一种注塑机注射速度的优化控制方法、系统及装置

摘要

本发明提出一种注塑机注射速度的优化控制方法、系统及装置，包括：建立注塑机控制系统动态模型，并基于所述动态模型建立实现注塑机控制系统在给定时间内驱动注塑机的注射速度跟踪上所期望的注射速度输出轨迹的优化模型；对所述优化模型使用控制参数化方法进行处理，转化为以参数向量为优化决策的非线性优化模型；利用非线性优化方法求出所述非线性优化模型的最优解，实现注塑机注射速度的优化控制。本发明基于控制参数化和非线性优化方法相结合，利用控制参数化简单快捷以及非线性优化方法收敛速度快的特点，高效地得到最优的控制信号，使实际注塑速度跟踪上期望注射速度的输出轨迹，实现对注塑机注射速度的优化控制提高了对注塑速度的控制效率。

权利要求

1.一种注塑机注射速度的优化控制方法，其特征在于，包括以下步骤：S1：建立注塑机控制系统的动态模型，其表达式如下所示：其中，t表示控制时域， 表示注塑机的伺服电机的运行速度，l(t)表示注塑机的喷射液压执行缸的位移，v(t)表示注塑机的喷射液压执行缸的速度，P1(t)表示注塑机的喷射液压执行缸的压力，P2(t)表示喷嘴的压力；u(t)为控制信号；ks表示注塑机的伺服电机扭矩增益，τs表示注塑机的伺服电机相关的时间常数，M表示液压流体体积模数，A1表示圆柱横截面积，A2表示桶的横截面积，η表示聚合物粘度，R表示喷嘴圆球半径，n表示聚合物熔体流动速度，l0表示螺钉的初始长度，s表示聚合物熔体的幂律指数，Kr表示螺杆半径与喷嘴半径之比，β1表示液压流体体积模数，α10表示注油侧的油量，Q1表示泵的流量，β2表示喷嘴体积弹性模量，α20表示聚合物在桶内的体积，Q2表示聚合物熔体流动速率；

令注塑机控制系统动态模型的状态变量

则注塑机控制系统动态模型的动态系统方程如下所示：

S2:根据S1的动态模型，建立实现注塑机控制系统在给定时间内驱动注塑机的注射速度跟踪上所期望的注射速度输出轨迹的优化模型，其表达式如下所示：x(0)＝x0

其中，J(t)为优化模型的目标函数，vd(t)表示期望的注射速度，x3(t)表示实际的注塑速度，γ为权重因子；

S3：对S2的优化模型使用控制参数化方法进行处理，转化为以参数向量为优化决策的非线性优化模型，具体包括以下步骤：S3.1：将控制时域t∈[0，T]等分成n段时间子区间[tk‑1，tk)，其表达式如下所示：

0＝t0≤t1≤t2≤...≤tn‑1≤tn＝T

其中，k＝1，2，...，n，n为整数；并且，时间节点变量tk(k＝1，2，...，n)为预先设定的固定值，对于时间节点变量tk，满足下面约束条件：τmin≤tk‑tk‑1≤τmax，k＝1，2，...，n其中，τmin＞0和τmax＞0分别表示最小时间子区间度量和最大时间子区间度量；

S3.2：通过在每个时间子区间内用一个分段常数函数序列，来参数化注塑机控制系统动态模型的控制信号u(t)，得到u(t)的参数向量σk，其表达式如下所示：其中，σk表示一组待优化的近似控制参数向量， 为性能指标函数，其定义如下所示：

其中，t1，t2，...，tn‑1为等间距的时间点；

参数向量σk满足以下约束条件：

u(t)min≤σk≤u(t)max，k＝1，2，...，n将参数向量σk代入注塑机控制系统动态模型的动态系统方程，其表达式如下所示：令 为注塑机控制系统关于控制信号参数向量的解，

为动态方程 的初值，此时，以参数向量为优化决策的非线性优化模型的表达式如下所示：S4：利用粒子群进化算法对S3所述的非线性优化模型进行迭代优化，直至非线性优化模型的目标函数得到最小化，获得非线性优化模型的最优解，具体包括以下步骤：i

