CN117331339A - 基于时序神经网络模型的涂布机模头电机控制方法及装置 - Google Patents
基于时序神经网络模型的涂布机模头电机控制方法及装置 Download PDFInfo
- Publication number
- CN117331339A CN117331339A CN202311635961.5A CN202311635961A CN117331339A CN 117331339 A CN117331339 A CN 117331339A CN 202311635961 A CN202311635961 A CN 202311635961A CN 117331339 A CN117331339 A CN 117331339A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- training
- time sequence
- motor control
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000003062 neural network model Methods 0.000 title claims abstract description 40
- 239000011248 coating agent Substances 0.000 title claims description 64
- 238000000576 coating method Methods 0.000 title claims description 64
- 238000012549 training Methods 0.000 claims abstract description 85
- 230000003993 interaction Effects 0.000 claims abstract description 35
- 230000008569 process Effects 0.000 claims abstract description 23
- 238000005070 sampling Methods 0.000 claims abstract description 14
- 238000004519 manufacturing process Methods 0.000 claims description 29
- 238000001914 filtration Methods 0.000 claims description 19
- 238000001514 detection method Methods 0.000 claims description 16
- 230000002787 reinforcement Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 230000002452 interceptive effect Effects 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 6
- 230000005284 excitation Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000005303 weighing Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000011217 control strategy Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000007772 electrode material Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0423—Input/output
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/25—Pc structure of the system
- G05B2219/25257—Microcontroller
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了基于时序神经网络模型的涂布机模头电机控制方法及装置，方法包括以下步骤：S1、数据采集，作为控制模型的输入；S2、模头电机控制模型构建，构建一个时序神经网络模型作为模头电机控制模型；包括：由不同时间段的输入参数组成的时间序列作为模型输入数据，对于输入的时间序列，采用间隔采样方式得到时间序列数据，用于去除部分冗余的时间序列信息；S3、模头电机控制模型训练，包括两个训练子步骤，分别是：S31、模型预训练；S32、线上交互过程中的微调训练。本发明使用控制模型与真实系统进行交互的方式来微调训练，能够更加精确地控制电机恢复平衡，使其更好地应对复杂的现实情况，同时更高效、稳定且成本低。
Description
技术领域
本发明涉及自动控制技术领域，具体涉及基于时序神经网络模型的涂布机模头电机控制方法及装置。
背景技术
涂布机用于涂布正极、负极和隔膜等关键组件，确保其性能和质量。其中，涂布机横向调节可以通过旋转螺杆或移动滑块来精确地控制涂布头或喷嘴的位置，确保涂布材料均匀覆盖电极材料。
