CN117245872A - 一种批次注塑过程的状态补偿模型控制方法及系统 - Google Patents
一种批次注塑过程的状态补偿模型控制方法及系统 Download PDFInfo
- Publication number
- CN117245872A CN117245872A CN202311288915.2A CN202311288915A CN117245872A CN 117245872 A CN117245872 A CN 117245872A CN 202311288915 A CN202311288915 A CN 202311288915A CN 117245872 A CN117245872 A CN 117245872A
- Authority
- CN
- China
- Prior art keywords
- data
- injection molding
- model
- learning
- molding machine
- 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
- 238000001746 injection moulding Methods 0.000 title claims abstract description 145
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000013528 artificial neural network Methods 0.000 claims abstract description 38
- 238000005457 optimization Methods 0.000 claims abstract description 28
- 238000013135 deep learning Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 230000010354 integration Effects 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims description 35
- 238000011217 control strategy Methods 0.000 claims description 30
- 238000004519 manufacturing process Methods 0.000 claims description 16
- 230000007246 mechanism Effects 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 13
- 238000005516 engineering process Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 230000015654 memory Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 230000002787 reinforcement Effects 0.000 claims description 9
- 238000013136 deep learning model Methods 0.000 claims description 8
- 238000002347 injection Methods 0.000 claims description 8
- 239000007924 injection Substances 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 230000009471 action Effects 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 7
- 239000000243 solution Substances 0.000 claims description 7
- 230000005856 abnormality Effects 0.000 claims description 6
- 230000006978 adaptation Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000013079 data visualisation Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 239000004033 plastic Substances 0.000 claims description 6
- 229920003023 plastic Polymers 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 238000007726 management method Methods 0.000 claims description 5
- 239000000463 material Substances 0.000 claims description 5
- 238000013508 migration Methods 0.000 claims description 5
- 230000005012 migration Effects 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 230000008713 feedback mechanism Effects 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 239000003795 chemical substances by application Substances 0.000 claims description 3
- 238000011049 filling Methods 0.000 claims description 3
- 238000011068 loading method Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 238000013526 transfer learning Methods 0.000 claims description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 2
- 238000013500 data storage Methods 0.000 claims description 2
- 230000002950 deficient Effects 0.000 claims description 2
- 238000011985 exploratory data analysis Methods 0.000 claims description 2
- 238000009472 formulation Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 claims description 2
- 238000012417 linear regression Methods 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 6
