彭來湖，徐欽棟

(1.浙江理工大學(xué)，浙江 杭州 310000；2.浙江理工大學(xué)龍港研究院，浙江 溫州 325000)

1 引言(Introduction)

隨著包裝行業(yè)的快速發(fā)展，對軟包加工機(jī)械設(shè)備的智能化要求越來越高，其中枕式包裝機(jī)在包裝裝備中發(fā)展最早，應(yīng)用最廣。雖然我國枕式包裝機(jī)設(shè)備研發(fā)能力有了一定程度的發(fā)展，許多高校與研發(fā)機(jī)構(gòu)也紛紛參與包裝機(jī)械的研發(fā)工作，但是枕式包裝機(jī)縱封熱封加工過程依舊存在智能化不足、工藝參數(shù)選擇效率低等問題。

對于縱封熱封過程工藝參數(shù)的選擇問題，國內(nèi)外學(xué)者都對其進(jìn)行了研究。AIYENGAR等與曹菲等在實驗室條件下對三種類型的復(fù)合膜進(jìn)行熱封強(qiáng)度的測定，同時分析不同失效模式，通過不同的失效模式對數(shù)據(jù)進(jìn)行分類，得出了簡單的定性關(guān)系，但該方法缺少定量關(guān)系，難以應(yīng)用到實際生產(chǎn)過程當(dāng)中；杜玉寶在對復(fù)合膜進(jìn)行熱封強(qiáng)度測試后，通過數(shù)據(jù)進(jìn)行二次多項式回歸擬合，得出了工藝參數(shù)與熱封強(qiáng)度的關(guān)系曲線，但應(yīng)用到實際生產(chǎn)加工還需將實驗工藝參數(shù)轉(zhuǎn)換成實際工程參數(shù)。已有的研究工作缺少了實際生產(chǎn)的分析，同時未對熱封強(qiáng)度多參數(shù)的情況尋找其最優(yōu)解。

本文以熱封強(qiáng)度作為生產(chǎn)質(zhì)量的重要判定依據(jù)，并且考慮包裝機(jī)在工作工程中受到復(fù)雜工藝的影響，進(jìn)行枕式包裝機(jī)工藝參數(shù)決策方法研究。首先對加工流程中的各個生產(chǎn)數(shù)據(jù)進(jìn)行統(tǒng)計，其次通過RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行回歸模型的訓(xùn)練，然后根據(jù)復(fù)合膜材料斷裂屈服強(qiáng)度確定目標(biāo)熱封強(qiáng)度，最后通過遺傳算法，迭代尋找最優(yōu)結(jié)果。

2 包裝機(jī)工藝分析(Process analysis of the packaging machine)

2.1 包裝機(jī)熱封流程

枕式包裝機(jī)縱封結(jié)構(gòu)，采用雙平板熱封結(jié)構(gòu)，如圖1所示，結(jié)構(gòu)1、3為復(fù)合膜旋轉(zhuǎn)擠壓輥，通過主動旋轉(zhuǎn)帶動復(fù)合膜向前運(yùn)動，同時會對復(fù)合膜產(chǎn)生相對恒定的壓力；結(jié)構(gòu)2為雙板導(dǎo)熱機(jī)構(gòu)，以電生熱方式控制雙板間的溫度達(dá)到設(shè)定溫度。復(fù)合膜在結(jié)構(gòu)1前旋轉(zhuǎn)擠壓輥的帶動下向前運(yùn)動，同時使復(fù)合膜內(nèi)膜緊貼；結(jié)構(gòu)2的雙板之間存在一定的間隙，距離為，復(fù)合膜通過該間隙時高溫使其預(yù)熱融化；結(jié)構(gòu)3后旋轉(zhuǎn)擠壓輥對預(yù)熱后的復(fù)合膜內(nèi)膜進(jìn)行擠壓貼合，達(dá)到熱封效果，最后采用QBT 2358-1998標(biāo)準(zhǔn)進(jìn)行熱封強(qiáng)度的測定，單位為N/15mm。根據(jù)熱封強(qiáng)度對熱封效果進(jìn)行判定。

