快速模具制造过程的操控探索

 　　低压灌注设备一般由储料桶、驱动电机、计量机构、动（静）态混合头、喷枪以及控制机构等组成。目前生产的低压灌注设备一般采用交流电机，通过转速开环的变频调速方法调节电机转速。

　　在电机调速领域中，直流调速系统以其控制简单、调速性能好和变流装置结构简单等特点，长期占据统治地位。本文采用了直流力矩电机作为计量机构的驱动元件，电机驱动功率一般为1 kW左右，属于小型电机。在小型电机的控制系统中，功率驱动电路大多采用脉宽调制（ PWM ）方法，特别是近年来金属氧化物半导体场效应晶体管（ MOSFET ）、绝缘栅双极型功率晶体管（ IGBT ）功率开关器件的发展，使得小型电机可以使用开关电路驱动，大大提高了系统的控制性能。因此笔者采用了脉宽调制直流力矩电机双闭环调速系统。

　　传统注射成形过程中，型腔内压力变化反映了塑件在型腔内成形的情况，在一定程度上决定了塑件质量，因此注射成形过程控制的研究大多是将型腔内的压力作为被控制变量。但对于RT模塑成形，由于注射压力很小，其变化程度不足以反映型腔内成形的情况，故不宜选择注射压力作为控制变量。

　　对低压灌注充模过程的仿真研究表明，注射流速影响剪切速率和剪切应力，对制品的特征如收缩、翘曲和冲击强度等都有很大影响。调整注射流速可以改善缺料或凹陷、胀模、翘曲变形等一系列制品质量缺陷，同时可缩短注射时间、提高生产效率。

　　本文选择平均注射流速作为控制变量，对注射流速进行实时智能控制，以期获得理想的注射效果。

　　平均注射流速v a与系统输出流量Q的关系为Q = v a S（1）式中： S为喷嘴截面积，对特定设备为常数。

　　驱动电机输出转速n与Q的关系为Q = K J 2 n（2）式中： K J为计量机构放大系数，对特定设备为常数。

　　由式（1）和式（2）可得到平均注射流速v a与驱动电机输出转速n的关系为获得理想的注射效果，低压灌注过程可采用如下的分级注射工艺：

　　（ 1）在充模初期采用较高的平均注射流速，以减少热量损失，缩短注射时间。

　　（ 2）在流体接近浇口时采用较低的平均注射流速，避免物料喷射。

　　（ 3）在型腔接近充满时，显著降低平均注射流速，避免胀模。

　　对于低压灌注过程的层流注射状态，均匀稳定的注射流速可使分子取向均匀，减少翘曲变形的可能性。因此在注射过程的各个阶段，神经网络控制系统均进行恒流速控制。

　　各阶段的平均注射流速可确定如下：

　　（ 1）根据相关经验数据的推荐值初定快速注射时的平均注射流速。

　　（ 2）由于工艺的第（ 2）、第（ 3）阶段占总注射时间的比例很小，为简化计算，采用等比递减的方式确定其平均注射流速，即第（ 2）阶段的注射流速为快速注射时的50 ，第（ 3）阶段的为快速注射时的25.

　　低压灌注制品成形过程中存在不确定性干扰，应使系统具有良好的抗负载扰动的能力。由于神经网络用于系统辨识器时，对于不确定、不确知系统具有自适应性，从而当系统受到扰动时，可不断调整控制器参数，获得较好的控制效果，因此本系统采用了神经网络辨识器与控制器相结合的神经网络控制器结构，系统输入信号与辨识器输出信号的误差信号。

