一种ABS性能预测与工艺优化控制方法与流程

摘要: 本发明涉及聚合物生产工艺优化,具体为一种abs性能预测与工艺优化控制方法。背景技术:1、abs、hips是综合性能优异的通用工程塑料,广泛应用于家电、汽车、电子...
一种ABS性能预测与工艺优化控制方法与流程

本发明涉及聚合物生产工艺优化,具体为一种abs性能预测与工艺优化控制方法。

背景技术:

1、abs、hips是综合性能优异的通用工程塑料,广泛应用于家电、汽车、电子电器等领域。其生产过程涉及多釜串联的接枝共聚、本体聚合等复杂反应体系,产品性能受原料组成、配方配比、工艺参数、微观结构等多因素耦合影响,性能调控与工艺优化长期依赖现场技术人员的经验积累与反复试验,开发周期长、物料损耗大。

2、目前,聚合过程机理建模技术已得到一定应用,如采用aspenpolymers等工具搭建聚合动力学模型,可对反应过程进行机理层面的模拟计算。但由于abs、hips体系存在接枝、交联、相分离等复杂物理化学过程,机理建模通常需要对反应路径、动力学参数进行一定简化假设,导致模型对部分微观结构与性能指标的预测精度有限;同时,机理模型参数校准依赖大量标定实验,且当生产装置、原料牌号发生变化时,需重新开展参数拟合,适配周期较长,难以快速响应生产调整需求。

3、近年来,基于机器学习的数据驱动建模方法逐渐应用于聚合物生产的性能预测。这类方法可通过历史数据拟合工艺与性能的映射关系,建模速度快、预测效率高,但存在明显局限性:一是模型效果高度依赖训练数据的覆盖范围,对于未出现过的工况泛化能力不足,易出现预测偏差;二是纯数据驱动模型属于黑箱模型,预测结果缺乏物理机理约束,可能输出违背聚合反应基本规律的不合理结果,难以直接用于指导生产工艺调整。

4、在实际生产的工艺优化与牌号切换过程中,现有技术多采用“经验预判+多轮实验验证”的模式,新牌号开发通常需要开展数十组以上的配方与工艺实验,人力与物料成本较高;牌号切换过程中缺乏实时的微观结构与性能监测手段,通常依靠离线检测结果滞后调整,易产生大量过渡料,降低生产效益。

5、综上,现有技术中单一的机理模型或纯ai模型均难以同时满足预测精度、物理可靠性与工况适配性的要求,亟需一种能够将机理认知与数据驱动优势相结合的技术方案,实现abs/hips生产过程的高效性能预测与工艺优化。

技术实现思路

1、针对现有技术的不足,本发明提供了一种abs性能预测与工艺优化控制方法,解决了上述背景技术中的问题。

2、为实现以上目的,本发明通过以下技术方案予以实现:一种abs性能预测与工艺优化控制方法,其特征在于,包括以下步骤:

3、s1:构建与机理模型输入输出维度对齐的abs/hips全维度工业数据集,归集多牌号生产过程中的原料、配方、工艺、微观结构特征参数及宏观性能目标参数,完成面向模型需求的分层数据清洗与子集划分;

4、s2:搭建基于aspenpolymers的全流程聚合机理模型,采用链段建模法定义多组分聚合物链段与小分子组分,基于pc-saft状态方程构建体系热力学模型,覆盖abs接枝共聚、san共聚、hips接枝聚合全反应工段的动力学过程,以工厂实测数据校准模型参数,确保核心反应与性能指标的预测精度满足工程要求;

5、s3:开展机理与ai的特征深度融合及构效关系解析,将机理模型输出的不可直接检测的微观机理特征与实测生产、检测特征融合,训练融合型机器学习性能预测模型,定量解析微观结构参数与产物宏观性能的映射关系;

6、s4:构建ai主导预测、机理内嵌约束的混合驱动模型,一方面将机理计算的理论性能参数作为ai输入特征提升预测精度,另一方面将机理模型作为物理校验层对ai预测结果进行合理性校核,内嵌工艺-配方反演优化算法,实现从目标性能到生产参数的快速反演;

7、s5:建立ai生成方案→机理模拟筛选→实验验证落地的三阶闭环验证流程,经两层筛选后仅需少量实验即可完成方案验证,生产与实验数据回流至数据集,驱动机理模型与ai模型的持续迭代更新。

8、优选的,所述步骤s1构建全维度工业数据集具体包括:

9、s11:归集覆盖abs、hips全牌号范围的历史生产数据,特征维度覆盖原料属性、配方配比、全流程工艺参数、离线检测微观结构参数共四类不少于20项参数,性能维度覆盖力学性能、加工性能、热性能、表面性能共四类不少于10项目标参数,且所有特征、性能参数的维度与s2中机理模型的输入变量、输出变量一一对应,实现数据层与模型层的维度对齐;

10、s12:开展分层数据清洗:首先基于聚合反应机理逻辑剔除违背基本反应规律的无效数据,再通过稳态判定方法筛除开停车、工艺大幅波动阶段的非稳态数据,最后通过统计校验剔除离群异常值;