现有方法中，通常采用人工调节或传统闭环控制算法进行调节，但是横向闭环调节中输入信号较多，会受到多种因素的扰动和涂布机的其他控制的影响，且模头电机输出控制量又要求极高的控制精度。针对这种大扰动、高控制精度的控制系统，人工调节和传统闭环控制算法，无法快速平复波动，且无法做到精准调控电机的控制量。
为了提高产品的质量，需要提出控制精度更高和更稳定的系统。
时序神经网络模型有能力学习和构建非线性的复杂关系的模型，但是，直接采用时序神经网络模型进行控制，会面临网络模型参数量过大，网络难以拟合的问题。同时，如果直接采用时序神经网络模型加强化学习方式，即深度强化学习进行系统控制，由于深度强化学习需要很长一段试错过程，这会给生产带来巨额的损耗成本。
发明内容
针对上述技术问题，本发明提出基于时序神经网络模型的涂布机模头电机控制方法及装置，该方法及装置能够提高对系统的控制效果，使其更好地应对复杂的现实情况，同时解决了直接采用时序神经网络模型进行控制，面临的模型参数量过大，网络难以拟合的问题，通过该方法和装置能够使得涂布机模头电机控制更高效、稳定且成本较低。
为了实现上述技术目的，本发明采用如下技术手段：
基于时序神经网络模型的涂布机模头电机控制方法，包括以下步骤：
S1、数据采集，实时获取涂布机系统运行参数和面密度测重系统的检测数据，并存储在存储器中，根据所述涂布机系统运行参数进行数据预处理和异常数据过滤后，作为模头电机控制模型的输入；
S2、模头电机控制模型构建，构建一个时序神经网络模型作为模头电机控制模型，包括：由不同时间段的输入参数组成的时间序列作为模型输入数据，对于输入的时间序列，采用间隔采样方式得到时间序列数据，用于去除部分冗余的时间序列信息；
S3、模头电机控制模型训练，包括两个训练子步骤，分别是：
S31、模型预训练；
S32、线上交互过程中的微调训练，其中，所述线上交互过程中的微调训练是用离线训练好的预模型或新的微调模型，在生产线上控制模头的电机，实现与涂布机的交互，并把交互的数据保存下来，作为微调训练的数据，采用深度强化学习微调方法，利用每次微调好的控制模型与涂布机进行交互，然后利用交互数据再进行控制模型微调，一直重复控制模型微调训练步骤，直到模型控制效果不再提高。
步骤S1中，对数据进行预处理，包括：毫米面密度数据过滤， Z-score和均值滤波处理；预处理后的数据作为模头电机控制模型的输入数据；
对异常数据过滤是对历史数据处理，排除掉无效的数据，包括：涂布机模头进、退刀时刻的缺陷数据的处理。
步骤S2中，采样间隔数，根据生产线的情况进行变化，平稳的生产线，即平均变异系数cov在0.3以下的生产线采用3~5次检测的间隔；波动的生产线，即平均变异系数cov在0.3以上的生产线采用1~3次检测的间隔。
步骤S31中 ，所述模型预训练包括：前期构建时序神经网络控制模型作为模头电机控制模型，并利用历史闭环数据进行前期模型离线训练，得到模头电机控制模型的预训练模型。
步骤S32线上交互过程中的微调训练，采用深度强化学习算法对控制模型进行微调训练，具体包括如下子步骤：
S321、利用闭环数据制作模型数据集；
S322、构造4个时序神经网络模型，分别为模头电机控制模型、模头电机控制模型的目标模型、模头电机控制模型的价值模型以及模头电机控制模型的价值模型的目标模型；
S323、将模型数据集进行切割分为训练集和验证集；
S324、构建损失函数和模型激励函数；
S325、训练上述4个时序神经网络模型；
S326、对时序神经网络模型进行测试，选择平均变异系数cov和制程能力指数cpk指标最优的时序神经网络模型。
本发明进一步公开了一种基于时序神经网络模型的涂布机模头电机控制装置，包括：
数据采集模块，实时获取涂布机系统运行参数和面密度测重系统的检测数据，并把数据存储在存储器中，根据涂布机系统运行参数进行数据预处理和异常数据过滤后，作为控制模型的输入；
模头电机控制模型构建模块，用于构建一个时序神经网络模型作为模头电机控制模型，包括：由不同时间段的输入参数组成的时间序列作为模型输入数据，对于输入的时间序列，采用间隔采样方式得到时间序列数据；
模头电机控制模型训练模块，包括两个训练子模块，分别是：
模型预训练子模块；
线上交互过程中的微调训练子模块，其中，所述线上交互过程中的微调训练子模块是用离线训练好的预模型或新的微调模型，在生产线上控制模头的电机，实现与涂布机的交互，并把交互的数据保存下来，作为微调训练的数据，采用深度强化学习微调方法，利用每次微调好的控制模型与涂布机进行交互，然后利用交互数据再进行控制模型微调，一直重复该迭代步骤，直到模型控制效果不再提高；
涂布机模头控制量执行模块，将所述数据采集模块采集到的涂布机系统运行参数和面密度测重系统的检测数据输入到所述模头电机控制模型训练模块训练得到的模头电机控制模型，并执行控制模型输出的控制量，信号传入PLC，使涂布机模头的电机移动到对应的位置。
有益效果：第一．由于涂布生产有较大的时滞性，直接采用当前的参数作为神经网络输入是无法精准控制，针对这个技术问题，本发明提供利用时序神经网络作为控制模型的方法，这样可以捕抓输入参数的时序变化，来实现精准调节。如果所有数据直接输入作为时序神经网络，则需要复杂的时序神经网络，使得难于拟合。同时，由于相邻的涂布机状态是相似的，其提供的时序信息是重复的，因此本发明提供时序间隔采样方式，舍弃部分冗余的时序，可以降低模型拟合难度，从而提高控制模型的精度。