圖1 縱封熱封機(jī)構(gòu)Fig.1 Structure of longitudinal and heat sealing machine

在熱封過程中，熱封時間為縱封熱封過程當(dāng)中的重要影響因素，但在實際生產(chǎn)加工過程當(dāng)中無法對熱封時間進(jìn)行精確設(shè)定。本文針對枕式包裝機(jī)實際加工流程，通過熱封速度來代替表示熱封時間。熱封速度的單位為包/min，與熱封時間的關(guān)系如式(1)所示。

其中，為加熱板長度，單位為mm，為復(fù)合膜長度，單位為mm。綜上所述，在實際機(jī)床加工過程當(dāng)中，對熱封強(qiáng)度的主要影響因素包括雙平板熱封距離、熱封溫度和熱封速度。

2.2 熱封效果分析

枕式包裝機(jī)產(chǎn)品的熱封強(qiáng)度是對熱封效果的一個重要判定因素，通常是測量復(fù)合膜材料熱封處的力學(xué)性能進(jìn)行判定。對復(fù)合膜材料進(jìn)行熱封處理后，對其進(jìn)行縱向?qū)嶒灷鞎a(chǎn)生四種不同情況。

如圖2(a)所示為熱封后復(fù)合膜狀態(tài)，1處為熱封層層間結(jié)合處，2為復(fù)合膜層間結(jié)合處；如圖2(b)所示為復(fù)合膜內(nèi)層斷裂狀態(tài)，當(dāng)熱封強(qiáng)度與復(fù)合膜層間結(jié)合強(qiáng)度相差較小時，復(fù)合膜層間發(fā)生斷裂分離，此時熱封效果較好；如圖2(c)所示為熱封失效狀態(tài)，熱封強(qiáng)度較低，復(fù)合膜層間結(jié)合強(qiáng)度遠(yuǎn)大于熱封強(qiáng)度，此狀態(tài)熱封效果最差；如圖2(d)所示為整體撕裂狀態(tài)，當(dāng)熱封強(qiáng)度大于復(fù)合膜材料的斷裂屈服強(qiáng)度時發(fā)生整體撕裂，此時雖然熱封強(qiáng)度較大，但熱封表面發(fā)生扭曲變形，其韌性與外觀表面都無法達(dá)到要求，熱封效果較差。綜上所述，熱封強(qiáng)度可以極大地反映出復(fù)合膜材料的熱封效果。

圖2 熱封狀態(tài)示意圖Fig.2 Schematic diagram of heat sealing state

根據(jù)實際生產(chǎn)過程統(tǒng)計可知，合適的目標(biāo)熱封強(qiáng)度P與復(fù)合膜自身斷裂的屈服強(qiáng)度P有關(guān)。經(jīng)過實際加工結(jié)果統(tǒng)計估算，存在式(2)關(guān)系。當(dāng)熱封強(qiáng)度P滿足式(2)關(guān)系，則認(rèn)為其滿足實際加工需求的熱封強(qiáng)度。

3 RBFNN-GA決策方法(RBFNN-GA decisionmaking method)

3.1 RBFNN-GA決策方法總體結(jié)構(gòu)

決策方法模型設(shè)計結(jié)構(gòu)圖如圖3所示，輸入材料屈服強(qiáng)度計算目標(biāo)熱封強(qiáng)度，同時根據(jù)實際加工需求設(shè)定部分工藝參數(shù)作為約束條件；建立RBF神經(jīng)網(wǎng)絡(luò)回歸模型并驗證其準(zhǔn)確性；將遺傳算法迭代種群輸入到回歸模型中進(jìn)行適應(yīng)度計算；通過遺傳算法進(jìn)行尋優(yōu)計算，得到熱封強(qiáng)度與目標(biāo)熱封強(qiáng)度相近的最優(yōu)工藝參數(shù)。

