超七類數據電纜擠塑工藝評價及優(yōu)化研究

張 帝 胡濤濤 焦長庚

（1.安徽科技學院電氣與電子工程學院，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距離穩(wěn)定傳輸的性能要求，因此超七類數據電纜成為目前數據電纜研制的主流趨勢[1]。

電纜生產質量會直接影響電纜的性能指標，其中擠塑環(huán)節(jié)是電纜生產制造的關鍵步驟，擠塑工藝控制的精確與否將直接影響成品電纜的線徑標準和最終質量[2]。目前國內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，并且工藝參數設定大多依賴工人經驗，影響了電纜的成品質量[3]。

該文在超七類數據電纜基本結構、擠塑機裝置及工作原理、電纜擠塑工藝及擠塑過程控制分析的基礎上，研究了擠塑過程影響成纜質量中的關鍵工藝參數，通過引入深度學習智能算法，對擠塑工藝參數進行訓練并建立擠塑質量評價預測模型，在此基礎上通過遺傳算法對擠塑過程工藝參數進行尋優(yōu)，減少對人工經驗的依賴，最后設計了擠塑工藝參數遠程監(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)提升超七類數據電纜的成品質量和生產效率具有重要意義。

1 超七類數據電纜擠塑過程及原理

1.1 電纜生產線結構分析

數據電纜的生產制造主要包括電纜線芯的制造和絕緣層的生產，而擠塑成型是絕緣層單線生產的關鍵一環(huán)，該文研究的電纜生產線即為絕緣層擠出生產線。在電纜生產過程中，廠家會根據絕緣層生產料和芯線來選擇相應的生產工藝，但是絕緣擠出生產線的基本流程和結構大同小異，其主要結構和流程如圖1 所示。1）放線裝置的主要作用是將數據電纜芯線以設置好的速度均勻放出，但芯線經過擠出設備組時要以適當的張力釋放并保持拉直狀態(tài)。2）擠出設備是將顆粒絕緣料攪拌熔融后，通過模具形成相應厚度的絕緣層形狀。擠出設備主要由機筒、進料斗、電機、加熱器、減速裝置、模具和螺桿等器件組成[4]。3）檢測設備主要負責檢測擠出前、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冷2 種，該文研究的超七類數據電纜主要采用水冷方式。5）牽引裝置通過電機轉動均勻拉動線芯勻速通過擠塑機。牽引設備的速度決定了電纜生產線擠塑工序的工作速度。6）收線機構主要負責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行收線。

圖1 電纜絕緣層生產線結構圖

1.2 電纜擠塑原理及工藝參數分析

超七類數據電纜的絕緣層生產主要通過擠塑機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歷塑化、成型和定型3 個階段[5]。擠塑工藝主要由擠塑機設備完成，該設備主要由擠壓系統(tǒng)、傳統(tǒng)系統(tǒng)、控制系統(tǒng)和加熱冷卻系統(tǒng)構成，生產設備裝置如圖2 所示。在實際生產加工過程中，絕緣料先進入擠塑機內部進行攪拌混合，然后通過螺桿旋轉并配合加熱片升溫熔融，將絕緣料進行塑化。塑化完成后，利用機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)現有很多因素都會影響擠塑質量，進而影響最終的電纜質量。經過與領域專家交流和文獻調研后得知，評價電纜擠塑效果的主要性能指標是絕緣料傳送速度和系統(tǒng)出膠率。而在生產過程中，對上述評價指標產生重要影響的工藝參數較多。忽略次要因素，該文總結出了最主要的4個影響因素，即絕緣料的加熱溫度、進料速度、螺桿轉速和絕緣料熔壓[6]。這些工藝參數相互耦合關聯(lián)，通過人工經驗很難厘清彼此的作用關系，并且擠塑過程是復雜的非線性過程，難以清晰表達這些工藝參數與絕緣層性能指標的數學關系，也無法建立機理過程模型。因此，通過人工智能算法并基于數據驅動建立擠塑性能指標和工藝參數數學模型，再對工藝參數進行尋優(yōu)，獲得最佳擠塑效果尤為必要。進而該文在分析擠塑過程和擠塑工藝的基礎上，提出基于深度學習建立擠塑過程性能評價預測模型，并通過深度學習算法進行最佳工藝參數尋優(yōu)，以進一步提高電纜擠塑質量和電纜質量。

