CN112248387B - 一种橡胶注射成型机 - Google Patents

一种橡胶注射成型机 Download PDF

Info

Publication number
CN112248387B
CN112248387B CN202011044754.9A CN202011044754A CN112248387B CN 112248387 B CN112248387 B CN 112248387B CN 202011044754 A CN202011044754 A CN 202011044754A CN 112248387 B CN112248387 B CN 112248387B
Authority
CN
China
Prior art keywords
heating plate
layer
output
recursive
control system
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011044754.9A
Other languages
English (en)
Other versions
CN112248387A (zh
Inventor
江功志
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN202011044754.9A priority Critical patent/CN112248387B/zh
Publication of CN112248387A publication Critical patent/CN112248387A/zh
Application granted granted Critical
Publication of CN112248387B publication Critical patent/CN112248387B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C45/00—Injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould; Apparatus therefor
    • B29C45/17—Component parts, details or accessories; Auxiliary operations
    • B29C45/72—Heating or cooling
    • B29C45/73—Heating or cooling of the mould
    • B29C45/7306—Control circuits therefor
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C45/00—Injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould; Apparatus therefor
    • B29C45/17—Component parts, details or accessories; Auxiliary operations
    • B29C45/76—Measuring, controlling or regulating
    • B29C45/78—Measuring, controlling or regulating of temperature

Landscapes

  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Mechanical Engineering (AREA)
  • Injection Moulding Of Plastics Or The Like (AREA)

Abstract

本发明提供一种橡胶注射成型机，其中所述橡胶注射成型机包括上加热板、下加热板、模具和控制系统。本发明的控制系统采用递归模糊网络控制，训练过程简单，直接逆控制配置，无需识别机器，易于实现，即使采样间隔发生变化，递归模糊网络控制器也能保持良好的性能，实现模具温度的精准控制。

