CN112659498A - 一种注塑机深度神经网络实时最优控制方法 - Google Patents

Abstract

本发明涉及注塑成型控制的技术领域，更具体地，涉及一种注塑机深度神经网络实时最优控制方法，包括：S10.建立注塑机注塑填充过程的动态数学模型，将注塑机的流速控制问题转化为求解带约束的最优控制问题；S20.对动态数学模型进行迭代离线优化求解，生成基于不同初始状态起始点的最优状态‑控制数据集；S30.利用最优状态‑控制数据集训练深度神经网络，深度神经网络学习输入状态与输出最优动作之间的非线性映射的数学关系；S40.采集注塑机当前状态数据，输入训练好的深度神经网络，输出注塑机的控制信号。本发明将最优控制与深度神经网络相结合，使得注塑机当前的系统状态快速响应出下一步注塑机伺服阀电机的电流最优输入控制信号。

Description

一种注塑机深度神经网络实时最优控制方法

技术领域

本发明涉及注塑成型控制的技术领域，更具体地，涉及一种注塑机深度神经 网络实时最优控制方法。

背景技术

注塑成型技术是将热塑性和热固性材料转变为塑料类型产品的加工技术，注 塑机作为加工塑料件等塑料产业的专业工作母机，70％的塑料件由其生产，其 已成为航空航天、国防、电子电气、光电通讯等高新技术领域重要的技术装备， 对新能源、新材料、节能环保、生物医药等高端制造产业提供重要的装备支撑。 注塑机内部熔融聚合物的注射流速是注塑加工工艺中的关键控制工艺参数之一， 基于注射机生产出的塑料制品的品质与其填充过程中熔融聚合物的注射流速密 切相关，而通过最优调节注塑机伺服阀的转矩电机的电流大小可有效控制熔融聚 合物的喷射流速，进而影响注塑产品质量。虽然目前注塑机已具备一定的基础自 动化水平，但是当前注塑过程的最优工作参数选择以及操作优化决策仍然高度依 赖现场熟练操作人员的经验进行不断试错、配置和优化，例如调模工程师根据注 塑产品的具体生产要求以及自身经验对注塑机进行不断反复调模、试模，最终 让机器生产出合格的产品。

中国专利CN107944147A公开了一种基于GRNN神经网络的注塑工艺优化 方法及注塑工艺，包括以下步骤：建立注塑产品的CAE分析模型；利用CAE软 件对所述CAE分析模型的注塑工艺参数进行仿真，确定影响所述注塑产品产生 注塑缺陷的注塑工艺参数种类；将所述注塑工艺参数种类转化为控制参数种类； 基于所述控制参数种类，利用GRNN神经网络进行网络训练，获取最终优化控 制参数。上述方案虽可将注塑工艺参数转化为控制参数，控制参数直接用于注塑 工艺，然而，上述方案针对不同条件不同工况在线下对注塑机内部参数进行调优 调参，待最优输入参数在线下不断反复调优之后再部署到线上进行运行操作，此 过程耗时耗力，并且鲁棒性差；一旦系统初始条件产生变动或者工况发生临时改 变，还需要针对新状况重新对系统内部控制参数进行修正调优，存在着稳定性差、 时间久、成本高等问题，无法达到注塑机的在线实时反馈最优控制。

发明内容

本发明的目的在于克服现有技术中的不足，提供一种注塑机深度神经网络实 时最优控制方法，根据注塑机当前的系统状态快速响应出下一步注塑机的控制参 数，优化控制方法耗费时间短、无需重复离线调优调参、环境自适应能力强。

为解决上述技术问题，本发明采用的技术方案是：

提供一种注塑机深度神经网络实时最优控制方法，包括以下步骤：

S10.建立注塑机注塑填充过程的动态数学模型，将注塑机的流速控制问题 转化为求解带约束的最优控制问题；

S20.针对注塑机系统不同初始状态，对步骤S10中所述的动态数学模型进 行迭代离线优化求解，生成基于不同初始状态起始点的最优状态-控制数据并采 集存储得到最优状态-控制数据集；

S30.利用步骤S20中所述最优状态-控制数据集训练深度神经网络，深度神 经网络学习输入状态与输出最优动作之间的非线性映射的数学关系，得到训练好 的深度神经网络；