11、s13:将清洗后的数据按用途划分为三个子集,分别用于s2的机理模型参数校准、s3的ai模型训练、s4混合模型的全局精度验证,子集划分时确保各子集覆盖的牌号、负荷区间均匀一致,避免样本分布偏移。

12、优选的,所述步骤s2搭建aspenpolymers全流程机理模型具体包括:

13、s21:基于链段建模法完成组分定义:针对abs体系拆分聚丁二烯橡胶链段、接枝san链段、游离san链段,针对hips体系拆分聚丁二烯橡胶链段、接枝聚苯乙烯链段、游离聚苯乙烯链段,同步定义未反应单体、引发剂、助剂类小分子组分,形成可切换覆盖两类产品的统一组分框架;

14、s22:选择pc-saft状态方程构建热力学模型,计算体系相平衡、反应热、熔体物性、玻璃化转变温度等热力学参数;针对各反应工段的核心基元反应(接枝活性位点生成、链增长、链转移、链终止、交联)构建动力学模型,可逐釜输出单体转化率、分子量及分布、理论接枝率、理论交联度、链段序列分布、理论性能参数的计算结果;

15、s23:采用s13划分的机理校准集开展模型校准,逐阶修正引发剂效率、反应速率常数、链转移常数等动力学参数,直至单体转化率、重均分子量mw、分子量多分散性pdi三个核心指标的预测值与实测值相对偏差均小于10%;校准完成后固化模型结构,开放计算结果的输出接口,直接为后续步骤提供机理特征与校验支撑。

16、优选的,所述步骤s3特征融合与构效关系解析具体包括:

17、s31:多源特征对齐拼接:针对ai训练集中的每一组工况,调取s2机理模型对应计算得到的微观衍生特征(包括反应放热峰值、接枝率沿反应进程的增量分布、链段组成分布方差、橡胶相交联密度、聚合物相玻璃化转变温度),将该类无法通过生产检测直接获得的机理特征,与实测工艺参数、离线检测微观结构参数逐样本对齐拼接,形成融合特征集;

18、s32:因果特征筛选:剔除融合特征集中仅存在统计关联、无聚合机理支撑的伪特征,保留与性能参数存在因果关联的有效特征作为模型输入;

19、s33:融合模型训练:训练多类异质机器学习基模型,通过验证集精度确定各基模型的融合权重,构建加权融合的ai性能预测模型;

20、s34:定量构效解析:基于训练完成的融合模型,首先解析单微观结构参数对宏观性能的独立影响规律,再解析多微观参数的协同耦合影响,所有得到的构效规律均通过s2机理模型进行物理合理性校验,剔除黑箱模型生成的伪关联规律,最终形成可支撑工艺优化的定量构效关系映射。

21、优选的,所述步骤s4构建ai-机理混合驱动的预测与优化模型具体包括:

22、s41:扩展ai模型输入维度:在s33融合模型的输入特征基础上,将s2机理模型直接计算的理论熔体流动速率、理论玻璃化转变温度、理论冲击强度作为附加输入特征,提升模型对性能趋势的预测准确性;

23、s42:构建机理内嵌的物理校验层:ai模型输出初步性能预测结果后,输入s2机理模型开展一致性校验,对比ai预测值与机理计算值的偏差,当偏差超出预设阈值时,按置信度加权规则对预测值进行修正,修正公式为:

24、;

25、式中为修正后的性能预测值,为ai模型初步预测值,为机理模型对应性能的计算值,为ai模型在当前工况邻域内的预测置信度,由该邻域内ai模型的历史预测精度确定;修正后结果再次校验,直至满足偏差阈值要求;

26、s43:构建机理约束下的工艺-配方反演优化算法:以目标性能要求为硬约束,以可调配方、工艺参数为优化变量,以生产成本最低、产品性能裕度最优为目标,在寻优过程中每生成一组候选参数,均先通过s2机理模型校验工艺可行性(反应放热不超装置换热上限、熔体粘度不超设备负荷),剔除不可行方案后再通过ai模型预测性能,最终筛选得到满足要求的候选优化方案集。

27、优选的,所述步骤s5建立三阶闭环验证流程具体包括:

28、s51:方案初生成:接收到新牌号开发或现有牌号性能调优的量化需求后,通过s43的反演优化算法生成多组候选配方与工艺参数方案;

29、s52:机理模拟筛选:将所有候选方案输入s2的全流程机理模型开展稳态模拟,首先剔除存在工艺安全风险(爆聚、粘釜、设备过载)的方案,再剔除模拟性能不满足目标要求的方案,仅保留少数可行方案进入实验环节;

30、s53:实验验证落地:针对经机理筛选的可行方案开展关键验证实验,测试产物实际性能,筛选出性能达标的最优方案投入工业应用;若所有方案均未达标,则将实验数据补入s1的全维度数据集,返回s3更新ai模型后重新生成方案,直至得到达标方案;

31、s54:双模型迭代更新:将工业试生产、日常生产、验证实验产生的有效稳态数据持续回流至数据集,当数据累积达到预设阈值后,同步对s2的机理模型参数进行微校准、对s3的ai融合模型进行增量训练,持续提升全流程模型的预测精度。

