一种LED涂覆机喷头流速控制方法技术

本发明专利技术公开的一种LED涂覆机喷头流速控制方法，包括以下步骤：根据LED涂覆机的实际运行情况，选取相关量作为BP神经网络模型的输入，将喷涂流速作为BP神经网络的输出；记录并存储现场的历史数据，选取这些数据作为训练样本集，通过BP神经网络的方法得到预测的喷头流速；通过采用历史数据迭代的方式调整料筒气压控制模型预测出的喷头流速不断接近理想流速。本发明专利技术解决了LED涂覆机在喷涂过程中喷头流速不稳定而导致的均匀性差问题。

A flow rate control method of LED coating machine

【技术实现步骤摘要】
一种LED涂覆机喷头流速控制方法
本专利技术涉及喷头流速控制领域，特别涉及一种LED涂覆机喷头流速控制方法。
技术介绍
BP神经网络无需事先确定输入输出之间映射关系的数学方程，仅通过自身的训练，学习某种规则，在给定输入值时得到最接近期望输出值的结果。它的基本思想是梯度下降法，利用梯度搜索技术，使网络的实际输出值和期望输出值的误差均方差为最小。白光LED是一种新型半导体全固态照明光源。与传统照明技术相比，这种新型光源具有高效节能、长寿命、小体积、易维护、绿色环保、使用安全、耐候性好等领先优势，被公认为是未来照明光源之首选。荧光粉涂覆是目前国际上实现蓝光LED向白光LED转换的主流技术。目前传统的LED涂覆机没有对喷头的流速有严格控制，随着料筒物料的减少或者其他扰动因素的作用导致喷头的流速一直处于不稳定状态，从而影响最终涂覆的均匀度，良品率低。
技术实现思路
本专利技术的目的在于克服现有技术的缺点与不足，提供一种LED涂覆机喷头流速控制方法，该方法通过BP神经网络模型预测喷涂流速，采用历史数据迭代的方式控制料筒气压来稳定喷头流速，有效的保证了喷涂的均匀性，提高产品的良品率。本专利技术的目的通过以下的技术方案实现：一种LED涂覆机喷头流速控制方法，包括以下步骤：(1)根据LED涂覆机物料循环装置和系统的实际运行请况，选取料筒气压x1、喷头顶针开度x2、物料浓度x3、蠕动泵电机转速x4、料筒内物料高度x5作为BP神经网络模型的输入，将LED涂覆机喷头的流速作为BP神经网络的输出；(2)记录并存储现场的历史数据，选取这些数据作为训练样本集，确定BP神经网络的输入层节点个数、隐含层节点个数、权值和阈值参数；(3)通过BP神经网络的方法结合输入参数进行分析和计算，预测得到LED涂覆机喷头的实时流速；(4)根据模型预测出的实时流速与理想流速进行对比，通过调整料筒气压的大小来减小预测的实时流速与理想流速的差值。所述步骤(1)，具体为：根据LED涂覆机的实际运行请况，分析相关的输入输出量，筛选出能够对LED涂覆机喷头流速产生影响的变量，作为BP神经网络模型的输入，将LED涂覆机喷头流速作为BP神经网络的输出，最终选取料筒气压x1、喷头顶针开度x2、物料浓度x3、蠕动泵电机转速x4、料筒内物料高度x5作为输入，LED涂覆机喷头的流速y1作为输出。步骤(2)中，所述记录并存储现场的历史数据，选取这些数据作为训练样本集，具体为：记录并存储现场的历史数据，选取这些数据作为训练集样本，训练集样本共有5组，分别为料筒气压训练集、喷头顶针开度训练集、物料浓度训练集、蠕动泵电机转速训练集、料筒内物料高度训练集，每组样本数量确定为225。所述步骤(4)，具体为：定义ve为喷头的理想流速，vi为预测的实时流速，Δvi为预测的实时流速与理想流速的差值；采用历史数据迭代的方式让预测的实时流速不断接近理想流速；定义pi为料筒气压的大小，di为历史误差的迭代；i表示采样时刻，且i＝0,1,2,3…；不断执行以下三个函数：Δvi＝ve-vi(1)di＝βdi-1+(1-β)Δvi(2)pi＝pi-1+αdi(3)每次更新料筒气压大小pi，直到Δvi小于0.1mm/s停止采样,其中式(3)α为转化系数，取值根据现场实际情况；式(2)的β为历史数据迭代权值，且β∈(0,5)。本专利技术与现有技术相比，具有如下优点和有益效果：目前传统的LED涂覆机没有对喷头的流速有严格控制，随着料筒物料的减少或者其他扰动因素的作用导致喷头的流速一直处于不稳定状态，从而影响最终涂覆的均匀度，良品率低。本专利技术通过BP神经网络模型预测喷涂流速，采用历史数据迭代的方式控制料筒气压来稳定喷头流速，有效的保证了喷涂的均匀性，提高产品的良品率。附图说明图1为本专利技术所述一种LED涂覆机喷头流速控制方法的流程图。图2是本专利技术所述喷涂装置结构示意图。其中，附图标记的含义如下：1-料筒气压进气孔、2-料筒、3-喷头的顶针、4-喷头的出料口、5-蠕动电机。具体实施方式下面结合实施例及附图对本专利技术作进一步详细的描述，但本专利技术的实施方式不限于此。如图1，一种LED涂覆机喷头流速控制方法，包括以下步骤：步骤1，根据LED涂覆机的实际运行请况，分析相关的输入输出量，筛选出能够对LED涂覆机喷头流速产生影响的变量，作为BP神经网络模型的输入，将LED涂覆机喷头流速作为BP神经网络的输出，最终选取料筒气压x1、喷头顶针开度x2、物料浓度x3、蠕动泵电机转速x4、料筒内物料高度x5作为输入，LED涂覆机喷头的流速y1作为输出。如图2所示，料筒气压进气孔可以通过串口通信在软件上控制和实时监视气压；料筒可以通过传感器实时检测其高度变化；喷头的顶针可以通过带有刻度示数的旋钮调整顶针开度；喷头的出料口可以通过传感器检测喷头实时流速；蠕动电机的作用是通过蠕动带动物料的循环，可以通过串口通信在软件层面控制和实时监视转速。步骤2，确定训练样本集、输入层节点个数、隐含层节点个数、权值、阈值等BP神经网络参数，并通过BP神经网络的方法进行分析计算，最终得到预测出的喷头流速。步骤3，根据模型预测出的实时流速与理想流速进行对比，通过调整料筒气压的大小来减小预测的实时流速与理想流速的差值。最终稳定喷头的实际流速。所述步骤2中确定训练样本集、隐含层节点个数、权值等BP神经网络参数，并通过BP神经网络的方法进行分析计算，其具体步骤为：(a)记录并存储现场的历史数据，选取这些数据作为训练集样本，训练集样本共有5组，分别为料筒气压训练集、喷头顶针开度训练集、物料浓度训练集、蠕动泵电机转速训练集、料筒内物料高度训练集。5组样本数量都确定为225。测试集样本个数为60。限制最大的网络训练次数为10000。所述步骤3中，定义ve为喷头的理想流速，vi为预测的实时流速，Δvi为预测的实时流速与理想流速的差值。采用历史数据迭代的方式让预测的实时流速不断接近理想流速。pi为料筒气压的大小，di为历史误差的迭代。i表示采样时刻，且i＝0,1,2,3…。不断执行以下三个函数：Δvi＝ve-vi(1)di＝βdi-1+(1-β)Δvi(2)pi＝pi-1+αdi(3)每次更新料筒气压大小pi，直到Δvi小于0.1mm/s停止采样,其中式(3)α为转化系数，取值根据现场实际情况。式(2)的β为历史数据迭代权值，且β∈(0,5)。可以先选β值为0.2.上述实施例为本专利技术较佳的实施方式，但本专利技术的实施方式并不受上述实施例的限制，其他的任何未背离本专利技术的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本专利技术的保护范围之内。本文档来自技高网...

