一种基于神经网络的膜材料拉伸质量分级调节方法与流程

1.本发明涉及人工智能技术领域，具体涉及一种基于神经网络的膜材料拉伸质量分级调节方法。


背景技术：

2.薄膜材料在工业、农业、食品业、包装业等多个行业拥有广泛的应用。因此在膜材料生产时，需要进行严格的质量检测，保证产品的性能。
3.膜材料的生产工艺包括投料、流延、纵向拉伸、横向拉伸、萃取、定性和分切等多个流程。双向拉伸的薄膜包括防水、防锈、韧性好、环保等优良性质。因此在薄膜生产过程中纵向拉伸和横向拉伸的生产工艺需要着重对待。需要保证在拉伸工艺中膜材料的纵向厚度和横向厚度的控制，如果薄膜出现厚度不均匀的情况，则会大大影响生产良品率。


技术实现要素：

4.为了解决上述技术问题，本发明的目的在于提供一种基于神经网络的膜材料拉伸质量分级调节方法，所采用的技术方案具体如下：本发明提出了一种基于神经网络的膜材料拉伸质量分级调节方法，所述方法包括：将所述膜材料分为多个采样区域，采集每个采样区域的温度信息和厚度信息，获得温度序列和厚度序列；根据所述厚度序列获取膜材料的厚度均匀性；所述厚度序列包括横向厚度序列和纵向厚度序列，所述厚度均匀性包括纵向厚度均匀性和横向厚度均匀性；根据所述温度序列获得所述膜材料的温度均匀性；根据所述温度均匀性和所述厚度均匀性获得拉伸效果评价；以所述拉伸效果评价、所述温度均匀性、所述厚度均匀性作为所述膜材料的拉伸特征；根据所述膜材料与标准膜材料的所述拉伸特征之间的相似性对所述膜材料分组，获得多个膜材料组；若所述膜材料组中所述厚度均匀性与标准厚度均匀性相等，则所述膜材料组中的所述膜材料对应的生产工艺不需要调整；若所述膜材料组中所述横向厚度均匀性小于预设第一阈值，则根据所述横向厚度序列与标准横向厚度的差异获得生产工艺的温度调节量；若所述膜材料组中所述纵向厚度均匀性小于预设第二阈值，则根据所述纵向厚度序列与标准纵向厚度的差异获得生产工艺的冷鼓线速度调节量；若所述膜材料组中所述厚度均匀性与所述标准厚度均匀性存在差异，则获得对应生产工艺的所述冷鼓线速度调节量和所述温度调节量；根据每个所述膜材料的所述拉伸特征与对应的生产工艺调节量的对应关系构建训练数据集，根据所述训练数据集对神经网络进行训练；将目标膜材料的所述拉伸特征输入所述神经网络中，输出对应的目标生产工艺调节量；根据所述目标生产工艺调节量调节对应生产工艺。
5.进一步地，所述根据所述厚度序列获取膜材料的厚度均匀性包括：
根据厚度均匀性公式获得所述厚度均匀性，所述厚度均匀性公式包括：其中，为所述厚度均匀性，为所述厚度序列，为方差计算函数，为所述厚度序列中的元素最大值，为所述厚度序列中的元素最小值。
6.进一步地，所述根据所述温度序列获得所述膜材料的温度均匀性包括：根据温度均匀性公式获得所述温度均匀性，所述温度均匀性公式包括：其中，为所述温度均匀性，为所述温度序列，为平均值计算函数，为元素最大值提取函数，为元素中位数提取函数，为标准差计算函数。
7.进一步地，所述根据所述温度均匀性和所述厚度均匀性获得拉伸效果评价包括：将所述纵向厚度均匀性和所述横向厚度均匀性相加后与所述温度均匀性相乘，获得所述拉伸效果评价。
8.进一步地，所述根据所述膜材料与标准膜材料的所述拉伸特征之间的相似性对所述膜材料分组，获得多个膜材料组包括：根据所述拉伸特征之间的余弦相似度获得所述相似性；根据所述相似性获得所述膜材料之间的样本距离，根据所述样本距离对所述膜材料进行分组，获得多个所述膜材料组。
9.进一步地，所述根据所述样本距离对所述膜材料进行分组包括：根据所述样本距离利用k均值聚类算法对所述膜材料进行聚类，获得多个聚类簇，每个所述聚类簇为一个所述膜材料组。
