超七類數(shù)據(jù)電纜擠塑工藝評價及優(yōu)化研究

張 帝 胡濤濤 焦長庚

（1.安徽科技學(xué)院電氣與電子工程學(xué)院，安徽 蚌埠 233100；2.安徽天星電纜科技有限公司，安徽 天長 239300）

目前市場上使用的六類或者七類電纜的傳輸帶寬只能達(dá)到600MHz，傳輸距離僅為100m 左右，無法滿足通信運營商對高頻信號遠(yuǎn)距離穩(wěn)定傳輸?shù)男阅芤螅虼顺哳悢?shù)據(jù)電纜成為目前數(shù)據(jù)電纜研制的主流趨勢[1]。

電纜生產(chǎn)質(zhì)量會直接影響電纜的性能指標(biāo)，其中擠塑環(huán)節(jié)是電纜生產(chǎn)制造的關(guān)鍵步驟，擠塑工藝控制的精確與否將直接影響成品電纜的線徑標(biāo)準(zhǔn)和最終質(zhì)量[2]。目前國內(nèi)廠商的電纜擠塑控制水平相對落后，不能精確控制擠塑過程工藝參數(shù)，并且工藝參數(shù)設(shè)定大多依賴工人經(jīng)驗，影響了電纜的成品質(zhì)量[3]。

該文在超七類數(shù)據(jù)電纜基本結(jié)構(gòu)、擠塑機(jī)裝置及工作原理、電纜擠塑工藝及擠塑過程控制分析的基礎(chǔ)上，研究了擠塑過程影響成纜質(zhì)量中的關(guān)鍵工藝參數(shù)，通過引入深度學(xué)習(xí)智能算法，對擠塑工藝參數(shù)進(jìn)行訓(xùn)練并建立擠塑質(zhì)量評價預(yù)測模型，在此基礎(chǔ)上通過遺傳算法對擠塑過程工藝參數(shù)進(jìn)行尋優(yōu)，減少對人工經(jīng)驗的依賴，最后設(shè)計了擠塑工藝參數(shù)遠(yuǎn)程監(jiān)控系統(tǒng)，提高了電纜擠塑系統(tǒng)的智能化水平，對后續(xù)提升超七類數(shù)據(jù)電纜的成品質(zhì)量和生產(chǎn)效率具有重要意義。

1 超七類數(shù)據(jù)電纜擠塑過程及原理

1.1 電纜生產(chǎn)線結(jié)構(gòu)分析

數(shù)據(jù)電纜的生產(chǎn)制造主要包括電纜線芯的制造和絕緣層的生產(chǎn)，而擠塑成型是絕緣層單線生產(chǎn)的關(guān)鍵一環(huán)，該文研究的電纜生產(chǎn)線即為絕緣層擠出生產(chǎn)線。在電纜生產(chǎn)過程中，廠家會根據(jù)絕緣層生產(chǎn)料和芯線來選擇相應(yīng)的生產(chǎn)工藝，但是絕緣擠出生產(chǎn)線的基本流程和結(jié)構(gòu)大同小異，其主要結(jié)構(gòu)和流程如圖1 所示。1）放線裝置的主要作用是將數(shù)據(jù)電纜芯線以設(shè)置好的速度均勻放出，但芯線經(jīng)過擠出設(shè)備組時要以適當(dāng)?shù)膹埩︶尫挪⒈３掷睜顟B(tài)。2）擠出設(shè)備是將顆粒絕緣料攪拌熔融后，通過模具形成相應(yīng)厚度的絕緣層形狀。擠出設(shè)備主要由機(jī)筒、進(jìn)料斗、電機(jī)、加熱器、減速裝置、模具和螺桿等器件組成[4]。3）檢測設(shè)備主要負(fù)責(zé)檢測擠出前、后的線徑、芯線相對中軸線的偏移度和絕緣層不良點（裸芯、破皮和針孔等）。檢測環(huán)節(jié)是檢驗絕緣層擠出質(zhì)量的重要環(huán)節(jié)。4）冷卻系統(tǒng)則是將擠塑完成后的絕緣層進(jìn)行冷卻降溫，從而保證絕緣層不因高溫而發(fā)生形變。冷卻方式有水冷和風(fēng)冷2 種，該文研究的超七類數(shù)據(jù)電纜主要采用水冷方式。5）牽引裝置通過電機(jī)轉(zhuǎn)動均勻拉動線芯勻速通過擠塑機(jī)。牽引設(shè)備的速度決定了電纜生產(chǎn)線擠塑工序的工作速度。6）收線機(jī)構(gòu)主要負(fù)責(zé)將擠塑成型的電纜絕緣層連續(xù)收繞在接線盤、成線桶或成線卷盤中，該文采用高效率的雙軸收線方法進(jìn)行收線。