第二．针对深度强化学习直接控制会带来巨额成本损耗问题，本发明提供采用线下历史数据进行预训练方法，这样可以得到一个具有初步调节效果的控制模型，从而加速控制模型落地和减少模型训练期间产生的工厂涂布废料，一种更高效、稳定且成本较低的解决方法。
第三．由于最优控制数据无法获取，因此直接利用时序神经网络训练，是无法得到精准的控制模型。因此，本发明提供利用控制模型与真实系统进行交互的方式来微调训练模型，让模型自己寻找最优控制方式，解决无法获取最优控制数据问题。同时，通过预训练模型与真实系统进行交互，从而消除线下历史数据来预训练模型存在的数据分布偏移问题。通过不断与真实系统进行互动，模型可以学习到更多系统外部干扰和系统运行特征的知识，从而提高模型对系统的控制效果，使其更好地应对复杂的现实情况。
附图说明
图1为本发明实施例中基于时序神经网络模型的涂布机模头电机控制装置的流程图；
图2为本发明实施例中时序神经网络模型运行流程的流程图；
图3为本发明实施例中基于时序神经网络模型的涂布机模头电机控制方法的一个具体示例的流程图；
图4为本发明实施例中预训练模型训练方法的一个具体示例的流程图；
图5为本发明实施例中模型微调方法的一个具体示例的流程图；
图6为原数据序列图；
图7为间隔采样后的数据序列图。
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法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。
基于时序神经网络模型的涂布机模头电机控制方法，包括以下步骤：
S1、数据采集，实时获取涂布机系统运行参数和面密度测重系统的检测数据，并存储在存储器中，根据所述涂布机系统运行参数进行数据预处理和异常数据过滤后，作为模头电机控制模型的输入；
S2、模头电机控制模型构建，构建一个时序神经网络模型作为模头电机控制模型，包括：由不同时间段的输入参数组成的时间序列作为模型输入数据，对于输入的时间序列，采用间隔采样方式得到时间序列数据，用于去除部分冗余的时间序列信息；
S3、模头电机控制模型训练，包括两个训练子步骤，分别是：
S31、模型预训练；
S32、线上交互过程中的微调训练，其中，所述线上交互过程中的微调训练是用离线训练好的预模型或新的微调模型，在生产线上控制模头的电机，实现与涂布机的交互，并把交互的数据保存下来，作为微调训练的数据，采用深度强化学习微调方法，利用每次微调好的控制模型与涂布机进行交互，然后利用交互数据再进行控制模型微调，一直重复该迭代步骤，直到模型控制效果不再提高；
S4、涂布机模头控制量执行，将步骤S1采集到的所述涂布机系统运行参数和面密度测重系统的检测数据输入到步骤S3训练得到的模头电机控制模型，并执行控制模型输出的控制量，信号传入PLC，使涂布机模头的电机移动到对应的位置。
在一可选实施例中，步骤S1中，对数据进行预处理，包括：毫米面密度数据过滤，Z-score和均值滤波处理；预处理后的数据作为控制模型的输入数据。
模型输入参数包括：涂布机涂布设定速度、涂布机设定泵速、涂布机实时泵速、涂布机模头设定左刀距、涂布机模头设定右刀距、涂布机模头实时左刀距、涂布机模头实时右刀距和模头电机当前位置。
面密度测重系统的输出参数包括： 涂层每毫米的面密度数据。
毫米面密度数据过滤主要是对涂层每毫米的面密度数据进行过滤处理，从而得到涂布机的模头分区数据。
对输入数据采用均值滤波过滤。
其中，m为滑动窗口大小，g为输入值，x为输入参数，t为时间序列号，z为均值滤波处理后的数据。
对输入数据采用Z-score标准化进行归一化。
其中，Z为归一化后的数据，/>为历史数据的均值，/>为历史数据的标准差。
在一可选实施例中，步骤S1中，本发明对异常数据过滤是对历史数据处理，排除掉无效的数据，包括：涂布机模头进、退刀时刻的缺陷数据的处理。
本发明对输入时序神经网络模型的数据结构为时间序列，由不同时间段的输入参数组成的时间序列作为模型输入数据。
在一可选实施例中，采样间隔数，根据生产线的情况进行变化，平稳的生产线，即平均变异系数cov在0.3以下的生产线采用3~5次检测的间隔；波动的生产线，即平均变异系数cov在0.3以上的生产线采用1~3次检测的间隔。
以下是对现场系统的两次反馈的状态进行间隔采样分析。
在每次测绘仪的闭环反馈内，采用间隔采样。
如图6和图7所示，由采样前后对比图可以看到，间隔采样的数据能过滤部分外界噪声，同时保留时间序列数据最重要的特征--趋势。
在一可选实施例中， S31、模型预训练，所述模型预训练包括：前期构建时序神经网络控制模型作为控制模型，并利用历史闭环数据进行前期模型离线训练，得到模头电机控制模型的预训练模型；
S311：对预处理数据进行划分，数据划分为训练集和测试集。
S312：利用训练集对控制模型进行训练。
S313：测试集进行控制模型的测试，得到指标最优的模型，用该模型作为后续控制模型的预训练模型。
其中，学习率设置为1e-3。
S32、线上交互过程中的微调训练，包括：用离线训练好的预模型或新的微调模型，在生产线上控制模头的电机，实现与涂布机的交互，并把交互的数据保存下来，作为微调训练的数据，采用深度强化学习微调方法，包括：利用每次微调好的控制模型与涂布机进行交互，然后利用交互数据再进行控制模型微调，一直重复该迭代步骤，直到模型控制效果不再提高。
在本发明中，对控制模型进行微调训练时，涉及2个梯度损失函数的计算，
其中，控制模型的损失函数：
