CN112677438B - 基于注塑成型和调机数据特征分段构造与筛选方法及*** - Google Patents
基于注塑成型和调机数据特征分段构造与筛选方法及*** Download PDFInfo
- Publication number
- CN112677438B CN112677438B CN202011424374.8A CN202011424374A CN112677438B CN 112677438 B CN112677438 B CN 112677438B CN 202011424374 A CN202011424374 A CN 202011424374A CN 112677438 B CN112677438 B CN 112677438B
- Authority
- CN
- China
- Prior art keywords
- data
- information
- machine
- module
- time
- 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
Landscapes
- Injection Moulding Of Plastics Or The Like (AREA)
Abstract
本发明提供了一种基于注塑成型和调机数据特征分段构造与筛选方法及***,包括:步骤S1:获取成型机状态数据、机台数据信息、调机记录数据信息;步骤S2:获取数据预处理信息;步骤S3:获取数据分段信息;步骤S4:获取特征提取信息、特征筛选信息;步骤S5:获取特征有效性验证信息;步骤S6:根据特征有效性验证信息,获取评价指标信息;步骤S7:根据评价指标信息,获取数据采集有效性评估信息。本发明创新利用了调机数据,根据调机时间对数据进行分段,并将机台数据和成型机数据进行了合并。
Description
技术领域
本发明涉及数据的特征分段构造与筛选技术领域,具体地,涉及一种基于注塑成型和调机数据特征分段构造与筛选方法及***。
背景技术
注塑成型过程是一个非稳态具有周期性的一个过程。非稳态是指在整个注塑过程中注塑的状态是随时间不断变化的,周期性是指注塑成型过程在一定的时间范围内可以重复出现。注塑成形的周期时间根据塑料材料的性质、注塑机所设定的参数、注塑件的壁厚及重量的改变而改变。注塑成型过程主要包括塑化、填充、保压、冷却、脱模5个部分。对于传统的注塑成型健康状态监测和工艺优化,人们通常依靠提高注塑模模具表面精度和注塑机的性能,并在工艺人员的经验上通过试错法,对模具精度和注塑成型工艺上进行调整来改善注塑件质量。每次调机通过改变参数来影响注塑机的生产,如何评估调机的作用以及是否从多次调机中找到关键参数和数值,以及调机后生产工件的变化规律这一复杂过程的分析和研究较少。面对产品日益更新,和对产品质量更高的要求,现有的工艺优化速度和工艺优化效果不尽如人意。是否可以通过有限次的调机,找到有效的调机思路和工艺参数,加速对于新工件生产规律的认知是一个有效的解决思路。但是如何采集调机后的注塑成型工艺变化情况,调机后的状态监控和预测,找到最有效的调机特征与评估,进行有效的特征提取和特征筛选与预测,成了现在工业界的难题。
注塑成型制件的质量分为两部分,包括表面和性能质量。对于注塑成型工艺参数的优化很大程度影响了注塑工艺制品质量。随着试验设计方法、优化算法、智能算法等方法的不断发展与应用,对注塑工艺理解和预测以及参数优化提供了理论基础和研究思路。传统的注塑工艺参数设置采用尝试法依赖人工经验以及简单的计算公式进行初设置,通过试件缺陷进行参数的不断修正,决策严重依赖人工经验。这种方法导致生产周期长、成本高,产品质量难以保障。特别是在精密成型领域,传统的参数条件方法已难以获得满意的产品品质。工艺参数的智能化决策尤为重要。根据上述分析,我们确有必要提供一种注塑成型生产工艺参数的智能优化方法,选择有价值的工艺特征,进行记录和预测,以提高制造的智能化。但是现有的很多算法和优化设计,主要从模拟层面进行,通过设计实验参数进行模拟,聚焦于提取的工艺参数数据,但是没有结合实际生产中的调机或者断点进行分析。本发明聚焦于对注塑成型工艺中四大指标特征:压力指标、温度指标、位置指标、流量指标提取的高频数据进行分析和评估,创新性的结合调机数据,进行分段和进一步特征构造,为注塑工艺分析优化的高频数据分析提供了参考和思路。
专利文献CN111319206A公开了一种注塑成型***中参数优化方法和装置。该专利包括: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。该专利在提高生产效率,减少次品率上仍然有待提高的空间。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种基于注塑成型和调机数据特征分段构造与筛选方法及***。
