基于注意力機制的CNN-GRU合模拉桿應變預測方法

本發(fā)明涉及注塑機裝配調試，具體涉及一種基于注意力機制的cnn-gru合模拉桿應變預測方法。

背景技術：

1、合模機構是注塑機的核心部件和主要功能實現(xiàn)載體，主要由定模板、動模板、后模板、四根拉桿、對應設置于每根拉桿上的拉桿螺母、肘桿及液壓系統(tǒng)組成。作為注塑成型過程中的主要執(zhí)行機構，合模機構承擔了在高壓下保持模具閉合并確保注射時模腔密封的任務，這一組件的裝配質量直接影響到注塑產(chǎn)品的成型質量和機器的使用壽命。合模裝調是注塑機合模機構裝配過程中至關重要的一個步驟，對注塑機裝配效率、質量和裝配一致性影響巨大。合模裝調的具體步驟是根據(jù)拉桿應變偏差程度調整拉桿螺母在拉桿上的相對位置進而調整定模板與動模板之間的平行度，以確保在合模加載時四根拉桿因受力拉伸產(chǎn)生的應變均勻，減小偏載率。在裝配調試過程中，拉桿應變偏差程度和偏載率是衡量合模機構裝配質量的一項關鍵指標，拉桿受力不均勻可能會導致拉桿變形和模具閉合不穩(wěn)，進而影響注塑產(chǎn)品的精度和機器的長期穩(wěn)定性。

2、目前，現(xiàn)有的合模裝調方法仍存在一些局限性。首先，合模裝調過程嚴重依賴技術工人的經(jīng)驗，而人員的技能經(jīng)驗難以量化，尤其在批量生產(chǎn)中，手動調試的效率較低，且易受到人為因素的影響，導致裝配一致性難以保證。此外，手工裝配無法準確預測，為保證產(chǎn)品滿足裝配要求，裝配技師需要花費大量時間進行繁瑣的調整過程，不斷重復“裝配-測試-拆卸-調整-測試”的過程，操作步驟繁瑣且費時。這種裝配調試方式難以滿足現(xiàn)代注塑設備生產(chǎn)對高效率、高精度的要求。

技術實現(xiàn)思路

1、本發(fā)明為了克服以上技術的不足，提供了一種基于注意力機制的cnn-gru合模拉桿應變預測方法。本發(fā)明基于合模機構的裝配需求和特點，構建融合注意力機制的卷積神經(jīng)網(wǎng)絡和門控循環(huán)單元的多輸入多輸出合模機構拉桿應變預測模型，實現(xiàn)裝調過程中拉桿應變的精準預測。

2、術語解釋：

3、1、cnn：convolutional?neural?network，卷積神經(jīng)網(wǎng)絡。

4、2、gru：gated?recurrent?unit，門控循環(huán)單元。

5、3、lstm：long?short-term?memory，長短期記憶網(wǎng)絡。

6、4、se：squeeze-and-excitation，壓縮與激勵。

7、5、adam：adaptive?moment?estimation，自適應矩估計。

8、6、rmse：root?mean?squared?error，均方根誤差。

9、7、mae：mean?absolute?error，平均絕對誤差。

10、8、：r-squared，決定系數(shù)。

11、本發(fā)明克服其技術問題所采用的技術方案是：

12、一種基于注意力機制的cnn-gru合模拉桿應變預測方法，包括步驟如下：

13、s1、采集注塑機合模機構裝調過程數(shù)據(jù)，并構建歷史數(shù)據(jù)庫；

14、s2、對步驟s1中獲取的合模機構裝調過程數(shù)據(jù)進行預處理，用預處理后的合模機構裝調過程數(shù)據(jù)構建樣本數(shù)據(jù)集，并將樣本數(shù)據(jù)集劃分為訓練集和測試集；

15、s3、采用cnn-gru網(wǎng)絡結構結合se注意力機制構建多輸入多輸出合模機構拉桿應變預測模型，確定合模機構拉桿應變預測模型的輸入、輸出和網(wǎng)絡參數(shù)，使用訓練集對合模機構拉桿應變預測模型進行訓練；

16、s4、使用測試集通過訓練好的合模機構拉桿應變預測模型對合模機構裝調過程進行預測，對預測結果進行反歸一化得到調整后的拉桿應變預測值，并通過評價指標對最終預測結果進行評估；

17、s5、將訓練好的合模機構拉桿應變預測模型部署到實際生產(chǎn)現(xiàn)場，在進行合模裝調時，將實時采集的數(shù)據(jù)輸入到合模機構拉桿應變預測模型中，合模機構拉桿應變預測模型輸出當前裝調操作后的拉桿應變預測值。

