CN105759715A - 智能自整定注塑机控制方法 - Google Patents

Abstract

本发明公开了一种智能自整定注塑机控制方法，采用闭环PID控制算法对注塑机的机械传动部分进行控制，所述闭环PID控制算法具体包括，定义算法最大迭代数，路径起始点放在开始的解集中，通过概率转移公式让每一只蚂蚁进行目标地点的选择并到达该目标地点，计算全局最佳路径，计算局部最佳路径，并结合混沌变异算法进行混沌变异，得到目标函数值，并比较计算结果，从而得到的最佳路径；进行迭代算法，选出最优参数，从而输出最优解。实现增加系统的控制能力，并减小了控制系统的超调量和调整时间的优点。

Description

智能自整定注塑机控制方法

技术领域

本发明涉及注塑机控制领域，具体地，涉及一种智能自整定注塑机控制方法。

背景技术

目前，注塑机液压系统的控制是研发注塑机控制系统的关键，其对控制系统的速度响应、压力响应，对量筒的温度响应都直接影响着注塑机的性能和注塑制品的质量。如图1所示，注塑机伺服控制主要分为伺服电机-定量泵部分与伺服比例阀部分，而对注塑枪部分的控制主要是针对料筒温度的控制，本技术方案重点研究注塑机的机械传动部分即伺服控制系统。

注塑机机械系统现在一般的都是利用简单易行控制效果良好的PID反馈控制，但是单纯的反馈控制对注塑机机械系统的控制效果并不十分理想，例如控制不够快、超调量过大、控制效果不精确等。所以出现了很多对算法的改进方法，例如自适应控制方法、模糊控制算法、自整定控制方法等，虽然从一定程度上改善了温控系统的各项指标，但是都多少有其固定缺限。例如自适应控制必须建立一个较为完善的数学模型对系统的输入输出进行精确控制，模糊控制需要大量的数据支持，这大大降低了系统的灵敏性，自整定方法通常需要根据不同原理不同工艺的压铸机根据实际经验进行控制。

发明内容

本发明的目的在于，针对上述问题，提出一种智能自整定注塑机控制方法，以实现增加系统的控制能力，并减小了控制系统的超调量和调整时间的优点。

为实现上述目的，本发明采用的技术方案是：

一种智能自整定注塑机控制方法，采用闭环PID控制算法对注塑机的机械传动部分进行控制，所述闭环PID控制算法具体包括以下步骤：

步骤1、定义算法最大迭代数，初始化混沌变量，将各路径的信息素清零，把m个蚂蚁分别放在那个不同的地点上；

步骤2、将路径起始点放在开始的解集中，即创造每个蚂蚁的禁忌表，将起始地点填充进去，利用以下公式将整个解空间进行混沌变异，

x(i+1)＝μx(i)(1-x(i))，(1)

X_i＝x_lower+x(i)(x_upper-x_lower)，(2)

其中x(i)是0到1之间的随机数，μ是混沌控制参数，i取1到n，x(i+1)为算法下一次迭代时产生的随机数，x_lower与x_upper为混沌变量X_i临近的两个随机数；

步骤3、通过概率转移公式让每一只蚂蚁进行目标地点的选择并到达该目标地点，

所述概率转移公式为：

$p_{ij}^k=\left\{\begin{array}{cc}\frac{{\[{\mathrm{\τ}}_{ij}\]}^{\mathrm{\α}}{\[{\mathrm{\η}}_{ij}\]}^{\mathrm{\β}}}{{\mathrm{\Σ}}_{s\∈J_k}{\[{\mathrm{\τ}}_{is}\]}^{\mathrm{\α}}{\[{\mathrm{\η}}_{is}\]}^{\mathrm{\β}}}& \left(j\∈J_k\right)\\ 0& \left(j\∉J_k\right)\end{array}\right.,---\left(3\right)$

其中，J_k＝{N-Tabuk},，Tabuk为禁忌表，N表示m个蚂蚁分别放置的地点，τ_ij表示编号为i的蚂蚁在编号为j的地点所留下的信息素浓度，η_is＝1/d_ij定义为启发因子，与距离成反比，是反应从地点i到地点j的期望程度，d_i,j为地点i与地点j之间的距离，为编号为i的蚂蚁选择编号为j的地点的概率，α为积累信息对蚂蚁选择路径的影响程度，β为启发信息对蚂蚁选择路径的影响程度；

