CN110202768A - 一种注塑机料筒温度控制方法 - Google Patents

Abstract

本发明涉及一种注塑机料筒温度控制方法，该方法应用在智能控制注塑机运作场景下的用卷积神经网络代替注塑机料筒温度PID控制器的方法；注塑机操作过程中主要的被控变量包括温度、速度、压力等参数，市场上现有的大多数注塑机均通过传统的PID控制器控制注塑过程；本方法通过把注塑机料筒温度PID控制器运行控制过程中的输入输出信号经过高频采样后得到的时间序列变换成矩阵的形式，转换后的输入输出矩阵表示成灰度图的形式，矩阵的元素对应着灰度图像的元素；然后把这些灰度图像上传到集中式服务器中的CNN进行有监督训练，训练好的CNN相比注塑机料筒温度PID控制器具有更好的控制效果。

Description

一种注塑机料筒温度控制方法

技术领域

本发明涉及温度控制方法领域，更具体地，涉及一种注塑机料筒温度控制方法。

背景技术

注塑制品质量主要由注塑机、模具、高分子材料、过程变量以及各变量之间的相互影响决定，其中温度是影响注塑制品的关键工艺参数之一。

温度对注塑品的最终质量影响非常大，主要通过影响材料的流动性和热力学性能对塑品质量产生影响。温度控制主要包括对料筒温度、模具温度和溶体温度进行控制，注射速度、保压压力等关键过程变量都和温度的控制有密切关系。

注塑机料筒温度的控制一般采用传统的温度开关控制式温控仪作为控制器或者采用PID控制方式。PID的参数整定是注塑机控制系统设计的核心内容。它根据注塑过程的特性确定压力、速度、温度PID控制的比例系数、积分时间和微分时间的大小。

PID控制器(比例-积分-微分控制器)，由比例单元(P)、积分单元(I)和微分单元(D)组成。透过Kp，Ki和Kd三个参数的设定。PID控制器主要适用于线性且动态特性不随时间变化的系统。PID控制器是一个在工业控制应用中常见的反馈回路部件。作用是把收集到的数据和一个参考值进行比较，然后把这个误差用于计算新的输入值，这个新的输入值的目的是可以让系统的数据达到或者保持在参考值。和其他简单的控制运算不同，PID控制器可以根据历史数据和误差的出现率来调整输入值，从而使系统更加准确，更加稳定。

PID控制器的参数整定是控制系统设计的核心内容。其原理是根据被控过程的特性确定PID控制器的比例系数、积分时间和微分时间的大小。PID控制器参数整定的方法很多，概括起来有两大类：一是理论计算整定法。它主要是依据系统的数学模型，经过理论计算确定控制器参数。这种方法所得到的计算数据未必可以直接用，还必须通过工程实际进行调整和修改。二是工程整定方法，它主要依赖工程经验，直接在控制系统的试验中进行，且方法简单、易于掌握，在工程实际中被广泛采用。PID控制器参数的工程整定方法，主要有临界比例法、反应曲线法和衰减法。三种方法各有特点，其共同点都是通过试验，然后按照工程经验公式对控制器参数进行整定。但无论采用哪一种方法所得到的控制器参数，都需要在实际运行中进行最后调整与完善，严重依赖于操作员的水平，不利于大范围推广。

实际工业中有60％的控制器存在性能方面的问题。而在工业过程中，导致控制回路性能不佳的原因可以归结为以下一种或者多种情形：

1)控制器整定不佳且缺少维护。产生这种情况的原因包括：控制器从未被整定或者是基于失配模型的整定，也可能是使用了不当类型的控制器。工业过程自动控制系统中，90％以上的控制器是PID类型的控制器，即使某些情况下使用其它控制器也许能得到更好的性能。实际上，最常见的导致控制回路性能不佳的原因是控制器缺少维护。经过多年的运行，执行器和被控对象的动态特性可能由于磨损等原因而发生变化。而只有少数工程师维护控制回路，且操作工与工程师常常对于控制回路性能不佳的原因缺乏认识。

2)设备故障或结构设计不合理。控制回路性能不佳可能是由于传感器或执行器的故障(如过度的摩擦)引起的。如果工业装置或者装置的组件设计不合理，则问题可能更严重。这些问题无法通过重新整定控制器而得到有效的解决。