- 230000000694 effects Effects 0.000 abstract description 5
- 238000010923 batch production Methods 0.000 abstract description 4
- 229920000642 polymer Polymers 0.000 abstract description 2
- 239000000047 product Substances 0.000 description 8
- 230000008901 benefit Effects 0.000 description 6
- 230000006872 improvement Effects 0.000 description 6
- 238000001035 drying Methods 0.000 description 4
- 230000001960 triggered effect Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000000220 Panda oleosa Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 240000007651 Rubus glaucus Species 0.000 description 1
- 235000011034 Rubus glaucus Nutrition 0.000 description 1
- 235000009122 Rubus idaeus Nutrition 0.000 description 1
- 238000003646 Spearman's rank correlation coefficient Methods 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000013140 knowledge distillation Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
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
- B29C45/76—Measuring, controlling or regulating
- B29C45/766—Measuring, controlling or regulating the setting or resetting of moulding conditions, e.g. before starting a cycle
-
- 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
- B29C45/77—Measuring, controlling or regulating of velocity or pressure of moulding material
-
- 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
-
- 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
- B29C2945/00—Indexing scheme relating to injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould
- B29C2945/76—Measuring, controlling or regulating
- B29C2945/76822—Phase or stage of control
- B29C2945/76859—Injection
-
- 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
- B29C2945/00—Indexing scheme relating to injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould
- B29C2945/76—Measuring, controlling or regulating
- B29C2945/76929—Controlling method
- B29C2945/76939—Using stored or historical data sets
- B29C2945/76946—Using stored or historical data sets using an expert system, i.e. the system possesses a database in which human experience is stored, e.g. to help interfering the possible cause of a fault
-
- 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
- B29C2945/00—Indexing scheme relating to injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould
- B29C2945/76—Measuring, controlling or regulating
- B29C2945/76929—Controlling method
- B29C2945/76939—Using stored or historical data sets
- B29C2945/76949—Using stored or historical data sets using a learning system, i.e. the system accumulates experience from previous occurrences, e.g. adaptive control
-
- 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
- B29C2945/00—Indexing scheme relating to injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould
- B29C2945/76—Measuring, controlling or regulating
- B29C2945/76929—Controlling method
- B29C2945/76979—Using a neural network
-
- 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
- B29C2945/00—Indexing scheme relating to injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould
- B29C2945/76—Measuring, controlling or regulating
- B29C2945/76929—Controlling method
- B29C2945/76983—Using fuzzy logic