其中，s为涂布机的状态参数和面密度参数。/>为控制模型在状态s下，输出的控制量，/>为价值函数输出值。
价值模型的损失函数：
其中，s为当前涂布机状态，a为当前涂布机状态对应的控制模型的输出，/>为下一个涂布机状态，/>下一个为涂布机状态对应的控制模型的输出，r为激励函数输出值，/>为输入状态s和控制量a时，价值模型的输出值；/>为折扣率；/>为输入/>时，价值目标模型的输出值；MSE为均方误差损失函数，训练中，/>设置为0.99。
模头电机控制模型微调训练中，两个目标模型都采用动量更新方法进行更新。
微调模型部署在生产线上进行生产控制时，对于模头电机控制模型输出的控制策略，添加上高斯噪声，增加模型的微调速度。
其中，/>为控制模型输出的控制策略，/>为高斯噪声的均值，/>为高斯噪声的标准差。
在一可选实施例中，步骤S32线上交互过程中的微调训练采用深度强化学习算法对控制模型进行微调训练，具体包括如下子步骤：
S321、利用闭环数据制作模型数据集；
S322、构造4个时序神经网络模型，分别为控制模型、控制模型的目标模型、 控制模型的价值模型以及控制模型的价值模型的目标模型；其中，控制模型和控制模型的目标模型的输入都为时间序列数据。控制模型的价值模型和控制模型的价值模型的目标模型的输入为时间序列数据和该时间序列对应的控制模型输出的控制量。
S323、将模型数据集进行切割分为训练集和验证集；
S324、构建损失函数和模型激励函数；
S325、训练上述4个模型；
S326、对模型进行测试，选择平均变异系数cov和制程能力指数cpk指标最优的时序神经网络模型，当这两指标不再提升或大幅下降后，就不再进行模型微调，并采用之前指标最优的微调模型。
本发明进一步公开了一种基于时序神经网络模型的涂布机模头电机控制装置，包括：
数据采集模块，实时获取涂布机系统运行参数和面密度测重系统的检测数据，并把数据存储在存储器中，根据涂布机系统运行参数进行数据预处理和异常数据过滤后，作为控制模型的输入；
模头电机控制模型构建模块，用于构建一个时序神经网络模型作为模头电机控制模型，包括：由不同时间段的输入参数组成的时间序列作为模型输入数据，对于输入的时间序列，采用间隔采样方式得到时间序列数据；
模头电机控制模型训练模块，包括两个训练子模块，分别是：
模型预训练子模块；
线上交互过程中的微调训练子模块，其中，所述线上交互过程中的微调训练子模块是用离线训练好的预模型或新的微调模型，在生产线上控制模头的电机，实现与涂布机的交互，并把交互的数据保存下来，作为微调训练的数据，采用深度强化学习微调方法，利用每次微调好的控制模型与涂布机进行交互，然后利用交互数据再进行控制模型微调，一直重复该迭代步骤，直到模型控制效果不再提高；
涂布机模头控制量执行模块，将所述数据采集模块采集到的涂布机系统运行参数和面密度测重系统的检测数据输入到所述模头电机控制模型训练模块训练得到的模头电机控制模型，并执行控制模型输出的控制量，信号传入PLC，使涂布机模头的电机移动到对应的位置。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方法的限定。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法予以穷举。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 (6)
1.基于时序神经网络模型的涂布机模头电机控制方法，其特征在于，包括以下步骤：
S1、数据采集，实时获取涂布机系统运行参数和面密度测重系统的检测数据，并存储在存储器中，根据所述涂布机系统运行参数进行数据预处理和异常数据过滤后，作为模头电机控制模型的输入；
S2、模头电机控制模型构建，构建一个时序神经网络模型作为模头电机控制模型，包括：由不同时间段的输入参数组成的时间序列作为模型输入数据，对于输入的时间序列，采用间隔采样方式得到时间序列数据，用于去除部分冗余的时间序列信息；
S3、模头电机控制模型训练，包括两个训练子步骤，分别是：
S31、模型预训练；
S32、线上交互过程中的微调训练，其中，所述线上交互过程中的微调训练是用离线训练好的预模型或新的微调模型，在生产线上控制模头的电机，实现与涂布机的交互，并把交互的数据保存下来，作为微调训练的数据，采用深度强化学习微调方法，利用每次微调好的控制模型与涂布机进行交互，然后利用交互数据再进行控制模型微调，一直重复控制模型微调训练步骤，直到模型控制效果不再提高。
2.根据权利要求1所述的基于时序神经网络模型的涂布机模头电机控制方法，其特征在于，步骤S1中，对数据进行预处理，包括：毫米面密度数据过滤， Z-score和均值滤波处理；预处理后的数据作为模头电机控制模型的输入数据；
对异常数据过滤是对历史数据处理，排除掉无效的数据，包括：涂布机模头进、退刀时刻的缺陷数据的处理。
3.根据权利要求1所述的基于时序神经网络模型的涂布机模头电机控制方法，其特征在于，步骤S2中，采样间隔数，根据生产线的情况进行变化，平稳的生产线，即平均变异系数cov在0.3以下的生产线采用3~5次检测的间隔；波动的生产线，即平均变异系数cov在0.3以上的生产线采用1~3次检测的间隔。
4.根据权利要求1所述的基于时序神经网络模型的涂布机模头电机控制方法，其特征在于，步骤S31 ，所述模型预训练包括：前期构建时序神经网络控制模型作为模头电机控制模型，并利用历史闭环数据进行前期模型离线训练，得到模头电机控制模型的预训练模型。