3)缺少或前馈补偿不足。若处理不得当，外部扰动会使回路的性能恶化。因此，当扰动可测时，建议使用前馈控制(Feedforward Control，FFC)对扰动进行补偿。

4)控制结构设计不合理。不合适的输入/输出配对，忽略系统变量间的相互耦合，竞赛控制器(Competing Controllers)，自由度不足，强非线性的存在，缺乏对大时延的补偿等都可能导致控制结构问题。

神经网络能够任意逼近欧式空间的非线性函数；能够同时处理定量和定性知识，能以模式信息表示系统的知识，并以事例为基础进行学习推理；学习和适应具有不确定性的系统，通过逐步调整权值，自动精炼信息，学习新知识；采用并行计算推理、分布式存储和处理信息，具有很强的容错能力；具有自联想功能，神经元间的相互作用可以体现整体效应，易于实现联想功能；人工神经网络可以通过学习正确答案的实例集自动提取合理的求解规则。

而卷积神经网络是仿造生物的视知觉(visual perception)机制构建，可以进行监督学习和非监督学习，其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化(grid-like topology)特征，例如像素和音频进行学习、有稳定的效果且对数据没有额外的特征工程(feature engineering)要求。卷积网络也叫做卷积神经网络(Convolutional Neural Networks,CNN))，是一种专门用来处理类似具有网格结构的数据的神经网络，例如时间序列数据(可以认为在时间轴上有规律的一维网格数据)、图像数据(可以认为二维的像素网格数据)。

现有的技术缺点：(1)注塑机料筒温度当采用传统的开关控制式温控仪作为控制器，这种控制方式导致温度波动范围大，稳态精度低，超调量大，难以获得稳定的料筒加热温度，塑料制品的质量很不稳定。(2)而当采用比例微分积分(PID)控制，这种控制方式需要建立精确的数学模型，而注塑机温控系统是一个大滞后、强耦合、非线性的时变系统，建立其精确的数学模型非常困难，所以传统PID温控系统的效果也不理想。(3)人为整定PID参数困难，现场调试时间长，对模型的修正既增加了人力资源成本又降低了生产效率。同时PID控制器参数不易获得，控制精度难以提高。(4)采用传统的开关控制式温控仪作为注塑机料筒温度控制器或者采用PID的控制方式，均需要硬件的支持，后期维护成本比较高。

发明内容

本发明为克服上述现有技术所述的注塑机料筒温度控制效果不理想的缺陷，提供一种注塑机料筒温度控制方法。

所述的方法包括以下步骤：

S1：根据PID控制原理确定注塑机料筒温度PID控制器的输入和输出之间的关系；

S2：对注塑机料筒温度PID控制器的输入和输出之间的关系进行离散化处理；

S3：对PID控制器偏差序列信号{e(0),e(1),e(2),...,e(T)}和PID控制器输出序列信号{u(0),u(1),u(2),...,u(T)}进行连续采样，获得一维离散序列信号{e(0),e(1),e(2),...,e(k)}、{u(0),u(1),u(2),...,u(k)}；

S4：将一维离散序列信号{e(0),e(1),e(2),...,e(k)}、{u(0),u(1),u(2),...,u(k)}分别转换成灰度图e map和灰度图u map，用来表示图像的形式；

S5：搭建卷积神经网络(CNN)模型；

S6：将灰度图e map和灰度图u map作为卷积神经网络模型的数据集对卷积神经网络模型进行训练与测试评估；

S7：通过CNN参数整定模块，把训练好的CNN模型的参数进行封装，然后经过无线路由器和网关集中传输到每一台对应型号的注塑机上；同时在注塑机料筒上安装控制信号接收模块，实现远程控制服务器监控和管理注塑机料筒温度的变化。

本发明所述方法应用在智能控制注塑机运作场景下的用卷积神经网络(CNN)代替注塑机料筒温度PID控制器的方法；注塑机操作过程中主要的被控变量包括温度、速度、压力等参数，市场上现有的大多数注塑机均通过传统的PID控制器控制注塑过程。本方法通过把注塑机料筒温度PID控制器运行控制过程中的输入输出信号经过高频采样后得到的时间序列变换成矩阵的形式，转换后的输入输出矩阵表示成灰度图的形式，矩阵的元素对应着灰度图像的元素；然后把这些灰度图像上传到集中式服务器中的CNN进行有监督训练，训练好的CNN相比注塑机料筒温度PID控制器具有更好的控制效果。

