陈茂林　刘知贵　罗亮

摘要：对近年来注塑机注射速度控制方法进行研究，典型的控制方法可以分为传统控制方法、自适应控制方法、智能控制方法。阐述各种方法的研究现状、应用成果及其优缺点。注射速度是整个注射过程中非常关键的控制变量。最后对注射速度控制的发展做展望。

关键词：注塑机；注射过程；注射速度；自适应控制；智能控制

中图分类号：TP23 文献标识码：A

1引言

注塑机具有一次成型外形复杂、尺寸精确或带有金属嵌件的塑料制品能力，被广泛应用于国防、机电、汽车、交通运输等以及人们日常生活的各个领域。在塑料工业迅速发展的今天，注塑机不论在数量上或者品种上都占有重要地位。注塑成型是典型的间歇性重复生产过程。一次循环过程大致可以分为四个阶段：预塑、注射、保压、冷却。为得到准确、一致性高的制品，必须对每个阶段的关键变量行进控制。预塑阶段的关键变量有螺杆转速、螺杆背压、料筒温度、熔化物温度。注射阶段主要关键变量是注射压力和注射速度。保压阶段关键变量是保压压力、保压时间、模腔的压力等。冷却阶段关键变量有冷却时间，模具温度等。Pandeli-dis和Agrawal指出在整个注射过程中注射速度控制非常的关键。准确注射速度控制保证熔体表面流速近似常数，熔体的流动速度决定模腔内的分子的排列取向、内部应力，能消除制品出现欠注、放射纹、接合纹、表面光泽不亮、烧焦、和溢边等缺陷，提高制品质量。注射速度具有非线性、时变、强耦合、等特性，其控制难度大。很多学者对其做了大量的研究，至今注射速度控制仍是注塑机控制的研究热点之一。

2注射速度控制研究现状

2.1传统注射速度控制方法

Hunkar给出了注射速度曲线设置的参考准则。对于注塑速度控制系统的数学模型，Davis在Thayer对典型伺服阀特性研究的基础上提出了一个注射速度的传递函数模型。Wang等人将Davis和Thayer的研究结合在一起，提出了一个4阶动态模型描述伺服阀开度和注射速度之间的关系，但是这一模型仅进行了对空注射的实验验证，而对空注射与实际对模具进行注射是有着相当大的区别。另一方面，Fara发现注射速度对于阀门的响应相当迅速，在其研究中，假设两者之间的关系是线性的。以上这些研究均认为注射速度对于注射阀门开度响应是线性的，而忽略了熔体在喷嘴、浇口和模腔内流动时所造成的非线性和随注射进行而递增的阻力所引起的时变特性。基于Wang的模型，Pandelidis和Agrawal对注射速度的控制进行了一系列的仿真研究，他们提出了在注射速度上使用最优预估控制，用Wang的模型进行了仿真实验，并发现该控制器在与传统的PID控制器比较时显示出更优良的控制性能。在他们的研究工作中，没有进行实际的注射速度控制实验；同时，由于使用固定参数的线性模型，注射速度的非线性特性也再一次被忽略了。Huang et al等人将预测控制应用到注射速度控制中，同时分析了系统的闭环控制的特性，但都是基于注塑成型过程线性的数学模型。Dubay和Han等人提出了在注射速度上使用多模型预测控制（MMPC），能处理注射速度的非线性特性。在实际150吨的注塑机上进行注射速度单步阶跃开环（SCOL）与注射速度多步阶跃开环（MCOL）实验，证明该控制方法的有效性。王喆等人提出了注射速度的非线性预测控制，并对注射过程进行了LPV非线性建模，该方法能够有效的跟踪设定值。

2.2自适应注射速度控制方法

注射速度的非线性、时变、强耦合、大滞后等特性，使传统的控制算法很难满足控制要求。Pande-lidis和Agrawal，Zhang等人提出了注射速度的自适应控制器，结果表明该控制器对设定值有良好的跟踪性能，但Zhang中没有描述该控制方法详细的设计过程和相应的理论分析。在此基础上K.K.Tan提出将自适应结合滑模控制用于注射速度控制。基于注射阶段详细的机理非线性模型，首次采用多项式逼近简化数学模型，避开了系统模型中的高阶分量，得到了比较理想的仿真结果。其仿真结果是建立在线性假设的基础上，其实用价值受到限制。Yang提出在注射速度控制上使用非线性自适应控制。采用反步设计法，在控制器设计中没有考虑注射螺杆加速度信号。仿真结果表明该控制器能够很好的跟踪设定的速度曲线，但算法使用非线性的机理模型需要很多注塑机的基本参数，建模困难。

Yi Yang和Furong Gao提出自校正的自适应控制器用于注射速度控制，极点配置设计自校正控制器，针对不同的注射条件下，都有很好的控制效果，缺点是系统模型出现不匹配时非常敏感。为了克服这个问题，YiYang和Furong Gao进一步提出基于广义预测自适应控制器，通过在正雄的注塑机上的实验，广义预测自适应控制器对模型不匹配时具有更强的鲁棒性和更好的跟踪性能。

