1.本发明属于点胶量控制技术领域，具体涉及一种基于时间和压力的点胶补偿方法和系统。
背景技术：2.时间-压力式点胶系统的整体结构主要由气源、电磁阀、气管、储胶管、针头构成。通过压缩气体将储胶管内的胶水挤压出来，覆涂于工件表面，通过调节电磁阀的开闭时间调节点胶量的多少，具有结构简单、设备维护方便的特点。但其缺点就在于难以保证出胶量的高精度和高稳定性，并且，随着点胶过程中储胶管内胶水余量的减少，受到管内气体压缩性变化的影响，相同点胶气压和点胶时间条件下的点胶量会逐渐减少。为解决这一问题，长期以来一直有许多相关研究，主要的研究方向是对点胶过程进行建模，并配合自动控制算法对每次的实际点胶时间进行补偿，保证点胶量稳定在储胶管装满胶水时的初始状态。
3.目前的建模方式中，最普遍的就是传统的针对气动系统的机理建模，有大量的研究对电磁阀、气动系统、气体流量、牛顿流体和非牛顿流体的流体特性进行分析和建模。同时也对影响点胶量的条件进行了分析，主要包括：时间和压力、剩余胶水高度、针头形状、粘度和温度、分配高度与针内径的匹配、分配高度与布胶速度的匹配、负压源气压的大小和相应速度、是否含有气泡，其中对点胶量影响最大的还是储胶管内胶水量的减少。但由于整个气动系统比较复杂，在研究时往往设定条件，对模型进行简化，所以目前建立的模型很难应用于实际生产过程中，甚至只停留在仿真阶段。补偿控制方面，主要是基于传统自动控制原理进行改进于创新，主要方法包括建立基于经验数据的控制模型；建立基于离线式批量控制的控制模型；通过建立的模型预测胶点重量，以预测值为反馈量进行pid控制。这些方法都存在着模型拟合能力有限的问题，难以得到实际应用。
技术实现要素：4.本发明所要解决的技术问题是：现有的技术中实际应用时，随着点胶过程中储胶管内胶水余量的减少，受到管内气体压缩性变化的影响，相同点胶气压和点胶时间条件下的点胶量会逐渐减少，导致点胶结果不均。
5.本发明解决其技术问题所采用的技术方案是：一种基于时间和压力的点胶补偿方法，包括：
6.s1，采集点胶时间、电磁阀出口处的响应气压值和供给电磁阀的气源气压值；
7.s2，将响应气压值、气源气压值和点胶时间代入到预设的点胶补偿模型中，计算得到点胶时间补偿值；
8.s3，将点胶时间与点胶时间补偿值进行求和，得到实际点胶时间；
9.s4，根据s3输出的实际点胶时间，控制点胶装置进行点胶。
10.进一步的，s1中，所述电磁阀出口处的响应气压值为放置于电磁阀出口处的气压传感器在预设的时间段内以预设的时间间隔采样所得。
11.进一步的，所述预设的时间段为点胶开始时刻的前45ms，所述预设的时间间隔为3ms。
12.进一步的，s2中，所述预设的点胶补偿模型为复合神经网络进行非线性系统拟合所得；复合神经网络包括循环神经网络模块和全连接神经网络模块；
13.所述循环神经网络模块用于将电磁阀出口处的响应电压值和对应的时间作为相应气压序列数据，通过四层神经网络提取所述响应气压序列数据的时序特征，得到输出向量；所述循环神经网络模块的输出向量与气源气压值和点胶时间拼接成一个新的向量后作为所述全连接神经网络模块的输入；
14.所述全连接神经网络模块通过七层全连接神经网络，对输入的所述新的向量，进行预测，输出点胶时间补偿值。
15.进一步的，所述循环神经网络模块中所述神经网络中的激活函数采用tanh函数。
16.进一步的，所述的全连接神经网络模块中所述全连接神经网络的激活函数采用relu函数。
17.一种基于时间和压力的点胶补偿系统，包括：
18.采集模块，用于采集点胶时间、电磁阀出口处的响应气压值和供给电磁阀的气源气压值；
19.建模模块，用于建立预设的点胶补偿模型；
20.存储模块，用于保存建模模块中建立的点胶补偿模型；
21.处理模块，用于将响应气压值、气源气压值和点胶时间代入到预设的点胶补偿模型中，计算得到点胶时间补偿值；
22.计算模块，用于将点胶时间与点胶时间补偿值进行求和，得到实际点胶时间；
23.控制模块，用于根据计算模块得到的实际点胶时间控制点胶装置进行点胶。
24.一种网络侧服务端，包括：
25.至少一个处理器；以及，
26.与所述至少一个处理器通信连接的存储器；其中，
27.所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述任一项所述的基于时间和压力的点胶补偿方法。