圖1 電纜絕緣層生產(chǎn)線結(jié)構(gòu)圖

1.2 電纜擠塑原理及工藝參數(shù)分析

超七類數(shù)據(jù)電纜的絕緣層生產(chǎn)主要通過擠塑機(jī)完成絕緣料攪拌混合、熔融、塑化成型和最終擠出定型。電纜擠塑工藝流程從電纜絕緣料擠塑至絕緣層冷卻定型共經(jīng)歷塑化、成型和定型3 個階段[5]。擠塑工藝主要由擠塑機(jī)設(shè)備完成，該設(shè)備主要由擠壓系統(tǒng)、傳統(tǒng)系統(tǒng)、控制系統(tǒng)和加熱冷卻系統(tǒng)構(gòu)成，生產(chǎn)設(shè)備裝置如圖2 所示。在實際生產(chǎn)加工過程中，絕緣料先進(jìn)入擠塑機(jī)內(nèi)部進(jìn)行攪拌混合，然后通過螺桿旋轉(zhuǎn)并配合加熱片升溫熔融，將絕緣料進(jìn)行塑化。塑化完成后，利用機(jī)頭模具將熔融后的液態(tài)絕緣料擠塑成型。此時，電纜絕緣層的溫度較高，處于不穩(wěn)定狀態(tài)，因此需要通過水冷槽進(jìn)行冷卻固化，從而最終定型。該文通過分析對電纜擠塑原理和擠塑工序，在電纜擠塑過程中發(fā)現(xiàn)有很多因素都會影響擠塑質(zhì)量，進(jìn)而影響最終的電纜質(zhì)量。經(jīng)過與領(lǐng)域?qū)＜医涣骱臀墨I(xiàn)調(diào)研后得知，評價電纜擠塑效果的主要性能指標(biāo)是絕緣料傳送速度和系統(tǒng)出膠率。而在生產(chǎn)過程中，對上述評價指標(biāo)產(chǎn)生重要影響的工藝參數(shù)較多。忽略次要因素，該文總結(jié)出了最主要的4個影響因素，即絕緣料的加熱溫度、進(jìn)料速度、螺桿轉(zhuǎn)速和絕緣料熔壓[6]。這些工藝參數(shù)相互耦合關(guān)聯(lián)，通過人工經(jīng)驗很難厘清彼此的作用關(guān)系，并且擠塑過程是復(fù)雜的非線性過程，難以清晰表達(dá)這些工藝參數(shù)與絕緣層性能指標(biāo)的數(shù)學(xué)關(guān)系，也無法建立機(jī)理過程模型。因此，通過人工智能算法并基于數(shù)據(jù)驅(qū)動建立擠塑性能指標(biāo)和工藝參數(shù)數(shù)學(xué)模型，再對工藝參數(shù)進(jìn)行尋優(yōu)，獲得最佳擠塑效果尤為必要。進(jìn)而該文在分析擠塑過程和擠塑工藝的基礎(chǔ)上，提出基于深度學(xué)習(xí)建立擠塑過程性能評價預(yù)測模型，并通過深度學(xué)習(xí)算法進(jìn)行最佳工藝參數(shù)尋優(yōu)，以進(jìn)一步提高電纜擠塑質(zhì)量和電纜質(zhì)量。

