Page 124 - 《橡塑技术与装备》2017年19期（10月上半月橡胶）

橡塑技术与装备（橡胶） CHINA RUBBER/PLASTICS TECHNOLOGY AND EQUIPMENT (Rubber)
修改法在权值调整公式中加入 ：
Δω(n)=-η(1-a) e(n)+a ω(n-1)
Δ
Δ
（3）对输入和输出参数实现统一的量纲，避免网
络麻痹和失真现象，因此需要对数据进行归一化处理，
处理后所有的数据都转化为 [0,1] 区间的数，本文采
用的归一化函数如公式 8 ：
i
i
i （
y
k = x k- x min （ （
i
i
（ xmax- x min
i
公式 8 中， x max 为训练样本中第 i 个输入参数的最
i i
大值， x min 为训练样本中第 i 个输入参数的最小值， x k
i
为第 i 个训练参数， y 为归一化后处理后的输入参数值。
k
网络结构和参数编辑确定后，对某种胶号的多组
数据进行神经网络训练，在进行训练时，按照第二部
分中的方法进行统计，该组数据分别所属同一种胶的
混炼完成后生产与检测数据，另外再随机抽取未训练
的检验数据进行预测网络精度检验。
3 质量预测优化
在 MES 系统的质量预测上，由于检测结果会随
设备称量误差、密炼机工艺执行情况的变化而变化，
在生产的过程中需要对其进行持续的优化以提高准确
性，使其能始终反应实际的生产过程。对于质量预测
模型的持续优化，需按照每台设备与胶号的模型，分
别进行。质量预测过程分为两类进行 ：①首次进行生
产的实验胶号质量预测 ；②量产胶号质量预测。具体
优化模型如图 4 所示。
图 4 预测优化过程模型
在图 4 中，新生产的实验胶号需要达到累计阈值，
才可以进行模型训练。训练的累计阈值，需根据实际
经验得出。已经量产的胶号，则根据已有的预测模型，
直接进行质量预测，预测的结果，在误差范围内的数
据放入保留库内，对于超出预测范围的样本，则放入
重新组织的数据集，随机抽取样本，进行新一轮的神
经网络训练，提高模型的预测准确度，为生产的顺利
进行提供数据支持。
·58·
4 应用实践
（7） 某轮胎厂的密炼车间在上线 MES 系统后，全部
生产线均通过 MES 系统下达生产计划进行生产，产出
的胶料均需在 MES 系统中通过质量检测合格后，方可
对下工序放行。在密炼车间生产胶片的过程中，胶片
生产种类较为复杂，连续生产过程控制因素对胶料质
（8） 量影响较大。为能准确的反应胶料的检测质量，本文
对胶料的质量进行了预测，推荐质量部门对最有可能
出现问题的胶片进行质检。
下面以 AA01Z、AA02Z、AA03Z 三种胶号为例
说明神经网络的预测过程。该型号胶生产过程包括原
材料投料和密炼机混炼两个过程进行。因三种胶号为
已经稳定生产的常规品种，自 MES 系统上线以来，已
经积攒了大量的生产数据与检测数据，所有在训练神
经网络需从现有的 MES 数据库中提取出相应的数据
样本。数据样本根据图 1 所示统计模型，查询三种胶
号对应的生产计划号，以此统计出生产过程中的生产
称量数据与生产工艺数据，预测模型的实验结果如表
2 所示。
表 2 混炼模型预测结果统计表
胶号名称 训练样本大小 测试样本大小 预测误差的标准差
AA01Z 2 150 30 1.752
AA02Z 2 150 30 1.564
AA03Z 1 250 30 1.617
在表 2 中，根据生产的实际情况，AA01Z 和
AA02Z 两种型号的胶训练样本数为 2 150，AA03Z
训练样本数为 1 250。在测试时，三种胶号均从未训
练样本中随机抽取 30 组数据进行预测检验。三种类
型胶的生产称量与工艺参数通过预测模型输出预测门
尼黏度， 与检测样本实际值之间误差的标准差均在
100℃
2 (M L(1+4) 范围内。
)
在图 5、 6、 7 中，左侧为该型号胶的预测输出曲线，
其中预测输出代表使用该型号训练好的模型和相应的
验证数据输出的实验结果，期望输出即实际的样本情
况 ；右侧为该型号胶预测输出与期望输出差值，即该
型号胶模型的预测误差。实验中使用三种不同的胶号，
用途不同，因此门尼值得高低与判定标准也不相同。
通过上述 6 张图可以看出，训练后的预测模型具有一
定的误差，目前训练的预测模型误差的均方差控制在
100℃
)
2 (M L(1+4) 以内，可以对于该密炼车间的胶料门尼黏度
进行预测。此方法可进一步在采集到较为完整生产工
艺与投料数据的终炼胶上进行胶料门尼黏度值的预测
实验，并根据实验数据进行进一步的训练，调节 BP
第 43 卷 第 19 期