CN112596378A - 涂布厚度控制方法及涂布厚度控制模型的训练方法、装置 - Google Patents
涂布厚度控制方法及涂布厚度控制模型的训练方法、装置 Download PDFInfo
- Publication number
- CN112596378A CN112596378A CN202110226947.4A CN202110226947A CN112596378A CN 112596378 A CN112596378 A CN 112596378A CN 202110226947 A CN202110226947 A CN 202110226947A CN 112596378 A CN112596378 A CN 112596378A
- Authority
- CN
- China
- Prior art keywords
- coating thickness
- current
- thickness control
- target
- output
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B11/00—Automatic controllers
- G05B11/01—Automatic controllers electric
- G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
- G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P.I., P.I.D.
Abstract
本发明公开了一种涂布厚度控制方法及涂布厚度控制模型的训练方法、装置，涂布厚度控制方法包括：获取当前涂布厚度以及获取目标涂布厚度；将当前涂布厚度以及目标涂布厚度输入目标涂布厚度控制模型中，得到当前涂布厚度控制量，目标涂布厚度控制模型包括隐含层以及与隐含层连接的输出层，当前涂布厚度控制量是基于隐含层的当前输出与输出层上一次输出的涂布厚度控制量确定的；基于当前涂布厚度控制量对目标涂布机进行控制。本发明增加了网络本身处理动态信息的能力，保证网络能够及时跟随当前输入和过去输出的变化，提高了网络对历史数据的敏感性，提升了网络对动态信息的处理能力。
Description
技术领域
本发明涉及数据处理技术领域，具体涉及一种涂布厚度控制方法及涂布厚度控制模型的训练方法、装置。
背景技术
在涂布机的步进电机的电池极片狭缝挤压式涂布时，可以通过截流的方式调节狭缝流道横向压力分布，从而调节涂布量。截流的方式是通过步进电机驱动截流块上下移动，移动的位移量根据外部的厚度反馈值分析计算获得，因此调节块移动到目标位置的过程必须做到定位时间短和定位精度高。
然而对于涂布机的步进电机的控制往往是一个具有非线性、滞后性、时变性的复杂的过程，现有技术中对于涂布机的控制主要基于PID控制方法进行控制，由于PID控制参数是固定的，而涂布层的面密度变化受影响因素很多，是一个动态系统。若对于该动态系统采用固定的控制参数进行控制时，由于步进电机在截流块定位过程中受到不均衡的外力干扰，导致涂布厚度不均匀。
发明内容
有鉴于此，本发明实施例提供了一种涂布厚度控制方法及涂布厚度控制模型的训练方法、装置，解决现有技术中由于控制参数所导致的涂布厚度不均匀的问题。
根据第一方面，本发明实施例提供了一种涂布厚度控制方法，包括：
获取当前涂布厚度以及获取目标涂布厚度；
将所述当前涂布厚度以及所述目标涂布厚度输入目标涂布厚度控制模型中，得到当前涂布厚度控制量，所述目标涂布厚度控制模型包括隐含层以及与所述隐含层连接的输出层，所述当前涂布厚度控制量是基于所述隐含层的当前输出与所述输出层上一次输出的涂布厚度控制量确定的；
基于所述当前涂布厚度控制量对目标涂布机进行控制。
本发明实施例提供的涂布厚度控制方法，通过对上一次输出的反馈，增加了网络本身处理动态信息的能力，保证网络能够及时跟随当前输入和过去输出的变化，提高了网络对历史数据的敏感性，且所得到的控制量是随该动态系统的变化而变化的，使得收敛速度快，控制精度高，提升了网络对动态信息的处理能力，使得系统具有适应被控对象非线性时变的能力，以保证均匀的涂布厚度。
结合第一方面，在第一方面第一实施方式中，所述将所述当前涂布厚度以及所述目标涂布厚度输入目标涂布厚度控制模型中，得到当前涂布厚度控制量，包括：
保存所述输出层上一次输出的涂布厚度控制量；
将所述当前涂布厚度以及所述目标涂布厚度输入目标涂布厚度控制模型中，利用所述隐含层预测当前厚度控制量；
将所述上一次输出的涂布厚度控制量与预测的当前厚度控制量进行综合，得到所述当前涂布厚度控制量。
本发明实施例提供的涂布厚度控制方法，通过将当前涂布厚度以及目标涂布厚度输入目标涂布厚度控制模型中，利用隐含层预测当前厚度控制量，并且利用保存上一次输出的涂布厚度控制量以及预测当前厚度控制量确定最终的涂布厚度控制量，保证了控制精度的准确性以及鲁棒性。
结合第一方面第一实施方式，在第一方面第二实施方式中，所述保存所述输出层上一次输出的涂布厚度控制量，包括：利用所述目标涂布厚度控制模型中的输出反馈层，将所述输出层的上一次输出的涂布厚度控制量反馈至所述输出层。
本发明实施例提供的涂布厚度控制方法，通过输出反馈层对上一次输出的涂布厚度控制量进行存储与反馈，完成了对过去控制量的储存功能，提高了网络对历史数据的敏感性。
