고무 및 엘라스토머 제조용 AI: 가황 공정 최적화

가황은 고무 폴리머 사슬을 가교 결합시키는 화학 공정으로, 부드럽고 끈적한 컴파운드를 유용한 기계적 특성을 가진 내구성 있는 엘라스토머 재료로 변환합니다. 이 공정은 온도, 시간, 그리고 고무 컴파운드의 특정 화학에 민감합니다. 미경화는 약하고 가교 결합이 부족한 재료를 생산합니다. 과경화는 폴리머를 분해하고 재료를 부서지기 쉽게 만듭니다. 이러한 극단 사이의 윈도우는 사람들이 예상하는 것보다 더 좁은 경우가 많습니다.

AI 최적화는 컴파운드 변동과 장비 조건이 변할 때도 고무 제조업체가 일관되게 최적의 지점에 도달하는 데 도움이 됩니다.

가황 제어가 어려운 이유

경화 반응은 발열 반응으로, 자체적으로 열을 발생시킵니다. 두꺼운 부품의 경우 고무 중심부의 온도가 표면 온도보다 뒤처져 경화 구배를 만듭니다. 표면이 완전히 경화되었을 때 중심부는 여전히 미경화 상태일 수 있고, 또는 표면이 목표에 도달할 때 중심부가 과경화될 수 있습니다.

컴파운드 변동성은 또 다른 차원을 추가합니다. 원료 고무의 다른 배치는 분자량 분포, 충전제 분산, 가속제 활성에 따라 다른 경화 특성을 가집니다. 컴파운드 레시피나 혼합 공정의 작은 변동도 최적의 경화 프로파일을 변경합니다.

AI가 경화 프로파일을 최적화하는 방법

AI 기반 가황 최적화는 각 컴파운드 배치의 경화 거동을 특성화하는 레오미터 데이터로 시작합니다. 레오미터는 특정 온도에서 시간이 지남에 따라 재료의 강성이 어떻게 진화하는지 측정하여 해당 배치의 경화 동역학을 제공합니다.

AI는 이 배치별 경화 데이터를 금형과 부품 형상의 열전달 모델과 결합하여 최적의 온도 및 시간 프로파일을 계산합니다. 단순한 평면 부품의 경우 단일 온도와 시간일 수 있습니다. 두께가 다양한 복잡한 형상의 경우, AI는 금형의 다른 영역이 다른 온도로 가열되는 다중 영역 온도 프로파일을 최적화할 수 있습니다.

AI는 또한 과거 생산 데이터로부터 학습합니다. 경도, 인장 강도, 압축 영구 변형률과 같이 생산 후 측정된 실제 제품 특성과 경화 매개변수를 상관시킵니다. 이 상관관계를 통해 레오미터 데이터만으로는 제공할 수 없는 수준으로 경화 예측 모델을 미세 조정할 수 있습니다.

에너지 및 사이클 시간 이점

최적화된 경화 프로파일은 일반적으로 사이클 시간을 줄여줍니다. 공정이 최악의 시나리오에서 완전한 경화를 보장하기 위해 필요 이상으로 길게 실행되지 않기 때문입니다. 더 짧은 사이클은 동일한 장비에서 더 높은 처리량을 의미합니다. 에너지 절약은 필요 이상으로 금형을 높은 온도로 가열하지 않거나 재료가 요구하는 시간보다 더 오래 실행하지 않는 데서 비롯됩니다.

제조업의 AI 공정 최적화에 대한 자세한 내용은 FirmAdapt 제조업 분석 페이지를 방문해 주세요.