45] 進一步的，所述開模誤差的絕對值Ie化）I = ISd-Sd化）I ;所述采用迭代學習方法對 開模過程路徑進行優化具體為:根據開模誤差的絕對值Ie化）I的大小，采用迭代學習方法， 分別針對開始減速位置Sl、停止位置St進行優化，W優化開模過程的路徑。
[0046] 更具體而言，所述根據|E(k) I的大小，采用迭代學習方法分別針對開始減速位置 Sl、停止位置St進行優化，具體為：
[0047] 當誤差的絕對值Ie化）I大于設定的臨界值IEiimI時，對開始減速位置Sl采用迭代 學習方法進行優化；當誤差的絕對值Ie化）I小于等于設定的臨界值IEiimI時，對停止位置St 采用迭代學習方法進行優化，臨界值I Eiim I取1.2，采用該取值時，在保證收斂速度的同時， 可有效保證收斂的穩定性。
[0048] 其中，所述迭代學習優化方法表達式如下：
[0049] u(k)=u(k-l)+Liix化化-1));
[0050] 式中，U化)為當前批次的控制輸出，本實施例中控制輸出具體為Sl或St,即SlA) = Sl化-1)+Lilc(Sl化-1))或St化）=51化-1)+山。位化-1));11化-1)為上一批次的控制輸出； Lilc化化-1))為迭代學習更新律;E化-1)為上一批次的開模誤差值;k是開模批次數。
[0051] 為了加快迭代學習算法的收斂速度，同時保證算法的魯棒性，在對不同的對象進 行優化時，采用不同的迭代學習更新律。對開始減速位置Sl優化時采用比例型的迭代學習 更新律，W保證開模誤差能夠快速收斂，此時，Lilc(E化-1))=KilcX(E化-1))，其中Kil功學 習增益，為固定值0.8;對停止位置St優化時采用可變型迭代學習更新律，W保證開模結果 的穩定性，可變型迭代學習更新律表達式如下：
[0053] 其中，e為自然常數，E化-1)為上一批次的開模誤差值。
[0054] (4)根據優化后的開模路徑參數進行下次開模動作，通過電子尺獲得下次開模結 束位置，并與設定的開模結束位置Sd計算得到下次開模誤差；
[0055] (5)重復步驟(3)~(4)，直至開模誤差的絕對值Ie化）I小于設定的誤差范圍，優化 結束，并保存優化后的開模路徑參數。
[0056] W下為具體實例，通過具體實例對本發明的上述注塑機開模路徑優化方法予W更 具體的解釋和說明。
[0057] 本實施例的實驗用注塑機:博創智能裝備股份有限公司的BS150-HI型注塑機，機 器最大開模位置410.0111111，電機最大轉速為1800巧111，最大鎖模力為1500抓，模具質量為 320kg，模具長寬高尺寸為400mm X 400mm X 320mm;設定的第一段的壓力Pi = 40bar、流量Vi = 15 %、位置Si =化.Omm，設定的開模結束位置Sd = 340.0 mm。
[0058] 表1首次開模路徑參數
[0060] 根據模具參數及界面設定的開模工藝參數，進行開模過程路徑的初次規劃，規劃 運動軌跡如圖2所示，其按照計算得到的加速度ai運動到高速段開始位置Sh;停止加速，保持 當前的速度運動到開始減速位置Sl;從Sl開始減速，按照提前設定的固定斜率減速到設定的 低速段流量化;保持當前流量運動到停止位置St時，流量指令直接置0，開模機構在慣性的作 用下繼續運動一段距離并停止，獲得首次開模路徑參數如下表1所示。
[0061] 根據表1的開模路徑參數，進行第一次的注塑機開模動作，獲得第一次開模結果Sd (1) = 331.2mm，首次開模誤差E( 1) =8.8mm，根據首次的開模
[0062] 結果參數，采用迭代學習的方法對開模過程路徑進行優化，由于E(1 ) = 8.8mm〉 1.2，本次優化參數為Sl，采用比例型的迭代學習更新律：
[006；3 ]由于 Sl (k) = Sl 化-1) +Lilc ( Sl (k-1))，
[0064] 貝 Ij Sl (2)=紅（1) +Kilc XE(l) = 220.0+0.8X8.8 = 227.0mm;
[0065] 得到第一次優化后的開模路徑參數如下表2所示：
[0066] 表2優化后的開模路徑參數
[0068] 根據獲得的第一次優化后的開模路徑參數進行第二次的開模動作，獲得第二次開 模結果Sd(2)，二次開模誤差E(2)，重復W上步驟直至開模誤差的絕對值Ie化）I小于設定的 誤差范圍0.2，優化結束，并保存優化后的開模路徑參數。