结合第一方面第二实施方式，在第一方面第三实施方式中，将所述上一次输出的涂布厚度控制量与预测的当前厚度控制量进行综合，得到所述当前涂布厚度控制量，包括：
将所述上一次输出的涂布厚度控制量乘以所述输出反馈层的权重，得到反馈控制量；
计算所述反馈控制量与预测的当前控制控制量之和，得到所述当前涂布厚度控制量。
结合第一方面或者第一方面任一实施方式的任一项，在第一方面第四实施方式中，所述当前涂布厚度控制量包括PID调节的各个控制参数，所述基于所述当前涂布厚度控制量对目标涂布机进行控制，包括：
计算所述当前涂布厚度与所述目标涂布厚度的差值；
利用所述差值以及所述PID调节的各个控制参数，确定当前厚度调节量；
基于所述调节量对所述目标涂布机进行控制。
本发明实施例提供的涂布厚度控制方法，通过当前涂布厚度与目标涂布厚度的差值以及网络输出的PID调节的各个控制参数对当前厚度调节量进行计算，进而对目标涂布机进行控制；保证了调节过程的响应速度更快，控制精度更高，进而保证了系统的动态性能以及鲁棒性。
根据第二方面，本发明实施例提供了一种涂布厚度控制模型的训练方法，包括：
获取样本厚度、目标样本厚度以及所述样本厚度对应的目标样本控制量；
将当前样本厚度以及目标样本厚度输入涂布厚度控制模型中，得到当前预测样本控制量，所述涂布厚度控制模型包括隐含层以及与所述隐含层连接的输出层，所述当前预测样本控制量是基于所述隐含层的当前输出与上一次预测样本控制量确定的；
基于所述当前预测样本控制量与所述目标样本控制量的偏差，对所述涂布厚度控制模型的参数进行调整，确定目标涂布厚度控制模型。
本发明实施例提供的涂布厚度控制模型的训练方法，通过对上一次输出的反馈，增加了网络本身处理动态信息的能力，保证网络能够及时跟随当前输入和过去输出的变化，提高了网络对历史数据的敏感性，且所得到的控制量是随该动态系统的变化而变化的，保证目标涂布厚度控制模型的准确性以及适应性，保证经过训练的神经网络的收敛速度快与控制精度，提升网络对动态信息的处理能力。
根据第三方面，本发明实施例提供了一种涂布厚度控制装置，包括：
第一获取模块，用于获取当前涂布厚度以及获取目标涂布厚度；
第一处理模块，用于将所述当前涂布厚度以及所述目标涂布厚度输入目标涂布厚度控制模型中，得到当前涂布厚度控制量，所述目标涂布厚度控制模型包括隐含层以及与所述隐含层连接的输出层，所述当前涂布厚度控制量是基于所述隐含层的当前输出与所述输出层上一次输出的涂布厚度控制量确定的；
第二处理模块，用于基于所述当前涂布厚度控制量对目标涂布机进行控制。
根据第四方面，本发明实施例提供了一种涂布厚度控制模型的训练装置，包括：
第二获取模块，用于获取样本厚度、目标样本厚度以及所述样本厚度对应的目标样本控制量；
第三处理模块，用于将当前样本厚度以及目标样本厚度输入涂布厚度控制模型中，得到当前预测样本控制量，所述涂布厚度控制模型包括隐含层以及与所述隐含层连接的输出层，所述当前预测样本控制量是基于所述隐含层的当前输出与上一次预测样本控制量确定的；
第四处理模块，用于基于所述当前预测样本控制量与所述目标样本控制量的偏差，对所述涂布厚度控制模型的参数进行调整，确定目标涂布厚度控制模型。
根据第五方面，本发明实施例提供了一种电子设备，此电子设备设置于涂布机上，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行第一方面或者第一方面的任意一种实施方式中所述的涂布厚度控制方法，或者执行第二方面或者第二方面的任意一种实施方式中所述的涂布厚度控制模型的训练方法。
根据第六方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行第一方面或者第一方面的任意一种实施方式中所述的涂布厚度控制方法，或者执行第二方面或者第二方面的任意一种实施方式中所述的涂布厚度控制模型的训练方法。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的涂布厚度控制方法的流程图；
图2是根据本发明实施例的目标涂布厚度控制模型的网络结构示意图；
图3是根据本发明优选实施例的确定当前涂布厚度控制量的流程图；
图4是根据本发明优选实施例的基于当前涂布厚度控制量对目标涂布机进行控制的流程图；
图5是根据本发明实施例的用普通的PID作为控制器的位置曲线图；
图6是根据本发明实施例的用Elman神经网络的PID控制器的位置曲线图；
图7是根据本发明实施例的改进的Elman神经网络的PID控制器的位置曲线图；
图8是根据本发明实施例的三种控制器的位置曲线组合示意图；
图9是根据本发明实施例的三种控制器的位置误差曲线图；
图10是根据本发明实施例的涂布厚度控制模型的训练方法的流程图；
图11是根据本发明实施例的涂布厚度控制装置的示意图；
图12是根据本发明实施例的涂布厚度控制模型的训练装置的示意图；
图13是本发明实施例提供的电子设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
根据本发明实施例，提供了一种涂布厚度控制方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行出或描述的步骤。