Description

一种橡胶注射成型机
技术领域
本申请涉及注射成型机领域，尤其涉及一种橡胶注射成型机。
背景技术
橡胶注射成型机，是橡胶模压制品生产的一项技术，主要用于橡胶模压制品的生产，诸如电器绝缘零件、防震垫、密封件、鞋底以及工矿雨鞋等。在国内外已经得到了广泛的应用。世界上的注射机的类型很多，按胶料塑化方式分，有柱塞式和螺杆式；按机器传动型式分，有液压式和机械式；按合模装置的型式分，有直压式，液压机械式和二次动作式；按机台部件的配置分，有卧式、立式、角式、多模注射机等等。橡胶注射成型机的基本结构包括塑化注射单元、合模装置、控制系统和安全保护系统：其中控制系统是橡胶注射机的大脑，对机器精密度、稳定性、能耗起决定性作用。对于生产高质量产品的橡胶注射成型机来说，生产过程中模具的精确温度控制是一个重要因素。模具的温度不仅取决于加热器的分布，还取决于控制器。然而，现有的橡胶注射成型机，由于在温度测量的精确度上不准确，或者仅能测量模具的部分温度，导致生产的橡胶良品率低。另外橡胶注射成型机的工作温度高，也可能诱发火灾，生产过程具有很大风险。
发明内容
为解决现有技术中的上述问题，本发明提供一种橡胶注射成型机，其中控制系统采用递归模糊网络控制，训练过程简单，直接逆控制配置，无需识别机器，易于实现，即使采样间隔发生变化，递归模糊网络控制器也能保持良好的性能，实现模具温度的精准控制。
本发明提供一种橡胶注射成型机，其中所述橡胶注射成型机包括上加热板、下加热板、模具、温度传感器、固态继电器和控制系统；
所述模具位于上加热板和下加热板之间，上加热板和下加热板同时加热模具；
上加热板和下加热板由固态继电器驱动，上加热板、下加热板上分别设置一温度传感器；
上加热板、下加热板、温度传感器、固态继电器与控制系统电连接；
其中控制系统与接口单元相互通信控制系统，通过接口单元发送信号给固态继电器进而控制上加热板、下加热板，温度传感器获取上、下加热板的温度数据传送给接口单元；
控制系统通过以下方式控制上、下加热板：
Figure 112924DEST_PATH_IMAGE002
其中k表示样本号，
Figure DEST_PATH_IMAGE003
是控制系统的输出，
Figure 775986DEST_PATH_IMAGE004
是以脉宽调制形式发送的接口单元的输出；
所述控制系统采用递归模糊网络对温度控制，所述递归模糊网络为具有两个外部输入和一个输出的六层网络，其中：
第1层:该层不执行任何功能，第1层节点仅将输入值传输到第2层；
第2层:第2层中的节点充当成员函数；第2层中采用两种类型的成员函数；对于外部输入
Figure DEST_PATH_IMAGE005
，使用以下高斯隶属函数:
Figure 36066DEST_PATH_IMAGE006
其中
Figure DEST_PATH_IMAGE007
和
Figure 442777DEST_PATH_IMAGE008
分别第jth个输入变量xj的第
Figure DEST_PATH_IMAGE009
项的高斯隶属函数的中心和宽度，对于内部变量
Figure 504536DEST_PATH_IMAGE010
，使用以下sigmoid隶属函数:
Figure DEST_PATH_IMAGE011
第3层: 第3层中的每个节点通过产品操作计算规则的触发强度，使用以下规则函数：
Figure 72921DEST_PATH_IMAGE012
Figure DEST_PATH_IMAGE013
其中n是外部输入的数量；
第4层: 第4层中的节点执行结果的线性求和；每个节点i的数学函数：
Figure 351455DEST_PATH_IMAGE014
其中n是外部输入变量的数量，
Figure DEST_PATH_IMAGE015
是要调整的参数，j=0，...，n+1；
第5层: 第5层中的上下文节点作为模糊规则的解模糊器，具有推理输出h，链接权重表示内部规则结果部分的单例值，在每个节点中计算简单加权和：
Figure 30698DEST_PATH_IMAGE016
如图2所示，
Figure DEST_PATH_IMAGE017
的延迟值反馈到第1层，并作为规则前提条件部分的输入变量，每个规则都有一个对应的内部变量h，用来决定时态历史对当前规则的影响程度;
第6层: 第6层的节点计算递推模糊网络的输出信号y。输出节点与连接到它的链接一起充当去模糊器了，使用以下数学函数：
Figure 944034DEST_PATH_IMAGE018
。
如图3所示，递推模糊网络采用直接逆控制结构。在控制过程中，参考温度
Figure DEST_PATH_IMAGE019
，当前温度
Figure 417741DEST_PATH_IMAGE020
，最后控制输入
Figure DEST_PATH_IMAGE021
作为递推模糊网络的输入。使用递推模糊网络来模拟被控制对象输入输出映射的逆过程。网络输入的选择是网络训练之前的一项重要任务。对于橡胶注射成型机而言，模具温度不仅取决于当前的温度和控制输入，还取决于它们过去的值。此外，这种依赖性与采样间隔有关。对于递推模糊网络，由于其递归性，即使在采样间隔变化时也只使用
Figure 917992DEST_PATH_IMAGE020
和
Figure 135347DEST_PATH_IMAGE022
。训练分为离线训练和在线学习阶段。
其中离线训练为：为获取离线训练三的训练样本，序列的随机输入信号
Figure DEST_PATH_IMAGE023
直接输送给递推模糊网络，获取递推模糊网络的开环输入-输出特性。随机输入应连续输入，以确定学习输入电压与温度输出的时间关系。
