CN113741189A - 一种注塑机自适应学习快速控制方法 - Google Patents

Abstract

本发明提供一种注塑机自适应学习快速控制方法，包括以下步骤：S1：构建注塑机射胶控制模型；S2：根据所述注塑机射胶控制模型构建MPC模型；S3：给定不同跟踪目标，利用所述MPC模型进行反复优化，得到训练数据集；S4：构建GRU神经网络并引入注意力机制，利用所述训练数据集对GRU神经网络进行训练，得到训练好的GRU神经网络；S5：通过训练好的GRU神经网络实现对注塑机的快速控制。本发明提供一种注塑机自适应学习快速控制方法，能够跟踪目标输出的改变并实现相应的控制，解决了目前注塑机基于PID的调控方法无法达到自适应控制调参导致效率低下的问题。

Description

一种注塑机自适应学习快速控制方法

技术领域

本发明涉及智能控制的技术领域，更具体的，涉及一种注塑机自适应学习快速控制方法。

背景技术

在离散制造领域，注塑机作为加工塑料的工作机床，在国民经济中占有非常重要的地位。注射成型塑料的产品质量与熔融塑料的注射流量密切相关。注射成型技术是将热塑性和热固性材料转化为塑料制品的加工技术。注塑机是加工塑料零件和其他塑料行业的专业工作机器，几乎70％的塑料零件都是由它生产的，已经成为航天、国防、电子电气、光电通信等高技术领域的重要技术装备，为新能源、新材料、节能环保等高端制造业提供重要装备支撑。

注塑机的注射成型是一个相对较为复杂的过程，一般包含注射、保压、冷却等三大过程。传统的注塑机控制大多基于PID进行简单的调控，这也是目前最为成熟的注塑机注塑成型的控制方式，如2014-05-28公开的专利号为CN103817892A的一种注塑机温度同步控制系统，采用PID进行调制，根据人为经验可以有效基于当前工况进行系统输出整定，但是一旦完成整定，PID参数即固定，仍然相当于是离线调优，然后直接部署到在线运行操作中，一旦系统初始条件发生变化或工作条件发生临时变化，则需要根据新的条件对系统的内部控制参数重新进行修改和调整，十分依赖现场工人的经验和知识，需要通过不断地试错调参给出最优的工艺参数信息。此过程需要可靠的实际工程经验才能完成，耗时耗力，效率低下。并且，在注塑过程中，例如模腔温度、喷嘴原料注射速度等条件如果发生扰动变化，基于传统PID的调控方法无法达到自适应控制调参，需要重新进行修正调参，整体过程耗时耗力，效率低下，限制了注塑机面向智能化控制，无人化管理的方向发展。

发明内容

本发明为克服目前注塑机基于PID的调控方法无法达到自适应控制调参导致效率低下的技术缺陷，提供一种注塑机自适应学习快速控制方法。

为解决上述技术问题，本发明的技术方案如下：

一种注塑机自适应学习快速控制方法，包括以下步骤：

S1：构建注塑机射胶控制模型；

S2：根据所述注塑机射胶控制模型构建MPC(模型预测控制)模型；

S3：给定不同跟踪目标，利用所述MPC模型进行反复优化，得到训练数据集；

S4：构建GRU(Gated Recurrent Unit，门控循环单元)神经网络并引入注意力机制，利用所述训练数据集对GRU神经网络进行训练，得到训练好的GRU神经网络；

S5：通过训练好的GRU神经网络实现对注塑机的自适应学习快速控制。

上述方案中，通过构建MPC模型并利用MPC模型进行反复优化得到训练数据集，然后利用训练数据集对GRU神经网络进行训练，训练好的GRU神经网络能够替代原有的MPC模型作为注塑机的喷嘴射胶控制器，具有能够跟踪目标输出的改变并实现相应控制的作用，避免了因MPC模型中模型预测、滚动优化等计算过程所带来的计算耗时长等问题，实现了在较低算力条件下的实时的、精确的、基于预测控制的注塑机过程控制。