在实际应用中涂布机在进行涂布的过程中，通过截流的方式调节狭缝流道横向压力分布，从而调节涂布量。截流的方式是通过步进电机驱动截流块上下移动，移动的位移量根据外部的厚度反馈值分析计算获得。位移范围一般是1~1000微米，调节块移动到目标位置的过程必须做到定位时间短和定位精度高。现有的调节方法中P调节方法，能够实现较快的定位，但是定位精度很差，经常过冲；改进的PID调节方法能够做到过程位置比较和目标位置判断，但是由于狭缝流道存在较大的腔体内压，一般是150~400KPa，截流块定位过程中收到不均衡的外力干扰，造成截流块在目标位置震荡，定位时间超长。涂布量的变化的影响因素很多，是一个动态系统，因此对于动态系统采用静态神经网络进行控制，由于受控系统实时变化，会出现学习算法收敛速度慢，或不易收敛的问题，因此如何满足涂布机控制的非线性、滞后性、时变性的特点具有重要意义。
在本实施例中提供了一种涂布厚度控制方法，可用于涂布机。图1是根据本发明实施例的涂布厚度控制方法的流程图，如图1，该流程包括如下步骤：
S11，获取当前涂布厚度以及获取目标涂布厚度。
本实施例中，通过测厚仪直接测量当前涂布厚度，其中测厚仪可以包括X射线等放射性测厚仪、激光测厚仪等；对于目标涂布厚度可以是用户直接设置的标准统一的厚度，获取可以通过电子设备直接从外界获取到的，也可以是利用电子设备中的数据采集装置采集得到的，在此对电子设备获取目标涂布厚度的方式并不做任何限制，只需保证电子设备能够获取到目标涂布厚度即可。
在一具体实施例中，为了保证涂布面的水平与均匀，对于获取目标涂布厚度的过程，可以包括：获取多个涂布区域的涂布厚度测量值，直接将多个已经完成的涂布区域的涂布厚度值进行汇总，然后计算汇总后的所有涂布厚度测量值的均值得到目标涂布厚度，即将计算得到的所有涂布厚度测量值的平均值作为最终的目标涂布厚度，以尽可能的消除各个涂布区域的涂布厚度的差异，进而保证整体证涂布面的均匀性。
S12，将当前涂布厚度以及目标涂布厚度输入目标涂布厚度控制模型中，得到当前涂布厚度控制量，目标涂布厚度控制模型包括隐含层以及与隐含层连接的输出层，当前涂布厚度控制量是基于隐含层的当前输出与输出层上一次输出的涂布厚度控制量确定的。
对于目标涂布厚度控制模型适用于任意的递归神经网络，具体地，目标涂布厚度控制模型如图2所示，可以划分为输入层、隐含层以及输出层，其中，隐含层所对应的网络结构并不做任何限制，只需保证其通过对输入层的输入参数进行处理后，能够确定隐含层的当前输出；隐含层的当前输出结合输出层上一次的输出，即可确定出当前涂布厚度控制量。
本实施例用于对涂布机的模头电机的控制，可以发挥其收敛速度快，控制精度较高的优点，以对涂布厚度进行实时调整。而目标涂布厚度控制模型过去输出对系统当前的输入是有因果关系的，这样就增加了网络本身处理动态信息的能力，网络能够及时跟随当前输入和过去输出的变化，提高了网络对历史数据的敏感性，更重要的是，提升网络对动态信息的处理能力，使得目标涂布厚度控制模型具有适应被控对象非线性时变的能力。
例如，当采用PID调节时，所述的目标涂布控制量为kp、ki以及kd；当采用PI调节的时，所述的目标涂布控制量为kp以及ki。
S13，基于当前涂布厚度控制量对目标涂布机进行控制。在上述S12确定当前涂布厚度控制量之后，利用当前涂布厚度控制量确定步进电机的移动指令，进而对目标涂布机进行控制，具体的控制过程在下文进行详细阐述。
涂布机在得到当前涂布厚度控制量之后，结合相应的调节方法对目标涂布机进行控制。例如，当采用PID调节时，则利用当前涂布控制量kp、ki以及kd对涂布机进行控制，以保证涂布机的步进电机在截流块定位过程中受力均匀，进而保证涂布厚度均匀；当采用PI调节时，利用当前涂布控制量kp、ki对涂布机进行控制。
在实际应用中，在利用目标涂布厚度控制模型确定当前涂布厚度控制量之前，可以通过判断当前涂布厚度与目标涂布厚度的差值是否小于等于预设阈值，当差值小于等于预设阈值时，可以直接利用现有的涂布厚度控制量进行控制，无需重新计算确定涂布厚度控制量；如果差值大于预设阈值，则需要将当前涂布厚度以及目标涂布厚度输入目标涂布厚度控制模型中，得到当前涂布厚度控制量，以对目标涂布机进行控制。需要说明的是，本实施例中的预设阈值是根据实际的涂布工作需求以及工程经验进行设置，本发明并不以此为限。
本实施例提供的涂布厚度控制方法，通过对上一次输出的反馈，增加了网络本身处理动态信息的能力，保证网络能够及时跟随当前输入和过去输出的变化，提高了网络对历史数据的敏感性，且所得到的控制量是随该动态系统的变化而变化的，使得收敛速度快，控制精度高，提升了网络对动态信息的处理能力，使得系统具有适应被控对象非线性时变的能力，以保证均匀的涂布厚度。
在本实施例中提供了一种涂布厚度控制方法，图3是根据本发明实施例的涂布厚度控制方法的流程图，该流程包括如下步骤：
S21，获取当前涂布厚度以及获取目标涂布厚度。
详细请参见图1实施例的S11，在此不再赘述。
S22，将当前涂布厚度以及目标涂布厚度输入目标涂布厚度控制模型中，得到当前涂布厚度控制量。
具体地，上述S22可以包括如下步骤：
S221，保存输出层上一次输出的涂布厚度控制量。本实施例中将输出层上一次输出的涂布厚度控制量进行存储，可以通过外接的存储设备进行存储，只要能实现对输出层上一次输出的涂布厚度控制量的保存即可。
在本实施例的一些可选实施方式中，上述S221还可以利用目标涂布厚度控制模型中的输出反馈层，将输出层的上一次输出的涂布厚度控制量反馈至输出层。