圖2 電纜擠塑機(jī)裝置

2 擠塑質(zhì)量評價及工藝優(yōu)化研究

2.1 電纜擠塑性能評價預(yù)測模型構(gòu)建

電纜絕緣層擠塑受眾多工藝參數(shù)影響，這些參數(shù)相互耦合且非線性，很難從過程機(jī)理角度出發(fā)描述彼此的數(shù)學(xué)關(guān)系。隨著人工智能的發(fā)展，利用深度學(xué)習(xí)算法從數(shù)據(jù)本身解決非線性問題可取得較好效果。深度學(xué)習(xí)是一種模仿人腦進(jìn)行信息處理的方法，通過從樣本數(shù)據(jù)中不斷學(xué)習(xí)，獲得潛在數(shù)據(jù)特征和規(guī)律，從而讓機(jī)器具備像人一樣的數(shù)據(jù)分析及加工能力。深度學(xué)習(xí)模型結(jié)構(gòu)主要分為輸入層、隱藏層和輸出層3 個部分[7]。深度學(xué)習(xí)模型可看作一個能夠處理并訓(xùn)練非線性數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)，每層分布眾多神經(jīng)元，通過深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)可提取訓(xùn)練數(shù)據(jù)的不同特征。目前主流的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)有卷積神經(jīng)網(wǎng)絡(luò)、深度前饋網(wǎng)絡(luò)和深度置信網(wǎng)絡(luò)等。由于該文構(gòu)建的模型訓(xùn)練的主要工藝參數(shù)種類不多且深度前饋網(wǎng)絡(luò)具有全連接特點，因此該文選用深度前饋網(wǎng)絡(luò)作為擠塑性能評價預(yù)測的主要方法。

模型構(gòu)建及訓(xùn)練優(yōu)化主要步驟如下：1）確定影響電纜擠塑質(zhì)量的主要影響參數(shù)。該文通過與領(lǐng)域?qū)＜医涣鞑⒔Y(jié)合文獻(xiàn)調(diào)研的方式篩選出影響擠塑性能指標(biāo)的關(guān)鍵工藝參數(shù)，即上文已確定的絕緣料的加熱溫度、進(jìn)料速度、螺桿轉(zhuǎn)速和絕緣料熔壓。2）采集實際數(shù)據(jù)。在生產(chǎn)一線通過各傳感器實時采集數(shù)據(jù)，并對采集數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗、補(bǔ)全等數(shù)據(jù)預(yù)處理操作，再通過標(biāo)準(zhǔn)化數(shù)據(jù)消除數(shù)據(jù)不同量綱對模型構(gòu)建造成的影響。3）將處理后的數(shù)據(jù)分為500組，其中400 組作為訓(xùn)練集，100 組作為測試集。將影響擠塑性能的工藝參數(shù)作為深度學(xué)習(xí)模型的輸入層參數(shù)，將性能指標(biāo)數(shù)據(jù)作為輸出層參數(shù)，構(gòu)建的深度前饋神經(jīng)網(wǎng)絡(luò)模型如圖3 所示。

圖3 深度前饋神經(jīng)網(wǎng)絡(luò)模型

深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)數(shù)學(xué)表達(dá)式如公式（1）所示。

式中：y為擠塑質(zhì)量的2 個性能指標(biāo)，即系統(tǒng)出膠率和絕緣料傳送速度；x為4 個工藝參數(shù)，即絕緣料的加熱溫度、進(jìn)料速度、螺桿轉(zhuǎn)速和絕緣料熔壓；f為隱藏層操作；n為隱藏層層數(shù)。

