预测塑料在离开挤出机前的颜色,在线颜色测量为塑料加工过程中的颜色变化提供实时洞察。由Zetar Mold提供。机器学习通过将在线测量与离线颜色预测相关联,为塑料加工商提供了一种更快的颜色匹配方法。机器学习可以通过在挤出过程中提供更快的反馈,为塑料颜色匹配增加价值。在线系统可以在材料经过加工过程时检测颜色变化,而预测模型可以在操作员生产模制样品并完成实验室测量之前估计相应的离线颜色。这一能力可以减少配方迭代次数,并帮助加工商在颜料浓度、分散或其他工艺变量使颜色偏离规格时更早做出响应。它还通过将在线光谱与机器学习相结合,从工艺数据预测最终颜色,支持实时质量监测。您还可以阅读:挤出和注塑成型中的实时熔体监测。
最近的一项研究提出了一种不同的方法:将挤出过程中的在线颜色测量与机器学习相结合,预测通过传统离线测量获得的颜色。该方法不是试图“设计完美的颜色”,而是将两个测量阶段联系起来,并利用数据缩短颜色匹配的反馈回路。
将颜色测量移入工艺过程。离线台式分光光度计的工作原理,其中(a)排除镜面反射分量,(b)包含镜面反射分量。由《开发机器学习模型以预测挤出热塑性树脂颜色》提供。传统的颜色匹配将加工与评估分开。制造商将聚合物与颜料混合,生产模制样品,并使用台式分光光度计测量CIE L*a*b*值。如果颜色超出目标范围,加工商会调整配方并重复该过程。在线光谱技术将颜色测量移入挤出过程。在这项研究中,研究人员在挤出机模头处安装了带有反射聚合物熔体探头的在线分光光度计。该系统在D65光源和10度标准观察者条件下每两秒记录一次CIE L*a*b*值。研究人员将在线测量与注塑颜色片的离线测量配对,对每种配方的10个颜色片的数据取平均值。在线信号表征配混过程中的聚合物熔体,而离线测量表征模制材料。由于这些测量代表不同的物理状态,机器学习模型捕捉的是加工阶段与最终颜色测量之间的关系,而不是简单地复现某一仪器的输出。
训练模型。研究人员评估了四种机器学习方法:多元线性回归、深度神经网络、随机森林回归,以及带决策树回归的Bagging。这些模型将在线颜色测量与材料剂量数据相结合,以预测离线颜色。基于树的方法给出了最强结果,其中Bagging和随机森林回归产生的聚合色差分别约为10.8和10.75 dE。随着研究人员扩展训练数据集,预测准确性也有所提高。这些结果突出了机器学习在聚合物颜色匹配中的价值。颜色响应会随颜料浓度、配方、加工条件和测量几何条件呈非线性变化。基于树的模型可以捕捉这些关系,而无需工程师明确界定每一种交互作用。这些模型还提供特征重要性信息,帮助工程师识别哪些输入对预测颜色的影响最大,并支持更有依据的工艺调整。
从预测到更快修正。主要益处来自更快的反馈。在线系统可以在材料通过挤出机时检测颜色变化。预测模型随后可以在操作员生产模制样品或完成实验室测量之前估计离线颜色。这一能力可以减少颜色匹配过程中的配方迭代次数。它还可以帮助加工商在颜料浓度、分散或其他工艺变量使颜色偏离目标时更早做出响应。该方法支持塑料加工中的实时质量监测。在线光谱提供材料组成和工艺条件数据,而机器学习将这些信号转化为颜色预测。
人工智能仍需要更好的数据。这项研究还揭示了一个重要局限性:该模型尚未提供生产级准确性。作者将聚合dE值描述为对工业应用而言相对较高,并强调预测会随着训练数据集增大而改善。因此,对塑料加工商而言,更现实的路径可能是直接根据生产线构建颜色数据集。随着这些数据集增长,机器学习模型可以更好地根据在线测量预测离线颜色。其结果不会取代分光光度计或有经验的配色技术人员,而是为他们提供更快的反馈。实现精确颜色匹配需要持续测量、配方调整和迭代。机器学习可以通过将挤出机所看到的内容与实验室所期望的内容连接起来,缩短这一循环。在塑料制造中,这可能是人工智能最有用的形式。
作者:Maria Vargas | 2026年11月16日
Maria Vargas + 文章简介 ⮌ María José Vargas是米兰理工大学机械工程师及材料工程与纳米技术硕士候选人。她的工作聚焦于聚乙烯 environmental stress cracking、聚合物失效行为、塑料加工和可持续聚合物应用。
Maria Vargas 《无染料结构色:重新思考薄膜美学》
Maria Vargas 《型腔压力数据驱动更智能的注塑成型》
Maria Vargas 《天然颜料能否经受PLA和PBS挤出?》
Maria Vargas 《Moldex3D将DOE和机器数据引入注塑成型》