S222，将当前涂布厚度以及目标涂布厚度输入目标涂布厚度控制模型中，利用隐含层预测当前厚度控制量。
本实施例中以一具体神经网络为例进行说明，例如Elman神经网络，其中目标涂布厚度控制模型（改进的Elman神经网络）是基于Elman神经网络的基础上进行设置的，是一种动态神经网络，将当前涂布厚度以及目标涂布厚度输入目标涂布厚度控制模型中预测得到当前厚度控制量，进而保证当前涂布厚度控制量是基于隐含层的当前输出与输出层上一次输出的涂布厚度控制量确定的。
目标涂布厚度控制模型的输入层神经元的个数为4个，隐含层神经元的个数为6个，输出层神经元的个数根据调节方法的不同而有所差异。输入层神经元分别为目标涂布厚度
，当前涂布厚度
，控制误差
，以及预设偏置值设置为1；输出层神经元为当前涂布厚度控制量，是与调节方法对应的具体的控制参数。
S223，将上一次输出的涂布厚度控制量与预测的当前厚度控制量进行综合，得到当前涂布厚度控制量。
在本实施例的一些可选实施方式中，上述S223可以包括如下步骤：
（1）将上一次输出的涂布厚度控制量乘以输出反馈层的权重，得到反馈控制量。在反向传播过程中，利用输出反馈层的权重乘以上一次输出的涂布厚度控制量，计算得到反馈控制量。
（2）计算反馈控制量与预测的当前控制控制量之和，得到当前涂布厚度控制量。
在实际应用中，各层网络配置如下所示：
1、输入层：
输入层的输入量详见上一实施例中的具描述；
输入层输出量为
，j=1,2,3,4；
2、隐含层：
隐含层输入量为：
，其中
表示输入层第i个神经元与隐含层第j个神经元之间的权重，
表示隐含反馈层的输出量，j=1,2,……,6；
隐含层输出量为：
，其中隐含层神经元的泛化函数为：
；
3、隐含反馈层：
隐含反馈层输入量为：
；
隐含反馈层输出量为：
，其中
表示隐含层第i个神经元与隐含反馈层第j个神经元之间的权重；
4、输出层：
输出层输入量为：
，其中
表示隐含层第i个神经元与输出层第l个神经元之间的权重，
表示输出反馈层的输出量，l=1,2,3；
输出层输出量为：
，其中神经元泛化函数为：
；
5、输出反馈层：
输出反馈层输入量为：
；
输出反馈层输出量为：
，其中
表示输出层第i个神经元与输出反馈层第j个神经元之间的权重；最后将上一次输出的涂布厚度控制量乘以输出反馈层的权重，得到反馈控制量。
S23，基于当前涂布厚度控制量对目标涂布机进行控制。
详细请参见图1实施例的S13，在此不再赘述。
本实施例提供的涂布厚度控制方法，通过对上一次输出的反馈，增加了网络本身处理动态信息的能力，保证网络能够及时跟随当前输入和过去输出的变化，提高了网络对历史数据的敏感性，且所得到的控制量是随该动态系统的变化而变化的，使得收敛速度快，控制精度高，提升了网络对动态信息的处理能力，使得系统具有适应被控对象非线性时变的能力，以保证均匀的涂布厚度；通过将当前涂布厚度以及目标涂布厚度输入目标涂布厚度控制模型中，利用隐含层预测当前厚度控制量，并且利用保存上一次输出的涂布厚度控制量以及预测当前厚度控制量确定最终的涂布厚度控制量；保证了控制精度的准确性以及鲁棒性。
在本实施例中提供了一种涂布厚度控制方法，图4是根据本发明实施例的涂布厚度控制方法的流程图，如图4，该流程包括如下步骤：
S31，获取当前涂布厚度以及获取目标涂布厚度。
详细请参见图1实施例的S11，在此不再赘述。
S32，将当前涂布厚度以及目标涂布厚度输入目标涂布厚度控制模型中，得到当前涂布厚度控制量，目标涂布厚度控制模型包括隐含层以及与隐含层连接的输出层，当前涂布厚度控制量是基于隐含层的当前输出与输出层上一次输出的涂布厚度控制量确定的。
详细请参见图1实施例的S12，在此不再赘述。
S33，基于当前涂布厚度控制量对目标涂布机进行控制。
作为本实施例的一种可选实施方式，当前涂布厚度控制量包括PID调节的各个控制参数，上述S33还可以包括如下步骤：
S331，计算当前涂布厚度与目标涂布厚度的差值。本实施例中如果当前涂布厚度控制量包括PID调节的各个控制参数，则上述过程中的输出就是三个神经元，分别为：
，
，
；将当前涂布厚度与目标涂布厚度做差，计算得到的差值
。
S332，利用差值以及PID调节的各个控制参数，确定当前厚度调节量。
通过以下公式，利用差值以及PID调节的各个控制参数计算当前厚度调节量
：
其中，
。需要说明的是，本实施例中仅以PID调节为例进行说明，在实际应用中可以根据实际需求选择其他调节方法，本实施例并不以此为限。
S333，基于调节量对目标涂布机进行控制。利用调节量确定步进电机的移动指令，进而通过移动指令对目标涂布机进行控制。
具体地，当被控对象的传递函数如下式所示：
，输入指令信号为
；分别用普通PID控制器，常用Elman神经网络的PID控制器，以及本实施例提供的改进的Elman神经网络的PID控制器进行控制，分别得出相应的仿真结果。
其中，图5中标号为1的线是输入的目标位置（yd）曲线，标号为2的线是用普通的PID作为控制器的位置（y1）曲线；图6中标号为1的线是输入的目标位置（yd）曲线，标号为2的线是用Elman神经网络的PID控制器的位置（y2）曲线；图7中标号为1的线是输入的目标位置（yd）曲线，标号为2的线是用改进的Elman神经网络的PID控制器的位置（y3）曲线；图8中标号为1的线是普通的PID控制器的位置（y1）曲线，标号为2的线是Elman神经网络的PID控制器的位置（y2）曲线，标号为3的线是改进的Elman神经网络的PID控制器的位置（y3）曲线；其中图5-8中的横坐标表示仿真时间，纵坐标表示位置值；图9中标号为1的线是普通的PID控制器的位置误差曲线，标号为2的线是Elman神经网络的PID控制器的位置误差曲线，标号为3的线是改进的Elman神经网络的PID控制器的位置误差曲线，其中图9中的横坐标表示仿真时间，纵坐标表示误差值。