对于橡胶注射成型机，温度随着随机输入电压的先后输入而升高。选取训练数据的个数覆盖的整个参考温度空间，为了保证训练效果，至少选取70个训练数据。如图2所示，为了学习被控对象的逆过程，
Figure 139075DEST_PATH_IMAGE022
，
Figure 783683DEST_PATH_IMAGE020
和
Figure 741537DEST_PATH_IMAGE024
作为递推模拟网络的输入和相应的控制信号
Figure DEST_PATH_IMAGE025
作为期望输出。在训练期间，递推模拟网络的输出用
Figure 762583DEST_PATH_IMAGE026
表示。使误差代价函数最小化对递推模糊网络进行监督，误差代价函数为：
Figure DEST_PATH_IMAGE027
。
对于递推模糊网络的训练，分为结构学习和参数学习两个子任务，这两个子任务同时进行。对于每个输入数据，首先进行结构学习，然后进行参数学习。结构学习的目标是确定模糊规则的数量、隶属函数的初始位置和初始后向参数。在进行结构学习之前，需要提前分配两个参数
Figure 151976DEST_PATH_IMAGE028
和
Figure DEST_PATH_IMAGE029
。参数
Figure 233064DEST_PATH_IMAGE028
是一个影响生成的规则总数的阈值。
Figure 911170DEST_PATH_IMAGE028
的值越大，生成的规则也就越多。参数
Figure 470328DEST_PATH_IMAGE029
决定两个规则之间的重叠程度，即确定每个高斯模糊集的初始宽度，在
Figure 687463DEST_PATH_IMAGE028
值相同的情况下，
Figure 673874DEST_PATH_IMAGE029
值越大，每个模糊集的初始宽度越大，生成的规则就越少。不同的参数值会产生不同的模糊规则初始位置。虽然最初会产生不同的位置，但后续的网络参数学习有助于找到最优位置。参数学习的目的是将所构建网络的自由参数调整到最优程度。由于期望的输出是一个突然变化的随机变量序列，因此很难学习输入-输出映射。对于这个问题，一个可能的解决方案是获得更平滑的输出。不是使用一个随机信号
Figure 104855DEST_PATH_IMAGE022
进行未知的系统建模，设计了一组有限大小的随机步长序列。虽然训练数据的平方误差较小，但控制性能较差。这是由于橡胶注射成型机的温度控制系统需要对控制电压进行突变。但是在输出更为平滑的训练数据中并没有学习到这种突变。为了提高建模网络的性能和学习性能，对梯度下降学习算法进行了改进，并采用卡尔曼滤波算法来进行后续部分参数的学习。
利用卡尔曼滤波算法，将第4层的参数向量
Figure 202124DEST_PATH_IMAGE030
更新为:
Figure DEST_PATH_IMAGE031
Figure 300530DEST_PATH_IMAGE032
其中
Figure DEST_PATH_IMAGE033
是遗忘因子，
Figure 989000DEST_PATH_IMAGE034
；
Figure DEST_PATH_IMAGE035
Figure 408743DEST_PATH_IMAGE036
，
Q是协方差矩阵，Q的初始值设置为
Figure DEST_PATH_IMAGE037
。其他自由参数如第二层中的
Figure 840861DEST_PATH_IMAGE007
和
Figure 528194DEST_PATH_IMAGE008
和第五层中的w采用实时递归学习算法进行优化。
其中在线学习为：在线学习的目的是提高递推模糊网络控制器在离线训练后的控制性能，并应对控制环境中不可预测的变化。对于在线学习，采用如图4所示的直接反建模学习方案。在在线学习中，参数学习是单独进行的。这与离线学习相反，离线学习是通过期望输出的突然变化来学习整个网络。对于在线学习，网络参数在期望输出值上进行局部修正。因此，采用了梯度下降算法。在时间步长k, 推模糊网络控制器根据输入
Figure 590828DEST_PATH_IMAGE022
，
Figure 730823DEST_PATH_IMAGE020
和
Figure 169894DEST_PATH_IMAGE038
，产生控制信号
Figure 711734DEST_PATH_IMAGE025
，进而获得一个新的温度
Figure DEST_PATH_IMAGE039
，然后定义一个训练模型
Figure 974963DEST_PATH_IMAGE040
和期望输出
Figure DEST_PATH_IMAGE041
。递推模糊网络控制器的输出
Figure 133412DEST_PATH_IMAGE026
和期望输出
Figure 376174DEST_PATH_IMAGE025
之间的平方差
Figure 772520DEST_PATH_IMAGE042
，通过以下梯度下降算法在每个时间步长最小化：
Figure DEST_PATH_IMAGE043
其中
Figure 973695DEST_PATH_IMAGE044
，
Figure DEST_PATH_IMAGE045
，
Figure 855325DEST_PATH_IMAGE046
。
对于在线学习来说，由于控制器和被控对象的变化通常很小，因此相应的部件参数的调整就足够了。此外，只需调整相应的零件参数，大大减少了在线训练时间，更适用于实时控制要求。
优选的，上加热板由三个220伏、1200瓦的加热器组成，连接成三角形；上下加热板由三个220伏、1200瓦的加热器组成，连接成三角形。
优选的，模具尺寸为60厘米×60厘米×40厘米。