优选的，所述注塑机射胶控制模型为：

其中，G(s)为注塑机射胶控制模型，s为复数域下的复变量，q₁、p₁、p₂、p₃、p₄分别为不同的注塑机射胶控制模型参数。

优选的，在步骤S2中，具体包括以下步骤：

S2.1：对所述注塑机射胶控制模型进行离散化得到Z域模型；

S2.2：根据所述Z域模型得到以下离散状态方程的可观标准型：

x(k+1)＝Ax(k)+Bu(k)+Dξ(k) (1)

y(k)＝Cx(k)+ξ(k) (2)

其中，系数矩阵

系数矩阵

系数矩阵C＝[1 0 0 0]，系数矩阵

x为离散状态方程的状态变量，l表示运行的时间步，ξ为外部干扰或扰动，u为注塑机注射过程中电控阀门的开度，y为注塑机射胶速度；

2.3：取ξ(k)＝y(k)-Cx(k)，其系数矩阵为K，则由离散状态方程(1)、(2)得到以下MPC模型：

x(k+1)＝Ax(k)+Bu(k)+K(y(k)-Cx(k)) (3)

y(k)＝Cx(k) (4)

当系统稳定时，K＝D。

优选的，在步骤S2中，还包括以下步骤：

选择增量△u作为优化目标，△u(k)＝u(k)-u(k-1)，令MPC模型的代价函数J为：

其中，p为总时间步数，Q_j、R_j分别为y和Δu的权重矩阵，y_ref为目标输出，t为当前运行的时间步，j为预测的时间步，T为转置符号。

优选的，通过以下步骤利用MPC模型进行优化求解：

根据公式(3)、(4)得到以下离散状态方程，

X＝A′x(k)+B′I′△U+B′I″u(k-1)+K′ξ(k) (6)

Y＝C′X (7)

其中

联立公式(5)、(6)、(7)得到以下二次规划标准型，

s.t.a△U≤b (9)

其中，

H＝I′^TB′^TC′^TQC′B′I′+R，

P＝4[x(k)^TA′^TC′^TQC′B′I′+u(k-1)^TI″^TB′^TC′^TQC′B′I′+ξ(k)^TK′^TC′^TQC′B′I′-Y_ref ^TQC′B′I′]，

△U^T表示△U的转置，I′^T表示I′的转置，B′^T表示B′的转置，C′^T表示C′的转置，P^T表示P的转置；

基于二次规划标准型(8)、(9)进行二次规划求解计算出最优控制增量△u。

优选的，通过以下步骤对二次规划标准型进行二次规划求解：

引入松弛变量将不等式约束转化为等式约束：

将公式(8)、(9)写成以下一般形式，

minf(x) (10)

s.t.g(x)≤0 (11)

其中，x＝△U，

g(x)＝ax-b，g(x)为约束项，(8)、(9)与(10)、(11)等价；

上述问题满足KKT条件，不等式约束转为等式约束，存在最优解，

KKT条件为

其中，μ为KKT乘子，联立(10)、(11)、(12)，得到以下拉格朗日函数：

L(x,μ)＝f(x)+μg(x) (13)

