一种注塑机料筒温度预测方法与流程

1.本发明涉及注塑技术领域，具体涉及一种注塑机料筒温度预测方法。


背景技术：

2.注塑机是进行塑料产品加工的关键设备，在注塑机加工过程中，温度是十分关键的控制指标。在注塑过程中，注塑机料筒是注塑件熔融的唯一场所，同时也是整个注塑机传动和电热部分中对精度要求非常苛刻的环节。
3.注塑机料筒温度过低，在螺杆间塑料会有剪切力产生，出现冷固化而损坏机器，且会造成制品缺少弹性、光泽及黏合力较差等问题；料筒温度过高，塑料分子间会发生交联反应，造成组织疏松，出现发泡现象，同时会加速物料的分解。比例积分微分(pid)控制简单易行，在各种温度控制系统中应用广泛。但在控制温度的超调量及快速响应上，传统pid控制方法无法使两者达到统一。
4.如中国专利cn110202768a，公开日2019年05月17日，本发明涉及一种注塑机料筒温度控制方法，该方法应用在智能控制注塑机运作场景下的用卷积神经网络代替注塑机料筒温度pid控制器的方法；注塑机操作过程中主要的被控变量包括温度、速度、压力等参数，市场上现有的大多数注塑机均通过传统的pid控制器控制注塑过程；本方法通过把注塑机料筒温度pid控制器运行控制过程中的输入输出信号经过高频采样后得到的时间序列变换成矩阵的形式，转换后的输入输出矩阵表示成灰度图的形式，矩阵的元素对应着灰度图像的元素；然后把这些灰度图像上传到集中式服务器中的cnn进行有监督训练，训练好的cnn相比注塑机料筒温度pid控制器具有更好的控制效果。该发明使用的注塑机料筒温度控制方法无法在控制温度的超调量及快速响应上达到统一。