优选地，S1中注塑机料筒温度PID控制器的输入和输出之间的关系可表示为：

式中，u(t)表示控制量，e(t)为偏差，K_p为比例系数，T_i为积分时间常数，T_d为微分时间常数，t为时间。

优选地，S2中注塑机料筒温度PID控制器的输入和输出之间的关系进行离散化处理后的表达式为：

式中，u(k)表示第k次采样时刻的输出值，T表示采样周期，K_i表示积分系数，K_d表示微分系数，e(k)表示第k次采样时刻的偏差值，k表示采样序号。

优选地，S5中卷积神经网络模型包括输入层、C1卷积层、C2卷积层、C3卷积层；

(1)输入层：用来对PID控制器的输入离散序列信号进行切分、高频采样和转换；

(2)C1卷积层：C1卷积层中卷积核大小为5*5，卷积核个数为32个，采用the samepadding的卷积方式，即卷积前后图像大小不变；这一层可训练参数为(5*5+1)*32＝832(每个卷积核5*5＝25个unit参数和1个bias参数，一共32个卷积核)；C1卷积层后紧接着Relu非线性激活函数；

(3)C2卷积层：C2卷积层中卷积核大小为5*5，卷积核通道数为32，卷积核个数为64个，采用the same padding的卷积方式，即卷积前后图像大小不变。这一层可训练参数为(5*5+1)*32*64＝53248(每个卷积核5*5＝25个unit参数和1个bias参数，卷积核通道数为32，一共64个卷积核)；C2卷积层后紧接着Relu非线性激活函数；

(4)C3卷积层：为了使C3卷积层的输出为200*200的图像，C3卷积层卷积核大小为5*5，卷积核通道数为64，卷积核个数为1个，采用the same padding的卷积方式，即卷积前后图像大小不变。这一层可训练参数为(5*5+1)*64*1＝1664(每个卷积核5*5＝25个unit参数和1个bias参数，卷积核通道数为64，卷积核个数为1个)；C3卷积层后紧接着Relu非线性激活函数。把这一层的输出f map作为最后的输出特征图。

优选地，S6中CNN模型的训练与测试评估中过程中将采集到的数据集中70％的数据集用于模型的训练，30％的数据集用于模型的测试。

优选地，S6中CNN模型的训练与测试评估的过程如下：

S6.1：对模型各个超参数分别进行设置；

S6.2：将数据集e map传送到模型；把e map和u map作为CNN模型的数据集，把emap作为CNN模型的输入，u map作为CNN模型的ground truth，进行有监督的训练；其中，emap是与相应时间段的u map一一对应的；

S6.3：计算损失函数；计算模型采用MSE(最小均方误差)损失函数u为输入数据集中的u map(ground truth)，f为经过CNN前向传播生成的实际输出特征图f map；

S6.4：根据MSE损失函数进行反向传播(backpropagation，BP)，调整卷积核中的参数；

S6.5：对训练过程进行可视化，当模型收敛后，用测试集测试训练好的CNN模型；

S6.6：不断调整迭代步数，重复步骤S6.7-S6.5，直到模型稳定；模型稳定时，测试时损失函数收敛于0，不出现过拟合。

与现有技术相比，本发明技术方案的有益效果是：本发明把注塑机料筒温度PID控制器的输入输出离散序列信号迁移到嵌入在集中式服务器上的CNN模型当中，训练好的CNN模型同样具有PID控制器的良好的控制效果，同时训练好的CNN模型具有更好的稳定性，在温度参数变化、数学模型不精确和控制环境变化的情况下，该CNN模型能保持较好的工作性能，系统鲁棒性强；相对于PID控制器，其需要硬件的支持；而用CNN代替PID控制器，通过卷积操作学习PID控制器的计算规则，既可以降低初期硬件的投入成本，同时架设在集中式服务器上的CNN便于操作人员的远程控制与维护。

附图说明

图1为CNN代替注塑机料筒温度PID控制器示意图。

图2为本实施例所述注塑机料筒温度控制方法流程图。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；

对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

下面结合附图和实施例对本发明的技术方案做进一步的说明。

本实施例提供一种注塑机料筒温度控制方法，本实施例通过对传统PID温度控制器的输入输出数据进行监控和数据采集，数据经过处理后用于卷积神经网络的训练，同时把卷积神经网络架设到集中式服务器当中，方便工作人员对数据的远程监控和生产过程的远程调度及控制，从而实现用CNN控制注塑机料筒温度的方法。

