一种注塑机自适应学习快速控制方法技术

本发明专利技术提供一种注塑机自适应学习快速控制方法，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快速控制。本发明专利技术提供一种注塑机自适应学习快速控制方法，能够跟踪目标输出的改变并实现相应的控制，解决了目前注塑机基于PID的调控方法无法达到自适应控制调参导致效率低下的问题。的问题。的问题。

【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变化，基于传统PID的调控方法无法达到自适应控制调参，需要重新进行修正调参，整体过程耗时耗力，效率低下，限制了注塑机面向智能化控制，无人化管理的方向发展。

技术实现思路

[0004]本专利技术为克服目前注塑机基于PID的调控方法无法达到自适应控制调参导致效率低下的技术缺陷，提供一种注塑机自适应学习快速控制方法。
[0005]为解决上述技术问题，本专利技术的技术方案如下：
[0006]一种注塑机自适应学习快速控制方法，包括以下步骤：
[0007]S1：构建注塑机射胶控制模型；
[0008]S2：根据所述注塑机射胶控制模型构建MPC(模型预测控制)模型；
[0009]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；
[0010]S4：构建GRU(Gated Recurrent Unit，门控循环单元)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；
[0011]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。
[0012]上述方案中，通过构建MPC模型并利用MPC模型进行反复优化得到训练数据集，然后利用训练数据集对GRU神经网络进行训练，训练好的GRU神经网络能够替代原有的MPC模
型作为注塑机的喷嘴射胶控制器，具有能够跟踪目标输出的改变并实现相应控制的作用，避免了因MPC模型中模型预测、滚动优化等计算过程所带来的计算耗时长等问题，实现了在较低算力条件下的实时的、精确的、基于预测控制的注塑机过程控制。
[0013]优选的，所述注塑机射胶控制模型为：
[0014][0015]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。
[0016]优选的，在步骤S2中，具体包括以下步骤：
[0017]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；
[0018]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：
[0019]x(k+1)＝Ax(k)+Bu(k)+Dξ(k) (1)
[0020]y(k)＝Cx(k)+ξ(k) (2)
[0021]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，l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；
[0022]2.3：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：
[0023]x(k+1)＝Ax(k)+Bu(k)+K(y(k)
‑
Cx(k))
ꢀꢀꢀꢀ
(3)
[0024]y(k)＝Cx(k)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0025]当系统稳定时，K＝D。
[0026]优选的，在步骤S2中，还包括以下步骤：
[0027]选择增量
△
u作为优化目标，
△
u(k)＝u(k)
‑
u(k
‑
1)，令MPC模型的代价函数J为：
[0028][0029]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。
[0030]优选的，通过以下步骤利用MPC模型进行优化求解：
[0031]根据公式(3)、(4)得到以下离散状态方程，
[0032]X＝A
′
x(k)+B
′
I
′△
U+B
′
I
″
u(k
‑
1)+K
′
ξ(k)
ꢀꢀꢀꢀ
(6)
[0033]Y＝C
′
X
ꢀꢀꢀꢀ
(7)
[0034]其中
[0035][0036][0037]联立公式(5)、(6)、(7)得到以下二次规划标准型，
[0038][0039]s.t.a
△
U≤b (9)
[0040]其中，
[0041]H＝I
′
T
B
′
T
C
′
T
QC
′
B
′
I
′
+R，
[0042]P＝4[x(k)
T
A
′
T
C
′
T
QC
′
B
′
I
′
+u(k
‑
1)
T
I
″
T
B
′
T
C
′
T
QC
′
B
′
I
′
+ξ(k)
T
K
′
T
C
′
T
QC
′
B
′
I...

【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)

【专利技术属性】
技术研发人员：吴宗泽，黎耀东，任志刚，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：