通过拉格朗日法令其偏导为零：

从而计算得到当前情况下的最优解。

优选的，所述训练数据集包括若干个时间步的被控对象的目标输出、被控对象输出量、过程状态量以及控制量。

优选的，所述GRU神经网络为seq2seq模型结构；

所述Seq2seq模型包括编码器和解码器，且以门控循环单元作为单个神经元，所述门控循环单元包括重置门和更新门；

其中，编码器中的门控循环单元包含15层隐藏层，解码器中的门控循环单元包含1层隐藏层，且解码器中的门控循环单元均输出到同1层神经网络。

上述方案中，采用seq2seq模型结构可以使GRU神经网络的输入输出的维度大小不一致。

优选的，在编码器与解码器之间引入所述注意力机制。

上述方案中，由于输入与输出的维度不同，Seq2seq模型无法将输入和输出序列之间的关系进行联系起来，通过引入注意力机制解决该问题。

优选的，所述注意力机制为：

其中，Q、K、V分别为注意力机制的输入，d_k为K的维度，

z_i表示第i个输入，函数的输出为C个类别，范围为[0,1]的概率分布。

与现有技术相比，本发明技术方案的有益效果是：

本发明提供了一种注塑机自适应学习快速控制方法，通过构建MPC模型并利用MPC模型进行反复优化得到训练数据集，然后利用训练数据集对GRU神经网络进行训练，训练好的GRU神经网络能够替代原有的MPC模型作为注塑机的喷嘴射胶控制器，具有能够跟踪目标输出的改变并实现相应控制的作用，避免了因MPC模型中模型预测、滚动优化等计算过程所带来的计算耗时长等问题，实现了在较低算力条件下的实时的、精确的、基于预测控制的注塑机过程控制。

附图说明

图1为本发明的技术方案实施步骤流程图；

图2为本发明中GRU神经网络的结构示意图；

图3为本发明中门控循环单元的结构示意图；

图4为本发明中MPC模型与训练好的GRU神经网络控制的输出对比图；

图5为本发明中MPC模型与训练好的GRU神经网络控制下带扰动的输出y的对比图；

图6为本发明中MPC模型与训练好的GRU神经网络控制下无扰动的输出y的对比图。

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。

实施例1

如图1所示，一种注塑机自适应学习快速控制方法，包括以下步骤：

S1：构建注塑机射胶控制模型；

S2：根据所述注塑机射胶控制模型构建MPC(模型预测控制)模型；

S3：给定不同跟踪目标，利用所述MPC模型进行反复优化，得到训练数据集；

S4：构建GRU(Gated Recurrent Unit，门控循环单元)神经网络并引入注意力机制，利用所述训练数据集对GRU神经网络进行训练，得到训练好的GRU神经网络；

S5：通过训练好的GRU神经网络实现对注塑机的自适应学习快速控制。

在具体实施过程中，通过构建MPC模型并利用MPC模型进行反复优化得到训练数据集，然后利用训练数据集对GRU神经网络进行训练，训练好的GRU神经网络能够替代原有的MPC模型作为注塑机的喷嘴射胶控制器，具有能够跟踪目标输出的改变并实现相应控制的作用，避免了因MPC模型中模型预测、滚动优化等计算过程所带来的计算耗时长等问题，实现了在较低算力条件下的实时的、精确的、基于预测控制的注塑机过程控制。

实施例2

一种注塑机自适应学习快速控制方法，包括以下步骤：

S1：构建注塑机射胶控制模型；

更具体地，针对注塑成型过程中，树脂原料经由带状加热器融化后存储于螺杆前端，随后当足量的树脂被融化并存储于螺杆前，由螺杆推动原料经由喷嘴将融化的树脂注入模具当中；注塑机的注射速度控制即是指通过控制伺服电机的控制电压信号，从而控制喷嘴的注射速度，因此构建所述注塑机射胶控制模型为：

其中，G(s)为注塑机射胶控制模型，s为复数域下的复变量，q₁、p₁、p₂、p₃、p₄分别为不同的注塑机射胶控制模型参数。

在具体实施过程中，随着注塑机设备的不同，模型参数的取值也存在差异，参数取值可以通过系统辨识等相关方法获得。本实施例具体采用如下注塑机射胶控制模型：

S2：根据所述注塑机射胶控制模型构建MPC(模型预测控制)模型；

更具体地，在步骤S2中，具体包括以下步骤：

S2.1：基于所述注塑机射胶控制模型，根据现有的线性系统理论方法，对注塑机射胶控制模型进行离散化，选取的采样时间为T＝0.005sec，离散化后得到Z域模型：

S2.2：根据所述Z域模型得到以下离散状态方程的可观标准型：

x(k+1)＝Ax(k)+Bu(k)+Dξ(k) (1)

y(k)＝Cx(k)+ξ(k) (2)

