CN111319206B - 注塑成型***中参数优化方法和装置 - Google Patents
注塑成型***中参数优化方法和装置 Download PDFInfo
- Publication number
- CN111319206B CN111319206B CN201811521647.3A CN201811521647A CN111319206B CN 111319206 B CN111319206 B CN 111319206B CN 201811521647 A CN201811521647 A CN 201811521647A CN 111319206 B CN111319206 B CN 111319206B
- Authority
- CN
- China
- Prior art keywords
- injection molding
- setting parameter
- molding system
- feedback data
- parameters
- 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
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C45/00—Injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould; Apparatus therefor
- B29C45/17—Component parts, details or accessories; Auxiliary operations
- B29C45/76—Measuring, controlling or regulating
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C2945/00—Indexing scheme relating to injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould
- B29C2945/76—Measuring, controlling or regulating
- B29C2945/76929—Controlling method
- B29C2945/76979—Using a neural network
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Mechanical Engineering (AREA)
- Injection Moulding Of Plastics Or The Like (AREA)
Abstract
本发明实施例提供一种注塑成型***中参数优化方法和装置。该包括：获取所述注塑成型***的***描述，称为第一***描述；确定与所述第一***描述匹配的至少一个第二***描述匹配；根据与所述至少一个第二***描述对应的设置参数、反馈数据获取生产所述当前产品的第一设置参数；根据第一设置参数、神经网络以及注塑成型***，对注塑成型***中每个设备的生产参数进行自动调优。实现了自动获取注塑成型***中每个设备的生产参数的第一设置参数以及对设置参数进行自动优化的目的，提高生产效率，减少次品率。
Description
技术领域
本发明实施例涉及智能制造领域，尤其涉及一种注塑成型***中参数优化方法和装置。
背景技术
制造业直接体现了一个国家的生产力水平，是区别发展中国家和发达国家的重要因素，随着人工智能技术、区块链技术、物联网技术、5G等领域不断创新，智能制造成为制造业的发展方向。而注塑成型设备作为典型大型装备，其智能化刻不容缓。其中，注塑成型***由多个设备组成，调整注塑成型***中各设备参数，使注塑成型***中各设备之间协调配合，是达到最优化生产最为核心的内容。
然而，目前，对注塑成型装备的参数的调整是以单个设备进行独立设置，并没有对整个注塑成型***中涉及的设备的参数进行协调调整。并且，注塑成型***中各设备在产品生产中的参数的调整是人工根据标准工艺卡记录的参数调整完成。
然而，标准工艺卡只记录个别关键参数的方式，并且，标准工艺卡中记录的关键参数是一成不变的，但是在长时间生产情况下，由于设备的磨损，使得根据标准工艺卡中记录的关键参数调整的设备生产出的产品质量不稳定，次品率高。
发明内容
本发明实施例提供一种注塑成型***中参数优化方法和装置，以实现自动获取注塑成型***中每个设备的生产参数的第一设置参数以及对设置参数进行自动优化
第一方面，本发明实施例提供一种注塑成型***中参数优化方法，包括：
获取所述注塑成型***的第一***描述，所述第一***描述为与当前产品生产有关的所述注塑成型***中每个设备的基本***情况，其中，所述***描述包括以下至少一项：生产产品信息、注塑成型设备信息、模具信息、各类周边辅机信息、环境信息；
确定与所述第一***描述匹配的至少一个第二***描述，所述第二***描述为云端和/或本地数据库中存储的所述注塑成型***中每个设备生产时的***描述；
根据与所述至少一个第二***描述对应的设置参数、反馈数据，获取生产所述当前产品的第一设置参数，其中，所述设置参数为生产产品时所述注塑成型***中每个设备的生产参数，所述反馈数据为所述注塑成型***中每个设备中的传感器的反馈数据以及工作人员的人为判断数据；
根据第一设置参数、神经网络以及注塑成型***，对注塑成型***中每个设备的生产参数进行优化。
