CN109558664B - 一种注塑成型制造的复合物料配方制定方法 - Google Patents

一种注塑成型制造的复合物料配方制定方法 Download PDF

Info

Publication number
CN109558664B
CN109558664B CN201811399347.2A CN201811399347A CN109558664B CN 109558664 B CN109558664 B CN 109558664B CN 201811399347 A CN201811399347 A CN 201811399347A CN 109558664 B CN109558664 B CN 109558664B
Authority
CN
China
Prior art keywords
plastic part
composite material
model
characteristic parameters
single material
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811399347.2A
Other languages
English (en)
Other versions
CN109558664A (zh
Inventor
鲁仁全
李攀硕
刘云
张斌
邢玛丽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201811399347.2A priority Critical patent/CN109558664B/zh
Publication of CN109558664A publication Critical patent/CN109558664A/zh
Application granted granted Critical
Publication of CN109558664B publication Critical patent/CN109558664B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/22—Moulding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/18—Manufacturability analysis or optimisation for manufacturability
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Injection Moulding Of Plastics Or The Like (AREA)

Abstract

本申请公开了一种注塑成型制造的复合物料配方制定方法。本申请通过神经网络模型及智能优化算法建立物料特性与塑件特性的关系模型，并根据建立的物料特性与塑件特性的关系模型和目标塑件的特性参数要求，通过深度学习后的模型输出与目标塑件的特性参数要求相匹配的复合物料配比组合，并通过迭代优化，得出目标塑件的特性参数要求匹配程度最优的复合物料最优配比组合，保证了目标结果的可靠性与可行性，解决了现有的复合物料配比方法智能化程度较低导致的配比计算准确性不稳定的技术问题。

