CN119502309A 一种可降解塑料的生产方法 （江阴市凯博新材料科技有限公司）

采用机器视觉和深度学习算法识别原料缺陷和红外热像仪实时监测塑料挤出成型模具温度场2获取原料仓储和输送环节的温湿度参数，结合时序数据分析，动对预处理后的原料进行质量检测，采用机器视觉和深度学习算法识别原料缺陷和杂采用红外热像仪实时监测塑料挤出成型模具温度场分布，结合有限在线监测挤出成型过程，采用化学计量学模型分析材料组分变化，若降采集生产全流程数据，运用数字孪生技术构建生产线虚拟模型，通采用数据预处理技术对原料配方数据库和历史生产数据进行清洗和将采集到的原料温湿度时序数据传输至数据分析平台，对数据进行清根据建立的预测模型，计算当前原料温湿度参数下的原料质量3获取预处理后的原料图像数据，将图像数据输入至预先构建的根据缺陷和杂质的位置坐标，使用图像分割算法对原料图像进行前景背景将占比数值与预设阈值进行比较，若缺陷面积占比或杂质面积占比根据预设的配方比例，获取各种原料的目标称量数据，并将其发送通过工业机器人的称重传感器，精准称量每种原料的实际重量，并将实根据实际称量与目标称量的偏差值，通过工业机器人的控制将称量完成的各种原料按照优化的配方比例，通过工业机器人投对混合后的物料进行抽样，通过在线质量检测设备获取混合物的关键采用红外热像仪对塑料挤出成型模具进行实时温度场监测，获取模具将获取的温度分布数据通过插值算法转化为有限元仿真软件可以识别的网格化数据根据有限元仿真分析的结果，判断模具温度场分布是否均匀，确定根据优化后的模具结构，对模具的电加热棒和冷却水路布局进行相应的调整和优化，4根据材料组分和工艺参数，建立挤出成型过程的温度场分布有限采用在线近红外光谱仪对挤出成型过程进行实时监测，获取材料若预测的材料组分不符合要求，则根据温度场分布模型，通通过相关协议实时获取生产数据，利用相关软件的仿真功能对数字在更新后的数字孪生模型中，设置不同的工艺参数组合，利用将优化得到的最佳工艺参数组合应用于实际生产线，通过实时监测567产方法显著提高了可降解塑料产品的质量稳8技术。首先，建立原料配方数据库是关键。这个数据库包含各种原料的性能参数和配比信力可直接作为数值特征。这些处理后的特征构成了机器学习模型的输入。选择合适的机器学习算法至关重要。支持向量回归适合处理高维特征，可以有效预测不同配方对应的产品中的淀粉随机替换为纤维素，探索新的性能可能。最优配方转化为控制参数是实现产的关键。如果最优配方为65%PLA、35%改性淀粉，总重100kg，则需要设定PLA投放量为能为2分钟。智能配料系统执行这些精确指令。例如，PLA的螺旋给料机可能被设定为这种智能化、精确化的配料方法不仅提高了生产效率，更重要的是保证了产品性能的一致性。通过数据驱动的优化和精确控制，可以显著减少因原料配比波动导致的产品性能不稳9未来7天PLA原料的含水率变化。通过网格搜索优化LSTM的隐藏层数量和学习率等超参数，料的图像特征数据库进行K_means聚类分析，根据聚类中心优化卷积神经网络模型的权重例，系统首先根据预设配方获取各原料的目标称量数据。假设某批次需要聚乳酸（PLA）法包括克里金法和反距离加权法。以100×100mm的模具表面为例，可能需要将其划分为析温度场分布对材料组分的影响。采用在线近红外光谱仪对挤出成型过程进行实时监测，模型可能显示螺杆前端温度达到200℃,而出口处降至180℃。这种温度梯度可能导致材料SiemensNX软件构建生产线数字孪生模型。通过OPCUA协议实时获取生产数据，利用