S40.采集注塑机当前状态数据，输入步骤S30中训练好的深度神经网络，输 出注塑机的控制信号，注塑机接收所述控制信号并按照所述控制信号进行工作。

本发明的注塑机深度神经网络实时最优控制方法，将最优控制与深度神经网 络相结合，先通过最优控制算法获得最优状态-控制数据集，并以此最优状态-控 制数据集作为深度神经网络的输入对深度神经网络进行训练得到训练好深度神 经网络，实时采集注塑机的状态变量作为训练好的深度神经网络的输入，便可输 出控制变量作为注塑机的控制信息。本发明根据注塑机当前系统状态快速响应出 下一步注塑机的控制参数，优化控制方法耗费时间短、无需重复离线调优调参、 环境自适应能力强，可有效减少生成注塑件的表面缺陷和残余应力，提高注塑机 的最优控制实时性、自主性、抗干扰性、自适应性以及智能性。

优选地，步骤S10中，所述动态数学模型基于以下假设建立：

(1)充填过程是恒温过程；

(2)注射流道始终处于充满的状态，瞬态只与空腔的填充相关；

(3)模具型腔的几何形状为圆盘结构；

(4)充填过程的动态模型是集中参数系统模型。

优选地，步骤S10中，注塑填充过程的动态数学模型填充过程状态方程为：

式中，u为注塑机的控制变量伺服阀的输入电流信号，状态向量x表示注塑 机内部的状态变量；其中，状态变量作为约束，控制变量作为控制目标。

优选地，步骤S10中，注塑填充过程的动态数学模型填充过程状态方程为：

式中，u为注塑机的控制变量伺服阀的输入电流信号，状态向量x表示注塑 机内部的状态变量；其中，状态变量作为约束，控制变量作为控制目标。

优选地，所述状态变量为六个，分别为：

x₁＝x_r：伺服阀的阀芯位置；

x₂＝p_d:液压驱动压力；

x₃＝x_p：螺丝的位置；

螺丝的速度；

x₅＝P_c：喷嘴的压力；

x₆＝R：熔融聚合物流入腔内的前端位置；

优选地，六个状态变量的动态过程分别按下式表示：

式中，τ_s定义为伺服阀的时间常量，k_s与扭矩常数成正比；

式中，β_l为液压流体的体积模量，A_p为闸板表面积，V₁₀为液压驱动腔的初 始体积，C_d为流量系数乘以孔口面积梯度，p_s为液压供给压力，ρ为工作流体 密度，C_l为总泄漏系数，V_r为空气体积与总体积的比率；

式中，M是闸板螺钉组件的总质量，A_s是螺钉表面积，n是测量牛 顿流偏差的流动指数(0＜n＜1)，B_f是粘滞摩擦系数；

其中，

式中，β_p是熔融聚合物的体积模量，V_c0是喷嘴室的初始体积，C_m是喷嘴室 的泄漏系数，R_r是流道的半径，H是模制件的厚度，L是流道的长度，K是 与粘度相关的幂律常数，取决于熔融聚合物的温度和剪切速率；

优选地，所述控制目标是在给定的时间t_f内控制注塑机伺服阀电流的最 优输入大小u(t)使得输出的熔融聚合物流入腔内的前端位置能够实时跟踪到 给定的期望值，最小化目标函数表示为：

式中，R_d(t)为无干扰的初始条件的情况下给定的熔融聚合物流入腔 内的前端位置，R(t)为熔融聚合物在腔内的实时位置，u(t)为t时刻伺服 阀的输入电流信号。

优选地，步骤S20中，对步骤S10中所述最优控制问题进行状态变量和控制 变量全离散，将原始的注塑机最优控制问题转化为一系列参数优化问题，然后利 用非线性优化算法迭代求解生成一系列最优状态-控制数据(x^*(t),u^*(t))，然后 将所述优状态-控制数据形成大量的数据集进行离线存储。

优选地，步骤S20中，采用高斯伪谱法对步骤S10中所述的动态数学模型进 行迭代离线优化求解。

优选地，步骤S30中，所述深度神经网络由输入层、中间层、输出层构建， 最优状态-控制数据集由输入层输入，控制变量由输出层输出。

优选地，在向深度神经网络输入最优状态-控制数据集之前，对最优状态-控 制数据集进行归一化处理；在深度神经网络输出控制变量后，对控制变量进行逆 归一化处理后再作为注塑机的控制信号。