Description

一种注塑成型制造的复合物料配方制定方法
技术领域
本申请涉及注塑生产管理领域，尤其涉及一种注塑成型制造的复合物料配方制定方法。
背景技术
注塑成型方法由于生产速度快、效率高，操作可实现自动化，花色品种多等优点，因此，注塑成型成为了大批量生产、生产过程复杂的成型加工领域的主要方法。随后，注塑成型行业的发展极大促进了家电、汽车、消费电子等支柱产业的发展。因此，有很多专家学者进行了对注塑成型工艺过程的研究。
在注塑成型装备制造过程中，物料是保证塑件质量的基础，如果物料的配比选取不当，将造成塑件品质性能低劣，且无法通过工艺手段弥补。而且，现有的复合物料配比方式，仍采用通过物料配比在线计算、专家***计算等方法获取物料占比配方，但是这种方法智能化程度较低，如果在工艺数据库中无法匹配到最优生产工艺，则专家***的计算的准确性就无法得到保证。
因此，如何提供一种复合物料配比制定方法用于解决现有的复合物料配比方法智能化程度较低导致的配比计算准确性不稳定的技术问题成为了本领域技术人员的首要解决的难题。
发明内容
本申请提供了一种注塑成型制造的复合物料配方制定方法，用于解决现有的复合物料配比方法智能化程度较低导致的配比计算准确性不稳定的技术问题。
有鉴于此，本申请提供了一种注塑成型制造的复合物料配方制定方法，包括：
S1：获取单一物料的特性参数和由所述单一物料制成的塑件的特性参数，通过神经网络进行模型训练，得到单物料-塑件参数模型；
S2：循环执行步骤S1，根据获取的单一物料种类数量，逐一得到每一种单一物料对应的单物料-塑件参数模型；
S3：以各个所述单物料-塑件模型作为输入量，通过神经网络对输入的所述单物料-塑件参数模型进行迭代训练，得到复合物料输出模型；
S4：获取目标塑件的特性参数，并将所述目标塑件的特性参数输入至所述复合物料输出模型进行反向迭代运算，得到复合物料参考配比组合；
S5：对所述复合物料参考配比组合进行多目标优化运算，得到复合物料最优配比组合。
优选地，所述步骤S1具体包括：
S11：获取单一物料的特性参数和由所述单一物料制成的塑件的特性参数；
S12：以所述单一物料的特性参数为输入变量，以所述塑件的特性参数为测试样本输出变量，通过BP神经网络模型进行模型训练，得到单物料-塑件参数模型，其中，所述单物料-塑件参数模型包含有所述单一物料的特性参数和由所述单一物料制成的塑件的特性参数的对应关系。
优选地，所述步骤S3具体包括：
S31：以各个所述单物料-塑件模型作为输入量，通过BP神经网络对输入的所述单物料-塑件参数模型进行迭代训练，得到包含多物料特性与多塑件特性的对应关系的复合物料输出模型。
优选地，所述步骤S4具体包括：
S41：获取目标塑件的特性参数，并将所述目标塑件的特性参数输入至所述复合物料输出模型，通过基于所述BP神经网络的所述复合物料输出模型进行反向迭代运算，得到若干组复合物料参考配比组合。
优选地，所述步骤S5具体包括：
S51：通过粒子群优化算法，对所述复合物料参考配比组合进行多目标优化运算，得到复合物料最优配比组合。
优选地，所述塑件的特性参数具体包括：塑件颜色、弹塑性和耐热度。
从以上技术方案可以看出，本申请具有以下优点：
本申请提供了一种注塑成型制造的复合物料配方制定方法，包括：S1：获取单一物料的特性参数和由所述单一物料制成的塑件的特性参数，通过神经网络进行模型训练，得到单物料-塑件参数模型；S2：循环执行步骤S1，根据获取的单一物料种类数量，逐一得到每一种单一物料对应的单物料-塑件参数模型；S3：以至少两个所述单物料-塑件模型作为输入量，通过神经网络对输入的所述单物料-塑件参数模型进行训练，得到复合物料-塑件参数模型；S4：根据由至少两种所述单一物料构成的物料组合的数量，循环执行步骤S3，得到每一种所述物料组合对应的复合物料-塑件参数模型，并对各个所述复合物料-塑件参数模型进行合并，得到复合物料输出模型。S5：获取目标塑件的特性参数，并将所述目标塑件的特性参数输入至所述复合物料输出模型进行反向迭代运算，得到复合物料参考配比组合；S6：对所述复合物料参考配比组合进行多目标优化运算，得到复合物料最优配比组合。
本申请通过神经网络模型及智能优化算法建立物料特性与塑件特性的关系模型，并根据建立的物料特性与塑件特性的关系模型和目标塑件的特性参数要求，通过深度学习后的模型输出与目标塑件的特性参数要求相匹配的复合物料配比组合，并通过迭代优化，得出目标塑件的特性参数要求匹配程度最优的复合物料最优配比组合，保证了目标结果的可靠性与可行性，解决了现有的复合物料配比方法智能化程度较低导致的配比计算准确性不稳定的技术问题。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本申请提供的一种注塑成型制造的复合物料配方制定方法的第一个实施例的流程图；
图2为本申请提供的一种注塑成型制造的复合物料配方制定方法的第二个实施例的流程图；
图3为本申请提供的一种注塑成型制造的复合物料配方制定方法中的单物料-塑件参数模型的BP神经网络结构示意图；
图4为本申请提供的一种注塑成型制造的复合物料配方制定方法中的复合物料输出模型的BP神经网络结构示意图。
具体实施方式
本申请实施例提供了一种注塑成型制造的复合物料配方制定方法，用于解决现有的复合物料配比方法智能化程度较低导致的配比计算准确性不稳定的技术问题。