10.进一步地，所述根据每个所述采样区域与标准横向厚度的差异获得生产工艺的温度调节量包括：根据每个所述采样区域与标准横向厚度的差异获得整体横向厚度差异；根据预设调整比率与当前生产工艺的加热温度的乘积获得初始温度调节量；以所述初始温度调节量与所述整体横向厚度差异的乘积作为温度调节修正量；以所述温度调节修正量与所述初始温度调节量的和作为所述温度调节量；所述根据所述纵向厚度序列与标准纵向厚度的差异获得生产工艺的冷鼓线速度调节量包括：根据每个所述采样区域与标准纵向厚度的差异获得整体纵向厚度差异；根据所述调整比率与当前生产工艺的加热冷鼓线速度的乘积获得初始冷鼓线速度调节量；以所述初始冷鼓线速度调节量与所述整体纵向厚度差异的乘积作为冷鼓线速度调节修正量；以所述冷鼓线速度调节修正量与所述初始冷鼓线速度调节量的和作为所述冷鼓线速度调节量。
11.进一步地，所述根据每个所述采样区域与标准横向厚度的差异获得整体横向厚度差异包括：
获得每个所述采样区域的横向厚度与标准横向厚度的横向厚度差异；以平均横向厚度差异与所述标准横向厚度的比值作为所述整体横向厚度差异。
12.本发明具有如下有益效果：本发明实施例以多个生产批次的膜材料作为样本，分析每个样本的温度信息和厚度信息，获得膜材料整体的厚度均匀性和温度均匀性，进而获得拉伸效果评价，实现对不同生产批次的膜材料进行质量分级。根据拉伸特征对不同生产批次的膜材料进行分组，将相同拉伸特征的样本联合分析，加快数据处理速度。根据每个膜材料组中均匀性的特性获得每个膜材料样本对应的生产工艺调节量。根据对应关系构建训练数据集训练神经网络。在后续生产过程中通过神经网络处理目标膜材料的拉伸特征，快速获得对应的目标生产工艺调节量，实现对生产工艺的调节。
附图说明
13.为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
14.图1为本发明一个实施例所提供的一种基于神经网络的膜材料拉伸质量分级调节方法流程图。
具体实施方式
15.为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于神经网络的膜材料拉伸质量分级调节方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
16.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
17.下面结合附图具体的说明本发明所提供的一种基于神经网络的膜材料拉伸质量分级调节方法的具体方案。
18.请参阅图1，其示出了本发明一个实施例提供的一种基于神经网络的膜材料拉伸质量分级调节方法流程图，该方法包括：步骤s1：将膜材料分为多个采样区域，采集每个采样区域的温度信息和厚度信息，获得温度序列和厚度序列；根据厚度序列获取膜材料的厚度均匀性；根据温度序列获得膜材料的温度均匀性；根据温度均匀性、厚度均匀性获得拉伸效果评价。
19.本发明实施例旨在训练一个神经网络用于对膜材料的生产工艺的调整量进行快速获取。因此前期的数据采集过程是在正式生产前，对多种生产工艺参数下的多种实验生产批次的膜材料进行数据采集，以获得神经网络的训练数据集。
20.膜材料在经过拉伸工艺后尺寸会变大，因此在数据获取过程中需要将整块膜材料分为多个采样区域，根据每个采样区域中的数据获得膜材料整体的数据。需要说明的是，采
样区域的数量可根据膜材料尺寸具体设置，在此不做赘述。
21.因为膜材料在拉伸过程中存在纵向拉伸和横向拉伸，因此在厚度信息采集时需要采集采样区域的横向厚度和纵向厚度。所有采样区域的温度信息和厚度信息整合后即可获得膜材料整体的厚度序列和温度序列，其中厚度序列包括纵向厚度序列和横向厚度序列。
22.在本发明实施例中，利用温度传感器获取每个采样区域的温度信息。利用x射线测厚仪采集每个采样区域的厚度信息。x射线厚度仪利用x射线穿透材料，x射线的强度会随着材料厚度的变化而变化，最终通过x射线的强度变化来计算膜材的厚度。利用测厚仪在采样区域上横向或者纵向扫描，获得横向厚度或纵向厚度。
23.厚度序列中元素的变化表示膜材料整体的厚度变化，因此可根据厚度序列获取膜材料的厚度均匀性，具体包括：根据厚度均匀性公式获得厚度均匀性，厚度均匀性公式包括：其中，为厚度均匀性，为厚度序列，为方差计算函数，为厚度序列中的元素最大值，为厚度序列中的元素最小值。