18、進一步地，步驟s1中，合模機構裝調過程數(shù)據(jù)包括：四根拉桿裝調過程中的當前時刻拉桿應變值、裝調過程中對應的拉桿螺母旋轉角度以及裝調后的拉桿應變值。

19、進一步地，步驟s1中，注塑機合模機構至少包括定模板、動模板、后模板、四根拉桿、對應設置于每根拉桿上的拉桿螺母、肘桿和液壓系統(tǒng)，采集注塑機合模機構裝調過程數(shù)據(jù)，具體包括：

20、確定需要采集的數(shù)據(jù)變量，包括合模機構拉桿應變值和對應的拉桿螺母旋轉角度；

21、根據(jù)裝調采集數(shù)據(jù)需求和合模機構的結構特點選擇數(shù)據(jù)采集裝置并進行數(shù)據(jù)采集裝置的方案布置，每根拉桿上靠近定模板的位置對稱安裝兩個應變傳感器用于采集合模加載時的拉桿應變值，每個拉桿螺母上安裝一個磁柵編碼器用于采集裝調過程中的拉桿螺母旋轉角度；

22、在合模機構裝調開始前對應變傳感器和磁柵編碼器進行安裝和校準，合模機構裝調過程中通過數(shù)據(jù)采集和處理模塊對所有傳感器采集的數(shù)據(jù)同步進行采集存儲和數(shù)據(jù)預處理，其中，所有傳感器包括所有應變傳感器和所有磁柵編碼器；

23、構建歷史數(shù)據(jù)庫，用于存儲合模機構裝調過程的原始數(shù)據(jù)和經(jīng)過預處理后的合模機構裝調過程數(shù)據(jù)，所述歷史數(shù)據(jù)庫用于記錄每次合模機構裝調過程中的詳細數(shù)據(jù)，至少包括合模機構型號、拉桿應變值、拉桿螺母旋轉角度和設備狀態(tài)。

24、進一步地，步驟s2具體包括：

25、對步驟s1中獲取的合模機構裝調過程數(shù)據(jù)進行篩選，采用孤立森林算法進行異常值的識別和刪除，通過基于隨機分割的無監(jiān)督異常檢測方法，隨機選擇數(shù)據(jù)特征并進行分割，逐步分離出可能的異常點，識別和隔離不符合正常模式的數(shù)據(jù)點，將異常數(shù)據(jù)刪除以確保所選數(shù)據(jù)樣本為正常狀態(tài)下的裝調數(shù)據(jù)；

26、對篩選后的正常樣本數(shù)據(jù)進行歸一化處理，將輸入數(shù)據(jù)和輸出數(shù)據(jù)歸一化到0到1之間；

27、將歸一化后的樣本數(shù)據(jù)進行存儲，并構建樣本數(shù)據(jù)集；

28、將歷史數(shù)據(jù)庫的樣本數(shù)據(jù)集按照預設比例隨機劃分為訓練集和測試集，其中，訓練集的數(shù)量大于測試集的數(shù)量。

29、進一步地，步驟s2中，對篩選后的正常樣本數(shù)據(jù)進行歸一化處理，具體包括：

30、采用min-max歸一化方法對樣本數(shù)據(jù)進行線性變換，計算數(shù)據(jù)的最小值和最大值，根據(jù)歸一化公式將樣本數(shù)據(jù)縮放到目標區(qū)間[0，1]之間；歸一化公式表示如下：

31、（1）

32、公式（1）中，為歸一化后的樣本數(shù)據(jù)，為原始樣本數(shù)據(jù)，為樣本數(shù)據(jù)最小值，為樣本數(shù)據(jù)最大值。

33、進一步地，步驟s3中，采用cnn-gru網(wǎng)絡結構結合se注意力機制構建多輸入多輸出合模機構拉桿應變預測模型，確定合模機構拉桿應變預測模型的輸入、輸出和網(wǎng)絡參數(shù)，具體包括：

34、確定合模機構拉桿應變預測模型的輸入變量和輸出變量：將四根拉桿裝調過程中的當前時刻拉桿應變值和裝調過程中對應的拉桿螺母旋轉角度八個變量作為輸入變量，將裝調后的拉桿應變值四個變量作為輸出變量；

35、確定合模機構拉桿應變預測模型的網(wǎng)絡結構：選擇雙層一維卷積神經(jīng)網(wǎng)絡cnn和門控循環(huán)單元網(wǎng)絡gru并融合se注意力機制構建合模機構拉桿應變預測模型，所述合模機構拉桿應變預測模型的網(wǎng)絡結構依次包含輸入層、cnn層、se注意力機制層、gru層和輸出層；