32、优选的,面向abs与hips两类产品的生产场景,基于统一的模型框架进行模块化切换适配:

33、当生产abs产品时,在s2的机理模型中激活苯乙烯-丙烯腈接枝共聚反应模块,在s3的特征集中引入链段丙烯腈含量分布、接枝层厚度类专属机理特征,在s34的构效解析中重点解析接枝率、橡胶粒径与冲击强度、耐化学性的关联规律,在s42的物理校验层增加耐化学性一致性校验项;

34、当生产hips产品时,在s2的机理模型中关闭丙烯腈相关共聚反应模块、激活苯乙烯均相接枝反应模块,在s3的特征集中引入橡胶颗粒包裹聚苯乙烯含量、银纹引发能类专属机理特征,在s34的构效解析中重点解析橡胶交联度、粒径分布与冲击强度、透明性的关联规律,在s42的物理校验层根据hips性能特点调整性能偏差校验阈值。

35、优选的,在生产过程中基于混合模型开展关键微观结构参数的在线软测量,支撑工艺动态调整,具体流程为:

36、基于实时采集的原料、配方、工艺数据,通过s2的机理模型实时计算接枝率、交联度、橡胶体积平均粒径三个关键微观参数的机理初步预测值、、;

37、基于历史数据训练偏差校正模型,以实时工艺动态偏差特征为输入,输出机理初步预测值与实际值的偏差、、;

38、采用与s42完全一致的置信度加权逻辑得到微观参数的软测量值,以接枝率为例计算公式为:

39、;

40、式中为偏差校正模型在当前工况下的置信度,交联度、橡胶粒径的软测量值按相同逻辑计算;

41、得到的软测量值实时输入s4的混合预测模型,替代滞后的离线检测值,实现产品性能的在线实时预测与工艺参数的动态调整。

42、优选的,针对abs/hips生产过程中的牌号切换场景,基于混合模型开展过渡态工艺优化:

43、将历史牌号切换过程的非稳态数据单独归集,在s2稳态机理模型基础上增加动态物料衡算、返混特性计算模块,搭建可模拟切换过程中物料组成、微观结构动态演变的动态机理模型;

44、将动态机理模型输出的工艺变化率、累积反应热、结构动态演变类特征补充到融合特征集中,采用过渡态数据对ai模型进行增量训练,得到过渡态专用性能预测模型;

45、切换操作前,通过s43的反演优化算法,以过渡料产生量最少、切换时间最短为目标,优化进料切换梯度、工艺参数调整时序,生成最优切换路径;切换过程中采用前述软测量模型实时监测产品性能,当软测量值连续满足目标牌号的性能阈值时,提前将出料切入合格料仓,降低过渡料损耗。

46、优选的,当将所述方法迁移应用至不同产能、不同设备配置的abs/hips生产装置时,采用分层快速适配流程:

47、首先根据新装置的设备结构参数(反应釜容积、换热能力、搅拌特性、挤出机参数)修正s2机理模型中的装置相关参数,采集少量覆盖典型负荷、典型牌号的稳态标定数据,对机理模型的动力学参数进行微校准,确保核心指标预测偏差满足精度要求;

48、随后采用迁移学习方法对s3的ai融合模型进行轻量微调,保留模型中与聚合机理强相关的特征映射关系,仅通过新装置的标定数据调整模型输出层的映射参数,无需从零开始训练模型;

49、适配完成后经少量独立生产数据验证,混合模型性能预测精度满足要求即可投入应用,后续按s54的流程持续迭代更新模型参数,快速适配新装置的生产优化需求。

50、本发明提供了一种abs性能预测与工艺优化控制方法,具备以下有益效果:

51、本发明采用机理与ai混合驱动的建模方式,利用机理模型输出微观衍生特征,补充实测数据难以覆盖的机理信息,提升ai模型的预测精度与外推能力;同时将机理模型作为物理校验层对ai预测结果进行约束修正,避免黑箱模型输出违背反应规律的不合理结果,在保证预测效率的同时,提升了性能预测结果的可靠性与工程可用性。

52、本发明构建“ai生成方案—机理模拟筛选—实验验证落地”的三阶闭环验证流程,通过ai批量生成候选方案、机理模型预先筛选剔除不可行方案,缩减进入实验环节的方案数量,有效减少工艺优化与新牌号开发的实验工作量,降低开发成本、缩短开发周期;同时基于混合模型实现关键微观参数在线软测量,可实时估算接枝率、交联度、橡胶粒径等参数,支撑产品性能实时预测与工艺动态调整,在牌号切换场景中可辅助判定合格料节点,减少过渡料产生量。

53、本发明采用统一组分框架与模块化切换设计,可同时适配abs与hips两类产品的生产场景,针对两类产品的反应特点调整对应模块,无需重建整体模型架构,提升了方法的适用范围与适配灵活性;同时提供分层快速适配流程,针对不同产能、不同设备配置的生产装置,通过修正机理模型装置参数、轻量微调ai模型即可快速适配,降低新装置的部署数据需求与时间成本,便于工业推广应用。