根据本发明提供的一种基于注塑成型和调机数据特征分段构造与筛选方法,包括:
步骤S1:根据成型机和机台数据以及调机记录数据获取控制信息,获取成型机状态数据、机台数据信息、调机记录数据信息;
步骤S2:根据数据预处理控制信息,获取数据预处理信息;
步骤S3:根据数据分段控制信息、数据预处理信息,获取数据分段信息;
步骤S4:根据特征提取和筛选控制信息、数据预处理信息,获取特征提取信息、特征筛选信息;
步骤S5:根据特征提取信息、特征筛选信息,获取特征有效性验证信息;
步骤S6:根据特征有效性验证信息,获取评价指标信息;
步骤S7:根据评价指标信息,获取数据采集有效性评估信息。
优选地,所述步骤S2包括:
步骤S2.1:对传入的数据首先进行缺失值处理,若存在缺失值则利用合适的数据补齐方式补齐数据(不同行也对数据要求不同,为此处理缺失值方式可多种);
步骤S2.2:缺失值处理后进行唯一值判断,对于全部为唯一值,或者数据中90%以上为相同值的数据进行筛除;
对缺失值和唯一值处理好的数据进行特征缩放,然后为进入下一步分段做好准备。
优选地,所述步骤S3包括:
步骤S3.1:利用调机记录数据,根据调机时间对数据进行分段,并将机台数据和成型机数据进行了合并。另外根据距离调机时间的长短跨度等特征,构造新特征,并以此为依据进行了分类。
优选地,所述步骤S4包括:
步骤S4.1:根据数据分段信息,对分段内数据提取均值、中位数、极大值、极小值、分位数等特征,对个别相关性较强的数据进行做擦差等操作;
步骤S4.2:对分段内数据提取后,为了选择出有效的指标表征预测的适用性,我们设定一组指标用来评估提取特征有效特征,包括:相关性,特征分布相关程度等,对提取后的特征进行筛选。
优选地,所述步骤S5包括:
步骤S5.1:对注塑成型工艺中的尺寸预测任务进行回归预测,以此验证特征的有效性;
所述步骤S6包括:
步骤S6.1:利用MAE,MSE损失函数进行模型判定。
根据本发明提供的一种基于注塑成型和调机数据特征分段构造与筛选***,包括:
模块M1:根据成型机和机台数据以及调机记录数据获取控制信息,获取成型机状态数据、机台数据信息、调机记录数据信息;
模块M2:根据数据预处理控制信息,获取数据预处理信息;
模块M3:根据数据分段控制信息、数据预处理信息,获取数据分段信息;
模块M4:根据特征提取和筛选控制信息、数据预处理信息,获取特征提取信息、特征筛选信息;
模块M5:根据特征提取信息、特征筛选信息,获取特征有效性验证信息;
模块M6:根据特征有效性验证信息,获取评价指标信息;
模块M7:根据评价指标信息,获取数据采集有效性评估信息。
优选地,所述模块M2包括:
模块M2.1:对传入的数据首先进行缺失值处理,若存在缺失值则利用合适的数据补齐方式补齐数据(不同行也对数据要求不同,为此处理缺失值方式可多种);
模块M2.2:缺失值处理后进行唯一值判断,对于全部为唯一值,或者数据中90%以上为相同值的数据进行筛除;
对缺失值和唯一值处理好的数据进行特征缩放,然后为进入下一步分段做好准备。
优选地,所述模块M3包括:
模块M3.1:利用调机记录数据,根据调机时间对数据进行分段,并将机台数据和成型机数据进行了合并。另外根据距离调机时间的长短跨度等特征,构造新特征,并以此为依据进行了分类。
优选地,所述模块M4包括:
模块M4.1:根据数据分段信息,对分段内数据提取均值、中位数、极大值、极小值、分位数等特征,对个别相关性较强的数据进行做擦差等操作;
模块M4.2:对分段内数据提取后,为了选择出有效的指标表征预测的适用性,我们设定一组指标用来评估提取特征有效特征,包括:相关性,特征分布相关程度等,对提取后的特征进行筛选。
优选地,所述模块M5包括:
模块M5.1:对注塑成型工艺中的尺寸预测任务进行回归预测,以此验证特征的有效性;
所述模块M6包括:
模块M6.1:利用MAE,MSE损失函数进行模型判定。
与现有技术相比,本发明具有如下的有益效果:
1、本发明主要对注塑成型过程的成型机和机台工艺设定参数数据的提取和进一步挖掘,以及特征有效性进行了研究,并利用决策提升树在对实际工况检测中的尺寸进行了预测,证明了本方案特征提取和特征工程与优化的有效性;
2、本发明创新利用了调机数据,根据调机时间对数据进行分段,并将机台数据和成型机数据进行了合并。另外根据距离调机时间的长短跨度等特征,构造新特征,并以此为依据进行了分类;