通过上述仿真结果可知，改进的Elman神经网络的PID控制器相比于普通的PID控制器，以及Elman神经网络的PID控制器，响应速度更快，控制精度更高，具备更好动态性能和更好的鲁棒性。
本实施例提供的涂布厚度控制方法，通过对上一次输出的反馈，增加了网络本身处理动态信息的能力，保证网络能够及时跟随当前输入和过去输出的变化，提高了网络对历史数据的敏感性，且所得到的控制量是随该动态系统的变化而变化的，使得收敛速度快，控制精度高，提升了网络对动态信息的处理能力，使得系统具有适应被控对象非线性时变的能力，以保证均匀的涂布厚度；通过当前涂布厚度与目标涂布厚度的差值以及网络输出的PID调节的各个控制参数对当前厚度调节量进行计算，进而对目标涂布机进行控制；保证了调节过程的响应速度更快，控制精度更高，进而保证了系统的动态性能以及鲁棒性。
在本实施例中提供了一种涂布厚度控制模型的训练方法，图10是根据本发明实施例的涂布厚度控制模型的训练方法的流程图，如图10，该流程包括如下步骤：
S41，获取样本厚度、目标样本厚度以及样本厚度对应的目标样本控制量。在本实施例中，还以上述PID调节为例进行说明，获取样本厚度、目标样本厚度的过程参照上述S11的详细过程，对于PID调节样本厚度对应的目标样本控制量即为PID调节的各个控制参数。
S42，将当前样本厚度以及目标样本厚度输入涂布厚度控制模型中，得到当前预测样本控制量，涂布厚度控制模型包括隐含层以及与隐含层连接的输出层，当前预测样本控制量是基于隐含层的当前输出与上一次预测样本控制量确定的。
本实施例的训练过程与控制过程的方法类似，可以参见图1实施例的S12，在此不再赘述。
S43，基于当前预测样本控制量与目标样本控制量的偏差，对涂布厚度控制模型的参数进行调整，确定目标涂布厚度控制模型。
首先定义系统性能指标为：
；
然后基于当前预测样本控制量与目标样本控制量的偏差，对涂布厚度控制模型的参数进行调整，即对各层网络的权重更新，确定目标涂布厚度控制模型，其中共有4个权重需要更新：
第一计算隐含层与输出层神经元之间的权重的修正量；
其中：
，
，
；
令
则：
将上述公式整理如下：
而且当
，计算得到修正后的隐含层与输出层神经元之间的权重：
第二计算输入层与隐含层神经元之间的权重的修正量：
其中，令
，则有：
因此：
而且当
，则计算输入层与隐含层神经元之间的权重：
第三计算输出层与输出反馈层神经元之间的权重的修正量：
最终计算输出层与输出反馈层神经元之间的权重：
第四计算隐含层与隐含反馈层神经元之间的权重的修正量：
令
，则有：
因此：
而且当
，计算隐含层与隐含反馈层神经元之间的权重：
本发明实施例提供的涂布厚度控制模型的训练方法，通过对上一次输出的反馈，增加了网络本身处理动态信息的能力，保证网络能够及时跟随当前输入和过去输出的变化，提高了网络对历史数据的敏感性，且所得到的控制量是随该动态系统的变化而变化的，保证目标涂布厚度控制模型的准确性以及适应性，保证经过训练的神经网络的收敛速度快与控制精度，提升网络对动态信息的处理能力。
在本实施例中还提供了一种涂布厚度控制装置以及涂布厚度控制模型的训练装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
本实施例提供一种涂布厚度控制装置，如图11，包括：第一获取模块1，用于获取当前涂布厚度以及获取目标涂布厚度；第一处理模块2，用于将当前涂布厚度以及目标涂布厚度输入目标涂布厚度控制模型中，得到当前涂布厚度控制量，目标涂布厚度控制模型包括隐含层以及与隐含层连接的输出层，当前涂布厚度控制量是基于隐含层的当前输出与输出层上一次输出的涂布厚度控制量确定的；第二处理模块3，用于基于当前涂布厚度控制量对目标涂布机进行控制。
本实施例提供一种涂布厚度控制模型的训练装置，如图12，包括：第二获取模块01，用于获取样本厚度、目标样本厚度以及样本厚度对应的目标样本控制量；第三处理模块02，用于将当前样本厚度以及目标样本厚度输入涂布厚度控制模型中，得到当前预测样本控制量，涂布厚度控制模型包括隐含层以及与隐含层连接的输出层，当前预测样本控制量是基于隐含层的当前输出与上一次预测样本控制量确定的；第四处理模块03，用于基于当前预测样本控制量与目标样本控制量的偏差，对涂布厚度控制模型的参数进行调整，确定目标涂布厚度控制模型。
本实施例中的涂布厚度控制装置以及涂布厚度控制模型的训练装置是以功能单元的形式来呈现，这里的单元是指ASIC电路，执行一个或多个软件或固定程序的处理器和存储器，和/或其他可以提供上述功能的器件。
上述各个模块的更进一步的功能描述与上述对应实施例相同，在此不再赘述。
本发明实施例还提供一种电子设备，具有上述图11的涂布厚度控制装置和图12的涂布厚度控制模型的训练装置。