　　该控制器（ ASR）由三部分组成：

　　（ 1） RBF（ radial basis function，径向基函数神经网络）辨识器，用于对系统模型进行在线辨识。

　　（ 2）经典增量式数字PID控制器：直接对系统实施闭环控制（ 3） BP（多层前馈）神经网络：实时调整控制器参数辨识器NN I采用串-并联结构，由非线性时延神经网络（ DTNN ）实现。 NN I中的前馈网络采用3层RBF网N3- 6- 1.网络的输入是被控系统的输入、输出序列< u （ k） ， y（ k）， y （ k- 1）> .网络的权向量为网络的迭代寻优采用带有惯性项的梯度下降法。c ji为网络的第j个节点的第i个中心矢量； b j为节点j的基宽参数，且为大于零的数； x j为网络的第j个输入。

　　当被控对象因具有复杂的非线性特性而难以建立的数学模型，且由于对象和环境存在不确定性时，常规PID控制往往难以达到满意的控制效果。本系统利用BP神经网络的任意非线性表达能力，建立参数k p， k i， k d自学习的PID控制器，通过对系统性能的学习训练，从变化无穷的非线性参数组合中寻找出佳的组合，形成控制量中既相互配合又相互制约的关系。网络输出层神经元的输出对应于PID控制器的3个可调参数k p， k i， k d。通过网络的自学习，实时调整隐含层和输出层的加权系数，使控制器参数对应于给定性能指标的优化。

　　隐含层神经元的作用函数取对称型Sigmoid函数（9）网络输出层神经元的输出对应于PID控制器的3个可调参数。由于控制器参数不能为负值，所以输出层神经元的作用函数取非对称型的Sigmoid函数（10）取性能指标函数为（ k）和y out（ k）分别为系统在k时刻的输入与输出。

　　按照梯度下降法调整网络的权系数，即按照E（ k）对加权系数的负梯度方向搜索调整。网络输出层权系数的学习算法为（ 3）li为网络输出层权系数，上角标（ 3）为输出层，下角标中l指输出层， i指隐含层； 为学习速率；为网络隐含层权系数，上角标（ 2）代表隐含层，下角标j指输入层， i指隐含层。

　　为不失一般性，本文以德国E. Tartler公司生产的M DM - 5型低压灌注设备为研究对象，建立被控系统的数学模型。采用脉宽调制的直流力矩电机()双闭环调速系统取代原设备的变频交流电机开环调速系统，其余结构不做变动。采用MAT LAB仿真软件对控制系统进行仿真，以验证控制器结构的正确性和控制算法的收敛性及可行性。

　　被控系统的仿真数学模型为仿真时输入的典型指令信号有两种：（ 1）阶跃信号（ s= 1）： r in（ k）= 1. 0（ 2）正弦信号（ s= 2）： r in（ k）= sin（ 2 t）取学习速率！= 0. 25；惯性系数？= 0. 03；采样周期T = 0. 001 s；加权系数初值取区间< - 0. 5，0. 5>上的随机数。

　　为分析系统抗干扰能力，在系统的输出端施加一个随机扰动信号d= 0. 1R， R为随机信号。可看出系统输出虽然受到一些扰动，但由于控制器的滤波作用，输出波动的幅度远小于干扰信号的幅度。

　　系统对阶跃信号虽可以快速跟踪，但超调量较大。这是因为在系统启动时，短时间内系统输出有很大偏差，会造成PID运算的积分积累，致使控制量超过执行机构可能允许的大动作范围所对应的极限控制量，引起系统较大的超调。为改善这种状况，在系统中引入了积分分离控制。具体算法如下：引入了积分分离控制后，系统响应性能得到了明显改善，反映了系统对实际生产过程的控制能力。从图中可看出，系统输出对给定控制规律可以良好跟踪，且具有良好的动态响应特性。

　　与RBF神经网络辨识器构成的低压灌注智能控制系统具有在线学习能力，辨识器的参数可随着对象、环境的变化而自适应地改变；既可发挥神经自校正控制的良好自适应性和鲁棒性，又可利用BP神经网络的任意非线性表达能力，通过对系统性能的学习实现控制器佳参数组合，获得所期望的控制效果。实例仿真表明系统对典型输入信号的动态响应性能良好，可有效实现给定规则的控制，并具有良好的抗干扰能力。

(来源：)