可选的，所述根据第一设置参数、神经网络以及注塑成型***，对注塑成型***中每个设备的生产参数进行优化，包括：
根据所述第一设置参数、所述神经网络，获取第二设置参数；
利用所述第二设置参数更新注塑成型***中每个设备的生产参数，并使用更新后的注塑成型***生产当前需要生产的产品，获得对应该第二设置参数的反馈数据和产品的奖励值；
根据所述第二设置参数的反馈数据和产品的奖励值，训练所述神经网络，以对注塑成型***中每个设备的生产参数进行优化。
可选的，所述利用所述第二设置参数更新所述注塑成型***中每个设备的生产参数之前，包括：
利用所述第二设置参数与注塑成型***模型的设置参数比较，获得对应所述第二设置参数的奖励值；
根据所述第二设置参数对应的奖励值，预训练所述神经网络。
可选的，所述利用所述第二设置参数与注塑成型***模型的设置参数比较，获得对应所述第二设置参数的奖励值，包括：
计算所述第二设置参数与所述注塑成型***模型的设置参数的交叉熵；
根据所述交叉熵，获取所述注塑成型***模型的设置参数对应的反馈数据；
确定所述反馈数据为对应该第二设置参数的反馈数据；
所述获得所述奖励值，包括：根据所述反馈数据，获取所述奖励值。
可选的，所述根据所述反馈数据，获取所述奖励值，包括：
判断所述反馈数据对应的产品是否为正品；
若是，则对应该第二设置参数的奖励值为所述反馈数据对应的产品是正品时的奖励值；
若否，则对应该第二设置参数的奖励值为所述反馈数据对应的产品是次品时的奖励值。
可选的，所述根据所述交叉熵，获取所述注塑成型***模型的设置参数对应的反馈数据，包括：
获取所述交叉熵小于预设值的所述注塑成型***模型的至少一个设置参数对应的反馈数据；
计算所述至少一个设置参数对应的反馈数据的偏离度；
确定偏离度最小的反馈数据为所述注塑成型***模型的设置参数对应的反馈数据。
可选的，所述根据第一设置参数、神经网络以及注塑成型***，对注塑成型***中每个设备的生产参数进行优化之后，还包括：
将第一***描述、第二设置参数以及与第二设置参数对应的反馈数据上传至云端或保存到本地数据库中。
第二方面，本发明实施例提供一种注塑成型***中参数优化装置，包括：
第一获取模块，用于获取所述注塑成型***的***描述，称为第一***描述，所述第一***描述为与当前产品生产有关的所述注塑成型***中每个设备的基本***情况，其中，所述***描述包括以下至少一项：生产产品信息、注塑成型设备信息、模具信息、各类周边辅机信息、环境信息；
匹配模块，用于确定与所述第一***描述匹配的至少一个第二***描述匹配，所述第二***描述为云端和/或本地数据库中存储的所述注塑成型***中每个设备生产时的***描述；
所述第一获取模块，还用于根据与所述至少一个第二***描述对应的设置参数、反馈数据获取生产所述当前产品的第一设置参数，其中，所述设置参数为生产产品时所述注塑成型***中每个设备的生产参数，所述反馈数据为所述注塑成型***中每个设备中的传感器的反馈数据以及工作人员的人为判断数据；
调优模块，用于根据第一设置参数、神经网络以及注塑成型***，对注塑成型***中每个设备的生产参数进行优化。
可选的，所述调优模块，包括：
第二获取模块，用于根据所述第一设置参数、所述神经网络，获取第二设置参数；
所述第二获取模块，还用于利用所述第二设置参数更新注塑成型***中每个设备的生产参数，并使用更新后的注塑成型***生产当前需要生产的产品，获得对应该第二设置参数的反馈数据和产品的奖励值；
第一更新模块，用于根据所述第二设置参数的反馈数据和产品的奖励值，更新所述神经网络，以对注塑成型***中每个设备的生产参数进行优化。
可选的，所述第二获取模块之前，包括：
第三获取模块，利用所述第二设置参数与注塑成型***模型的设置参数比较，获得对应所述第二设置参数的奖励值；
训练模块，用于根据所述第二设置参数对应的奖励值，预训练所述神经网络。
可选的，所述第三获取模块，具体用于：
计算所述第二设置参数与所述注塑成型***模型的设置参数的交叉熵；
根据所述交叉熵，获取所述注塑成型***模型的设置参数对应的反馈数据；
确定所述反馈数据为对应该第二设置参数的反馈数据；
根据所述反馈数据，获取所述奖励值。
可选的，所述第三获取模块根据所述反馈数据，获取所述奖励值时，具体用于：
判断所述反馈数据对应的产品是否为正品；
若是，则对应该第二设置参数的奖励值为所述反馈数据对应的产品是正品时的奖励值；
若否，则对应该第二设置参数的奖励值为所述反馈数据对应的产品是次品时的奖励值。
可选的，所述第三获取模块根据所述交叉熵，获取所述注塑成型***模型的设置参数对应的反馈数据时，具体用于：获取所述交叉熵小于预设值的所述注塑成型***模型的至少一个设置参数对应的反馈数据；
计算所述至少一个设置参数对应的反馈数据的偏离度；
确定偏离度最小的反馈数据为所述注塑成型***模型的设置参数对应的反馈数据。
可选的，所述调优模块之后，还包括：
保存模块，用于将第一***描述、第二设置参数以及与第二设置参数对应的反馈数据上传至云端或保存到本地数据库中。
第三方面，本发明实施例提供一种注塑成型***中参数优化装置，该装置包括：至少一个处理器和存储器；
所述存储器存储计算机执行指令；所述至少一个处理器执行所述存储器存储的计算机执行指令，以执行发明实施例第一方面本任一项所述的方法。
第四方面，本发明实施例提供一种计算机可读存储介质，该计算机可读存储介质中存储有程序指令，所述程序指令被处理器执行时实现发明实施例第一方面任一项所述的方法。