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Mechanical Engineering (AREA)
- Injection Moulding Of Plastics Or The Like (AREA)
Abstract
本发明属于自动化技术领域，公开了一种批次注塑过程的状态补偿模型控制方法及系统，包括：第一步：实时数据感知与集成；第二步：数据预处理与特征工程；第三步：深度学习与模型优化；第四步：深度神经网络的扩展与自适应；第五步：智能决策与控制。本发明通过采集批次过程注塑机的初始状态数据，建立状态补偿模型，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，有效地提升了控制器的整体性能，改善了控制效果。
Description
技术领域
本发明属于自动化技术领域，尤其涉及一种批次注塑过程的状态补偿模型控制方法。
背景技术
随着经济的快速发展，对生产产品的批次过程的控制要求越来越严格。随之产生了一些相关的控制理论和应用。如迭代学习控制和模型预测控制。对于迭代学习控制，由于该控制规律是一种事先得到的前馈控制，下一个周期不提供反馈，因此在实际中，这种控制方法不可避免的存在动态扰动，当批处理控制系统采用纯迭代学习控制时，不能保证其控制性能。虽然已经有这些控制策略，然而由于工业生产过程中存在着不确定性，已有的控制策略仍然有提升的空间。
在批次生产过程的控制中，迭代学习控制(Iterative Learning Control,ILC)和模型预测控制(Model Predictive Control,MPC)是两种重要的控制策略。然而，由于工业生产的复杂性，这些方法确实存在一些缺陷和技术问题，需要进一步解决。
迭代学习控制(ILC)的缺陷：
1)动态扰动：如你所提及的，ILC是基于前馈控制的，它缺少对动态扰动的实时响应机制，从而可能导致控制效果受到不稳定的外部因素的影响。
2)不适应不同的批次条件：批次间可能存在参数变化或批次内部状态变化，ILC可能不能很好地适应这些变化，导致控制性能下降。
3)需要多次迭代才能收敛：ILC依赖于连续的迭代过程来改进控制策略，但某些情况下可能需要大量迭代才能实现所需的控制精度。
模型预测控制(MPC)的缺陷：
1)模型不确定性：MPC依赖于对过程的准确建模。如果模型存在偏差或不确定性，控制策略可能不会产生期望的结果。
2)计算复杂性：MPC通常需要解决一个优化问题来确定控制策略，这可能导致高计算负荷，特别是对于大型系统或要求高频率控制的应用。
3)需要准确的预测信息：MPC的性能高度依赖于对未来的准确预测。如果预测信息不准确或不可靠，控制效果可能会受到严重影响。
急需解决的技术问题：
1)健壮性和适应性：考虑到工业环境中各种不确定性和变化，控制策略需要具有更好的健壮性和适应性，以应对各种扰动和变化。
2)融合不同的控制策略：结合ILC和MPC的优点，开发混合控制策略，以利用两者的优点并弥补各自的缺陷。
3)自适应建模和在线学习：开发能够自动适应工业过程变化的控制策略，通过在线学习和自适应建模来不断更新控制策略。
4)增强计算能力和算法优化：为了满足实时性要求，需要研发更高效的算法，并考虑更强大的计算平台。
5)对非线性和大规模系统的控制：工业过程中的许多系统都是非线性的，而且可能非常大。这需要研究能够处理这些挑战的控制策略。
尽管已有的控制策略在许多情况下都是有效的，但工业生产的复杂性和不确定性仍然需要进一步的技术研究和创新。
发明内容
针对现有技术存在的问题，本发明提供了一种批次注塑过程的状态补偿模型控制方法。
本发明是这样实现的，一种批次注塑过程的状态补偿模型控制方法，包括：
第一步：实时数据感知与集成
S1.1：部署多种传感器，例如温度、压力、流速、材料湿度和振动传感器于注塑机及相关设备上，确保从各个角度实时监测注塑过程。
S1.2：通过物联网(IoT)技术，将上述传感器的数据实时上传至中央处理单元或云服务器中，保证数据的实时性和完整性。
第二步：数据预处理与特征工程
S2.1：在数据上传前，运用边缘计算技术对原始数据进行预处理，包括清洗、标准化和归一化，确保数据质量。
S2.2：在中央处理单元或云服务器中，执行特征工程，从原始数据中提取关键特征，为后续深度学习准备有助于模型学习的数据。
第三步：深度学习与模型优化
S3.1：采用强化学习等高级机器学习算法，根据注塑机的实时状态和历史数据，对状态补偿模型进行在线迭代优化。
S3.2：应用迁移学习策略，确保在一个注塑机上获得的知识可以快速地迁移到其他注塑机上。
第四步：深度神经网络的扩展与自适应
S4.1：根据数据的时序性特点，选用如LSTM或Transformer等神经网络结构进行学习。
S4.2：利用在线学习策略，实时调整神经网络模型的权重和参数，确保模型随着数据的变化进行自我调整。
第五步：智能决策与控制
S5.1：基于深度学习模型的输出和实时传感器数据，结合模糊逻辑或专家系统，计算出精确的控制信号，指导注塑过程。
S5.2：当系统检测到异常时，自动生成紧急控制策略，并在必要时及时通知操作员介入。
进一步，实时数据感知与集成的具体实现方法：
1.选择和部署传感器
选择传感器：根据注塑机和相关设备的工作原理，选择具有高精度和稳定性的温度、压力、流速、材料湿度和振动传感器。根据传感器的工作温度、工作压力、响应时间等关键参数，确保其能够适应注塑环境。
部署位置：对于每种传感器，根据其功能和注塑过程的要求，选择合适的部署位置。例如，温度传感器应部署在模具的关键位置，流速传感器则部署在塑料注入口附近。
2.数据传输与IoT集成
数据采集单元：每组传感器连接到一个数据采集单元，该单元负责读取传感器数据，执行初步的数据处理(如滤波、放大等)，并将处理后的数据转换为数字信号。
IoT模块：为数据采集单元添加物联网(IoT)模块，例如基于Wi-Fi、LoRa、NB-IoT或4G/5G的模块。此模块将采集到的数字信号转换为适合远程传输的数据包。
数据安全：根据工业数据的重要性和安全性，使用加密算法对数据进行加密，并确保传输过程中的数据安全性。
3.中央处理单元或云服务器集成
实时数据接收：中央处理单元或云服务器配置有一个数据接收模块，该模块可以实时接收来自各个IoT模块的数据，解密并解析数据。
数据存储：配置高速和高容量的数据库，确保所有接收到的数据都能够实时存储，方便后续分析和处理。
数据可视化：为操作人员和工程师提供一个数据可视化界面，显示所有传感器的实时数据，同时显示历史数据和趋势分析。
进一步，数据预处理与特征工程的具体实现方法：
1.边缘计算与数据预处理
部署边缘计算设备：在注塑机或数据采集单元附近部署边缘计算设备，如基于ARM、Raspberry Pi或其他嵌入式系统的设备。
数据清洗：
滤除异常值：根据传感器的规格和注塑机的工作参数，设定阈值，过滤掉超出阈值的数据点。
填补缺失值：使用中值、平均值或基于时间序列的插值方法填补缺失数据。
标准化和归一化：
标准化：使数据符合标准正态分布，即均值为0，标准差为1。
归一化：将数据转化为0-1范围，可以使用Min-Max Scaling方法。
2.特征工程
数据分析：在中央处理单元或云服务器中，使用数据可视化工具(如Matplotlib,Seaborn等)对原始数据进行探索性分析，了解数据的分布、关系和潜在模式。
特征提取：
从时序数据中提取统计特征：如均值、中值、标准差、最大值、最小值等。
提取频域特征：使用傅里叶变换或小波变换获取数据的频率分布。
提取时序模式：如滑动窗口中的趋势、季节性模式等。