下文將通過分析設(shè)計模型的隱藏層結(jié)構(gòu)、激活函數(shù)類型、權(quán)值優(yōu)化算法和正則化手段來構(gòu)建預(yù)測損失值和準(zhǔn)確率較高的最優(yōu)模型。先應(yīng)用傳統(tǒng)經(jīng)驗公式，1≤a≤10（n1是隱藏層單元數(shù)；m和n分別是神經(jīng)網(wǎng)絡(luò)輸入層和輸出層單元數(shù)）計算出隱藏層神經(jīng)元個數(shù)，將其作為試驗參考值。根據(jù)該公式及試驗確定隱藏層單元為3。為了增強(qiáng)網(wǎng)絡(luò)模型對非線性數(shù)據(jù)的處理能力，該文選擇更好提取數(shù)據(jù)稀疏特征的Relu 函數(shù)作為激活函數(shù)，同時降低模型損失值。為防止模型出現(xiàn)過擬合現(xiàn)象，選擇常用正則化方法添加懲罰項。從模型預(yù)測準(zhǔn)確度出發(fā)，該文采用的是Dropout 正則化方法。經(jīng)比較，模型訓(xùn)練所需各參數(shù)的最終設(shè)置見表1。模型構(gòu)建及參數(shù)設(shè)置完成后即通過TensorFlow 平臺，并采用Python 編程進(jìn)行模型訓(xùn)練和數(shù)據(jù)計算。1）引入工具庫包并進(jìn)行參數(shù)初始化。2）將采集的500 組樣本數(shù)據(jù)分為400 組訓(xùn)練集和100 組測試集，將訓(xùn)練集數(shù)據(jù)樣本進(jìn)行標(biāo)準(zhǔn)化處理后輸入模型。3）使用隱藏層中的激活函數(shù)Relu計算輸入樣本，得出神經(jīng)元輸出值。4）利用Dropout 正則化方法縮減網(wǎng)絡(luò)模型中神經(jīng)元，防止過擬合發(fā)生，同時在輸出層得到誤差。5）通過歐氏距離計算實際誤差和準(zhǔn)確率。6）通過對Relu 求導(dǎo)并采用梯度下降優(yōu)化算法，更新神經(jīng)元權(quán)重和偏置值，更新后計算出新的輸出值，不斷重復(fù)迭代直到誤差和準(zhǔn)確率達(dá)到預(yù)期范圍。7）將100 組測試樣本輸入訓(xùn)練好的模型進(jìn)行檢測。檢測結(jié)果顯示，系統(tǒng)出膠率和絕緣料傳送速度預(yù)測準(zhǔn)確率分別為94.3%和96.2%，準(zhǔn)確率達(dá)到了預(yù)期試驗效果。

表1 神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置

2.2 基于遺傳算法的擠塑工藝參數(shù)優(yōu)化建模

在構(gòu)建擠塑生產(chǎn)絕緣層性能評價預(yù)測模型的基礎(chǔ)上，利用遺傳算法對關(guān)鍵工藝參數(shù)進(jìn)行尋優(yōu)，擺脫依靠人工經(jīng)驗確定工藝參數(shù)，導(dǎo)致產(chǎn)品質(zhì)量下降的問題。遺傳算法參考進(jìn)化論中DNA 在生物遺傳進(jìn)化中發(fā)揮的作用，對研究對象中的數(shù)據(jù)進(jìn)行分析，并對重組、變異產(chǎn)生的子代結(jié)果進(jìn)行適應(yīng)度評價[8]。該文涉及的擠塑過程工藝參數(shù)優(yōu)化目標(biāo)主要是系統(tǒng)出膠率和絕緣料傳送速度，同時將上述建立的電纜擠塑性能評價預(yù)測模型作為獲得遺傳算法種群中個體擠塑性能的方法，再對擠塑質(zhì)量最佳工藝參數(shù)進(jìn)行尋優(yōu)。基于遺傳算法的工藝參數(shù)尋優(yōu)流程如圖4 所示。

