產(chǎn)成本。
文檔編號(hào)B29B7/28GK102303377SQ20111025111
公開(kāi)日2012年1月4日 申請(qǐng)日期2011年8月29日 優(yōu)先權(quán)日2011年8月29日
發(fā)明者吳芳, 宋凱 申請(qǐng)人:天津大學(xué)