为使得本申请的发明目的、特征、优点能够更加的明显和易懂，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本申请一部分实施例，而非全部的实施例。基于本申请中的实施例，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它实施例，都属于本申请保护的范围。
请参阅图1，本申请实施例提供了一种注塑成型制造的复合物料配方制定方法，包括：
101：获取单一物料的特性参数和由单一物料制成的塑件的特性参数，通过神经网络进行模型训练，得到单物料-塑件参数模型；
需要说明的是，在实施本实施例的复合物料配比智能制定方法时，首先，首先根据已有的人工经验数据，以及单一物料的特性与由该单一物料制成的塑件颜色、力学性能、耐热度等特性之间的对应关系。然后基于此对应关系建立神经网络模型，将物料特性参数作为神经网络输入层的神经元，对塑件的外观与性能进行量化，作为输出层的神经元输出测试样本。设置适当的隐含层、激活函数等，经训练，获得包含有单一物料参数与由该单一物料制成的塑件的性能参数之间的关系的单物料-塑件参数模型。
其中，塑件的特性参数具体包括：颜色、弹塑性和耐热度。
102：循环执行步骤101，根据获取的单一物料种类数量，逐一得到每一种单一物料对应的单物料-塑件参数模型。
需要说明的是，根据步骤101所示的流程，依次对获取到的每一种单一物料进行建模，逐一得到每一种单一物料对应的单物料-塑件参数模型。
103：以各个单物料-塑件模型作为输入量，通过神经网络对输入的单物料-塑件参数模型进行迭代训练，得到复合物料输出模型。
需要说明的是，在完成单物料-塑件参数模型的建模和训练后，基于单物料-塑件参数模型，结合不同物料之间的物理、化学特性将不同物料参数作为训练样本，性能数据作为测试样本，采用人工神经网络，经迭代训练，得到复合物料输出模型。可以理解的是，为了提高复合物料输出模型的预测效果，在得到复合物料输出模型后，还应通过遗传算法对复合物料输出模型进行进一步优化。
104：获取目标塑件的特性参数，并将目标塑件的特性参数输入至复合物料输出模型进行反向迭代运算，得到复合物料参考配比组合。
需要说明的是，在获取到复合物料输出模型后，再获取目标塑件的特性参数，针对给定的目标塑件特性需求，将特性参数依据不同的指标拆分成多目标。以目标塑件的特性参数为标基准，采用反向迭代算法，通过神经网络获得若干组复合物料参考配比组合。
105：对复合物料参考配比组合进行多目标优化运算，得到复合物料最优配比组合。
需要说明的是，在获得了复合物料参考配比组合后，接着在得到的复合物料参考配比组合的几组近似解中，对输出结果进行寻优，获得组合最优解，即复合物料最优配比组合。
本实施例通过神经网络模型及智能优化算法建立物料特性与塑件特性的关系模型，并根据建立的物料特性与塑件特性的关系模型和目标塑件的特性参数要求，通过深度学习后的模型输出与目标塑件的特性参数要求相匹配的复合物料配比组合，并通过迭代优化，得出目标塑件的特性参数要求匹配程度最优的复合物料最优配比组合，保证了目标结果的可靠性与可行性，解决了现有的复合物料配比方法智能化程度较低导致的配比计算准确性不稳定的技术问题。
以上为本申请提供的一种注塑成型制造的复合物料配方制定方法的第一个实施例的详细说明，下面为本申请提供的一种注塑成型制造的复合物料配方制定方法的第二个实施例的详细说明。
请参阅图2至图4，本申请实施例提供了一种注塑成型制造的复合物料配方制定方法，包括：
201：获取单一物料的特性参数和由单一物料制成的塑件的特性参数。
需要说明的是，在实施本实施例的注塑成型制造的复合物料配方制定方法前，首先根据已有的人工经验数据，单一物料的特性与由该单一物料制成的塑件颜色、力学性能、耐热度等特性之间的关系，运用聚类分析的方法进行数据获取，并建立一个数据库，接着基于此数据库，提取出单一物料的特性参数和由单一物料制成的塑件的特性参数。
其中，塑件的特性参数具体包括：颜色、弹塑性和耐热度。
202：以单一物料的特性参数为输入变量，以塑件的特性参数为测试样本输出变量，通过BP神经网络模型进行模型训练，得到单物料-塑件参数模型。
建立一个三层的BP神经网络建立模型。具体BP神经网络结构如图3所示，其中，layer1、layer2、layer3分别为输入层、隐含层、输出层。假设取n＝5个单一物料的特性参数为x1，...，x5作为输入层的神经元。取隐含层为m个神经元，输出量y对应塑件的性能参数。其中，wk为连接输入层和隐含层的第k个权重，vj为连接隐含层的第j个权重。
其中，神经元的输出量y，由输入层神经元加权求和后再作用激活函数而得到，具体算式为：
Figure BDA0001875970550000061
其中θi为隐含层神经元的阈值，激活函数为
Figure BDA0001875970550000062
模型计算出的预测输出量为
Figure BDA0001875970550000063
其中ρi为输出层神经元的偏值。
然后对BP神经网络进行反复训练，获得单一物料特性参数对应输出的塑件性能。并将得到的塑件性能运行数据与数据库中预设的测试样本进行比较。具体包括：利用误差反向网络进行纠正，定义神经网络模型的平方和误差计算函数为：
Figure BDA0001875970550000064
其中，C为模型计算误差，a为神经网络模型预测出的输出量(性能参数)，y是测试样本中的性能参数。
若比较结果通过，则记录当前模型参数确立单一物料与其对应的塑件性能的最佳影响关系，若否，则利用神经网络模型的计算误差计算神经网络权重修正值，且利用上述神经网络权重修正值去修正神经网络的权重。再利用神经网络的激活函数重新计算输出量。确立单一物料与其对应的塑件性能的最佳影响关系，即得到一个优化后的单物料-塑件参数模型。