36、確定合模機構拉桿應變預測模型的網(wǎng)絡層數(shù)、每層單元數(shù)、迭代次數(shù)和學習率，采用adam優(yōu)化器對網(wǎng)絡參數(shù)進行更新。

37、進一步地，輸入層用于將原始合模機構裝調過程數(shù)據(jù)作為合模機構拉桿應變預測模型的輸入，具體是將原始合模機構裝調過程數(shù)據(jù)經(jīng)過預處理后輸入到合模機構拉桿應變預測模型中；

38、cnn層包括卷積操作和激活函數(shù)，用于對輸入的合模機構裝調過程數(shù)據(jù)進行卷積處理，提取輸入數(shù)據(jù)的局部特征和空間特征并將學習到的數(shù)據(jù)特征傳遞到se注意力機制層；卷積表達式如下：

39、（2）

40、公式（2）中，c表示卷積輸出，x為輸入數(shù)據(jù)，f表示激活函數(shù)，激活函數(shù)為relu激活函數(shù)，表示第j個卷積核權重矩陣，b為偏置項，*為卷積運算；

41、se注意力機制層包括全局平均池化層和兩層全連接層，用于對cnn卷積特征進行權重評估，通過壓縮和激勵操作調整特征通道權重，利用權重系數(shù)對每個通道的特征進行加權平均，選擇性地增強對關鍵特征的關注，抑制不重要或不相關的特征；

42、gru層包括更新門和重置門，gru層用于利用門控機制選擇性地保留和傳遞上一時刻輸入的信息，其中，更新門用于控制從當前輸入和歷史狀態(tài)中選擇多少信息來更新當前狀態(tài)，重置門用于控制候選隱藏狀態(tài)是否依賴上一時刻狀態(tài)并存儲數(shù)據(jù)的短期變化，通過建立輸入變量與輸出預測目標之間的映射關系來預測輸出；gru層的數(shù)學表達式如下：

43、（3）

44、（4）

45、（5）

46、（6）

47、公式（3）-（6）中，和分別表示更新門和重置門，表示當前隱藏狀態(tài)，表示候選隱藏狀態(tài)，和均表示更新門的權重矩陣，和均表示重置門的權重矩陣，和均表示隱藏狀態(tài)的權重矩陣，、、分別表示更新門、重置門和隱藏狀態(tài)的偏移量，表示sigmoid激活函數(shù)，表示當前時刻輸入值，表示上一時刻的輸出值，tanh表示雙曲正切激活函數(shù)，表示點積運算；

48、輸出層包括全連接層，用于將gru層的輸出作為輸入，通過全連接層輸出合模機構拉桿應變預測結果。

49、進一步地，步驟s4中，評價指標包括均方根誤差rmse、平均絕對誤差mae和決定系數(shù)；評價指標rmse、mae、的計算公式分別如下：

50、（7）

51、（8）

52、（9）

53、公式（7）-（9）中，n表示樣本總數(shù)，表示樣本的拉桿應變真實值，表示樣本的拉桿應變預測值，表示樣本拉桿應變真實值的平均值。

54、進一步地，步驟s5具體包括：

55、將經(jīng)過訓練和優(yōu)化后的合模機構拉桿應變預測模型集成到實際生產(chǎn)線的裝調系統(tǒng)中；

56、在合模機構裝調操作時，通過實際生產(chǎn)現(xiàn)場配置的傳感器實時采集四根拉桿裝調過程中的拉桿應變值和裝調過程中對應的拉桿螺母旋轉角度，并將采集到的數(shù)據(jù)作為合模機構拉桿應變預測模型的輸入變量，根據(jù)訓練好的合模機構拉桿應變預測模型的參數(shù)進行計算，輸出當前裝調操作下的拉桿應變預測值。

57、本發(fā)明的有益效果是：

58、本發(fā)明通過根據(jù)裝調采集數(shù)據(jù)需求和合模機構的結構特點設計數(shù)據(jù)采集方案，在合模機構裝調過程中采用應變傳感器和磁柵編碼器兩種傳感器采集合模機構裝調過程數(shù)據(jù)，對數(shù)據(jù)預處理后得到樣本數(shù)據(jù)集，并構建融合卷積神經(jīng)網(wǎng)絡cnn、門控循環(huán)單元gru和se注意力機制的多輸入多輸出合模機構拉桿應變預測模型，實現(xiàn)了對合模機構裝調過程中拉桿應變的精準預測。該方法有效避免了人工操作中因工人經(jīng)驗差異帶來的不確定性，同時實現(xiàn)了對裝調結果的提前預測，顯著提升了裝配效率與裝配質量，為合模機構的裝配調試提供了可靠的技術保障。