其中，系数矩阵

系数矩阵

系数矩阵C＝[1 0 0 0]，系数矩阵

x为离散状态方程的状态变量，k表示运行的时间步，ξ为外部干扰或扰动，u为注塑机注射过程中电控阀门的开度，y为注塑机射胶速度；

实际实施时，ξ的取值为0均值、方差为0～0.5的高斯白噪声；

在具体实施过程中，基于步骤S2.2得到的离散状态方程(1)、(2)实现基于该模型的注塑机射胶速度的模型预测控制，模型预测控制方法是通过结合控制对象的数学模型，藉由动态规划算法进行计算求解接下来的多个时间步的最优控制u的取值，从而使输出y跟踪并收敛至期望的输出y_ref。

S2.3：在预测控制计算过程中，由于外部扰动随时间变化而发生变化，因此取ξ(k)＝y(k)-Cx(k)，其系数矩阵为K，则由离散状态方程(1)、(2)得到以下MPC模型：

x(k+1)＝Ax(k)+Bu(k)+K(y(k)-Cx(k)) (3)

y(k)＝Cx(k) (4)

当系统稳定时，K＝D。

更具体地，在步骤S2中，还包括以下步骤：

选择增量△u作为优化目标，△u(k)＝u(k)-u(k-1)，令MPC模型的代价函数J为：

其中，p为总时间步数，Q_j、R_j分别为y和Δu的权重矩阵，y_ref为目标输出，t为当前运行的时间步，j为预测的时间步，T为转置符号；

在本实施例中，令p＝10。

S3：给定不同跟踪目标y_ref，利用所述MPC模型进行反复优化，得到训练数据集；

实际实施时，通过给定不同跟踪目标y_ref，利用MPC模型进行优化求解，使输出y跟踪并收敛至期望的输出y_ref，从而得到若干组相应的被控对象的目标输出y_ref、被控对象输出量y、过程状态量x以及控制量u作为训练数据集；

更具体地，通过以下步骤利用MPC模型进行优化求解：

根据公式(3)、(4)得到以下离散状态方程，

X＝A′x(k)+B′I′△U+B′I″u(k-1)+K′ξ(k) (6)

Y＝C′X (7)

其中

联立公式(5)、(6)、(7)得到以下二次规划标准型，

s.t.a△U≤b (9)

其中，

H＝I′^TB′^TC′^TQC′B′I′+R，

P＝4[x(k)^TA′^TC′^TQC′B′I′+u(k-1)^TI″^TB′^TC′^TQC′B′I′+ξ(k)^TK′^TC′^TQC′B′I′-Y_ref ^TQC′B′I′]，

△U^T表示△U的转置，I′^T表示I′的转置，B′^T表示B′的转置，C′^T表示C′的转置，P^T表示P的转置；

基于二次规划标准型(8)、(9)进行二次规划求解计算出最优控制增量△u。

更具体地，通过以下步骤对二次规划标准型进行二次规划求解：

引入松弛变量将不等式约束转化为等式约束：

将公式(8)、(9)写成以下一般形式，

minf(x) (10)

s.t.g(x)≤0 (11)

其中，x＝△U，

g(x)＝ax-b，g(x)为约束项，(8)、(9)与(10)、(11)等价；

上述问题满足KKT条件，不等式约束转为等式约束，存在最优解，

KKT条件为

其中，μ为KKT乘子，联立(10)、(11)、(12)，得到以下拉格朗日函数：

L(x,μ)＝f(x)+μg(x) (13)

通过拉格朗日法令其偏导为零：

从而计算得到当前情况下的最优解。

在具体实施过程中，除上述拉格朗日法外，还可以通过牛顿法、拟牛顿法、内点法等方法计算最优解。

更具体地，所述训练数据集包括若干个时间步的被控对象的目标输出y_ref、被控对象输出量y、过程状态量x以及控制量u。

在具体实施过程中，通过给定不同跟踪目标y_ref，反复进行优化求解并采集被控对象的目标输出y_ref、被控对象输出量y、过程状态量x以及控制量u，生成大量离线数据存储起来用于GRU神经网络的训练。

S4：构建GRU(Gated Recurrent Unit，门控循环单元)神经网络并引入注意力机制，利用所述训练数据集对GRU神经网络进行训练，得到训练好的GRU神经网络；