特征选择：
相关性分析：通过计算皮尔逊相关系数或斯皮尔曼等级相关系数，评估特征与目标变量之间的相关性。
使用模型的特征重要性：如随机森林或梯度提升机来评估各个特征的重要性。
递归特征消除：使用如线性回归、SVM等模型递归地评估特征的重要性并逐一排除。
特征转换：
PCA(主成分分析)：用于降低数据的维度，同时保留大部分数据的变异。
特征哈希：对高维类别特征进行哈希处理，降低维度。
通过以上的实现方案，可以确保数据的质量，并从原始数据中提取出对后续深度学习有帮助的关键特征，从而提高模型的性能和准确性。
进一步，深度学习与模型优化的具体实现方法：
1.强化学习的在线迭代优化
定义环境、代理(agent)和动作(action)：在注塑的场景中，代理可能是控制器，环境是注塑机，动作是调整参数如温度、压力等。
奖励机制：定义明确的奖励机制。例如，如果注塑过程达到理想状态，给予正奖励；若产生不良品或机器参数超出安全范围，给予负奖励。
在线学习：使用强化学习中的在线学习算法如Q-learning、Deep Q Networks(DQN)或Proximal Policy Optimization(PPO)等，根据实时反馈迅速更新策略。
模型更新：定期保存模型权重，并在新的数据到来时，加载旧模型权重进行细微调整。
2.迁移学习策略
源模型的选择：首先在一个注塑机上训练一个基础模型，这个模型称为源模型。
模型的微调：
加载源模型的权重。
使用新注塑机的少量数据进行微调。通常，只需要微调模型的顶层，保持底层的权重不变。
知识蒸馏：在这种策略中，一个已训练好的模型(称为老师模型)被用来训练另一个新模型(称为学生模型)。老师模型的输出用作学生模型的目标。这样，学生模型可以从老师模型中学习知识，而不需要原始数据。
特征提取器的共享：使用源模型中的前几层作为特征提取器，然后在其上构建新的网络层以适应新的注塑机。
数据增强：为了使迁移学习更为有效，可以使用数据增强方法如旋转、缩放或颜色变化等，以增加新注塑机的数据多样性。
进一步，深度神经网络的扩展与自适应的具体实现方法：
1.选择合适的神经网络结构
LSTM(长短时记忆网络)的应用：
数据预处理：根据注塑过程的连续性，将连续的传感器数据划分为固定大小的时间窗口，每个时间窗口作为一个输入序列。
模型结构：建立一个多层的LSTM网络，该网络能够处理长时间序列数据，并捕获其隐藏的时序模式。
训练策略：使用标准的误差反向传播进行模型训练。为了防止过拟合，可以引入Dropout策略在LSTM层之间。
Transformer结构的应用：
数据预处理：与LSTM类似，先划分时间窗口。
模型结构：基于Transformer的自注意力机制，设计一个适合处理时间序列数据的模型。由于Transformer能够并行处理序列数据，它通常比LSTM更快。
位置编码：由于Transformer模型本身不根据序列的时序性，必须添加位置编码来提供时间信息。
2.在线学习策略
模型微调：
权重保存：定期保存当前最佳的模型权重。
数据流：当新数据进入系统时，加载先前保存的权重，并用新数据对模型进行微调。
自适应学习率：
学习率调度器：随着训练的进行，动态调整学习率。常见的策略如学习率衰减或者使用如Adam这样能够自动调整学习率的优化器。
反馈机制：
如果模型的预测与实际结果有较大偏差，触发一个反馈机制重新微调模型，确保模型始终与实际生产环境保持同步。
数据缓存机制：
由于在线学习需要快速响应，可以使用一个数据缓存策略。最近的数据被存储在一个高速缓存或缓冲区中，当模型需要微调时，直接从缓冲区中获取数据。
通过上述实现方案，深度神经网络不仅可以捕获注塑过程中的时序模式，而且可以随着生产环境的变化进行实时自适应，确保生产过程始终处于最佳状态。
进一步，智能决策与控制的具体实现方法：
S5.1：结合模糊逻辑或专家系统进行决策
模糊逻辑控制器的建立：
1)模糊化：将深度学习模型的输出和实时传感器数据转化为模糊集。例如，温度可以被模糊化为“低、中、高”三个集合。
2)制定规则：基于专家的知识，为每种情况设定模糊控制规则。例如，如果“温度是高”且“压力是低”，则“增加冷却流速”。
3)推理：根据当前情况和已设定的模糊规则，得出控制决策。
4)反模糊化：将模糊决策转化为精确的控制信号，例如确切的流速数值，来指导注塑过程。
专家系统的整合：
1)知识库建立：与注塑过程的专家合作，收集和整理相关知识，形成知识库。
2)推理机制：根据知识库和当前数据，推导出最佳控制策略。
3)用户界面：为操作员提供一个界面，允许他们在需要时查询专家系统，获得推荐的操作建议。
S5.2：异常检测与紧急控制策略
实时异常检测：
1)阈值法：为每个传感器数据设定上下界。当数据超出这些界限时，触发异常警告。
2)深度学习模型：使用如自编码器这样的神经网络结构，学习数据的正常分布，当新数据与正常分布偏差过大时，视为异常。
紧急控制策略的制定：
1)预定义策略：针对常见的异常情况，预先定义一套紧急控制策略。
2)动态调整：结合实时数据，动态调整预定义的紧急策略，确保其适应性。
3)专家系统介入：当遇到未知的异常时，请求专家系统为操作员提供紧急建议。
通知机制：
1)声光警报：当检测到异常时，触发声光警报，以提醒现场人员。
2)移动通知：通过短信、应用消息等方式，及时通知操作员或管理层，确保他们能够及时介入。
通过上述实现方案，不仅可以确保注塑过程的稳定性和安全性，还可以实现对异常情况的快速响应，大大提高生产效率和产品质量。
本发明另一目的在于提供一种实施上述批次注塑过程的状态补偿模型控制方法的批次注塑过程的状态补偿模型控制系统，该系统包括：
信息获取模块，用于获取目标注塑机的初始状态信息；
模型建立模块，用于建立目标注塑机的状态补偿模型；
优化模块，与信息获取模块、模型建立模块连接，用于针对目标注塑机不同初始状态，对新型状态补偿模型进行迭代离线优化求解，生成基于不同运行参数信息的最优状态-控制数据并采集存储得到最优状态-控制数据集；
最优网络获取模块，与优化模块连接，用于利用最优状态-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，得到训练好的深度神经网络；
信息获取模块，与最优网络获取模块连接，用于获取目标注塑机当前状态信息，输入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。
本发明另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行所述批次注塑过程的状态补偿模型控制方法的步骤。
本发明另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述批次注塑过程的状态补偿模型控制方法的步骤。
本发明另一目的在于提供一种信息数据处理终端，所述信息数据处理终端用于实现所述批次注塑过程的状态补偿模型控制系统。
结合上述的技术方案和解决的技术问题，本发明所要保护的技术方案所具备的优点及积极效果为：
第一、本发明通过采集批次过程注塑机的初始状态数据，建立状态补偿模型，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，有效地提升了控制器的整体性能，改善了控制效果。
每一步都在现有技术的基础上取得了显著的技术进步：
1.实时数据感知与集成
显著技术进步：通过集成多种传感器和IoT技术，系统可以实时、全面地监测注塑机的各种状态和工作条件。这意味着更高的数据精度，使得后续的控制策略更加精确和针对性。
2.数据预处理与特征工程