24.在厚度均匀性公式中，利用方差和极差的乘积表示均匀性。方差越大，极差越大说明序列变化越混乱，均匀性越低。需要说明的是，因为厚度检测过程中会存在细小误差，因此厚度均匀性公式的分母不会为0。
25.需要说明的是，厚度均匀性公式中的厚度序列为横向厚度序列时，则获得横向厚度均匀性；为纵向厚度序列时，则获得纵向厚度均匀性。
26.根据温度序列获得膜材料的温度均匀性包括：根据温度均匀性公式获得温度均匀性，温度均匀性公式包括：其中，为温度均匀性，为温度序列，为平均值计算函数，为元素最大值提取函数，为元素中位数提取函数，为标准差计算函数。
27.温度均匀性公式中，利用最大值与中位数的差异表示序列中的数据统一状态，差异越小，则说明数据越统一。因为膜材料拉伸工艺需要在热处理过程中进行，因此对于膜材料中的温度具有要求，当加热功率不足时，膜材料的平均温度较低，每个采样区域的温度会不均匀，进一步影响膜材料的拉伸厚度。需要说明的是，根据先验知识可知膜材料生产工艺中的设备功率存在要求，最大功率造成的加热温度不会造成过热从而影响膜材料的生产。因此以温度序列均值作为分子，均值越大温度均匀性越高。
28.厚度均匀性直观的反映了当前生产工艺参数对膜材料厚度生产的控制能力。因为膜材料具有热胀性，温度均匀性对膜材料生产具有影响。因此可根据温度均匀性和厚度均匀性获得当前膜材料的拉伸效果评价，具体包括：将纵向厚度均匀性和横向厚度均匀性相加后与温度均匀性相乘，获得拉伸效果评价。根据拉伸效果评价可对当前膜材料的拉伸质量进行质量分级。
29.步骤s2：以拉伸效果评价、温度均匀性、厚度均匀性作为膜材料的拉伸特征；根据膜材料与标准膜材料的拉伸特征之间的相似性对膜材料分组，获得多个膜材料组；根据每个膜材料组内数据的特性，获得对应生产工艺的调节量。
30.拉伸效果评价、温度均匀性、厚度均匀性可作为每个膜材料在对应生产工艺下的拉伸特征。根据膜材料与标准膜材料的拉伸特征之间的相似性对膜材料分组，获得多个膜材料组，具体包括：根据拉伸特征之间的余弦相似度获得相似性。根据相似性获得膜材料之间的样本距离。即相似性越大，则样本距离越小。根据样本距离对膜材料进行分组，具体包括：根据样本距离利用k均值聚类算法对膜材料进行聚类，获得多个聚类簇，每个聚类簇为一个膜材料组。获得多个膜材料组。每个膜材料组中的厚度均匀性和温度均匀性均相似，因此可将相同拉伸特征的膜材料样本进行联合分析，根据每个膜材料组的厚度均匀性特性，确定每个膜材料组内膜材料样本对应的生产工艺的调节量，具体包括：根据先验知识可知，在膜材料生产过程中，膜材料在生产流水线上呈现的为横向长度较长，纵向宽度较短的特征。因此在拉伸过程中，横向厚度需要更多的关注。所以在膜材料热处理过程中温度对于横向拉伸的影响较大，即横向厚度均匀性越低，则越需要调整膜材料加热温度。
31.根据先验知识可知，在膜材料生产过程中，冷鼓线速度与膜材料纵向厚度呈现以下关系：因此纵向厚度均匀性越低，则越需要调整冷鼓线速度。
32.可将膜材料组分为四组，第一组内的特征为厚度均匀性与标准厚度均匀性相等。第二组内的特征为仅横向厚度不均匀。第三组内的特征为仅纵向厚度不均匀。第四组内的特征为厚度均匀性都不均匀。可根据每个膜材料组的特征获得组内每个膜材料样本对应的生产工艺的调整参数，具体包括：若膜材料组中厚度均匀性与标准厚度均匀性相等，则膜材料组中的膜材料对应的生产工艺不需要调整。即温度调节量和冷鼓线速度调节量均为0。
33.若膜材料组中横向厚度均匀性小于预设第一阈值，则根据横向厚度序列与标准横向厚度的差异获得生产工艺的温度调节量，具体包括：根据每个采样区域与标准横向厚度的差异获得整体横向厚度差异。根据预设调整比率与当前生产工艺的加热温度的乘积获得初始温度调节量。以初始温度调节量与整体横向厚度差异的乘积作为温度调节修正量。以温度调节修正量与初始温度调节量的和作为温度调节量。在本发明实施例中，调整比率设置为百分之五，即初始温度调节量为当前生产工艺加热温度的百分之五。