5.根据权利要求4所述的基于时序神经网络模型的涂布机模头电机控制方法，其特征在于，步骤S32线上交互过程中的微调训练，采用深度强化学习算法对控制模型进行微调训练，具体包括如下子步骤：
S321、利用闭环数据制作模型数据集；
S322、构造4个时序神经网络模型，分别为模头电机控制模型、模头电机控制模型的目标模型、模头电机控制模型的价值模型以及模头电机控制模型的价值模型的目标模型；
S323、将模型数据集进行切割分为训练集和验证集；
S324、构建损失函数和模型激励函数；
S325、训练上述4个时序神经网络模型；
S326、对时序神经网络模型进行测试，选择平均变异系数cov和制程能力指数cpk指标最优的时序神经网络模型。
6.一种基于时序神经网络模型的涂布机模头电机控制装置，其特征在于，包括：
数据采集模块，实时获取涂布机系统运行参数和面密度测重系统的检测数据，并把数据存储在存储器中，根据涂布机系统运行参数进行数据预处理和异常数据过滤后，作为控制模型的输入；
模头电机控制模型构建模块，用于构建一个时序神经网络模型作为模头电机控制模型，包括：由不同时间段的输入参数组成的时间序列作为模型输入数据，对于输入的时间序列，采用间隔采样方式得到时间序列数据；
模头电机控制模型训练模块，包括两个训练子模块，分别是：
模型预训练子模块；
线上交互过程中的微调训练子模块，其中，所述线上交互过程中的微调训练子模块是用离线训练好的预模型或新的微调模型，在生产线上控制模头的电机，实现与涂布机的交互，并把交互的数据保存下来，作为微调训练的数据，采用深度强化学习微调方法，利用每次微调好的控制模型与涂布机进行交互，然后利用交互数据再进行控制模型微调，一直重复该迭代步骤，直到模型控制效果不再提高；
涂布机模头控制量执行模块，将所述数据采集模块采集到的涂布机系统运行参数和面密度测重系统的检测数据输入到所述模头电机控制模型训练模块训练得到的模头电机控制模型，并执行控制模型输出的控制量，信号传入PLC，使涂布机模头的电机移动到对应的位置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311635961.5A CN117331339B (zh) | 2023-12-01 | 2023-12-01 | 基于时序神经网络模型的涂布机模头电机控制方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311635961.5A CN117331339B (zh) | 2023-12-01 | 2023-12-01 | 基于时序神经网络模型的涂布机模头电机控制方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117331339A true CN117331339A (zh) | 2024-01-02 |
| CN117331339B CN117331339B (zh) | 2024-02-06 |
Family
ID=89283486
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311635961.5A Active CN117331339B (zh) | 2023-12-01 | 2023-12-01 | 基于时序神经网络模型的涂布机模头电机控制方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117331339B (zh) |
Citations (30)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2296065A1 (en) * | 2009-09-03 | 2011-03-16 | Alcatel Lucent | Control unit and method of operating a control unit |
| US20110161261A1 (en) * | 2009-12-28 | 2011-06-30 | Nec(China) Co., Ltd. | Method and system for traffic prediction based on space-time relation |
| CN107169612A (zh) * | 2017-06-21 | 2017-09-15 | 南京信息工程大学 | 基于神经网络的风电机有功功率预测及误差订正方法 |
| CN107358021A (zh) * | 2017-06-01 | 2017-11-17 | 华南理工大学 | 一种基于优化bp神经网络的do预测模型建立方法 |
| CN108400895A (zh) * | 2018-03-19 | 2018-08-14 | 西北大学 | 一种基于遗传算法改进的bp神经网络安全态势评估算法 |
| CN110154024A (zh) * | 2019-05-22 | 2019-08-23 | 清华大学 | 一种基于长短期记忆神经网络增量模型的装配控制方法 |
| US20190278242A1 (en) * | 2018-03-07 | 2019-09-12 | Distech Controls Inc. | Training server and method for generating a predictive model for controlling an appliance |
