CN112596396B - 一种涂布机模头调节、调节参数计算模型训练方法及装置 - Google Patents
一种涂布机模头调节、调节参数计算模型训练方法及装置 Download PDFInfo
- Publication number
- CN112596396B CN112596396B CN202110226838.2A CN202110226838A CN112596396B CN 112596396 B CN112596396 B CN 112596396B CN 202110226838 A CN202110226838 A CN 202110226838A CN 112596396 B CN112596396 B CN 112596396B
- Authority
- CN
- China
- Prior art keywords
- parameters
- coating machine
- training
- adjusting
- die head
- 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
Links
- 238000012549 training Methods 0.000 title claims abstract description 156
- 239000011248 coating agent Substances 0.000 title claims abstract description 137
- 238000000576 coating method Methods 0.000 title claims abstract description 137
- 238000004364 calculation method Methods 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000003062 neural network model Methods 0.000 claims description 37
- 230000015654 memory Effects 0.000 claims description 15
- 239000002002 slurry Substances 0.000 claims description 14
- 239000007787 solid Substances 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 4
- 239000010410 layer Substances 0.000 description 23
- 210000002569 neuron Anatomy 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 210000004205 output neuron Anatomy 0.000 description 7
- 210000002364 input neuron Anatomy 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000009795 derivation Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000004308 accommodation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000011247 coating layer Substances 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Coating Apparatus (AREA)
- Application Of Or Painting With Fluid Materials (AREA)
Abstract
本发明提供了一种涂布机模头调节、调节参数计算模型训练方法及装置,涂布机模头调节方法包括:获取涂布机模头的多个运行参数;根据涂布机模头的运行参数得到多个输入参数,其中,每个运行参数与至少一个输入参数对应,各个输入参数是利用至少两个运行参数相乘得到的;将输入参数和运行参数输入至预设的调节参数计算模型,得到涂布机模头的调节参数,采用调节参数调节涂布机模头。涂布机模头的运行参数远离平衡状态时,输入参数远离平衡状态的现象会更加明显,调节参数计算模型结合输入参数能够更容易求得使得涂布机模头控制器处于平衡状态的调节参数,因此实施本发明可以使涂布机模头控制器正常运行。
Description
技术领域
本发明涉及自动控制技术领域,具体涉及一种涂布机模头调节、调节参数计算模型训练方法及装置。
背景技术