本实施例功能模块的设计包括注塑机料筒温度PID控制器的输入输出信号采集模块、嵌入在集中式服务器的卷积神经网络模块和CNN整定输出模块。如附图1所示：

注塑机料筒温度PID控制器的输入输出信号采集模块，通过高频采样把生产过程中PID控制器的输入输出离散序列信号进行截取，利用无线传输把数据传送到集中式服务器并存储在数据库当中；经过归一化、信号变换等操作，把采集到的离散序列变换成矩阵，从而用于CNN的有监督训练过程。

卷积神经网络模块，采用小卷积核的设计，并且减少卷积层的层数，大大地降低了模型的参数量级，同时使模型更容易训练。为了方便后期工作人员的监控、调试与维护，卷积神经网络嵌入到集中式服务器当中。用CNN代替注塑机料筒温度PID控制器，不仅降低了初期的硬件投入成本，而且节约了生产过程中的时间成本和维护成本。

CNN整定输出模块对卷积神经网络训练好的参数进行压缩和封装，通过无线路由器和网关把控制参数传输到相对应型号的注塑机。安装在注塑机料筒上的控制信号接收模块接收来自CNN的控制参数，并对注塑机料筒温度做出相应的调整，同时集中式服务器的监控端也能接收到控制过程的反馈信息。

如图2所示，本实施例所述方法具体包括以下步骤：

S1：注塑机料筒温度PID控制器的输入输出信号采集模块处理流程如下：

注塑机料筒温度PID控制器属于线性控制器，它根据给定值r(t)与实际输出值y(t)构成控制偏差e(t)，将偏差按比例、积分和微分通过线性组合构成控制量u(t)，对被控对象(注塑机料筒温度)进行控制。注塑机料筒温度PID控制器的输入和输出之间的关系可表示为：

S2：进行离散化处理后：

注塑机料筒温度PID控制器的输入、输出信号采集模块分别采集PID控制器偏差序列信号{e(0),e(1),e(2),...,e(T)}和PID控制器输出序列信号{u(0),u(1),u(2),...,u(T)}。

考虑到注塑过程中为了保证注塑机料筒温度PID控制器替换成CNN后调控的实时性和把输入输出数据迁移到CNN网络后的高保真性，将采用高采样率进行信号采样，每隔10^-5s采样收集一次输入输出序列信号,连续采样40000次得到时间段为0.4s一维离散序列信号。

S4：把采集到的PID控制器输入输出的序列信号转换成图像的表示形式：

为了让采集到的PID控制器输入输出的序列信号迁移到CNN当中，但这输入输出序列信号是一维的时间离散序列信号，于是把其转换成矩阵的形式。把维数k＝40000的一维离散序列信号{e(0),e(1),e(2),...,e(k)}、{u(0),u(1),u(2),...,u(k)}进行归一化，将离散数据变换到0～255之间，再经过转换(重排数组维数)后可以分别得到200*200的矩阵e和矩阵u，由于矩阵中的数值位于区间[0,255]，每一个值构成灰度图的像素点，从而矩阵e和矩阵u可分别表示成灰度图e map和灰度图u map的形式。矩阵值越小，灰度越黑；矩阵值越大，灰度越白。

S5：集中式服务器上的CNN(卷积神经网络)的搭建：

把PID控制器的输入输出离散序列信号迁移到CNN之后，再将CNN架设在集中式服务器当中，相比把CNN嵌入到控制器当中，这样一来既可以减轻控制器处理数据时的内存压力，减少控制器运行时的功率损耗。同时相对于PID控制器，其需要硬件的支持。而用CNN代替PID控制器，通过卷积操作学习PID控制器的计算规则，既可以降低初期硬件的投入成本，同时架设在集中式服务器上的CNN便于操作人员的远程控制与维护。

