[發明專利]應用于注塑過程的滑動窗口循環神經網絡二維建模方法

有效

• 申請號: 202110625947.1
• 申請日: 2021-06-04
• 公開（公告）號: CN113343569B
• 公開（公告）日: 2023-10-20
• 發明（設計）人: 馬樂樂;孔小兵;劉向杰
• 申請（專利權）人: 華北電力大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F119/02
• 代理公司: 北京翔石知識產權代理事務所(普通合伙) 11816
• 代理人: 李勇

1.應用于注塑過程的滑動窗口循環神經網絡二維建模方法，其特征在于，包括，

步驟a，設定一個非線性特性且難以通過機理或實驗建模方法獲取的注塑過程，所述注塑過程沿批次產生大量運行數據，所述運行數據可用于數據驅動建模；

步驟b，設定某一生產批次為第k批次，滑動窗口長度為n，將第k-1至第k-n批次的運行數據按照迭代順序進行首尾相接，并獲得首尾相接后的重組數據；

步驟c，基于滑動窗口內的所述重組數據，采用循環神經網絡對注塑過程的非線性特性進行辨識，設置所述注塑系統輸入迭代變化量和歷史誤差數據為網絡輸入，將未來誤差數據作為網絡輸出，并建立注塑過程的二維循環神經網絡預測模型；

步驟d，采用適用于小批量數據建模的擴展卡爾曼濾波方法訓練循環神經網絡，并建立網絡結構參數和權重參數沿注塑過程生產批次的更新方程；

步驟e，基于第k-1批次的訓練結果利用新的滑動窗口數據計算得到第k批次的循環神經網絡參數矩陣；

步驟f，注塑過程進入第k+1批次，重復步驟b到步驟e。

2.根據權利要求1所述的應用于注塑過程的滑動窗口循環神經網絡二維建模方法，其特征在于，所述步驟a中，所述注塑過程具有強非線性，無法通過機理或實驗方法獲得所述注塑過程的精確模型。

3.根據權利要求1所述的應用于注塑過程的滑動窗口循環神經網絡二維建模方法，其特征在于，所述步驟a中，在進行數據驅動建模時，設置以當前批次為基準的滑動窗口，采用前n個批次的歷史數據進行數據驅動建模。

4.根據權利要求1所述的應用于注塑過程的滑動窗口循環神經網絡二維建模方法，其特征在于，所述步驟b中，在數據重組時，將滑動窗口內的不等長數據進行重組，按照迭代先后順序首尾相連，形成可用于神經網絡建模的連續數據組。

5.根據權利要求1所述的應用于注塑過程的滑動窗口循環神經網絡二維建模方法，其特征在于，所述步驟c中，對所述注塑過程的非線性特性進行辨識時，定義注塑系統狀態變量為x，設定x＝[x₁ x₂ x₃]^T＝[P_h v_z Z]^T，輸入變量為u＝q_h，其中，x1代表第一個狀態變量，x2代表第二個狀態變量，x3代表第三個狀態變量，T代表轉置，P_h為液壓，v_z為注射速度，Z為螺旋位移，q_h為液體流率；設置所述注塑系統輸入迭代變化量和歷史誤差數據為網絡輸入，其中，

式中，為循環神經網絡在第k批次t時刻的網絡輸入，為注塑過程在第k批次t時刻的跟蹤誤差向量，Δu_k(t)為注塑過程在第k批次t時刻的控制輸入向量；

將未來誤差數據作為網絡輸出，其中，

式中，為循環神經網絡在第k批次t時刻的網絡輸出；

基于重組訓練數據建立注塑過程的二維循環神經網絡預測模型。