【技术保护点】
1.一种LED涂覆机喷头流速控制方法，其特征在于，包括以下步骤：/n(1)根据LED涂覆机物料循环装置和系统的实际运行请况，选取料筒气压x1、喷头顶针开度x2、物料浓度x3、蠕动泵电机转速x4、料筒内物料高度x5作为BP神经网络模型的输入，将LED涂覆机喷头的流速作为BP神经网络的输出；/n(2)记录并存储现场的历史数据，选取这些数据作为训练样本集，确定BP神经网络的输入层节点个数、隐含层节点个数、权值和阈值参数；/n(3)通过BP神经网络的方法结合输入参数进行分析和计算，预测得到LED涂覆机喷头的实时流速；/n(4)根据模型预测出的实时流速与理想流速进行对比，通过调整料筒气压的大小来减小预测的实时流速与理想流速的差值。/n

【技术特征摘要】
1.一种LED涂覆机喷头流速控制方法，其特征在于，包括以下步骤：
(1)根据LED涂覆机物料循环装置和系统的实际运行请况，选取料筒气压x1、喷头顶针开度x2、物料浓度x3、蠕动泵电机转速x4、料筒内物料高度x5作为BP神经网络模型的输入，将LED涂覆机喷头的流速作为BP神经网络的输出；
(2)记录并存储现场的历史数据，选取这些数据作为训练样本集，确定BP神经网络的输入层节点个数、隐含层节点个数、权值和阈值参数；
(3)通过BP神经网络的方法结合输入参数进行分析和计算，预测得到LED涂覆机喷头的实时流速；
(4)根据模型预测出的实时流速与理想流速进行对比，通过调整料筒气压的大小来减小预测的实时流速与理想流速的差值。


2.根据权利要求1所述LED涂覆机喷头流速控制方法，其特征在于，所述步骤(1)，具体为：根据LED涂覆机的实际运行请况，分析相关的输入输出量，筛选出能够对LED涂覆机喷头流速产生影响的变量，作为BP神经网络模型的输入，将LED涂覆机喷头流速作为BP神经网络的输出，最终选取料筒气压x1、喷头顶针开度x2、物料浓度x3、蠕动泵电机转速x4、料筒内物料高度x5作为输入，LED涂覆机喷头的流速y...

【专利技术属性】
技术研发人员：胡跃明，曹连洋，王欢，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东;44