第五方面，本申请实施例提供一种程序产品，所述程序产品包括计算机程序，所述计算机程序存储在可读存储介质中，注塑成型***中参数优化装置的至少一个处理器可以从所述可读存储介质读取所述计算机程序，所述至少一个处理器执行所述计算机程序使得注塑成型***中参数优化装置实施本申请发明实施例第一方面任一项提供的发明实施例方法。
本发明实施例提供了一种注塑成型***中参数优化方法和装置，通过获取当前需要生产的产品的***描述，称为第一***描述；确定与所述第一***描述匹配的至少一个第二***描述匹配；根据与所述至少一个第二***描述对应的设置参数、反馈数据获取生产所述当前需要生产的产品的第一设置参数；根据第一设置参数、神经网络以及注塑成型***，对注塑成型***中每个设备的生产参数进行自动调优。实现了自动获取注塑成型***中每个设备的生产参数的第一设置参数以及对设置参数进行自动优化的目的，提高生产效率，减少次品率。
附图说明
为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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他的附图。
图1为本发明一实施例提供的注塑成型***参数自动调优方法的流程图；
图2为本发明一实施例提供的步骤S104的流程图；
图3为本发明一实施例提供的注塑成型***参数自动调优装置的结构示意图；
图4为本发明另一实施例提供的注塑成型***参数自动调优装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中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作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。
图1为本发明一实施例提供的注塑成型***中参数优化方法的流程图。
如图1所示，该实施例的方法可以包括：
S101、获取当前需要生产的产品的***描述，称为第一***描述。
其中，第一***描述为生产当前需要生产的产品时，注塑成型***中每个设备的属性值，***描述例如可以包括生产产品信息、注塑成型设备信息、模具信息、各类周边辅机信息、环境信息中的至少一项。表1示出了注塑机的***描述。其中，表1中的第三列中的“值”表示第一***描述中与每行中的“值”对应的该行第一列中的每个名称的属性值；第四列中的“匹配系数”表示生产其他产品时的***描述中的“值”与第一***描述中的“值”的匹配程度。
表1注塑机的***描述示意图
S102、确定与所述第一***描述匹配的至少一个第二***描述匹配。
在云端和/或数据库中找到***描述中的“值”与第一***描述中的“值”的匹配程度满足第一***描述中的“匹配系数”的***描述，称为第二***描述，其中，在数据库中可找到至少一个第二***描述。
其中，第二***描述为数据库中存储的所述注塑成型***中每个设备生产时的***描述。
具体的，可根据下面的匹配模型确定至少一个第二***描述：
第一***描述中“值”与“匹配系数”的对应关系可表示为(Ii,αi)，其中，I表示表1第三列中的“值”，α表示表1第四列中的“匹配系数”，i表示第i个“值”或第i个。“匹配系数”
第二***描述中“值”与“匹配系数”的对应关系可表示为
其中，
表示“值”，
表示“匹配系数”，i表示第i个“值”。
根据公式(1)确定第二***描述是否与第一***描述匹配：
当第二***描述中任意一个“值”与对应的第一***描述中“值”的匹配程度都满足公式(1)时，说明，说明第二***描述与第一***描述匹配。
S103、根据与所述至少一个第二***描述对应的设置参数、反馈数据，获取生产所述当前需要生产的产品的第一设置参数。
设置参数为生产产品时注塑成型***中每个设备的生产参数，反馈数据为注塑成型***中每个设备的生产参数为当前设置参数时，注塑成型***中每个设备中的传感器的反馈的数据以及工作人员人为判断得到的数据。其中，表2示例性的示出了注塑成型***中上料机的生产参数，表3示例性的示出了注塑成型***中模温机反馈数据。
表2注塑成型***中上料机的生产参数
表3注塑成型***中模温机反馈数据
| 序号 | 变量名 | 变量值 | 关联性 |
| 1 | 流道1温度 | 220.5 | 50 |
| 2 | 流道2温度 | 210.7 | 50 |
| 3 | 流道3温度 | 215.3 | 50 |
| 4 | 流道4温度 | 220.7 | 50 |
| 5 | 流道5温度 | 220.5 | 50 |
| 6 | 流道6温度 | 210.8 | 50 |
| 7 | 流道7温度 | 215.3 | 50 |
| 8 | 流道8温度 | 210.6 | 50 |
| 9 | 流道9温度 | 220.1 | 50 |
| 10 | 流道10温度 | 220.3 | 50 |
| 11 | 流道11温度 | 210.4 | 50 |
| 12 | 流道12温度 | 215.4 | 50 |
其中，表3中的关联性表示反馈数据与产品质量之间的关系。
每个第二***描述对应M个设置参数，每个设置参数对应N个反馈数据，其中，M大于1，N大于1，所以，每个第二***共有(M*N)组数据，每组数据包括***描述、设置参数以及反馈数据三部分。其中，***描述用字母I表示，设置参数用字母S表示，反馈数据用字母F表示。例如，一个第二***描述I对应两个设置参数S1、S2，每个设置参数对应三个反馈数据F1、F2、F3，则可组成六组数据：(I，S1，F1)、(I，S1，F2)、(I，S1，F3)、(I，S2，F1)、(I，S2，F2)、(I，S2，F3)。