技术实现要素：

5.本发明要解决的技术问题是：注塑机料筒温度控制方法无法在控制温度的超调量及快速响应上达到统一的技术问题。本发明提出了一种注塑机料筒温度预测方法，可以在控制温度的超调量及快速响应上达到统一。
6.为解决上述技术问题，本发明所采取的技术方案为：一种注塑机料筒温度预测方法，包括如下步骤：s1：初始化bp神经网络的拓扑结构；s2：初始化bp神经网络的权值和阈值，将初始化的权值和阈值编码为粒子；s3：设置pso算法的基本参数，用pso算法优化bp神经网络，获得pso-bp神经网络模型；s4：在pso-bp神经网络模型中引入自适应变异，构建获得引入自适应变异的pso-bp神经网络；s5：采用获得的引入自适应变异的pso-bp神经网络对注塑机料筒的温度进行预测。
7.一种注塑机料筒温度预测方法，首先初始化bp神经网络的拓扑结构，确定输入层、
隐含层、输出层神经元个数、选择神经网络的激活函数；选取影响注塑机料筒温度的因素作为所述输入层的输入，将积分系数、比例系数和微分系数作为所述输出层的输出；然后初始化bp神经网络的权值和阈值，将初始化的权值和阈值编码为粒子，设置pso算法的基本参数，用pso算法优化所述bp神经网络，在pso-bp神经网络模型中引入自适应变异，构建获得引入自适应变异的pso-bp神经网络，采用所述自适应变异的pso-bp神经网络能够对带钢的凸度进行预测，并实现注塑现场在线预测注塑机料筒温度。
8.作为优选，所述步骤s4包括以下步骤:s41：根据计算公式，将粒子位置和速度初始化；s42：计算粒子的初始适应度值；s43：速度和位置的更新以及经过自适应算法后重新计算适应度值；s44：判断是否满足迭代的停止条件。
9.粒子和速度初始化：初始化bp神经网络的拓扑结构后，确定初始权值和阈值，将初始权值和阈值编码为粒子，并且设置pso算法的基本参数；计算粒子的初始适应度值：随机输入一个粒子，计算出粒子的初始适应度值，将得到的适应度值和个体最优值对比，假如适应度值大于个体最优值，记录下该粒子的当前位置，将该当前位置作为粒子个体最优位置；然后继续输入剩下的所有粒子，不断重复，直到算法结束为止，获得粒子群体最优位置；速度和位置的更新以及经过自适应算法后重新计算适应度值：在更新粒子的速度和位置后，判断粒子的速度和位置是否在允许的范围里，根据更新后的速度和位置来更新粒子的速度和位置；再根据自适应变异重新计算粒子的适应度值，并且根据粒子新的适应度值去更新粒子的个体最优值和群体最优值；判断是否满足迭代的停止条件：当迭代结束之后，判断得到的群体最优值是否符合bp神经网络的权值、阈值的要求，如果满足要求则结束；如果不满足要求，则重新初始化网络的权值和阈值，再次计算粒子的适应度值进行算法的迭代直到满足条件为止。
10.作为优选，所述步骤s1中的bp神经网络使用了pid结构，所述bp神经网络包括三层，所述bp神经网络的输出层的激励函数表达式如下所示：y＝g(x)＝1/(1+e-x
)其中，输出层神经元输入为x，输出层神经元输出为y。根据该式，可以计算出输出层的具体数据。
11.作为优选，所述步骤s41的计算公式如下所示：vi(t+1)＝wvi(t)+c1rand()(p
best，i-pi(t))+c2rand()(p
best，i-pi)pi(t+1)＝pi(t)+vi(t+1)其中：vi(t)为更新t次的第i个粒子无量纲速度；pi(t)为无量纲位置；c1，c2为加速系数；rand()为0～1的随机数；w为惯性系数；p
best，i
为个体粒子找到的个体最优解。将初始数据代入该式，即可得到粒子的初始位置和速度。
12.作为优选，所述bp神经网络的输入层包括三个神经元，所述bp神经网络的的输出层包括三个神经元。使用了pid结构的bp神经网络包含了三层，即输入层、隐含层和输出层。
13.作为优选，所述输入层为注塑机料筒温度的主要影响因素，所述主要影响因素包括螺杆转速、注射温度和注射压力。将螺杆转速、注射温度和注射压力作为bp神经网络的三
个输入，即可获得对应的输出。
14.作为优选，所述引入自适应变异的pso-bp神经网络的表达式如下所示：θ1(x)＝[k(x，x1)，
…
，k(x，xn)]β其中：θ1表示料筒温度；β表示混合核函数极限学习机输出权重向量。将最终得到的输出值和输出权重向量代入本式，即可得到料筒的温度数值。
[0015]
作为优选，所述粒子的适应度值优劣通过适应度函数进行判断，所述适应度函数如下所示：其中：o
pi
为第i个样本隐藏节点的输出，x
pi
为第i个样本的输入。通过该式判断得到的适应度的优劣。
[0016]
本发明的实质性效果是：本发明将利用pso算法优化升级后的bp神经网络模式用于调整pid控制的各项参数，得到了pso-bp-pid控制算法，这种算法可以有效实现在控制温度的超调量及快速响应上达到统一的目的。
附图说明
[0017]
图1为实施例的流程图；图2为实施例的步骤s4的流程图；图3为实施例的bp神经网络结构图；图4为实施例的pso算法过程仿真图；图5为实施例的利用bp神经网络和pso-bp神经网络整定pid参数的仿真图；图6为实施例的bp神经网络与pso-bp神经网络pid控制阶跃响应曲线图；图7为实施例的不同预测模型的料筒温度预测值与实际值比较表。
具体实施方式
[0018]
下面通过具体实施例，并结合附图，对本发明的具体实施方式作进一步具体说明。
[0019]
一种注塑机料筒温度预测方法，如图1、图2所示，在注塑机料筒上，加热段通常有3～6个，在该加热位置上，对于电源的通电和断电等并不是由单一的开关控制，而是由每一段的固态继电器控制。一般情况下，均是使用反应曲线法来确定料筒加热系统的数学模型，在忽视了加热段的相邻温度耦合现象后，以阶跃响应温度反应曲线作为模型的基础，而后再通过反应曲线的形状进行分析研究，从而得出该注塑机每段料筒温度变化数学模型，可以间接地看成一阶惯性环境加纯滞后环节，如下所示：式中：t为惯性时间常数；k为放大系数；s为拉普拉斯变换因子；l为滞后时间，单位为s；g(s)为加热系统的传递函数。