本发明的一种橡胶注射成型机，其中控制系统采用递归模糊网络控制，训练过程简单，直接逆控制配置，无需橡胶注射成型机，易于实现，通过离线训练和在线学习结合，即使采样间隔发生变化，递归模糊网络控制器也能保持良好的性能，实现模具温度的精准控制。
附图说明
图1是本发明的一种橡胶注射成型机的示意图。
图2是本发明的一种橡胶注射成型机控制系统的示意图。
图3是本发明的一种橡胶注射成型机控制系统的递归模糊网络的示意图。
图4是本发明的一种橡胶注射成型机控制系统的递归模糊网络离线训练的示意图。
图5是本发明的一种橡胶注射成型机控制系统的递归模糊网络的在线学习的示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。
本发明提供一种橡胶注射成型机，其中所述橡胶注射成型机包括上加热板4、下加热板4、模具6、温度传感器5、固态继电器3和控制系统1；
所述模具6位于上加热板4和下加热板4之间，上加热板4和下加热板4同时加热模具；
上加热板和下加热板由固态继电器3驱动，上加热板、下加热板上分别设置一温度传感器5；
上加热板、下加热板、温度传感器、固态继电器3与控制系统1电连接；
其中控制系统1与接口单元2相互通信控制系统1，通过接口单元发送信号给固态继电器3进而控制上加热板4、下加热板4，温度传感器5获取上、下加热板的温度数据传送给接口单元2；
控制系统通过以下方式控制上、下加热板：
Figure 636199DEST_PATH_IMAGE048
其中k表示样本号，
Figure 152631DEST_PATH_IMAGE003
是控制系统的输出，
Figure 993549DEST_PATH_IMAGE004
是以脉宽调制形式发送的接口单元的输出；
所述控制系统采用递归模糊网络对温度控制，所述递归模糊网络为具有两个外部输入和一个输出的六层网络，其中：
第1层:该层不执行任何功能，第1层节点仅将输入值传输到第2层；
第2层:第2层中的节点充当成员函数；第2层中采用两种类型的成员函数；对于外部输入
Figure 329852DEST_PATH_IMAGE005
，使用以下高斯隶属函数:
Figure DEST_PATH_IMAGE049
其中
Figure 445575DEST_PATH_IMAGE007
和
Figure 550935DEST_PATH_IMAGE008
分别第jth个输入变量xj的第
Figure 562753DEST_PATH_IMAGE009
项的高斯隶属函数的中心和宽度，对于内部变量
Figure 144608DEST_PATH_IMAGE010
，使用以下sigmoid隶属函数:
Figure 267284DEST_PATH_IMAGE050
第3层:第3层中的每个节点通过产品操作计算规则的触发强度，使用以下规则函数：
Figure 758309DEST_PATH_IMAGE012
Figure 941028DEST_PATH_IMAGE013
其中n是外部输入的数量；
第4层:第4层中的节点执行结果的线性求和；每个节点i的数学函数：
Figure DEST_PATH_IMAGE051
其中n是外部输入变量的数量，
Figure 783082DEST_PATH_IMAGE015
是要调整的参数，j=0，...，n+1；
第5层:第5层中的上下文节点作为模糊规则的解模糊器，具有推理输出h，链接权重表示内部规则结果部分的单例值，在每个节点中计算简单加权和：
Figure 709450DEST_PATH_IMAGE052
如图2所示，
Figure 54981DEST_PATH_IMAGE017
的延迟值反馈到第1层，并作为规则前提条件部分的输入变量，每个规则都有一个对应的内部变量h，用来决定时态历史对当前规则的影响程度;
第6层:第6层的节点计算递推模糊网络的输出信号y。输出节点与连接到它的链接一起充当去模糊器了，使用以下数学函数：
Figure DEST_PATH_IMAGE053
。
如图3所示，递推模糊网络采用直接逆控制结构。在控制过程中，参考温度
Figure 441225DEST_PATH_IMAGE019
，当前温度
Figure 239417DEST_PATH_IMAGE020
，最后控制输入
Figure 969475DEST_PATH_IMAGE021
作为递推模糊网络的输入。使用递推模糊网络来模拟被控制对象输入输出映射的逆过程。网络输入的选择是网络训练之前的一项重要任务。对于橡胶注射成型机而言，模具温度不仅取决于当前的温度和控制输入，还取决于它们过去的值。此外，这种依赖性与采样间隔有关。对于递推模糊网络，由于其递归性，即使在采样间隔变化时也只使用
Figure 169512DEST_PATH_IMAGE020
和
Figure 428455DEST_PATH_IMAGE022
。训练分为离线训练和在线学习阶段。
其中离线训练为：为获取离线训练三的训练样本，序列的随机输入信号
Figure 713943DEST_PATH_IMAGE023
直接输送给递推模糊网络，获取递推模糊网络的开环输入-输出特性。随机输入应连续输入，以确定学习输入电压与温度输出的时间关系。
对于橡胶注射成型机，温度随着随机输入电压的先后输入而升高。选取训练数据的个数覆盖的整个参考温度空间，为了保证训练效果，至少选取70个训练数据。如图2所示，为了学习被控对象的逆过程，
Figure 247693DEST_PATH_IMAGE022
，
Figure 302236DEST_PATH_IMAGE020
和
Figure 496195DEST_PATH_IMAGE024
作为递推模拟网络的输入和相应的控制信号
