一种面向注塑工艺过程中的注射速度最优控制方法

注塑速度控制是注塑成型工艺(IMP)的一个关键环节,要制造出高质量的注塑产品,注塑速度控制必须可靠、快速。本文主要研究了注塑成型设备中典型的伺服电机驱动恒定泵液压系统,并深入研究了IMP中注塑速度的优化跟踪控制。为了在指定时间内快速跟踪所需的注塑速度,提出了一种高效的最优(H-无限)控制器。为此,首先建立了一个非线性伺服电机驱动的恒定泵液压系统,然后利用泰勒一阶展开法在瞬态工作点进行近似线性化。然后,针对近似线性化模型设计鲁棒最佳反馈控制器,并反复求解代数里卡提方程,以确定控制器的稳定反馈增益。所设计控制器的全局稳定性也得到了Lyapunov理论的保证。最后,通过数值模拟验证了所提设计方法的可行性和有效性.

基于加权核范数和L_(2,1)范数的最优均值线性分类器

缺陷检测是智能制造系统的一个重要的环节。在采用传统机器学习算法进行缺陷分类的时候,通常会遇到数据噪声干扰,降低算法对缺陷类别的预测精度。尽管近几年提出了如鲁棒线性判别分析(RLDA)等强大的算法用于解决数据受稀疏噪声干扰的分类问题,但仍存在一些缺点限制其应用性能。该文提出一种新的基于线性判别分析的最优均值鲁棒线性分类模型(OMRLSA)。不同于以往应对噪声数据的分类方法忽略稀疏噪声具有的拉普拉斯分布特性对数据均值的影响,该文所提出的最优均值鲁棒线性分类模型会自动更新数据的最优均值,从而保证数据的统计特性不会受到噪声的干扰。此外,随后的损失函数中首次在鲁棒分类模型中引入了关于正则化和误差测量的联合L_(2,1)范数最小化和秩压缩的加权核范数最小化方法,从而提高算法的鲁棒性。在具有不同比例损坏的标准数据集上的实验结果说明了该文方法的优越性。

基于宽度学习的注塑产品质量预测方法

在注塑成型工业中,产品质量自动监测一直是注塑工业智能化发展的核心问题。高品质和大规模的产品质量数据采集成本高昂,导致数据样本量少、不同类别样本数据不平衡,为注塑产品质量预测提出了更高的挑战。为此,该文提出一种基于宽度学习方法的注塑产品质量预测模型,以产品的3维尺寸为预测目标,在普通的宽度学习系统(BLS)中加入最小p范数来改进得到模型p范数宽度学习系统(pN-BLS),解决小样本和不平衡数据的问题,提高模型对离群点的检测性能。在第4届工业大数据竞赛任务2《注塑成型工艺的虚拟量测和调机优化》数据集中,将192个参数特征与预测目标进行相关分析,提取相关性高的基础特征17个,衍生特征4个和调机参数2个作为模型的输入。将16600条数据平均分为训练集和测试集各8300条,与支持向量机(SVM)、最近邻算法(KNN)、多层感知机(MLP)和BLS进行对比实验,实验结果显示pN-BLS具有更快速和更准确的预测效果。在实际缺陷检测应用中,pN-BLS能更准确地预测异常数据,具有更高的鲁棒性。

面向注塑工艺过程中的注射速度最优操纵混合优化控制方法

在注塑工艺过程中,注射速度控制是其重要环节之一,实现注射速度的快速可靠优化控制对于注塑产品的高效生产具有重要意义。该文针对一类典型的注塑装备中的伺服电机驱动恒泵液压系统,研究了注塑机工作过程中的注射速度最优跟踪控制问题,提出一种高效的基于控制参数化与粒子群优化相结合的混合智能优化控制方法,分别设计实现了开环最优控制器和状态反馈最优控制器,将控制器设计问题转化为一序列最优参数选择问题,实现了在给定时间内对所期望的注射速度跟踪控制的高效求解。最后通过实验仿真结果验证了所提出的混合优化控制算法对于求解注塑工艺过程中注射速度的动态优化问题的可行性和有效性。