根据删除条件将满足删除条件的无效数据删除。具体的，删除条件可以为在任意一个设置参数对应的N个反馈数据中，当N小于等于5(即使用该设置参数生产产品的次数少于5次)和/或使用该设置参数生产产品，却不能达到连续生产5个正品时，将该设置参数以及其对应的N个反馈数据删除。
根据关联性，计算每组有效数据的偏离度，偏离度用W表示。每组有限数据的偏离度计算公式为公式(2)：
其中，Wi表示第i组有效数据的偏离度，βj表示任意一组有效数据中的反馈数据中第j个参数的关联性，fij表示第i组有效数据中的反馈数据中第j个参数的具体数值，m表示有效数据的数目，n表示任意一组有效数据中的反馈数据中包含的参数的数目。
将每组有效数据的偏离度与第一阈值比较，保留其偏离度小于第一阈值的有效数据，称为实际有效数据。
对实际有效数据中的设置参数中相同位置的参数做加权平均，根据各组实际有效数据的偏离度计算初始设置参数中该位置的参数的初始数值。其中，可根据公式(3)计算初始设置参数中的各参数的初始数值：
其中，sq表示初始设置参数中第q个参数的初始数值，tpq表示第p组实际有效数据中的设置参数中第q个参数的具体数值，Wp表示第p组实际有效数据的偏离度，x表示实际有效数据的数目，
表示第p组实际有效数据的价值系数ψ。
需要说明的是，本步骤中初始设置参数，还称为第一设置参数。
S104、根据第一设置参数、神经网络以及注塑成型***，对注塑成型***中每个设备的生产参数进行优化。
具体的，根据神经网络由第一设置参数获得并输出第二设置参数，将注塑成型***中每个设备的生产参数设置为第二设置参数，进行产品生产，从而获得该次产品生产的反馈数据以及奖励值。然后根据奖励值、第二设置参数以及第一设置参数训练神经网络。然后将第二设置参数作为第一设置参数，输入至训练后的神经网络，获得第二设置参数。按照上述过程训练神经网络，使训练后的神经网络输出的第二设置参数作为注塑成型***中每个设备的生产参数时，生产的产品的正品率达到预定值。
可选的，图2为本发明一实施例提供的步骤S104的流程图。如图2所示，步骤S104的实现方式可以为：
S1041、根据所述第一设置参数、所述神经网络，获取第二设置参数。
将第一设置参数作为神经网络的输入，通过神经网络获得第一设置参数中任意一个参数值调整后，该参数值调整的调整价值。其中，调整价值第一设置参数中任意一个参数值的调整对设置参数的自动调优的贡献。根据智能优化算法或最优化算法(例如，ε贪心算法)获取至少一个调整价值较大的调整价值，执行对应的参数值调整，从而获得第二设置参数。需要说明的是，神经网络的输入称为第一设置参数，输出成为第二设置参数。
需要说明的是，神经网络在对第一设置参数中的任意一个参数值进行调整时，每次调整参数值的个数不能超过设定值，设定值的大小根据实际生产确定，并且对各参数值的调整幅度上下限为10％，如果调整后的参数值超过参数值调整设置的上下限，则以参数值的上下限为准。
S1042、利用所述第二设置参数更新所述注塑成型***中每个设备的生产参数，并使用更新后的所述注塑成型***生产当前需要生产的产品，获得对应所述第二设置参数的反馈数据和奖励值。
其中，产品的奖励值表示注塑成型***中每个设备的生产参数为当前设置参数时，该注塑成型***生产的产品的价值，其中，产品的奖励值用V表示，生产的产品如果是正品，则奖励值可根据公式(4)获得，如果是次品，奖励值可根据公式(5)获得。
V＝Y-ψC 公式(4)
V＝-Y+ψC 公式(5)
其中，Y为正整数，ψ表示价值系数，C为正整数，Y和C的数值由用户根据需要选定，本实施例对此不限定。
S1043、根据所述第二设置参数的反馈数据和奖励值，更新所述神经网络，以对所述注塑成型***中每个设备的生产参数进行优化。
根据奖励值、第二设置参数、当前调整价值最大的参数值调整以及第一设置参数、获得第一设置参数时调整价值最大的参数值调整对神经网络的参数进行优化，更新神经网络。其中，对神经网络的参数优化时使用的损失函数例如为公式(6)：
L(ω)＝(VT+1+λ×maxa′Q(ST+1,a′,ω)-Q(ST,abest,ω))2 公式(6)
其中，VT+1表示注塑成型***中每个设备的生产参数为第二设置参数时，生产的产品的奖励值，ST+1表示第二设置参数，a′表示获得第二设置参数时，最大的调整价值，ω表示神经网络的参数，ST表示第一设置参数，abest表示获得第一设置参数时，最大的调整价值，λ表示折扣因子。
将第二设置参数作为第一设置参数输入更新后的神经网络中，按照上述过程对神经网络进行更新，满足更新结束条件时，停止更新。更新条件例如为达到神经网络的更新次数。
需要说明的是，更新所述神经网络中使用的奖励值为将第二设置参数作为注塑成型***中每个设备的生产参数时，通过实际生产出当前需要生产的产品，根据产品为正品或次品获得的。
可选的，在S104之后还包括：
将第一***描述、第二设置参数以及与第二设置参数对应的反馈数据上传至云端或保存到本地数据库中。
本实施例，通过获取当前需要生产的产品的***描述，称为第一***描述；确定与所述第一***描述匹配的至少一个第二***描述匹配；根据与所述至少一个第二***描述对应的设置参数、反馈数据获取生产所述当前需要生产的产品的第一设置参数；根据第一设置参数、神经网络以及注塑成型***，对注塑成型***中每个设备的生产参数进行自动调优。实现了自动获取注塑成型***中每个设备的生产参数的第一设置参数以及对设置参数进行自动优化的目的，提高生产效率，减少次品率。