Figure 3400DEST_PATH_IMAGE025
作为期望输出。在训练期间，递推模拟网络的输出用
Figure 75261DEST_PATH_IMAGE026
表示。使误差代价函数最小化对递推模糊网络进行监督，误差代价函数为：
Figure 984311DEST_PATH_IMAGE054
。
对于递推模糊网络的训练，分为结构学习和参数学习两个子任务，这两个子任务同时进行。对于每个输入数据，首先进行结构学习，然后进行参数学习。结构学习的目标是确定模糊规则的数量、隶属函数的初始位置和初始后向参数。在进行结构学习之前，需要提前分配两个参数
Figure 116215DEST_PATH_IMAGE028
和
Figure 845137DEST_PATH_IMAGE029
。参数
Figure 986268DEST_PATH_IMAGE028
是一个影响生成的规则总数的阈值。
Figure 484246DEST_PATH_IMAGE028
的值越大，生成的规则也就越多。参数
Figure 787051DEST_PATH_IMAGE029
决定两个规则之间的重叠程度，即确定每个高斯模糊集的初始宽度，在
Figure 770313DEST_PATH_IMAGE028
值相同的情况下，
Figure 918397DEST_PATH_IMAGE029
值越大，每个模糊集的初始宽度越大，生成的规则就越少。不同的参数值会产生不同的模糊规则初始位置。虽然最初会产生不同的位置，但后续的网络参数学习有助于找到最优位置。参数学习的目的是将所构建网络的自由参数调整到最优程度。由于期望的输出是一个突然变化的随机变量序列，因此很难学习输入-输出映射。对于这个问题，一个可能的解决方案是获得更平滑的输出。不是使用一个随机信号
Figure 802040DEST_PATH_IMAGE022
进行未知的系统建模，设计了一组有限大小的随机步长序列。虽然训练数据的平方误差较小，但控制性能较差。这是由于橡胶注射成型机的温度控制系统需要对控制电压进行突变。但是在输出更为平滑的训练数据中并没有学习到这种突变。为了提高建模网络的性能和学习性能，对梯度下降学习算法进行了改进，并采用卡尔曼滤波算法来进行后续部分参数的学习。
利用卡尔曼滤波算法，将第4层的参数向量
Figure 275746DEST_PATH_IMAGE030
更新为:
Figure DEST_PATH_IMAGE055
Figure 775998DEST_PATH_IMAGE056
其中
Figure 993353DEST_PATH_IMAGE033
是遗忘因子，
Figure 731502DEST_PATH_IMAGE034
；
Figure DEST_PATH_IMAGE057
Figure 146083DEST_PATH_IMAGE058
，
Q是协方差矩阵，Q的初始值设置为
Figure DEST_PATH_IMAGE059
。其他自由参数如第二层中的
Figure 133631DEST_PATH_IMAGE060
和
Figure DEST_PATH_IMAGE061
和第五层中的w采用实时递归学习算法进行优化。
其中在线学习为：在线学习的目的是提高递推模糊网络控制器在离线训练后的控制性能，并应对控制环境中不可预测的变化。对于在线学习，采用如图4所示的直接反建模学习方案。在在线学习中，参数学习是单独进行的。这与离线学习相反，离线学习是通过期望输出的突然变化来学习整个网络。对于在线学习，网络参数在期望输出值上进行局部修正。因此，采用了梯度下降算法。在时间步长k, 推模糊网络控制器根据输入
Figure 154676DEST_PATH_IMAGE022
，
Figure 12911DEST_PATH_IMAGE020
和
Figure 562841DEST_PATH_IMAGE038
，产生控制信号
Figure 240947DEST_PATH_IMAGE025
，进而获得一个新的温度
Figure 800104DEST_PATH_IMAGE039
，然后定义一个训练模型
Figure 14310DEST_PATH_IMAGE040
和期望输出
Figure 721DEST_PATH_IMAGE041
。递推模糊网络控制器的输出
Figure 900544DEST_PATH_IMAGE026
和期望输出
Figure 997813DEST_PATH_IMAGE025
之间的平方差
Figure 830640DEST_PATH_IMAGE042
，通过以下梯度下降算法在每个时间步长最小化：
Figure 987951DEST_PATH_IMAGE043
其中
Figure 640650DEST_PATH_IMAGE044
，
Figure 276030DEST_PATH_IMAGE045
，
Figure 963364DEST_PATH_IMAGE062
。
对于在线学习来说，由于控制器和被控对象的变化通常很小，因此相应的部件参数的调整就足够了。此外，只需调整相应的零件参数，大大减少了在线训练时间，更适用于实时控制要求。
优选的，上加热板由三个220伏、1200瓦的加热器组成，连接成三角形；上下加热板由三个220伏、1200瓦的加热器组成，连接成三角形。
优选的，模具尺寸为60厘米×60厘米×40厘米。
本发明的一种橡胶注射成型机，其中控制系统采用递归模糊网络控制，训练过程简单，直接逆控制配置，无需橡胶注射成型机，易于实现，通过离线训练和在线学习结合，即使采样间隔发生变化，递归模糊网络控制器也能保持良好的性能，实现模具温度的精准控制。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的保护范围当中。

