一种基于知识注入与深度神经网络的压铸PID超调优化方法

本发明涉及工业过程控制技术领域，公开了一种基于知识注入与深度神经网络的压铸PID超调优化方法。本发明旨在解决传统PID控制中常见的压力超调问题。该方法包括以下步骤：首先，构建一个包含专家经验、物理规律及历史最优案例的压铸工艺知识库，为参数优化提供先验知识支撑；其次，针对知识库无法完全覆盖所有工况的局限性，设计并引入一个BP(反向传播)神经网络模型；再次，通过特征增强、损失加权等知识注入机制，利用知识库中的样本对所述BP神经网络进行训练，使其学习并泛化知识库中的内在规律；最后，将训练完成的模型用于在线推理，根据实时的系统状态(如误差信号)预测出最优的PID参数组合(Kp、Ki、Kd)，从而在无需反复试凑的情况下有效抑制控制过程中的超调现象。实验证明，本发明能够在有限知识覆盖率的情况下，显著降低系统的超调幅值，提高控制系统的动态性能和稳态精度。该发明不仅为PID控制超调优化提供了新的技术路径，也为新一代人工智能驱动的制造业数智化转型提供理论基础与实践支撑。