一种热塑成型中进行分区温度控制的方法及系统

1.本发明涉及工业流程控制技术领域，尤其涉及一种热塑成型中进行分 区温度控制的方法及系统。


背景技术：

2.在塑料型材生产中最重要的生产工艺就是成型过程中的温度控制，成 型机温度控制精度的高低直接决定产品质量。目前，热塑成型机温度控制 方法主要采用电阻加热法，即根据工艺要求将成型片材加热到某一恒定的 温度，使片材软化，然后采用吸塑的方式使片材一次成型。
3.随着消费者对包装材料的实用性和美观性的要求越来越高，导致热塑 成型产品的外观和形状越来越复杂，因此热塑成型的工艺也越来越复杂， 对热塑成型设备和温度控制的精度要求越来越高。但是，现有的热塑成型 设备和温度控制系统存在所有片材温度统一，无法根据成型需求进行温度 调整。例如成型材料表明需要较大拉伸时，需对该区域制定特殊的加热温 度，温度控制精度不足会导致材料变黑、分解等问题。


技术实现要素：

4.本发明的目的在于克服现有技术的不足，所要解决的技术问题在于， 目前热塑成型设备和温度控制系统无法根据成型材料和形状等需求进行智 能调整。
5.本发明提供了一种热塑成型中进行分区温度控制的方法及系统，通过 pid控制器和深度神经网络的结合，自适应调整加热区域温度，实现更精准 的温度控制，能最大程度上保证热塑成型产品的质量，达到智能、高效的 目的。
6.为了解决上述问题，本发明提出了一种热塑成型中进行分区温度控制 的方法，包括：
7.将热塑成型片材送入热塑成型设备片材加热区域的预加热区域进行预 加热处理；
8.将预加热处理后的热塑成型片材送入主加热区域进行加热成型处理。
9.所述将热塑成型片材送入热塑成型设备片材加热区域的预加热区域进 行预加热处理包括：
10.判断热塑成型片材是否达到软化参数阈值，在判断达到软化参数阈值 时，则将预加热处理后的热塑成型片材输送至主加热区域。
11.所述将预加热处理后的热塑成型片材送入主加热区域进行加热成型处 理包括：
12.将热塑成型片材送入主加热区域的子加热区域，所述主加热区域使用 栅格化布局将主加热区域划分为一个以上的子加热区域；
13.每个子加热区域通过深度神经网络自适应调整pid控制器的基本参数 控制预加热处理后的热塑成型片材成型所需的温度。
14.所述每个子加热区域通过深度神经网络自适应调整pid控制器的基本 参数控制
预加热处理后的热塑成型片材成型所需的温度包括：
15.基于每个子加热区域上所设置的温度传感器采集被加热区域的温度值；
16.将所采集的温度值输入深度神经网络自适应调整pid控制器的基本参 数；
17.pid控制器基于所述基本参数生成被控对象的温度控制参数；
18.被控对象基于所述温度控制参数对被加热区域进行温度变化处理。
19.所述将所采集的温度值输入深度神经网络自适应调整pid控制器的基 本参数包括：
20.将所采集的温度值输入至深度神经网络中，基于深度神经网络计算出 所述温度值对应的pid控制器的基本参数，所述基本参数包括：比例系数kp、 积分系数ki、微分系数kd。
21.所述将所采集的温度值输入至深度神经网络中，基于深度神经网络计 算出所述温度值对应的pid控制器的基本参数包括：
22.获得实际温度值和期望温度值，计算温度误差；
23.将所述温度误差、实际温度值、期望温度值输入至深度神经网络中， 所述温度误差、实际温度值、期望温度值为深度神经网络的输入值，pid控 制器的基本参数为深度神经网络的输出值；
24.基于深度神经网络得到所述温度值所对应的pid控制器的基本参数。
25.所述将所采集的温度值输入深度神经网络自适应调整pid控制器的基 本参数还包括：基于热塑成型构建深度神经网络初始化结构模型。
26.所述pid控制器基于所述基本参数生成被控对象的温度控制参数包括：
27.基于增量数字pid的控制算法计算出pid控制器的输出控制值u(k)。
28.所述pid控制器基于所述基本参数生成被控对象的温度控制参数还包 括：
29.基于当前时刻的权值修正值通过神经网络学习在线调整下一时刻的深 度神经网络各层加权系数。
30.本发明还提出了一种控制系统，包括存储器、处理器以及存储在存储 器上的计算机程序，其中，所述处理器执行所述计算机程序以实现以上所 述的一种热塑成型中进行分区温度控制的方法。
31.本发明将片材加热区域分为预加热区域和主加热区域，将热塑成型片 材进行预加热处理，使热塑成型片材软化，可以有效降低热塑成型片材因 温度升高过快导致片材崩碎的几率；将主加热区域划分为一个以上的子加 热区域，每个子加热区域有单独的温度控制系统，实现每个子加热区域的 温度调整和监控，可以更多程度上满足热塑成型片材加热成型温度的需求； 每个子加热区域通过深度神经网络自适应调整pid控制器的基本参数控制 预加热处理后的热塑成型片材成型所需的温度，可以实现每个子加热区域 的温度的自适应调整，能最大程度上保证热塑成型产品的质量，达到智能、 高效的目的。
