CN108319809A - 一种在线检测聚合物塑化程度的装置及方法 - Google Patents
一种在线检测聚合物塑化程度的装置及方法 Download PDFInfo
- Publication number
- CN108319809A CN108319809A CN201810106920.XA CN201810106920A CN108319809A CN 108319809 A CN108319809 A CN 108319809A CN 201810106920 A CN201810106920 A CN 201810106920A CN 108319809 A CN108319809 A CN 108319809A
- Authority
- CN
- China
- Prior art keywords
- polymer
- ultrasonic transducer
- sample
- neural network
- ultrasonic
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Extrusion Moulding Of Plastics Or The Like (AREA)
Abstract
本发明公开了一种在线检测聚合物塑化程度的装置及方法,该装置设置在螺杆挤出机上;该装置包括设置在螺杆挤出机的机头内的温度传感器和压力传感器、设置在螺杆挤出机的机头出口处的超声波换能器以及内存储神经网络模型的信息处理中心;温度传感器、压力传感器及超声波换能器用于获取待测试聚合物的检测数据;该检测数据为待测试聚合物在塑化过程中同一时刻的温度值、压力值以及超声波透过待测试聚合物的波速;信息处理中心与温度传感器、压力传感器以及超声波换能器均连接,用于获取的待测试聚合物的检测数据输入到神经网络模型,确定待测试聚合物的塑化等级的作用。采用本发明提供的装置或方法,能够在线检测聚合物塑化程度提高生产效率。
Description
技术领域
本发明涉及高分子材料成型加工检测领域,特别是涉及一种在线检测聚合物塑化程度的装置及方法。
背景技术
高分子材料在人类生活中扮演着越来越重要的角色,其制品几乎涉及到每一个领域,如通讯、医学、航空航天、汽车、船舶、化工、建筑等,甚至食品、军工等领域,人们对高分子材料制品质量不断提高的要求,精确的过程控制就显得至关重要。
传统的聚合物塑化质量检测方法多依赖于生产人员的经验,或者直接对生产样品进行离线检测。由于大部分检测方法需要人工从加工生产线上取样,然后在实验检测设备上对获取的样品进行检测,这样就会造成检测时间的延迟,使测量结果不具有时效性,无法对工艺条件的合理性做出及时的判断,从而对生产效率产生一定的影响。因此,如何获得一种在线检测聚合物塑化程度的装置,是高分子材料成型加工检测领域急需解决的技术问题。
发明内容
本发明的目的是提供一种在线检测聚合物塑化程度的装置及方法,能够在线检测聚合物塑化程度,避免检测时间延迟,使测量结果具有时效性,能够对工艺条件的合理性做出及时的判断,提高生产效率。
为实现上述目的,本发明提供了如下方案:
一种在线检测聚合物塑化程度的装置,所述装置设置在螺杆挤出机上;所述装置包括温度传感器、压力传感器、用于发射和接收超声波信号的超声波换能器以及信息处理中心;所述温度传感器、所述压力传感器均设置在所述螺杆挤出机的机头内,所述超声波换能器设置在所述螺杆挤出机的机头出口处;所述信息处理中心与所述温度传感器、所述压力传感器以及所述超声波换能器均连接。
可选的,所述装置还包括支架机构;所述超声波换能器通过所述支架机构固定在所述螺杆挤出机的机头出口处。
可选的,所述支架机构包括底座、支撑杆、滑块以及固定在所述支撑杆上的卡槽;所述底座的中间部位设有滑道,所述滑块设置在所述滑道内;所述支撑杆有两根,分别为第一支撑杆和第二支撑杆;所述第一支撑杆固定在所述滑道的一端,所述第二支撑杆固定在安装于所述滑道内的所述滑块上;所述螺杆挤出机的机头位于所述第一支撑杆和所述第二支撑杆之间;所述滑块用于调整所述第一支撑杆和所述第二支撑杆之间距离。
可选的,所述卡槽包括两个,分别为第一卡槽和第二卡槽;所述第一卡槽固定在所述第一支撑杆上,所述第二卡槽固定在所述第二支撑杆上;所述第一卡槽与所述底座之间的距离,和所述第二卡槽与所述底座之间的距离相等。
可选的,所述超声波换能器为两个,分别为第一超声波换能器、第二超声波换能器;所述第一超声波换能器用于发射超声波信号;所述第二超声波换能器用于接收超声波信号;所述第一超声波换能器安装在所述第一卡槽内;所述第二超声波换能器安装在所述第二卡槽内;所述第一超声波换能器、所述第二超声波换能器位于距离所述螺杆挤出机的机头出口20mm处,且分别布置在垂直于熔体流动方向并距离所述熔体10mm的水平对称的位置上。