28.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述任一项所述的基于时间和压力的点胶补偿方法。
29.本发明的有益效果是：本发明的基于时间和压力的点胶补偿方法和系统，采集点胶时间、电磁阀出口处的响应气压值和供给电磁阀的气源气压值；将响应气压值、气源气压值和点胶时间代入到预设的点胶补偿模型中，计算得到点胶时间补偿值；将点胶时间与点胶时间补偿值进行求和，得到实际点胶时间；根据输出的实际点胶时间控制点胶装置进行点胶。本发明能够实时计算当前条件下点胶时间补偿值，保证点胶量的稳定，步骤简单易实现，便于在工程中应用。
附图说明
30.下面结合附图和实施例对本发明作进一步说明。
31.图1是根据本发明第一实施方式提供的基于时间和压力的点胶补偿方法流程图；
32.图2是根据本发明第一实施方式提供的基于时间和压力的点胶补偿方法实验性能对比图；
33.图3是根据本发明第二实施方式提供的基于时间和压力的点胶补偿系统的模块示意图；
34.图4是根据本发明第二实施方式提供的基于时间和压力的点胶补偿系统的结构示意图；
35.图5是根据本发明第三实施方式提供的网络侧服务端的结构示意图。
具体实施方式
36.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
37.本发明的第一实施方式涉及一种基于时间和压力的点胶补偿方法，s1，采集点胶时间、电磁阀出口处的响应气压值和供给电磁阀的气源气压值；s2，将响应气压值、气源气压值和点胶时间代入到预设的点胶补偿模型中，计算得到点胶时间补偿值；s3，将点胶时间与点胶时间补偿值进行求和，得到实际点胶时间；s4，根据s3输出的实际点胶时间，控制点胶装置进行点胶。能够实时计算当前条件下点胶时间补偿值，保证点胶量的稳定，步骤简单易实现，便于在工程中应用。
38.下面对本实施方式的基于时间和压力的点胶补偿方法的实现细节进行具体的说明，以下内容仅为方便理解提供的实现细节，并非实施本方案的必须，本实施方式的具体流程如图1所示，本实施方式应用于网络侧的服务端。
39.步骤s1，采集点胶时间、电磁阀出口处的响应气压值和供给电磁阀的气源气压值；
40.具体而言，所述电磁阀出口处的响应气压值为放置于电磁阀出口处的气压传感器在预设的时间段内以预设的时间间隔采样所得。预设的时间段为点胶开始时刻的前45ms，预设的时间间隔为3ms采样点数为15个。同时，作为补充，设计将已知的供给电磁阀的气源气压值p和点胶时间t为采集的数据，采集到的数据格式为：[d0,d1
……
d14,p,t]，其中，d0为点胶开始时刻的前45ms时的响应气压值，d1为点胶开始时刻的前42ms时的响应气压值。
[0041]
步骤s2，将响应气压值、气源气压值和点胶时间代入到预设的点胶补偿模型中，计算得到点胶时间补偿值。
[0042]
具体而言，所述预设的点胶补偿模型为复合神经网络进行非线性系统拟合所得；复合神经网络包括循环神经网络模块和全连接神经网络模块；
[0043]
循环神经网络模块用于将电磁阀出口处的响应电压值和对应的时间作为相应气压序列数据，通过四层神经网络提取所述响应气压序列数据的时序特征，得到输出向量；所述循环神经网络模块的输出向量与气源气压值和点胶时间拼接成一个新的向量后作为所述全连接神经网络模块的输入；
[0044]
全连接神经网络模块通过七层全连接神经网络，对输入的所述新的向量，进行预测，输出点胶时间补偿值。
[0045]
具体的，点胶补偿模型的训练方法包括以下步骤：
[0046]
步骤s21，建立测试数据集，响应气压值的采样时间为点胶开始时刻的前45ms，采样间隔为3ms，采样点数为15个。同时，作为补充，设计将已知的气源压力p和点胶时间t也作为输入值。输入数据的格式为：input＝[d0,d1
……
d14,p,t]。点胶补偿模型的输出值是点胶时间补偿值δt，单位是毫秒。输出数据的格式为：[d0,d1,d2
……
d14,p,t，|δt]。其中，d0为点胶开始时刻的前45ms时的响应气压值，d1为点胶开始时刻的前42ms时的响应气压值。
[0047]
点胶装置包括气源、电磁阀、气压传感器、输气管、储胶管、和控制板组成，在输气管容积、储胶管容积和环境温度保持不变的条件下，出胶量主要与气源气压值、胶水余量和点胶时间有关，其中气源气压值和储胶管内胶水余量会影响到电磁阀出口处响应气压在点胶时的响应曲线，因此训练集数据时就要采集不同胶水余量、不同气源气压和初始点胶时间下的输入输出值作为样本数据。