在一些实施例中，S1042之前，还包括：利用所述第二设置参数与注塑成型***模型的设置参数比较，获得对应所述第二设置参数的奖励值；根据所述第二设置参数对应的奖励值，预训练所述神经网络。
本实施例中，设计了一种用于训练深度神经网络的注塑成型***模型。其中，注塑成型***模型模拟用来模拟注塑成型***。其中，通过该注塑成型***模型根据与至少一个第二***描述对应的设置参数、反馈数据设计而成。因此，根据该注塑成型***模型可以确定与第二设置参数对应的奖励值。
然后根据第二设置参数的反馈数据和奖励值，预训练神经网络。其中，根据第二设置参数的反馈数据和奖励值，预训练神经网络的具体实施过程可参照S1043，此处不再赘述。
需要说明的是，预训练所述神经网络时使用的第二设置参数的对应奖励值为通过注塑成型***模型获得，而不是通过使用该第二设置参数更新注塑成型***的各个生产设备的生产参数后，根据生产的产品获得的该第二设置参数对应的奖励值。
需要说明的是，在利用注塑成型***模型获得该第二设置参数对应的奖励值预训练神经网络前，需要判断停止预训练神经网络的条件是否满足，当条件满足时，说明可使用实际生产时该第二设置参数对应的奖励值训练神经网络，即将该第二设置参数更新注塑成型***的各个生产设备的生产参数，然后根据生产的产品获得的该第二设置参数对应的奖励值，利用该奖励值训练神经网络。当条件不满足时，继续通过注塑成型***模型获得该第二设置参数的对应奖励值，利用该奖励值预训练神经网络。然后将该第二设置参数作为与训练后的神经网络的输入，即第一设置参数，根据与训练后的神经网络获得第二设置参数。
本实施例中，判断神经网络训练结束的条件可以是达到预设的训练次数，或者连续K次获得奖励值为正品对应的奖励值，其中，K由用户根据需要选择，本实施例对此不限定。
其中，本发明实施例中的预训练神经网络为通过注塑成型***模型获得第二设置参数的对应奖励值，利用该奖励值预训练神经网络。而更新神经网络为通过使用第二设置参数更新注塑成型***的各个生产设备的生产参数后，根据生产的产品获得的该第二设置参数对应的奖励值，利用该奖励值更新神经网络。
本实施例，在利用神经网络输出的第二设置参数用于实际生产之前，对神经网络进行训练，即在获得第二设置参数后，通过注塑成型***模型获得该第二设置参数对应的反馈数据和奖励值，根据获得的该第二设置参数对应的反馈数据和奖励值，训练神经网络。将训练后的神经网络输出的第二设置参数更新注塑成型***，继续利用第二设置参数在实际生产中对应的反馈数据和奖励值更新神经网络，对注塑成型***中各个生产设备的生产参数(即设置参数)进行调优。从而可以避免因使用可生产出次品的设置参数更新注塑成型***中每个设备的生产参数，而生产出大量次品的情况，进一步减少次品率。
在一些实施例中，利用所述第二设置参数与注塑成型***模型的设置参数比较，获得对应所述第二设置参数的奖励值的一种可能的实施方式为：
计算所述第二设置参数与所述注塑成型***模型的设置参数的交叉熵；根据所述交叉熵，获取所述注塑成型***模型的设置参数对应的反馈数据；确定所述反馈数据为对应该第二设置参数的反馈数据；根据所述反馈数据，获取所述奖励值。
本实施例中，在获得第二设置参数后，计算第二设置参数和注塑成型***模型的设置参数之间的交叉熵。其中，计算交叉熵的方法可参考现有技术，此处不再赘述。
根据交叉熵获取注塑成型***模型的设置参数对应的反馈数据中的一个反馈数据，确定该反馈数据为该第二设置参数的反馈数据。
在一些实施例中，根据所述反馈数据，获取所述奖励值的一种可能的实施方式为：
判断所述反馈数据对应的产品是否为正品；若是，则对应该第二设置参数的奖励值为所述反馈数据对应的产品是正品时的奖励值；若否，则对应该第二设置参数的奖励值为所述反馈数据对应的产品是次品时的奖励值。
本实施例中，可以获得该反馈数据对应的产品的质量(即产品是正品还是次品)，当产品是正品时，则该第二设置参数的奖励值为所述反馈数据对应的产品是正品时的奖励值；当产品是次品时，则该第二设置参数的奖励值为所述反馈数据对应的产品是次品时的奖励值。
在一些实施例中，根据所述交叉熵，获取所述注塑成型***模型的设置参数对应的反馈数据的一种可能的实施方式为：
获取所述交叉熵小于预设值的所述注塑成型***模型的至少一个设置参数对应的反馈数据；计算所述至少一个设置参数对应的反馈数据的偏离度；确定偏离度最小的反馈数据为所述注塑成型***模型的设置参数对应的反馈数据。
本实施例中，判断第二设置参数与注塑成型***模型的设置参数的交叉熵与预设值的大小，获得获取所述交叉熵小于预设值的所述注塑成型***模型的至少一个设置参数对应的反馈数据，其中，预设值由用户根据实际需求选择，本实施例对此不限定。计算至少一个设置参数对应的反馈数据的偏离度，其中，偏离度的方法可参考公式(2)，此处不再赘述。
需要说明的是，根据反馈数据计算偏离度时，不需要根据删除条件将满足删除条件的无效数据删除，此处是计算与第二设置参数之间的交叉熵大于或等于预设值的设置参数对应的所有的反馈数据的偏离度。
获得偏离度最小的反馈数据，将该反馈数据确定为与第二设置参数对应的反馈数据。
图3为本发明一实施例提供的注塑成型***中参数优化装置的结构示意图。如图3所示，本实施例的装置可以包括获第一取模块31，匹配模块32，调优模块33。可选的，所述装置还可以包括：保存模块34。