圖3 決策方法結(jié)構(gòu)圖Fig.3 Structure diagram of decision-making method

3.2 RBF神經(jīng)網(wǎng)絡(luò)模型建立

在該決策方法中，對于熱封材料的更換需要進(jìn)行數(shù)據(jù)的重新迭代學(xué)習(xí)，在實際應(yīng)用過程當(dāng)中要求該網(wǎng)絡(luò)具有較快的收斂性。對于RBF神經(jīng)網(wǎng)絡(luò)，只存在少數(shù)幾個連接權(quán)值影響輸出，具有較快的收斂性。

圖4 RBF神經(jīng)網(wǎng)絡(luò)拓?fù)鋱DFig.4 RBF neural network topology

通過式(5)可知，RBF神經(jīng)網(wǎng)絡(luò)就是將每個數(shù)據(jù)從一個3 維非線性空間轉(zhuǎn)換到一個維線性可分的空間，即對于組數(shù)據(jù)的輸入X=(，，???，)與輸出P=(，，???，P)存在式(6)所示關(guān)系。

3.3 基于遺傳算法的目標(biāo)選擇

采用合適的選擇算子與交叉算子，可以讓遺傳算法在解決高維非線性問題時，具有很好的魯棒性，避免迭代過程發(fā)散；同時采用變異算子，可以使其通過種群間的變異來避免陷入局部最優(yōu)解。確定遺傳算法算子如下：選擇算子采用輪盤選擇；交叉算子采用點(diǎn)交叉；變異算子采用反轉(zhuǎn)突變。在遺傳算法迭代前，需要對初始種群進(jìn)行編碼以提高計算效率，本文采用格雷碼編碼，該編碼方式對于選擇交叉變異等算子具有更快速的計算能力，同時格雷碼變化反映到實數(shù)上的變化為連續(xù)性，加快了迭代速度。

4 模型訓(xùn)練與試驗驗證(Model training and experimental verification)

4.1 模型訓(xùn)練

將500 組加工數(shù)據(jù)采取歸一化處理，并分為400 組訓(xùn)練集與100 組測試集輸入到RBF神經(jīng)網(wǎng)絡(luò)。設(shè)定網(wǎng)絡(luò)參數(shù)如下：均方差目標(biāo)為0.001，拓展系數(shù)為0.21。將訓(xùn)練集數(shù)據(jù)輸入到網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到的迭代曲線如圖5所示。

圖5 網(wǎng)絡(luò)學(xué)習(xí)迭代過程Fig.5 Iterative process of network learning

根據(jù)曲線變化，在第12 次迭代時，迭代誤差為達(dá)到0.003，在第12 次迭代至第50 次迭代過程中，迭代誤差變化相對較小。綜上所述，第12 次迭代至第50 次迭代收益較小，在實際工程應(yīng)用當(dāng)中，對于誤差要求較小的情況下，可選取12 次左右的迭代作為網(wǎng)絡(luò)學(xué)習(xí)的結(jié)果。

將測試集數(shù)據(jù)與預(yù)測集數(shù)據(jù)進(jìn)行對比，結(jié)果如圖6所示，從預(yù)測值的結(jié)果來看，RBF神經(jīng)網(wǎng)絡(luò)模型的整體誤差較小。在熱封強(qiáng)度處于0到25時，預(yù)測集與測試集誤差較大，但對于實際加工過程，為保證熱封質(zhì)量，不會選取該范圍內(nèi)的熱封強(qiáng)度；在熱封強(qiáng)度處于100到275時，預(yù)測集與測試集最大誤差不超過5%，足以滿足實際加工需求。為測試集與預(yù)測值進(jìn)行直觀的數(shù)據(jù)對比，采用式(9)計算其決定系數(shù)。

圖6 預(yù)測結(jié)果對比Fig.6 Comparison of prediction results

4.2 最優(yōu)參數(shù)尋找

輸入材料的屈服強(qiáng)度為267.65 N/15mm，根據(jù)式(3)取目標(biāo)熱封強(qiáng)度為160 N/15mm，設(shè)定三組實驗：第一組實驗設(shè)定熱封距離為6 mm，第二組實驗設(shè)定熱封溫度為180 ℃，第三組實驗設(shè)定熱封速度為80 包/min，同時迭代要求對于最優(yōu)種群的熱封強(qiáng)度均與目標(biāo)熱封強(qiáng)度誤差小于5%，以種群平均適應(yīng)度值為指標(biāo)，迭代過程如圖7所示，上述三組尋優(yōu)迭代過程分別如圖7(a)、圖7(b)、圖7(c)所示。