Claims (3)

1.一种橡胶注射成型机，其特征在于，包括上加热板、下加热板、模具、温度传感器、固态继电器和控制系统；
所述模具位于上加热板和下加热板之间，上加热板和下加热板同时加热模具；
上加热板和下加热板由固态继电器驱动，上加热板、下加热板上分别设置一温度传感器；
上加热板、下加热板、温度传感器、固态继电器与控制系统电连接；
其中控制系统与接口单元相互通信，控制系统通过接口单元发送信号给固态继电器进而控制上加热板、下加热板，温度传感器获取上、下加热板的温度数据传送给接口单元；
控制系统通过以下方式控制上、下加热板：
Figure FDA0003644890610000011
其中k表示样本号，u(k)是控制系统的输出，P(k)是以脉宽调制形式发送的接口单元的输出；
所述控制系统采用递归模糊网络对温度控制，所述递归模糊网络为具有两个外部输入和一个输出的六层网络，其中：
第1层:第1层不执行任何功能，第1层节点仅将输入值传输到第2层；
第2层:第2层中的节点充当成员函数；第2层中采用两种类型的成员函数；对于外部输入
Figure FDA0003644890610000012
使用以下高斯隶属函数:
Figure FDA0003644890610000013
其中mij和σij分别第jth个输入变量xj的第ith项的高斯隶属函数的中心和宽度，对于内部变量
Figure FDA0003644890610000014
使用以下sigmoid隶属函数:
Figure FDA0003644890610000015
第3层:第3层中的每个节点通过产品操作计算规则的触发强度，使用以下规则函数：
Figure FDA0003644890610000021
其中n是外部输入的数量；
第4层:第4层中的节点执行结果的线性求和；每个节点i的数学函数：
Figure FDA0003644890610000022
其中n是外部输入变量的数量，aij是要调整的参数，j＝0，...，n+1；
第5层:第5层中的上下文节点作为模糊规则的解模糊器，具有推理输出h，链接权重表示内部规则结果部分的单例值，在每个节点中计算简单加权和：
Figure FDA0003644890610000023
hi的延迟值反馈到第1层，并作为规则前提条件部分的输入变量，每个规则都有一个对应的内部变量h，用来决定时态历史对当前规则的影响程度；
第6层:第6层的节点计算递推模糊网络的输出信号y，输出节点及其连接的链接充当解模糊器，使用以下数学函数：
Figure FDA0003644890610000024
u(k)，yp(k)和yp(k+1)作为递推模拟网络的输入和相应的控制信号u(k+1)作为期望输出，在训练期间，递推模拟网络的输出用
Figure FDA0003644890610000025
表示，使误差代价函数最小化对递推模糊网络进行监督，误差代价函数为：
Figure FDA0003644890610000026
对于递推模糊网络的训练，分为结构学习和参数学习两个子任务；对于每个输入数据，首先进行结构学习，然后进行参数学习；
利用卡尔曼滤波算法，将第4层的参数向量
Figure FDA0003644890610000027
更新为:
Figure FDA0003644890610000028
Figure FDA0003644890610000031
其中λ是遗忘因子，0<λ<1；
Figure FDA0003644890610000032
Q是协方差矩阵，Q的初始值设置为Q(0)＝10·I，其他自由参数如第二层中的mij和σij和第五层中的w采用实时递归学习算法进行优化；
采用了梯度下降算法，在时间步长k,推模糊网络控制器根据输入u(k)，yp(k)和ypref(k+1)，产生控制信号u(k+1)，进而获得一个新的温度yp(k+1)，定义一个训练模型[u(k)，yp(k)，yp(k+1)]和期望输出u(k+1)，递推模糊网络控制器的输出
Figure FDA0003644890610000033
和期望输出u(k+1)之间的平方差
Figure FDA0003644890610000034
通过以下梯度下降算法在每个时间步长最小化：
Figure FDA0003644890610000035
其中i＝1,…,r，j＝0,…,4，
Figure FDA0003644890610000036
2.如权利要求1所述的一种橡胶注射成型机，其特征在于，上加热板由三个220伏、1200瓦的加热器组成，连接成三角形；上下加热板由三个220伏、1200瓦的加热器组成，连接成三角形。
3.如权利要求2所述的一种橡胶注射成型机，其特征在于，模具尺寸为60厘米×60厘米×40厘米。
CN202011044754.9A 2020-09-29 2020-09-29 一种橡胶注射成型机 Active CN112248387B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011044754.9A CN112248387B (zh) 2020-09-29 2020-09-29 一种橡胶注射成型机