可选的,所述第一支撑杆和所述第二支撑杆均为伸缩杆;所述伸缩杆用于调整所述第一超声波换能器、所述第二超声波换能器的高度,使所述第一超声波换能器的中心和所述第二超声波换能器的中心均与所述螺杆挤出机的机头的中心在同一水平高度。
可选的,所述第一超声波换能器、所述第二超声波换能器均为空气耦合超声波换能器。
本发明还提供了一种在线检测聚合物塑化程度的方法,所述方法应用于所述在线检测聚合物塑化程度的装置,所述方法包括:
获取多组样本数据;
根据多组所述样本数据,采用神经网络算法,建立神经网络模型;
获取待测试聚合物的检测数据;所述检测数据为所述待测试聚合物在塑化过程中同一时刻的温度值、压力值以及超声波透过所述待测试聚合物的波速;
将所述待测试聚合物的检测数据输入到所述神经网络模型,确定所述待测试聚合物的塑化等级。
可选的,所述获取多组样本数据,具体包括:
获取多组样本聚合物检测数据;所述样本聚合物检测数据为所述样本聚合物在塑化过程中同一时刻的温度值、压力值以及超声波透过所述样本聚合物的波速;
对所有所述样本聚合物进行力学性能测试,确定每个所述样本聚合物对应的力学性能值;
根据所述样本聚合物对应的力学性能值,划分所述样本聚合物的塑化等级;所述样本数据包括所述样本聚合物在塑化过程中同一时刻的温度值、压力值以及超声波透过所述样本聚合物的波速、所述样本聚合物的塑化等级。
可选的,所述根据多组所述样本数据,采用神经网络算法,建立神经网络模型具体包括:
将多组所述样本聚合物检测数据进行归一化处理,得到多组学习样本数据;
构建3*7*3的神经网络结构;所述神经网络结构的第一层为输入层,所述神经网络结构的第二层为隐藏层,所述神经网络结构的第三层为输出层;
以所述学习样本数据为输入值,以所述学习样本数据对应的样本聚合物的塑化等级为输出值,采用神经网络算法,训练所述神经网络结构,得到神经网络模型。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供了一种在线检测聚合物塑化程度的装置及方法,该装置设置在螺杆挤出机上;该装置包括温度传感器、压力传感器、超声波换能器以及信息处理中心;温度传感器、压力传感器均设置在螺杆挤出机的机头内,超声波换能器设置在螺杆挤出机的机头出口处;信息处理中心内存储训练好的神经网络模型;温度传感器、压力传感器以及超声波换能器用于获取待测试聚合物的检测数据;该检测数据为待测试聚合物在塑化过程中同一时刻的温度值、压力值以及超声波透过待测试聚合物的波速;温度传感器、压力传感器以及超声波换能器均与信息处理中心连接,实现了将待测试聚合物的检测数据输入到神经网络模型,确定待测试聚合物的塑化等级的作用。因此,本发明提供的装置或方法,能够在线检测聚合物塑化程度,避免检测时间延迟,使测量结果具有时效性,能够对工艺条件的合理性做出及时的判断,提高生产效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例在线检测聚合物塑化程度装置的结构示意图;
图2为本发明超声波在线测量聚合物熔体塑化程度的装置连接在螺杆挤出机上的示意图;
图3为本发明支架机构的结构示意图;
图4为本发明实施例在线检测聚合物塑化程度方法的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种在线检测聚合物塑化程度的装置及方法,能够在线检测聚合物塑化程度,避免检测时间延迟,使测量结果具有时效性,能够对工艺条件的合理性做出及时的判断,提高生产效率。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例在线检测聚合物塑化程度装置的结构示意图,图2为本发明超声波在线测量聚合物熔体塑化程度的装置连接在螺杆挤出机上的示意图;如图1和2所示,本发明提供的在线检测聚合物塑化程度的装置设置在螺杆挤出机上。
该装置包括温度传感器1、压力传感器2、用于发射和接收超声波信号的超声波换能器3、信息处理中心以及支架机构4;所述温度传感器1、所述压力传感器2均设置在所述螺杆挤出机的机头5内,所述超声波换能器3设置在所述螺杆挤出机的机头5的出口处,具体为所述超声波换能器3通过所述支架机构4固定在所述螺杆挤出机的机头5的出口处;所述信息处理中心与所述温度传感器1、所述压力传感器2以及所述超声波换能器3均连接。所述信息处理中心内存储了已经训练好的神经网络模型。
其中,所述超声波换能器3为两个,分别为第一超声波换能器、第二超声波换能器;所述第一超声波换能器用于发射超声波信号;所述第二超声波换能器用于接收超声波信号。所述第一超声波换能器、所述第二超声波换能器均为空气耦合超声波换能器。