203：循环执行步骤201和步骤202，根据获取的单一物料种类数量，逐一得到每一种单一物料对应的单物料-塑件参数模型。
需要说明的是，根据步骤201和步骤202所示的流程，对获取到的每一种单一物料进行建模，逐一得到每一种单一物料对应的单物料-塑件参数模型。
204：以各个单物料-塑件模型作为输入量，通过BP神经网络对输入的单物料-塑件参数模型进行迭代训练，得到复合物料输出模型。
需要说明的是，与上述的单物料-塑件模型建模步骤相似，首先基于得到的上述的单物料-塑件参数模型，再考虑多种单一物料混合在一起的复合物料的参数特性与塑件性能参数的关系，即考虑多目标优化的问题。建立神经网络模型，以多种单一物料对应的单物料-塑件参数模型为输入量，训练模型得出复合物料输出模型。
请参阅图4，如图4所示，layer1、layer2、layer3分别为输入层、隐含层、输出层。M1，...，Mi是i种物料对应的性能。y1，...，yr是r个性能参数的输出。
将由步骤201和步骤202得到的不同单一物料参数作为训练样本，以塑件的性能数据作为测试样本。通过图3的神经网络模型进行反复训练，得到多物料输入与多性能参数的预测模型，即初始的复合物料输出模型。
具体的，通过解析式描绘图3所示的神经网络计算模型。其中，有
Figure BDA0001875970550000071
其中ηi为隐含层神经元的阈值，模型预测输出量公式为
Figure BDA0001875970550000072
其中
Figure BDA0001875970550000073
为输出层神经元的偏值。
在建立初始的复合物料输出模型后，利用遗传算法优化神经网络输出模型，即优化BP神经网络的初始权值和阈值，使得优化后的神经网络能更好的预测输出结果。
具体步骤包括：
(1)种群初始化。每个个体均为一个实数串，由输入层和隐含层连接权值、隐含层阈值、隐含层与输出层连接权值以及输出层阈值4个部分组成。个体包含了神经网络全部的权值和阈值，在网路结构已知的情况下，就可以构成一个结构、权值、阈值确定的神经网络。
(2)计算得到适应度函数。根据个体得到BP神经网络的初始权值和阈值，用训练样本数据训练BP神经网络后预测***输出，把预测输出和期望的输出之间的误差绝对值作为适应度函数F：
Figure BDA0001875970550000081
其中，k是系数，r为网络输出节点数；yi为BP神经网络第i个节点的期望输出θi为第i个节点的实际输出。
(3)选择操作。遗传算法选择操作这里选择轮盘赌法，即基于适应度比例的选择策略，每个个体i的选择概率Pi为：
Figure BDA0001875970550000082
式中，F为个体i的适应度值，适应度值越小越好，k为系数；N为种群个体数目。
(4)交叉操作。首先，随机取出要交配的一对个体；然后，根据编码位串长度b，对要交配的一对个体，随机选取[1,b-1]中的一个或者多个整数k作为交叉位置处，相互交换各自的部分基因，由此形成新的个体。
(5)变异操作。首先，对种群中的所有个体按事先的设定的变异概率判断是否进行变异操作；然后对判断需要变异的个体进行随机选择变异位进行变异，最后获得优化后的神经网络预测输出模型，即复合物料输出模型。
205：获取目标塑件的特性参数，并将目标塑件的特性参数输入至复合物料输出模型，通过基于BP神经网络的复合物料输出模型进行反向迭代运算，得到若干组复合物料参考配比组合。
需要说明的是，获取目标塑件的特性参数，针对给定性能获得对应的几组复合物料参考配方。采用反向迭代算法，通过BP神经网络获得对应的几组复合物料参考配方。
206：通过粒子群优化算法，对复合物料参考配比组合进行多目标优化运算，得到复合物料最优配比组合。
需要说明的是，利用粒子群优化算法，进行多目标优化，在得到的物料参数组合近似解中，自动全局寻优，获得组合最优解。其中，粒子种群优化算法(Particle SwarmOptimization，PSO)为：
首先，输入学习因子或加速系数c1、c2，种群个体数目N，变异概率Pi等，其中，PSO算法公式:
Figure BDA0001875970550000091
Figure BDA0001875970550000092
其中，r1、r2是[0,1]内均匀分布的伪随机数。
M维空间中有m个粒子；
粒子i位置：Xi＝(xi1,xi2,...,xiM)
粒子i速度：vi＝(vi1,vi2,...,viM),1≤i≤m,1≤d≤M
粒子i经历过的历史最好位置：Pi＝(Pi1,Pi2,...,PiM)
群体内(或领域内)所有粒子所经历过的最好位置：
Pg＝(Pg1,Pg2,...,PgM)
一般来说，粒子的位置和速度都是在连续的实数空间内进行取值。本实施例中，每一个粒子代表一个复合物料参考配比组合。
自动全局寻优，获得粒子最好位置，即组合最优解，得到优化的复合物料配方。
本实施例通过神经网络模型及智能优化算法建立物料特性与塑件特性的关系模型，并根据建立的物料特性与塑件特性的关系模型和目标塑件的特性参数要求，通过深度学习后的模型输出与目标塑件的特性参数要求相匹配的复合物料配比组合，并通过迭代优化，得出目标塑件的特性参数要求匹配程度最优的复合物料最优配比组合，保证了目标结果的可靠性与可行性，解决了现有的复合物料配比方法智能化程度较低导致的配比计算准确性不稳定的技术问题。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (6)