S4.1：设置生成粒子数σ＝[σi1,σi2,...,σin]、粒子迭代次数q、自身最优解影响系数c1、全局最优解影响系数c2和惯性权重ω，其中i为粒子群搜索的维度；随机生成粒子的初始位置状态Xq和粒子的初始速度状态Vq；

S4.2：求解参数化动态微分方程组 和 并根据参数化动态微分方程的求解结果，计算粒子目标函数值，衡量粒子当前位置适应度值fitness；

S4.3：判断粒子是否达到迭代次数，如果达到迭代次数，则输出控制信号参数向量σ的最优解；如果未达到迭代次数，使q＝q+1，执行S3.4；

S4.4：通过对自身最优解信息Xpbest的获取和与群体交流共享获取的全体最优解信息Xgbest，更新粒子的速度状态Vq和位置状态Xq，然后重新执行S3.2，粒子速度状态和位置状态的迭代公式表示为：Vq+1＝ω·Vq+c1·r1·(Xpbest‑Xq)+c2·r2·(Xgbest‑Xq)Xq+1＝Xq+Vq+1

其中，r1和r2分别为可设定的参数，表示迭代过程中的随机影响。

2.根据权利要求1所述的注塑机注射速度的优化控制方法，其特征在于，S4.3中，所述控制信号参数向量σ的最优解包括个体最优解σpbest和全体最优解σgbest。

3.一种注塑机注射速度的优化控制系统，应用于权利要求1或2所述的注塑机注射速度的优化控制方法，其特征在于，包括：建模模块，用于注塑机控制系统的动态模型，并基于所述注塑机控制系统的动态模型，建立实现注塑机控制系统在给定时间内驱动注塑机的注射速度跟踪上所期望的注射速度输出轨迹的优化模型；

参数化模块，用于对建模模块中的优化模型使用控制参数化方法进行处理，转化为以参数向量为优化决策的非线性优化模型；

优化模块，用于对非线性优化模型使用非线性优化方法进行优化，得到非线性优化模型的最优解。

4.根据权利要求3所述的注塑机注射速度的优化控制系统，其特征在于，所述优化模块使用粒子群进化算法，对非线性优化模型进行优化，得到最优解。

5.一种注塑机注射速度的优化控制装置，其特征在于，包括存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行存储器中的计算机程序时实现如权利要求1或2所述的注塑机注射速度的优化控制方法的步骤。

说明书

一种注塑机注射速度的优化控制方法、系统及装置

技术领域

[0001] 本发明涉及注塑机智能控制技术领域，更具体地，涉及一种注塑机注射速度的优化控制方法、系统及装置。

背景技术

[0002] 塑料工业在当今世界上占据着极其重要的地位。近年来，我国塑料制品行业出口数量呈稳步增长的趋势。然而，虽然我国目前是塑料制造业的超级大国，但我国的技术水平与国际先进水平仍有差距，企业生产装备水平普遍低下，智能化水平低，导致产品质量不稳定，高端产品无法生产，这就迫切需要我们进行技术创新来提高竞争力。塑料成型等相关技术的发展将深刻影响我国产业未来的竞争力，对产业领域也产生重要的辐射影响。因此，注塑成型技术已成为目前我国离散工业制造研究的热点之一。

[0003] 公开号为CN112406058A(公开日为2021‑02‑26)提出一种注塑机PID控制器的参数调控方法及PID控制器，提出将PID控制器的参数整定问题转化成一个最优控制问题的表述形式，基于梯度优化思想，通过动态模型和灵敏度模型求解最优目标函数对待调优参数的梯度信息，基于梯度信息迭代优化自动寻找注塑机PID各个参数的最优解，实现了PID控制器参数的动态调整。

[0004] 然而，上述方法基于目标函数及状态约束梯度信息的优化算法对注塑机PID 控制器的参数进行迭代优化控制，在此过程中引入了一系列较为复杂的灵敏度方程组对目标函数的梯度信息进行求解，导致求解过程比较繁琐，这给整个算法优化过程带来了一定的困难，效率低下，这也给实际工业应用带来了不便。