显著技术进步：数据预处理和特征工程的引入确保了数据的质量和可用性。这不仅增强了模型的稳定性和鲁棒性，还为模型提供了更多有意义的输入信息，从而增加了预测和控制的准确性。
3.深度学习与模型优化
显著技术进步：使用高级的机器学习算法(如强化学习和迁移学习)可以使模型在不断的操作中进行自我优化和学习。这种自主性确保了长期操作中的持续性能提升，并为各种不同的注塑机提供了一致的高效策略。
4.深度神经网络的扩展与自适应
显著技术进步：引入更复杂的神经网络结构和在线学习策略，可以处理更加复杂的时序数据并进行实时调整。这确保了系统即使在变化的环境中也能够稳定地工作，并及时适应新的数据分布和工作条件。
5.智能决策与控制
显著技术进步：结合深度学习输出和实时传感器数据的智能决策机制，为系统带来了前所未有的灵活性和准确性。此外，紧急控制策略和人工干预机制确保了系统的安全性和可靠性。
这种智能化改进方案在技术上取得了显著的进步，不仅提高了注塑过程的效率和质量，而且增强了系统的自适应性、稳定性和安全性。
第二，本发明有效地减少生成注塑件的表面缺陷和残余应力，有效地提升了控制器的整体性能，改善了控制效果。
第三，作为本发明的权利要求的创造性辅助证据，还体现在以下几个重要方面：
(1)本发明的技术方案转化后的预期收益和商业价值为：
预期收益包括：
减少人为错误：通过自动化和智能化的控制，降低了因人为误操作引起的产品废品率。
提高生产效率：智能控制策略可以优化注塑过程，从而缩短生产周期。
降低成本：减少废品率和更短的生产周期可以节约材料和时间成本。
增强生产稳定性：系统的自适应性意味着在不同条件下也能稳定生产。
商业价值主要表现为，企业可以采用此技术方案来提高产品的市场竞争力，同时吸引更多的客户，并有可能授权或出售此技术给其他生产商。
(2)本发明的技术方案填补了国内外业内技术空白：
该方案整合了深度学习、IoT技术和注塑领域的知识，创新地为注塑行业带来了一种全新的智能化控制方法。在此之前，大多数注塑控制策略较为传统，没有充分利用现代AI技术的能力。
(3)本发明的技术方案解决了人们一直渴望解决、但始终未能获得成功的技术难题：
该方案成功地解决了如何在实时、动态的注塑生产环境中实现高效、稳定的自适应控制的难题。通过深度学习和实时数据处理，该系统能够自我学习和优化，达到之前传统方法难以匹敌的性能。
(4)本发明的技术方案克服了技术偏见：
传统的注塑领域可能对于采纳AI和深度学习技术持保守态度，认为它们可能过于复杂或与实际生产无关。然而，该技术方案证明了深度学习在注塑控制中的巨大潜力和实际应用价值。
附图说明
图1是本发明实施例提供的批次注塑过程的状态补偿模型控制方法流程图；
图2是本发明实施例提供的批次注塑过程的状态补偿模型控制系统结构图；
图中：1、信息获取模块；2、模型建立模块；3、优化模块；4、最优网络获取模块。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施提供的批次注塑过程的智能状态补偿模型控制方法，该方法具体包括以下步骤：
第一步：实时数据感知与集成
S1.1：部署多种传感器，例如温度、压力、流速、材料湿度和振动传感器于注塑机及相关设备上，确保从各个角度实时监测注塑过程。
S1.2：通过物联网(IoT)技术，将上述传感器的数据实时上传至中央处理单元或云服务器中，保证数据的实时性和完整性。
第二步：数据预处理与特征工程
S2.1：在数据上传前，运用边缘计算技术对原始数据进行预处理，包括清洗、标准化和归一化，确保数据质量。
S2.2：在中央处理单元或云服务器中，执行特征工程，从原始数据中提取关键特征，为后续深度学习准备有助于模型学习的数据。
第三步：深度学习与模型优化
S3.1：采用强化学习等高级机器学习算法，根据注塑机的实时状态和历史数据，对状态补偿模型进行在线迭代优化。
S3.2：应用迁移学习策略，确保在一个注塑机上获得的知识可以快速地迁移到其他注塑机上。
第四步：深度神经网络的扩展与自适应
S4.1：根据数据的时序性特点，选用如LSTM或Transformer等神经网络结构进行学习。
S4.2：利用在线学习策略，实时调整神经网络模型的权重和参数，确保模型随着数据的变化进行自我调整。
第五步：智能决策与控制
S5.1：基于深度学习模型的输出和实时传感器数据，结合模糊逻辑或专家系统，计算出精确的控制信号，指导注塑过程。
S5.2：当系统检测到异常时，自动生成紧急控制策略，并在必要时及时通知操作员介入。
通过上述五个步骤，注塑过程得到了智能化的优化和管理，确保了生产效率的提高和产品质量的提升。
如图1所示，本发明实施例提供一种批次注塑过程的状态补偿模型控制方法，该方法具体包括：
S1：利用信息获取模块获取目标注塑机的初始状态信息；
S2：利用模型建立模块建立目标注塑机的状态补偿模型；
S3：利用优化模块针对目标注塑机不同初始状态，对新型状态补偿模型进行迭代离线优化求解，生成基于不同运行参数信息的最优状态-控制数据并采集存储得到最优状态-控制数据集；
S4：利用最优网络获取模块利用最优状态-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，得到训练好的深度神经网络；
S5：利用信息获取模块获取目标注塑机当前状态信息，输入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。
进一步，所述S2具体包括：
(1)给传统的批次注塑过程状态表达式添加时间后向差分算子：
F(qt-1)Δty(t，k)＝H(qt-1)Δtu(t，k)
其中，y(t，k)和u(t，k)是批次注塑过程第k个周期t时刻的保压压力和阀门开度；qt-1是单位时间后移算子，Δt是时间后向差分算子，F(qt-1)，H(qt-1)的形式如下：
F(qt-1)＝1+f1qt-1+f2qt-2+…+fmqt-m
H(qt-1)＝h1qt-1+h2qt-2+…+hnqt-n
f1，f2…fm，h1，h2…hn分别是F(qt-1)和H(qt-1)的对应系数；m和n分别是输入和输出模型的最大阶次；
(2)选择状态向量：
xm(t,k)＝[Δty(t,k),Δty(t-1,k),…,Δty(t-m+1,k),Δtu(t-1,k),Δtu(t-2,k),…,Δtu(t-n+1,k)]T
获得新型的状态补偿模型，具体如下：
xm(t+1,k)＝Amxm(t,k)+BmΔtu(t,k)；Δty(t+1,k)＝Cmxm(t+1,k)
其中
Bm＝[h100…10…0]T
Cm＝[100…0000]
y(t,k),y(t-1,k)…y(t-m+1,k)分别为批次注塑过程第k个周期t时刻，t-1时刻，…，tm+1时刻的输出；u(t,k),u(t-1,k)…u(t-n+1,k)分别为批次注塑过程第k个周期t时刻，t-1时刻，…，t-n+1时刻的输入；xm(t,k)为批次注塑过程第k个周期t时刻的状态向量；xm(t+1,k)为批次注塑过程第k个周期t+1时刻的状态向量。
进一步，所述S3中，对步骤S2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。
进一步，所述S2中，采用高斯伪谱法对状态补偿模型进行迭代离线优化求解。
进一步，所述S2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。
进一步，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。
如图2所示，本发明实施例提供一种实施所述批次注塑过程的状态补偿模型控制方法的批次注塑过程的状态补偿模型控制系统，该系统包括：
