[发明专利]应用于注塑过程的滑动窗口循环神经网络二维建模方法

权利要求书

1.应用于注塑过程的滑动窗口循环神经网络二维建模方法，其特征在于，包括，

步骤a，设定一个非线性特性且难以通过机理或实验建模方法获取的注塑过程，所述注塑过程沿批次产生大量运行数据，所述运行数据可用于数据驱动建模；

步骤b，设定某一生产批次为第k批次，滑动窗口长度为n，将第k-1至第k-n批次的运行数据按照迭代顺序进行首尾相接，并获得首尾相接后的重组数据；

步骤c，基于滑动窗口内的所述重组数据，采用循环神经网络对注塑过程的非线性特性进行辨识，设置所述注塑系统输入迭代变化量和历史误差数据为网络输入，将未来误差数据作为网络输出，并建立注塑过程的二维循环神经网络预测模型；

步骤d，采用适用于小批量数据建模的扩展卡尔曼滤波方法训练循环神经网络，并建立网络结构参数和权重参数沿注塑过程生产批次的更新方程；

步骤e，基于第k-1批次的训练结果利用新的滑动窗口数据计算得到第k批次的循环神经网络参数矩阵；

步骤f，注塑过程进入第k+1批次，重复步骤b到步骤e。

2.根据权利要求1所述的应用于注塑过程的滑动窗口循环神经网络二维建模方法，其特征在于，所述步骤a中，所述注塑过程具有强非线性，无法通过机理或实验方法获得所述注塑过程的精确模型。

3.根据权利要求1所述的应用于注塑过程的滑动窗口循环神经网络二维建模方法，其特征在于，所述步骤a中，在进行数据驱动建模时，设置以当前批次为基准的滑动窗口，采用前n个批次的历史数据进行数据驱动建模。

4.根据权利要求1所述的应用于注塑过程的滑动窗口循环神经网络二维建模方法，其特征在于，所述步骤b中，在数据重组时，将滑动窗口内的不等长数据进行重组，按照迭代先后顺序首尾相连，形成可用于神经网络建模的连续数据组。

5.根据权利要求1所述的应用于注塑过程的滑动窗口循环神经网络二维建模方法，其特征在于，所述步骤c中，对所述注塑过程的非线性特性进行辨识时，定义注塑系统状态变量为x，设定x＝[x₁ x₂ x₃]^T＝[P_h v_z Z]^T，输入变量为u＝q_h，其中，x1代表第一个状态变量，x2代表第二个状态变量，x3代表第三个状态变量，T代表转置，P_h为液压，v_z为注射速度，Z为螺旋位移，q_h为液体流率；设置所述注塑系统输入迭代变化量和历史误差数据为网络输入，其中，

式中，为循环神经网络在第k批次t时刻的网络输入，为注塑过程在第k批次t时刻的跟踪误差向量，Δu_k(t)为注塑过程在第k批次t时刻的控制输入向量；

将未来误差数据作为网络输出，其中，

式中，为循环神经网络在第k批次t时刻的网络输出；

基于重组训练数据建立注塑过程的二维循环神经网络预测模型。