3、本发明流程构造合理,使用方便,能够克服现有技术缺陷。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明的完整流程示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
一种基于注塑成型工艺和调机数据的特征分段构造与筛选方法包括:
1.成型机和机台数据以及调机记录数据获取
本发明使用的成型机和机台以及调机记录数据均来自实际工业现场,成型机状态数据包括:记录相关信息,模次Id,记录时间,周期时间;压力数据:注射最大压力,锁模压力,喷头射出压力;时间数据:切换时间,熔胶时间,后冷却时间等;温度数据:炮筒温度,热流道温度;流量数据:模具运水流量等;位置数据:开漠终点,射出终点,熔胶终点等数据,并且记录高频数据对应的成型机动作阶段和时间。机台数据包括:记录时间,调机原因,模次Id,以及相应的时间指标、温度指标、压力指标、流量指标、位置指标。
2.数据预处理
对传入的数据首先进行缺失值处理,若存在缺失值则利用合适的数据补齐方式补齐数据(不同行也对数据要求不同,为此处理缺失值方式可多种)。缺失值处理后进行唯一值判断,对于全部为唯一值,或者数据中90%以上为相同值的数据进行筛除。对缺失值和唯一值处理好的数据进行特征缩放,然后为进入下一步分段做好准备。
3.数据分段
利用调机数据,根据调机时间对数据进行分段,并将机台数据和成型机数据进行了合并。另外根据距离调机时间的长短跨度等特征,构造新特征,并以此为依据进行了分类。
4.特征提取和筛选
对分段内数据提取均值、中位数、极大值、极小值、分位数等特征,对个别相关性较强的数据进行做擦差等操作。提取后,为了选择出有效的指标表征预测的适用性,我们设定一组指标用来评估提取特征有效特征,包括相关性,特征分布相关程度等,对提取后的特征进行了筛选。
5.特征有效性验证:
对于我们提取和筛选后的高频特征,我们对注塑成型工艺中的尺寸预测任务进行回归预测,以此验证特征的有效性。发现,使用XGBoost、CatBoost等梯度提升树模型对训练数据进行学习,利用五折交叉验证验证来进行模型训练与测试,在未进行参数优化和模型融合的情况下,产生较好的预测结果,证实了预测结果的有效性。
6.评价指标
利用MAE,MSE损失函数进行模型判定。
7.数据采集有效性评估
通过对于机台和成型机数据的特征提取和特征筛选,与预测任务的验证,反过来我们来分析机台和成型机数据提取和调机的有效性,我们发现调机后的的时间长度与工件生产确实有关系,而且验证了压力、温度指标的有效性,可以考虑在多维度增加对于该特征的采集和进一步优化,并且也发现了部分数据的采集存在单一性,或者数据本身特征反应不明显或者无变化,可以考虑删除,以此可以优化数据的采集和提取。
具体地,在一个实施例中,一种基于注塑成型工艺和调机数据的特征分段构造与筛选方法包括:
1.成型机和调机数据分段方法
创新利用了调机数据,根据调机时间对数据进行分段,并将机台数据和成型机数据进行了合并。另外根据距离调机时间的长短跨度等特征,构造新特征,并以此为依据进行了分类。
2.成型机和调机数据特征提取方法
对分段内数据提取均值、中位数、极大值、极小值、分位数等特征,对个别相关性较强的数据进行做擦差等操作。
3.成型机和调机数据的特征筛选方法
提取后,为了选择出有效的指标表征预测的适用性,我们设定一组指标用来评估提取特征有效特征,包括相关性,特征分布相关程度等,对提取后的特征进行了筛选。并且利用预测结的特征重要性进行又一轮的筛选和排查。
4.成型机和调机数据的特征增强方法
对于上述分段后特征,利用MIXUP方法进行线性增强,对特征和目标值进行线性组合,完善数据集的多样性,减少了在预测未见数据时的不确定性,提高特征提取***的泛化能力。
5.成型机和调机数据采集有效性的评估
通过对于机台和成型机数据的特征提取和特征筛选,与预测任务的验证,反过来我们来分析机台和成型机数据提取和调机的有效性,我们发现调机后的的时间长度与工件生产确实有关系,而且验证了压力、温度指标的有效性,可以考虑在多维度增加对于该特征的采集和进一步优化,并且也发现了部分数据的采集存在单一性,或者数据本身特征反应不明显或者无变化,可以考虑删除,以此可以优化数据的采集和提取。