与现有技术相比，本发明的有益效果是：

本发明的注塑机深度神经网络实时最优控制方法，将最优控制与深度神经网 络相结合，用于控制注塑机的伺服阀电机电流；可根据注塑机当前的系统状态快 速响应出下一步注塑机伺服阀电机的电流最优输入控制信号，使得注塑机内部熔 融聚合物流进腔的前沿速度快速跟踪到给定的期望值，有效地减少生成注塑件的 表面缺陷和残余应力，提高注塑机的最优控制实时性、自主性、抗干扰性、自适 应性以及智能性。

附图说明

图1为注塑机深度神经网络实时最优控制方法的流程图；

图2为注塑机深度神经网络实时最优控制方法的整体方案框图；

图3为深度神经网络的结构示意图；

图4为最优系统状态六种状态变量的演化轨迹图；

图5为最优系统状态目标变量的演化轨迹图；

图6为最优系统状态最优目标的跟踪效果图；

具体实施方式

下面结合具体实施方式对本发明作进一步的说明。其中，附图仅用于示例性 说明，表示的仅是示意图，而非实物图，不能理解为对本专利的限制；为了更好 地说明本发明的实施例，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。

本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明 的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”等指示的方位或 位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描 述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构 造和操作，因此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，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语 的具体含义。

实施例

如图1至图2所示为本发明的注塑机深度神经网络实时最优控制方法的实施 例，现有的注塑机均包括伺服放大器、电液伺服阀、注射头和螺杆、喷油嘴和注 塑模具，上述各个部件的连接关系为本领域技术人员所熟知。若电压信号被施加 到伺服放大器上，将信号转换成与输入电压成比例的电流，基于应用电流，伺服 阀控制喷油缸中的液压，压力控制柱塞螺杆总成的动态，喷嘴室内的喷嘴压力决 定填充速率。本实施例的一种注塑机深度神经网络实时最优控制方法包括以下步 骤：

S10.建立注塑机注塑填充过程的动态数学模型，将注塑机的流速控制问题 转化为求解带约束的最优控制问题；

S20.针对注塑机系统不同初始状态，对步骤S10中的动态数学模型进行迭 代离线优化求解，生成基于不同初始状态起始点的最优状态-控制数据并采集存 储得到最优状态-控制数据集；

S30.利用步骤S20中最优状态-控制数据集训练深度神经网络，深度神经网 络学习输入状态与输出最优动作之间的非线性映射的数学关系，得到训练好的深 度神经网络；

S40.采集注塑机当前状态数据，输入步骤S30中训练好的深度神经网络，输 出注塑机的控制信号，注塑机接收控制信号并按照控制信号进行工作。

经过以上步骤，将最优控制与深度神经网络相结合，先通过最优控制算法获 得最优状态-控制数据集，并以此最优状态-控制数据集作为深度神经网络的输入 对深度神经网络进行训练得到训练好深度神经网络，实时采集注塑机的状态变量 作为训练好的深度神经网络的输入，便可输出控制变量作为注塑机的控制信息。 如此，注塑机当前系统状态快速响应出下一步注塑机的控制参数。

步骤S10中，动态数学模型基于以下假设建立：

(1)充填过程是恒温过程；

(2)注射流道始终处于充满的状态，瞬态只与空腔的填充相关；

(3)模具型腔的几何形状为圆盘结构；

(4)充填过程的动态模型是集中参数系统模型。

基于上述四点假设，步骤S10中，注塑填充过程的动态数学模型填充过程状 态方程为：

式中，u为注塑机的控制变量伺服阀的输入电流信号，状态向量x表示注塑 机内部的状态变量；其中，状态变量作为约束，控制变量作为控制目标。

本实施例中状态变量为六个，分别为：

x₁＝x_r：伺服阀的阀芯位置；

x₂＝p_d:液压驱动压力；

x₃＝x_p：螺丝的位置；

螺丝的速度；

x₅＝P_c：喷嘴的压力；

x₆＝R：熔融聚合物流入腔内的前端位置。

步骤S30中，六个状态变量的动态过程分别按下式表示：

式中，τ_s定义为伺服阀的时间常量，k_s与扭矩常数成正比；

式中，β_l为液压流体的体积模量，A_p为闸板表面积，V₁₀为液压驱动腔的初 始体积，C_d为流量系数乘以孔口面积梯度，p_s为液压供给压力，ρ为工作流体 密度，C_l为总泄漏系数，V_r为空气体积与总体积的比率；