| CN111366123A (zh) * | 2020-03-06 | 2020-07-03 | 大连理工大学 | 一种基于多任务学习的零件表面粗糙度和刀具磨损预测方法 |
| WO2021000556A1 (zh) * | 2019-07-02 | 2021-01-07 | 中国科学院深圳先进技术研究院 | 一种工业设备剩余有效寿命预测方法、系统及电子设备 |
| WO2021007812A1 (zh) * | 2019-07-17 | 2021-01-21 | 深圳大学 | 一种深度神经网络超参数优化方法、电子设备及存储介质 |
| CN112527604A (zh) * | 2020-12-16 | 2021-03-19 | 广东昭阳信息技术有限公司 | 一种基于深度学习的运维检测方法、系统、电子设备及介质 |
| CN112711791A (zh) * | 2021-01-05 | 2021-04-27 | 浙江大学 | 基于神经网络弹性权重固化的建筑用能负荷实时预测方法 |
| CN112765896A (zh) * | 2021-01-29 | 2021-05-07 | 湖南大学 | 一种基于lstm的水处理时序数据异常检测方法 |
| CN113325721A (zh) * | 2021-08-02 | 2021-08-31 | 北京中超伟业信息安全技术股份有限公司 | 一种工业系统无模型自适应控制方法及系统 |
| CN114266191A (zh) * | 2021-11-29 | 2022-04-01 | 武汉数字化设计与制造创新中心有限公司 | 一种基于密度峰值聚类的多模型时空建模方法 |
| CN114298278A (zh) * | 2021-12-28 | 2022-04-08 | 河北工业大学 | 一种基于预训练模型的电工装备性能预测方法 |
| CN114358278A (zh) * | 2021-11-26 | 2022-04-15 | 北京邮电大学 | 神经网络模型的训练方法及装置 |
| CN114399193A (zh) * | 2022-01-11 | 2022-04-26 | 电子科技大学 | 一种基于深度时序点过程和lstm的缺资料地区径流事件检测方法 |
| WO2022134600A1 (zh) * | 2020-12-25 | 2022-06-30 | 东云睿连(武汉)计算技术有限公司 | 一种神经网络交互式自动训练系统和方法 |
| CN114819372A (zh) * | 2022-05-09 | 2022-07-29 | 广东工业大学 | 一种基于神经网络的电力消费概率预测方法 |
| CN114970717A (zh) * | 2022-05-25 | 2022-08-30 | 亚信科技（中国）有限公司 | 时序数据异常检测方法、电子设备及计算机存储介质 |
| CN115327979A (zh) * | 2022-08-11 | 2022-11-11 | 河南中能智慧大数据科技有限公司 | 基于高斯建模及线性贝叶斯估计的状态监测方法及组件 |
| CN115563566A (zh) * | 2022-09-19 | 2023-01-03 | 郑州时空隧道信息技术有限公司 | 一种时间序列异常检测方法及装置 |
| CN115796287A (zh) * | 2022-10-09 | 2023-03-14 | 厦门大学 | 基于深度学习的场所流量控制方法、系统及可读介质 |
| CN115879511A (zh) * | 2022-12-12 | 2023-03-31 | 北京师范大学-香港浸会大学联合国际学院 | 基于混合神经网络模型的时间序列数据分析预测方法、装置及存储介质 |
| CN115963752A (zh) * | 2022-12-16 | 2023-04-14 | 苏州索亚机器人技术有限公司 | 一种基于深度学习的音圈电机位置伺服控制系统及数学模型的训练方法 |
| CN116125863A (zh) * | 2022-12-15 | 2023-05-16 | 中国航空工业集团公司西安航空计算技术研究所 | 一种航空发动机电子控制器信号采集校准方法 |
| KR20230090915A (ko) * | 2021-12-15 | 2023-06-22 | 주식회사 인포트롤테크놀러지 | Artificial Neural Network를 이용한 closed-loop 선형 모델 gain update 방법 |
| CN116776924A (zh) * | 2023-06-21 | 2023-09-19 | 深圳市欢太科技有限公司 | 模型量化方法、装置、设备、存储介质及产品 |
| CN117000558A (zh) * | 2023-08-10 | 2023-11-07 | 江西荣路电子有限公司 | 涂布烘干机及其控制方法 |
-
2023
- 2023-12-01 CN CN202311635961.5A patent/CN117331339B/zh active Active