发明内容

[0005] 本发明为克服注塑机注射速度的控制效率低的缺陷，提供一种注塑机注射速度的优化控制方法、系统及装置。

[0006] 为解决上述技术问题，本发明的技术方案如下：

[0007] 第一个方面，本发明提出一种注塑机注射速度的优化控制方法，包括以下步骤：

[0008] S1：建立注塑机控制系统的动态模型；

[0009] S2:根据S1的动态模型，建立实现注塑机控制系统在给定时间内驱动注塑机的注射速度跟踪上所期望的注射速度输出轨迹的优化模型；

[0010] S3:对S2的优化模型使用控制参数化方法进行处理，转化为以参数向量为优化决策的非线性优化模型；

[0011] S4：利用非线性优化方法求出S3所述非线性优化模型的最优解，实现注塑机注射速度的优化控制。

[0012] 优选地，S1中，所述注塑机控制系统动态模型的表达式如下所示：

[0013]

[0014]

[0015]

[0016]

[0017]

[0018] 其中，t表示控制时域， 表示注塑机的伺服电机的运行速度，l(t)表示注塑机的喷射液压执行缸的位移，v(t)表示注塑机的喷射液压执行缸的速度，P1(t) 表示注塑机的喷射液压执行缸的压力，P2(t)表示喷嘴的压力；u(t)为控制信号； ks表示注塑机的伺服电机扭矩增益，τs表示注塑机的伺服电机相关的时间常数， M表示液压流体体积模数，A1表示圆柱横截面积，A2表示桶的横截面积，η表示聚合物粘度，R表示喷嘴圆球半径，n表示聚合物熔体流动速度，l0表示螺钉的初始长度，s表示聚合物熔体的幂律指数，Kr表示螺杆半径与喷嘴半径之比，β1表示液压流体体积模数，α10表示注油侧的油量，Q1表示泵的流量，β2表示喷嘴体积弹性模量，α20表示聚合物在桶内的体积，Q2表示聚合物熔体流动速率。

[0019] 令注塑机控制系统动态模型的状态变量则注塑机控制系
统动态模型的动态系统方程如下所示：

[0020]

[0021] 优选地，实现注塑机控制系统在给定时间内驱动注塑机的注射速度跟踪上所期望的注射速度输出轨迹的优化模型定义为：

[0022]

[0023]

[0024] x(0)＝x0

[0025] 其中，J(t)为优化模型的目标函数，vd(t)表示期望的注射速度，x3(t)表示实际的注塑速度，γ为权重因子。

[0026] 优选地，S3具体包括以下步骤：

[0027] S3.1：将控制时域t∈[0，T]等分成n段时间子区间[tk‑1，tk)，其表达式如下所示：

[0028] 0＝t0≤t1≤t2≤...≤tn‑1≤tn＝T

[0029] 其中，k＝1，2，...，n，n为整数；并且，时间节点变量tk(k＝1，2，...，n)为预先设定的固定值，对于时间节点变量tk，满足下面约束条件：

[0030] τmin≤tk‑tk‑1≤τmax，k＝1，2，...，n

[0031] 其中，τmin＞0和τmax＞0分别表示最小时间子区间度量和最大时间子区间度量；

[0032] S3.2：通过在每个时间子区间内用一个分段常数函数序列，来参数化注塑机控制系统动态模型的控制信号u(t)，得到u(t)的参数向量σk，其表达式如下所示：

[0033]

[0034] 其中，σk表示一组待优化的近似控制参数向量， 为性能指标函数，其定义如下所示：

[0035]

[0036] 其中，t1，t2，...，tn‑1为等间距的时间点；

[0037] 参数向量σk满足以下约束条件：

[0038] u(t)min≤σk≤u(t)max，k＝1，2，...，n。

[0039] 将参数向量σk代入注塑机控制系统动态模型的动态系统方程，其表达式如下所示：

[0040]

[0041] 令 为注塑机控制系统关于控制信号参数向量的解， 为动态方程 的初值，此时，以参数向量为优化决策的非线性优化模型的表达式如下所示：

[0042]

[0043]

[0044]

[0045]

[0046] 优选地，S4中，使用粒子群进化算法对所述非线性优化模型进行迭代优化，直至非线性优化模型的目标函数得到最小化，获得非线性优化模型的最优解。

[0047] 优选地，S4具体包括以下步骤：

[0048] S4.1：设置生成粒子数σi＝[σi1,σi2,...,σin]、粒子迭代次数q、自身最优解影响系数c1、全局最优解影响系数c2和惯性权重ω，其中i为粒子群搜索的维度；随机生成粒子的初始位置状态Xq和粒子的初始速度状态Vq；