34.若膜材料组中纵向厚度均匀性小于预设第二阈值，则根据纵向厚度序列与标准纵向厚度的差异获得生产工艺的冷鼓线速度调节量，具体包括：根据每个采样区域与标准纵向厚度的差异获得整体纵向厚度差异。根据调整比率与当前生产工艺的加热冷鼓线速度的乘积获得初始冷鼓线速度调节量。以初始冷鼓线速度调节量与整体纵向厚度差异的乘积作为冷鼓线速度调节修正量。以冷鼓线速度调节修正量
与初始冷鼓线速度调节量的和作为冷鼓线速度调节量优选的，整体横向厚度差异和整体纵向厚度差异的获取方法包括：获得每个采样区域的横向厚度与标准横向厚度的横向厚度差异。以平均横向厚度差异与标准横向厚度的比值作为整体横向厚度差异。整体纵向厚度差异获取方法与整体横向厚度差异获取方法相同，在此不做赘述。
35.若膜材料组中厚度均匀性与标准厚度均匀性存在差异，则说明对应的生产工艺需要同时调整冷鼓线速度和温度，获得对应生产工艺的冷鼓线速度调节量和温度调节量。
36.步骤s3：根据每个膜材料的拉伸特征与对应的生产工艺调节量的对应关系构建训练数据集，根据训练数据集对神经网络进行训练；将目标膜材料的拉伸特征输入神经网络中，输出对应的目标生产工艺调节量；根据目标生产工艺调节量调节对应生产工艺。
37.根据上述过程可获得每个膜材料对应的生产工艺调节量，根据对应关系可构建训练数据集。训练数据集中每个膜材料的拉伸特征为输入数据，对应的生产工艺调节量为标签数据。
38.根据训练数据集对神经网络进行训练，获得训练完成后的神经网络。神经网络的输入为膜材料的拉伸特征，输出为对应的生产工艺调节量。
39.在正式生产过程中，不断监测产出的目标膜材料的拉伸特征，将目标膜材料的拉伸特征输入神经网络中，输出对应的目标生产工艺调节量。根据目标生产工艺调节量调节对应生产工艺。在本发明实施例中，获取每个生产工艺的冷鼓线速度调节量或温度调节量后，根据冷鼓线速度调节量减小冷鼓线速度或者根据温度调节量增大加热温度，获得调节后的生产工艺的膜材料产品的拉伸效果评价，若拉伸效果评价比调节前的大，则说明调节方向正确，若厚度均匀性仍不满足生产要求可继续根据该调节方向进行调节。若拉伸效果评价比调节前小，则说明调节方向错误，下次调节需要根据当前调节方向的反方向重新定制调节方向。根据该调节方法对生产工艺参数进行调节，直至膜材料的厚度均匀性达到标准厚度均匀性。
40.需要说明的是，本发明实施例中的神经网络的目的在于分类识别，为常规神经网络的处理任务，存在多种网络结构实现该过程，因此在此不对神经网络的结构进行限定。本发明实施例中选用全连接层神经网络作为结构主体，具体训练过程为本领域技术人员熟知的技术手段，在此不做赘述。
41.综上所述，本发明实施例通过获得不同生产工艺下的膜材料的纵向厚度均匀性、横向厚度均匀性和温度均匀性，进一步获得拉伸效果评价。根据拉伸特征对膜材料进行分组，获得多个膜材料组。通过每个膜材料组中厚度均匀性欲标准厚度均匀性的差异特点，结合每个膜材料的厚度数据与标准厚度数据的差异，获得每个膜材料的生产工艺的生产工艺调节量。根据每个膜材料的拉伸特征和生产工艺调节量的对应关系训练神经网络，将目标膜材料的拉伸特征输入神经网络中即可获得对应的目标生产工艺调节量对生产工艺进行调节。本发明实施例通过数据进行处理分析，获得特征数据与生产工艺调节量的关系，进而训练出神经网络，实现有效的对膜材料拉伸质量分级以及对生产工艺有效的调节。
42.需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
43.本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
44.以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。