【技术实现步骤摘要】
本专利技术涉及注塑冷却，具体为基于聚丙烯树脂注塑模的循环冷却系统及其控制方法。
技术介绍
1、目前，基于聚丙烯树脂注塑模的循环冷却系统的运行参数通常依赖于传统的控制方法，如pid控制等；然而，传统方法存在着参数调整困难、控制精度不高等问题，无法充分适应复杂多变的生产环境和工艺要求；为了解决这些问题，近年来，深度强化学习等智能控制方法逐渐受到关注；
2、深度强化学习通过建立智能决策模型，基于环境反馈不断调整参数，实现了对复杂系统的智能控制；与传统方法相比，深度强化学习具有自适应性强、控制精度高、适应性好等优点，能够更好地适应不同的生产条件和工艺要求，提高冷却水循环装置的运行效率和稳定性，因此，针对上述问题提出基于聚丙烯树脂注塑模的循环冷却系统及其控制方法。
技术实现思路
1、本专利技术的目的在于提供基于聚丙烯树脂注塑模的循环冷却系统及其控制方法，以解决上述
技术介绍
中提出的问题。
2、为实现上述目的，本专利技术提供如下技术方案：
3、基于聚丙烯树脂注塑模的循环冷却系统，包括注塑模、冷却水循环管路、冷却水循环装置和控制装置，其中：
4、注塑模具有多个冷却水通道，用于冷却聚丙烯树脂注塑模；
5、冷却水循环管路连接注塑模的冷却水通道，用于循环冷却水；
6、冷却水循环装置包括冷却水循环泵和冷却水箱，冷却水循环泵用于将冷却水从冷却水箱抽出并通过冷却水循环管路循环注入注塑模的冷却水通道；
7、控制装置用于控制冷却水
8、基于聚丙烯树脂注塑模的循环冷却控制方法，包括以下步骤：
9、步骤一：数据采集与预处理：首先，收集历史数据和实时监测信息，包括冷却系统的运行数据、环境条件、生产参数；对数据进行预处理，包括数据清洗、缺失值处理、异常值检测和去噪操作，以确保数据的质量和准确性；
10、步骤二：建立能耗预测模型：基于历史数据和实时监测信息，选择合适的建模方法，如时间序列分析、回归分析、机器学习，建立能耗预测模型；利用常见的机器学习算法如线性回归、决策树、支持向量机、神经网络进行建模；模型的输入包括冷却系统的运行参数、环境条件和生产参数，输出为系统的能耗；
11、步骤三：模型验证与优化：使用部分历史数据对建立的能耗预测模型进行验证和评估，检查模型的准确性和泛化能力；根据验证结果对模型进行优化，调整模型结构、参数或者选择不同的建模方法，提高模型的预测精度；
12、步骤四：选择优化算法：在建立好的能耗预测模型的基础上，选择适合的优化算法来寻找最佳的冷却参数组合以降低系统能耗；
13、步骤五：参数优化：将冷却系统的参数作为优化变量，根据能耗预测模型和选定的优化算法，通过迭代计算找到能使系统能耗最小化的最佳参数组合；优化的目标可以是最小化能耗、最大化能源利用效率或者其他指定的性能指标；
14、步骤六：验证优化效果：将优化后的冷却参数组合应用到实际系统中，监测系统的运行状态和能耗情况，并与预测模型的结果进行比较验证；根据验证结果评估优化效果，是否达到了降低系统能耗的预期目标；
15、步骤七：持续优化与改进：针对实际应用中发现的问题和优化效果，持续监测系统运行情况，不断调整和优化冷却参数，进一步降低系统能耗并提高效率。
16、优选的，所述优化算法为模拟退火算法，包括以下步骤：
17、步骤一：初始化：
18、设定初始温度tinitial和终止温度tfinal；
19、初始化当前温度t＝tinitial；
20、随机生成初始解xinitial；
21、步骤二：循环迭代：
22、当t＞tfinal时执行以下步骤：
23、对当前解x进行邻域搜索，生成新解xnew；
24、计算能量函数e(x)和e(xnew)；
25、如果e(xnew)＜e(x)，则接受新解xnew；
26、否则，以一定的概率接受新解xnew；更新当前解x为xnew；
27、更新温度t，使用衰减函数控制，如指数衰减或线性衰减；
28、步骤三：输出结果：
29、返回最优解x*，即使能量函数e(x*)最小化的解；
30、步骤四：计算公式：
31、能量函数(评价解的好坏)：e(x)；