[0049] S4.2：求解参数化动态微分方程组 和 并根据参数化动态微分方程的求解结果，计算粒子目标函数值，衡量粒子当前位置适应度值fitness；

[0050] S4.3：判断粒子是否达到迭代次数，如果达到迭代次数，则输出控制信号参数向量σ的最优解；如果未达到迭代次数，使q＝q+1，执行S3.4；

[0051] S4.4：通过对自身最优解信息Xpbest的获取和与群体交流共享获取的全体最优解信息Xgbest，更新粒子的速度状态Vq和位置状态Xq，然后重新执行S3.2，粒子速度状态和位置状态的迭代公式表示为：

[0052] Vq+1＝ω·Vq+C1·r1·(xpbest‑xq)+C2·r2·(xgbest‑xq)

[0053] Xq+1＝Xq+Vq+1

[0054] 其中，r1和r2分别为可设定的参数，表示迭代过程中的随机影响。

[0055] 优选地，S4.3中，所示控制信号参数向量σ的最优解包括个体最优解σpbest和全体最优解σgbest。

[0056] 第二个方面，本发明还提出一种注塑机注射速度的优化控制系统，包括：

[0057] 建模模块，用于注塑机控制系统的动态模型，并基于所述注塑机控制系统的动态模型，建立实现注塑机控制系统在给定时间内驱动注塑机的注射速度跟踪上所期望的注射速度输出轨迹的优化模型；

[0058] 参数化模块，用于对建模模块中的优化模型使用控制参数化方法进行处理，转化为以参数向量为优化决策的非线性优化模型；

[0059] 优化模块，用于对非线性优化模型使用非线性优化方法进行优化，得到非线性优化模型的最优解。

[0060] 优选地，所述优化模块使用粒子群进化算法，对非线性优化模型进行优化，得到最优解。

[0061] 第三个方面，本发明提出一种注塑机注射速度的优化控制装置，包括存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行存储器中的计算机程序时实现如注塑机注射速度的优化控制装置方法中任一方案的步骤。

[0062] 与现有技术相比，本发明技术方案的有益效果是：本发明基于控制参数化和非线性优化方法相结合，利用控制参数化简单快捷以及非线性优化方法收敛速度快的特点，建立以参数向量为优化决策的非线性优化模型，使用非线性优化方法对非线性优化模型进行优化，快速高效地得到最优的控制信号，使实际注塑速度跟踪上期望注射速度的输出轨迹，实现对注塑机注射速度的优化控制，避免了传统方法中需要求解待优化目标函数及状态约束关于控制变量的梯度信息，提高了对注塑速度的控制效率。