[0020]
选择注塑机料筒温度主要影响因素，例如螺杆转速、注射温度、注射压力，作为模型的输入，构建基于pso算法的混合核函数极限学习机的注塑机料筒温度预测模型。
[0021]
模型输入为p(n)，p(n-1)，p(n-2)，θ
amb
(n)，θ
amb
(n-1)，θ
amb
(n-2)，v(n)，v(n-1)，v(n-2)，(n＝1，2，
…
，n)。p(n)表示注射压力，p(n-1)表示上一时刻注射压力，p(n-2)表示上两个时刻的注射压力；θ
amb
(n)表示注射温度，θ
amb
(n一1)表示上一时刻注射温度，θ
amb
(n-2)表示上两个时刻的注射温度；v(n)表示螺杆转速，v(n-1)表示上一时刻螺杆转速，v(n-2)表示上两个时刻的螺杆转速。对训练样本数据(如螺杆转速、注射压力、注射温度)进行归一化，得下式：式中：q为试样数据进行归一化前的训练数据；q’为试样数据进行归一化后的训练数据；q
min
为各训练样本数据的最小值；q
max
为各训练样本数据的最大值。
[0022]
与其他随机搜索算法相比，pso算法的特点是鲁棒性好、收敛速度快、简单易实现等，能快速找到问题全局最优解。随机产生一定数量的空间粒子，每个粒子的初始位置和速度根据以下式子计算：vi(t+1)＝wvi(t)+c1rand()(p
best，i-pi(t))+c2rand()(p
best，i-pi)pi(t+1)＝pi(t)+vi(t+1)其中：vi(t)为更新t次的第i个粒子无量纲速度；pi(t)为无量纲位置；c1，c2为加速系数；rand()为0～1的随机数；w为惯性系数；p
best，i
为个体粒子找到的个体最优解。
[0023]
引入自适应变异的pso-bp神经网络的表达式如下所示：θ1(x)＝[k(x，x1)，
…
，k(x，xn)]β其中：θ1表示料筒温度；β表示混合核函数极限学习机输出权重向量。
[0024]
通常情况下，传统非线性回归方法未考虑预测料筒温度的负误差、正误差处理方法的差异。负误差会导致对于料筒温度并没有进行全面客观的估计，使注塑机热状态评估方案不足以满足需求。与此同时，正误差可实现安全、可靠、保守的注塑机热状态，这有利于注塑机的安全运行。因此，使用更大的容许度来对正误差进行相关处理操作，保证预测误差始终处于正值，使预测结果科学可靠。将高斯核函数与多项式核函数结合，生成一个新型混合核函数，提高核函数极限学习机性能。粒子位置向量(u)的组成包括混合核函数参数σ1，σ2，λ，以及混合核函数极限学习机输出权重向量，见式u[β，σ1，σ2，λ]按照粒子群的实际实现方式，不断地对粒子群实施更新操作，寻找最小适应度函数的最优可行解(u*)，根据确定的u*得到核函数极限学习机的输出权重和核函数参数，并且确定了核函数极限学习机的映射网络，完成训练目的。目标函数为预测值的均方误差(σ)，按下式计算：式中：n为预测样本数；θ1，e表示预测结果，约束条件为θ
1，e
≥θ1，约束条件可以最大程度地保障注塑机料筒温度预测值较实际测量值大。
[0025]
如图3所示，使用了pid结构的bp神经网络包含了三层，即输入层、隐含层和输出层。其中ki为积分系数；k
p
为比例系数；kd为微分系数；x1～x3分别为注塑机料筒温度第1段～第3段的设定值。
[0026]
pid的控制算法如下所示：u(l)＝u(l-1)+k
p
[e(l)-e(l-1)]+kie(1)+kd[e(l)-2e(l-1)+e(l-2)]式中：1为采集次数；u(l)为输出；u(l-1)为上一时刻输出；e(l)为偏差；e(l-1)为上一时刻偏差；e(l-2)为上两个时刻偏差。
[0027]
bp神经网络中输入层输入信号o
j(1)
＝x(j)，j＝1，2，3。
[0028]
由于pid结构算法和bp神经网络中ki，k
p
，kd均要保证正数，因此，bp神经网络输出层的激励函数表达为：y＝g(x)＝1/(1+e-x
)其中，输出层神经元输入为x，输出层神经元输出为y。
[0029]
pso算法优化可以分为如下几个步骤：(1)确定bp神经网络结构，通过具体到确定输出层、输入层的节点数目。取群体规模为30，ω取0.8，c1和c2均取2，迭代次数最大为50次。(2)对粒子的适应度进行计算，通过建立一个适应度函数，可对粒子位置的优劣进行判断，在bp神经网络中，可使用误差函数作为适应度函数，为其中：o
pi
为第i个样本隐藏节点的输出，x
pi
为第i个样本的输入。(3)计算个体最优值及全局最优值。(4)对粒子速度、位置进行更新。(5)对bp神经网络的输入、输出进行计算。(6)对pid控制器的输出进行计算。直到输出值超过了最大迭代次数，即求得最优解。
[0030]
如图4所示，选取一个近似的数学计算模型，经过50次迭代，pso算法最优个体的适应度变化见图4。从图4可以看出：随着迭代次数的增加，pso算法的适应度逐渐趋于稳定，在经过50次迭代后，适应度基本不再变化。
[0031]
如图5所示：与bp神经网络相比，pid的pso-bp神经网络通过训练和学习，适应注塑机料筒温度控制要求，系统具有良好的动态性能及解耦控制性能。
[0032]
如图6所示，通过bp神经网络模型确定pid参数，并且进行整定，使其变化幅度与输入信号规律的变化情况基本吻合，但是由于前期存在十分显著的震荡波动，因而整定效果并不能满足需求。经过pso-bp神经网络算法优化后，这种波动明显减小，pid控制器性能更好，能使注塑机料筒温度的波动得到较高程度的减少，同时提高料筒温度响应速度和精度，从而能够精确控制注塑机料筒温度。
[0033]
如图7所示，采用传统pid模型对料筒温度预测的效果整体不太理想，预测结果波动较大；采用pso-bp-pid神经网络模型的预测效果整体较传统pid模型好，温度总体趋势与实际值比较相近，具有更好的拟合度。
[0034]
以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