注塑成型是塑料制品成型重要方式之一,适于大批量生产形状复杂、尺寸要求精确的塑料制品,该技术具有生产加工性能良好、生产周期短、效率高、可多型腔成型、产品精度高、质量轻、颜色多元化等优点。产品质量要求高。随着注塑产品应用范围的变化,对产品质量的要求也越来越高。注塑成型过程中,熔体在型腔内的状态及变化历史直接影响到最终制品的性能和质量。通过传感器,我们可以采集到成型机状态数据,包括时间指标、温度指标、压力指标、流量指标、位置指标五大类,具体来说,温度(塑化物料温度、模具温度)、压力(注射压力、开模压力、脱模压力、锁模压力等)、及时间(冷却时间、注射时间)、位置(最小射胶位置、射胶终点)、流量(模具运水流量)等,和机台工艺设定参数数据以及熔体在型腔内的高频数据,通过指标的变化和特征的挖掘来反应注塑成型生产中的状态及变化规律。如何收集到有效的工艺参数数据,如何评估和挖掘工艺参数的特征,以辅助模具设计和成型工艺设备生产状态的监测,成为了工业界在数字化到智能化转型和升级中的重难点之一。本文主要对注塑成型过程的成型机和机台工艺设定参数数据的提取和进一步挖掘,以及特征有效性进行了研究,并利用决策提升树在对实际工况检测中的尺寸进行了预测,证明了本方案特征提取和特征工程与优化的有效性。
在本申请的描述中,需要理解的是,术语“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (6)
1.一种基于注塑成型和调机数据特征分段构造与筛选方法,其特征在于,包括:
步骤S1:根据成型机和机台数据以及调机记录数据获取控制信息,获取成型机状态数据、机台数据信息、调机记录数据信息;
步骤S2:根据数据预处理控制信息、成型机状态数据、机台数据信息、调机记录数据信息,获取数据预处理信息;
步骤S3:根据数据分段控制信息、数据预处理信息,获取数据分段信息;
步骤S4:根据特征提取和筛选控制信息、数据预处理信息,获取特征提取信息、特征筛选信息;
步骤S5:根据特征提取信息、特征筛选信息,获取特征有效性验证信息;
步骤S6:根据特征有效性验证信息,获取评价指标信息;
步骤S7:根据评价指标信息,获取数据采集有效性评估信息;
所述步骤S3包括:
步骤S3.1:利用调机记录数据,根据调机时间对数据进行分段,并将机台数据和成型机数据进行了合并;另外根据距离调机时间的长短跨度特征,构造新特征,并以此为依据进行了分类;
所述步骤S5包括:
步骤S5.1:对注塑成型工艺中的尺寸预测任务进行回归预测,以此验证特征的有效性;
所述步骤S6包括:
步骤S6.1:利用MAE,MSE损失函数进行模型判定;
成型机和机台以及调机记录数据均来自实际工业现场;
成型机状态数据包括:记录相关信息,模次Id,记录时间,周期时间;
成型机状态数据还包括压力数据:注射最大压力,锁模压力,喷头射出压力;
成型机状态数据还包括时间数据:切换时间,熔胶时间,后冷却时间;
成型机状态数据还包括温度数据:炮筒温度,热流道温度;
成型机状态数据还包括流量数据:模具运水流量;
成型机状态数据还包括位置数据:开模终点,射出终点,熔胶终点数据,并且记录高频数据对应的成型机动作阶段和时间;
机台数据包括:记录时间,调机原因,模次Id,以及相应的时间指标、温度指标、压力指标、流量指标、位置指标。
2.根据权利要求1所述的基于注塑成型和调机数据特征分段构造与筛选方法,其特征在于,所述步骤S2包括:
步骤S2.1:对传入的数据首先进行缺失值处理,若存在缺失值则利用合适的数据补齐方式补齐数据;
步骤S2.2:缺失值处理后进行唯一值判断,对于全部为唯一值,或者数据中90%以上为相同值的数据进行筛除;
对缺失值和唯一值处理好的数据进行特征缩放,然后为进入下一步分段做好准备。
3.根据权利要求1所述的基于注塑成型和调机数据特征分段构造与筛选方法,其特征在于,所述步骤S4包括:
步骤S4.1:根据数据分段信息,对分段内数据提取均值、中位数、极大值、极小值、分位数特征,对个别相关性较强的数据进行做擦差操作;
步骤S4.2:对分段内数据提取后,设定一组指标用来评估提取特征有效特征,包括:相关性,特征分布相关程度,对提取后的特征进行筛选。
4.一种基于注塑成型和调机数据特征分段构造与筛选***,其特征在于,包括:
模块M1:根据成型机和机台数据以及调机记录数据获取控制信息,获取成型机状态数据、机台数据信息、调机记录数据信息;
模块M2:根据数据预处理控制信息,获取数据预处理信息;
模块M3:根据数据分段控制信息、数据预处理信息,获取数据分段信息;
模块M4:根据特征提取和筛选控制信息、数据预处理信息,获取特征提取信息、特征筛选信息;
模块M5:根据特征提取信息、特征筛选信息,获取特征有效性验证信息;
模块M6:根据特征有效性验证信息,获取评价指标信息;
模块M7:根据评价指标信息,获取数据采集有效性评估信息;
所述模块M3包括:
模块M3.1:利用调机记录数据,根据调机时间对数据进行分段,并将机台数据和成型机数据进行了合并;另外根据距离调机时间的长短跨度特征,构造新特征,并以此为依据进行了分类;