2.3智能注射速度控制方法

迭代学习控制，模糊控制，神经网络在解决非线性方面具有其独特的优势，使得它在非线性、时变、延时特性的注射速度控制得到了广泛的应用。

迭代学习注射速度控制：K.Srinivasan等人在注射速度的线性离散数学模型基础上，提出了学习控制器，仿真和实验证明该控制器的有效性。H.J.Park等人在K.Srinivasan的基础上提出了注射速度迭代学习控制器，并在高性能伺服阀控制注射缸的液压系统中进行了测试和验证。以上的这些研究和应用忽略了被控系统的动态性能，并不适用于实际注塑机。在这些研究的基础上，Heather Havlicsek等人把迭代自适应学习算法实际应用到电液混合注塑机的注射速度控制。建立了注射速度的非线性数学模型。克服了传统的迭代学习控制不足，将迭代学习控制用作前馈补偿器，在实际注塑机上的实验表明该方法具有很强的鲁棒性和跟踪性能。K.K.Tan等人提出注射速度的增强学习型PI控制。PI控制器做反馈控制用于稳定系统，迭代学习控制算法作为前馈控制用于反馈PI控制器的学习增强，同时补偿非线性和扰动。该方法不但可以保证批次内的注射速度控制效果，同时还可以随着操作次数的不断增多而提高批次问的注射速度控制质量。随着迭代学习控制的进一步发展和应用，最优控制策略结合到迭代学习控制中，使其性能改善。Furong Gao等人把Amann提出的最优迭代学习控制算法扩展，提出注射速度的鲁棒迭代学习控制。采用修正二次罚函数权重矩阵的方法解决不确定初始设定值和干扰。同时分析和证明了最优迭代学习控制的鲁棒性和收敛性。实验证明了该方法的有效性。崔彩莲等人针对注射速度的特性，采用离散预期学习控制方法。首先将注塑机注射速度模型离散化，根据误差在2^k范数下的收敛条件，以两步法设计预期学习控制的两个参数（超前步长和学习增益）。但离散预期学习控制的收敛条件不能在整个频段内满足且仿真模型也为线性模型，与实际过程中的非线性差别很大。李茜等人将模型预测迭代学习用于注射速度控制。将迭代学习思想引入到预测步长的在线调整，提出了预测步长的迭代学习方法。仿真结果表明，该方法是有效的，其控制性能优于PID迭代学习控制。胡建斌等人将迭代学习控制与非线性回归预测相结合设计了注射速度控制器。该控制器具有两种控制算法优点，并且进行了仿真和实际注射速度控制实验，都能取得较好的控制效果。

模糊注射速度控制：Tsoi和Furong Gao提出将模糊控制用于注射速度控制。通过实验分析、证明注射速度具有非线性、时变、延时等特性。通过相平面特性分析优化模糊逻辑规则，采用指数因子优化控制器输出的隶属度函数，能在不同的注射条件下有效的工作但需要大量的专家经验。赵松等人针对注射速度的控制提出了前馈模糊控制器，该控制器与Gao的模糊控制器相比多了一个前馈控制器，这样设计的原因是在速度快速上升或下降阶段，只用模糊控制器能难达到理想的控制效果，前馈控制主要用于抗系统的扰动性。仿真研究表明该控制器可以很好的跟踪最优注射速度曲线，同时对不同的种类的塑料、将模具和参数干扰有较好的适应能力。Feriyonika等人将模糊控制结合滑模控制应用于注射速度控制。滑模控制的对系统的扰动和参数摄动不变性，是以高频的抖振为代价，模糊控制可以克服滑模控制抖振，同时滑模控制也弥补了模糊控制对参数和外界扰动的敏感性，仿真结果证明了该方法的有效性。Wang M S等人提出将自适应结合模糊控制用于注射速度。采用PI控制器由于注射速度控制，自适应模糊控制补偿积分作用初值，克服注射速度过渡到保压压力下降问题。Ching Chin Tsai等人针对注射速度提出了增益调度PI控制器和模糊PI控制器，同时给出了设计注塑机机械电子设计的一些参考准则，通过实验，模糊PI控制器具有更好的性能。张鹏飞等人针对注射速度的非线性以及时变等特性将自适应和模糊控制结合起来，提出了自适应模糊PID控制器。仿真结果与传统的PID控制器相比，自适应模糊PID控制器的控制性能更加优越，但没有进行实际的注速度控制实验。

神经网络注射速度控制：Huang和K.K.Tan等人提出将基于神经网络预测学习用于注射速度控制。相应理论分析和仿真结果表明该控制器对系统的不确定性、重复的扰动性具有很强的鲁棒性。常玉清等人针对注射过程的非线性时变特性，提出了基于RBF神经网络逆系统的控制方法。采M.Rafizadeh模型描述注射速度系统特性，通过求解该系统的相对阶证明了系统的可逆行。RBF神经网络的注射速度的逆系统与常规的PID控制相结合，实现了对注射速度的复合控制。柯敏等人设计了基于RBF的神经网络控制器，通过仿真验证了该控制器能使注射速度很好的鲁棒性和跟踪性能。

3注射速度控制研究展望

经过多年的发展，在注射速度控制方面取得了一定研究成果。基于上述的讨论，在解决注射速度非线性、延时、时变等特性的问题上，注射速度控制算法今后可以在以下几个方面进行研究：

1）预测控制算法中的某些参数还需要经验选取，理论研究需要进一步深入。

2）迭代学习控制的闭环迭代学习方式、其学习速率、收敛性等理论研究。

3）神经网络与自适应、模糊控制相结合，以提高其控制精度方法的研究。

4）注射速度模型的完善改成注射速度模型的完善、注塑机控制器的优化以及实施、注塑机系统在线辨识算法深入研究。

5）注塑机注射速度与注射压力之间存在相互耦合的现象，因此，速度与压力之间解耦控制算法也是今后一个研究方向。