[0048]
具体的，在最大和最小点胶气源气压范围内，以一定间隔选择多组气源气压条件，在选定的点胶气源气压条件下分别进行实验数据采集；每种气源气压条件下分别进行胶水余量为10％～90％的9组点胶实验；每组点胶实验需实验50ms至200ms范围内的不同的点胶时间下的点胶情况；每种情况重复15次，记录每次实验种电磁阀出口处前45ms的响应气压值、气源气压值、点胶时间和点出胶水的重量，其中，由于每次点胶的重量太小，不易称量，故称出15次点出胶水的总重量计算每次的平均值。
[0049]
以采集数据中胶水余量为90％时的点胶量为其所属点胶气压和时间条件下的标准点胶量。对于采集到的数据，找到与其点胶气压、胶水余量相同，但胶水余量不同的数据，计算两条数据的点胶时间差值，作为这组点胶数据的补偿时间δt。
[0050]
步骤s22，将数据进行归一化处理，能够提高网络的收敛速度，消灭数据间差异的不良影响。分别对所有样本数据中的气压序列数据、气源气压数据和点胶时间分别进行归一化，归一化公式如下：
[0051][0052]
其中x
max
和x
min
分别是所有样本数据中的最大值和最小值，x是需要归一化的样本数据，此公式将所有样本数据按比例缩放至0-1的范围内。
[0053]
步骤s23，点胶补偿模型为循环神经网络(rnn)和全连接神经网络(fcnn)结合的深度神经网络模型。由于输入数据中包含两类数据：时序性的响应气压值、非时序性的气源气压值和初始点胶时间。将采集到的15个响应气压值输入到四层循环神经网络(rnn)进行处理，提取15个响应气压值时序特征，每个rnn层包含15个节点，所述循环神经网络模块中所述神经网络中的激活函数采用tanh函数，tanh(x)函数公式如下；
[0054][0055]
将15个响应气压值代入激活函数中，得到第一向量。
[0056]
将rnn层的第一向量和气源气压值p、初始点胶时间t组成第二向量，此第二向量比rnn层输出的第一向量长2。
[0057]
将第二向量输入到七层全连接神经网络中进行预测，七层全连接神经网络的节点
个数依次为16、32、64、64、32、16、1，全连接神经网络的输出为预测的当前点胶时间补偿值，所述的全连接神经网络模块中所述全连接神经网络的激活函数采用relu函数，relu(x)函数公式如下：
[0058]
relu(x)＝max(0,x)；
[0059]
训练过程中的目标函数选择平均绝对误差(mae)，将估计值与观测时延进行比较，以计算损失，从而实现反向传播和权值更新，平均绝对误差公式如下：
[0060][0061]
其中，o
t
是胶水余量实际值，p
t
是点胶量补偿值，n是样本数量。
[0062]
点胶补偿模型训练完成后，在储胶管充满时设置气源气压和初始点胶时间，使出胶量达到期望值，在点胶时，每进行一次点胶动作，就通过放置于电磁阀出口处的气压传感器对前45ms的响应气压值进行采样，将响应气压值、气源气压值和点胶时间，代入到训练好的点胶补偿模型，计算出点胶时间补偿值。
[0063]
此外，由于每次点胶动作对胶体余量影响很小，为提高效率，降低计算量，可以将多次点胶数据取平均值合并为一次计算。
[0064]
s3，将点胶时间与点胶时间补偿值进行求和，得到实际点胶时间。
[0065]
具体而言，实际点胶时间等于点胶时间与点胶时间补偿值之和，计算公式如下：
[0066]
t0＝t+δt；
[0067]
其中，t0是实际点胶时间，t是点胶时间，δt是点胶时间补偿值。
[0068]
s4，根据s3输出的实际点胶时间，控制点胶装置进行点胶，保证每次出胶量的稳定。
[0069]
上面各种方法的步骤划分，只是为了描述清楚，实现时可以合并为一个步骤或者对某些步骤进行拆分，分解为多个步骤，只要包括相同的逻辑关系，都在本专利的保护范围内；对流程中添加无关紧要的修改或者引入无关紧要的设计，但不改变其算法和流程的核心设计都在该专利的保护范围内。
[0070]
具体案例如下，点胶装置包括气源、电磁阀、气压传感器、输气管、储胶管、和控制板，输气管容积28ml，储胶管容积40ml保持不变，环境温度维持在20℃左右，点胶实验使用的胶水是uv无影胶。
[0071]
通过实验采集了一组训练集数据进行神经网络模型训练，分别进行了气源气压值p为60kpa-300kpa的9种气压条件下的实验数据采集，每种气源压力条件下分别采集了胶水余量s为10％～90％的九组实验数据，处理后的每组数据包括初始点胶时间t为50ms～130ms的81条数据，具体情况如下：