更具体地，如图2-3所示，所述GRU神经网络为seq2seq模型结构；

所述Seq2seq模型包括编码器和解码器，且以门控循环单元作为单个神经元，所述门控循环单元包括重置门和更新门；

其中，编码器中的门控循环单元包含15层隐藏层，解码器中的门控循环单元包含1层隐藏层，且解码器中的门控循环单元均输出到同1层神经网络。

在具体实施过程中，采用seq2seq模型结构可以使GRU神经网络的输入输出的维度大小不一致。网络的输入为当前时间步以及在此之前的11个时间步的模型状态变量x(k-11)～x(k)、模型输出y(k-11)～y(k)、模型控制量u(k-11)～u(k)以及模型目标输出y_ref(k-11)～y_ref(k)，该网络的输出为下一时间步的最优控制量u(k+1)。神经网络的输出为下一时刻控制量u(k+1)的预测值。

更具体地，在编码器与解码器之间引入所述注意力机制。

在具体实施过程中，注意力机制中的权重由神经网络反向传播训练得到，在模型中简化为多个单层的神经网络。注意力机制用于应对seq2seq模型中存在的信息丢失问题，由于seq2seq网络的结构原因，必然需要先对所有的输入信息进行压缩成某一固定长度的向量即H_t，然后将其传递至解码器。此外，由于输入与输出的维度不同，Seq2seq网络无法将输入和输出序列之间的关系进行联系起来，因此通过引入注意力机制解决该问题。

更具体地，所述注意力机制为：

其中，Q、K、V分别为注意力机制的输入，Q、K、V是对状态输入Ht进行加权计算后的结果，一般是将Ht送入单层的神经网络从而得到不同的变换结果，d_k为K的维度，

z_i表示第i个输入，函数的输出为C个类别，范围为[0,1]的概率分布。

由于训练数据为时间序列数据，损失函数采用MSEloss函数，MSEloss函数的数学表达式为

具体的损失函数为

GRU神经网络输出的预测值仅为下一时刻的控制量u，因此损失函数部分仅考虑网络对控制量u的跟踪；根据损失函数是否随训练次数收敛判断GRU神经网络是否训练好，若损失函数随训练次数收敛，则认为GRU神经网络已训练好，若损失函数不随训练次数收敛，则认为GRU神经网络还未训练好；

其中u_i表示由神经网络模型输出的预测值，u_ref为采集的MPC输出的控制量。

S5：通过训练好的GRU神经网络实现对注塑机的自适应学习快速控制。

在具体实施过程中，从图4-6可以看出，与MPC模型相比，GRU神经网络具有良好的学习能力，在训练好后具有不错的鲁棒性，能够实现在较低算力条件下的、实时的、精确的、基于预测控制的注塑机过程控制；而且在外部存在扰动的情况下依然具备良好且平滑的控制性能，尤其是在外部扰动为0均值、0～0.5方差的高斯白噪声情况下，依然具备优秀的控制性能。

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)

1.一种注塑机自适应学习快速控制方法，其特征在于，包括以下步骤：

S1：构建注塑机射胶控制模型；

S2：根据所述注塑机射胶控制模型构建MPC模型；

S3：给定不同跟踪目标，利用所述MPC模型进行反复优化，得到训练数据集；

S4：构建GRU神经网络并引入注意力机制，利用所述训练数据集对GRU神经网络进行训练，得到训练好的GRU神经网络；

S5：通过训练好的GRU神经网络实现对注塑机的自适应学习快速控制。

2.根据权利要求1所述的一种注塑机自适应学习快速控制方法，其特征在于，所述注塑机射胶控制模型为：

其中，G(s)为注塑机射胶控制模型，s为复数域下的复变量，q₁、p₁、p₂、p₃、p₄分别为不同的注塑机射胶控制模型参数。

3.根据权利要求2所述的一种注塑机自适应学习快速控制方法，其特征在于，在步骤S2中，具体包括以下步骤：

S2.1：对所述注塑机射胶控制模型进行离散化得到Z域模型；

S2.2：根据所述Z域模型得到以下离散状态方程的可观标准型：

x(k+1)＝Ax(k)+Bu(k)+Dξ(k) (1)

y(k)＝Cx(k)+ξ(k) (2)