涂布机由多个全自动模头组成,为了使得涂布机能够更好地运行,需要根据涂布机的参数对全自动模头进行调节。现有方法中,通常会将涂布机的参数直接输入至训练好的神经网络模型中,通过训练好的神经网络模型得到全自动模头的调节参数,利用该调节参数对全自动模头进行调节,使得涂布机更好地运行。
但是全自动模头形成的闭环调节系统输入信号较多,会受到多种因素的扰动,且模头输出控制量又要求极高的控制精度。针对这种大输入信号、大扰动、高控制精度的控制系统,直接使用涂布机的参数作为输入参数是无法得到准确的调节参数的。
发明内容
因此,本发明要解决的技术问题在于克服现有技术中无法得到准确的调节参数缺陷,从而提供一种涂布机模头调节、调节参数计算模型训练方法及装置。
本发明第一方面提供了一种涂布机模头调节方法,包括:获取涂布机模头的多个运行参数;根据所述涂布机模头的运行参数得到多个输入参数,其中,每个所述运行参数与至少一个所述输入参数对应,各个所述输入参数是利用至少两个所述运行参数相乘得到的;将输入参数和运行参数输入至预设的调节参数计算模型,得到涂布机模头的调节参数,采用调节参数调节涂布机模头。
可选地,在本发明提供的涂布机模头调节方法中,根据涂布机模头的运行参数得到多个输入参数,包括:确定计算所述输入参数所需的所述运行参数的数量;根据所述涂布机模头的运行参数和确定出的数量计算所述输入参数。
可选地,在本发明提供的涂布机模头调节方法中,根据所述涂布机模头的运行参数和确定出的数量计算所述输入参数,包括:根据确定出的数量,确定计算所述运行参数对应的各个输入参数所需的运行参数;对确定出的运行参数进行组合, 并将各组合中包含的运行参数的乘积作为所述输入参数。
可选地,在本发明提供的涂布机模头调节方法中,将输入参数和运行参数输入至预设的调节参数计算模型,包括:对运行参数和输入参数进行归一化处理;将归一化处理后的运行参数和输入参数输入至预设的调节参数计算模型。
本发明第二方面提供了一种调节参数计算模型训练方法,包括:获取训练数据,所述训练数据包括训练运行参数、训练输入参数和训练调节参数,所述训练运行数据与至少一个所述输入参数对应,各个所述训练输入参数是利用至少两个所述训练运行参数相乘得到的;将训练运行参数和训练输入参数输入至初始神经网络模型中,得到预测调节参数;根据预测调节参数和训练调节参数对初始神经网络模型进行修正,得到调节参数计算模型。
可选地,在本发明提供的调节参数计算模型训练方法中,根据预测调节参数和训练调节参数对初始神经网络模型进行修正,得到调节参数计算模型,包括:根据预测调节参数和训练调节参数计算预测误差;根据所述预测误差对所述初始神经网络模型中的参数进行修正,将修正参数后的神经网络模型确定为所述调节参数计算模型。
本发明第三方面提供了一种涂布机模头调节装置,包括:运行参数获取模块,用于获取涂布机模头的多个运行参数;输入参数计算模块,用于根据所述涂布机模头的运行参数得到多个输入参数,其中,每个所述运行参数与至少一个所述输入参数对应,各个所述输入参数是利用至少两个所述运行参数相乘得到的;调节参数计算模块, 用于将输入参数和运行参数输入至预设的调节参数计算模型,得到涂布机模头的调节参数,采用调节参数调节涂布机模头。
本发明第四方面提供了一种调节参数计算模型训练装置,包括:训练数据获取模块,用于获取训练数据,所述训练数据包括训练运行参数、训练输入参数和训练调节参数,所述训练运行数据与至少一个所述输入参数对应,各个所述训练输入参数是利用至少两个所述训练运行参数相乘得到的;预测调节参数计算模块,用于将训练运行参数和训练输入参数输入至初始神经网络模型中,得到预测调节参数;初始模型修正模块,用于根据预测调节参数和训练调节参数对初始神经网络模型进行修正,得到调节参数计算模型。
本发明第五方面提供了一种计算机设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,从而执行如本发明第一方面提供的涂布机模头调节方法,或,如本发明第二方面提供的调节参数计算模型训练方法。
本发明第六方面提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机指令,计算机指令用于使计算机执行如本发明第一方面提供的涂布机模头调节方法,或,如本发明第二方面提供的调节参数计算模型训练方法。
本发明技术方案,具有如下优点:
1.本发明提供的涂布机模头调节方法,在通过调节参数计算模型计算涂布机模头的调节参数时,先根据涂布机模头的参数得到至少一个输入参数,然后将运行参数和输入参数输入至调节参数计算模型中,得到涂布机模头的调节参数。输入参数是由多个运行参数相乘得到的,当各涂布机远离平衡状态时,涂布机模头的运行参数也远离平衡状态,由多个运行参数相乘得到的输入参数远离平衡状态的现象会更加明显,因此,调节参数计算模型在结合输入参数计算调节参数时,能够更容易求得使得涂布机处于平衡状态的调节参数。由此可见,通过本发明提供的涂布机模头调节方法可以快速确定能够使涂布机模头控制器处于平衡状态的调节参数,利用实施本发明提供的方法计算得到的调节参数调节涂布机模头,可以使涂布机模头控制器正常运行。
