注塑過程質(zhì)量預(yù)測研究.pdf

1、注塑制品的質(zhì)量受多種因素的影響，而且，注塑間歇過程還具有典型的多時段、復(fù)雜非線性、動態(tài)多變量等特性，這使得制品質(zhì)量與過程變量之間的關(guān)系比較復(fù)雜。在實際生產(chǎn)中，制品質(zhì)量的反饋是通過實驗室工作人員定期抽查制品來完成，其控制主要由操作工人依靠經(jīng)驗調(diào)節(jié)設(shè)置點來實現(xiàn)。目前，制品質(zhì)量閉環(huán)控制的最大困難是制品的質(zhì)量屬性不能在線測量，這已成為質(zhì)量閉環(huán)控制的一個難點。 本文針對注塑間歇過程的特點進(jìn)行了質(zhì)量預(yù)測研究，主要完成了以下工作： 在

2、閱讀大量國內(nèi)外參考文獻(xiàn)的基礎(chǔ)上，對注塑成型過程進(jìn)行了深入分析，研究了成型過程中各時段過程變量對制品質(zhì)量的影響關(guān)系。 針對多時段特性，提出了基于子時段的滑動窗口多方向部分最小二乘(Multiway Partial Least Square．MPLS)重量預(yù)測方法，子時段劃分后，確定與重量最相關(guān)的子時段，在該子時段滑動窗口內(nèi)建立重量預(yù)測模型，構(gòu)建了動態(tài)多模型結(jié)構(gòu)，以克服傳統(tǒng)MPLS模型靜態(tài)單一，在線預(yù)測時預(yù)估未來測量值的缺點，應(yīng)用結(jié)

3、果表明了所提出方法的有效性。 針對注塑間歇過程比較復(fù)雜的非線性特性，提出了基于子時段的非線性重量預(yù)測模型，有效利用MPLS方法處理高維、高度耦合數(shù)據(jù)的能力和廣義回歸神經(jīng)網(wǎng)絡(luò)(General Regression Neural Network，GRNN)，在樣本數(shù)較少且多維的情況下，具有較強(qiáng)的非線性逼近功能。對產(chǎn)品重量進(jìn)行預(yù)測應(yīng)用研究，應(yīng)用結(jié)果表明了該方法是比較有效的。 針對注塑間歇過程由于某些干擾(如原料波動或設(shè)備性能等

4、變化)引起的批次與批次之間的較強(qiáng)的相關(guān)性，提出一種基于子時段的動態(tài)重量預(yù)測方法，該方法將多方向主成分分析(Multiway Principal component analysis，MPCA)和子空間辨識(Subspace Identification，SI)有效地結(jié)合，主要利用MPCA方法去除子時段三維數(shù)據(jù)展開后的冗余性，采用子空間辨識法，辨識反映批次間相關(guān)性的隨機(jī)狀態(tài)空間模型。通過對注塑制品重量的預(yù)測研究驗證了該方法的有效性。