信息获取模块1，用于获取目标注塑机的初始状态信息；
模型建立模块2，用于建立目标注塑机的状态补偿模型；
优化模块3，与信息获取模块1、模型建立模块2连接，用于针对目标注塑机不同初始状态，对新型状态补偿模型进行迭代离线优化求解，生成基于不同运行参数信息的最优状态-控制数据并采集存储得到最优状态-控制数据集；
最优网络获取模块4，与优化模块3连接，用于利用最优状态-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，得到训练好的深度神经网络；
输入模块5，与最优网络获取模块4连接，用于获取目标注塑机当前状态信息，输入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。
本发明实施例提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行所述批次注塑过程的状态补偿模型控制方法的步骤。
本发明实施例提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述批次注塑过程的状态补偿模型控制方法的步骤。
本发明实施例提供一种信息数据处理终端，所述信息数据处理终端用于实现所述批次注塑过程的状态补偿模型控制系统。
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
对于上述的每个步骤，以下是它们的具体实现方法：
第一步：实时数据感知与集成
S1.1实现方案：选择适用于工业环境的高精度传感器，根据注塑机的具体模型和配置，在关键部件和位置进行部署，确保全面覆盖并最小化信号干扰。
S1.2实现方案：使用低功耗、高可靠性的IoT模块，如NB-IoT、LoRa或5G等技术，结合MQTT或CoAP等轻量级通信协议，进行数据传输。
第二步：数据预处理与特征工程
S2.1实现方案：利用本地微控制器或FPGA进行初级数据处理，结合移动平均、中值滤波等技术，滤除噪声和异常值。
S2.2实现方案：在云端使用如Apache Spark或Pandas等大数据处理工具，对数据进行统计分析，识别和提取有价值的特征。
第三步：深度学习与模型优化
S3.1实现方案：使用如TensorFlow或PyTorch等深度学习框架，搭建DQN或DDPG等强化学习模型，结合真实的注塑数据进行训练。
S3.2实现方案：利用预训练的模型作为基础，针对新的注塑机数据进行微调，节省训练时间并提高模型的泛化能力。
第四步：深度神经网络的扩展与自适应
S4.1实现方案：针对时序数据，构建多层LSTM网络或Transformer模型，捕获数据中的长期依赖关系。
S4.2实现方案：实施在线学习策略，如在线随机梯度下降，使模型能够实时适应新的数据分布。
第五步：智能决策与控制
S5.1实现方案：构建模糊逻辑控制器或专家系统，将深度学习的输出与传统控制策略相结合，形成复合控制策略。
S5.2实现方案：开发异常检测算法，如孤立森林或自编码器，实时监控注塑过程，一旦检测到异常，立即启动紧急控制程序，并通过警报或消息通知操作员。
这些具体实现方法提供了从硬件到软件的全面解决方案，确保了注塑过程的智能化管理和高效运行。
实施例1：实时温度监控与自动调节
注塑过程中，模具温度对塑料的流动性和最终产品的质量起着关键作用。过高或过低的温度都可能导致制品缺陷。
1)部署温度传感器：在模具的关键位置部署高精度的温度传感器。
2)数据上传：使用IoT模块将温度数据实时上传至中央处理单元。
3)自动调节：当检测到温度超出预设范围时，自动调节注塑机的冷却或加热系统，确保温度在理想范围内。
4)通知：若温度持续异常，通过系统通知操作员进行检查。
实施例2：压力与流速的同步控制
为了确保塑料在模具中均匀分布，需要同步控制注塑机的压力和流速。
1)部署压力和流速传感器：在注塑机的入料口和模具入口处安装。
2)数据整合：中央处理单元对数据进行整合，计算出当前的压力和流速比例。
3)智能控制：使用模糊逻辑控制器或深度学习模型，根据比例调整压力和流速，确保塑料均匀填充。
4)异常处理：若检测到压力或流速突变，立即调整并通知操作员。
实施例3：模具湿度监测与干燥
某些塑料对湿度敏感，过高的模具湿度可能导致产品的物理性能下降。
1)部署湿度传感器：在模具的入料区域部署湿度传感器。
2)数据分析：中央处理单元实时分析湿度数据。
3)自动干燥：当湿度超标时，自动启动模具的干燥系统，降低湿度。
4)报警：若干燥系统无法降低湿度，通知操作员检查可能的原因。
实施例4：振动检测与异常预警
过大的振动可能意味着注塑机的某些部分存在异常或磨损。
1)部署振动传感器：在注塑机的关键部件上安装振动传感器。
2)频率分析：对振动数据进行频率分析，检测是否存在异常频段。
3)预警：当检测到异常振动时，中央处理单元将启动紧急停机程序，并通过系统通知操作员进行检查。
4)维护建议：系统可以根据振动数据推测可能的故障部位，为操作员提供维护或更换的建议。
以上实施例涵盖了注塑过程中的关键环节，每个例子都提供了从数据采集到智能控制的完整解决方案。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，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，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种批次注塑过程的状态补偿模型控制方法，其特征在于，包括：
第一步：实时数据感知与集成
S1.1：部署多种传感器于注塑机及相关设备上，确保从各个角度实时监测注塑过程；
S1.2：通过物联网技术，将上述传感器的数据实时上传至中央处理单元或云服务器中，保证数据的实时性和完整性；
第二步：数据预处理与特征工程
S2.1：在数据上传前，运用边缘计算技术对原始数据进行预处理，包括清洗、标准化和归一化，确保数据质量；
S2.2：在中央处理单元或云服务器中，执行特征工程，从原始数据中提取关键特征，为后续深度学习准备有助于模型学习的数据；
第三步：深度学习与模型优化
S3.1：采用强化学习高级机器学习算法，根据注塑机的实时状态和历史数据，对状态补偿模型进行在线迭代优化；
S3.2：应用迁移学习策略，确保在一个注塑机上获得的知识可以快速地迁移到其他注塑机上；
第四步：深度神经网络的扩展与自适应
S4.1：根据数据的时序性特点，选用如LSTM或Transformer神经网络结构进行学习；
S4.2：利用在线学习策略，实时调整神经网络模型的权重和参数，确保模型随着数据的变化进行自我调整；
第五步：智能决策与控制
S5.1：基于深度学习模型的输出和实时传感器数据，结合模糊逻辑或专家系统，计算出精确的控制信号，指导注塑过程；
S5.2：当系统检测到异常时，自动生成紧急控制策略，并在必要时及时通知操作员介入。
2.如权利要求1所述批次注塑过程的状态补偿模型控制方法，其特征在于，实时数据感知与集成的具体实现方法：
1） 选择和部署传感器
根据注塑机和相关设备的工作原理，选择具有高精度和稳定性的温度、压力、流速、材料湿度和振动传感器；根据传感器的工作温度、工作压力、响应时间关键参数，确保其能够适应注塑环境；
对于每种传感器，根据其功能和注塑过程的要求，选择合适的部署位置；温度传感器应部署在模具的关键位置，流速传感器则部署在塑料注入口附近；
2） 数据传输与IoT集成
每组传感器连接到一个数据采集单元，该单元负责读取传感器数据，执行初步的数据处理，并将处理后的数据转换为数字信号；