1.一种注塑成型制造的复合物料配方制定方法，其特征在于，包括：
S1：获取单一物料的特性参数和由所述单一物料制成的塑件的特性参数，通过神经网络进行模型训练，得到单物料-塑件参数模型；
S2：循环执行步骤S1，根据获取的单一物料种类数量，逐一得到每一种单一物料对应的单物料-塑件参数模型；
S3：以各个所述单物料-塑件模型作为输入量，通过神经网络对输入的所述单物料-塑件参数模型进行迭代训练，得到复合物料输出模型；
S4：获取目标塑件的特性参数，并将所述目标塑件的特性参数输入至所述复合物料输出模型进行反向迭代运算，得到复合物料参考配比组合；
S5：对所述复合物料参考配比组合进行多目标优化运算，得到复合物料最优配比组合。
2.根据权利要求1所述的一种注塑成型制造的复合物料配方制定方法，其特征在于，所述步骤S1具体包括：
S11：获取单一物料的特性参数和由所述单一物料制成的塑件的特性参数；
S12：以所述单一物料的特性参数为输入变量，以所述塑件的特性参数为测试样本输出变量，通过BP神经网络模型进行模型训练，得到单物料-塑件参数模型，其中，所述单物料-塑件参数模型包含有所述单一物料的特性参数和由所述单一物料制成的塑件的特性参数的对应关系。
3.根据权利要求1所述的一种注塑成型制造的复合物料配方制定方法，其特征在于，所述步骤S3具体包括：
S31：以各个所述单物料-塑件模型作为输入量，通过BP神经网络对输入的所述单物料-塑件参数模型进行迭代训练，得到包含多物料特性与多塑件特性的对应关系的复合物料输出模型。
4.根据权利要求1所述的一种注塑成型制造的复合物料配方制定方法，其特征在于，所述步骤S4具体包括：
S41：获取目标塑件的特性参数，并将所述目标塑件的特性参数输入至所述复合物料输出模型，通过BP神经网络对所述目标塑件的特性参数进行反向迭代运算，得到若干组复合物料参考配比组合。
5.根据权利要求4所述的一种注塑成型制造的复合物料配方制定方法，其特征在于，所述步骤S5具体包括：
S51：通过粒子群优化算法，对所述复合物料参考配比组合进行多目标优化运算，得到复合物料最优配比组合。
6.根据权利要求1至5任意一项所述的一种注塑成型制造的复合物料配方制定方法，其特征在于，所述塑件的特性参数具体包括：颜色、弹塑性和耐热度。
CN201811399347.2A 2018-11-22 2018-11-22 一种注塑成型制造的复合物料配方制定方法 Active CN109558664B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811399347.2A CN109558664B (zh) 2018-11-22 2018-11-22 一种注塑成型制造的复合物料配方制定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811399347.2A CN109558664B (zh) 2018-11-22 2018-11-22 一种注塑成型制造的复合物料配方制定方法

