[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

说明书

本发明涉及一种应用于注塑过程的滑动窗口循环神经网络二维建模方法，涉及塑料加工技术领域，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；步骤b，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，采用循环神经网络对注塑过程的非线性特性进行辨识，并建立注塑过程的二维循环神经网络预测模型；步骤d，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，进入第k+1批次，重复步骤b到步骤e。本发明所述方法有效提高了注塑机注射速度的控制精度。

技术领域

本发明涉及塑料加工技术领域，尤其涉及一种应用于注塑过程的滑动窗口循环神经网络二维建模方法。

背景技术

注塑机又名注射成型机或注射机，它是将热塑性塑料或热固性料利用塑料成型模具制成各种形状的塑料制品的主要成型设备。注塑机是塑料加工业中使用量最大的加工机械，不仅有大量的产品可用注塑机直接生产，而且还是组成注拉吹工艺的关键设备。注射系统是注塑机最主要的组成部分之一，其作用是，在注塑料机的一个循环中，能在规定的时间内将一定数量的塑料加热塑化后，在一定的压力和速度下，通过螺杆将熔融塑料注入模具型腔中，注射结束后，对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。塑化是实现和保证成型制品质量的前提，而为满足成型的要求，注射必须保证有足够的压力和速度。

随着塑料加工业规模和复杂性的日益增长，注塑过程呈现出越来越强的非线性特性，难以通过机理或实验建模方法获得其精确模型，严重影响了其注射速度控制的精度，为制造高精细化塑料产品带来了困难。数据驱动建模方法可以利用注塑机重复运行产生的大量过程数据挖掘其内在的非线性特征，获得注塑过程的精确神经网络模型。然而，注塑过程各批次产生的运行数据具有不连续、不等长和高相似的特点，需要设计具有针对性的神经网络结构和训练方法实现其高精度建模。

发明内容

为此，本发明提供一种应用于注塑过程的滑动窗口循环神经网络二维建模方法，用以克服现有技术中无法获取注塑过程的精确模型导致的注塑机注射速度控制精度低的问题。

为实现上述目的，本发明提供一种应用于注塑过程的滑动窗口循环神经网络二维建模方法，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。

进一步地，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。

进一步地，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。

进一步地，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。