[0072]
气源压力值p：60、90、120、150、180、210、240、270、300kpa；
[0073]
初始点胶时间t：50、51、52、
……
128、129、130ms；
[0074]
胶水余量值s：10％、20％、30％、40％、50％、60％、70％、80％、90％。
[0075]
一共采集到6561组数据。数据进行归一化处理后，按八比二的比例划分为训练集和测试集。训练之后，用测试集验证模型预测性能。
[0076]
所有模型的评价指标除了损失函数mae以外，还使用了均方根误差(rmse)，其公式如下所示：
[0077][0078]
其中，o
t
是实际值，p
t
是预测值，n是样本数量。
[0079]
测试集性能对比见下表1。
[0080]
表1
[0081][0082]
实验结果如表1所示和如图2所示，对比了五种方法的三项实验性能，用于验证提出的rnn+fcnn结构相对于其他神经网络结构的性能优势。与单一网络结构的rnn模型和fcnn模型相比，rnn+fcnn模型有明显的优势，在于复合的网络结构可以对不同性质的输入数据进行单独处理，充分提取和利用数据中的特征信息；而与rnn+fcnn模型和lstm+fcnn模型的对比表面，rnn网络与他的其他常用变体网络相比，更适用于处理本发明中的数据。
[0083]
点胶补偿模型采用循环神经网络模块和全连接神经网络模块相结合的复合神经网络，具有步骤简捷，系统装置简单，效果明显，易于工程中应用推广等特点。
[0084]
如图3所示，本发明第二实施方式涉及了一种基于时间和压力的点胶补偿系统，包括：采集模块201，建模模块202，存储模块203，处理模块204，控制模块206。
[0085]
具体地说，采集模块201，用于采集点胶时间、电磁阀出口处的响应气压值和供给电磁阀的气源气压值；建模模块202，用于建立预设的点胶补偿模型；存储模块203，用于保存建模模块202中建立的点胶补偿模型；处理模块204，用于将响应气压值、气源气压值和点胶时间代入到预设的点胶补偿模型中，计算得到点胶时间补偿值；计算模块205，用于将点胶时间与点胶时间补偿值进行求和，得到实际点胶时间；控制模块206，用于根据计算模块205得到的实际点胶时间控制点胶装置进行点胶。
[0086]
如图4所示，采集模块201采集点胶时间、在胶开始时刻的前45ms采集电磁阀2出口处的响应气压值以及进气管1处供给电磁阀2的气源气压值的气源气压值；通过建模模块202，建立预设的点胶补偿模型，并将预设的点胶补偿模型储存到存储模块203中；采用计算模块205将响应气压值、气源气压值和点胶时间代入到预设的点胶补偿模型中，计算得到点胶时间补偿值；通过计算模块205将点胶时间与点胶时间补偿值进行求和，得到实际点胶时间；最后采用控制模块206将存储在储胶管3中的胶体通过控制出胶口4出胶时间为实际点胶时间进行点胶，使得点出的胶体5置于胶板6上，保证了位于胶板6上的每个胶体5的出胶量稳定。
[0087]
不难发现，本实施方式为与第一实施方式相对应的系统实施例，本实施方式可与第一实施方式互相配合实施。第一实施方式中提到的相关技术细节在本实施方式中依然有效，为了减少重复，这里不再赘述。相应地，本实施方式中提到的相关技术细节也可应用在第一实施方式中。
[0088]
值得一提的是，本实施方式中所涉及到的各模块均为逻辑模块，在实际应用中，一
个逻辑单元可以是一个物理单元，也可以是一个物理单元的一部分，还可以以多个物理单元的组合实现。此外，为了突出本发明的创新部分，本实施方式中并没有将与解决本发明所提出的技术问题关系不太密切的单元引入，但这并不表明本实施方式中不存在其它的单元。
[0089]
本发明第三实施方式涉及一种网络侧服务端，如图5所示，包括至少一个处理器301；以及，与至少一个处理器301通信连接的存储器302；其中，存储器302存储有可被至少一个处理器301执行的指令，指令被至少一个处理器301执行，以使至少一个处理器301能够执行上述的数据处理方法。
[0090]
其中，存储器302和处理器301采用总线方式连接，总线可以包括任意数量的互联的总线和桥，总线将一个或多个处理器301和存储器302的各种电路连接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。经处理器301处理的数据通过天线在无线介质上进行传输，进一步，天线还接收数据并将数据传送给处理器301。
