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

张彬彬; 陈祝云; 张飞; 晋刚

工程科学与技术 ›› 2024, Vol. 56 ›› Issue (06) : 54 -62.

张彬彬, 陈祝云, 张飞, 晋刚

作者信息 +

Author information +

文章历史 +

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，寻求能准确、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种传感数据进行预处理并融合后作为输入；然后，通过合理设计的网络结构，构建CNN–LSTM监测模型，利用CNN的特征提取能力与LSTM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，利用所提方法对PC/ABS共混挤出过程的熔体密度进行实时监测，结果表明：本文方法能够准确监测聚合物熔体密度，其在测试集上的均方根误差和决定系数分别为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；本文方法的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。