Patent Citations (30)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2296065A1 (en) * | 2009-09-03 | 2011-03-16 | Alcatel Lucent | Control unit and method of operating a control unit |
| US20110161261A1 (en) * | 2009-12-28 | 2011-06-30 | Nec(China) Co., Ltd. | Method and system for traffic prediction based on space-time relation |
| CN107358021A (zh) * | 2017-06-01 | 2017-11-17 | 华南理工大学 | 一种基于优化bp神经网络的do预测模型建立方法 |
| CN107169612A (zh) * | 2017-06-21 | 2017-09-15 | 南京信息工程大学 | 基于神经网络的风电机有功功率预测及误差订正方法 |
| US20190278242A1 (en) * | 2018-03-07 | 2019-09-12 | Distech Controls Inc. | Training server and method for generating a predictive model for controlling an appliance |
| CN108400895A (zh) * | 2018-03-19 | 2018-08-14 | 西北大学 | 一种基于遗传算法改进的bp神经网络安全态势评估算法 |
| CN110154024A (zh) * | 2019-05-22 | 2019-08-23 | 清华大学 | 一种基于长短期记忆神经网络增量模型的装配控制方法 |
| WO2021000556A1 (zh) * | 2019-07-02 | 2021-01-07 | 中国科学院深圳先进技术研究院 | 一种工业设备剩余有效寿命预测方法、系统及电子设备 |
| WO2021007812A1 (zh) * | 2019-07-17 | 2021-01-21 | 深圳大学 | 一种深度神经网络超参数优化方法、电子设备及存储介质 |
| CN111366123A (zh) * | 2020-03-06 | 2020-07-03 | 大连理工大学 | 一种基于多任务学习的零件表面粗糙度和刀具磨损预测方法 |
| CN112527604A (zh) * | 2020-12-16 | 2021-03-19 | 广东昭阳信息技术有限公司 | 一种基于深度学习的运维检测方法、系统、电子设备及介质 |
| WO2022134600A1 (zh) * | 2020-12-25 | 2022-06-30 | 东云睿连(武汉)计算技术有限公司 | 一种神经网络交互式自动训练系统和方法 |
| CN112711791A (zh) * | 2021-01-05 | 2021-04-27 | 浙江大学 | 基于神经网络弹性权重固化的建筑用能负荷实时预测方法 |
| CN112765896A (zh) * | 2021-01-29 | 2021-05-07 | 湖南大学 | 一种基于lstm的水处理时序数据异常检测方法 |
| CN113325721A (zh) * | 2021-08-02 | 2021-08-31 | 北京中超伟业信息安全技术股份有限公司 | 一种工业系统无模型自适应控制方法及系统 |
| CN114358278A (zh) * | 2021-11-26 | 2022-04-15 | 北京邮电大学 | 神经网络模型的训练方法及装置 |
| CN114266191A (zh) * | 2021-11-29 | 2022-04-01 | 武汉数字化设计与制造创新中心有限公司 | 一种基于密度峰值聚类的多模型时空建模方法 |
| KR20230090915A (ko) * | 2021-12-15 | 2023-06-22 | 주식회사 인포트롤테크놀러지 | Artificial Neural Network를 이용한 closed-loop 선형 모델 gain update 방법 |
| CN114298278A (zh) * | 2021-12-28 | 2022-04-08 | 河北工业大学 | 一种基于预训练模型的电工装备性能预测方法 |
| CN114399193A (zh) * | 2022-01-11 | 2022-04-26 | 电子科技大学 | 一种基于深度时序点过程和lstm的缺资料地区径流事件检测方法 |
| CN114819372A (zh) * | 2022-05-09 | 2022-07-29 | 广东工业大学 | 一种基于神经网络的电力消费概率预测方法 |
| CN114970717A (zh) * | 2022-05-25 | 2022-08-30 | 亚信科技（中国）有限公司 | 时序数据异常检测方法、电子设备及计算机存储介质 |
| CN115327979A (zh) * | 2022-08-11 | 2022-11-11 | 河南中能智慧大数据科技有限公司 | 基于高斯建模及线性贝叶斯估计的状态监测方法及组件 |
| CN115563566A (zh) * | 2022-09-19 | 2023-01-03 | 郑州时空隧道信息技术有限公司 | 一种时间序列异常检测方法及装置 |