附图说明
32.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对 实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见的， 下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员 来讲，在不付出创造性劳动的前提下，还
可以根据这些附图获得其它的附 图。
33.图1是本发明实施例一中的热塑成型中进行分区温度控制的方法流程 示意图；
34.图2是本发明实施例一中的加热成型处理流程示意图；
35.图3是本发明实施例一中的深度神经网络计算模型流程图。
36.具体实施方式
37.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进 行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例， 而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没 有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的 范围。
38.实施例一
39.本发明实施例一所涉及的一种热塑成型中进行分区温度控制的方法， 包括：将热塑成型片材送入热塑成型设备片材加热区域的预加热区域进行 预加热处理；将预加热处理后的热塑成型片材送入主加热区域进行加热成 型处理。
40.具体的，图1示出了本发明实施例一中的热塑成型中进行分区温度控 制的方法流程示意图，包括：
41.s101、将热塑成型片材进行预加热处理；
42.这里将热塑成型片材送入热塑成型设备的片材加热区域的预加热区域 进行预加热处理。
43.s102、判断热塑成型片材是否达到软化参数阈值；
44.这里在对热塑成型片材进行预加热处理的同时，需判断热塑成型片材 是否达到软化参数阈值，在判断热塑成型片材达到软化参数阈值时，将预 加热处理后的热塑成型片材输送至主加热区域。
45.需要说明的是，所述热塑成型片材的软化参数阈值指的是所述热塑成 型片材的玻化温度。
46.具体的，所述热塑成型片材对热有一定的敏感性，即热可塑性，随着 温度的提高，所述热塑成型片材的韧度和强度都会下降，而热可塑性则会 增加，在温度达到某个区间时，所述热塑成型片材的韧度和强度会发生激 烈的变化，同时热可塑性则会发生激烈的增加，这个区间称为玻化区间， 而处于玻化区间范围内的温度则称为玻化温度。
47.s103、将热塑成型片材进行加热成型处理。
48.这里将预加热处理后的热塑成型片材送入主加热区域中进行加热成型 处理。
49.需要说明的是，在主加热区域中进行热塑成型片材的加热成型处理， 需至少将所述热塑成型片材加热至最低成型温度，但不能超过最高成型温 度，在温度达到玻化区间之后的区间，所述热塑成型片材的韧度和强度非 常低，处于无法使用的状态，但是其热可塑性很高，在此区间内进行加热 成型处理是非常合适的，这个区间称为塑化区间，而处于塑化区间范围内 的最低温度称为最低成型温度，处于塑化区间范围内的最高温度称为最高 成型温度。
50.具体的，图2示出了本发明实施例一中的加热成型处理流程示意图， 包括：
51.s201、将热塑成型片材送入子加热区域；
52.这里将预加热处理后的热塑成型片材送入主加热区域中的子加热区域 内进行加热成型处理。
53.需要说明的是，所述主加热区域使用栅格化布局，划分为若干个n
×
m 方式布局的子加热区域，每个子加热区域有单独的加热部件和温度传感器， 用于实现每个子加热区域单独的温度监控和调整。
54.s202、采集被加热区域的温度值；
55.这里基于每个子加热区域上所设置的温度传感器采集被加热区域的温 度值。
56.s203、自适应调整pid控制器的基本参数；
57.这里将所采集的温度值输入深度神经网络自适应调整pid控制器的基 本参数。
58.具体的，如图3所示，图3是本发明实施例一中的深度神经网络计算 模型流程图。
59.s301、基于热塑成型构建深度神经网络初始化结构模型；
60.这里基于热塑成型构建深度神经网络初始化结构模型，确定输入节点 的个数a、隐含层节点的个数p，并给定深度神经网络各层加权系数的初值 为和同时选定深度神经网络的学习速率η和惯性系数α。
61.s302、采样得到实际温度值和期望温度值；
