一种低烟无卤阻燃电缆制备工艺制造技术

本发明专利技术涉及车用电线生产工艺领域，具体涉及一种低烟无卤阻燃电缆制备工艺

【技术实现步骤摘要】
一种低烟无卤阻燃电缆制备工艺


[0001]本专利技术涉及电线生产工艺领域，具体涉及一种低烟无卤阻燃电缆制备工艺
。

技术介绍

[0002]线缆制造业是我国国民经济中最大的配套产业
。
针对各行业对电线电缆的需求，电线电缆生产设备采用的常规制备方法已经不能满足产业发展的需要
。
在电线电缆挤出过程中，挤出工艺是影响电线电缆质量的关键所在
。
但在电线电缆挤出过程中，由于电线电缆挤出过程挤出机理复杂，并且电线电缆挤出系统是一个耦合性强，具有大滞后
、
大惯性的非线性系统，难以建立挤出系统精确的机理模型，因此在电线电缆挤出过程中只能依靠工人经验来确定工艺参数
。
在电线电缆行业中，具备低烟
、
无卤
、
耐火特性的电线电缆作为一种绿色环保产品，相较于传统材质电缆在危机发生的时候能够更大限度地保护人身安全，被广泛应用在建筑
、
生产制造
、
汽车及轨道车辆等多个领域
。
[0003]低烟无卤轻量化电线具有防自燃
、
阻止或延缓火焰蔓延的能力，并具有无卤
、
低烟
、
无毒
、
无腐蚀等特性，可以广泛应用于汽车
、
轨道客车
、
航空航天
、
智能建筑等重要领域
。
在过去几年里，世界范围的立法和市场要求已促使阻燃剂朝着低烟
、
无卤
、
无毒等趋势发展，环保型电线电缆已逐渐成为欧
、
美
、
日等国主流产品
。
随着我国汽车
、
电力
、
自动化及信息化网络等行业的迅猛发展，使无卤阻燃轻量化电线料得到广泛的使用
。
这种既可减轻重量又节约成本安全的电线生产工艺必将受到各行业广泛欢迎，具有广阔的应用前景
。