圖2 電纜擠塑機裝置

2 擠塑質量評價及工藝優(yōu)化研究

2.1 電纜擠塑性能評價預測模型構建

電纜絕緣層擠塑受眾多工藝參數影響，這些參數相互耦合且非線性，很難從過程機理角度出發(fā)描述彼此的數學關系。隨著人工智能的發(fā)展，利用深度學習算法從數據本身解決非線性問題可取得較好效果。深度學習是一種模仿人腦進行信息處理的方法，通過從樣本數據中不斷學習，獲得潛在數據特征和規(guī)律，從而讓機器具備像人一樣的數據分析及加工能力。深度學習模型結構主要分為輸入層、隱藏層和輸出層3 個部分[7]。深度學習模型可看作一個能夠處理并訓練非線性數據的神經網絡，每層分布眾多神經元，通過深度學習神經網絡可提取訓練數據的不同特征。目前主流的深度學習神經網絡有卷積神經網絡、深度前饋網絡和深度置信網絡等。由于該文構建的模型訓練的主要工藝參數種類不多且深度前饋網絡具有全連接特點，因此該文選用深度前饋網絡作為擠塑性能評價預測的主要方法。

模型構建及訓練優(yōu)化主要步驟如下：1）確定影響電纜擠塑質量的主要影響參數。該文通過與領域專家交流并結合文獻調研的方式篩選出影響擠塑性能指標的關鍵工藝參數，即上文已確定的絕緣料的加熱溫度、進料速度、螺桿轉速和絕緣料熔壓。2）采集實際數據。在生產一線通過各傳感器實時采集數據，并對采集數據進行數據清洗、補全等數據預處理操作，再通過標準化數據消除數據不同量綱對模型構建造成的影響。3）將處理后的數據分為500組，其中400 組作為訓練集，100 組作為測試集。將影響擠塑性能的工藝參數作為深度學習模型的輸入層參數，將性能指標數據作為輸出層參數，構建的深度前饋神經網絡模型如圖3 所示。

圖3 深度前饋神經網絡模型

深度神經網絡結構數學表達式如公式（1）所示。

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

下文將通過分析設計模型的隱藏層結構、激活函數類型、權值優(yōu)化算法和正則化手段來構建預測損失值和準確率較高的最優(yōu)模型。先應用傳統(tǒng)經驗公式，1≤a≤10（n1是隱藏層單元數；m和n分別是神經網絡輸入層和輸出層單元數）計算出隱藏層神經元個數，將其作為試驗參考值。根據該公式及試驗確定隱藏層單元為3。為了增強網絡模型對非線性數據的處理能力，該文選擇更好提取數據稀疏特征的Relu 函數作為激活函數，同時降低模型損失值。為防止模型出現過擬合現象，選擇常用正則化方法添加懲罰項。從模型預測準確度出發(fā)，該文采用的是Dropout 正則化方法。經比較，模型訓練所需各參數的最終設置見表1。模型構建及參數設置完成后即通過TensorFlow 平臺，并采用Python 編程進行模型訓練和數據計算。1）引入工具庫包并進行參數初始化。2）將采集的500 組樣本數據分為400 組訓練集和100 組測試集，將訓練集數據樣本進行標準化處理后輸入模型。3）使用隱藏層中的激活函數Relu計算輸入樣本，得出神經元輸出值。4）利用Dropout 正則化方法縮減網絡模型中神經元，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確率。6）通過對Relu 求導并采用梯度下降優(yōu)化算法，更新神經元權重和偏置值，更新后計算出新的輸出值，不斷重復迭代直到誤差和準確率達到預期范圍。7）將100 組測試樣本輸入訓練好的模型進行檢測。檢測結果顯示，系統(tǒng)出膠率和絕緣料傳送速度預測準確率分別為94.3%和96.2%，準確率達到了預期試驗效果。

表1 神經網絡參數設置

2.2 基于遺傳算法的擠塑工藝參數優(yōu)化建模

在構建擠塑生產絕緣層性能評價預測模型的基礎上，利用遺傳算法對關鍵工藝參數進行尋優(yōu)，擺脫依靠人工經驗確定工藝參數，導致產品質量下降的問題。遺傳算法參考進化論中DNA 在生物遺傳進化中發(fā)揮的作用，對研究對象中的數據進行分析，并對重組、變異產生的子代結果進行適應度評價[8]。該文涉及的擠塑過程工藝參數優(yōu)化目標主要是系統(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，再對擠塑質量最佳工藝參數進行尋優(yōu)?；谶z傳算法的工藝參數尋優(yōu)流程如圖4 所示。

圖4 工藝參數優(yōu)化模型流程圖

算法通過MATLAB 編程實現，首先，對模型進行初始化，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，最大進化為5000 代。其次，利用rand（）函數隨機生成各工藝參數并限定其約束范圍，從而產生第一代種群。調用上述基于深度學習構建的電纜擠塑性能評價預測模型進行適應度評估，判斷目前工藝參數是否達到目標評價要求。如果適應度為0，則終止迭代，否則重新選擇，即對初代種群中的隨機個體進行交叉互換，得到全新子代。此時需要重新計算適應度是否達到設定極限值，從而確定變異概率。變異操作完成后判斷是否達到終止條件，即此時計算的迭代次數是否達到最大值或者適應度誤差達到最小值。如果滿足，則終止算法，否則繼續(xù)進行適應度評估，再進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，即絕緣料的加熱溫度、進料速度、螺桿轉速和絕緣料熔壓結果見表2。將上述工藝參數進行現場測試，對擠塑加工生產出來的絕緣層進行性能檢測，所得測試結果如圖5 所示。有圖5 可知，其性能指標出膠率和傳送率均達到最佳狀態(tài)，符合產品要求，證明遺傳算法所得工藝參數符合生產實際。

表2 工藝參數最優(yōu)設置

圖5 實際測試結果

3 電線電纜擠塑生產遠程監(jiān)控終端

根據上文提出的工藝參數的優(yōu)化算法，為了實現對超七類數據電纜擠塑過程工藝參數的智能化設置和控制，該文以底層控制單元、通信單元硬件為基礎，基于WPF 技術，在PC 端開發(fā)了上位機，通過進行人機交互，對生產過程工藝參數進行智能設置和監(jiān)控，從而實現電纜擠塑系統(tǒng)的自動化改造。上位機系統(tǒng)基于CS 架構，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及其他過程參數，進行擠塑機的遠程自動參數設置，進一步提高電纜生產效率。

圖6 電纜擠塑遠程控制PC 端

4 結論

超七類數據電纜擠塑工藝性能評價預測與進一步的工藝參數優(yōu)化是具有重要意義的一項工作。大數據及人工智能發(fā)展為電纜高質量生產提供了產業(yè)升級理論上的支持。為此，該文基于深度前饋神經網絡構建了電纜擠塑性能評價預測模型，明確了絕緣料的加熱溫度、進料速度、螺桿轉速和絕緣料熔壓為影響擠塑質量的主要工藝參數。在該基礎上結合遺傳算法，對以出膠率和傳送速率為工藝優(yōu)化目標的工藝參數進行尋優(yōu)，確定了最佳工藝參數，為電纜擠塑實際生產提供了借鑒與參考。最后基于WPF 技術設計了針對電纜擠塑過程控制的上位機軟件，對工藝參數進行遠程實時監(jiān)控，進一步提高了生產效率。