图2为本发明支架机构的结构示意图,如图2所示,所述支架机构4包括底座41、支撑杆42、滑块43以及固定在所述支撑杆42上的卡槽44。所述底座41的中间部位设有滑道,所述滑块43设置在所述滑道内。
所述支撑杆42有两根,分别为第一支撑杆和第二支撑杆;所述第一支撑杆固定在所述滑道的一端,所述第二支撑杆固定在安装于所述滑道内的所述滑块43上。通过滑块43可调整所述第一支撑杆和所述第二支撑杆之间距离。所述螺杆挤出机的机头5位于所述第一支撑杆和所述第二支撑杆之间。所述第一支撑杆和所述第二支撑杆均为伸缩杆。
所述卡槽44包括两个,分别为第一卡槽和第二卡槽;所述第一卡槽固定在所述第一支撑杆上,所述第二卡槽固定在所述第二支撑杆上。所述第一超声波换能器安装在所述第一卡槽内;所述第二超声波换能器安装在所述第二卡槽内。调节所述第一支撑杆和所述第二支撑杆的高度,使所述第一卡槽与所述底座之间的距离,和所述第二卡槽与所述底座之间的距离相等,保证所述第一超声波换能器、所述第二超声波换能器的中心均与所述螺杆挤出机的机头5的中心在同一水平高度。调整检测装置的位置,使超声波换能器位于螺杆挤出机的机头5出口20mm处,调整滑块43的位置,使所述第一超声波换能器、所述第二超声波换能器分别位于垂直于熔体流动方向并距离所述熔体10mm的水平对称的位置上。
上述装置在线测量聚合物塑化程度的操作流程包括如下步骤:
(1)在生产过程中,待螺杆挤出机稳定后,采集样本聚合物,测试样本聚合物力学性能,根据力学性能数据以及生产经验对塑化程度划分等级,等级包括:未完全塑化、完全塑化、过塑化。根据塑化等级设定神经网络模型的输出期望值。
(2)在采集样本聚合物的同时,利用上述在线表征螺杆挤出机塑化程度的装置,即本发明提供的在线检测聚合物塑化程度装置,检测同一时刻熔体的温度、压力以及超声波透过样本聚合物的速度,作为表征塑化的特征参数。
(3)利用获取的特征参数作为评价指标,并进行参数归一化处理,把归一化的特征值作为学习样本的数据。
(4)构建3*7*3的神经网络结构,第一层为输入层,第二层为隐藏层,第三层为输出层,随机初始化网络权值,选取神经元作用函数,设定最大训练次数,最小均方误差等参数,训练神经网络使得误差函数达到最小值,从而获得优化的网络连接权值。
(5)实时读取待测试聚合物加工过程中的特征参数,将这些待测试聚合物的特征参数输入到训练好的神经网络模型中,根据输出结果区分判断螺杆挤出机挤出的聚合物的塑化等级。
下面通过一个具体的实施例来说明本发明提供的技术方案。
本实施例的聚合物材料选用聚丙烯(PP),基于BP神经网络识别熔体塑化程度的过程的实施步骤如下:
步骤一:在螺杆挤出机的机头5内安装温度传感器1、压力传感器1,在机头5出口处由支架机构4支撑放置超声波换能器3,改变工艺条件,测试聚合物塑化过程中同一时刻的温度、压力以及超声波透过挤出物料的波速,与此同时,按照标准制定样条对挤出物料进行力学性能测试,根据测试结果对塑化程度进行分类,具体数据见下表1。
表1样本数据对应表
步骤二:利用获取的特征参数(聚合物塑化过程中同一时刻的温度、压力以及超声波透过挤出物料的波速)作为评价指标,并进行参数归一化处理,如公式所示:其中X′表示归一化处理后的参数值,X表示原参数值,Xmin表示该参数在本样本空间中的最小值,Xmax表示该参数在本样本空间中的最大值,把归一化的特征值作为学习样本的数据,归一化后的特征值见下表2。
表2归一化后的样本数据对应表
步骤三:根据样本聚合物的力学性能,将熔体的塑化程度分为3类:未完全塑化,完全塑化,过塑化;故输出神经元个数确定为3。
三类塑化程度的期望输出为:
未完全塑化:[0.999,0.001,0.001];
完全塑化:[0.001,0.999,0.001];
过塑化:[0.001.0.001.0.999];
步骤四:搭建三层结构的BP神经网络模型,输入层节点数为3个,熔体温度、压力及超声波传播速度3项作为输入,输出层节点数为3个,聚合物的塑化程度(塑化等级)作为输出。根据经验公式s=2m+1(其中,s、m分别为隐含层、输入层神经元数)设隐含层节点数为7,最大训练次数为1000,最小均方误差为1e-8,神经网络隐含层神经元的传递函数采用对数型传递函数logsig,输出层采用线性激活函数purelin。网络训练代码如下:
clc
clear
close all
n1=[0.000 1.000 0.000;
0.043 0.916 0.022;
0.111 0.897 0.133;
0.171 0.845 0.200;
0.191 0.819 0.289;
0.296 0.781 0.222;
0.372 0.690 0.378;
0.379 0.465 0.333;
0.403 0.439 0.244;
0.438 0.290 0.467;
0.484 0.265 0.511;
0.582 0.213 0.511;
0.607 0.161 0.711;
0.735 0.135 0.600;
0.774 0.116 0.689;
0.815 0.161 0.756;
0.825 0.000 0.911;
1.000 0.019 1.000]’;
x1=[0.999,0.001,0.001;0.999,0.001,0.001;0.999,0.001,0.001;
0.001,0.999,0.001;0.001,0.999,0.001;0.001,0.999,0.001;
0.001.0.001.0.999;0.001.0.001.0.999;0.001.0.001.0.999]’;
xn_train=n1; %训练样本
dn_train=x1; %训练目标
%函数接口赋值
NodeNum=7; %隐含层节点数
TypeNum=3; 输出维数
P1=xn_train; 训练输入
t1=dn_train; 训练输出
Epochs=1000; %训练次数
%设置网络参数
TF1=’logsig’;TF2=’purelin’;
net=newff(minmax(p1),[NodeNum TypeNum],{TF1 TF2},’trainlm’);
net.trainParam.epochs=Epochs; %最大训练次数
net.trainParam.goal=1e-8; 最小均方误差
net.trainParam.min_grad=1e-20; %最小梯度
net.trainParam.show=200; %训练显示间隔
net.trainParam.time=inf; %最大训练时间
步骤五)实时读取待测试聚合物加工过程中的特征参数,如下表3。
表3待测试聚合物特征参数表
序号 | 温度 | 压力 | 波速 |
1 | 202.3 | 18.7 | 824 |
2 | 230.0 | 7.9 | 860 |
3 | 250.1 | 5.4 | 860 |
归一化处理后如下表4。
表4归一化后待测试聚合物特征参数表
序号 | 温度 | 压力 | 波速 |
1 | 0.027 | 0.877 | 0.089 |
2 | 0.597 | 0.181 | 0.889 |
3 | 1.010 | 0.019 | 0.889 |
将这些参数输入到训练好的神经网络中,根据输出结果区分判断螺杆挤出机挤出塑化等级:
%训练和测试
net=train(net,p1,t1) %训练
P=[0.027 0.877 0.089;
0.597 0.181 0.889;
1.010 0.019 0.889]’;
X=sim(net,P); %检测,输出为测试结果
X=full(compet(X)) %竞争输出
输出为:
X=0.999,0.001,0.001
0.001,0.999,0.001
0.001.0.001.0.999
根据输出结果,可得上述三种工况对应的聚合物熔体塑化等级分别为未完全塑化、完全塑化、过塑化。
为实现上述目的,本发明还提供了一种在线检测聚合物塑化程度的方法,所述方法应用于所述在线检测聚合物塑化程度的装置。
图4为本发明实施例在线检测聚合物塑化程度方法的流程示意图,如图4所示,所述方法包括:
步骤401:获取多组样本数据。
步骤402:根据多组所述样本数据,采用神经网络算法,建立神经网络模型。
步骤403:获取待测试聚合物的检测数据;所述检测数据为所述待测试聚合物在塑化过程中同一时刻的温度值、压力值以及超声波透过所述待测试聚合物的波速。
步骤404:将所述待测试聚合物的检测数据输入到所述神经网络模型,确定所述待测试聚合物的塑化等级。
其中步骤401具体包括:
获取多组样本聚合物检测数据;所述样本聚合物检测数据为所述样本聚合物在塑化过程中同一时刻的温度值、压力值以及超声波透过所述样本聚合物的波速。
对所有所述样本聚合物进行力学性能测试,确定每个所述样本聚合物对应的力学性能值。
根据所述样本聚合物对应的力学性能值,划分所述样本聚合物的塑化等级;所述样本数据包括所述样本聚合物在塑化过程中同一时刻的温度值、压力值以及超声波透过所述样本聚合物的波速、所述样本聚合物的塑化等级。
步骤402具体包括:
将多组所述样本聚合物检测数据进行归一化处理,得到多组学习样本数据。
构建3*7*3的神经网络结构;所述神经网络结构的第一层为输入层,所述神经网络结构的第二层为隐藏层,所述神经网络结构的第三层为输出层。
以所述学习样本数据为输入值,以所述学习样本数据对应的样本聚合物的塑化等级为输出值,采用神经网络算法,训练所述神经网络结构,得到神经网络模型。
