[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

本發明涉及一種應用于注塑過程的滑動窗口循環神經網絡二維建模方法，涉及塑料加工技術領域，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；步驟b，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，采用循環神經網絡對注塑過程的非線性特性進行辨識，并建立注塑過程的二維循環神經網絡預測模型；步驟d，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，進入第k+1批次，重復步驟b到步驟e。本發明所述方法有效提高了注塑機注射速度的控制精度。

技術領域

本發明涉及塑料加工技術領域，尤其涉及一種應用于注塑過程的滑動窗口循環神經網絡二維建模方法。

背景技術

注塑機又名注射成型機或注射機，它是將熱塑性塑料或熱固性料利用塑料成型模具制成各種形狀的塑料制品的主要成型設備。注塑機是塑料加工業中使用量最大的加工機械，不僅有大量的產品可用注塑機直接生產，而且還是組成注拉吹工藝的關鍵設備。注射系統是注塑機最主要的組成部分之一，其作用是，在注塑料機的一個循環中，能在規定的時間內將一定數量的塑料加熱塑化后，在一定的壓力和速度下，通過螺桿將熔融塑料注入模具型腔中，注射結束后，對注射到模腔中的熔料保持定型。注射成型的基本要求是塑化、注射和成型。塑化是實現和保證成型制品質量的前提，而為滿足成型的要求，注射必須保證有足夠的壓力和速度。

隨著塑料加工業規模和復雜性的日益增長，注塑過程呈現出越來越強的非線性特性，難以通過機理或實驗建模方法獲得其精確模型，嚴重影響了其注射速度控制的精度，為制造高精細化塑料產品帶來了困難。數據驅動建模方法可以利用注塑機重復運行產生的大量過程數據挖掘其內在的非線性特征，獲得注塑過程的精確神經網絡模型。然而，注塑過程各批次產生的運行數據具有不連續、不等長和高相似的特點，需要設計具有針對性的神經網絡結構和訓練方法實現其高精度建模。

發明內容

為此，本發明提供一種應用于注塑過程的滑動窗口循環神經網絡二維建模方法，用以克服現有技術中無法獲取注塑過程的精確模型導致的注塑機注射速度控制精度低的問題。

為實現上述目的，本發明提供一種應用于注塑過程的滑動窗口循環神經網絡二維建模方法，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。

進一步地，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。

進一步地，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。

進一步地，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。