圖4 工藝參數(shù)優(yōu)化模型流程圖

算法通過MATLAB 編程實現(xiàn)，首先，對模型進(jìn)行初始化，通過計算均方根誤差及模型運算時間確定了該文算法種群規(guī)模為200，交叉概率為0.6，變異概率為0.1，最大進(jìn)化為5000 代。其次，利用rand（）函數(shù)隨機(jī)生成各工藝參數(shù)并限定其約束范圍，從而產(chǎn)生第一代種群。調(diào)用上述基于深度學(xué)習(xí)構(gòu)建的電纜擠塑性能評價預(yù)測模型進(jìn)行適應(yīng)度評估，判斷目前工藝參數(shù)是否達(dá)到目標(biāo)評價要求。如果適應(yīng)度為0，則終止迭代，否則重新選擇，即對初代種群中的隨機(jī)個體進(jìn)行交叉互換，得到全新子代。此時需要重新計算適應(yīng)度是否達(dá)到設(shè)定極限值，從而確定變異概率。變異操作完成后判斷是否達(dá)到終止條件，即此時計算的迭代次數(shù)是否達(dá)到最大值或者適應(yīng)度誤差達(dá)到最小值。如果滿足，則終止算法，否則繼續(xù)進(jìn)行適應(yīng)度評估，再進(jìn)入選擇交叉編譯操作。

通過遺傳算法得到的最優(yōu)工藝參數(shù)，即絕緣料的加熱溫度、進(jìn)料速度、螺桿轉(zhuǎn)速和絕緣料熔壓結(jié)果見表2。將上述工藝參數(shù)進(jìn)行現(xiàn)場測試，對擠塑加工生產(chǎn)出來的絕緣層進(jìn)行性能檢測，所得測試結(jié)果如圖5 所示。有圖5 可知，其性能指標(biāo)出膠率和傳送率均達(dá)到最佳狀態(tài)，符合產(chǎn)品要求，證明遺傳算法所得工藝參數(shù)符合生產(chǎn)實際。

表2 工藝參數(shù)最優(yōu)設(shè)置

圖5 實際測試結(jié)果

3 電線電纜擠塑生產(chǎn)遠(yuǎn)程監(jiān)控終端

根據(jù)上文提出的工藝參數(shù)的優(yōu)化算法，為了實現(xiàn)對超七類數(shù)據(jù)電纜擠塑過程工藝參數(shù)的智能化設(shè)置和控制，該文以底層控制單元、通信單元硬件為基礎(chǔ)，基于WPF 技術(shù)，在PC 端開發(fā)了上位機(jī)，通過進(jìn)行人機(jī)交互，對生產(chǎn)過程工藝參數(shù)進(jìn)行智能設(shè)置和監(jiān)控，從而實現(xiàn)電纜擠塑系統(tǒng)的自動化改造。上位機(jī)系統(tǒng)基于CS 架構(gòu)，采用C#編程語言，其操作界面如圖6 所示。可輸入上述智能算法所得過程工藝參數(shù)及其他過程參數(shù)，進(jìn)行擠塑機(jī)的遠(yuǎn)程自動參數(shù)設(shè)置，進(jìn)一步提高電纜生產(chǎn)效率。

圖6 電纜擠塑遠(yuǎn)程控制PC 端

4 結(jié)論

超七類數(shù)據(jù)電纜擠塑工藝性能評價預(yù)測與進(jìn)一步的工藝參數(shù)優(yōu)化是具有重要意義的一項工作。大數(shù)據(jù)及人工智能發(fā)展為電纜高質(zhì)量生產(chǎn)提供了產(chǎn)業(yè)升級理論上的支持。為此，該文基于深度前饋神經(jīng)網(wǎng)絡(luò)構(gòu)建了電纜擠塑性能評價預(yù)測模型，明確了絕緣料的加熱溫度、進(jìn)料速度、螺桿轉(zhuǎn)速和絕緣料熔壓為影響擠塑質(zhì)量的主要工藝參數(shù)。在該基礎(chǔ)上結(jié)合遺傳算法，對以出膠率和傳送速率為工藝優(yōu)化目標(biāo)的工藝參數(shù)進(jìn)行尋優(yōu)，確定了最佳工藝參數(shù)，為電纜擠塑實際生產(chǎn)提供了借鑒與參考。最后基于WPF 技術(shù)設(shè)計了針對電纜擠塑過程控制的上位機(jī)軟件，對工藝參數(shù)進(jìn)行遠(yuǎn)程實時監(jiān)控，進(jìn)一步提高了生產(chǎn)效率。