其中，系数矩阵

系数矩阵

系数矩阵C＝[1 00 0]，系数矩阵

x为离散状态方程的状态变量，k表示运行的时间步，ξ为外部干扰或扰动，u为注塑机注射过程中电控阀门的开度，y为注塑机射胶速度；

S2.3：取ξ(k)＝y(k)-Cx(k)，其系数矩阵为K，则由离散状态方程(1)、(2)得到以下MPC模型：

x(k+1)＝Ax(k)+Bu(k)+K(y(k)-Cx(k)) (3)

y(k)＝Cx(k) (4)

当系统稳定时，K＝D。

4.根据权利要求3所述的一种注塑机自适应学习快速控制方法，其特征在于，在步骤S2中，还包括以下步骤：

选择增量Δu作为优化目标，Δu(k)＝u(k)-u(k-1)，令MPC模型的代价函数J为：

其中，p为总时间步数，Q_j、R_j分别为y和Δu的权重矩阵，y_ref为目标输出，t为当前运行的时间步，j为预测的时间步，T为转置符号。

5.根据权利要求4所述的一种注塑机自适应学习快速控制方法，其特征在于，通过以下步骤利用MPC模型进行优化求解：

根据公式(3)、(4)得到以下离散状态方程，

X＝A′x(k)+B′I′ΔU+B′I″u(k-1)+K′ξ(k) (6)

Y＝C′X (7)

其中

联立公式(5)、(6)、(7)得到以下二次规划标准型，

s.t.aΔU≤b (9)

其中，

H＝I′^TB′^TC′^TQC′B′I′+R，

P＝4[x(k)^TA′^TC′^TQC′B′I′+u(k-1)TI″^TB′^TC′^TQC′B′I′+ξ(k)^TK′^TC′^TQC′B′I′-Y_ref ^TQC′B′I′]，

ΔU^T表示ΔU的转置，I′^T表示I′的转置，B′^T表示B′的转置，C′^T表示C′的转置，P^T表示P的转置；

基于二次规划标准型(8)、(9)进行二次规划求解计算出最优控制增量Δu。

6.根据权利要求5所述的一种注塑机自适应学习快速控制方法，其特征在于，通过以下步骤对二次规划标准型进行二次规划求解：

引入松弛变量将不等式约束转化为等式约束：

将公式(8)、(9)写成以下一般形式，

minf(x) (10)

s.t.g(x)≤0 (11)

其中，x＝ΔU，

g(x)＝ax-b，g(x)为约束项；

上述问题满足KKT条件，不等式约束转为等式约束，存在最优解，

KKT条件为

其中，μ为KKT乘子，联立(10)、(11)、(12)，得到以下拉格朗日函数：

L(x，μ)＝f(x)+μg(x) (13)

通过拉格朗日法令其偏导为零：

从而计算得到当前情况下的最优解。

7.根据权利要求1所述的一种注塑机自适应学习快速控制方法，其特征在于，所述训练数据集包括若干个时间步的被控对象的目标输出、被控对象输出量、过程状态量以及控制量。

8.根据权利要求1所述的一种注塑机自适应学习快速控制方法，其特征在于，所述GRU神经网络为seq2seq模型结构；

所述Seq2seq模型包括编码器和解码器，且以门控循环单元作为单个神经元，所述门控循环单元包括重置门和更新门；

其中，编码器中的门控循环单元包含15层隐藏层，解码器中的门控循环单元包含1层隐藏层，且解码器中的门控循环单元均输出到同1层神经网络。

9.根据权利要求8所述的一种注塑机自适应学习快速控制方法，其特征在于，在编码器与解码器之间引入所述注意力机制。

10.根据权利要求9所述的一种注塑机自适应学习快速控制方法，其特征在于，所述注意力机制为：

其中，Q、K、V分别为注意力机制的输入，d_k为K的维度，

z_i表示第i个输入，函数的输出为C个类别，范围为[0，1]的概率分布。

Images