CN118092538B - 一种光缆挤压成型的温度智能控制***及方法 - Google Patents
一种光缆挤压成型的温度智能控制***及方法 Download PDFInfo
- Publication number
- CN118092538B CN118092538B CN202410479682.2A CN202410479682A CN118092538B CN 118092538 B CN118092538 B CN 118092538B CN 202410479682 A CN202410479682 A CN 202410479682A CN 118092538 B CN118092538 B CN 118092538B
- Authority
- CN
- China
- Prior art keywords
- temperature
- extrusion
- actual
- extrusion head
- data
- 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
- 238000001125 extrusion Methods 0.000 title claims abstract description 116
- 230000003287 optical effect Effects 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000004458 analytical method Methods 0.000 claims abstract description 53
- 230000008569 process Effects 0.000 claims abstract description 31
- 238000013500 data storage Methods 0.000 claims abstract description 11
- 238000003062 neural network model Methods 0.000 claims description 38
- 230000006870 function Effects 0.000 claims description 31
- 238000000465 moulding Methods 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 18
- 239000000463 material Substances 0.000 claims description 10
- 230000005855 radiation Effects 0.000 claims description 8
- 238000001816 cooling Methods 0.000 claims description 7
- 238000010438 heat treatment Methods 0.000 claims description 7
- 238000004519 manufacturing process Methods 0.000 claims description 7
- 238000012546 transfer Methods 0.000 claims description 6
- 230000005457 Black-body radiation Effects 0.000 claims description 5
- 238000011478 gradient descent method Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000002844 melting Methods 0.000 claims description 4
- 230000008018 melting Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000003213 activating effect Effects 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 5
- 239000004831 Hot glue Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 239000004698 Polyethylene Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000003365 glass fiber Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- -1 polyethylene Polymers 0.000 description 1
- 229920000573 polyethylene Polymers 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000004513 sizing Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 229920001169 thermoplastic Polymers 0.000 description 1
- 238000009757 thermoplastic moulding Methods 0.000 description 1
- 239000004416 thermosoftening plastic Substances 0.000 description 1
Landscapes
- Extrusion Moulding Of Plastics Or The Like (AREA)
Abstract
本发明涉及温度控制技术领域，且公开了一种光缆挤压成型的温度智能控制***及方法，包括历史数据存储模块、目标数据采集模块、理论温度分析模块、实际温度分析模块以及温度智能控制模块，通过设有理论温度分析模块与实际温度分析模块，有利于通过构建全连接神经网络模型，易于实现，并具有较强的表示能力，能够很好地表示出一类数据与理论挤压成型温度值之间的关系，可以依据不同光缆外护套的要求进行温度控制，提高了外护套的成型质量，拓宽了普适性；同时对挤压过程中存在的热量损失进行分析，提高了外护套的成型质量，对挤压头的温度进行智能化精准化的控制，提高了对挤压头温度控制的准确性。
Description
技术领域
本发明涉及温度控制技术领域，更具体地涉及一种光缆挤压成型的温度智能控制***及方法。
背景技术
光缆热塑挤压成型工艺将玻璃纤维由带张力控制的放线架放出，通过过线支架偏转一定角度后穿过分线盘上沿圆周均匀分布的16个过线模进入挤压头，由中心束管放线架放出的光纤单元，从挤压头中心穿过，由热熔胶机压送出来的高温高压高粘度的热熔胶，经加热软管从两边进入挤压头，经过挤压、粘接、热塑成型、压缩、定径后的缆芯铠装层即进入挤塑机机头挤制聚乙烯外护套，经冷却、牵引到线盘，制成成品。
在实际生产中，光缆成型工艺过程中光缆护套生产线是光缆制造行业中最后一道工序，其护套层的质量将对光缆的机械 、热、化学等性能产生至关重要的影响，护套成型工艺质量欠佳会导致光缆出现性能衰减问题，而在护套成型工艺中，对护套的挤压温度控制尤为重要，是光缆护套质量最为直接的决定因素。
现有的光缆挤压成型中在对外护套进行挤压成型时无法对挤压头加热器的温度进行精准的控制，由于挤压过程中会产生热量损失，进而无法使成型温度达到所需要的数值，从而对外护套挤压成型效果产生影响，降低了护套成型质量。
发明内容
为了克服现有技术的上述缺陷，本发明提供了一种光缆挤压成型的温度智能控制***及方法，以解决上述背景技术中存在的问题。
本发明提供如下技术方案：一种光缆挤压成型的温度智能控制***，包括历史数据存储模块、目标数据采集模块、理论温度分析模块、实际温度分析模块以及温度智能控制模块；
所述目标数据采集模块用于获取目标数据，并传输至理论温度分析模块与实际温度分析模块；所述目标数据采集模块包括一类数据获取单元与二类数据获取单元；
所述理论分析模块基于历史数据存储模块的数据构建全连接神经网络模型，并对一类数据获取单元的一类数据进行分析，得到理论成型温度值；
所述实际温度分析模块接收理论温度分析模块的理论成型温度值与二类数据获取单元的二类数据，对挤压过程中的热量损失进行计算分析，并结合理论成型温度值，得出最终实际成型温度值；
所述温度智能控制模块接收实际温度分析模块的数据，对温度进行智能调控；
所述一类数据获取单元用于获取一类数据后传输至理论温度分析模块，所述二类数据获取单元用于获取二类数据后传输至实际温度分析模块，所述一类数据包括光缆外护套的材料熔化温度、材料固化温度、光缆直径以及生产速度；所述二类数据包括挤压模具挤压头表面积、环境温度、空气对流传热系数、热辐射系数以及黑体辐射系数；
所述构建全连接神经网络模型的具体处理方式为：
初始化全连接神经网络模型基本架构：基本架构包括输入层、隐藏层、激活函数、损失函数、学习率、正则化器以及输出层；
初始化权重和偏置后，通过反向传播算法得出损失函数对每一个参数的梯度，再根据梯度和学习率使用梯度下降法更新每一个参数；
所述激活函数选取Sigmoid函数；
所述损失函数选取均方误差损失函数：，其中，yi为第i个样本的真实值，pi为第i个样本的预测值，若光缆挤压成型中在对外护套进行挤压成型时挤压头工作了m次，则存在m个样本，i=1、2、3……m；
在训练过程中，参数的更新向着损失函数梯度下降的方向，参数的更新公式为：，其中，wh,r为全连接神经网络模型第r层更新后的参数，wq,r为全连接神经网络模型第r层当前参数，αr为全连接神经网络模型第r层的学习率，TLoss r为全连接神经网络模型第r层损失函数的梯度；
若损失函数在连续β次迭代过程中均不再发生变化，则模型收敛训练结束，得到训练完成的全连接神经网络模型；
所述热量损失的计算公式为：，其中，Qall为挤压成型过程中的热量损失总值，Qd为挤压成型过程中挤压头周围空气对流散失的热量，Qf为挤压头热辐损失的热量；
，其中，S为挤压模具挤压头表面积，γ为空气对流传热系数，Ch为环境温度，ρ0为理论成型温度值；
，其中，ε为热辐射系数，ε的取值满足ε∈[0.25，0.75]，Hf为黑体辐射系数；
所述实际成型温度值为：，其中，Ts为实际成型温度值，M为挤压头质量，c为挤压头的材料比热容。
优选的，所述温度智能控制模块接收实际温度分析模块的数据，对温度进行智能升温的具体方式为：
计算挤压头从当前温度升温至实际成型温度值所需的时间：，其中，t1为挤压头从当前温度升温至实际成型温度值所需的时间，Td为挤压头当前温度，η1为挤压头的升温效率。
优选的，所述温度智能控制模块接收实际温度分析模块的数据，对温度进行智能降温的具体方式为：
计算挤压头从当前温度降温至实际成型温度值所需的时间：，其中，t2为挤压头从当前温度降温至实际成型温度值所需的时间，η2为挤压头的降温效率，Td为挤压头当前温度。
一种光缆挤压成型的温度智能控制方法，包括以下步骤：
步骤S01：对历史数据进行存储，并将存储的历史数据作为训练集；
步骤S02：基于步骤S01中的训练集，构建全连接神经网络模型；
步骤S03：获取一类数据，输入至已构建完成的全连接神经网络模型中，输出理论成型温度值；
步骤S04：获取二类数据，计算挤压成型过程中的热量损失总值，并结合步骤S03中输出的理论成型温度值，得出实际成型温度值；
步骤S05：基于步骤S04中的实际成型温度值对温度进行智能调控。
本发明的技术效果和优点：
本发明通过设有理论温度分析模块与实际温度分析模块，有利于通过构建全连接神经网络模型，易于实现，并具有较强的表示能力，能够很好地表示出一类数据与理论挤压成型温度值之间的关系，并加入正则化器控制全连接神经网络模型的复杂度并防止过拟合，可以依据不同光缆外护套的要求进行温度控制，提高了外护套的成型质量，拓宽了普适性；同时对挤压过程中存在的热量损失进行分析，防止出现热量过度损失的情况，导致温度无法达到所需要的数值，提高了外护套的成型质量，保证了光缆外护套的挤压成型过程中的成型效果，对挤压头的温度进行智能化精准化的控制，提高了对挤压头温度控制的准确性。
附图说明
图1为本发明的光缆挤压成型的温度智能控制***流程图。
图2为本发明的光缆挤压成型的温度智能控制方法流程图。
具体实施方式
下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，另外，在以下的实施方式中记载的各结构的形态只不过是例示，本发明所涉及的一种光缆挤压成型的温度智能控制***及方法并不限定于在以下的实施方式中记载的各结构，在本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施方式都属于本发明保护的范围。
如图1所示，本发明提供了一种光缆挤压成型的温度智能控制***，包括历史数据存储模块、目标数据采集模块、理论温度分析模块、实际温度分析模块以及温度智能控制模块；
所述历史数据存储模块用于存储历史数据并将数据传输至理论温度分析模块作为模型训练的数据，所述目标数据采集模块用于对制作批次的光缆外护套成型工艺参数进行采集，并传输至历史数据存储模块进行保存，同时传输至理论温度分析模块进行理论温度分析，所述理论温度分析模块接收历史数据存储模块的历史数据，构建全连接神经网络模型，分析光缆外护套的制作工艺参数与挤压成型温度之间的关系，同时对目标数据采集模块的数据进行分析，得出光缆外护套的理论成型温度值，并传输至实际温度分析模块，所述实际温度分析模块对挤压过程中的热量损失进行计算分析，并结合理论成型温度值，得出最终实际成型温度值，以避免热量损失导致温度无法达到设定温度值进而影响外护套质量，所述温度智能控制模块用于接收实际温度分析模块的实际成型温度值后，对温度进行智能控制调整，对挤压头进行智能化精准化的控制，提高了对挤压头温度控制的准确性。
本实施例中，需要具体说明的是，所述历史数据存储模块用于对数据进行存储，并将存储的历史数据作为训练集传输至理论温度分析模块；
所述目标数据采集模块用于获取目标数据，包括一类数据与二类数据，并传输至理论温度分析模块与实际温度分析模块；所述目标数据采集模块包括一类数据获取单元与二类数据获取单元，所述一类数据获取单元用于获取一类数据后传输至理论温度分析模块，所述二类数据获取单元用于获取二类数据后传输至实际温度分析模块；所述一类数据包括但不限于光缆外护套的材料熔化温度、材料固化温度、光缆直径以及生产速度；所述二类数据包括但不限于挤压模具挤压头表面积、环境温度、空气对流传热系数、热辐射系数以及黑体辐射系数。
本实施例中，需要具体说明的是，所述理论分析模块基于历史数据存储模块的数据构建全连接神经网络模型，并对一类数据获取单元的一类数据进行分析，得到理论成型温度值，即光缆挤压成型中在对外护套进行挤压成型时挤压头的理论温度值；
全连接神经网络模型易于实现，具有较强的表示能力，能够很好地表示出一类数据与理论挤压成型温度值之间的关系，可以依据不同光缆外护套的要求进行温度调整与控制，提高了外护套的成型质量的同时拓宽了***的普适性；
所述构建全连接神经网络模型的具体处理方式为：
初始化全连接神经网络模型基本架构：基本架构包括输入层、隐藏层、激活函数、损失函数、学习率、正则化器以及输出层；输入层节点的数值与一类数据的特征向量数量相同，输入层将一类数据组织成全连接神经网络模型可以处理的格式；示例性的，提取光缆外护套的材料熔化温度的特征向量，作为输入层的一个节点；本实施例中选取输出层节点为1个，输出结果为理论成型温度值；隐藏层的神经元数目由正则化器确定，正则化器采用L2范数正则化控制全连接神经网络模型的复杂度并防止过拟合；
初始化权重和偏置后，通过反向传播算法得出损失函数对每一个参数的梯度，再根据梯度和学习率使用梯度下降法更新每一个参数；梯度下降法能够优化参数的取值，使模型在训练数据上的损失函数尽可能小；参数为算法迭代与修正后最终稳定的值，即权重和偏置；反向传播算法与梯度下降法均为现有技术，本实施例不作过多赘述；
所述激活函数选取Sigmoid函数；
所述损失函数选取均方误差损失函数：，其中，yi为第i个样本的真实值，pi为第i个样本的预测值；若光缆挤压成型中在对外护套进行挤压成型时挤压头工作了m次，则存在m个样本，i=1、2、3……m，将挤压头实际产生的温度记为真实值，将输出层输出的理论成型温度值记为预测值；真实值可通过设置非接触式温度传感器获取；
在训练过程中，参数的更新向着损失函数梯度下降的方向，参数的更新公式为：，其中，wh,r为全连接神经网络模型第r层更新后的参数，wq,r为全连接神经网络模型第r层当前参数，αr为全连接神经网络模型第r层的学习率，TLoss r为全连接神经网络模型第r层损失函数的梯度；
若损失函数在连续β次迭代过程中均不再发生变小，则模型收敛训练结束，得到训练完成的全连接神经网络模型；
理论分析模块接收一类数据获取单元的一类数据后，通过已构建的全连接神经网络模型输出理论成型温度值ρ0。
本实施例中，需要具体说明的是，所述实际温度分析模块接收理论温度分析模块的理论成型温度值与二类数据获取单元的二类数据，对挤压过程中的热量损失进行计算分析，并结合理论成型温度值，得出最终实际成型温度值；
对挤压过程中存在的热量损失进行分析，防止出现热量过度损失的情况，导致温度无法达到所需要的数值，提高了外护套的成型质量，保证了光缆外护套的挤压成型过程中的成型效果；
所述热量损失的计算公式为：，其中，Qall为挤压成型过程中的热量损失总值，Qd为挤压成型过程中挤压头周围空气对流散失的热量，Qf为挤压头热辐损失的热量；
，其中，S为挤压模具挤压头表面积，γ为空气对流传热系数，本实施例取γ=8W/m2，Ch为环境温度；
，其中，ε为热辐射系数，ε的取值满足ε∈[0.25，0.75]，本实施例不对其具体数值做具体限定；Hf为黑体辐射系数，本实施例取值为5.8W/(m2·k4)；
所述实际成型温度值为：，其中，Ts为实际成型温度值，M为挤压头质量，c为挤压头的材料比热容。
本实施例中，需要具体说明的是，所述温度智能控制模块接收实际温度分析模块的数据，对温度进行智能调控，具体处理方式包括但不限于通过计算升温所需时间或降温所需时间对温度进行智能调控：
计算挤压头从当前温度升温至实际成型温度值所需的时间，从而对挤压头进行智能升温；，其中，t1为挤压头从当前温度升温至实际成型温度值所需的时间，Td为挤压头当前温度，Td的值可通过非接触式温度传感器测量获取；η1为挤压头的升温效率，即在一定时间t´内，挤压头温度升高的数值，可通过多次实际测试获取；
计算挤压头从当前温度降温至实际成型温度值所需的时间，从而对挤压头进行智能降温；，其中，t2为挤压头从当前温度降温至实际成型温度值所需的时间，η2为挤压头的降温效率，即在一定时间t´内，挤压头温度降低的数值，可通过多次实际测试获取；
当挤压头达到实际成型温度值时，停止升温或降温。
如图2所示，本发明提供了一种光缆挤压成型的温度智能控制方法，包括以下步骤：
步骤S01：对历史数据进行存储，并将存储的历史数据作为训练集；
步骤S02：基于步骤S01中的训练集，构建全连接神经网络模型；
步骤S03：获取一类数据，输入至已构建完成的全连接神经网络模型中，输出理论成型温度值；
步骤S04：获取二类数据，计算挤压成型过程中的热量损失总值，并结合步骤S03中输出的理论成型温度值，得出实际成型温度值；
步骤S05：基于步骤S04中的实际成型温度值对挤压头的温度进行智能调控。
本实施例中，需要具体说明的是，本实施与现有技术的区别主要在于本实施例具备理论温度分析模块与实际温度分析模块，通过构建全连接神经网络模型，易于实现，并具有较强的表示能力，能够很好地表示出一类数据与理论挤压成型温度值之间的关系，并加入正则化器控制全连接神经网络模型的复杂度并防止过拟合，可以依据不同光缆外护套的要求进行温度调整与控制，提高了外护套的成型质量，拓宽了普适性；同时对挤压过程中存在的热量损失进行分析，防止出现热量过度损失的情况，导致温度无法达到所需要的数值，提高了外护套的成型质量，保证了光缆外护套的挤压成型过程中的成型效果。
最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
Claims (4)
1.一种光缆挤压成型的温度智能控制***，其特征在于：包括历史数据存储模块、目标数据采集模块、理论温度分析模块、实际温度分析模块以及温度智能控制模块；
所述目标数据采集模块用于获取目标数据，并传输至理论温度分析模块与实际温度分析模块；所述目标数据采集模块包括一类数据获取单元与二类数据获取单元；
所述理论温度分析模块基于历史数据存储模块的数据构建全连接神经网络模型，并对一类数据获取单元的一类数据进行分析，得到理论成型温度值；
所述实际温度分析模块接收理论温度分析模块的理论成型温度值与二类数据获取单元的二类数据，对挤压过程中的热量损失进行计算分析，并结合理论成型温度值，得出最终实际成型温度值；
所述温度智能控制模块接收实际温度分析模块的数据，对温度进行智能调控；
所述一类数据获取单元用于获取一类数据后传输至理论温度分析模块，所述二类数据获取单元用于获取二类数据后传输至实际温度分析模块，所述一类数据包括光缆外护套的材料熔化温度、材料固化温度、光缆直径以及生产速度；所述二类数据包括挤压模具挤压头表面积、环境温度、空气对流传热系数、热辐射系数以及黑体辐射系数；
所述构建全连接神经网络模型的具体处理方式为：
初始化全连接神经网络模型基本架构：基本架构包括输入层、隐藏层、激活函数、损失函数、学习率、正则化器以及输出层；
初始化权重和偏置后，通过反向传播算法得出损失函数对每一个参数的梯度，再根据梯度和学习率使用梯度下降法更新每一个参数；
所述激活函数选取Sigmoid函数；
所述损失函数选取均方误差损失函数：，其中，yi为第i个样本的真实值，pi为第i个样本的预测值，若光缆挤压成型中在对外护套进行挤压成型时挤压头工作了m次，则存在m个样本，i=1、2、3……m；
在训练过程中，参数的更新向着损失函数梯度下降的方向，参数的更新公式为：，其中，wh,r为全连接神经网络模型第r层更新后的参数，wq,r为全连接神经网络模型第r层当前参数，αr为全连接神经网络模型第r层的学习率，TLoss r为全连接神经网络模型第r层损失函数的梯度；
若损失函数在连续β次迭代过程中均不再发生变化，则模型收敛训练结束，得到训练完成的全连接神经网络模型；
所述热量损失的计算公式为：，其中，Qall为挤压成型过程中的热量损失总值，Qd为挤压成型过程中挤压头周围空气对流散失的热量，Qf为挤压头热辐损失的热量；
，其中，S为挤压模具挤压头表面积，γ为空气对流传热系数，Ch为环境温度，ρ0为理论成型温度值；
，其中，ε为热辐射系数，ε的取值满足ε∈[0.25，0.75]，Hf为黑体辐射系数；
所述实际成型温度值为：，其中，Ts为实际成型温度值，M为挤压头质量，c为挤压头的材料比热容。
2.根据权利要求1所述的一种光缆挤压成型的温度智能控制***，其特征在于：所述温度智能控制模块接收实际温度分析模块的数据，对温度进行智能升温的具体方式为：
计算挤压头从当前温度升温至实际成型温度值所需的时间：，其中，t1为挤压头从当前温度升温至实际成型温度值所需的时间，Td为挤压头当前温度，η1为挤压头的升温效率。
3.根据权利要求1所述的一种光缆挤压成型的温度智能控制***，其特征在于：所述温度智能控制模块接收实际温度分析模块的数据，对温度进行智能降温的具体方式为：
计算挤压头从当前温度降温至实际成型温度值所需的时间：，其中，t2为挤压头从当前温度降温至实际成型温度值所需的时间，η2为挤压头的降温效率，Td为挤压头当前温度。
4.一种光缆挤压成型的温度智能控制方法，用于使用上述权利要求1-3任一种所述的光缆挤压成型的温度智能控制***，其特征在于：包括以下步骤：
步骤S01：对历史数据进行存储，并将存储的历史数据作为训练集；
步骤S02：基于步骤S01中的训练集，构建全连接神经网络模型；
步骤S03：获取一类数据，输入至已构建完成的全连接神经网络模型中，输出理论成型温度值；
步骤S04：获取二类数据，计算挤压成型过程中的热量损失总值，并结合步骤S03中输出的理论成型温度值，得出实际成型温度值；
步骤S05：基于步骤S04中的实际成型温度值对温度进行智能调控。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410479682.2A CN118092538B (zh) | 2024-04-22 | 2024-04-22 | 一种光缆挤压成型的温度智能控制***及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410479682.2A CN118092538B (zh) | 2024-04-22 | 2024-04-22 | 一种光缆挤压成型的温度智能控制***及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118092538A CN118092538A (zh) | 2024-05-28 |
| CN118092538B true CN118092538B (zh) | 2024-06-21 |
Family
ID=91157255
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410479682.2A Active CN118092538B (zh) | 2024-04-22 | 2024-04-22 | 一种光缆挤压成型的温度智能控制***及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118092538B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113419313A (zh) * | 2021-06-02 | 2021-09-21 | 深圳市航顺芯片技术研发有限公司 | 光模块控制芯片及光模块 |
| CN114322819A (zh) * | 2022-03-15 | 2022-04-12 | 中国科学院武汉岩土力学研究所 | 光纤光栅传感器、深部巷道围岩的应变监测方法及*** |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004279759A (ja) * | 2003-03-17 | 2004-10-07 | Ykk Corp | 光ファイバカプラ、その製造方法およびその製造装置 |
| CN114935802B (zh) * | 2022-05-13 | 2023-06-23 | 长飞光纤光缆股份有限公司 | 一种光缆生产中光缆外护套气抛光组件、***及方法 |
| CN117484837A (zh) * | 2023-10-20 | 2024-02-02 | 河北尧观市政工程有限公司 | 一种电力电缆护套管挤出成型***及方法 |
-
2024
- 2024-04-22 CN CN202410479682.2A patent/CN118092538B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113419313A (zh) * | 2021-06-02 | 2021-09-21 | 深圳市航顺芯片技术研发有限公司 | 光模块控制芯片及光模块 |
| CN114322819A (zh) * | 2022-03-15 | 2022-04-12 | 中国科学院武汉岩土力学研究所 | 光纤光栅传感器、深部巷道围岩的应变监测方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118092538A (zh) | 2024-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Paek et al. | Physical behavior of the neck‐down region during furnace drawing of silica fibers | |
| CN105164069B (zh) | 用于溢流槽中热曲线控制的设备和方法 | |
| RU2118916C1 (ru) | Способ и устройство для нанесения покрытий на оптические волокна | |
| US8588573B2 (en) | Method for manufacturing optical fiber and optical fiber | |
| CN115909171A (zh) | 钢包透气砖生产方法及其*** | |
| US20130029038A1 (en) | Method of making a multimode optical fiber | |
| Choudhury et al. | Practical aspects in the drawing of an optical fiber | |
| CN118092538B (zh) | 一种光缆挤压成型的温度智能控制***及方法 | |
| CN112100940A (zh) | 光纤预制棒一次拉伸工艺参数预测方法及装置 | |
| KR0170434B1 (ko) | 편평한 압출성형물과 환상단면의 성형물의 압출성형방법과 그 장치 | |
| US5958103A (en) | Process for producing preform for glass fiber and process for producing glass fiber | |
| CN113698111A (zh) | 一种光纤拉丝涂覆装置及涂覆方法 | |
| US5961681A (en) | Method of drawing optical fiber preform to manufacture optical fiber | |
| Dias et al. | Improving degree of cure in pultrusion process by optimizing die-temperature | |
| CA1239816A (en) | Method of manufacturing an optical cable element and device for carrying out the method | |
| Korsakova et al. | Fiber-optic assemblies based on polycrystalline lightguides for the mid-IR | |
| Akırmak et al. | Estimation of extrusion process parameters in tire manufacturing industry using random forest classifier | |
| Ong et al. | Diameter prediction and optimization of hot extrusion-synthesized polypropylene filament using statistical and soft computing techniques | |
| CN116655232A (zh) | 一种拉丝光纤扭动控制装置、控制方法及多模光纤 | |
| CN115966267A (zh) | 一种基于lstm-pid的溶菌酶发酵温度控制方法 | |
| CN107764400A (zh) | 用于确定条状物的温度的方法 | |
| US20050033562A1 (en) | Method and device for design of preform | |
| Azuri et al. | Optimization of furnace design in a polymer fiber drawing tower | |
| CN104944802A (zh) | 一种套紧光纤生产*** | |
| CN214528697U (zh) | 用于3d玻璃热弯机的加热板、加热装置和3d玻璃热弯机 |
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 |