所述模块M5包括:
模块M5.1:对注塑成型工艺中的尺寸预测任务进行回归预测,以此验证特征的有效性;
所述模块M6包括:
模块M6.1:利用MAE,MSE损失函数进行模型判定;
成型机和机台以及调机记录数据均来自实际工业现场;
成型机状态数据包括:记录相关信息,模次Id,记录时间,周期时间;
成型机状态数据还包括压力数据:注射最大压力,锁模压力,喷头射出压力;
成型机状态数据还包括时间数据:切换时间,熔胶时间,后冷却时间;
成型机状态数据还包括温度数据:炮筒温度,热流道温度;
成型机状态数据还包括流量数据:模具运水流量;
成型机状态数据还包括位置数据:开模终点,射出终点,熔胶终点数据,并且记录高频数据对应的成型机动作阶段和时间;
机台数据包括:记录时间,调机原因,模次Id,以及相应的时间指标、温度指标、压力指标、流量指标、位置指标。
5.根据权利要求4所述的基于注塑成型和调机数据特征分段构造与筛选***,其特征在于,所述模块M2包括:
模块M2.1:对传入的数据首先进行缺失值处理,若存在缺失值则利用合适的数据补齐方式补齐数据;
模块M2.2:缺失值处理后进行唯一值判断,对于全部为唯一值,或者数据中90%以上为相同值的数据进行筛除;
对缺失值和唯一值处理好的数据进行特征缩放,然后为进入下一步分段做好准备。
6.根据权利要求4所述的基于注塑成型和调机数据特征分段构造与筛选***,其特征在于,所述模块M4包括:
模块M4.1:根据数据分段信息,对分段内数据提取均值、中位数、极大值、极小值、分位数特征,对个别相关性较强的数据进行做擦差操作;
模块M4.2:对分段内数据提取后,设定一组指标用来评估提取特征有效特征,包括:相关性,特征分布相关程度,对提取后的特征进行筛选。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011424374.8A CN112677438B (zh) | 2020-12-08 | 2020-12-08 | 基于注塑成型和调机数据特征分段构造与筛选方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011424374.8A CN112677438B (zh) | 2020-12-08 | 2020-12-08 | 基于注塑成型和调机数据特征分段构造与筛选方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112677438A CN112677438A (zh) | 2021-04-20 |
CN112677438B true CN112677438B (zh) | 2021-11-16 |
Family
ID=75446395
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011424374.8A Active CN112677438B (zh) | 2020-12-08 | 2020-12-08 | 基于注塑成型和调机数据特征分段构造与筛选方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112677438B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764597A (zh) * | 2018-04-02 | 2018-11-06 | 华南理工大学 | 一种基于集成学习的产品质量控制方法 |
CN109190892A (zh) * | 2018-07-27 | 2019-01-11 | 广东工业大学 | 一种基于数据的智能注塑设备检测装置检测频率决策方法 |
CN111176894A (zh) * | 2019-12-27 | 2020-05-19 | 柏科数据技术(深圳)股份有限公司 | 一种用于数据存储及数据灾备的存储分层技术 |
CN111231251A (zh) * | 2020-01-09 | 2020-06-05 | 杭州电子科技大学 | 注塑机的产品检测方法、设备及*** |
CN111783999A (zh) * | 2020-07-01 | 2020-10-16 | 北京知因智慧科技有限公司 | 数据处理方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6787971B2 (ja) * | 2018-10-25 | 2020-11-18 | ファナック株式会社 | 状態判定装置及び状態判定方法 |
-
2020