2.本发明提供的调节参数计算模型训练方法,对初始神经网络模型进行训练时所使用的训练参数包括训练运行参数、训练输入参数和训练调节参数,其中,训练输入参数是由多个训练运行参数相乘得到的,当各涂布机远离平衡状态时,涂布机模头的运行参数也远离平衡状态,由多个运行参数相乘得到的输入参数远离平衡状态的现象会更加明显,因此,结合训练输入参数训练得到的调节参数计算模型可以快速确定能够使涂布机模头控制器处于平衡状态的调节参数。
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为本发明实施例中涂布机模头调节方法的一个具体示例的流程图;
图2为本发明实施例中调节参数计算模型训练方法的一个具体示例的流程图;
图3为本发明实施例中涂布机模头调节装置的一个具体示例的原理框图;
图4为本发明实施例中调节参数计算模型训练装置的一个具体示例的原理框图;
图5为本发明实施例中提供的计算机设备的原理框图。
具体实施方式
下面将结合附图对本发明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,本领域普通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。
在本发明的描述中,需要说明的是,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
本发明实施例提供了一种涂布机模头调节方法,如图1所示,包括:
步骤S11:获取涂布机模头的多个运行参数。
在一可选实施例中,涂布机模头的运行参数包括:涂布机涂布实时速度x1、涂布机模头间隙x2、涂布机实时泵速x3、涂布机模头进口处实时压力x4、涂布机模腔内实时压力x5、涂布机实时流量x6、浆料粘度x7、浆料固含量x8、垫片尺寸x9、涂层每毫米的面密度数据x10、膜腔内实时温度x11、膜腔内实时湿度x12中的任意一项或多项。
步骤S12:根据涂布机模头的运行参数得到多个输入参数,其中,每个所述运行参数与至少一个所述输入参数对应,各个所述输入参数是利用至少两个所述运行参数相乘得到的。
在一可选实施例中,输入参数为多个运行参数的乘积,且形成输入参数的乘数可以为互不相同的运行参数,也可以包括相同运行参数,即,输入参数可以由至少两个不同的运行参数相乘得到,如x1x2、x2x3x4等,输入参数可以为一个运行参数的多次幂,如x12、x22等,还可以为一个运行参数的多次幂与其他运行参数的乘积,如x12x2、x22x3x4等。
步骤S13:将输入参数和运行参数输入至预设的调节参数计算模型,得到涂布机模头的调节参数,采用调节参数调节涂布机模头。在一可选实施例中,预设的调节参数计算模型是由BP神经网络模型训练得到的,预设的调节参数计算模型的输入至少包括输入参数和运行参数,预设的调节参数计算模型的输出包括至少一个调节参数。
在一可选实施例中,涂布机模头的调节参数包括模头狭缝调节值u1、接收泵速增量调节值u2、接收间隙增量调节值u3中的一项或多项。
在一可选实施例中,上述步骤S12具体包括:
首先,确定计算所述输入参数所需的所述运行参数的数量。
在可选实施例中,可以根据运行参数得到多个输入参数,形成各输入参数的运行参数的数量可以相同,也可以不同,在具体实施例中,考虑到计算的复杂性,可以设定形成各输入参数的运行参数的数量相同。
然后,根据涂布机模头的运行参数和确定出的数量计算输入参数。
在一可选实施例中,根据涂布机模头的运行参数和确定出的数量计算输入参数的步骤具体包括:
首先,根据确定出的数量确定计算所述运行参数对应的各个输入参数所需的运行参数,例如,当确定出的计算输入参数的数量为2时,表示可以由两个相同的运行参数相乘得到输入参数,也可以由两个不同的运行参数相乘得到输入参数。
然后,确定出的运行参数进行组合, 并将各组合中包含的运行参数的乘积作为输入参数。
在一具体实施例中,当运行参数为涂布机涂布实时速度x1、涂布机模头间隙x2、涂布机实时泵速x3、涂布机模头进口处实时压力x4、涂布机模腔内实时压力x5、涂布机实时流量x6、浆料粘度x7、浆料固含量x8、垫片尺寸x9、涂层每毫米的面密度数据x10、膜腔内实时温度x11、膜腔内实时湿度x12,计算输入参数的运行参数的数量为2时,通过上述步骤计算得到的输入参数如下表1所示,表1中的第二列参数为根据运行参数计算得到的输入参数。
表1
在一可选实施例中,还可以将预定指数和运行参数输入至以下公式中:
通过以上公式可以得到一个多项式,多项式中的每一项都可以确定为输入参数。
在一具体实施例中,上述公式可以由动力学方程得到,一般地,系统的动力学方程有如下的形式:
对于一个n维系统,由上式第一行可知:
依据泰勒公式与威尔斯·特拉斯逼近定理,由多维泰勒网优化控制模型可得:
根据泰勒公式可知,如果某函数在某点领域处处m+1阶可导,则该函数在该点展开式为变量幂级数之和不大于m次的形式。
在一具体实施例中,在计算调节参数时,输入至预设的调节参数计算模型中的参数不仅包括运行参数和输入参数,还可以包括常数项,例如,通过泰勒公式形成输入参数时,不仅会产生多次项,还会产生常数1,因此,当运行参数为涂布机涂布实时速度x1、涂布机模头间隙x2、涂布机实时泵速x3、涂布机模头进口处实时压力x4、涂布机模腔内实时压力x5、涂布机实时流量x6、浆料粘度x7、浆料固含量x8、垫片尺寸x9、涂层每毫米的面密度数据x10、膜腔内实时温度x11、膜腔内实时湿度x12,预定指数值为2时,输入预设的调节参数计算模型中的参数如表2所示:
表2
在一可选实施例中,在将运行参数和输入参数输入至预设的调节参数计算模型前,还需要对于运行参数和输入参数进行归一化处理,从而将归一化处理后的运行参数和输入参数输入至预设的调节参数计算模型。
在本发明实施例中,在对运行参数和输入参数进行归一化处理时,先从运行参数和输入参数中确定最大值和最小值,然后基于最大值和最小值对运行参数和输入参数进行归一化处理,将运行参数和输入参数的值映射到[0,1]之间,转换函数如下:
其中,max为最大值,min为最小值,x为运行参数或输入参数。
本发明实施例提供的涂布机模头调节方法,在通过调节参数计算模型计算涂布机模头的调节参数时,先根据涂布机模头的参数得到至少一个输入参数,然后将运行参数和输入参数输入至调节参数计算模型中,得到涂布机模头的调节参数。输入参数是由多个运行参数相乘得到的,当涂布机模头的运行参数远离平衡状态时,由多个运行参数相乘得到的输入参数远离平衡状态的现象会更加明显,因此,调节参数计算模型在结合输入参数计算调节参数时,能够更容易求得使得涂布机模头控制器处于平衡状态的调节参数。由此可见,通过本发明实施例提供的涂布机模头调节方法可以快速确定能够使涂布机模头控制器处于平衡状态的调节参数,利用实施本发明实施例提供的方法计算得到的调节参数调节涂布机模头,可以使涂布机模头控制器正常运行。
本发明实施例还提供了一种调节参数计算模型训练方法,通过本发明实施例提供的调节参数计算模型训练方法训练得到的调节参数计算模型应用于上述实施例中的涂布机模头调节方法,如图2所示,调节参数计算模型训练方法包括:
步骤S21:获取训练数据,所述训练数据包括训练运行参数、训练输入参数和训练调节参数,所述训练运行数据与至少一个所述输入参数对应,各个所述训练输入参数是利用至少两个所述训练运行参数相乘得到的,训练运行参数、训练输入参数、训练调节参数、以及计算训练输入参数的详细内容参见上述实施例中对运行参数、训练输入参数和调节参数的描述。
步骤S22:将训练运行参数和训练输入参数输入至初始神经网络模型中,得到预测调节参数。
步骤S23:根据预测调节参数和训练调节参数对初始神经网络模型进行修正,得到调节参数计算模型。
在一可选实施例中,根据预测调节参数和训练调节参数对初始神经网络模型进行修正的步骤,包括:
根据预测调节参数和训练调节参数计算预测误差;
根据所述预测误差对所述初始神经网络模型中的参数进行修正,将修正参数后的神经网络模型确定为所述调节参数计算模型。
具体地,在形成调节参数计算模型前,需要对初始神经网络模型中的参数进行迭代更新,直到神经网络模型得到的预测误差满足预设条件,或,迭代次数大于预设阈值,则停止修正,将此时的神经网络模型确定为调节参数计算模型。
在一具体实施例中,由于训练运行参数、训练输入参数与输出之间可能强相关,也可能弱相关。由于认识上的不足,以及检测手段的局限,甚至可能会遗漏某些相关性因素,难以量化各输入与输出之间的关联性,因此,如果对所有输入变量的各幂次乘积项进行直接加权求和,无法准确计算出调节参数。出于对系统高度非线性的考量,本发明实施例中采用BP神经网络作为初始神经网络,通过训练运行参数、训练输入参数、训练调节参数对BP神经网络中的参数进行修正,从而得到调节参数计算模型。
BP神经网络包括输入层、隐藏层和输出层,其中,输入层包括多个输入神经元,隐藏层包括多个隐藏神经元,输出层包括多个输出神经元,输入神经元的数量由输入BP神经网络中的参数数量确定,输出神经元的数量由训练调节参数的数量确定,隐藏神经元的数量由训练运行参数、训练输入参数、训练调节参数的数量共同确定。
在对BP神经网络进行训练时,训练过程包括向前传播过程推导和反向传播过程推导,其中,向前传播过程推导包括:
输入层到隐藏层:
隐藏层的激活函数,用sigmoid函数:
隐藏层到输出层:
输出层的激活函数,用双s函数:
反向传播过程推导包括:
从输出层到隐藏层:
从隐藏层到输入层:
本发明实施例提供的调节参数计算模型训练方法,对初始神经网络模型进行训练时所使用的训练参数包括训练运行参数、训练输入参数和训练调节参数,其中,训练输入参数是由多个训练运行参数相乘得到的,当涂布机模头的运行参数远离平衡状态时,由多个运行参数相乘得到的输入参数远离平衡状态的现象会更加明显,因此,结合训练输入参数训练得到的调节参数计算模型可以快速确定能够使涂布机模头控制器处于平衡状态的调节参数。
本发明实施例还提供了一种涂布机模头调节装置,如图3所示,包括:
运行参数获取模块11,用于获取涂布机模头的多个运行参数,详细内容参见上述实施例中对步骤S11的描述。
输入参数计算模块12,用于根据涂布机模头的运行参数得到至少一个输入参数,其中,每个所述运行参数与至少一个所述输入参数对应,各个所述输入参数是利用至少两个所述运行参数相乘得到的,详细内容参见上述实施例中对步骤S12的描述。
调节参数计算模块13, 用于将输入参数和运行参数输入至预设的调节参数计算模型,得到涂布机模头的调节参数,采用调节参数调节涂布机模头,详细内容参见上述实施例中对步骤S13的描述。
本发明实施例提供的涂布机模头调节装置,在通过调节参数计算模型计算涂布机模头的调节参数时,先根据涂布机模头的参数得到至少一个输入参数,然后将运行参数和输入参数输入至调节参数计算模型中,得到涂布机模头的调节参数。输入参数是由多个运行参数相乘得到的,当涂布机模头的运行参数远离平衡状态时,由多个运行参数相乘得到的输入参数远离平衡状态的现象会更加明显,因此,调节参数计算模型在结合输入参数计算调节参数时,能够更容易求得使得涂布机模头控制器处于平衡状态的调节参数。由此可见,通过本发明实施例提供的涂布机模头调节装置可以快速确定能够使涂布机模头控制器处于平衡状态的调节参数,利用实施本发明实施例提供的装置计算得到的调节参数调节涂布机模头,可以使涂布机模头控制器正常运行。
本发明实施实施例还提供了一种调节参数计算模型训练装置,如图4所示,包括:
训练数据获取模块21,用于获取训练数据,训练数据包括训练运行参数、训练输入参数和训练调节参数,所述训练运行数据与至少一个所述输入参数对应,各个所述训练输入参数是利用至少两个所述训练运行参数相乘得到的,详细内容参见上述实施例中对步骤S21的描述。
预测调节参数计算模块22,用于将训练运行参数和训练输入参数输入至初始神经网络模型中,得到预测调节参数,详细内容参见上述实施例中对步骤S22的描述。
初始模型修正模块23,用于根据预测调节参数和训练调节参数对初始神经网络模型进行修正,得到调节参数计算模型,详细内容参见上述实施例中对步骤S23的描述。
本发明实施例提供的调节参数计算模型训练装置,对初始神经网络模型进行训练时所使用的训练参数包括训练运行参数、训练输入参数和训练调节参数,其中,训练输入参数是由多个训练运行参数相乘得到的,当涂布机模头的运行参数远离平衡状态时,由多个运行参数相乘得到的输入参数远离平衡状态的现象会更加明显,因此,结合训练输入参数训练得到的调节参数计算模型可以快速确定能够使涂布机模头控制器处于平衡状态的调节参数。
本发明实施例提供了一种计算机设备,如图5所示,该计算机设备主要包括一个或多个处理器31以及存储器32,图5中以一个处理器31为例。
该计算机设备还可以包括:输入装置33和输出装置34。
处理器31、存储器32、输入装置33和输出装置34可以通过总线或者其他方式连接,图5中以通过总线连接为例。
处理器31可以为中央处理器(Central Processing Unit,CPU)。处理器31还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。存储器32可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据涂布机模头调节装置,或,调节参数计算模型训练装置的使用所创建的数据等。此外,存储器32可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器32可选包括相对于处理器31远程设置的存储器,这些远程存储器可以通过网络连接至涂布机模头调节装置,或,调节参数计算模型训练装置。输入装置33可接收用户输入的计算请求(或其他数字或字符信息),以及产生与涂布机模头调节装置,或,调节参数计算模型训练装置有关的键信号输入。输出装置34可包括显示屏等显示设备,用以输出计算结果。
本发明实施例提供了一种计算机可读存储介质,该计算机可读存储介质存储计算机指令,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涂布机模头调节方法,或,调节参数计算模型训练方法。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(Random AccessMemory,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。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。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。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种涂布机模头调节方法,其特征在于,包括:
获取涂布机模头的多个运行参数;涂布机模头的运行参数包括:涂布机涂布实时速度、涂布机模头间隙、涂布机实时泵速、涂布机模头进口处实时压力、涂布机模腔内实时压力、涂布机实时流量、浆料粘度、浆料固含量、垫片尺寸、涂层每毫米的面密度数据、膜腔内实时温度、膜腔内实时湿度中的任意一项或多项;
根据所述涂布机模头的运行参数得到多个输入参数,其中,每个所述运行参数与至少一个所述输入参数对应,各个所述输入参数是利用至少两个所述运行参数相乘得到的;
将所述输入参数和所述运行参数输入至预设的调节参数计算模型,得到涂布机模头的调节参数,采用所述调节参数调节所述涂布机模头,预设的调节参数计算模型是由BP神经网络模型训练得到的;涂布机模头的调节参数包括模头狭缝调节值、接收泵速增量调节值、接收间隙增量调节值中的一项或多项。
2.根据权利要求1所述的涂布机模头调节方法,其特征在于,根据所述涂布机模头的运行参数得到多个输入参数,包括:
确定计算所述输入参数所需的所述运行参数的数量;
根据所述涂布机模头的运行参数和确定出的数量计算所述输入参数。
3.根据权利要求2所述的涂布机模头调节方法,其特征在于,根据所述涂布机模头的运行参数和确定出的数量计算所述输入参数,包括:
根据确定出的数量,确定计算所述运行参数对应的各个输入参数所需的运行参数;
对确定出的运行参数进行组合, 并将各组合中包含的运行参数的乘积作为所述输入参数。
4.根据权利要求1所述的涂布机模头调节方法,其特征在于,将所述输入参数和所述运行参数输入至预设的调节参数计算模型,包括:
对所述运行参数和输入参数进行归一化处理;
将归一化处理后的运行参数和输入参数输入至预设的调节参数计算模型。
5.一种调节参数计算模型训练方法,其特征在于,包括:
获取训练数据,所述训练数据包括训练运行参数、训练输入参数和训练调节参数,所述训练运行数据与至少一个所述输入参数对应,各个所述训练输入参数是利用至少两个所述训练运行参数相乘得到的,所述训练运行参数通过涂布机模头的运行参数确定,所述训练调节参数调节用于调节所述涂布机模头;训练运行参数包括:涂布机涂布实时速度、涂布机模头间隙、涂布机实时泵速、涂布机模头进口处实时压力、涂布机模腔内实时压力、涂布机实时流量、浆料粘度、浆料固含量、垫片尺寸、涂层每毫米的面密度数据、膜腔内实时温度、膜腔内实时湿度中的任意一项或多项;训练调节参数包括模头狭缝调节值、接收泵速增量调节值、接收间隙增量调节值中的一项或多项;
将所述训练运行参数和所述训练输入参数输入至初始神经网络模型中,得到预测调节参数;初始神经网络模型为BP神经网络模型;
根据所述预测调节参数和所述训练调节参数对所述初始神经网络模型进行修正,得到所述调节参数计算模型。
6.根据权利要求5所述的调节参数计算模型训练方法,其特征在于,根据所述预测调节参数和所述训练调节参数对所述初始神经网络模型进行修正,得到所述调节参数计算模型,包括:
根据所述预测调节参数和所述训练调节参数计算预测误差;
根据所述预测误差对所述初始神经网络模型中的参数进行修正,将修正参数后的神经网络模型确定为所述调节参数计算模型。
7.一种涂布机模头调节装置,其特征在于,包括:
运行参数获取模块,用于获取涂布机模头的多个运行参数;涂布机模头的运行参数包括:涂布机涂布实时速度、涂布机模头间隙、涂布机实时泵速、涂布机模头进口处实时压力、涂布机模腔内实时压力、涂布机实时流量、浆料粘度、浆料固含量、垫片尺寸、涂层每毫米的面密度数据、膜腔内实时温度、膜腔内实时湿度中的任意一项或多项;
输入参数计算模块,用于根据所述涂布机模头的运行参数得到多个输入参数,其中,每个所述运行参数与至少一个所述输入参数对应,各个所述输入参数是利用至少两个所述运行参数相乘得到的;
调节参数计算模块, 用于将所述输入参数和所述运行参数输入至预设的调节参数计算模型,得到涂布机模头的调节参数,采用所述调节参数调节所述涂布机模头,预设的调节参数计算模型是由BP神经网络模型训练得到的;涂布机模头的调节参数包括模头狭缝调节值、接收泵速增量调节值、接收间隙增量调节值中的一项或多项。
8.一种调节参数计算模型训练装置,其特征在于,包括:
训练数据获取模块,用于获取训练数据,所述训练数据包括训练运行参数、训练输入参数和训练调节参数,所述训练运行数据与至少一个所述输入参数对应,各个所述训练输入参数是利用至少两个所述训练运行参数相乘得到的,所述训练运行参数通过涂布机模头的运行参数确定,所述训练调节参数调节用于调节所述涂布机模头;训练运行参数包括:涂布机涂布实时速度、涂布机模头间隙、涂布机实时泵速、涂布机模头进口处实时压力、涂布机模腔内实时压力、涂布机实时流量、浆料粘度、浆料固含量、垫片尺寸、涂层每毫米的面密度数据、膜腔内实时温度、膜腔内实时湿度中的任意一项或多项;训练调节参数包括模头狭缝调节值、接收泵速增量调节值、接收间隙增量调节值中的一项或多项;
预测调节参数计算模块,用于将所述训练运行参数和所述训练输入参数输入至初始神经网络模型中,得到预测调节参数;初始神经网络模型为BP神经网络模型;
初始模型修正模块,用于根据所述预测调节参数和所述训练调节参数对所述初始神经网络模型进行修正,得到所述调节参数计算模型。
9.一种计算机设备,其特征在于,包括:
至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,从而执行如权利要求1-4中任一项所述的涂布机模头调节方法,或,如权利要求5或6所述的调节参数计算模型训练方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行如权利要求1-4中任一项所述的涂布机模头调节方法,或,如权利要求5或6所述的调节参数计算模型训练方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110226838.2A CN112596396B (zh) | 2021-03-02 | 2021-03-02 | 一种涂布机模头调节、调节参数计算模型训练方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110226838.2A CN112596396B (zh) | 2021-03-02 | 2021-03-02 | 一种涂布机模头调节、调节参数计算模型训练方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112596396A CN112596396A (zh) | 2021-04-02 |
CN112596396B true CN112596396B (zh) | 2022-03-11 |
Family
ID=75207704
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110226838.2A Active CN112596396B (zh) | 2021-03-02 | 2021-03-02 | 一种涂布机模头调节、调节参数计算模型训练方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112596396B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013166286A1 (en) * | 2012-05-03 | 2013-11-07 | Georgia-Pacific Chemicals Llc | Methods and systems for adjusting the composition of a binder system for use in making fiberglass products |
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 |
CN109225763A (zh) * | 2018-10-30 | 2019-01-18 | 深圳市曼恩斯特科技有限公司 | 涂布头、涂布装置及涂布方法 |
-
2021
- 2021-03-02 CN CN202110226838.2A patent/CN112596396B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013166286A1 (en) * | 2012-05-03 | 2013-11-07 | Georgia-Pacific Chemicals Llc | Methods and systems for adjusting the composition of a binder system for use in making fiberglass products |
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 |
CN109225763A (zh) * | 2018-10-30 | 2019-01-18 | 深圳市曼恩斯特科技有限公司 | 涂布头、涂布装置及涂布方法 |
Non-Patent Citations (1)
Title |
---|