附图说明

[0063] 图1为注塑机注射速度的优化控制方法的流程图。

[0064] 图2为粒子群进化算法的流程图。

[0065] 图3为子时间段(t0,t1)中参数向量σ1的迭代收敛图。

[0066] 图4为子时间段(t1,t2)中参数向量σ2的迭代收敛图。

[0067] 图5为子时间段(t2,t3)中参数向量σ3的迭代收敛图。

[0068] 图6为子时间段(t3,t4)中参数向量σ4的迭代收敛图。

[0069] 图7为子时间段(t4,t5)中参数向量σ5的迭代收敛图。

[0070] 图8为子时间段(t5,t6)中参数向量σ6的迭代收敛图。

[0071] 图9为控制信号u(t)下的最优输出跟踪轨迹图。

[0072] 图10为注塑机控制系统动态模型的目标函数迭代过程图。

[0073] 图11为注塑机注射速度的优化控制系统的架构图。

具体实施方式

[0074] 附图仅用于示例性说明，不能理解为对本专利的限制；

[0075] 下面结合附图和实施例对本发明的技术方案做进一步的说明。

[0076] 实施例1

[0077] 请参阅图1，本实施例提出一种注塑机注射速度的优化控制方法，包括以下步骤：

[0078] S1：建立注塑机控制系统的动态模型；

[0079] S2:根据S1的动态模型，建立实现注塑机控制系统在给定时间内驱动注塑机的注射速度跟踪上所期望的注射速度输出轨迹的优化模型；

[0080] S3:对S2的优化模型使用控制参数化方法进行处理，转化为以参数向量为优化决策的非线性优化模型；

[0081] S4：利用非线性优化方法求出S3所述非线性优化模型的最优解，实现注塑机注射速度的优化控制。

[0082] 本实施例基于控制参数化和非线性优化方法相结合，利用控制参数化简单快捷以及非线性优化方法收敛速度快的特点，建立以参数向量为优化决策的非线性优化模型，使用非线性优化方法对非线性优化模型进行优化，快速高效地得到最优的控制信号，使实际注塑速度跟踪上期望注射速度的输出轨迹，实现对注塑机注射速度的优化控制，避免了传统方法中需要求解待优化目标函数及状态约束关于控制变量的梯度信息，提高了对注塑速度的控制效率。

[0083] 实施例2

[0084] 本实施例提出一种注塑机注射速度的优化控制方法，包括：

[0085] S1：建立注塑机控制系统的动态模型：

[0086] 工业应用中的注塑机装备主要由液压系统、注射机构、合模部件、加热和冷却装置，以及电气控制系统的主要部件构成。其中，在注塑成型过程中，注塑液压系统占据着关键的作用。本实施例中，针对一类注塑控制系统中的伺服电机驱动的恒泵液压系统建立了相应的注塑机控制系统动态模型，建模过程具体描述如下：

[0087]

[0088]

[0089]

[0090]

[0091]

[0092] 其中，t表示控制时域， 表示注塑机的伺服电机的运行速度，l(t)表示注塑机的喷射液压执行缸的位移，v(t)表示注塑机的喷射液压执行缸的速度，P1(t) 表示注塑机的喷射液压执行缸的压力，P2(t)表示喷嘴的压力；u(t)为控制信号； ks表示注塑机的伺服电机扭矩增益，τs表示注塑机的伺服电机相关的时间常数， M表示液压流体体积模数，A1表示圆柱横截面积，A2表示桶的横截面积，η表示聚合物粘度，R表示喷嘴圆球半径，n表示聚合物熔体流动速度，l0表示螺钉的初始长度，s表示聚合物熔体的幂律指数，Kr表示螺杆半径与喷嘴半径之比，β1表示液压流体体积模数，α10表示注油侧的油量，Q1表示泵的流量，β2表示喷嘴体积弹性模量，α20表示聚合物在桶内的体积，Q2表示聚合物熔体流动速率。

[0093] 为了简化后续最优控制信号的设计过程，令注塑机控制系统动态模型的状态变量即 l(t)、v(t)、P1(t)和P2(t)分别用x1(t)、x2(t)、x3(t)、x4(t)和x5(t)来表示，则注塑机控制系统动态模型的动态系统方程如下所示：

[0094]

[0095] 在注塑过程中，注塑机控制系统动态模型在开始时间时的初始(或启动)状态定义如下:

[0096]

[0097] P1(0)＝P10，P2(0)＝P20

[0098] 其中， l0,v0,P10和P20均为给定值，其取值范围取决于实际注塑机的初始状态值。

[0099] 为了简化运算，引入新的状态变量:

[0100]

[0101] 在注塑过程中，如何在给定的时间T内高效地跟踪上期望的理想注射速度，对于最终注塑产品的品质影响至关重要。本实施例中主要目标是设计一个最优控制信号以实现注射速度输出的最优跟踪。因此，定义如下目标函数进行最小化：

[0102]

[0103] 其中，vd(t)表示期望的注射速度，x3(t)表示实际的注塑速度，γ为权重因子。

[0104] S2：根据注塑机控制系统的动态模型，建立实现注塑机控制系统在给定时间内驱动注塑机的注射速度跟踪上所期望的注射速度输出轨迹的优化模型：

[0105] 本实施例提出如下注塑成型过程中注射速度的最优控制问题1：

[0106] 给定上述注塑机控制系统动态模型及其初始状态x(0)，目标是设计一个最优控制信号u(t)去最小化目标函数，实现在给定时间T内驱动注塑机的注射速度 x3(t)跟踪上所期望的注射速度输出轨迹vd(t)，具体表示为以下的优化模型：

