压铸工艺在航空航天领域广泛应用，压射速度对铸件品质影响显著。现有压铸机多采用手动调节压射速度，存在实时控制不足。理论模型简化处理导致与实际系统误差大。本研究提出基于LSTM神经网络的时间序列数据驱动建模方法，自动学习速度曲线特征，建立压射速度与阀芯位移的准确关系模型，提高压射系统控制精度。

1 压铸机压射系统机理

压铸机压射系统在快速阶段对产品品质影响大，主要由蓄能器、电磁阀、插装阀和压射缸组成。阀芯位移量调节阀口开度，电磁阀控制通断，压射速度通过调节阀芯位移量实现。压射速度与阀芯位移量的关系是速度控制的关键，理论建模可能忽略关键因素。压射速度计算公式涉及阀芯位移、活塞杆面积、额定流量和压降。

2 基于时间序列数据驱动的压射系统机理模型

介绍了基于时间序列数据驱动的压射系统机理模型，包括数据预处理和小波阈值去噪与重构。模型利用LSTM神经网络分析压射速度与阀芯位移量的关系。数据预处理通过小波分解去除噪声，采用软阈值函数进行去噪处理，并重构速度-时间曲线。LSTM网络通过遗忘门、输入门、输出门控制信息的遗忘和记忆，解决RNN的梯度问题，自动学习压射系统内在联系。

3 基于时间序列数据驱动的压射系统机理模型构建

介绍了基于时间序列数据驱动的压铸机压射系统机理模型的构建。研究使用2800 kN锁模力的压铸机，通过磁栅式传感器采集蓄能器供油时压铸机的速度数据。阀口开度百分比P取值范围为20%~52%，每个开度采集30组数据，共510组。阀芯实际位移量通过公式计算。使用sym8小波基函数对速度信号进行小波分解，并通过阈值去噪处理，以减少噪声对模型特征提取的干扰。将速度数据分为训练集和测试集，利用LSTM神经网络模型进行深度学习，训练机理模型。测试结果显示，模型预测的阀口开度与真实开度的均方根误差RMSE为0.336%，相关系数R2为0.998，表明模型预测精度高。与理论公式模型相比，机理模型预测的平均误差为0.11%，显著优于理论模型的-17.36%，验证了机理模型在阀口开度预测中的优越性。

4 结论

采用小波阈值去噪方法对压射速度曲线数据进行降噪处理，有效去除噪声；基于时间序列数据驱动，利用LSTM神经网络建立压铸机压射系统机理模型，模型准确率高，均方根误差RMSE为0.336%，相关系数R2为0.998；与理论公式模型相比，机理模型预测结果更优，平均误差为0.11%，优于理论模型的-17.36%；机理模型能准确预测压射速度对应的阀芯位移量。