式中，M是闸板螺钉组件的总质量，A_s是螺钉表面积，n是测量牛 顿流偏差的流动指数(0＜n＜1)，B_f是粘滞摩擦系数；

其中，

式中，β_p是熔融聚合物的体积模量，V_c0是喷嘴室的初始体积，C_m是喷嘴室 的泄漏系数，R_r是流道的半径，H是模制件的厚度，L是流道的长度，K是 与粘度相关的幂律常数，取决于熔融聚合物的温度和剪切速率；

控制目标是在给定的时间t_f内控制注塑机伺服阀电流的最优输入大小 u(t)使得输出的熔融聚合物流入腔内的前端位置能够实时跟踪到给定的期望 值，最小化目标函数表示为：

式中，R_d(t)为无干扰的初始条件的情况下给定的熔融聚合物流入腔 内的前端位置，Ret)为熔融聚合物在腔内的实时位置，u(t)为t时刻伺服 阀的输入电流信号。

由于注塑机模型相对复杂，具有高度非线性、耦合性，而求解上述最优控制 问题涉及非线性微分方程的数值迭代求解，而直接求解出此类最优控制问题的解 析解u(t)通常比较困难，往往也是不可能实现的。本实施例中，步骤S20中，采 用高斯伪谱法对步骤S10中最优控制问题进行状态变量和控制变量全离散，将原 始的注塑机最优控制问题转化为一系列参数优化问题，然后利用非线性优化算法 迭代求解生成一系列最优状态-控制数据(x^*et),u^*(t))，然后将优状态-控制数据 形成大量的数据集进行离线存储。当然，需要说明的是，本实施例中所涉及求解 最优控制问题使用的正向求解控制问题方法不限定于高斯伪谱法。

本实施例中，当起始状态约束设定为x(0)＝[0,0.01,9.4,0,0,0.29]，终端状态约束为 x(t_f)＝[0.1,370,11.5,10,770,4.5]。六个状态变量的仿真结果如图4所示，控制变量的仿真结 果如图5所示，正向求解获得的最优目标跟踪效果图如图6所示。

由于步骤S20中的最优数值解的计算复杂度通常很高，为了避免离线优化求 解导致的滞后性，根据步骤S20得到的大量的最优状态-控制数据(x^*(t),u^*(t)) 求解生成大量的基于不同状态起始点的最优控制轨迹

得到的多对最优状态- 控制数据对(s^*(t),a^*(t))，其中

a^*(t)＝u^*(t)，多对最优状态-控制数据用于深度神经网络的输入。

步骤S30中，所述深度神经网络由输入层、中间层、输出层构建，最优状态 -控制数据集由输入层输入，控制变量由输出层输出。本实施例的深度神经网络 结构如图所示，在线下对深度神经网络进行训练学习，实现状态到最优控制的一 一映射学习。需要说明的是，本实施例中深度神经网络层数、单层神经元数、学 习率、激活函数可按照所训练的神经网络的拟合效果进行调优和选取，如图3所 示。训练完成的深度神经网络可作为一个最优控制器使用，根据监控注塑机的实 时状态，便可实时输出注塑机伺服阀电流的最优输入大小u(t)，实现注塑机流速 的实时最优控制，避免了传统方法中由于系统初始条件等条件的改变需要 重新进行耗时的离线求解。

在向深度神经网络输入最优状态-控制数据集之前，对最优状态-控制数据集 进行打乱归一化处理；在深度神经网络输出控制变量后，对控制变量进行逆归一 化处理后再作为注塑机的控制信号。

在步骤S40之后，可通过数值模拟验证该方法的性能验证本实施例实时最优 控制方法的性能。

经过以上步骤，注塑机的最优控制曲线与高斯伪谱法控制曲线之间可以很好 的拟合；由此可见，根据注塑机当前系统状态快速响应出下一步注塑机的控制参 数，优化控制方法耗费时间短、无需重复离线调优调参、环境自适应能力强，可 有效减少生成注塑件的表面缺陷和残余应力，提高注塑机的最优控制实时性、自 主性、抗干扰性、自适应性以及智能性。

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 (10)

1.一种注塑机深度神经网络实时最优控制方法，其特征在于，包括以下步骤：

S10.建立注塑机注塑填充过程的动态数学模型，将注塑机的流速控制问题转化为求解带约束的最优控制问题；

S20.针对注塑机系统不同初始状态，对步骤S10中所述的动态数学模型进行迭代离线优化求解，生成基于不同初始状态起始点的最优状态-控制数据并采集存储得到最优状态-控制数据集；