圖7 參數(shù)尋優(yōu)迭代過程Fig.7 Iterative process of parameter optimization

對于三種不同的熱封強(qiáng)度，在迭代次數(shù)第10 次到第20 次時，平均適應(yīng)度值快速下降，迭代次數(shù)20 次之后平均適應(yīng)度值逐漸平穩(wěn)，在迭代次數(shù)大概為70時結(jié)束，并且最終迭代結(jié)果收斂。對于不同的輸入熱封強(qiáng)度，都可以達(dá)到較好的結(jié)果，同時誤差滿足加工要求。

4.3 試驗驗證

每組隨機(jī)選取最終尋優(yōu)結(jié)果中誤差最小的三組數(shù)據(jù)，得到如表1所示，在材料的屈服強(qiáng)度為267.65 N/15mm的情況下，3 組不同輸入?yún)?shù)的決策最優(yōu)解。

表1 最優(yōu)參數(shù)尋優(yōu)結(jié)果Tab.1 Optimization results of optimal parameters

將上述得到的最優(yōu)工藝參數(shù)代入枕式包裝機(jī)中生產(chǎn)加工，排除工況意外的產(chǎn)品，從各個情況中隨機(jī)選取20 個加工產(chǎn)品進(jìn)行熱封強(qiáng)度測試，實驗平臺如圖8所示。

圖8 實驗平臺Fig.8 Experimental platform

將表1參數(shù)輸入到枕式包裝機(jī)中加工，再通過WDW-5型微機(jī)控制電子拉力試驗機(jī)對加工產(chǎn)品進(jìn)行熱封強(qiáng)度測試，實驗結(jié)果如圖9所示，圖9(a)、圖9(b)、圖9(c)分別為=[6,175,67]、=[7,180,73]和=[5,183,80]條件下，20 個產(chǎn)品熱封強(qiáng)度分布圖。

圖9 產(chǎn)品加工驗證結(jié)果圖Fig.9 Result diagram of product processing verification

根據(jù)式(2)得出熱封強(qiáng)度上下限范圍，且圖9中三組實驗中抽取的每個加工產(chǎn)品都處于該范圍，證明該方法得出的優(yōu)化工藝參數(shù)在實際工程中有較高的合格率。

5 結(jié)論(Conclusion)

為實現(xiàn)對枕式包裝機(jī)預(yù)先參數(shù)輸入來提高加工效率，降低人力成本，構(gòu)建了基于RBFNN-GA的工藝參數(shù)決策方法。

從實驗數(shù)據(jù)中得出了不同工藝參數(shù)與熱封強(qiáng)度的非線性關(guān)系，采取RBF神經(jīng)網(wǎng)絡(luò)對熱封強(qiáng)度進(jìn)行預(yù)測。通過數(shù)據(jù)集對比可知，基于RBF神經(jīng)網(wǎng)絡(luò)構(gòu)建的回歸模型具有較高的準(zhǔn)確性與較快的收斂性，模型有效部分總體誤差小于5%，因此該模型可以有效預(yù)測熱封強(qiáng)度。

通過輸入不同的參數(shù)，以RBF神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)設(shè)計適應(yīng)度函數(shù)，再用遺傳算法對最優(yōu)工藝參數(shù)進(jìn)行選擇，最后得出最優(yōu)的工藝參數(shù)。將最終結(jié)果帶入到實際加工過程當(dāng)中并且測定結(jié)果，20 組產(chǎn)品均處于加工要求范圍內(nèi)，滿足加工需求。

本文提出的決策方法代替人工參數(shù)選擇，有效地降低了人力成本，提高了決策效率；對于枕式包裝機(jī)的智能化升級提供了理論依據(jù)。