- 2020-12-08 CN CN202011424374.8A patent/CN112677438B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764597A (zh) * | 2018-04-02 | 2018-11-06 | 华南理工大学 | 一种基于集成学习的产品质量控制方法 |
CN109190892A (zh) * | 2018-07-27 | 2019-01-11 | 广东工业大学 | 一种基于数据的智能注塑设备检测装置检测频率决策方法 |
CN111176894A (zh) * | 2019-12-27 | 2020-05-19 | 柏科数据技术(深圳)股份有限公司 | 一种用于数据存储及数据灾备的存储分层技术 |
CN111231251A (zh) * | 2020-01-09 | 2020-06-05 | 杭州电子科技大学 | 注塑机的产品检测方法、设备及*** |
CN111783999A (zh) * | 2020-07-01 | 2020-10-16 | 北京知因智慧科技有限公司 | 数据处理方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112677438A (zh) | 2021-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN100542779C (zh) | 参数化的喷射模塑***和方法 | |
CN113771289B (zh) | 一种注塑成型工艺参数优化的方法和*** | |
CN106872509A (zh) | 一种基于红外成像的注塑制品质量在线检测装置与方法 | |
CN100405376C (zh) | 塑料注射工艺参数的确定方法及注塑机 | |
CN109460890B (zh) | 一种基于强化学习与控制性能监测的智能自愈方法 | |
CN103640194A (zh) | 一种智能注塑机及其注射方法 | |
CN114770891B (zh) | 一种注塑机异常分析方法及*** | |
WO2022195974A1 (ja) | 射出成形条件生成システムおよび方法 | |
DE102020107463A1 (de) | Spritzgiesssystem, formungsbedingungs-korrektursystem und spritzgiessverfahren | |
CN109614651A (zh) | 一种注塑件加工参数与变形关系的高精度估算方法 | |
CN107972243A (zh) | 基于som神经网络的注塑工艺优化方法及注塑工艺 | |
CN112677438B (zh) | 基于注塑成型和调机数据特征分段构造与筛选方法及*** | |
CN108032499A (zh) | 一种注塑产品智能化检测方法 | |
CN113733505B (zh) | 注射成型***、成型条件校正***以及注射成型方法 | |
CN117348573A (zh) | 实时控制注塑生产质量方法及*** | |
CN112749623B (zh) | 注塑成型工艺高频传感器数据的处理和特征提取方法及*** | |
CN116461066A (zh) | 一种基于科学试模的注塑工艺参数智能设定方法 | |
CN206633366U (zh) | 一种注塑制品缺陷自愈调控装置 | |
CN104657549B (zh) | 一种基于正交参数化ltv模型的迭代学习预测控制方法 | |
CN106273240B (zh) | 一种基于压力测量的外部气体辅助注塑成型方法及设备 | |
CN109676834A (zh) | 一种汽车注塑件加工的改进工艺 | |
Zou et al. | Quality analysis and prediction for start-up process of injection molding processes | |
CN213166722U (zh) | 一种模具温压监测装置 | |
Tsou et al. | The feature extraction modeling of product analysis in injection molding for intelligent manufacturing | |
CN106426753B (zh) | 一种基于温度测量的外部气体辅助注塑成型方法及设备 |
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 |