第一获取模块31，用于获取所述注塑成型***的***描述，称为第一***描述，所述第一***描述为与当前产品生产有关的所述注塑成型***中每个设备的基本***情况，其中，所述***描述可以包括生产产品信息，注塑成型设备信息，模具信息，各类周边辅机信息，环境信息；
匹配模块32，用于确定与所述第一***描述匹配的至少一个第二***描述匹配，所述第二***描述为数据库中存储的所述注塑成型***中每个设备生产时的***描述；
所述第一获取模块31，还用于根据与所述至少一个第二***描述对应的设置参数、反馈数据获取生产所述当前产品的第一设置参数，其中，所述设置参数为生产产品时所述注塑成型***中每个设备的生产参数，所述反馈数据为所述注塑成型***中每个设备中的传感器的反馈数据以及工作人员的人为判断数据；
调优模块33，用于根据第一设置参数、神经网络以及注塑成型***，对注塑成型***中每个设备的生产参数进行自动调优。
保存模块34，用于将第一***描述、第二设置参数以及与第二设置参数对应的反馈数据上传至云端或保存到数据库中。
本实施例以上所述的注塑成型***中参数优化装置，可以用于执行上述各方法实施例中的技术方案，其实现原理和技术效果类似，其中各个模块的功能可以参考方法实施例中相应的描述，此处不再赘述。
图4为本发明另一实施例提供的注塑成型***中参数优化装置的结构示意图。如图4所示，该注塑成型***中参数优化装置可以是网络设备或网络设备的芯片，所述装置可以包括：至少一个处理器41和存储器42。图4示出的是以一个处理器为例的注塑成型***中参数优化装置，其中，
存储器42，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器42可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
处理器41，用于执行所述存储器52存储的计算机执行指令，以实现上述实施例中的注塑成型***中参数优化方法，其实现原理和技术效果类似，在此不再赘述。
其中，处理器41可能是一个中央处理器(Central Processing Unit，简称为CPU)，或者是特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者是被配置成实施本申请实施例的一个或多个集成电路。
可选的，在具体实现上，如果存储器42和处理器41独立实现，则
存储器42和处理器41可以通过总线相互连接并完成相互间的通信。所述总线可以是工业标准体系结构(Industry Standard Architecture，简称为ISA)总线、外部设备互连(Peripheral Component，简称为PCI)总线或扩展工业标准体系结构(Extended IndustryStandard Architecture，简称为EISA)总线等。所述总线可以分为地址总线、数据总线、控制总线等，但并不表示仅有一根总线或一种类型的总线。
可选的，在具体实现上，如果存储器42和处理器41集成在一块芯片上实现，则存储器42和处理器41可以通过内部接口完成相同间的通信。
本实施例以上所述的注塑成型***中参数优化装置，可以用于执行上述各方法实施例中的技术方案，其实现原理和技术效果类似，此处不再赘述。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：只读存储器(Read-Only Memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，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，或者对其中部分或者全部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发明各实施例技术方案的范围。
Claims (9)
1.一种注塑成型***设置参数优化方法，其特征在于，包括：
获取所述注塑成型***的第一***描述，所述第一***描述为与当前产品生产有关的所述注塑成型***中每个设备的基本***情况，其中，所述***描述包括以下至少一项：生产产品信息、注塑成型设备信息、模具信息、各类周边辅机信息、环境信息；
在云端和/或数据库中找到至少一个***描述中的“值”与所述第一***描述中的“值”的匹配程度满足所述第一***描述中的“匹配系数”的第二***描述，所述第二***描述为云端和/或本地数据库中存储的所述注塑成型***中每个设备生产时的***描述；
根据与所述至少一个第二***描述对应的设置参数、反馈数据，获取生产所述当前产品的第一设置参数，其中，所述设置参数为生产产品时所述注塑成型***中每个设备的生产参数，所述反馈数据为所述注塑成型***中每个设备的反馈数据以及人为判断数据；
根据所述第一设置参数、神经网络，获取第二设置参数；
利用所述第二设置参数更新所述注塑成型***中每个设备的生产参数，并使用更新后的所述注塑成型***生产当前需要生产的产品，获得对应所述第二设置参数的反馈数据和奖励值；
根据所述第二设置参数的反馈数据和奖励值，更新所述神经网络，以对所述注塑成型***中每个设备的生产参数进行优化；
所述根据与所述至少一个第二***描述对应的设置参数、反馈数据，获取生产所述当前产品的第一设置参数，具体包括：根据删除条件将满足删除条件的无效数据删除，根据关联性，计算每组有效数据的偏离度，将每组有效数据的偏离度与第一阈值比较，保留其偏离度小于第一阈值的有效数据，称为实际有效数据，对实际有效数据中的设置参数中相同位置的参数做加权平均，根据各组实际有效数据的偏离度计算第一设置参数中该位置的参数的初始数值。