请参阅图13，图13是本发明可选实施例提供的一种电子设备的结构示意图，如图13，该电子设备可以包括：至少一个处理器601，例如CPU（Central Processing Unit，中央处理器），至少一个通信接口603，存储器604，至少一个通信总线602。其中，通信总线602用于实现这些组件之间的连接通信。其中，通信接口603可以包括显示屏（Display）、键盘（Keyboard），可选通信接口603还可以包括标准的有线接口、无线接口。存储器604可以是高速RAM存储器（Random Access Memory，易挥发性随机存取存储器），也可以是非不稳定的存储器（non-volatile memory），例如至少一个磁盘存储器。存储器604可选的还可以是至少一个位于远离前述处理器601的存储装置。其中处理器601可以结合图11和图12所描述的装置，存储器604中存储应用程序，且处理器601调用存储器604中存储的程序代码，以用于执行上述任一方法步骤。
其中，通信总线602可以是外设部件互连标准（peripheral componentinterconnect，简称PCI）总线或扩展工业标准结构（extended industry standardarchitecture，简称EISA）总线等。通信总线602可以分为地址总线、数据总线、控制总线等。为便于表示，图13中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器604可以包括易失性存储器（英文：volatile memory），例如随机存取存储器（英文：random-access memory，缩写：RAM）；存储器也可以包括非易失性存储器（英文：non-volatile memory），例如快闪存储器（英文：flash memory），硬盘（英文：hard diskdrive，缩写：HDD）或固态硬盘（英文：solid-state drive，缩写：SSD）；存储器604还可以包括上述种类的存储器的组合。
其中，处理器601可以是中央处理器（英文：central processing unit，缩写：CPU），网络处理器（英文：network processor，缩写：NP）或者CPU和NP的组合。
其中，处理器601还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路（英文：application-specific integrated circuit，缩写：ASIC），可编程逻辑器件（英文：programmable logic device，缩写：PLD）或其组合。上述PLD可以是复杂可编程逻辑器件（英文：complex programmable logic device，缩写：CPLD），现场可编程逻辑门阵列（英文：field-programmable gate array，缩写：FPGA），通用阵列逻辑（英文：generic arraylogic, 缩写：GAL）或其任意组合。
可选地，存储器604还用于存储程序指令。处理器601可以调用程序指令，实现如本申请图1、3和4实施例中的涂布厚度控制方法，和本申请图10实施例中的涂布厚度控制模型的训练方法。
本发明实施例还提供了一种非暂态计算机存储介质，计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的方法。其中，存储介质可为磁碟、光盘、只读存储记忆体（Read-Only Memory，ROM）、随机存储记忆体（RandomAccess Memory，RAM）、快闪存储器（Flash Memory）、硬盘（Hard Disk Drive，缩写：HDD）或固态硬盘（Solid-State Drive，SSD)等；存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种涂布厚度控制方法，其特征在于，所述控制方法包括：
获取当前涂布厚度以及获取目标涂布厚度；
将所述当前涂布厚度以及所述目标涂布厚度输入目标涂布厚度控制模型中，得到当前涂布厚度控制量，所述目标涂布厚度控制模型包括隐含层以及与所述隐含层连接的输出层，所述当前涂布厚度控制量是基于所述隐含层的当前输出与所述输出层上一次输出的涂布厚度控制量确定的；
基于所述当前涂布厚度控制量对目标涂布机进行控制。
2.根据权利要求1所述的控制方法，其特征在于，所述将所述当前涂布厚度以及所述目标涂布厚度输入目标涂布厚度控制模型中，得到当前涂布厚度控制量，包括：
保存所述输出层上一次输出的涂布厚度控制量；
将所述当前涂布厚度以及所述目标涂布厚度输入目标涂布厚度控制模型中，利用所述隐含层预测当前厚度控制量；
将所述上一次输出的涂布厚度控制量与预测的当前厚度控制量进行综合，得到所述当前涂布厚度控制量。
3.根据权利要求2所述的控制方法，其特征在于，所述保存所述输出层上一次输出的涂布厚度控制量，包括：
利用所述目标涂布厚度控制模型中的输出反馈层，将所述输出层的上一次输出的涂布厚度控制量反馈至所述输出层。
4.根据权利要求3所述的控制方法，其特征在于，将所述上一次输出的涂布厚度控制量与预测的当前厚度控制量进行综合，得到所述当前涂布厚度控制量，包括：
将所述上一次输出的涂布厚度控制量乘以所述输出反馈层的权重，得到反馈控制量；
计算所述反馈控制量与预测的当前控制控制量之和，得到所述当前涂布厚度控制量。