[0107]

[0108]

[0109] x(0)＝x0

[0110] 最优控制问题1是一个典型的由一组强非线性常微分方程组约束的非线性动态优化规划问题，本实施例通过引入控制参数化方法对控制信号进行一系列的参数化表示。控制参数化方法的基本思想是将控制时间域划分为若干个时间子区段，在各个时间子区间上的控制变量用一组变量函数进行近似表示，而状态变量仍保持连续，则原始最优控制问题1将转化为一系列以各子分段上的控制变量为优化参数的非线性规划问题，进而利用非线性规划算法求出最优解，具体包括以下步骤：

[0111] S3.1：将控制时域t∈[0,T]等分成n段时间子区间[tk‑1,tk)，其表达式如下所示：

[0112] 0＝t0≤t1≤t2≤...≤tn‑1≤tn＝T

[0113] 其中，k＝1,2,...,n，n为整数；并且，时间节点变量tk(k＝1,2,...,n)为预先设定的固定值，对于时间节点变量tk，满足下面约束条件：

[0114] Tmin≤tk‑tk‑1≤Tmax，k＝1，2，...，n

[0115] 其中，τmin>0和τmax>0分别表示最小时间子区间度量和最大时间子区间度量；

[0116] S3.2：通过在每个时间子区间内用一个分段常数函数序列，来参数化注塑机控制系统动态模型的控制信号u(t)，得到u(t)的参数向量σk，其表达式如下所示：

[0117]

[0118] 其中，σk表示一组待优化的近似控制参数向量， 为性能指标函数，其定义如下所示：

[0119]

[0120] 其中，t1,t2,...,tn‑1为等间距的时间点；

[0121] 参数向量σk满足以下约束条件：

[0122] u(t)min≤σk≤u(t)max，k＝1，2，...，n。

[0123] 经过以上状态反馈核参数化形式后，原始最优控制问题1已经成功转化为了一系列以参数向量 为优化决策变量参数的非线性优化规划问题，这里提出本实施例的最优控制问题2：

[0124] 给定参数化后的注塑机控制系统动态模型的动态系统方程,寻找一组控制参数向量σ，使得参数化后的目标函数最小化，实现在给定时间内驱动注塑机的注射速度跟踪上所期望的注射速度输出轨迹。具体可以简化表示为下面的非线性动态优化规划问题：

[0125] 将参数向量σk代入注塑机控制系统动态模型的动态系统方程，其表达式如下所示：

[0126]

[0127] 令 为注塑机控制系统关于控制信号参数向量的解， 为动态方程 的初值，此时，以参数向量为优化决策的非线性优化模型的表达式如下所示：

[0128]

[0129]

[0130]

[0131]

[0132] S4：利用非线性优化方法求出以参数向量为优化决策的非线性优化模型的最优解，实现注塑机注射速度的优化控制：

[0133] 经过S3后，原始最优控制信号设计问题已经成功转化为一个典型的最优参数选择问 题 ,如非线性动态优化规划问题描述所示 ，其中待优化参数向量 为

[0134] 为了避免传统意义上目标函数梯度信息的求解，本实施例基于上述控制参数化方法，提出一种控制参数化与粒子群进化算法(CVP‑PSO)，实现待优化参数向量的快速最优搜索。CVP‑PSO方法的基本思想是首先对控制变量u(t)进行控制参数化得到参数向量 将连续变化的控制信号变量由离散
分段的常值函数叠加近似，从而将一个复杂的连续变化函数优化问题转化成了N个离散的i
常值优化问题。然后，基于粒子群进化算法设置一组粒子，第i个粒子表示为σ＝[σi1,σi2,...,σin]，其中i表示粒子群搜索的维度，具体粒子个数可由实际问题的复杂度决定。然i
后，依次对这些粒子个数σ＝[σi1,σi2,...,σin]进行迭代优化，并且可以通过设置足够多的粒子数和迭代次数，使得最终的优化求解精度得到提高。具体的算法实现步骤如下所示：

[0135] S4.1：设置生成粒子数σi＝[σi1,σi2,...,σin]、粒子迭代次数q、自身最优解影响系数c1、全局最优解影响系数c2和惯性权重ω，其中i为粒子群搜索的维度；随机生成粒子的初始位置状态Xq和粒子的初始速度状态Vq；