S30.利用步骤S20中所述最优状态-控制数据集训练深度神经网络，深度神经网络学习输入状态与输出最优动作之间的非线性映射的数学关系，得到训练好的深度神经网络；

S40.采集注塑机当前状态数据，输入步骤S30中训练好的深度神经网络，输出注塑机的控制信号，注塑机接收所述控制信号并按照所述控制信号进行工作。

2.根据权利要求1所述的注塑机深度神经网络实时最优控制方法，其特征在于，步骤S10中，所述动态数学模型基于以下假设建立：

(1)充填过程是恒温过程；

(2)注射流道始终处于充满的状态，瞬态只与空腔的填充相关；

(3)模具型腔的几何形状为圆盘结构；

(4)充填过程的动态模型是集中参数系统模型。

3.根据权利要求2所述的注塑机深度神经网络实时最优控制方法，其特征在于，步骤S10中，注塑填充过程的动态数学模型填充过程状态方程为：

式中，u为注塑机的控制变量伺服阀的输入电流信号，状态向量x表示注塑机内部的状态变量；其中，状态变量作为约束，控制变量作为控制目标。

4.根据权利要求3所述的注塑机深度神经网络实时最优控制方法，其特征在于，所述状态变量为六个，分别为：

x₁＝x_r：伺服阀的阀芯位置；

x₂＝p_d:液压驱动压力；

x₃＝x_p：螺丝的位置；

螺丝的速度；

x₅＝P_c：喷嘴的压力；

x₆＝R：熔融聚合物流入腔内的前端位置。

5.根据权利要求4所述的注塑机深度神经网络实时最优控制方法，其特征在于，六个状态变量的动态过程分别按下式表示：

式中，τ_s定义为伺服阀的时间常量，k_s与扭矩常数成正比；

式中，β_l为液压流体的体积模量，A_p为闸板表面积，V₁₀为液压驱动腔的初始体积，C_d为流量系数乘以孔口面积梯度，p_s为液压供给压力，ρ为工作流体密度，C_l为总泄漏系数，V_r为空气体积与总体积的比率；

式中，M是闸板螺钉组件的总质量，A_s是螺钉表面积，n是测量牛顿流偏差的流动指数(0＜n＜1)，B_f是粘滞摩擦系数；

其中，

式中，β_p是熔融聚合物的体积模量，V_c0是喷嘴室的初始体积，C_m是喷嘴室的泄漏系数，R_r是流道的半径，H是模制件的厚度，L是流道的长度，K是与粘度相关的幂律常数，取决于熔融聚合物的温度和剪切速率；

6.根据权利要求3至5任一项所述的注塑机深度神经网络实时最优控制方法，其特征在于，所述控制目标是在给定的时间t_f内控制注塑机伺服阀电流的最优输入大小u(t)使得输出的熔融聚合物流入腔内的前端位置能够实时跟踪到给定的期望值，最小化目标函数表示为：

式中，R_d(t)为无干扰的初始条件的情况下给定的熔融聚合物流入腔内的前端位置，R(t)为熔融聚合物在腔内的实时位置，u(t)为t时刻伺服阀的输入电流信号。

7.根据权利要求1所述的注塑机深度神经网络实时最优控制方法，其特征在于，步骤S20中，对步骤S10中所述最优控制问题进行状态变量和控制变量全离散，将原始的注塑机最优控制问题转化为一系列参数优化问题，然后利用非线性优化算法迭代求解生成一系列最优状态-控制数据(x^*(t),u^*(t))，然后将所述优状态-控制数据形成大量的数据集进行离线存储。

8.根据权利要求7所述的注塑机深度神经网络实时最优控制方法，其特征在于，步骤S20中，采用高斯伪谱法对步骤S10中所述的动态数学模型进行迭代离线优化求解。

9.根据权利要求1所述的注塑机深度神经网络实时最优控制方法，其特征在于，步骤S30中，所述深度神经网络由输入层、中间层、输出层构建，最优状态-控制数据集由输入层输入，控制变量由输出层输出。

10.根据权利要求9所述的注塑机深度神经网络实时最优控制方法，其特征在于，在向深度神经网络输入最优状态-控制数据集之前，对最优状态-控制数据集进行归一化处理；在深度神经网络输出控制变量后，对控制变量进行逆归一化处理后再作为注塑机的控制信号。

Images