摘 要：聚合物的擠壓生產中粘度被認為是評價擠出熔體質量的最好指標，但由于缺乏相應的傳感器，很難設計其反饋控制系統。本文在
研究聚合物粘度測量方法的基礎上，提出利用快速前向回歸建模方法和柱子群優化算法構造熔體粘度的徑向基網絡模型。實驗結果表明
所建模型能準確反映粘度跟蹤粘度值，簡單結構使其容易推廣到其它聚合物擠壓過程。
關鍵詞：粘度，擠出機在線粘度計， 擠塑機， 軟測量，海默生擠出機粘度計
聚合物擠壓過程中，其出口的各項指標，如壓力、溫度、粘度、產量等都可作為衡量產品質量的標準。其中，粘度能反映聚合物熔體的物理特性，其穩定性直接決定產品質量及合格率，因此被認為是衡量聚合物材料形態的最好指標。在擠壓生產過程中，粘度主要受螺桿轉速、溫度、壓力及剪切速率的影響。然而，由于缺乏相應的傳感器，熔體粘度在實際生產中很難進行實時測量。離線測量方法盡管已經成熟，但其并不能用于實時控制系統的設計。而在線粘度儀由于價格昂貴，不易安裝，且對生產帶來一定干擾，因此也不能普遍使用。相比之下，基于數學模型的粘度軟測量技術為擠塑機反饋控制系統設計提供了一條便捷的途徑。然而已知研究都是基于操控變量，如螺桿轉速、腔體溫度等，建立的模型” 僅能用于粘度測測量，并不適合控制器設計。本文在研究熔體粘度測量方法的基礎上，采用過程狀態變量作為模型的輸人，建立粘度的徑向基網絡模型。同時針對系統建模過程中遇到的非線性參數難以優化和計算復雜度高等問題，提出了結合快速前向子集選取和粒子群優化方法的建模方法。該方法不但大幅較少計算復雜度，得到的模型也比較精簡，具有較強的泛化能力。
聚合物擠壓過程基本原理
根據不同的材料(如聚乙烯、PET、PVC等)，塑料生產過程一般通過單螺桿或雙螺桿擠塑機實現。該過程中螺桿由電機通過齒輪箱帶動，原材料則由料斗進入擠壓腔體，然后在應切力和電熱共同作用下逐步熔化，最后通過末端的模具擠出不同形狀供后續再加工成型(圖1)。擠塑機的腔體大致可分為三個區域：輸送區，融化區，和擠出區。輸送區溫度不宜過高，以免塑料顆粒因過早融化而堵在進料口；融化區螺紋深度由大到小，這樣能充分利用螺桿與腔體內部表面問的應切力來熔化材料。擠出區的螺紋較淺，這部分設計主要用于克服塑料擠出時的產生的內部反向壓力。穩定的出口壓力也是衡量擠出熔體質量的重要指標，同時也決定了出口產量的穩定性。
擠塑機腔體的三個區域都裝有電加熱片和風扇用于溫度調節，進料口處一般配有水冷以防原料融化而堵塞進料。這幾部分的溫度調節對出口熔體的質量有不同影響，包括溫度，壓力，和粘度。然而溫度對出口壓力的影響較小，后者與螺桿轉速成正比關系。較高的轉速不但能提高產量還可以達到節能的目的。但高轉速會減少原材料在擠塑機腔體中的停留時間，可能導致塑料顆粒不能夠徹底融化，影響產品質量。控制方面，溫度變化較慢，具有大延時特性，因此控制波動較大。相比之下，出口壓力對于轉速變化的反應較快，通常在1秒以內，設計控制器也相對容易。粘度一直被認為是衡量擠出質量的最好指標。由于容積速率不便測量，一些研究便提出建立其基于出口壓力和轉速的數學模型。
粘度軟測量技術
徑向基網絡模型
粒子群算法
快速回歸算法
傳統系統辨識方法往往先確定模型結構再辨識系統參數。這樣做不但需要大量的計算用于非線性參數優化，得到模型的泛化能力也較差。子集選取方法則能在少量下，從一類模型結構項中，選取對模型貢獻較大的少數項來構建最終模型。正交最小二乘是研究最早也是用最廣泛的前向選擇算法，但其計算復雜度還是有點高。另一種被稱為快速回歸算法，相比正交最小二乘具有更快，更高效的特點，并且穩定性進一步提高。
實驗結果
為驗證上述方法的有效性，本文采用Killi0n KTS—l0O單螺桿擠塑機上采集的數據。該擠塑機螺桿直徑為25m m，配有3個腔體加熱區，2．24kW直流電機以及l 5：1的齒輪箱用作驅動部件。螺桿轉速可在0～1OOr Pm之間調節。為了得到熔體粘度，該擠塑機還裝有一個細縫流變儀。其細縫高為2m m，寬39．25m m，兩個壓力傳感器之間的距離為350m m。為充分激活系統的動態特性，螺桿轉速和腔體溫度在一定區間內隨機變化，但也考慮粘度對于轉速和溫度變化的不同相應速度。數據采樣周期為1OOm s，本文利用l0min內采集的數據進行模型訓練和測試。徑向基網絡隱含層節點數設為4，粒子群算法中種群數量和迭代次數均設為30，速度更新公式中的慣性系數為0．8。模型輸入量為熔體溫度和壓力，輸出為粘度。考慮到樣本個數并不多，建模時2／3的數據用于模型訓練，另外1／3用于模型測試。從圖2可以看出，所得模型能夠很好的反應粘度變化趨勢。其中訓練數據的均方根誤差(RMSE)為4．19，測試數據的RMSE為5．13。另外，從圖2中還可看出模型在部分區域誤差大于其他區域，這部分影響主要是由電樞電流引起的。電流變化直接和電機扭矩相關，同事也反映電機上的能耗情況。故其變化可對出口熔體的粘度產生一定影響。若數據中包含電流變量，則模型精度可進一步提高，有利于更穩定和準確的粘度控制系統開發。
結語
在聚合物擠壓過程中，粘度一直被認為是評價熔體質量的最好指標。本文針對其不可測量性，提出結合了快速前向回歸算法和粒子群優化的非線性建模方法。該方法不帶能降低建模過程的計算復雜度，還能有效提高模型的泛化能力，使其能適用聚合物擠壓過程的不同工況。實驗結果也進一步驗證了上述方法的有效性和準確性。