技术实现思路

[0004]鉴于以上所述，本专利技术针对挤出设备的不精确控制以及系统存在的干扰影响，使得实际生产中，对线径精确度控制较为困难，成品低烟无卤电缆的线径很难保证处处满足生产要求的标准值，影响实际用途所需，同时有些成品会增加使用危险系数等问题，提出一种低烟无卤阻燃电缆制备工艺
。
[0005]该方法主要包括建立挤出系统预测模型，选取工艺过程中的螺杆转速
、
机头温度，挤出压力
、
牵引速度以及冷却水温度作为预测模型的输入变量，通过激活函数对数据进行预处理，并预测模型在线校正；采用系统辨识方法结合二阶系统阶跃响应曲线，建立温度压力控制系统的耦合关系模型，设计逆解耦控制器对系统进行解耦，完成低烟无卤阻燃电线电缆生产过程的解耦工艺优化及控制；设计
PLC
的控制算法，并采用
WinCC
软件对电线电缆挤出过程的现场总线系控制统的人机交互界面进行了组态设计，并且设计出了登录和操作界面，完成对挤出过程的现场总线控制系统的设计
。
最终实现低烟无卤阻燃电缆高质量制备工艺
。
为达到上述目的，本专利技术提供如下技术方案
。
[0006]一种低烟无卤阻燃电缆制备工艺，包括如下步骤：
[0007]步骤一：基于
RELM
的挤出系统预测模型；
[0008](1)
辅助变量的选取
[0009]在线缆挤出生产工艺过程中，对预测模型辅助变量的选取决定了模型输入矩阵的
相关信息，会直接影响预测模型的准确性
。
而且在选择辅助变量时必须保证它是可以实时测量的
。
[0010]本专利技术通过对挤出工艺原理及参数的分析，再依据现场具体工况，最终确定将螺杆转速
、
机头温度，挤出压力
、
牵引速度以及冷却水温度作为预测模型的输入变量
。
[0011](2)
数据预处理
[0012]对于预测模型而言，其性能对学习过程中的参数精确度以及实时有效性有着非常高的要求，但是由于挤出过程的复杂性，在参数的获取中会收到很多因素的干扰，导致其存在各种误差，而在误差过大或者数据存在错误的情况下建模，会建立出准确度低甚至完全错误的预测模型
。
为了保证预测模型的准确性，选择合适的误差标准和激活函数，并对数据进行归一化处理是至关重要的
。
[0013]1)
误差标准
。
[0014]在本专利技术，模型的误差标准是平均绝对百分误差
(MAPE)
，
MAPE
的计算公式为：
[0015][0016][0017]MAPE
＝
MAPE
Ta
+MAPE
Tb
[0018]式中：
a
表示训练，
b
表示测试，
s
Ti
代表拟合值，
y
Ti
为实际值，
n
T
是样本量
。MAPE
Ta
反映拟合误差，
MAPE
Tb
反映外推误差
。MAPE
Ta
和
MAPE
Tb
越小，拟合性和外推性越好，即
MAPE
越小，预测结果越精确
。
[0019]2)
归一化处理
。
[0020]聚合物挤出系统影响挤出成膜厚度以及表面光洁度的参数具有不同的量纲，采集到的数据可能差别很大，为了消除不同参数值对预测模型的影响，在建立模型之前，需对其进行归一化处理
。
[0021][0022]式中：
i
表示采集数据的次数
(i
＝
1,2,L,
α
)
，
j
表示辅助变量的个数
(j
＝
1,2,L,
β
)
，表示的均值，
s
j
表示的标准差
。
[0023]3)
网络节点和激活函数的设计
。
[0024]a)RELM
隐含层节点的设计
[0025]在使用极限学习机算法建立预测模型时，输入权值和偏置都是随机的，因此隐含层节点个数直接影响预测结果
。
如果节点个数过少，则模型的预测性能
(
拟合性能
、
泛化性能
)
会被降低，甚至可能直接造成模型无法训练学习的情况；隐藏层节点过多，会增加其迭代次数，使模型的训练时间变长，训练过程变得复杂，而且过于复杂的训练过程会造成预测结果的严重误差
。
因此，在建模过程中需要对网络结构和误差要求进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种低烟无卤阻燃电缆制备工艺，其特征在于：包括以下步骤：步骤一：基于
RELM
的挤出系统预测模型；步骤二：低烟无卤阻燃电线电缆生产过程的解耦工艺优化及控制
。2.
根据权利要求1中所述的一种基于混合智能优化算法的路径规划方法，其特征在于，所述步骤一中，主要包括
(1)
辅助变量的选取本发明通过对挤出工艺原理及参数的分析，再依据现场具体工况，最终确定将螺杆转速
、
机头温度，挤出压力
、
牵引速度以及冷却水温度作为预测模型的输入变量；
(2)
数据预处理为了保证预测模型的准确性，选择合适的误差标准和激活函数，并对数据进行归一化处理是至关重要的；
1)
误差标准在本发明，模型的误差标准是平均绝对百分误差
(MAPE)
，
MAPE
的计算公式为：的计算公式为：
MAPE
＝
MAPE
Ta
+MAPE
Tb
式中：
a
表示训练，
b
表示测试，
s
Ti
代表拟合值，
y
Ti
为实际值，
n
T
是样本量
。MAPE
Ta
反映拟合误差，
MAPE
Tb
反映外推误差
。MAPE
Ta
和
MAPE
Tb
越小，拟合性和外推性越好，即
MAPE
越小，预测结果越精确；
2)
归一化处理聚合物挤出系统影响挤出成膜厚度以及表面光洁度的参数具有不同的量纲，采集到的数据可能差别很大，为了消除不同参数值对预测模型的影响，在建立模型之前，需对其进行归一化处理；式中：
i
表示采集数据的次数
(i
＝
1,2,L,
α
)
，
j
表示辅助变量的个数
(j
＝
1,2,L,
β
)
，表示的均值，
s
j
表示的标准差；
(3)
基于
RELM
的线径预测模型在线校正在实际应用中，随着设备的老化
、
工艺参数的改变以及工况环境变化等各方面的影响，会降低模型的准确性，为了模拟实际工况，采用每
100
米采样值模拟实验室的实际值输入预测模型中进行模型的在线更新，模型在线更新需要输入5个辅助变量，辅助变量实时输入，另外需要生产线径的实际测量值；
(4)RELM
的实现过程
RELM
的实现过程为：首先，选取适当的辅助变量并对样本数据进行预处理
。
然后，设置隐层神经元个数，随机生成输入权值和阈值，计算隐含层的输出，从而建立起基于
RELM
的预
测模型
。
最后，判断训练误差是否满足要求，若满足要求则及逆行测试并输出结果；若不满足要求则检测数据是否发生变化
。
当数据发生改变时适当修改隐含层节点个数；数据没有发生改变则更新训练样本集，则继续设置隐层神经元个数，随机生成输入权值和阈值，计算隐含层的输出并执行后续步骤直至测试完成
。3.
根据权利要求...

【专利技术属性】
技术研发人员：张锡斌，李慧，王海云，张景利，
申请(专利权)人：长春市北方特种电线电缆制造有限公司，
类型：发明
国别省市：