[0069] 圖3是每一批次開模結果示意圖，虛線為實際的開模結果位置曲線，實線為對應的 參考曲線；圖4是開模誤差收斂示意圖，根據圖3和圖4可知，開模誤差在第四批次中已經達 到設定的誤差范圍，并在之后的批次中保持穩定，誤差波動范圍在〇.2mmW內，因此W第四 批次對應的開模路徑參數進行開模即可。
[0070] 本領域的技術人員容易理解，W上所述僅為本發明的較佳實施例而已，并不用W 限制本發明，凡在本發明的精神和原則之內所作的任何修改、等同替換和改進等，均應包含 在本發明的保護范圍之內。
【主權項】
1. 一種注塑機開模路徑優化方法，其特征在于，該方法包括W下步驟： (1) 根據模具參數及開模工藝參數，進行開模過程路徑的規劃，獲取開模路徑參數； (2) 根據規劃的路徑進行第一次開模動作，并獲得首次開模結束位置，利用首次開模結 束位置與設定的開模結束位置計算得到開模誤差E化）； (3) 判斷開模誤差的絕對值I E化）I是否在設定誤差范圍內：如果是，則保存當前的開模 路徑參數，優化過程結束；如果否，則采用迭代學習方法對開模過程路徑進行優化，得到優 化后的開模路徑參數； (4) 根據優化后的開模路徑參數進行下次開模動作，并獲得下次開模結束位置，利用下 次開模結束位置與設定的開模結束位置計算得到開模誤差E化）； (5) 重復步驟(3)~(4)，直至開模誤差的絕對值Ie化）I達到設定的誤差范圍內，優化結 束，并保存優化后的開模路徑參數。2. 根據權利要求1所述的注塑機開模路徑優化方法，其特征在于，步驟（1)中所述模具 參數包括模具尺寸及模具質量;所述開模工藝參數包括開模第一段的壓力Pi、流量VI、位置 Si,設定的開模結束位置Sd;所述開模路徑參數包括高速段開始位置Sh、高速段流量Vh、開始 減速位置Sl、低速段流量化、停止位置St。3. 根據權利要求2所述的注塑機開模路徑優化方法，其特征在于，步驟(3)中所述開模 誤差的絕對值Ie化）I = ISd-Sd化）I，其中Sd化)表示當前批次的開模結束位置;所述采用迭 代學習方法對開模過程路徑進行優化，具體為:根據Ie化）I的大小，采用迭代學習方法針對 開始減速位置Sl或停止位置St進行優化，W優化開模過程的路徑。4. 根據權利要求3所述的注塑機開模路徑優化方法，其特征在于，所述根據I E化）I的大 小，采用迭代學習方法針對開始減速位置Sl或停止位置St進行優化，具體為： 當Ie化）I大于設定的臨界值IEiimI時，對開始減速位置Sl采用迭代學習方法進行優化； 當IE化）I小于等于設定的臨界值I Eiim I時，對停止位置St采用迭代學習方法進行優化。5. 根據權利要求4所述的注塑機開模路徑優化方法，其特征在于，所述設定誤差范圍為 0.2,所述 Elim 二 1.2 O6. 根據權利要求5所述的注塑機開模路徑優化方法，其特征在于，所述迭代學習方法的 表達式如下： u(k)=u(k-l)+LiL^E(^k-l)); 其中，k是開模批次數;u(k)為當前批次的控制輸出；u(k-l)為上一批次的控制輸出； Lilc化化-1))為迭代學習更新律;E化-1)為上一批次的開模誤差值。7. 根據權利要求6所述的注塑機開模路徑優化方法，其特征在于，對開始減速位置Sl優 化時采用比例型迭代學習更新律，W保證開模誤差快速收斂;對停止位置St優化時采用可 變型迭代學習更新律，W保證開模結果的穩定性。8. 根據權利要求7所述的注塑機開模路徑優化方法，其特征在于，所述比例型迭代學習 更新律表達式如下： Lilc 巧化-1)) =KilcX^A-I)); 其中，Kilc為學習增益，取值為0.8。9. 根據權利要求7所述的注塑機開模路徑優化方法，其特征在于，所述可變型迭代學習 更新律表達式如下：其中，e為自然常數。
【專利摘要】本發明公開了一種注塑機開模路徑優化方法，包括以下步驟：根據模具參數及開模工藝參數進行開模路徑規劃；根據規劃的開模路徑進行開模動作，獲得開模結果數據；計算開模誤差，判斷開模誤差是否在設定誤差范圍內，如是，則優化結束，如否，則通過迭代學習方法對開模路徑進行重新規劃；通過多次開模及路徑優化，直至開模誤差小于設定誤差允許范圍，優化過程結束，并保存開模控制參數。通過本發明，在注塑機更換新的模具后，能夠在不需要人工調整的情況下，自動而快速的獲得開模控制參數，同時具備開模定位位置精確，開模過程快速穩定等優點，可有效節約單個生產批次的時間，提高生產效率。
【IPC分類】B29C45/76
【公開號】CN105643891
【申請號】
【發明人】周華民, 阮宇飛, 張云, 黃志高, 李德群, 高煌, 毛霆, 周循道
【申請人】華中科技大學
【公開日】2016年6月8日
【申請日】2016年1月21日