技术特征：
1.一种注塑机料筒温度预测方法，其特征在于，包括如下步骤：s1：初始化bp神经网络的拓扑结构；s2：初始化bp神经网络的权值和阈值，将初始化的权值和阈值编码为粒子；s3：设置pso算法的基本参数，用pso算法优化bp神经网络，获得pso-bp神经网络模型；s4：在pso-bp神经网络模型中引入自适应变异，构建获得引入自适应变异的pso-bp神经网络；s5：采用获得的引入自适应变异的pso-bp神经网络对注塑机料筒的温度进行预测。2.根据权利要求1所述的一种注塑机料筒温度预测方法，其特征在于，所述步骤s4包括以下步骤:s41：根据计算公式，将粒子位置和速度初始化；s42：计算粒子的初始适应度值；s43：速度和位置的更新以及经过自适应算法后重新计算适应度值；s44：判断是否满足迭代的停止条件。3.根据权利要求1所述的一种注塑机料筒温度预测方法，其特征在于，所述步骤s1中的bp神经网络使用了pid结构，所述bp神经网络包括三层，所述bp神经网络的输出层的激励函数表达式如下所示：y＝g(x)＝1/(1+e-x
)其中，输出层神经元输入为x，输出层神经元输出为y。4.根据权利要求2所述的一种注塑机料筒温度预测方法，其特征在于，所述步骤s41的计算公式如下所示：v
i
(t+1)＝wv
i
(t)+c1rand()(p
best,i-p
i
(t))+c2rand()(p
best,i-p
i
)p
i
(t+1)＝p
i
(t)+v
i
(t+1)其中：v
i
(t)为更新t次的第i个粒子无量纲速度；p
i
(t)为无量纲位置；c1，c2为加速系数；rand()为0～1的随机数；w为惯性系数；p
best,i
为个体粒子找到的个体最优解。5.根据权利要求1所述的一种注塑机料筒温度预测方法，其特征在于，所述bp神经网络的输入层包括三个神经元，所述bp神经网络的的输出层包括三个神经元。6.根据权利要求5所述的一种注塑机料筒温度预测方法，其特征在于，所述输入层为注塑机料筒温度的主要影响因素，所述主要影响因素包括螺杆转速、注射温度和注射压力。7.根据权利要求1或2或3所述的一种注塑机料筒温度预测方法，其特征在于，所述引入自适应变异的pso-bp神经网络的表达式如下所示：θ1(x)＝[k(x,x1),
…
,k(x,x
n
)]β其中：θ1表示料筒温度；β表示混合核函数极限学习机输出权重向量。8.根据权利要求2或4所述的一种注塑机料筒温度预测方法，其特征在于，所述粒子的适应度值优劣通过适应度函数进行判断，所述适应度函数如下所示：其中：o
pi
为第i个样本隐藏节点的输出，x
pi
为第i个样本的输入。

技术总结
本发明公开了一种注塑机料筒温度预测方法，包括如下步骤：S1：初始化BP神经网络的拓扑结构；S2：初始化BP神经网络的权值和阈值，将初始化的权值和阈值编码为粒子；S3：设置PSO算法的基本参数，用PSO算法优化BP神经网络，获得PSO-BP神经网络模型；S4：在PSO-BP神经网络模型中引入自适应变异，构建获得引入自适应变异的PSO-BP神经网络；S5：采用获得的引入自适应变异的PSO-BP神经网络对注塑机料筒的温度进行预测；本发明利用得到的PSO-BP-PID控制算法，可以有效实现在控制温度的超调量及快速响应上达到统一的目的。应上达到统一的目的。应上达到统一的目的。


技术研发人员：李君 陈振光 陈志刚 朱建猛 李素君 林娅丹
受保护的技术使用者：西诺控股集团有限公司
技术研发日：2023.03.30
技术公布日：2023/10/19