2.根据权利要求1所述的方法，其特征在于，所述利用所述第二设置参数更新所述注塑成型***中每个设备的生产参数之前，包括：
利用所述第二设置参数与注塑成型***模型的设置参数比较，获得对应所述第二设置参数的奖励值；
根据所述第二设置参数对应的奖励值，预训练所述神经网络。
3.根据权利要求2所述的方法，其特征在于，所述利用所述第二设置参数与注塑成型***模型的设置参数比较，获得对应所述第二设置参数的奖励值，包括：
计算所述第二设置参数与所述注塑成型***模型的设置参数的交叉熵；
根据所述交叉熵，获取所述注塑成型***模型的设置参数对应的反馈数据；
确定所述反馈数据为对应该第二设置参数的反馈数据；
根据所述反馈数据，获取所述奖励值。
4.根据权利要求3所述的方法，其特征在于，所述根据所述反馈数据，获取所述奖励值，包括：
判断所述反馈数据对应的产品是否为正品；
若是，则对应该第二设置参数的奖励值为所述反馈数据对应的产品是正品时的奖励值；
若否，则对应该第二设置参数的奖励值为所述反馈数据对应的产品是次品时的奖励值。
5.根据权利要求3所述的方法，其特征在于，所述根据所述交叉熵，获取所述注塑成型***模型的设置参数对应的反馈数据，包括：
获取所述交叉熵小于预设值的所述注塑成型***模型的至少一个设置参数对应的反馈数据；
计算所述至少一个设置参数对应的反馈数据的偏离度；
确定偏离度最小的反馈数据为所述注塑成型***模型的设置参数对应的反馈数据。
6.根据权利要求1所述的方法，其特征在于，所述根据第一设置参数、神经网络以及注塑成型***，对注塑成型***中每个设备的生产参数进行优化之后，还包括：
将第一***描述、第二设置参数以及与第二设置参数对应的反馈数据上传至云端或保存到本地数据库中。
7.一种注塑成型***中参数优化装置，其特征在于，包括：
第一获取模块，用于获取所述注塑成型***的***描述，称为第一***描述，所述第一***描述为与当前产品生产有关的所述注塑成型***中每个设备的基本***情况，其中，所述***描述包括以下至少一项：生产产品信息、注塑成型设备信息、模具信息、各类周边辅机信息、环境信息；
匹配模块，用于确定与所述第一***描述匹配的至少一个第二***描述匹配，所述第二***描述为云端和/或本地数据库中存储的所述注塑成型***中每个设备生产时的***描述；
所述第一获取模块，还用于根据与所述至少一个第二***描述对应的设置参数、反馈数据获取生产所述当前产品的第一设置参数，其中，所述设置参数为生产产品时所述注塑成型***中每个设备的生产参数，所述反馈数据为所述注塑成型***中每个设备中的传感器的反馈数据以及工作人员的人为判断数据；
调优模块，用于根据第一设置参数、神经网络以及注塑成型***，对注塑成型***中每个设备的生产参数进行优化
所述调优模块，具体用于根据所述第一设置参数、所述神经网络，获取第二设置参数；
利用所述第二设置参数更新所述注塑成型***中每个设备的生产参数，并使用更新后的所述注塑成型***生产当前需要生产的产品，获得对应所述第二设置参数的反馈数据和奖励值；
根据所述第二设置参数的反馈数据和奖励值，更新所述神经网络，以对所述注塑成型***中每个设备的生产参数进行优化。
8.一种注塑成型***中参数优化装置，其特征在于，包括：存储器和处理器，存储器用于存储程序指令，处理器用于调用存储器中的程序指令执行如权利要求1-6任一项所述的注塑成型***中参数优化方法。
9.一种可读存储介质，其特征在于，所述可读存储介质上存储有计算机程序；所述计算机程序被执行时，实现如权利要求1-6任一项所述的注塑成型***中参数优化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811521647.3A CN111319206B (zh) | 2018-12-13 | 2018-12-13 | 注塑成型***中参数优化方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811521647.3A CN111319206B (zh) | 2018-12-13 | 2018-12-13 | 注塑成型***中参数优化方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111319206A CN111319206A (zh) | 2020-06-23 |
| CN111319206B true CN111319206B (zh) | 2021-11-23 |
Family
ID=71170502
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811521647.3A Active CN111319206B (zh) | 2018-12-13 | 2018-12-13 | 注塑成型***中参数优化方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111319206B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113741189B (zh) * | 2021-08-31 | 2022-04-12 | 广东工业大学 | 一种注塑机自适应学习快速控制方法 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| ATE320904T1 (de) * | 1997-08-21 | 2006-04-15 | Kistler Holding Ag | Verfahren zum regeln einer spritzgiessanlage für kunststoff-materialien |