[0136] S4.2：求解参数化动态微分方程组 和 并根据参数化动态微分方程的求解结果，计算粒子目标函数值，衡量粒子当前位置适应度值fitness；

[0137] S4.3：判断粒子是否达到迭代次数，如果达到迭代次数，则输出控制信号参数向量σ的最优解；如果未达到迭代次数，使q＝q+1，执行S3.4；

[0138] S4.4：通过对自身最优解信息Xpbest的获取和与群体交流共享获取的全体最优解信息Xgbest，更新粒子的速度状态Vq和位置状态Xq，然后重新执行S3.2，粒子速度状态和位置状态的迭代公式表示为：

[0139] Vq+1＝ω·Vq+C1·r1·(xpbest‑xq)+C2·r2·(xgbest‑xq)

[0140] Xq+1＝Xq+Vq+1

[0141] 其中，r1和r2分别为可设定的参数，表示迭代过程中的随机影响，增加算法的多样性。

[0142] 如图2所示，图2为本实施例中粒子群进化算法的流程图，本实施例在控制参数化方法基础上，提出引入粒子群进化算法(PSO)实现参数化待优化参数向量的快速寻优，从而实现动态优化问题的高效求解，达到实际注塑工艺过程中注射速度的最优跟踪控制的目的，如图3‑图8所示，图3‑图8分别为不同子时间段中参数向量σ的迭代收敛图。PSO是一种基于群体协作的随机搜索优化计算方法，具有搜索收敛速度快的特点，其通过迭代地尝试改进关于给定度量措施的候选解决方案来优化问题。在问题优化求解过程中，PSO不需要使用被优化目标函数的精确梯度信息，这意味着PSO不需要像梯度下降法和准牛顿法等经典优化方法那样要求优化问题是可微的。

[0143] 在经过控制参数化以及粒子群进化算法最优的控制信号后，将最优的控制信号输入注塑机控制系统的动态模型，使实际注塑速度跟踪上期望注射速度的输出轨迹，实现对注塑机注射速度的优化控制，如图和图所示，图9和图10分别为控制信号u(t)下的最优输出跟踪轨迹图和注塑机控制系统动态模型的目标函数迭代过程图。

[0144] 本发明有效避免了传统方法中需要求解待优化目标函数及状态约束关于控制变量的梯度信息，结合控制参数化工程实现简单快捷特点以及利用PSO优化算法收敛速度快的特点，快速高效的优化出注塑机内部最优控制器的输入信号。通过本发明所提出的混合优化控制策略可以高效快速的实现在给定时间内对期望的注射速度轨迹进行最优跟踪，算法收敛速度快且简单高效，易于工程实现，且可以扩展到其它类型的工业过程系统最优控制问题，也可以考虑和解决其他离散与流程工业过程控制系统中存在的一般控制和估计问题。

[0145] 实施例3

[0146] 请参阅图11，本实施例提出一种注塑机注射速度的优化控制系统，包括：建模模块、参数化模块、优化模块和控制模块。

[0147] 建模模块建立注塑机控制系统的动态模型，并基于所述注塑机控制系统的动态模型，建立实现注塑机控制系统在给定时间内驱动注塑机的注射速度跟踪上所期望的注射速度输出轨迹的优化模型；参数化模块对建模模块中的优化模型使用控制参数化方法进行处理，转化为以参数向量为优化决策的非线性优化模型；优化模块使用粒子群进化算法，对非线性优化模型使用非线性优化方法进行优化，得到非线性优化模型的最优解。

[0148] 本实施例基于控制参数化和非线性优化方法相结合，利用控制参数化简单快捷以及非线性优化方法收敛速度快的特点，建立以参数向量为优化决策的非线性优化模型，使用非线性优化方法对非线性优化模型进行优化，快速高效地得到最优的控制信号，使实际注塑速度跟踪上期望注射速度的输出轨迹，实现对注塑机注射速度的优化控制，避免了传统方法中需要求解待优化目标函数及状态约束关于控制变量的梯度信息，提高了对注塑速度的控制效率。

[0149] 附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；

[0150] 显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。