5.根据权利要求1-4中任一项所述的控制方法，其特征在于，所述当前涂布厚度控制量包括PID调节的各个控制参数，所述基于所述当前涂布厚度控制量对目标涂布机进行控制，包括：
计算所述当前涂布厚度与所述目标涂布厚度的差值；
利用所述差值以及所述PID调节的各个控制参数，确定当前厚度调节量；
基于所述调节量对所述目标涂布机进行控制。
6.一种涂布厚度控制模型的训练方法，其特征在于，包括：
获取样本厚度、目标样本厚度以及所述样本厚度对应的目标样本控制量；
将当前样本厚度以及目标样本厚度输入涂布厚度控制模型中，得到当前预测样本控制量，所述涂布厚度控制模型包括隐含层以及与所述隐含层连接的输出层，所述当前预测样本控制量是基于所述隐含层的当前输出与上一次预测样本控制量确定的；
基于所述当前预测样本控制量与所述目标样本控制量的偏差，对所述涂布厚度控制模型的参数进行调整，确定目标涂布厚度控制模型。
7.一种涂布厚度控制装置，其特征在于，包括：
第一获取模块，用于获取当前涂布厚度以及获取目标涂布厚度；
第一处理模块，用于将所述当前涂布厚度以及所述目标涂布厚度输入目标涂布厚度控制模型中，得到当前涂布厚度控制量，所述目标涂布厚度控制模型包括隐含层以及与所述隐含层连接的输出层，所述当前涂布厚度控制量是基于所述隐含层的当前输出与所述输出层上一次输出的涂布厚度控制量确定的；
第二处理模块，用于基于所述当前涂布厚度控制量对目标涂布机进行控制。
8.一种涂布厚度控制模型的训练装置，其特征在于，包括：
第二获取模块，用于获取样本厚度、目标样本厚度以及所述样本厚度对应的目标样本控制量；
第三处理模块，用于将当前样本厚度以及目标样本厚度输入涂布厚度控制模型中，得到当前预测样本控制量，所述涂布厚度控制模型包括隐含层以及与所述隐含层连接的输出层，所述当前预测样本控制量是基于所述隐含层的当前输出与上一次预测样本控制量确定的；
第四处理模块，用于基于所述当前预测样本控制量与所述目标样本控制量的偏差，对所述涂布厚度控制模型的参数进行调整，确定目标涂布厚度控制模型。
9.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令被处理器执行时实现如权利要求1-5任一项所述的涂布厚度控制方法，或者实现如权利要求6所述的涂布厚度控制模型的训练方法。
10.一种电子设备，其特征在于，包括：
存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行如权利要求1-5任一项所述的涂布厚度控制方法，或者执行如权利要求6所述的涂布厚度控制模型的训练方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110226947.4A CN112596378A (zh) | 2021-03-02 | 2021-03-02 | 涂布厚度控制方法及涂布厚度控制模型的训练方法、装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110226947.4A CN112596378A (zh) | 2021-03-02 | 2021-03-02 | 涂布厚度控制方法及涂布厚度控制模型的训练方法、装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112596378A true CN112596378A (zh) | 2021-04-02 |
Family
ID=75207670
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110226947.4A Pending CN112596378A (zh) | 2021-03-02 | 2021-03-02 | 涂布厚度控制方法及涂布厚度控制模型的训练方法、装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112596378A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024041305A1 (zh) * | 2022-08-22 | 2024-02-29 | 无锡先导智能装备股份有限公司 | 涂布控制方法、装置、控制设备和存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN202497997U (zh) * | 2011-08-16 | 2012-10-24 | 蚌埠丰原涂山制药有限公司 | 一种新型盘旋式药膜涂布机 |
| CN203944525U (zh) * | 2014-02-18 | 2014-11-19 | 弗安(上海)企业发展有限公司 | 一种小型热熔胶连续涂布机 |
| CN104635692A (zh) * | 2014-12-31 | 2015-05-20 | 深圳市华星光电技术有限公司 | 涂布光阻膜的方法以及使用该方法的涂布设备 |
| CN105921370A (zh) * | 2016-06-21 | 2016-09-07 | 华中科技大学 | 一种挤压涂布机膜厚控制方法 |
-
2021
- 2021-03-02 CN CN202110226947.4A patent/CN112596378A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN202497997U (zh) * | 2011-08-16 | 2012-10-24 | 蚌埠丰原涂山制药有限公司 | 一种新型盘旋式药膜涂布机 |
