[發(fā)明專利]一種擠壓涂布機膜厚控制方法

有效

• 申請?zhí)枺?/td>: 201610456882.1
• 申請日: 2016-06-21
• 公開（公告）號: CN105921370B
• 公開（公告）日: 2017-05-17
• 發(fā)明（設(shè)計）人: 周華民;李德群;張云;王云明;嚴波;譚鵬輝
• 申請（專利權(quán)）人: 華中科技大學(xué)
• 主分類號: B05C11/10
• 分類號: B05C11/10;G06N3/08
• 代理公司: 華中科技大學(xué)專利中心42201
• 代理人: 張建偉

1.一種擠壓涂布機膜厚控制方法，其特征在于，包括以下步驟：

(1)根據(jù)擠壓涂布機的參數(shù)及所要生產(chǎn)涂布的干料厚度M_d，進行一次預(yù)生產(chǎn)過程；預(yù)生產(chǎn)中每間隔t₀時間改變一次涂布間隙寬度，測量并記錄涂布間隙寬度S_n及其對應(yīng)濕料厚度L_n與干料的厚度M_n；

(2)分別建立涂布間隙寬度與濕料厚度之間的神經(jīng)網(wǎng)絡(luò)模型NET1、濕料厚度與干料厚度之間的神經(jīng)網(wǎng)絡(luò)模型NET2，根據(jù)步驟(1)獲得的一系列濕料、干料厚度、及涂布間隙寬度的樣本數(shù)據(jù)，采用降噪自編碼的方法訓(xùn)練建立的兩個神經(jīng)網(wǎng)絡(luò)模型，使其誤差在允許范圍內(nèi)；

(3)根據(jù)訓(xùn)練得到的神經(jīng)網(wǎng)絡(luò)模型NET2，和正式生產(chǎn)的目標干料厚度M_d，預(yù)測所需濕料的厚度L_d，再根據(jù)L_d由訓(xùn)練得到的神經(jīng)網(wǎng)絡(luò)模型NET1預(yù)測所需涂布間隙寬度S₀；

(4)在后續(xù)的正式生產(chǎn)過程中，實時監(jiān)控濕料的厚度L，當L發(fā)生變化時，通過步驟(2)訓(xùn)練得到的兩個神經(jīng)網(wǎng)絡(luò)模型，預(yù)測并實時調(diào)整涂布間隙寬度S，以保證濕料厚度L的一致性，從而保證最終干料厚度M的一致性。

2.根據(jù)權(quán)利要求1所述的擠壓涂布機膜厚控制方法，其特征在于，步驟(1)中所述擠壓涂布機的參數(shù)包括基材走帶速度V_d和正式生產(chǎn)過程中最終需要的干料的厚度M_d；測量從濕料厚度的測量位置到涂布間隙的距離S_L，測量從干料厚度測量位置到涂布間隙的距離S_M；測量厚度裝置優(yōu)選激光測厚儀。

3.根據(jù)權(quán)利要求1或2所述的擠壓涂布機膜厚控制方法，其特征在于，步驟(1)中所述的間隔時間t₀為一固定值，根據(jù)基材走帶的速度來選取；所述涂布間隙寬度S每一次的變化量ΔS為一固定值，根據(jù)最終生產(chǎn)干料的 目標厚度來選取；所述涂布間隙寬度變化從初始值S₁開始按固定變化量ΔS增加，即S_n＝S₁+(n-1)×ΔS，S₁的值根據(jù)最終需要的干料厚度選取，一般略低于干料厚度；所述對應(yīng)濕料厚度L_n與干料厚度M_n的測量，根據(jù)基材走帶速度及厚度測量位置，計算從涂布間隙位置到濕料厚度測量位置及干料的厚度測量位置的時間t_L、t_M，然后在t_L時間后每隔t₀測量一次濕料厚度L_n并保存，在t_M時間后每隔t₀測量一次干料厚度M_n并保存。

4.根據(jù)權(quán)利要求1或2所述的擠壓涂布機膜厚控制方法，其特征在于，步驟(2)中所述降噪自編碼神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練中，在兩個神經(jīng)網(wǎng)絡(luò)輸入層中引入隨機噪聲，利用帶噪聲的數(shù)據(jù)重構(gòu)出原始的數(shù)據(jù)，從而使訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型有更好的魯棒性。

5.根據(jù)權(quán)利要求4所述的擠壓涂布機膜厚控制方法，其特征在于，所述引入隨機噪聲的概率為p，引入的噪聲為高斯噪聲。

6.根據(jù)權(quán)利要求1所述的擠壓涂布機膜厚控制方法，其特征在于，所述構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型包含四層：輸入層，隱含層一，隱含層二，輸出層；所述各層節(jié)點的數(shù)目根據(jù)實際情況選擇；節(jié)點激活函數(shù)采用sigmoid函數(shù)，即所述神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練，根據(jù)步驟(1)取得的數(shù)據(jù)量的大小選擇合適的迭代次數(shù)、學(xué)習(xí)率、及允許誤差。

7.根據(jù)權(quán)利要求4所述的擠壓涂布機膜厚控制方法，其特征在于，所述構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型包含四層：輸入層，隱含層一，隱含層二，輸出層；所述各層節(jié)點的數(shù)目根據(jù)實際情況選擇；節(jié)點激活函數(shù)采用sigmoid函數(shù)，即所述神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練，根據(jù)步驟(1)取得的數(shù)據(jù)量的大小選擇合適的迭代次數(shù)、學(xué)習(xí)率、及允許誤差。