62.这里基于温度传感器采集本时刻的实际温度值c(k)和期望温度值r (k)。
63.s303、设定初值；
64.这里设定初值e(k-1)、e(k-2)、u(k-1)，若本时刻为第一时刻，则 设定e(k-1)＝e(k-2)＝0，u(k-1)＝0，若本时刻为第二时刻，则设定e (k-2)＝0，提取第一时刻的温度误差作为e(k-1)的值，提取第一时刻的 输出控制值作为u(k-1)的值，若本时刻为第三时刻及往后时刻，则提取 对应时刻的值，其中e(k-1)为上一时刻的温度误差，e(k-2)为上上一时 刻的温度误差，u(k-1)为上一时刻的输出控制值。
65.s304、计算温度误差；
66.这里计算本时刻的温度误差e(k)，e(k)＝r(k)-c(k)；
67.s305、计算出所述温度值对应的pid控制器的基本参数；
68.这里将所采集的本时刻的实际温度值c(k)、期望温度值r(k)，以及 计算得到的温度误差e(k)输入至深度神经网络中，所述实际温度值c(k)、 期望温度值r(k)、温度误差e(k)作为深度神经网络的输入值，pid控制 器的基本参数为深度神经网络的输出值，基于深度神经网络得到本时刻温 度值对应的pid控制器的基本参数，所述基本参数包括：比例系数kp、积 分系数ki、微分系数kd。
69.s204、生成被控对象的温度控制参数；
70.这里pid控制器基于所述基本参数生成被控对象的温度控制参数。
71.具体的，如图3所示，图3是本发明实施例一中的深度神经网络计算 模型流程图。
72.s306、计算pid控制器的输出控制值和输出控制量；
73.这里基于增量数字pid的控制算法计算本时刻pid控制器的输出控制 值u(k)和输出控制量δu(k)，u(k)＝u(k-1) kp(e(k)-e(k-1)) kie(k) kd(e(k)-2e(k-1) e(k-2))，δu(k)＝kpe(k)
‑ꢀ
kie(k-1)-kde(k-2)，其中u(k-1)为上一时刻的输出控制值，e(k) 为本时刻的温度误差，e(k-1)为上一时刻的温度误差，e(k-2)为上上一 时刻的温度误差，kp为
比例系数，ki为积分系数、kd为微分系数。
74.s307、存储数据；
75.这里将s302-s306步骤中得到的所有数据存储至pid控制器的数据库 中，当运算需要时从中提取数据。
76.s308、调整加权系数；
77.这里深度神经网络学习在线调整加权系数和和其中权值修正 为深度神经网络的惯性系数。
78.s309、重复s302-s308步骤，直至加热成型处理结束。
79.s205、基于温度控制参数进行温度变化处理；
80.这里被控对象基于温度控制参数对被加热区域进行温度变化处理。
81.所述被控对象指的是设置在每一个子加热区域中的加热组件和温度传 感器。
82.所述温度控制参数包括输出控制值u(k)和输出控制量δu(k)。
83.综上，本发明实施例一通过一种热塑成型中进行分区温度控制的方法， 将片材加热区域分为预加热区域和主加热区域，将热塑成型片材进行预加 热处理，使热塑成型片材软化，可以有效降低热塑成型片材因温度升高过 快导致片材崩碎的几率；将主加热区域划分为一个以上的子加热区域，每 个子加热区域有单独的温度控制系统，实现每个子加热区域的温度调整和 监控，可以更多程度上满足热塑成型片材加热成型温度的需求；每个子加 热区域通过深度神经网络自适应调整pid控制器的基本参数控制预加热处 理后的热塑成型片材成型所需的温度，可以实现每个子加热区域的温度的 自适应调整，能最大程度上保证热塑成型产品的质量，达到智能、高效的 目的。
84.实施例二
85.本发明实施例二所涉及的一种控制系统，包括：存储器、处理器以及 存储在存储器上的计算机程序，其中，所述处理器执行所述计算机程序， 所述存储器储存在控制工作过程中产生的数据。
86.需要说明的是，所述处理器执行所述计算机程序，用于实现本发明所 述一种热塑成型中进行分区温度控制的方法。
87.综上，本发明实施例二通过一种控制系统，实现了热塑成型中分区温 度控制的方法，提高了热塑成型处理的效率。
88.另外，以上对本发明实施例所提供的一种热塑成型中进行分区温度控 制的方法及系统进行了详细介绍，本文中应采用了具体个例对本发明的原 理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的 方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思 想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书 内容不应理解为对本发明的限制。