Publications (2)

Publication Number Publication Date
CN109558664A CN109558664A (zh) 2019-04-02
CN109558664B true CN109558664B (zh) 2023-04-18

Family

ID=65866826

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811399347.2A Active CN109558664B (zh) 2018-11-22 2018-11-22 一种注塑成型制造的复合物料配方制定方法

Country Status (1)

Country Link
CN (1) CN109558664B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114311573B (zh) * 2021-12-30 2024-06-04 江苏博云塑业股份有限公司 基于模型的注塑件性能改进方法、设备及计算机存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101567020A (zh) * 2009-05-08 2009-10-28 江苏大学 一种金属塑料复合材料工作层成分配比的优化方法
CN106537420A (zh) * 2014-07-30 2017-03-22 三菱电机株式会社 用于转换输入信号的方法
CN106599385A (zh) * 2016-11-11 2017-04-26 广东家易科技有限公司 一种新材料合成工艺的智能设计***及方法
CN106682451A (zh) * 2016-12-08 2017-05-17 深圳先进技术研究院 一种生物组织模拟材料的配方比例确定方法及***
JP2018147460A (ja) * 2017-03-06 2018-09-20 住友ゴム工業株式会社 ゴム状弾性体の性能の予測方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10119853A1 (de) * 2001-04-24 2003-01-09 Bayer Ag Hybridmodell und Verfahren zur Bestimmung von mechanischen Eigenschaften und von Verarbeitungseigenschaften eines Spritzgiessformteils
CA2933957C (en) * 2014-01-31 2022-06-07 Cnh Industrial Canada, Ltd. Method and system for predicting biocomposite formulations and processing considerations based on product to be formed from biocomposite material

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101567020A (zh) * 2009-05-08 2009-10-28 江苏大学 一种金属塑料复合材料工作层成分配比的优化方法
CN106537420A (zh) * 2014-07-30 2017-03-22 三菱电机株式会社 用于转换输入信号的方法
CN106599385A (zh) * 2016-11-11 2017-04-26 广东家易科技有限公司 一种新材料合成工艺的智能设计***及方法
CN106682451A (zh) * 2016-12-08 2017-05-17 深圳先进技术研究院 一种生物组织模拟材料的配方比例确定方法及***
JP2018147460A (ja) * 2017-03-06 2018-09-20 住友ゴム工業株式会社 ゴム状弾性体の性能の予測方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"遗传算法耦合BP神经网络在注塑成型工艺中的应用";杨礼鑫等;《塑料科技》;20170131;第61-64页 *

Also Published As

Publication number Publication date
CN109558664A (zh) 2019-04-02

Similar Documents

Publication Publication Date Title
CN108764540B (zh) 基于并行lstm串联dnn的供水管网压力预测方法
CN110262233B (zh) 一种磁控镀膜仪工艺参数的优化方法
CN108985514A (zh) 基于eemd和lstm的负荷预测方法、装置及设备
CN111260124A (zh) 一种基于注意力机制深度学习的混沌时间序列预测方法
CN116721537A (zh) 基于gcn-ipso-lstm组合模型的城市短时交通流预测方法
CN112578089B (zh) 一种基于改进tcn的空气污染物浓度预测方法
CN113947182B (zh) 基于双阶段堆叠图卷积网络的交通流预测模型构建方法
CN113240105B (zh) 一种基于图神经网络池化的电网稳态判别方法
CN111355633A (zh) 一种基于pso-delm算法的比赛场馆内手机上网流量预测方法
CN116542382A (zh) 基于混合优化算法的污水处理溶解氧浓度预测方法
CN105608295A (zh) 焦化炉压力的多目标遗传算法与rbf神经网络优化建模方法
CN107894710B (zh) 一种裂解反应炉温度的主成分分析建模方法
CN114004153A (zh) 一种基于多源数据融合的侵彻深度预测方法
CN109558664B (zh) 一种注塑成型制造的复合物料配方制定方法
CN115453871A (zh) 一种基于ide扩展多维泰勒网的非线性***建模方法
Sánchez Interval-valued GA-P algorithms
CN109408896B (zh) 一种污水厌氧处理产气量多元智能实时监控方法
Göloğlu et al. Zigzag machining surface roughness modelling using evolutionary approach
CN111126560A (zh) 一种基于云遗传算法优化bp神经网络的方法
CN111709519B (zh) 一种深度学习并行计算架构方法及其超参数自动配置优化
CN108108554A (zh) 一种多材料车身装配顺序规划优化方法
CN116645130A (zh) 基于联邦学习与gru结合的汽车订单需求量预测方法
CN114117917B (zh) 一种多目标优化的舰船磁偶极子阵列建模方法
CN114202063A (zh) 一种基于遗传算法优化的模糊神经网络温室温度预测方法
CN112990618A (zh) 一种工业物联网中基于机器学习方法的预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant