基于多源数据融合与卷积长短期记忆神经网络的聚合物挤出过程熔体密度监测方法
作者机构:华南理工大学聚合物新型成型装备国家工程研究中心 华南理工大学聚合物成型加工工程教育部重点实验室 华南理工大学广东省高分子先进制造技术及装备重点实验室 广东工业大学机电工程学院
出 版 物:《工程科学与技术》 (Advanced Engineering Sciences)
年 卷 期:2024年
核心收录:
学科分类:12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0805[工学-材料科学与工程(可授工学、理学学位)] 080502[工学-材料学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术(可授工学、理学学位)]
基 金:国家重点研发计划项目(2022YFC3901900) 国家自然科学基金青年科学基金项目(52205101) 广东省基础与应用基础研究基金项目(2021A1515110708 2023A1515240021)
主 题:聚合物挤出加工 熔体密度 多传感器数据融合 CNN-LSTM 在线监测
摘 要:聚合物挤出过程中熔体密度是影响产品质量的关键因素。由于挤出加工过程的高温、高压复杂工况,开发能准确、在线监测聚合物挤出过程中熔体密度的方法是一个具有挑战性的问题。尽管基于机器学习的质量监测方法提供了一种解决方案,但在聚合物挤出加工过程中,由于数据类型、工艺参数、操作环境等多变性因素的影响,传统的机器学习方法可能难以捕捉聚合物加工中不同输入参数和输出质量参数之间的复杂关系,使得监测任务难以获得理想的准确性。本文提出了一种基于多源数据融合与卷积长短期记忆神经网络(CNN-LSTM)的熔体密度监测方法,用于在线监测聚碳酸酯-丙烯腈-丁二烯-苯乙烯共聚物(PC/ABS)共混体系的熔体密度。首先,通过实时采集安装在挤出机模头处的近红外、拉曼及超声3种传感器数据,对3种传感数据进行处理并融合作为输入;然后,通过合理设计的网络结构,利用卷积神经网络的特征提取能力与长短期记忆网络的预测能力,最终实现对聚合物共混过程中的熔体密度的实时监测。基于独立开发的多源传感数据实时采集装置获取的数据,利用CNN-LSTM模型对PC/ABS共混挤出过程的熔体密度进行实时监测,结果表明:该模型能够准确监测聚合物熔体密度,其在测试集上的RMSE和R2分别为0.975 5、0.006 3 g/cm3,比传统的卷积神经网络方法、长短期记忆网络方法、岭回归方法、偏最小二乘回归方法、多层感知机方法和支持向量机回归方法具有更高的预测精度;模型的10次输入平均预测时间为1.523 5 s,能够满足实际生产过程的实时监测。综上所述,所提出的基于多源数据融合与CNN-LSTM模型的熔体密度监测方法显著提高了聚合物挤出过程中熔体密度的实时监测精度,为挤出过程中聚合物的质量提供了可靠的技术支持。