[发明专利]一种生物质PVC导电塑料及其制备方法有效
申请号: | 202011201023.0 | 申请日: | 2020-11-02 |
公开(公告)号: | CN112280216B | 公开(公告)日: | 2023-03-31 |
发明(设计)人: | 马艾丽;张二进;周丽;梁见莹;林伟潮 | 申请(专利权)人: | 北京理工大学珠海学院 |
主分类号: | C08L27/06 | 分类号: | C08L27/06;C08L97/00;C08L75/04;C08K13/06;C08K7/18;C08K7/00;C08K9/02;C08K3/08;C08K5/1515;C08K5/098;C08K5/09 |
代理公司: | 广州三环专利商标代理有限公司 44202 | 代理人: | 牛丽霞 |
地址: | 519000 *** | 国省代码: | 广东;44 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 生物 pvc 导电 塑料 及其 制备 方法 | ||
1.一种生物质PVC导电塑料,其特征在于,由以下质量份的原料组成:
聚氯乙烯100份,
稳定剂1-10份,
润滑剂1-8份,
增塑剂1-80份,
银包铜填料10-60份,
木质素1-30份;
所述银包铜填料为微米级,包括球状、片状及树枝状颗粒,三者的质量比为2:2:1,且全部的所述银包铜填料中的银含量为20%;每一所述颗粒粉末的内部均为铜合金,其成分为:Cr 0.6-1 .5wt%,Ag 0.5-2wt%,Zr 0.1-0 .8wt%,Ce 0.2-0 .6wt%,余量为Cu,外层由沉积银包裹,在每一所述颗粒粉末中,银的质量百分比含量为10-50%;
所述木质素为碱木质素。
2.根据权利要求1所述的生物质PVC导电塑料,其特征在于,所述聚氯乙烯的K值为60-95,聚合度为650-1250;所述稳定剂为钡/镉复合稳定剂、硬脂酸钡、硬脂酸锌、环氧化合物中的一种或者几种混合物;所述增塑剂为聚酯增塑剂和环氧化合物的混合物;所述润滑剂为硬脂酸。
3.根据权利要求2 所述的生物质PVC导电塑料,其特征在于:所述钡/镉复合稳定剂为液体石蜡作为溶剂的钡/镉复合稳定剂;所述木质素为造纸废液中碱法提取的竹木质素;所述聚酯增塑剂为聚氨酯增塑剂,分子量大小为4000-10000;所述环氧化合物增塑剂为环氧脂肪酸甘油酯。
4.根据权利要求 1至3任一所述的生物质PVC导电塑料,其特征在于:所述原料中,固体原料的含水量均在2%以下。
5.一种权利要求1至4任一所述的生物质PVC导电塑料的制备方法,其特征在于,包括以下步骤:
S1、取配方量的木质素和银包铜导电填料置于真空干燥箱60℃下烘干24h;
S2、将上述干燥后的填料和PVC、聚酯增塑剂、稳定剂在高速混合器内混合,搅拌升温至80-95℃,在该温度下继续搅拌1-10min,然后加入润滑剂和环氧化合物增塑剂,继续搅拌升温至85-100℃,在该温度下连续搅拌1-8min,然后冷却至40℃以下,得到预混合物;
S3、将预混合物投入到双螺杆挤出机中挤出造粒,挤出机的温度为160-210℃,挤出机机头口模为多孔板,混合物加热熔融后由螺杆输送至口摸多孔板处形成丝束,采用循环水冷却定型,挤出丝束由牵引机牵引至自动切割机切粒,得到导电功能性母料;
S4、将所述导电功能性母料投入到螺杆式注塑机料筒中,注塑机温度设置为170-200℃,模具温度设置为40-50℃,将母料加热熔融后注入到模具中保温保压一定时间,充分冷却后开模取出产品。
6.根据权利要求5所述的方法,其特征在于,所述S2中,所述聚氨酯增塑剂为高粘度或半固态的聚氨酯增塑剂。
7.根据权利要求6所述的方法,其特征在于,所述聚氨酯增塑剂和所述环氧化合物增塑剂的质量比为4:1-1:1。
8.根据权利要求5所述的方法,其特征在于,所述S3中,所述挤出机采用分段控温加热,共7个加热区,温度范围从料筒至口模分别为:160-180℃、170-190℃、180-200℃、190-210℃、190-200℃、170-180℃、160-170℃。
9.根据权利要求5所述的方法,其特征在于,所述S3中注塑机的注射段采用酚酸控温加热,共4个加热区,温度范围从料筒至口模分别为170-180℃、180-190℃、190-200℃、180-200℃。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于北京理工大学珠海学院,未经北京理工大学珠海学院许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202011201023.0/1.html,转载请声明来源钻瓜专利网。
- 上一篇:一种生物法发酵有机肥制备方法
- 下一篇:基于深度学习的区域网络流量预测方法