【技术实现步骤摘要】
一种注塑机自适应学习快速控制方法
[0001]本专利技术涉及智能控制的
,更具体的,涉及一种注塑机自适应学习快速控制方法。
技术介绍
[0002]在离散制造领域,注塑机作为加工塑料的工作机床,在国民经济中占有非常重要的地位。注射成型塑料的产品质量与熔融塑料的注射流量密切相关。注射成型技术是将热塑性和热固性材料转化为塑料制品的加工技术。注塑机是加工塑料零件和其他塑料行业的专业工作机器,几乎70%的塑料零件都是由它生产的,已经成为航天、国防、电子电气、光电通信等高
的重要技术装备,为新能源、新材料、节能环保等高端制造业提供重要装备支撑。
[0003]注塑机的注射成型是一个相对较为复杂的过程,一般包含注射、保压、冷却等三大过程。传统的注塑机控制大多基于PID进行简单的调控,这也是目前最为成熟的注塑机注塑成型的控制方式,如2014
‑
05
‑
28公开的专利号为CN103817892A的一种注塑机温度同步控制系统,采用PID进行调制,根据人为经验可以有效基于当前工况进行系统输出整定,但是一旦完成整定,PID参数即固定,仍然相当于是离线调优,然后直接部署到在线运行操作中,一旦系统初始条件发生变化或工作条件发生临时变化,则需要根据新的条件对系统的内部控制参数重新进行修改和调整,十分依赖现场工人的经验和知识,需要通过不断地试错调参给出最优的工艺参数信息。此过程需要可靠的实际工程经验才能完成,耗时耗力,效率低下。并且,在注塑过程中,例如模腔温度、喷嘴原料注射速度等条件如果发生扰动
【技术保护点】
【技术特征摘要】
1.一种注塑机自适应学习快速控制方法,其特征在于,包括以下步骤:S1:构建注塑机射胶控制模型;S2:根据所述注塑机射胶控制模型构建MPC模型;S3:给定不同跟踪目标,利用所述MPC模型进行反复优化,得到训练数据集;S4:构建GRU神经网络并引入注意力机制,利用所述训练数据集对GRU神经网络进行训练,得到训练好的GRU神经网络;S5:通过训练好的GRU神经网络实现对注塑机的自适应学习快速控制。2.根据权利要求1所述的一种注塑机自适应学习快速控制方法,其特征在于,所述注塑机射胶控制模型为:其中,G(s)为注塑机射胶控制模型,s为复数域下的复变量,q1、p1、p2、p3、p4分别为不同的注塑机射胶控制模型参数。3.根据权利要求2所述的一种注塑机自适应学习快速控制方法,其特征在于,在步骤S2中,具体包括以下步骤:S2.1:对所述注塑机射胶控制模型进行离散化得到Z域模型;S2.2:根据所述Z域模型得到以下离散状态方程的可观标准型:x(k+1)=Ax(k)+Bu(k)+Dξ(k)
ꢀꢀ
(1)y(k)=Cx(k)+ξ(k)
ꢀꢀ
(2)其中,系数矩阵系数矩阵系数矩阵C=[1 0 0 0],系数矩阵x为离散状态方程的状态变量,k表示运行的时间步,ξ为外部干扰或扰动,u为注塑机注射过程中电控阀门的开度,y为注塑机射胶速度;S2.3:取ξ(k)=y(k)
‑
Cx(k),其系数矩阵为K,则由离散状态方程(1)、(2)得到以下MPC模型:x(k+1)=Ax(k)+Bu(k)+K(y(k)
‑
Cx(k))
ꢀꢀ
(3)y(k)=Cx(k)
ꢀꢀꢀꢀꢀ
(4)当系统稳定时,K=D。4.根据权利要求3所述的一种注塑机自适应学习快速控制方法,其特征在于,在步骤S2中,还包括以下步骤:选择增量Δu作为优化目标,Δu(k)=u(k)
‑
u(k
‑
1),令MPC模型的代价函数J为:其中,p为总时间步数,Q
j
、R
j
分别为y和Δu的权重矩阵,y
ref
为目标输出,t为当前运行的
时间步,j为预测的时间步,T为转置符号。5.根据权利要求4所述的一种注塑机自适应学习快速控制方法,其特征在于,通过以下步骤利用MPC模型进行优化求解:根据公式(3)、(4)得到以下离散状态方程,X=A
′
x(k)+B
′
I
′
ΔU+B
′
I
″
u(k
‑
1)+K
′
ξ(k)
ꢀꢀ
(6)Y=C
′
X
ꢀꢀꢀꢀ
(7)其中其中其中联立公式(5)、(6)、(7)得到以下二次规划标准型,s.t.aΔU≤b
ꢀꢀ
(9)其中,H=I
′
T
B
′
T
C
′
T
QC
′
B
′
I
′
+R,P=4[x(k)
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。