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011044754.9A CN112248387B (zh) 2020-09-29 2020-09-29 一种橡胶注射成型机

Publications (2)

Publication Number Publication Date
CN112248387A CN112248387A (zh) 2021-01-22
CN112248387B true CN112248387B (zh) 2022-06-28

Family

ID=74233267

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011044754.9A Active CN112248387B (zh) 2020-09-29 2020-09-29 一种橡胶注射成型机

Country Status (1)

Country Link
CN (1) CN112248387B (zh)

Also Published As

Publication number Publication date
CN112248387A (zh) 2021-01-22

Similar Documents

Publication Publication Date Title
Mosaad et al. LFC based adaptive PID controller using ANN and ANFIS techniques
Jia et al. Dynamic R-parameter based integrated model predictive iterative learning control for batch processes
CN111045326A (zh) 一种基于递归神经网络的烘丝过程水分预测控制方法及系统
CN109460890B (zh) 一种基于强化学习与控制性能监测的智能自愈方法
CN105911862B (zh) 一种电加热炉温度控制方法
CN109254530A (zh) 基于磨矿过程基础回路的无模型自适应控制方法
CN107511823B (zh) 机器人作业轨迹优化分析的方法
CN117093033A (zh) 基于粒子群算法优化pid参数的电阻加热炉温度控制系统
KR102382047B1 (ko) Pso를 이용한 모터 제어기의 자동 학습 튜닝 시스템
CN116833559A (zh) 一种基于机器学习的焊接参数优化方法
CN112248387B (zh) 一种橡胶注射成型机
CN107168066B (zh) 一种温室环境自适应控制方法
Mao et al. Coating thickness modeling and prediction for hot-dip galvanized steel strip based on GA-BP neural network
CN113126488A (zh) 一种物质混合智能系统
CN105511270B (zh) 一种基于协同进化的pid控制器参数优化方法和系统
Vlădăreanu et al. Robot digital twin towards industry 4.0
CN106444389A (zh) 一种废塑料裂解温度系统的模糊rbf网络优化pi控制方法
Smitiukh et al. Development of a prototype of an intelligent system for predicting the quality of dairy manufacture
Shahriari-Kahkeshi et al. Nonlinear continuous stirred tank reactor (cstr) identification and control using recurrent neural network trained shuffled frog leaping algorithm
CN117970782B (zh) 一种基于鱼鳞进化gsom改进的模糊pid控制方法
Zhou et al. Nonlinear Predictive Control Based on ELM Neural Network and Dung Beetle Optimization Algorithm
Jianjun et al. An AGC dynamic control method based on DQN algorithm
Nguyen et al. Deal with uncertainty systems using intelligent control methods
Damak et al. Indirect adaptive neural control using a hybrid learning algorithm
CN114020063B (zh) 一种基于模糊神经网络的中药饮片润药温度预测控制方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant