基于PSO-GRNN的乳胶丝关键质量参数预测技术

乳胶丝生产过程控制复杂、性能指标多,工艺改进难度大,该文基于广义回归神经网络(generalized regression neural network,GRNN)与粒子群算法(particle swarm optimization,PSO)实现乳胶丝关键质量参数预测。首先,基于乳胶丝生产过程特性,以胶凝、清洗、烘干、硫化等过程的关键参数为输入量,300%定伸应力、拉伸强度及拉断伸长率为预测对象,建立其GRNN模型;其次,在GRNN模型中引入PSO,迭代计算光滑因子σ的最优解。最后,应用多重多元回归、GRNN、QGA-GRNN、PSO-GRNN等方法预测乳胶丝关键质量参数并进行对比。结果表明:引入优化算法的PSO-GRNN与QGA-GRNN模型预测均方误差最小、效果最佳,PSO-GRNN关键质量参数预测时间为4.82 s,仅为QGA-GRNN的3.53%。PSO-GRNN具有良好实时性,可以更好地满足乳胶丝在线生产质量预测需求。

热凝式乳胶丝成型工艺参数监测系统设计

针对通过数值模拟技术预先得到的热凝式成型工艺条件可能与实际最佳成型条件存在差异,开发一套热凝式乳胶丝成型工艺参数监测系统。基于热凝式乳胶丝生产工艺,提出影响产品质量的成型工艺参数,建立以搅拌状态、温度和速度为主要监测对象、Modbus为通信协议以及MCGS为开发平台的监测系统,提高热凝式乳胶丝生产研发可控性。实验结果表明:控制技术与数值模拟技术相互配合,可准确监测成型工艺参数,有利于乳胶丝成型工艺改造,得到实际最佳成型条件。