为数据采集单元添加物联网块，此模块将采集到的数字信号转换为适合远程传输的数据包；
根据工业数据的重要性和安全性，使用加密算法对数据进行加密，并确保传输过程中的数据安全性；
3） 中央处理单元或云服务器集成
实时数据接收：中央处理单元或云服务器配置有一个数据接收模块，该模块可以实时接收来自各个IoT模块的数据，解密并解析数据；
数据存储：配置高速和高容量的数据库，确保所有接收到的数据都能够实时存储，方便后续分析和处理；
数据可视化：为操作人员和工程师提供一个数据可视化界面，显示所有传感器的实时数据，同时显示历史数据和趋势分析。
3.如权利要求1所述批次注塑过程的状态补偿模型控制方法，其特征在于，
数据预处理与特征工程的具体实现方法：
1） 边缘计算与数据预处理
在注塑机或数据采集单元附近部署边缘计算设备；
根据传感器的规格和注塑机的工作参数，设定阈值，过滤掉超出阈值的数据点；
使用中值、平均值或基于时间序列的插值方法填补缺失数据；
标准化和归一化：
使数据符合标准正态分布，即均值为0，标准差为1；
将数据转化为0-1范围，可以使用 Min-Max Scaling 方法；
2） 特征工程
在中央处理单元或云服务器中，使用数据可视化工具（如Matplotlib, Seaborn）对原始数据进行探索性分析，了解数据的分布、关系和潜在模式；
从时序数据中提取统计特征：如均值、中值、标准差、最大值、最小值；
使用傅里叶变换或小波变换获取数据的频率分布；
通过计算皮尔逊相关系数或斯皮尔曼级相关系数，评估特征与目标变量之间的相关性；
使用如线性回归、SVM模型递归地评估特征的重要性并逐一排除；
采用PCA 用于降低数据的维度，同时保留大部分数据的变异； 对高维类别特征进行哈希处理，降低维度。
4.如权利要求1所述批次注塑过程的状态补偿模型控制方法，其特征在于，深度学习与模型优化的具体实现方法：
1） 强化学习的在线迭代优化
在注塑的场景中，代理可能是控制器，环境是注塑机，动作是调整参数如温度、压力；定义明确的奖励机制；例如，如果注塑过程达到理想状态，给予正奖励；若产生不良品或机器参数超出安全范围，给予负奖励；使用强化学习中的在线学习算法根据实时反馈迅速更新策略；定期保存模型权重，并在新的数据到来时，加载旧模型权重进行细微调整；
2） 迁移学习策略
首先在一个注塑机上训练一个基础模型，这个模型称为源模型；
加载源模型的权重；使用新注塑机的少量数据进行微调；通常，只需要微调模型的顶层，保持底层的权重不变；
在这种策略中，一个已训练好的模型被用来训练另一个新模型；老师模型的输出用作学生模型的目标；这样，学生模型可以从老师模型中学习知识，而不需要原始数据；
使用源模型中的前几层作为特征提取器，然后在其上构建新的网络层以适应新的注塑机；为了使迁移学习更为有效，可以使用数据增强方法如旋转、缩放或颜色变化，以增加新注塑机的数据多样性。
5.根据权利要求1所述批次注塑过程的状态补偿模型控制方法，其特征在于，深度神经网络的扩展与自适应的具体实现方法：
1） 选择合适的神经网络结构
根据注塑过程的连续性，将连续的传感器数据划分为固定大小的时间窗口，每个时间窗口作为一个输入序列；建立一个多层的LSTM网络，该网络能够处理长时间序列数据，并捕获其隐藏的时序模式；使用标准的误差反向传播进行模型训练；为了防止过拟合，可以引入Dropout策略在LSTM层之间；
先划分时间窗口；基于Transformer的自注意力机制，设计一个适合处理时间序列数据的模型；由于Transformer能够并行处理序列数据，信息；
2） 在线学习策略
模型微调：定期保存当前最佳的模型权重；当新数据进入系统时，加载先前保存的权重，并用新数据对模型进行微调；
自适应学习率：学习率调度器：随着训练的进行，动态调整学习率；常见的策略如学习率衰减或者使用如Adam这样能够自动调整学习率的优化器；
反馈机制：如果模型的预测与实际结果有较大偏差，触发一个反馈机制重新微调模型，确保模型始终与实际生产环境保持同步；
数据缓存机制：由于在线学习需要快速响应，可以使用一个数据缓存策略；最近的数据被存储在一个高速缓存或缓冲区中，当模型需要微调时，直接从缓冲区中获取数据。
6.根据权利要求1所述的批次注塑过程的状态补偿模型控制方法，其特征在于，智能决策与控制的具体实现方法：
S5.1：结合模糊逻辑或专家系统进行决策
模糊逻辑控制器的建立：
模糊化：将深度学习模型的输出和实时传感器数据转化为模糊集；
2）制定规则：基于专家的知识，为每种情况设定模糊控制规则；
3）推理：根据当前情况和已设定的模糊规则，得出控制决策；
4）反模糊化：将模糊决策转化为精确的控制信号，例如确切的流速数值，来指导注塑过程；
专家系统的整合：
1）知识库建立：与注塑过程的专家合作，收集和整理相关知识，形成知识库；
2）推理机制：根据知识库和当前数据，推导出最佳控制策略；
3）用户界面：为操作员提供一个界面，允许他们在需要时查询专家系统，获得推荐的操作建议；
S5.2：异常检测与紧急控制策略
实时异常检测：
1）阈值法：为每个传感器数据设定上下界；当数据超出这些界限时，触发异常警告；
2）深度学习模型：使用如自编码器这样的神经网络结构，学习数据的正常分布，当新数据与正常分布偏差过大时，视为异常；
紧急控制策略的制定：
1）预定义策略：针对常见的异常情况，预先定义一套紧急控制策略；
2）动态调整：结合实时数据，动态调整预定义的紧急策略，确保其适应性；
3）专家系统介入：当遇到未知的异常时，请求专家系统为操作员提供紧急建议；
通知机制：
1）声光警报：当检测到异常时，触发声光警报，以提醒现场人员；
2）移动通知：通过短信、应用消息方式，及时通知操作员或管理层，确保他们能够及时介入。
7.一种实施如权利要求1-6任意一项所述批次注塑过程的状态补偿模型控制方法的批次注塑过程的状态补偿模型控制系统，其特征在于，该系统包括：
信息获取模块，用于获取目标注塑机的初始状态信息；
模型建立模块，用于建立目标注塑机的状态补偿模型；
优化模块，与信息获取模块、模型建立模块连接，用于针对目标注塑机不同初始状态，对新型状态补偿模型进行迭代离线优化求解，生成基于不同运行参数信息的最优状态-控制数据并采集存储得到最优状态-控制数据集；
最优网络获取模块，与优化模块连接，用于利用最优状态-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，得到训练好的深度神经网络；
信息获取模块，与最优网络获取模块连接，用于获取目标注塑机当前状态信息，输入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。
8.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1-6任意一项所述批次注塑过程的状态补偿模型控制方法的步骤。
9.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1-6任意一项所述批次注塑过程的状态补偿模型控制方法的步骤。
10.一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现如权利要求7所述批次注塑过程的状态补偿模型控制系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311288915.2A CN117245872A (zh) | 2023-10-08 | 2023-10-08 | 一种批次注塑过程的状态补偿模型控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311288915.2A CN117245872A (zh) | 2023-10-08 | 2023-10-08 | 一种批次注塑过程的状态补偿模型控制方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117245872A true CN117245872A (zh) | 2023-12-19 |