32、温度变化规则：tnew＝cooling_schedule(t)；
33、邻域搜索：xnew＝neighborhood(x)；
34、接受新解的概率：
35、优选的，所述优化算法为粒子群优化算法，包括以下步骤：
36、步骤一：初始化：
37、设置粒子群数量n、最大迭代次数max_iterations、惯性权重w、个体学习因子c1和社会学习因子c2；
38、随机初始化每个粒子的位置和速度；
39、初始化每个粒子的个体最佳位置pbest和全局最佳位置gbest；
40、步骤二：循环迭代：
41、设置当前迭代次数t＝0；
42、当t＜max_iterations时执行以下步骤：
43、更新每个粒子的速度和位置：
44、vi，new＝w·vi，old+c1·r1·(pi，best-xi，old)+c2·r2·(gbest-xi，old)
45、xi，new＝xi，old+vi，new
46、对于每个粒子，计算其当前位置的适应度(目标函数值)；
47、更新每个粒子的个体最佳位置pbest和全局最佳位置gbest；
48、增加迭代次数t；
49、步骤三：输出结果：
50、返回全局最佳位置对应的冷却参数组合；
51、步骤四：计算公式：
52、速度更新规则：
53、vi，new＝w·vi，old+c1·r1·(pi，best-xi，old)+c2·r2·(gbest-xi，old)
54、位置更新规则：
55、xi，new＝xi，old+vi，new；
56、在以上算法中，vi，new表示粒子i的新速度，xi，new表示粒子i的新位置，pi，best表示粒子i的个体最佳位置，gbest表示全局最佳位置，r1和r2分别是[0，1]之间的随机数，用于引入随机性。
57、优选的，所述优化算法为遗传算法，包括以下步骤：
58、步骤一：初始化：
59、设定种群大小n、遗传代数max_generations、交叉概率pc、变异概率pm；
60、随机初始化初始种群，每个个体表示一个可能的冷却参数组合；
61、步本文档来自技高网...
【技术保护点】
1.基于聚丙烯树脂注塑模的循环冷却系统，其特征在于：包括注塑模、冷却水循环管路、冷却水循环装置和控制装置，其中：
2.基于聚丙烯树脂注塑模的循环冷却控制方法，其特征在于：包括以下步骤：
3.根据权利要求2所述的基于聚丙烯树脂注塑模的循环冷却控制方法，其特征在于：所述优化算法为模拟退火算法，包括以下步骤：
4.根据权利要求2所述的基于聚丙烯树脂注塑模的循环冷却控制方法，其特征在于：所述优化算法为粒子群优化算法，包括以下步骤：
5.根据权利要求2所述的基于聚丙烯树脂注塑模的循环冷却控制方法，其特征在于：所述优化算法为遗传算法，包括以下步骤：
6.根据权利要求2所述的基于聚丙烯树脂注塑模的循环冷却控制方法，其特征在于：所述优化算法为蚁群算法，包括以下步骤：
7.根据权利要求2所述的基于聚丙烯树脂注塑模的循环冷却控制方法，其特征在于：所述优化算法为模糊控制算法，包括以下步骤：
8.根据权利要求2所述的基于聚丙烯树脂注塑模的循环冷却控制方法，其特征在于：所述优化算法为神经网络控制算法，包括以下步骤：
...【技术特征摘要】
1.基于聚丙烯树脂注塑模的循环冷却系统，其特征在于：包括注塑模、冷却水循环管路、冷却水循环装置和控制装置，其中：
2.基于聚丙烯树脂注塑模的循环冷却控制方法，其特征在于：包括以下步骤：
3.根据权利要求2所述的基于聚丙烯树脂注塑模的循环冷却控制方法，其特征在于：所述优化算法为模拟退火算法，包括以下步骤：
4.根据权利要求2所述的基于聚丙烯树脂注塑模的循环冷却控制方法，其特征在于：所述优化算法为粒子群优化算法，包括以下步骤：
5.根据权利要求2所述的基于聚丙烯树脂注塑模的循环冷却控制方法，其特征在于：所述优化算法为遗传算法，包括以下步骤：
6.根据权利要求2所述的基...
【专利技术属性】
技术研发人员：严越波，路嘉渊，刘敏，
申请(专利权)人：常州市升越模塑股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。