| CN115796287A (zh) * | 2022-10-09 | 2023-03-14 | 厦门大学 | 基于深度学习的场所流量控制方法、系统及可读介质 |
| CN115879511A (zh) * | 2022-12-12 | 2023-03-31 | 北京师范大学-香港浸会大学联合国际学院 | 基于混合神经网络模型的时间序列数据分析预测方法、装置及存储介质 |
| CN116125863A (zh) * | 2022-12-15 | 2023-05-16 | 中国航空工业集团公司西安航空计算技术研究所 | 一种航空发动机电子控制器信号采集校准方法 |
| CN115963752A (zh) * | 2022-12-16 | 2023-04-14 | 苏州索亚机器人技术有限公司 | 一种基于深度学习的音圈电机位置伺服控制系统及数学模型的训练方法 |
| CN116776924A (zh) * | 2023-06-21 | 2023-09-19 | 深圳市欢太科技有限公司 | 模型量化方法、装置、设备、存储介质及产品 |
| CN117000558A (zh) * | 2023-08-10 | 2023-11-07 | 江西荣路电子有限公司 | 涂布烘干机及其控制方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张庆永 等: "动态环境下基于深度学习的视觉SLAM研究", 《贵州大学学报(自然科学版)》, vol. 40, no. 6, pages 53 - 61 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117331339B (zh) | 2024-02-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109674080B (zh) | 烟叶回潮加水量预测方法、存储介质及终端设备 | |
| CN109597449A (zh) | 一种基于神经网络的超声波分散仪温度控制方法 | |
| DE102006063100B3 (de) | Prozessmodellidentifizierung in einem prozesssteuersystem | |
| DE112005003076B4 (de) | Verfahren zur Steuerung einer industriellen Automationsvorrichtung oder eines Prozesses | |
| CN110503253A (zh) | 一种种植环境自适应控制方法及装置 | |
| CN112138861A (zh) | 重介智能控制方法及系统 | |
| CN111633467B (zh) | 一种基于一维深度卷积自动编码器的刀具磨损状态监测方法 | |
| DE112011103778T5 (de) | Steuern eines diskreten Fertigungsprozesses mit einem multivariaten Modell | |
| CN102147613B (zh) | 一种对烟叶复烤机水分、温度的模型预测控制方法及系统 | |
| CN103745273A (zh) | 一种半导体制造过程的多性能预测方法 | |
| WO2017088208A1 (zh) | 一种由数据差异驱动的间歇过程自学习动态优化方法 | |
| CN108719516A (zh) | 一种基于rbf神经网络茶机加工控制参数智能整定方法 | |
| CN113820976A (zh) | 基于人工智能的闸门智能控制方法 | |
| CN115994308B (zh) | 基于元学习的数控机床故障识别方法、系统、设备及介质 | |
| CN110991495A (zh) | 生产制造过程中产品质量预测方法、系统、介质及设备 | |
| CN117331339B (zh) | 基于时序神经网络模型的涂布机模头电机控制方法及装置 | |
| CN105334831A (zh) | 由数据差异驱动的间歇过程双维在线优化方法 | |
| CN117001965A (zh) | 一种批次注塑过程的约束跟踪控制方法及系统 | |
| CN105334336A (zh) | 自动血细胞计数系统及其控制方法 | |
| DE102021124254A1 (de) | Maschinelles Lernverfahren zur Leckageerkennung in einem pneumatischen System | |
| CN114757111B (zh) | 一种基于数字孪生技术的智能装备健康管理方法 | |
| CN108445855B (zh) | 基于K-means的注塑机配方参数优化方法 | |
| CN110716534A (zh) | 一种基于自整定变分模态分解的工业过程振荡检测方法 | |
| CN116520703A (zh) | 一种基于改进ac算法的强化学习间歇过程控制方法 | |
| CN111523662B (zh) | 基于adaline神经网络的动态过程控制限确定方法及设备 |
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 |