[0091]
处理器301负责管理总线和通常的处理，还可以提供各种功能，包括定时，外围接口，电压调节、电源管理以及其他控制功能。而存储器302可以被用于存储处理器301在执行操作时所使用的数据。
[0092]
本发明第四实施方式涉及一种计算机可读存储介质，存储有计算机程序。计算机程序被处理器执行时实现第一实施方式中的基于时间和压力的点胶补偿方法。
[0093]
即，本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0094]
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关的工作人员完全可以在不偏离本发明的范围内，进行多样的变更以及修改。本项发明的技术范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。
技术特征：1.一种基于时间和压力的点胶补偿方法，其特征在于，包括：s1，采集点胶时间、电磁阀出口处的响应气压值和供给电磁阀的气源气压值；s2，将响应气压值、气源气压值和点胶时间代入到预设的点胶补偿模型中，计算得到点胶时间补偿值；s3，将点胶时间与点胶时间补偿值进行求和，得到实际点胶时间；s4，根据s3输出的实际点胶时间，控制点胶装置进行点胶。2.根据权利要求1所述的基于时间和压力的点胶补偿方法，其特征在于，s1中，所述电磁阀出口处的响应气压值为放置于电磁阀出口处的气压传感器在预设的时间段内以预设的时间间隔采样所得。3.根据权利要求2所述的基于时间和压力的点胶补偿方法，其特征在于，所述预设的时间段为点胶开始时刻的前45ms，所述预设的时间间隔为3ms。4.根据权利要求1所述的基于时间和压力的点胶补偿方法，其特征在于，s2中，所述预设的点胶补偿模型为复合神经网络进行非线性系统拟合所得；复合神经网络包括循环神经网络模块和全连接神经网络模块；所述循环神经网络模块用于将电磁阀出口处的响应电压值和对应的时间作为相应气压序列数据，通过四层神经网络提取所述响应气压序列数据的时序特征，得到输出向量；所述循环神经网络模块的输出向量与气源气压值和点胶时间拼接成一个新的向量后作为所述全连接神经网络模块的输入；所述全连接神经网络模块通过七层全连接神经网络，对输入的所述新的向量，进行预测，输出点胶时间补偿值。5.根据权利要求4所述的基于时间和压力的点胶补偿方法，其特征在于，所述循环神经网络模块中所述神经网络中的激活函数采用tanh函数。6.根据权利要求4所述的基于时间和压力的点胶补偿方法，其特征在于，所述的全连接神经网络模块中所述全连接神经网络的激活函数采用relu函数。7.基于时间和压力的点胶补偿系统，其特征在于，包括：采集模块，用于采集点胶时间、电磁阀出口处的响应气压值和供给电磁阀的气源气压值；建模模块，用于建立预设的点胶补偿模型；存储模块，用于保存建模模块中建立的点胶补偿模型；处理模块，用于将响应气压值、气源气压值和点胶时间代入到预设的点胶补偿模型中，计算得到点胶时间补偿值；计算模块，用于将点胶时间与点胶时间补偿值进行求和，得到实际点胶时间；控制模块，用于根据计算模块得到的实际点胶时间控制点胶装置进行点胶。8.一种网络侧服务端，其特征在于，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至6中任一项所述的基于时间和压力的点胶补偿方法。
9.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的基于时间和压力的点胶补偿方法。
技术总结本发明属于点胶量控制技术领域，具体涉及一种基于时间和压力的点胶补偿方法和系统，包括：采集点胶时间、电磁阀出口处的响应气压值和供给电磁阀的气源气压值；将响应气压值、气源气压值和点胶时间代入到预设的点胶补偿模型中，计算得到点胶时间补偿值；将点胶时间与点胶时间补偿值进行求和，得到实际点胶时间；根据输出的实际点胶时间，控制点胶装置进行点胶。本发明能够实时计算当前条件下点胶时间补偿值，保证点胶量的稳定，步骤简单易实现，便于在工程中应用。在工程中应用。在工程中应用。
技术研发人员：崔建松 顾守东 吕庆庆
受保护的技术使用者：江苏高凯精密流体技术股份有限公司
技术研发日：2022.07.01
技术公布日：2022/11/1