搭建的CNN包括数据的输入层、C1卷积层、C2卷积层、C3卷积层。

(1)输入层：把PID控制器的输入离散序列信号转换成200*200大小的图像(e map)作为CNN的输入。而一张输入图像是由时间段为0.4s的PID控制器的输入离散序列信号经过40000次高频(10^-5s)采样再转换成200*200的矩阵得到，为了得到100个输入图像样本，需对时间段为40s的PID控制器的输入离散序列信号进行切分、高频采样和转换。

(2)C1卷积层：C1卷积层中卷积核大小为5*5，卷积核个数为32个，采用the samepadding的卷积方式，即卷积前后图像大小不变。这一层可训练参数为(5*5+1)*32＝832(每个卷积核5*5＝25个unit参数和1个bias参数，一共32个卷积核)。C1卷积层后紧接着Relu非线性激活函数。

(3)C2卷积层：C2卷积层中卷积核大小为5*5，卷积核通道数为32，卷积核个数为64个，采用the same padding的卷积方式，即卷积前后图像大小不变。这一层可训练参数为(5*5+1)*32*64＝53248(每个卷积核5*5＝25个unit参数和1个bias参数，卷积核通道数为32，一共64个卷积核)。C2卷积层后紧接着Relu非线性激活函数。

(4)C3卷积层：为了使C3卷积层的输出为200*200的图像，C3卷积层卷积核大小为5*5，卷积核通道数为64，卷积核个数为1个，采用the same padding的卷积方式，即卷积前后图像大小不变。这一层可训练参数为(5*5+1)*64*1＝1664(每个卷积核5*5＝25个unit参数和1个bias参数，卷积核通道数为64，卷积核个数为1个)。C3卷积层后紧接着Relu非线性激活函数。把这一层的输出f map作为最后的输出特征图。

S6：CNN模型的训练与测试评估

训练过程中，我们把采集到的100个数据集，其中70％的数据集用于模型的训练，30％的数据集用于模型的测试。将数据集e map传送到模型，对网络进行训练，网络进行计算并前向传播，生成实际输出特征图f map。

CNN模型的训练与测试评估的具体过程包括以下步骤：

S6.1：模型训练采用的是小批量随机梯度下降法，各个超参数分别设置为batchsize＝16,learning_rate＝0.1,momentum＝0.9,epochs＝10。

S6.2：将经过高频采样的PID控制器输入输出离散序列信号转换后生成的e map和u map作为CNN模型的数据集，e map是与相应时间段的u map一一对应的。其中把e map作为CNN模型的输入，把u map作为CNN模型的ground truth，然后进行有监督的训练。

S6.3：计算损失函数；计算模型采用MSE(最小均方误差)损失函数，u为输入数据集中的u map(ground truth)，f为经过CNN前向传播生成的实际输出特征图f map。

S6.4：根据MSE损失函数进行BP反向传播，调整卷积核中的参数。

S6.5：对训练过程进行可视化，当模型收敛后，用测试集测试训练好的CNN模型。

S6.6：不断调整迭代步数，重复以上步骤，直到模型稳定，测试时损失函数收敛于0，即接近于0或等于0，不出现过拟合。

分别记录CNN模型和PID控制器在多个料筒目标温度下的控制输出，对比分析两种方法控制输出的超调量、稳态误差和调节时间。

通过对训练好的CNN模型和PID控制器进行注塑机料筒温度控制的性能评估，CNN模型同样可以达到PID控制器的控制性能，而且具有更好的稳定性和快速动态响应，对注塑机料筒温度的调节过程时间短，满足注塑机料筒温度的控制要求。同时CNN具有很强的学习能力，能够不断地从训练样本中提取控制信息，学习控制策略，用于注塑机料筒温度的调控，系统鲁棒性更强。

S7：集中式服务器上CNN模型的集中调度和管理

对于我们已经搭建训练好嵌入在集中式服务器上的CNN模型之后，通过CNN参数整定模块，把我们训练好的CNN模型的参数封装起来，然后再经过无线路由器和网关集中传输到每一台对应型号的注塑机上。同时在注塑机料筒上安装控制信号接收模块，注塑机料筒温度作为我们的控制对象，控制过程的信息也反馈到服务器的监控端，我们可以远程控制服务器监控和管理注塑机料筒温度的变化。

附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (6)