Family
ID=89134770
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311288915.2A Pending CN117245872A (zh) | 2023-10-08 | 2023-10-08 | 一种批次注塑过程的状态补偿模型控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117245872A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117507469A (zh) * | 2024-01-05 | 2024-02-06 | 昆山力比格智能科技有限公司 | 用于油压机的自动化伺服运控方法及系统 |
| CN117686555A (zh) * | 2024-02-04 | 2024-03-12 | 南京邮电大学 | 一种基于机器学习的lc湿度传感器漂移补偿方法 |
-
2023
- 2023-10-08 CN CN202311288915.2A patent/CN117245872A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117507469A (zh) * | 2024-01-05 | 2024-02-06 | 昆山力比格智能科技有限公司 | 用于油压机的自动化伺服运控方法及系统 |
| CN117507469B (zh) * | 2024-01-05 | 2024-03-22 | 昆山力比格智能科技有限公司 | 用于油压机的自动化伺服运控方法及系统 |
| CN117686555A (zh) * | 2024-02-04 | 2024-03-12 | 南京邮电大学 | 一种基于机器学习的lc湿度传感器漂移补偿方法 |
| CN117686555B (zh) * | 2024-02-04 | 2024-05-14 | 南京邮电大学 | 一种基于机器学习的lc湿度传感器漂移补偿方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117245872A (zh) | 一种批次注塑过程的状态补偿模型控制方法及系统 | |
| Lindemann et al. | Anomaly detection and prediction in discrete manufacturing based on cooperative LSTM networks | |
| CN111178553A (zh) | 一种基于arima和lstm算法的工业设备健康趋势分析方法及系统 | |
| CN106796423A (zh) | 智能可编程逻辑控制器 | |
| Zurita et al. | Industrial time series modelling by means of the neo-fuzzy neuron | |
| AU2018251134B2 (en) | Method and apparatus for monitoring the condition of subsystems within a renewable generation plant or microgrid | |
| US10809674B2 (en) | Model-plant mismatch detection using model parameter data clustering for paper machines or other systems | |
| CN111823273B (zh) | 一种工业机器人在线轨迹预测的运行监测系统及其监测方法 | |
| CN116683588B (zh) | 锂离子电池充放电控制方法及系统 | |
| CN116193819B (zh) | 一种数据中心机房节能控制方法、系统、装置及电子设备 | |
| CN117273402B (zh) | 基于物联网技术的玻璃深加工生产线节能管理系统及方法 | |
| Lee et al. | In-line predictive monitoring framework | |
| Zhang et al. | Multi-parameter online measurement IoT system based on BP neural network algorithm | |
| CN110231808B (zh) | 一种生产过程能效跨尺度智能协同控制系统与方法 | |
| Alamaniotis et al. | Anticipatory monitoring and control of complex energy systems using a fuzzy based fusion of support vector regressors | |
| CN117609861A (zh) | 一种可用于变电站电气设备温度预测的bp神经网络算法和测温系统 | |
| Lindemann et al. | Adaptive Quality Control for discrete large-scale Manufacturing Systems subjected to Disturbances | |
| US11687772B2 (en) | Optimization of cyber-physical systems | |
| CN111108738B (zh) | 数据处理设备、数据分析设备、数据处理系统和用于处理数据的方法 | |
| Karagiorgou et al. | Unveiling trends and predictions in digital factories | |
| WO2018224649A1 (en) | Method and distributed control system for carrying out an automated industrial process | |
| Yang et al. | Design of equipment online monitoring and fault diagnosis platform based on IoT | |
| CN117076260B (zh) | 一种参数及设备异常检测方法及装置 | |
| Karagiorgou et al. | On making factories smarter through actionable predictions based on time-series data | |
| Wang et al. | On-line modeling and monitoring for multi-operation batch processes with infinite data types |
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 |