目前对聚合物塑化程度的检测大多采用目测法、力学性能检测法、溶剂法等离线检测方法,对测试结果的判定多依赖于操作人员的生产经验,而且时间上的延迟使测试结果不具有时效性,无法对工艺条件的改进做出及时的判断,从而造成生产过程中原料的浪费,增加成本。而本发明提供的装置和及其方法,可以实时在线检测材料的塑化程度,实现在加工中连续的检测和表征且不对生产过程产生影响,可以随时进行过程监控和质量检测,及时为改变工艺参数提供依据,从而减少原料的浪费,降低生产成本,提高产品质量,优化生产过程,提升企业的市场竞争力。
另外,以往的接触式超声波探头需要直接连接在加工设备上,这样会面临两方面的困难:一是探头和生产设备之间连接处的隔声问题;二是探头在生产线上承受的高温高压条件;而本发明提供的装置采用的是空气耦合超声波探头,与被测物料不直接接触,有效的解决了上述的问题,特别适宜于PVC类热敏性聚合物及对剪切、滞留要求苛刻的含能聚合物材料的塑化检测。
且本发明提供的检测方法基于神经网络,学习规则简单,便于计算机实现,可以实现测量数据和塑化等级的非线性映射,量化表征了聚合物熔体的塑化等级,测试结果简单易懂。有望为聚合物制品的塑化程度研究提供一种全新的普适性的实验测量手段,具有极大的市场应用前景及市场推广价值。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种在线检测聚合物塑化程度的装置,其特征在于,所述装置设置在螺杆挤出机上;所述装置包括温度传感器、压力传感器、用于发射和接收超声波信号的超声波换能器以及信息处理中心;所述温度传感器、所述压力传感器均设置在所述螺杆挤出机的机头内,所述超声波换能器设置在所述螺杆挤出机的机头出口处;所述信息处理中心与所述温度传感器、所述压力传感器以及所述超声波换能器均连接。
2.根据权利要求1所述的装置,其特征在于,所述装置还包括支架机构;所述超声波换能器通过所述支架机构固定在所述螺杆挤出机的机头出口处。
3.根据权利要求2所述的装置,其特征在于,所述支架机构包括底座、支撑杆、滑块以及固定在所述支撑杆上的卡槽;所述底座的中间部位设有滑道,所述滑块设置在所述滑道内;所述支撑杆有两根,分别为第一支撑杆和第二支撑杆;所述第一支撑杆固定在所述滑道的一端,所述第二支撑杆固定在安装于所述滑道内的所述滑块上;所述螺杆挤出机的机头位于所述第一支撑杆和所述第二支撑杆之间;所述滑块用于调整所述第一支撑杆和所述第二支撑杆之间距离。
4.根据权利要求3所述的装置,其特征在于,所述卡槽包括两个,分别为第一卡槽和第二卡槽;所述第一卡槽固定在所述第一支撑杆上,所述第二卡槽固定在所述第二支撑杆上;所述第一卡槽与所述底座之间的距离,和所述第二卡槽与所述底座之间的距离相等。
5.根据权利要求4所述的装置,其特征在于,所述超声波换能器为两个,分别为第一超声波换能器、第二超声波换能器;所述第一超声波换能器用于发射超声波信号;所述第二超声波换能器用于接收超声波信号;所述第一超声波换能器安装在所述第一卡槽内;所述第二超声波换能器安装在所述第二卡槽内;所述第一超声波换能器、所述第二超声波换能器位于距离所述螺杆挤出机的机头出口20mm处,且分别布置在垂直于熔体流动方向并距离所述熔体10mm的水平对称的位置上。
6.根据权利要求5所述的装置,其特征在于,所述第一支撑杆和所述第二支撑杆均为伸缩杆;所述伸缩杆用于调整所述第一超声波换能器、所述第二超声波换能器的高度,使所述第一超声波换能器的中心和所述第二超声波换能器的中心均与所述螺杆挤出机的机头的中心在同一水平高度。
7.根据权利要求5所述的装置,其特征在于,所述第一超声波换能器、所述第二超声波换能器均为空气耦合超声波换能器。
8.一种在线检测聚合物塑化程度的方法,其特征在于,所述方法应用于权利要求1-7任意一项所述的在线检测聚合物塑化程度的装置,所述方法包括:
获取多组样本数据;
根据多组所述样本数据,采用神经网络算法,建立神经网络模型;
获取待测试聚合物的检测数据;所述检测数据为所述待测试聚合物在塑化过程中同一时刻的温度值、压力值以及超声波透过所述待测试聚合物的波速;
将所述待测试聚合物的检测数据输入到所述神经网络模型,确定所述待测试聚合物的塑化等级。
9.根据权利要求8所述的方法,其特征在于,所述获取多组样本数据,具体包括:
获取多组样本聚合物检测数据;所述样本聚合物检测数据为所述样本聚合物在塑化过程中同一时刻的温度值、压力值以及超声波透过所述样本聚合物的波速;
对所有所述样本聚合物进行力学性能测试,确定每个所述样本聚合物对应的力学性能值;
根据所述样本聚合物对应的力学性能值,划分所述样本聚合物的塑化等级;所述样本数据包括所述样本聚合物在塑化过程中同一时刻的温度值、压力值以及超声波透过所述样本聚合物的波速、所述样本聚合物的塑化等级。
10.根据权利要求9所述的方法,其特征在于,所述根据多组所述样本数据,采用神经网络算法,建立神经网络模型具体包括:
将多组所述样本聚合物检测数据进行归一化处理,得到多组学习样本数据;
构建3*7*3的神经网络结构;所述神经网络结构的第一层为输入层,所述神经网络结构的第二层为隐藏层,所述神经网络结构的第三层为输出层;
以所述学习样本数据为输入值,以所述学习样本数据对应的样本聚合物的塑化等级为输出值,采用神经网络算法,训练所述神经网络结构,得到神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810106920.XA CN108319809A (zh) | 2018-02-02 | 2018-02-02 | 一种在线检测聚合物塑化程度的装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810106920.XA CN108319809A (zh) | 2018-02-02 | 2018-02-02 | 一种在线检测聚合物塑化程度的装置及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108319809A true CN108319809A (zh) | 2018-07-24 |
Family
ID=62901764
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810106920.XA Pending CN108319809A (zh) | 2018-02-02 | 2018-02-02 | 一种在线检测聚合物塑化程度的装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108319809A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113635527A (zh) * | 2021-08-13 | 2021-11-12 | 中南大学 | 一种新型超声塑化成型装置及控制方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101762639A (zh) * | 2010-01-07 | 2010-06-30 | 中北大学 | 聚合物生产过程中混合状态超声在线监测方法 |
CN107003220A (zh) * | 2014-10-01 | 2017-08-01 | 先进的聚合物监测技术股份有限公司 | 用于聚合物反应的控制和使用自动连续在线监测的处理的***和方法 |
CN206546223U (zh) * | 2017-03-16 | 2017-10-10 | 珠海市菲唯瑞特五金制品有限公司 | 一种变直径弹簧测试用夹具 |
CN206696128U (zh) * | 2017-01-20 | 2017-12-01 | 华南理工大学 | 一种在线测量聚合物熔体密度的装置 |
-
2018
- 2018-02-02 CN CN201810106920.XA patent/CN108319809A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101762639A (zh) * | 2010-01-07 | 2010-06-30 | 中北大学 | 聚合物生产过程中混合状态超声在线监测方法 |
CN107003220A (zh) * | 2014-10-01 | 2017-08-01 | 先进的聚合物监测技术股份有限公司 | 用于聚合物反应的控制和使用自动连续在线监测的处理的***和方法 |
CN206696128U (zh) * | 2017-01-20 | 2017-12-01 | 华南理工大学 | 一种在线测量聚合物熔体密度的装置 |
CN206546223U (zh) * | 2017-03-16 | 2017-10-10 | 珠海市菲唯瑞特五金制品有限公司 | 一种变直径弹簧测试用夹具 |
Non-Patent Citations (3)
Title |
---|
Z. SUN ETC.: "Application of Ultrasound in the Determination of Fundamental Extrusion Performance: Residence Time Distribution Measurement", 《POLYMER ENGINEERING AND SCIENCE》 * |
许红: "基于超声波的聚合物熔体关键参数测量方法的研究", 《中国博士学位论文全文数据库 工程科技Ⅰ辑》 * |
钟龙: "高温高压下基于超声波响应特性对聚合物熔体密度测量方法的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113635527A (zh) * | 2021-08-13 | 2021-11-12 | 中南大学 | 一种新型超声塑化成型装置及控制方法 |
CN113635527B (zh) * | 2021-08-13 | 2022-05-13 | 中南大学 | 一种超声塑化成型装置及控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US5433112A (en) | Ultrasonic characterization of polymer melts under processing conditions | |
Rao | Rheological properties of fluid foods | |
Zatloukal | Differential viscoelastic constitutive equations for polymer melts in steady shear and elongational flows | |
CN103954685B (zh) | 一种超声波在线测量聚合物熔体流动取向的装置及其方法 | |
JP2005537510A5 (zh) | ||
CN113063930B (zh) | 一种基于神经网络的3d打印混凝土力学性能在线监测方法 | |
Köpplmayr et al. | A novel online rheometer for elongational viscosity measurement of polymer melts | |
CN108319809A (zh) | 一种在线检测聚合物塑化程度的装置及方法 | |
CN206696128U (zh) | 一种在线测量聚合物熔体密度的装置 | |
CN113111570A (zh) | 一种基于机器学习的引线键合质量预测控制方法 | |
CN103499639B (zh) | 一种硫化过程超声波在线表征方法 | |
CN106596331B (zh) | 一种在线测量聚合物熔体密度的装置与方法 | |
CN110617900B (zh) | 一种基于超声波的链篦机球团温度实时测量装置及测量方法 | |
CN113108853B (zh) | 一种提高低流速流体流量测量精度的方法 | |
Barczewski et al. | The in-line detection method of sharkskin melt flow instability during polyethylene extrusion based on pressure analysis | |
CN102053137A (zh) | 一种面团发酵和熟化过程的测试装置 | |
CN108120651B (zh) | 车辙试验仪自动检测装置及控制方法 | |
CN114112169A (zh) | 一种压力检测电路以及血液分析装置 | |
CN106970202A (zh) | 一种崩解测试用综合分析装置及其验证方法 | |
CN106680375A (zh) | 用于确定材料的弹性模量的空气耦合超声检测方法 | |
Gon | Investigation of pressure-volume-temperature relationship by ultrasonic technique and its application for the quality prediction of injection molded parts | |
McMaster et al. | Measurement of rheological and ultrasonic properties of food and synthetic polymer melts | |
Abu-Zahra et al. | In-process density control of extruded foam PVC using wavelet packet analysis of ultrasound waves | |
WO2003004998A1 (en) | Method and apparatus for measuring the elasticity of fluids | |
CN110000947A (zh) | 一种用于在线检测偏心转子挤出机共混效果的装置及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180724 |
|
RJ01 | Rejection of invention patent application after publication |