| CN203944525U (zh) * | 2014-02-18 | 2014-11-19 | 弗安(上海)企业发展有限公司 | 一种小型热熔胶连续涂布机 |
| CN104635692A (zh) * | 2014-12-31 | 2015-05-20 | 深圳市华星光电技术有限公司 | 涂布光阻膜的方法以及使用该方法的涂布设备 |
| CN105921370A (zh) * | 2016-06-21 | 2016-09-07 | 华中科技大学 | 一种挤压涂布机膜厚控制方法 |
Non-Patent Citations (2)
| Title |
|---|
| 时小虎 等: "改进的Elman模型与递归反传控制神经网络", 《软件学报》 * |
| 蔡鑫 等: "改进Elman神经网络在氧化还原电位预测中的应用", 《安徽大学学报(自然科学版)》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024041305A1 (zh) * | 2022-08-22 | 2024-02-29 | 无锡先导智能装备股份有限公司 | 涂布控制方法、装置、控制设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106874581B (zh) | 一种基于bp神经网络模型的建筑空调能耗预测方法 | |
| US11604472B2 (en) | Method for controlling vehicle speed for autonomous driving, electronic device, and computer-readable storage medium | |
| CN108762114B (zh) | 拉丝机控制方法、装置、拉丝机控制设备和存储介质 | |
| JP2017030067A (ja) | 加工時間測定機能とオンマシン測定機能を有する制御装置付き加工装置 | |
| CN106292550B (zh) | 具有在线优化控制增益的功能的伺服控制装置 | |
| US20190171176A1 (en) | Thermal compensation method and thermal compensation control system for machine tools | |
| WO2021098246A1 (zh) | 一种电能表寿命预测方法、装置及存储介质 | |
| CN113075881B (zh) | 一种pid控制器的参数调节方法、装置及电子设备 | |
| CN106877746A (zh) | 速度控制方法和速度控制装置 | |
| CN112596378A (zh) | 涂布厚度控制方法及涂布厚度控制模型的训练方法、装置 | |
| CN114800500B (zh) | 一种用于打磨机器人的柔性恒力控制方法及系统 | |
| KR20220079948A (ko) | 선형 모델링 및 최적화를 사용한 자동화된 액체 접착제 분배 | |
| US20200097439A1 (en) | Systems and methods for improving the interpretability and transparency of machine learning models | |
| CN114216911A (zh) | 一种金属选择性激光熔化成型中铺粉质量监测及控制方法 | |
| CN117033860A (zh) | 驱动轴跟踪误差的参数敏感性分析方法及装置 | |
| CN116131668A (zh) | 一种电机智能调节方法、系统、设备及存储介质 | |
| CN116292057A (zh) | 一种可变速抽水蓄能机组的控制方法、装置、设备及介质 | |
| DE102019213431A1 (de) | Steuervorrichtung, CNC-Vorrichtung und Steuerverfahren | |
| CN116339145A (zh) | 机台参数调控方法、设备及存储介质 | |
| CN115907192A (zh) | 风电功率波动区间预测模型的生成方法、装置及电子设备 | |
| CN113325698A (zh) | 抹光机控制方法、装置、计算机设备和存储介质 | |
| CN113705929A (zh) | 一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法 | |
| CN115380258A (zh) | 减少机床内的摩擦 | |
| CN111210877A (zh) | 一种推断物性参数的方法及装置 | |
| CN107093001A (zh) | 区域控制方法及装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210402 |
|
| RJ01 | Rejection of invention patent application after publication |