CN110263488B - 一种基于集成即时学习的工业混炼胶门尼粘度软测量方法 - Google Patents
一种基于集成即时学习的工业混炼胶门尼粘度软测量方法 Download PDFInfo
- Publication number
- CN110263488B CN110263488B CN201910594011.XA CN201910594011A CN110263488B CN 110263488 B CN110263488 B CN 110263488B CN 201910594011 A CN201910594011 A CN 201910594011A CN 110263488 B CN110263488 B CN 110263488B
- Authority
- CN
- China
- Prior art keywords
- mooney viscosity
- new
- similarity
- input
- diversity
- 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.)
- Active
Links
- 150000001875 compounds Chemical class 0.000 title claims abstract description 13
- 238000000691 measurement method Methods 0.000 title claims abstract description 9
- 229920001971 elastomer Polymers 0.000 title abstract description 16
- 239000005060 rubber Substances 0.000 title abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 73
- 238000005457 optimization Methods 0.000 claims abstract description 25
- 238000002156 mixing Methods 0.000 claims abstract description 11
- 238000010074 rubber mixing Methods 0.000 claims abstract description 11
- 238000005516 engineering process Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000005259 measurement Methods 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000010200 validation analysis Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 2
- 230000010354 integration Effects 0.000 abstract description 3
- 230000004927 fusion Effects 0.000 abstract 1
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 5
- 239000002994 raw material Substances 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000013329 compounding Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 229920003051 synthetic elastomer Polymers 0.000 description 2
- 239000005061 synthetic rubber Substances 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000010923 batch production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000010058 rubber compounding Methods 0.000 description 1
Images
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Compositions Of Macromolecular Compounds (AREA)
Abstract
本发明涉及一种基于集成即时学习的工业混炼胶门尼粘度软测量方法,用于工业混炼胶过程中门尼粘度的在线预测。本发明以高斯过程回归(GPR)为局部建模技术,结合相似度扰动和输入样本的多模态扰动策略激发即时学习的多样性,然后基于进化多目标优化构建满足多样性和准确性的即时学习基模型,最后,通过引入有限混合机制的自适应集成策略实现即时学习基模型的融合并得到最终门尼粘度预测值。本发明克服了混炼胶过程中门尼粘度值获取滞后导致成本增加、产品质量难以提高的问题,实现了门尼粘度的高精度在线实时获取。
Description
技术领域