步骤4、利用式(4)计算全局最佳路径，

τ(i,j)＝(1-λ)τ(i,j)+λΔτ(i,j)(4)，

其中λ为信息素挥发的衰退因子，Δτ(i,j)代表蚁群寻找路径最优值的倒数，τ(i,j)为从地点i到地点j的信息素积累；

步骤5、利用式(5)计算局部最佳路径，并结合混沌变异算法式(6)～(8)进行混沌变异；

τ(i,j)＝(1-ρ)·τ(i,j)+ρΔ(i,j)(5)，

其中ρ为挥发因子，在0到1之间的随机数中取值，Δ(i,j)为路径i到j的信息素增量；

τ(i,j)＝(1-ρ)·τ_ij+ρτ₀+qz_ij(6)，

其中q为混沌映射因子系数，根据实际情况灵活设置，z_ij为混沌扰动因子，τ_ij与τ(i,j)是等价的，τ_ij是τ(i,j)的另一种书写方式，τ₀为每条路径上初始的信息素含量；

混沌序列产生公式为：

${\mathrm{chz}}_i=\frac{z_{imax}-z_i}{z_{imax}-z_{imin}}---\left(7\right),$

其中z_i为固定地点的混沌扰动因子，z_ij表示路径i到j的扰动因子，Z_imax和Z_imin代表最大与最小扰动因子；

混沌扰动因子由式(8)更新产生，

z_i＝z_imax-chz_i×(z_imax-z_imin)(8),

步骤6、计算公式(8)得到的目标函数值，比较公式(4)和公式(5)的计算结果，从而得到的最佳路径；

步骤7、进行迭代算法，选出最优参数更新公式(1)至公式(8)；

步骤8、输出最优解。

优选的，步骤1中定义算法最大迭代数中最大迭代数为500。

本发明的技术方案具有以下有益效果：

本发明的技术方案，对注塑机控制系统的速度闭环控制与压力闭环控制进行优化改进，混沌机制消除系统的多样性与外部环境的干扰因素，消除了系统的不确定性，蚁群算法优化PID控制参数，使系统的控制效果更加优良，大大减小了系统的超调量和调整时间。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1为本发明实施例所述的注塑机伺服闭环控制系统示意图；

图2为本发明实施例所述的混沌蚁群PID控制系统结构示意图；

图3为本发明实施例所述的注塑机速度仿真平台示意图；

图4为本发明实施例所述的仿真结果对比示意图；

图5为本发明实施例所述的混沌蚁群PID控制系统仿真实验平台示意图；

图6为本发明实施例所述的15秒扰动的仿真对比效果示意图。

其中，1-注塑机注塑枪部分；2-注射控制阀；3-压力传感器；4-油箱；5-液压油泵；6-注塑机控制器；7-伺服电机。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

1注塑机机械控制系统：

1.1速度控制模型:

注塑对注塑螺杆速度的控制要求必须快速精确，其注塑过程中不仅要求控制精度与速度，还要保证其平稳性。在控制过程中很容易收到外界因素与融料融化等不确定因素的干扰。所以采取混沌机制尽量排除外界干扰因素，采取群体智能算法优化PID控制精度与速度，达到最优的控制效果，具体是对电液比例阀的控制系数进行控制。

1.2压力控制模型:

压力控制对注塑机的性能影像也很重要，因为一旦出现压力控制不均衡的情况，会使得融料在进入注塑枪之后产生回流严重影像注塑制品的生成质量，因此保压控制同样重要，与速度控制相似，本技术方案采取混沌机制优化系统参数。

2混沌蚁群优化算法的实现:

2.1基本蚁群算法及其关键要素：

自从意大利科学家M.Dorigo等人提出生物智能算法蚁群算法之后，在随后的十几年的时间里蚁群算法已经广泛的应用于包括工程学、物理学、生物学在内的多项领域，其基本的数学表达原型为：

(1)利用全局的信息素更新前一个最好的路径，完善全局更新规则：

τ(i,j)＝(1-λ)τ(i,j)+λΔτ(i,j)(1)

其中λ为表示信息素挥发的衰退因子，Δτ(i,j)代表蚁群寻找路径最优值的倒数，τ(i,j)为从地点i到地点j的信息素积累；

(2)状态转移公式：

z_id(t)＝z_id(t-1)exp((1-exp(-ay_i(t)))

(3-ψ_dz_id(t-1)))+exp(-2ay_i(t)+b)

(p_id(t-1)-z_id(t-1))(2)

其中t与t-1分别代表的是蚂蚁寻优的当前时刻与前一时刻，z_id(t)表示在第d维空间里编号为i的当前状态，y_i(t)表示的是组织变量的实时状态，p_id(t-1)表示在t-1时刻编号为i的蚂蚁的局部最优值，a为正整数可以灵活设置，b为常数且位于[0，0.5]之间，ψ_d是第d维空间的搜索范围。

(3)结合局部信息素实现更新蚁群所要的最佳路径：

τ(i,j)＝(1-ρ)·τ(i,j)+ρΔ(i,j)(3)

其中ρ为挥发因子，在0到1之间的随机数中取值，Δ(i,j)为路径i到j的信息素增量。蚁群算法在实际应用中实际上是先将目标问题变换为搜索图形最佳路径的问题，具体搜索步骤如下：

(1)初始化包括迭代次数、城市数、蚁群种群数、信息素在内的各项算法参数；

(2)将一定数量的蚂蚁分布在预先设定好的搜索区域中，每只蚂蚁分泌信息素且按照转移概率进行搜索；

(3)计算目标函数，寻找全局最优和局部最优解；

(4)根据目标函数选取信息素的更新，继续进行迭代，根据迭代次数或者目标函数值确定算法的搜索终点，得到最优解为止。

具体可做以下解释：蚁群从巢穴到食物源要经过n个地点，假设就有n个地点，d_i,j为地点i与地点j之间的距离，搜索的最终目的是用最短的路径实现每一个地点的搜索。它有2个关键要素：信息素挥发(信息素的更新)和转移概率。信息素的更新分为全局信息素挥发规则(如式(1)所示)和局部信息素挥发规则(如式(2)所示)，转移概率规则可以描述为编号为i的蚂蚁选择编号为j的地点的概率为：

$p_{ij}^k=\left\{\begin{array}{cc}\frac{{\[{\mathrm{\τ}}_{ij}\]}^{\mathrm{\α}}{\[{\mathrm{\η}}_{ij}\]}^{\mathrm{\β}}}{{\mathrm{\Σ}}_{s\∈J_k}{\[{\mathrm{\τ}}_{is}\]}^{\mathrm{\α}}{\[{\mathrm{\η}}_{is}\]}^{\mathrm{\β}}}& (j\∈J_k)\\ 0& (j\∉J_k)\end{array}\right.---\left(4\right)$

其中J_k＝{N-Tabuk},系统规定每只蚂蚁只能够对每一个地点经过一次，而且需要访问所有的地点，从而建立系统的禁忌表格Tabuk，它描述了所有蚂蚁已经经过的地点，显然{N-Tabuk}描述了还没有经过的地点。

τ_ij表示编号为i的蚂蚁在编号为j的地点所留下的信息素浓度，ηi_s＝1/d_ij定义为启发因子，与距离成反比，主要是反应从地点i到地点j的期望程度，d_i,j为地点i与地点j之间的距离，为编号为i的蚂蚁选择编号为j的地点的概率，α为积累信息对蚂蚁选择路径的影响程度，β为启发信息对蚂蚁选择路径的影响程度。

2.2蚁群算法存在的缺陷：

虽然蚁群算法本身带有自学习功能，而且是分布式算法又容易与其他的智能算法相结合，但是当需要优化的目标规模庞大时，蚁群算法就会显现出它的缺点。要么过早地停滞优化策略，要么虽然找到了最优的路径但是花费的时间太多，这种缺陷不适用由于注塑机的强耦合、多外部环境因素输入系统。由于混沌系统的遍历性，考虑选用混沌映像优化蚁群算法，从而增强算法的全局搜索能力，克服其过早陷入停滞、用时过长的缺陷。

2.2蚁群算法的混沌优化改进：

针对算法会过早停滞的问题，本技术方案的改进方式是将目标优化变量混沌化，具体做法为定义混沌变量的遍历范围为优化目标变量的取值范围，用混沌变异后的变量取代原先的目标变量。在局部信息素更新公式中加入扰动因子：

τ(i,j)＝(1-ρ)·τ_ij+ρτ₀+qz_ij(5)

其中q为混沌映射因子系数，可以根据实际情况灵活设置，z_ij为混沌扰动因子，τ_ij与τ(i,j)是等价的，τ_ij是τ(i,j)的另一种书写方式，τ₀为每条路径上初始的信息素含量。混沌扰动因子引入的步骤为：首先选取帐篷映射作为混沌信号的发生器，将混沌因素加入到式(5)中，而后将序列放大到τ_ij数量级，混沌序列产生公式为：

${\mathrm{chz}}_i=\frac{z_{imax}-z_i}{z_{imax}-z_{imin}}---\left(6\right)$

其中z_i为决策变量，也就是本技术方案中的混沌扰动因子，它由下式更新产生：

z_i＝z_imax-chz_i×(z_imax-z_imin)(7)

针对优化目标规模过于庞大耗时太长的问题，本技术方案提出利用混沌序列将整个搜索空间离散化混沌离散化。其具体方法为：首先将连续空间分割为n个面积相等的小空间，那么在在这n个小空间内都有可能出现此时刻的最优值，这样均分仍然会耗费很长时间，所以需要利用混沌思想将其进行混沌划分。由Logistic映射公式：

x(i+1)＝μx(i)(1-x(i))(8)

产生对应的混沌序列，其中x(i)是0到1之间的随机数，μ是混沌控制参数，i取1到n。那么每个小的搜索空间对应的混沌序列取值为：

X_i＝x_lower+x(i)(x_upper-x_lower)(9)

混沌算法的遍历性使得所有得到的小空间包含更多的可能解，结合蚁群算法的群体智能优点可以大大缩短搜索最优解的时间。

3智能注塑机闭环PID控制算法的实现：

3.1智能PID模型的建立：

混沌蚁群PID控制器的大体系统结构图如图2所示。

控制器输出为：

$u\left(t\right)=K_{P}e\left(t\right)+K_I{\∫}_o^{t}e\left(t\right)dt+K_D\frac{de\left(t\right)}{dt}---\left(10\right)$

3个参数为比例积分微分参数，e(t)为输出值与输入值的偏差，本技术方案选取对控制误差进行累加(即误差积分)的方式作为目标函数，将时间变量加入其中作为参考，即：

$J={\∫}_0^{\mathrm{\∞}}t\left|e\left(t\right)\right|dt---\left(11\right)$

3.2实现改进的混沌蚁群算法步骤：

Step.1规定好算法最大迭代数，本技术方案定为500次迭代，初始化混沌变量，将各路径的信息素清零，把m个蚂蚁分别放在那个不同的地点上；

Step.2将路径起始点放在开始的解集中，也就是创造每个蚂蚁的禁忌表，将起始地点填充进去，利用式(8)、(9)将整个解空间进行混沌变异；

Step.3通过概率转移公式(4)让每一只蚂蚁进行目标地点的选择并到达该目标地点；

Step.4利用式(1)计算全局最佳路径；

Step.5利用式(3)计算局部最佳路径，并结合混沌变异算法式(5)～(7)进行混沌变异；

Step.6计算公式(7)得到的目标函数值，比较公式(1)和公式(3)的计算结果，从而得到的最佳路径；

Step.7迭代算法，选出最优参数更新各个公式；

Step.8输出最优解。

4仿真及实验论证：

本技术方案利用MATLAB仿真平台对所提出的智能自整定闭环控制算法进行实验验证，具体参数设定是以MH-200T伺服型注塑机为依据，其一级注塑参数设定如表1所示，这里对速度和压力的仿真都是利用阶跃输入，因为阶跃输入是最能说明控制系统控制效果的输入量。

表1、注塑控制参数设定表。

如图3所示为注塑机闭环控制系统的速度环仿真平台，输出为伺服比例阀的控制系数，输入为系统油路的速度设定，即以多大的速度进行注塑，混沌蚁群控制器实现反馈量由比例阀到速度偏差之间的转换。依据经验值取Kp＝1.8、Ki＝0.07、Kd＝0.02，通过与常规PID方法作比较，仿真时间为5s，系统设定输入为1，得到仿真对比效果图如图4所示。

通过仿真明显可以看到本技术方案提出的混沌一群算法对系统反馈控制效果明显较普通的算法要强得多。

由于压力是可以突变的，所以对注塑机压力环进行仿真的时候需要采取如图5所示的离散型系统进行仿真。系统输入设定为1，假设在第15s的时候有一个幅值为0.2的突变型外部扰动，对比本技术方案的优化算法与常规PID如图6所示。通过图6的对比可以发现本技术方案提出的混沌蚁群算法对系统PID算法有着明显的改善。

在实际的生产中，对于企业来说仅仅依靠对控制算法的仿真是无法形成直接效益的，因为不仅要取得良好的控制效果，还要应用于实际，通过制品来检验算法。所以仍以MH-200T伺服型注塑机进行对螺杆注塑前后的位置、目标重量为30g的制品重复精度进行实际验证。

表2为螺杆注塑前后的位置偏差，其起始位置为81mm，注塑位置为32mm，采用这样的形式进行验证是因为在温度一定的前提下，熔料的体积是一定的，在没有气体产生的情况下螺杆的注塑位置直接决定了注塑机的给料量，如果给料量每次注塑都是严格相同的，那么制品的质量、一致性自然要好；如果给料量不同则生产出来的制品不会有很好的质量。从实验的数据可以得到，螺杆的注塑位置最大值为32.2mm，复位位置最大值为81.2mm，误差都在千分之六以内，足以满足一般的注塑工艺要求，说明本技术方案提出的混沌蚁群算法不仅能够取得良好的反馈控制效果，而且能够有效调节螺杆的位置精度，严格保证熔料的给料量。

表2、注射前后螺杆位置表。

同样的，表3为对同一件模具下的塑料制品多次注塑，使用精密仪器测得制品重量(重量只是一方面尺寸也是必须要保证的指标，由于制品的多种多样，仅以重量为衡量标准)。可以得到重量最小值为29.955g，与30g定量值相差在千分之二以内，再次验证了本技术方案提出的混沌蚁群智能闭环控制器的优良性能。表3中单位为g。

多次注塑30g制品重复精度表。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种智能自整定注塑机控制方法，采用闭环PID控制算法对注塑机的机械传动部分进行控制，其特征在于，所述闭环PID控制算法具体包括以下步骤：

步骤1、定义算法最大迭代数，初始化混沌变量，将各路径的信息素清零，把m个蚂蚁分别放在那个不同的地点上；

步骤2、将路径起始点放在开始的解集中，即创造每个蚂蚁的禁忌表，将起始地点填充进去，利用以下公式将整个解空间进行混沌变异，

x(i+1)＝μx(i)(1-x(i))，(1)

X_i＝x_lower+x(i)(x_upper-x_lower)，(2)

其中x(i)是0到1之间的随机数，μ是混沌控制参数，i取1到n，x(i+1)为算法下一次迭代时产生的随机数，x_lower与x_upper为混沌变量X_i临近的两个随机数；

步骤3、通过概率转移公式让每一只蚂蚁进行目标地点的选择并到达该目标地点，

所述概率转移公式为：

$p_{ij}^k=\left\{\begin{array}{cc}\frac{{\[{\mathrm{\τ}}_{ij}\]}^{\mathrm{\α}}{\[{\mathrm{\η}}_{ij}\]}^{\mathrm{\β}}}{{\Σ}_{s\∈J_k}{\[{\mathrm{\τ}}_{is}\]}^{\mathrm{\α}}{\[{\mathrm{\η}}_{is}\]}^{\mathrm{\β}}}& (j\∈J_k)\\ 0& (j\∉J_k)\end{array}\right.,---\left(3\right)$

其中，J_k＝{N-Tabuk},，Tabuk为禁忌表，N表示m个蚂蚁分别放置的地点，τ_ij表示编号为i的蚂蚁在编号为j的地点所留下的信息素浓度，η_is＝1/d_ij定义为启发因子，与距离成反比，是反应从地点i到地点j的期望程度，d_i,j为地点i与地点j之间的距离，为编号为i的蚂蚁选择编号为j的地点的概率，α为积累信息对蚂蚁选择路径的影响程度，β为启发信息对蚂蚁选择路径的影响程度；

步骤4、利用式(4)计算全局最佳路径，

τ(i,j)＝(1-λ)τ(i,j)+λΔτ(i,j)(4)，

其中λ为信息素挥发的衰退因子，Δτ(i,j)代表蚁群寻找路径最优值的倒数，τ(i,j)为从地点i到地点j的信息素积累；

步骤5、利用式(5)计算局部最佳路径，并结合混沌变异算法式(6)～(8)进行混沌变异；

τ(i,j)＝(1-ρ)·τ(i,j)+ρΔ(i,j)(5)，

其中ρ为挥发因子，在0到1之间的随机数中取值，Δ(i,j)为路径i到j的信息素增量；

τ(i,j)＝(1-ρ)·τ_ij+ρτ₀+qz_ij(6)，

其中q为混沌映射因子系数，根据实际情况灵活设置，z_ij为混沌扰动因子，τ_ij与τ(i,j)是等价的，τ_ij是τ(i,j)的另一种书写方式，τ₀为每条路径上初始的信息素含量；

混沌序列产生公式为：

${\mathrm{chz}}_i=\frac{z_{imax}-z_i}{z_{imax}-z_{imin}}---\left(7\right),$

其中z_i为固定地点的混沌扰动因子，z_ij表示路径i到j的扰动因子，Z_imax和Z_imin代表最大与最小扰动因子；

混沌扰动因子由式(8)更新产生，

z_i＝z_imax-chz_i×(z_imax-z_imin)(8),

步骤6、计算公式(8)得到的目标函数值，比较公式(4)和公式(5)的计算结果，从而得到的最佳路径；

步骤7、进行迭代算法，选出最优参数更新公式(1)至公式(8)；

步骤8、输出最优解。

2.根据权利要求1所述的智能自整定注塑机控制方法，其特征在于，步骤1中定义算法最大迭代数中最大迭代数为500。