| JP4499601B2 (ja) * | 2005-04-01 | 2010-07-07 | 日精樹脂工業株式会社 | 射出成形機の制御装置 |
| DE102006014475A1 (de) * | 2006-03-29 | 2007-10-04 | Rieter Ingolstadt Spinnereimaschinenbau Ag | Verfahren zur Steuerung einer Textilmaschine, Vorrichtung zur Durchführung des Verfahrens sowie Textilmaschine |
| CN101320400B (zh) * | 2008-07-16 | 2010-04-21 | 桂林电子科技大学 | 一种基于人工神经网络的微电子封装器件的优化设计方法 |
| CN104527009A (zh) * | 2015-01-06 | 2015-04-22 | 广西大学 | 基于高斯预测的注塑成型工艺参数优化调控方法 |
| AT519491A1 (de) * | 2016-12-23 | 2018-07-15 | Engel Austria Gmbh | Verfahren zur Optimierung eines Prozessoptimierungssystems und Verfahren zum simulieren eines Formgebungsprozesses |
| JP6779316B2 (ja) * | 2017-01-17 | 2020-11-04 | 日精樹脂工業株式会社 | 射出成形機の成形条件推定方法 |
| CN107944147A (zh) * | 2017-11-28 | 2018-04-20 | 柳州市城中区聚宝机械冲压厂 | 基于grnn神经网络的注塑工艺优化方法及注塑工艺 |
-
2018
- 2018-12-13 CN CN201811521647.3A patent/CN111319206B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN111319206A (zh) | 2020-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TWI785227B (zh) | 深度神經網絡中批量標準化層修剪的方法 | |
| CN111967971B (zh) | 银行客户数据处理方法及装置 | |
| WO2020224297A1 (zh) | 计算机执行的集成模型的确定方法及装置 | |
| CN108170739A (zh) | 问题匹配方法、终端和计算机可读存储介质 | |
| JP6950756B2 (ja) | ニューラルネットワークのランク最適化装置および最適化方法 | |
| CN108416187A (zh) | 一种确定剪枝阈值的方法及装置、模型剪枝方法及装置 | |
| CN113037531A (zh) | 流量预测方法、装置以及存储介质 | |
| CN110264407B (zh) | 图像超分辨模型训练及重建方法、装置、设备及存储介质 | |
| CN113642938B (zh) | 一种智能化生产管理方法及*** | |
| CN115249315B (zh) | 面向异构计算设备的深度学习图像分类方法及装置 | |
| CN111319206B (zh) | 注塑成型***中参数优化方法和装置 | |
| CN109102468B (zh) | 图像增强方法、装置、终端设备及存储介质 | |
| CN111640099A (zh) | 一种确定图像质量的方法、装置、电子设备及存储介质 | |
| CN110874635B (zh) | 一种深度神经网络模型压缩方法及装置 | |
| CN109783769B (zh) | 一种基于用户项目评分的矩阵分解方法和装置 | |
| WO2017097118A1 (zh) | 文本分类的处理方法及装置 | |
| CN113743650B (zh) | 电力负荷预测方法、装置、设备与存储介质 | |
| CN111931698B (zh) | 基于小型训练集的图像深度学习网络构建方法及装置 | |
| CN107203916B (zh) | 一种用户信用模型建立方法及装置 | |
| CN111524023A (zh) | 温室调节方法及*** | |
| CN109242927B (zh) | 一种广告模板生成方法、装置及计算机设备 | |
| CN115936108A (zh) | 基于知识蒸馏的面向多元时序预测图神经网络压缩方法 | |
| US20210397962A1 (en) | Effective network compression using simulation-guided iterative pruning | |
| CN113326832B (zh) | 模型训练、图像处理方法、电子设备及存储介质 | |
| CN114969148A (zh) | 一种基于深度学习的***访问量预测方法、介质和设备 |
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 |