1.一种注塑机料筒温度控制方法，其特征在于，所述的方法包括以下步骤：

S1：根据PID控制原理确定注塑机料筒温度PID控制器的输入和输出之间的关系；

S2：对注塑机料筒温度PID控制器的输入和输出之间的关系进行离散化处理；

S3：对PID控制器偏差序列信号{e(0),e(1),e(2),...,e(T)}和PID控制器输出序列信号{u(0),u(1),u(2),...,u(T)}进行连续采样，获得一维离散序列信号{e(0),e(1),e(2),...,e(k)}、{u(0),u(1),u(2),...,u(k)}；

S4：将一维离散序列信号{e(0),e(1),e(2),...,e(k)}、{u(0),u(1),u(2),...,u(k)}分别转换成灰度图e map和灰度图u map，用来表示图像的形式；

S5：搭建卷积神经网络模型；

S6：将灰度图e map和灰度图u map作为卷积神经网络模型的数据集对卷积神经网络模型进行训练与测试评估；

S7：通过卷积神经网络参数整定模块，把训练好的卷积神经网络模型的参数进行封装，然后经过无线路由器和网关集中传输到每一台对应型号的注塑机上；同时在注塑机料筒上安装控制信号接收模块，实现远程控制服务器监控和管理注塑机料筒温度的变化。

2.根据权利要求1所述的注塑机料筒温度控制方法，其特征在于，S1中注塑机料筒温度PID控制器的输入和输出之间的关系可表示为：

式中，u(t)表示控制量，e(t)为偏差，K_p为比例系数，T_i为积分时间常数，T_d为微分时间常数，t为时间。

3.根据权利要求2所述的注塑机料筒温度控制方法，其特征在于，S2中注塑机料筒温度PID控制器的输入和输出之间的关系进行离散化处理后的表达式为：

式中，u(k)表示第k次采样时刻的输出值，T表示采样周期，K_i表示积分系数，K_d表示微分系数，e(k)表示第k次采样时刻的偏差值，k表示采样序号。

4.根据权利要求2所述的注塑机料筒温度控制方法，其特征在于，S5中卷积神经网络模型包括输入层、C1卷积层、C2卷积层、C3卷积层；

(1)输入层：用来对PID控制器的输入离散序列信号进行切分、高频采样和转换；

(2)C1卷积层：C1卷积层中卷积核大小为5*5，卷积核个数为32个，采用the samepadding的卷积方式，即卷积前后图像大小不变；这一层可训练参数为(5*5+1)*32＝832；C1卷积层后紧接着Relu非线性激活函数；

(3)C2卷积层：C2卷积层中卷积核大小为5*5，卷积核通道数为32，卷积核个数为64个，采用the same padding的卷积方式，即卷积前后图像大小不变；这一层可训练参数为(5*5+1)*32*64＝53248；C2卷积层后紧接着Relu非线性激活函数；

(4)C3卷积层：为了使C3卷积层的输出为200*200的图像，C3卷积层卷积核大小为5*5，卷积核通道数为64，卷积核个数为1个，采用the same padding的卷积方式，即卷积前后图像大小不变；这一层可训练参数为(5*5+1)*64*1＝1664；C3卷积层后紧接着Relu非线性激活函数；把这一层的输出f map作为最后的输出特征图。

5.根据权利要求2所述的注塑机料筒温度控制方法，其特征在于，S6中卷积神经网络模型的训练与测试评估中过程中将采集到的数据集中70％的数据集用于模型的训练，30％的数据集用于模型的测试。

6.根据权利要求5所述的注塑机料筒温度控制方法，其特征在于，S6中卷积神经网络模型的训练与测试评估的过程如下：

S6.1：对模型各个超参数分别进行设置；

S6.2：将数据集e map传送到模型；把e map和u map作为卷积神经网络模型的数据集，把e map作为卷积神经网络模型的输入，u map作为卷积神经网络模型的ground truth，进行有监督的训练；其中，e map是与相应时间段的u map一一对应的；

S6.3：计算损失函数；计算模型采用最小均方误差损失函数u为输入数据集中的u map，f为经过卷积神经网络前向传播生成的实际输出特征图f map；

S6.4：根据MSE损失函数进行反向传播，调整卷积核中的参数；

S6.5：对训练过程进行可视化，当模型收敛后，用测试集测试训练好的卷积神经网络模型；

S6.6：不断调整迭代步数，重复步骤S6.7-S6.5，直到模型稳定；模型稳定时，测试时损失函数收敛于0，不出现过拟合。