基于多维泰勒网的非线性时间序列预测方法及其应用;林屹等;《控制与决策》;20140531;第29卷(第5期);第795-801页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112596396A (zh) | 2021-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210256348A1 (en) | Automated methods for conversions to a lower precision data format | |
Cattaneo et al. | The choice of neighborhood in regression discontinuity designs | |
US20230252327A1 (en) | Neural architecture search for convolutional neural networks | |
JP6755849B2 (ja) | 人工ニューラルネットワークのクラスに基づく枝刈り | |
EP3444807B1 (en) | Neural network method and apparatus | |
JP2019032833A (ja) | 固定小数点量子化ニューラルネットワークのための方法及び装置 | |
CN109472357A (zh) | 用于卷积神经网络的修剪和再训练方法 | |
US11604934B2 (en) | Failure prediction using gradient-based sensor identification | |
EP3593290A1 (en) | Feedforward generative neural networks | |
US20200401154A1 (en) | Method for controlling vehicle speed for autonomous driving, electronic device, and computer-readable storage medium | |
US11816557B2 (en) | Method and apparatus with neural network parameter quantization | |
US11727277B2 (en) | Method and apparatus for automatically producing an artificial neural network | |
CN115097920B (zh) | 一种调节服务器机箱的温度的方法、装置、服务器及介质 | |
US20200057937A1 (en) | Electronic apparatus and controlling method thereof | |
CN112966818A (zh) | 一种定向引导模型剪枝方法、系统、设备及存储介质 | |
CN112596396B (zh) | 一种涂布机模头调节、调节参数计算模型训练方法及装置 | |
JP2019079102A (ja) | 学習装置、生成装置、分類装置、学習方法、学習プログラム、および動作プログラム | |
CN116578041B (zh) | 一种用于cnc控制器的数据处理方法 | |
CN112560974A (zh) | 一种信息融合、车辆信息获取方法及装置 | |
CN115758862A (zh) | 设备校准方法、装置、计算机设备及计算机可读存储介质 | |
CN115622029A (zh) | 输电线路覆冰负荷预测方法、装置、存储介质和设备 | |
RU2744041C1 (ru) | Способ и система для прогнозирования значений временного ряда с использованием искусственной нейронной сети | |
US20220092473A1 (en) | System and method for performing tree-based multimodal regression | |
US11669773B2 (en) | Electronic devices generating verification vector for verifying semiconductor circuit and methods of operating the same | |
KR20210144510A (ko) | 뉴럴 네트워크를 이용하는 데이터 처리 방법 및 데이터 처리 장치 |
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 |