本发明涉及一种间歇过程软测量建模和应用领域,特别涉及一种基于集成即时学习的工业混炼胶门尼粘度软测量方法。
背景技术
橡胶和轮胎工业在国民经济中扮演着重要角色,其中的一个关键环节是橡胶混炼。混炼胶是一个典型的间歇工业过程,实现关键参数的在线检测是过程控制及优化的必要条件,也是确保产品质量和生产过程安全运行的关键措施。在橡胶混合中,根据技术配方将各种配合剂加入生料中,并在混合器中进行复杂的化学反应以制备合成橡胶,全过程由PLC控制器完成混炼胶生产过程的控制。为了获得高质量的橡胶产品,门尼粘度是一个关键的质量指标,通常在橡胶混合过程的批次运行中门尼粘度令人不满意,将导致难以获得最佳和均匀的混合橡胶质量,在没有完成完全反应的情况下则会浪费大量原料,造成经济损失。然而,在实际橡胶混合中,门尼粘度参数的获取只能在每批胶料混合结束后通过人工分析来确定,人工分析通常需要在批次反应结束后4-6小时,而批次运行的混合过程仅持续约2-5分钟,这导致门尼粘度参数的获取存在严重滞后,产品质量难以提升。因此,近年来,软测量技术已被广泛应用于门尼粘度的实时估计,以获得高质量的橡胶产品。
长期以来,在软测量技术研究领域涌现出了大量的软测量建模方法,按学习方式可以将其划分为全局建模和局部建模。全局建模寻求建立一个单一的预测模型,并且期待在所有过程状态上获得满意的性能。但是,全局建模训练效率低,而且不能有效表征过程的局部特征,导致模型预测性能受限。局部建模技术遵循“分而治之”的思想,无论从计算效率还是对局部特征的描述能力上看,局部建模技术的优点都是毋庸置疑的。因此,局部建模技术在软测量建模领域日益受到重视。即时学习(JIT)作为一种典型的局部建模技术已成为软测量建模领域的一个研究热点。即时学习软测量建模围绕相似度函数的定义、数据库管理、新型局部建模技术的引入、与其它方法混合建模等方向展开大量研究。但是,这些传统的即时学习建模方法始终遵循单一的学习配置,即一个数据库、一种回归算法、一组输入特征、一个相似度函数、一组模型超参数,忽略了建模配置的多样性。受限于过程知识的有限性和专家知识的局限性,实际上无法获得最优的建模配置,难以获得满意的预测结果。
发明内容
本发明所要解决的主要技术问题是:本发明针对现有技术的不足,提供一种基于集成即时学习的工业混炼胶门尼粘度软测量方法(MP-EJITGPR),以解决混炼胶过程中门尼粘度难以在线检测的问题。
本发明解决上述技术问题所采用的技术方案为:包括以下步骤:
(1)收集工业混炼胶过程中I个批次,K采样时刻,J个输入过程变量,并将其存放在一个三维矩阵中,同时在批次结束时通过离线分析获得与K采样时刻对应的门尼粘度值y作为输出,然后将三维矩阵沿批次方向展开为二维矩阵X作为输入,获得输入输出样本集Z={X,y};
(2)基于Z-Score方法对输入输出样本集Z进行归一化处理,得到均值为0、方差为1的新样本集,并将新样本集划分为训练集、验证集和测试集;
(3)结合相似度扰动和输入特征扰动的多模态扰动机制激发即时学习的多样性,以GPR为局部建模技术,通过多目标优化方法选择多样性的输入变量集;
(4)对于验证集中的查询样本,根据定义的M个相似度指标分别从对应的输入变量中选择Nlocal个相似样本,从而建立M个满足准确性和多样性的JITGPR基模型,分别得到M组局部预测输出;
(5)采用有限混合机理对M个JITGPR基模型的局部预测输出进行集成,最终得到门尼粘度预测输出和方差。
本发明的有益效果:本发明通过多模态扰动方式充分激发即时学习基模型的多样性,通过进化多目标优化方法构建满足准确性和多样性的JITGPR基模型,最后通过有限混合机制的自适应集成(FMM)策略得到门尼粘度的最终预测输出和方差。与传统软测量方法相比,本发明能显著提升工业混炼胶过程门尼粘度的预测精度。
附图说明
图1为本发明MP-EJITGPR方法的原理图;
图2为工业混炼胶过程中MP-EJITGPR方法优化选择输入变量结果图;
图3为使用单个相似度和MP-EJITGPR模型对门尼粘度预测性能比较图;
图4为基于MP-EJITGPR方法的门尼粘度预测趋势曲线图;
具体实施方式
为使本发明的技术方案和优势更加清楚,下面结合附图和具体实施方式对本发明进行详细说明:
如图1所示:一种基于集成即时学习的工业混炼胶门尼粘度软测量方法,具体实施步骤如下:
(1)收集工业混炼胶过程中I个批次,K采样时刻,J个输入过程变量,并将其存放在一个三维矩阵(I×J×K)中,同时在批次结束时通过离线分析获得与K采样时刻对应的门尼粘度值y作为输出,然后将三维矩阵(I×J×K)沿批次方向展开为二维矩阵X=[X1(I×J),X1(I×J),…,XK(I×J)]作为输入,获得输入输出样本集Z={X,y};
(2)基于Z-Score方法对输入输出样本集Z进行归一化处理,得到均值为0、方差为1的新样本集,并将新样本集划分为训练集、验证集和测试集;
(3)结合相似度扰动和输入特征扰动的多模态扰动机制激发即时学习的多样性,以GPR为局部建模技术,通过多目标优化方法选择多样性的输入变量集;
①相似度扰动:从不同视角分别定义M个相似度函数,第M个相似度函数表示为SM;
本方法中涉及到多目标优化,其定义为多目标优化的目标函数为两个或两个以上则称为多目标优化,多目标优化问题的数学描述如下:
min[f1(x),f2(x),...,fT(x)]
其中,fi(x)为待优化的目标函数;x为待优化的决策向量;lb和ub分别是变量x的下限和上限约束;Aeq*x=beq是变量x的线性等式约束;A*x≤b是变量x的线性不等式约束,本方法采用进化多目标优化算法来进行目标优化,也可采用其他合适的多目标优化算法,其中进化多目标优化算法具体过程如下:
设置种群个数Npop和迭代数Ngen利用进化多目标优化算法从每个子空间的D个输入变量中进行选择,选择出满足准确性和多样性的输入变量,优化过程涉及到决策变量、目标函数和约束条件:
第M个即时学习基模型中的第D个输入变量选择表示为:
②目标函数:
max{facc(z),fdiv(z)}
式中,facc(z)和fdiv(z)分别表示准确性和多样性目标函数;
准确性目标函数facc(z)定义如下:
将max{facc(z),fdiv(z)}的最大化优化问题转化为最小化优化问题,描述为min{RMSEavg,val,1/σavg,val};
③约束条件:无约束条件。
(4)对于验证集中的查询样本,根据定义的M个相似度指标分别从对应的输入变量中选择Nlocal个相似样本,从而建立M个满足准确性和多样性的JITGPR基模型,分别得到M组局部预测输出;
S1、根据M个相似度函数,计算测试集中任意的查询样本xnew和步骤(3)中选择出的输入变量间的相似度ωi;本实施例中选择如下的相似度,实际应用中可以根据需要选择不同的相似度函数。
欧氏距离相似度:
di=||xi-xnew||
Cosine角度相似度:
式中,cosi表示两个向量夹角的余弦值。
加权欧氏距离相似度:
式中,H为权值矩阵,X和y分别表示输入输出矩阵。
相关系数:
式中,Cov(·,·)和Var(·)分别计算协方差和方差。
其中,和Var(ym,new)分别表示ym,new的均值和方差算子,ym,new表示xnew在JITGPRm上的预测输出,km,new=[C(xnew,x1),…,C(xnew,xn)]T为xnew与步骤(3)中选择出的输入变量(x1,...,xn)之间的n×1阶协方差矩阵,n为输入变量的数量,ym为输入变量对应的输出,为n×n的对称正定协方差矩阵的逆矩阵;C(xnew,xnew)为查询点xnew自身的协方差。
(5)采用有限混合机理对M个JITGPR基模型的局部预测输出进行集成,最终得到门尼粘度预测输出和方差。根据查询样本xnew从中得到的局部预测输出和方差通过自适应集成所有局部预测输出来估计目标变量的最终预测输出和方差计算如下:
式中,ωm,new表示满足下面约束条件的混合权重:
假定混合权重与每个JITGPR模型预测方差成反比,则ωm,new估算如下:
其中,p表示调节参数。
实施例2:以下结合华东一家轮胎生产企业的具体工业混炼胶过程实例来说明MP-EJITGPR方法对门尼粘度预测的有效性和准确性。工业混炼胶生产过程是一个典型的多时段、非线性间歇过程,根据技术配方将各种配合剂加入生料中,并在混合器中进行复杂的化学反应以制备合成橡胶,全过程由PLC控制器完成混炼胶生产过程的控制。在反应过程中,门尼粘度是一个十分重要的关键指标,为了控制产品质量和生产效率,通过构建软测量模型对门尼粘度进行在线预测。
如表1所示给出了针对关键质量变量门尼粘度选择的5个辅助变量,并且将时刻0s,14s,18s,...,118s对应的过程变量作为输入变量,共计获得140个输入变量。
表1输入变量表
输入变量 | 变量描述 |
x<sub>1</sub> | 混合室温度 |
x<sub>2</sub> | 电机功率 |
x<sub>3</sub> | 冲击压力 |
x<sub>4</sub> | 电机转速 |
x<sub>5</sub> | 能量 |
分别从三个橡胶混合器中收集建模数据,共计1172批次。其中,822批作为训练集,175批作为验证集,175批作为测试集。在使用单个相似度方法JITGPR和基于多模态扰动的集成即时学习高斯过程回归(MP-EJITGPR)建模方法中,局部建模样本数Nlocal=50,局部化参数调节参数p=10,使用NSGA-II算法优化,设置种群数Npop=100,迭代数Ngen=100。
表2为不同建模方法对门尼粘度的预测结果比较,即使用单个相似度建立的即时学习高斯过程回归软测量建模方法JITGPR,与本发明的基于多模态扰动的集成即时学习软测量建模方法MP-EJITGPR相比较,使用均方根误差RMSE、相对均方根误差RRMSE和决定系数R2作为模型性能评价指标:
表2可以看出,使用不同相似度建立的即时学习高斯过程回归模型JITGPR,其预测结果之间存在差异,而本发明基于多模态扰动的集成即时学习软测量建模方法(MP-EJITGPR)性能显著优于JITGPR。
表2不同建模方法对门尼粘度的预测结果比较
方法 | RMSE | RRMSE(%) | R<sup>2</sup> |
JITGPR(欧式距离相似度) | 3.1561 | 4.2700 | 0.9630 |
JITGPR(Cosine角度相似度) | 3.2053 | 4.3494 | 0.9618 |
JITGPR(加权欧式距离相似度) | 3.6552 | 5.2370 | 0.9503 |
JITGPR(相关系数) | 3.2029 | 4.3313 | 0.9618 |
MP-EJITGPR | 2.9202 | 3.9085 | 0.9683 |
从图2可以看到不同相似度使用NSGA-II算法优化选择的输入样本大不相同。图3为使用单个相似度和MP-EJITGPR模型对门尼粘度预测性能比较图,可以看出随着建模样本的增加,使用不同相似度所建模型间性能有所差异,而MP-EJITGPR方法却始终优于单个相似度建立的即时学习模型。图4为基于MP-EJITGPR方法的门尼粘度预测趋势曲线图,可以清楚看出门尼粘度的预测值与实际值之间高度吻合,这主要得益于多模态扰动策略激发即时学习模型的多样性;进化多目标优化获得满足准确性和多样性的即时学习基模型;自适应集成方法的引入。相比于传统的使用单一相似度建模方法,本发明能有效提升即工业混炼胶过程中门尼粘度的预测精度。
以上说述,仅是本发明具体的一个实施方式,但本发明的保护范围并不仅限于此,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出同等替换或改变,都应涵盖在本发明的保护范围之内。
Claims (3)
1.一种基于集成即时学习的工业混炼胶门尼粘度软测量方法,其特征在于,包括以下步骤:
(1)收集工业混炼胶过程中I个批次,K采样时刻,J个输入过程变量,并将其存放在一个三维矩阵中,同时在批次结束时通过离线分析获得与K采样时刻对应的门尼粘度值y作为输出,然后将三维矩阵沿批次方向展开为二维矩阵X作为输入,获得输入输出样本集Z={X,y};
(2)基于Z-Score方法对输入输出样本集Z进行归一化处理,得到均值为0、方差为1的新样本集,并将新样本集划分为训练集、验证集和测试集;
(3)结合相似度扰动和输入特征扰动的多模态扰动机制激发即时学习的多样性,以GPR为局部建模技术,通过多目标优化方法选择多样性的输入变量集;
步骤(3)中的多模态扰动机制包括相似度扰动和输入特征扰动,具体为:
①相似度扰动:从不同视角分别定义M个相似度函数,第M个相似度函数表示为SM;
设置种群个数Npop和迭代数Ngen利用进化多目标优化算法从每个子空间的D个输入变量中进行选择,选择出满足准确性和多样性的输入变量,优化过程涉及到决策变量、目标函数和约束条件:
第M个即时学习基模型中的第D个输入变量选择表示为:
②目标函数:
max{facc(z),fdiv(z)}
式中,facc(z)和fdiv(z)分别表示准确性和多样性目标函数;
准确性目标函数facc(z)定义如下:
将max{facc(z),fdiv(z)}的最大化优化问题转化为最小化优化问题,描述为min{RMSEavg,val,1/σavg,val};
③约束条件:无约束条件;
(4)对于验证集中的查询样本,根据定义的M个相似度指标分别从对应的输入变量中选择Nlocal个相似样本,从而建立M个满足准确性和多样性的JITGPR基模型,分别得到M组局部预测输出;
(5)采用有限混合机理对M个JITGPR基模型的局部预测输出进行集成,最终得到门尼粘度预测输出和方差。
2.根据权利要求1所述的一种基于集成即时学习的工业混炼胶门尼粘度软测量方法,其特征在于,步骤(4)的具体过程为:
S1、根据M个相似度函数,计算测试集中任意的查询样本xnew和步骤(3)中选择出的输入变量间的相似度ωi;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910594011.XA CN110263488B (zh) | 2019-07-03 | 2019-07-03 | 一种基于集成即时学习的工业混炼胶门尼粘度软测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910594011.XA CN110263488B (zh) | 2019-07-03 | 2019-07-03 | 一种基于集成即时学习的工业混炼胶门尼粘度软测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110263488A CN110263488A (zh) | 2019-09-20 |
CN110263488B true CN110263488B (zh) | 2022-09-13 |
Family
ID=67924106
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910594011.XA Active CN110263488B (zh) | 2019-07-03 | 2019-07-03 | 一种基于集成即时学习的工业混炼胶门尼粘度软测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110263488B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111208041A (zh) * | 2020-01-10 | 2020-05-29 | 万邦德制药集团有限公司 | 一种银杏叶滴丸的制备方法 |
CN111813064B (zh) * | 2020-07-03 | 2021-06-25 | 浙江大学 | 基于即时学习思想的工业过程运行状态在线评价方法 |
CN113158473B (zh) * | 2021-04-27 | 2022-03-15 | 昆明理工大学 | 一种半监督集成即时学习工业混炼胶门尼粘度软测量方法 |
CN113012766B (zh) * | 2021-04-27 | 2022-07-19 | 昆明理工大学 | 一种基于在线选择性集成的自适应软测量建模方法 |
CN115862784B (zh) * | 2022-12-07 | 2023-08-29 | 浙江大学 | 一种密炼机混炼门尼粘度预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5865535A (en) * | 1997-11-06 | 1999-02-02 | M.A.Hannarubbercompounding, A Division Of M.A. Hanna Company | Dynamic mixer control in plastics and rubber processing |
CN101893884A (zh) * | 2010-06-30 | 2010-11-24 | 浙江大学 | 密炼机的橡胶混炼过程中质量指标数据的软测量方法 |
CN102357934A (zh) * | 2011-08-29 | 2012-02-22 | 天津大学 | 一种基于橡胶混炼过程的质量监控软测量方法 |
CN102390096A (zh) * | 2011-08-29 | 2012-03-28 | 天津大学 | 一种橡胶门尼粘度的在线自动测量方法 |
Family Cites Families (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH063243A (ja) * | 1992-06-23 | 1994-01-11 | Asahi Chem Ind Co Ltd | ゴム状重合体の物性推定方法 |
CN1105302C (zh) * | 1999-07-30 | 2003-04-09 | 广州华工百川自控科技有限公司 | 密炼机混炼胶粘度分散度预测装置及其数学模型建立方法 |
US6815472B2 (en) * | 2002-08-16 | 2004-11-09 | Acushnet Company | Golf ball compositions comprising lipid-based nanotubules |
US20110250626A1 (en) * | 2002-09-09 | 2011-10-13 | Reactive Surfaces, Ltd. | Visual Assays for Coatings Incorporating Bioactive Enzymes for Catalytic Functions |
US20120097194A1 (en) * | 2002-09-09 | 2012-04-26 | Reactive Surfaces, Ltd. | Polymeric Coatings Incorporating Bioactive Enzymes for Catalytic Function |
CN100364743C (zh) * | 2003-11-12 | 2008-01-30 | 青岛高校软控股份有限公司 | 橡胶密炼生产过程的故障监测与专家***及其使用方法 |
CN100403301C (zh) * | 2003-11-12 | 2008-07-16 | 青岛高校软控股份有限公司 | 一种排胶工艺控制知识库的应用方法 |
US20050249667A1 (en) * | 2004-03-24 | 2005-11-10 | Tuszynski Jack A | Process for treating a biological organism |
CN101650290B (zh) * | 2009-06-23 | 2011-05-04 | 茂名学院 | 橡胶门尼粘度混合智能软测量方法 |
CN101863088B (zh) * | 2010-06-30 | 2012-10-03 | 浙江大学 | 一种橡胶混炼过程中门尼粘度的预报方法 |
CN102567386A (zh) * | 2010-12-17 | 2012-07-11 | 软控股份有限公司 | 在线检测数据库更新方法 |
CN102303377B (zh) * | 2011-08-29 | 2013-11-27 | 天津大学 | 一种橡胶门尼粘度的在线自动测量方法 |
CN102357933B (zh) * | 2011-08-29 | 2013-11-06 | 天津大学 | 一种基于橡胶混炼过程的质量实时监控方法 |
CN102509971B (zh) * | 2011-10-28 | 2015-04-15 | 中国人民解放军总参谋部第五十五研究所 | 一种宽频防载波泄密安全电源插座 |
US9718931B2 (en) * | 2012-06-06 | 2017-08-01 | Firestone Polymers, Llc | Method of making base stabilized polymers, polymer compositions and articles containing such polymers |
WO2016197232A1 (en) * | 2015-06-11 | 2016-12-15 | University Of Windsor | Device and method using damped harmonic analysis for automated pulmonary and abdominal examination |
CN105913450A (zh) * | 2016-06-22 | 2016-08-31 | 武汉理工大学 | 基于神经网络图像处理的轮胎橡胶炭黑分散度评价方法及*** |
IT201600081868A1 (it) * | 2016-08-03 | 2018-02-03 | Versalis Spa | Metodo e sistema per il controllo di un impianto di produzione in continuo di un polimero. |
CN109358185A (zh) * | 2018-10-10 | 2019-02-19 | 青岛科技大学 | 基于极限学习机的橡胶配方性能预测模型及预测方法 |
-
2019
- 2019-07-03 CN CN201910594011.XA patent/CN110263488B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5865535A (en) * | 1997-11-06 | 1999-02-02 | M.A.Hannarubbercompounding, A Division Of M.A. Hanna Company | Dynamic mixer control in plastics and rubber processing |
CN101893884A (zh) * | 2010-06-30 | 2010-11-24 | 浙江大学 | 密炼机的橡胶混炼过程中质量指标数据的软测量方法 |
CN102357934A (zh) * | 2011-08-29 | 2012-02-22 | 天津大学 | 一种基于橡胶混炼过程的质量监控软测量方法 |
CN102390096A (zh) * | 2011-08-29 | 2012-03-28 | 天津大学 | 一种橡胶门尼粘度的在线自动测量方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110263488A (zh) | 2019-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110263488B (zh) | 一种基于集成即时学习的工业混炼胶门尼粘度软测量方法 | |
CN107451101B (zh) | 一种分层集成的高斯过程回归软测量建模对脱丁烷塔底丁烷浓度进行预测的方法 | |
CN104699894B (zh) | 基于实时学习的高斯过程回归多模型融合建模方法 | |
CN101893884B (zh) | 密炼机的橡胶混炼过程中质量指标数据的软测量方法 | |
CN102231057B (zh) | 基于混沌粒子群优化的赖氨酸发酵过程软测量方法 | |
CN106054840B (zh) | 一种全流程产品质量在线管控*** | |
CN105574587B (zh) | 一种塑料注塑过程的在线工况过程监控方法 | |
CN107403196B (zh) | 基于谱聚类分析的即时学习建模对脱丁烷塔底丁烷浓度进行预测的方法 | |
CN113158473B (zh) | 一种半监督集成即时学习工业混炼胶门尼粘度软测量方法 | |
CN101308385A (zh) | 基于二维动态核主元分析的非线性过程故障检测方法 | |
CN109616161B (zh) | 一种基于孪生支持向量回归机的发酵过程软测量方法 | |
CN110046377B (zh) | 一种基于异构相似度的选择性集成即时学习软测量建模方法 | |
CN112433507A (zh) | 基于lso-lssvm的五轴数控机床热误差综合建模方法 | |
CN110908361B (zh) | 一种基于在线孪生支持向量回归机的发酵过程软测量方法 | |
CN111638707A (zh) | 基于som聚类和mpca的间歇过程故障监测方法 | |
CN102621953B (zh) | 一种橡胶硬度的在线自动质量监控和预测模型更新的方法 | |
CN110033175B (zh) | 一种基于集成多核偏最小二乘回归模型的软测量方法 | |
CN110826794A (zh) | 基于pso优化svm的电厂耗煤基准值滚动预测方法和装置 | |
CN116861224B (zh) | 基于间歇过程软测量建模方法的间歇过程软测量建模*** | |
CN105159247B (zh) | 基于信息传递的间歇过程实时采样点阶段归属判断方法 | |
CN116776252A (zh) | 一种改进Mallow's Cp变量选择的工业过程软测量方法和*** | |
Zhao et al. | Product design for batch processes through total projection to latent structures | |
Park et al. | A data-driven recipe simulation for synthetic rubber production | |
CN110866643B (zh) | 基于最大二次互信息准则回归的发酵过程质量变量预测方法 | |
Azimzadeh et al. | Online optimal control of a batch fermentation process using multiple model approach |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |