CN113182376A - 智能模具、控制***、控制方法、数据处理终端、介质 - Google Patents

Abstract

本发明公开智能模具、控制***、控制方法、数据处理终端、介质，涉及智慧模具技术领域。根据压力传感器结合模具关键部位形状，对模具关键部位压力初步的推算，数据处理终端根据冲压强度计算模型实时得出磨具压力的计算值，获得模具成品的薄厚厚度；通过温度传感器采集模具关键部位地温度，并反馈给所述数据处理终端，自动调用水冷装置，对模具进行恒温控制；通过加入震动传感器检测模具的工作状态，并反馈给所述数据处理终端，对模具的运行状态进行控制。本发明压力传感器获得冲压强度，保证成品的薄厚一致。加入温度传感器，自动调用水冷装置，保证模具恒温，加入震动传感器检测模具的工作状态，保证设备健康运行。

Description

智能模具、控制***、控制方法、数据处理终端、介质

技术领域

本发明涉及智慧模具技术领域，尤其涉及一种智能模具、控制***、控制方法、数据处理终端、介质。

背景技术

目前，现有技术提供一种铝合金热挤压多孔模具，包括上模、下模，所述上模表面设置有第一分流槽，所述第一分流槽内部设置有第二分流槽；所述上模下端设置有模芯，所述第二分流槽分布在所述模芯外侧；所述上模外侧设置有连接套，所述连接套的内侧设置有内螺纹；

所述下模表面设置有焊合室，所述下模底部设置有出料口，所述焊合室和所述出料口之间设置有挤压腔，所述焊合室、所述挤压腔和所述出料口三者相连通；所述下模外侧设置有外螺纹，且所述下模外侧的外螺纹与所述连接套内侧的内螺纹相配合。

采用上述一种铝合金热挤压多孔模具，本实施例共有四个所述第一分流槽，每个所述第一分流槽内部共有四个所述第二分流槽；通过所述连接套内侧的内螺纹和所述下模外侧的外螺纹配合，实现所述上模和所述下模的固定连接，装置拆装简单便捷，便于实现对装置的维护保养；进行热挤压时原料通过所述第一分流槽和所述第二分流槽进入所述焊合室内部，通过所述模芯和所述挤压腔配合实现铝合金型材的热挤压成型，成型后的铝合金型材通过所述出料口排出。

传统模具，有金属组成，不能获得压力，震动、温度的数值。对于提升成品率只能通过经验来获得，不能数字化，标准化，对于提升整个产品质量的水平，不能很好的管控。

通过上述分析，现有技术存在的问题及缺陷为：现有技术中，在模具的关键部位，对压力值的反馈、模具恒温控制效果差，对模具的工作震动状态不能实施检测，造成设备不能健康运行。

发明内容

为克服相关技术中存在的问题，本发明公开实施例提供了一种智能模具、控制***、控制方法、数据处理终端、介质。所述技术方案如下：

根据本发明公开实施例的第一方面，提供一种智能模具控制方法，应用于数据处理终端，所述智能模具控制方法包括：

在模具的关键部位，通过压力传感器对压力值进行采集，获得冲压强度，并反馈给所述数据处理终端，控制模具成品的薄厚厚度；

根据压力传感器结合模具关键部位形状，对模具关键部位压力初步的推算，根据公式：

推导计算得到冲压强度计算模型：

式中p_l-冲压强度p_a；d-模具关键部位内半径mm；D_p-模具关键部位外半径mm；D-模具半径mm；ρ-模具密度kg/m³；L-模具长度mm；f-摩阻系数；

-模具在冲压中的平均冲压速率，m/s；

数据处理终端根据冲压强度计算模型实时得出磨具压力的计算值，获得模具成品的薄厚厚度；

通过温度传感器采集模具关键部位地温度，并反馈给所述数据处理终端，自动调用水冷装置，对模具进行恒温控制；

通过加入震动传感器检测模具的工作状态，并反馈给所述数据处理终端，对模具的运行状态进行控制；所述震动传感器检测模具的工作状态包括：

将震动传感器放置于待加工模具，进行震动传感器初始化操作；

在待加工模具操作震动传感器，记录震动传感器数据；

利用内置的数据处理软件在线处理数据，确定待加工模具的位置和作业轨迹，在线监测移动数据的范围和质量，在显示设备可视化；

部分或全部作业区域完成后，将数据上传至数据处理终端；

处理所采集的数据，确定作业过程中的位置轨迹；

生成空间移动扫描点云，生成所测区域的二维和三维模具模型图；

处理泛在定位信号数据，用得到的位置标定模具数据位置，生成泛在信号定位特征库或定位信标源的位置，用于泛在信号定位计算；

处理同步的视觉和物理环境数据，从数据中提取相关信息，并用得到的位置标定模具数据和空间位置；

输出模具模型图、泛在定位信号特征或定位信标源的位置、视觉和物理环境空间信息多维空间信息数据，用于标定位置服务应用。

优选地，所述数据处理终端根据冲压强度计算模型实时得出磨具压力的计算值，获得模具成品的薄厚厚度进一步包括：

第一步，所述数据处理终端对压力传感器得到模具压力的实时测量数据；

第二步，对实时测量得到模具压力的计算值进行多项式拟合，修正测量实时计算模具压力模型；

利用修正后的实时计算模具压力模型进行实时跟踪，并与模具形状进行比对，进而自动判断模具压力随测量数据的适宜度。

所述自动判断模具压力随测量数据的适宜度包括：

拟合函数为

将模具压力估计值，以及历史测量值整理，共修正n个数据，确定拟合次数k，将要修正的历史数据(L_i,Pa_i)代入，列表计算得线性方程组：

该线性方程组为正定矩阵，因此存在唯一解，求出a₀,a₁,a₂....a_k；

式中P_a为模具压力，L为模具总长度。

所述利用内置的数据处理软件在线处理数据，确定待加工模具的位置和作业轨迹中，数据处理软件的数据预处理方法包括：

步骤一、训练子集选择与生成：每一条信息称为一个训练样本，若干训练样本组成训练集；若训练样本有k类，k≥2；则依据训练样本类别，由两类样本组成

个训练子集，训练子集X_n表示为：

X_n＝{{x_i}，{x_j}}；

其中，

i，j∈{1，2，…，n}i，j∈{1，2，…，n}且i≠j,{x_i}和{x_j}分别表示训练集中第i和第j类样本的集合；

步骤二、利用训练子集X_n生成Fisher判别模型y_n＝f_n(x)：

步骤三、非线性连续型函数映射方法包括：

利用非线性连续函数对分类器组输出

进行映射，令

为第n个分类器输出的非线性映射且：

其中a(a>0)是为增强算法泛化性能而引入的松弛变量；若分类器组由k个分类器组成，则

为数据预处理结果。

所述步骤二具体包括：

1)求X_n中i，j两类样本的均值

和

2)求类内散度矩阵S_wn：

其中

是

的转置矩阵；

3)求类间散度矩阵S_bn：

4)求投影方向W_n：

W_n＝S_wn ^-1·S_bn；

5)求判别阈值w_0n：

则得训练子集X_n对应的判别模型：y_n＝f_n(x)＝W_n·x-w_0n；

6)求出每个训练子集对应的判别模型，生成

个分类器，形成分类器组，则分类器组输出

表示为：

所述数据处理终端对模具的运行状态进行控制包括：

步骤1，分别进行至少两组由震动传感器检测的位移，得到每个震动传感器的测量值αij，其中，i表示第几组测量值，i为大于1的自然数，j表示震动传感器的编号；

步骤2，针对每个震动传感器，每次测量值αij对应于角度偏差kj和垂直偏差cj建立方程：

(α11-c1)×k1＝(α12-c2)×k2＝(α13-c3)×k3＝…＝(α1j-cj)×kj

(α21-c1)×k1＝(α22-c2)×k2＝(α23-c3)×k3＝…＝(α1j-cj)×kj；

步骤3，以任一震动传感器作为基准参考点，计算其余震动传感器的角度偏差比值和垂直偏差；

步骤4，根据垂直偏差和角度偏差比值对震动情况进行判定。

根据本发明公开实施例的第二方面，提供一种智能模具控制***，用于信息处理终端，所述智能模具控制***包括：

压力传感器，用于在模具的关键部位，对压力值进行采集，获得冲压强度，并反馈给所述数据处理终端，控制模具成品的薄厚厚度；

数据处理终端，用于根据冲压强度计算模型实时得出磨具压力的计算值，获得模具成品的薄厚厚度；

温度传感器，用于采集模具关键部位地温度，并反馈给所述数据处理终端，自动调用水冷装置，对模具进行恒温控制；

震动传感器，用于检测模具的工作状态，并反馈给所述数据处理终端，对模具的运行状态进行控制。

根据本发明公开实施例的第三方面，提供一种智能模具，所述智能模具搭载所述的智能模具控制***，并实施所述的控制方法。

根据本发明公开实施例的第四方面，提供一种用于智能模具控制的数据处理终端，所述用于智能模具控制的数据处理终端包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述的控制方法。

根据本发明公开实施例的第五方面，提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行所述的控制方法。

本发明公开的实施例提供的技术方案可以包括以下有益效果：

本发明在模具的关键部位，设计时，加入压力传感器，通过对压力值的反馈，获得冲压强度，保证成品的薄厚一致。加入温度传感器，自动调用水冷装置，保证模具恒温，加入震动传感器检测模具的工作状态，保证设备健康运行。

本发明根据压力传感器结合模具关键部位形状，对模具关键部位压力初步的推算。

数据处理终端根据冲压强度计算模型实时得出磨具压力的计算值，获得模具成品的薄厚厚度；

通过温度传感器采集模具关键部位地温度，并反馈给所述数据处理终端，自动调用水冷装置，对模具进行恒温控制；

通过加入震动传感器检测模具的工作状态，并反馈给所述数据处理终端，对模具的运行状态进行控制；所述震动传感器检测模具的工作状态包括：

将震动传感器放置于待加工模具，进行震动传感器初始化操作；

在待加工模具操作震动传感器，记录震动传感器数据；

利用内置的数据处理软件在线处理数据，确定待加工模具的位置和作业轨迹，在线监测移动数据的范围和质量，在显示设备可视化；

部分或全部作业区域完成后，将数据上传至数据处理终端；

处理所采集的数据，确定作业过程中的位置轨迹；

生成空间移动扫描点云，生成所测区域的二维和三维模具模型图；

处理泛在定位信号数据，用得到的位置标定模具数据位置，生成泛在信号定位特征库或定位信标源的位置，用于泛在信号定位计算；

处理同步的视觉和物理环境数据，从数据中提取相关信息，并用得到的位置标定模具数据和空间位置；

输出模具模型图、泛在定位信号特征或定位信标源的位置、视觉和物理环境空间信息多维空间信息数据，用于标定位置服务应用。实现了模具地智能控制。

当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

图1是本发明实施例提供的智能模具控制流程图。

图2是本发明实施例提供的智能模具控制***示意图。

图2中：1、压力传感器；2、数据处理终端；3、温度传感器；4、震动传感器。

图3是本发明实施例提供的数据处理终端根据冲压强度计算模型实时得出磨具压力的计算值，获得模具成品的薄厚厚度流程图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

如图1所示，本发明公开一种智能模具控制方法，应用于数据处理终端，所述智能模具控制方法包括：

S101，在模具的关键部位，通过压力传感器对压力值进行采集，获得冲压强度，并反馈给所述数据处理终端，控制模具成品的薄厚厚度。

步骤S101中，根据压力传感器结合模具关键部位形状，对模具关键部位压力初步的推算，根据公式：

推导计算得到冲压强度计算模型：

式中p_l-冲压强度p_a；d-模具关键部位内半径mm；D_p-模具关键部位外半径mm；D-模具半径mm；ρ-模具密度kg/m³；L-模具长度mm；f-摩阻系数；

-模具在冲压中的平均冲压速率，m/s；

数据处理终端根据冲压强度计算模型实时得出磨具压力的计算值，获得模具成品的薄厚厚度；

S102，通过温度传感器采集模具关键部位地温度，并反馈给所述数据处理终端，自动调用水冷装置，对模具进行恒温控制。

S103，通过加入震动传感器检测模具的工作状态，并反馈给所述数据处理终端，对模具的运行状态进行控制。

步骤S103中，所述震动传感器检测模具的工作状态包括：

将震动传感器放置于待加工模具，进行震动传感器初始化操作；

在待加工模具操作震动传感器，记录震动传感器数据；

利用内置的数据处理软件在线处理数据，确定待加工模具的位置和作业轨迹，在线监测移动数据的范围和质量，在显示设备可视化；

部分或全部作业区域完成后，将数据上传至数据处理终端；

处理所采集的数据，确定作业过程中的位置轨迹；

生成空间移动扫描点云，生成所测区域的二维和三维模具模型图；

处理泛在定位信号数据，用得到的位置标定模具数据位置，生成泛在信号定位特征库或定位信标源的位置，用于泛在信号定位计算；

处理同步的视觉和物理环境数据，从数据中提取相关信息，并用得到的位置标定模具数据和空间位置；

输出模具模型图、泛在定位信号特征或定位信标源的位置、视觉和物理环境空间信息多维空间信息数据，用于标定位置服务应用。

如图2所示，本发明提供一种智能模具控制***，用于信息处理终端，所述智能模具控制***包括：

压力传感器1，用于在模具的关键部位，对压力值进行采集，获得冲压强度，并反馈给所述数据处理终端，控制模具成品的薄厚厚度；

数据处理终端2，用于根据冲压强度计算模型实时得出磨具压力的计算值，获得模具成品的薄厚厚度；

温度传感器3，用于采集模具关键部位地温度，并反馈给所述数据处理终端，自动调用水冷装置，对模具进行恒温控制；

震动传感器4，用于检测模具的工作状态，并反馈给所述数据处理终端，对模具的运行状态进行控制。

下面结合具体实施例对本发明技术方案作进一步描述。

实施例1

如图3所示，数据处理终端根据冲压强度计算模型实时得出磨具压力的计算值，获得模具成品的薄厚厚度包括：

S201，所述数据处理终端对压力传感器得到模具压力的实时测量数据；

S202，对实时测量得到模具压力的计算值进行多项式拟合，修正测量实时计算模具压力模型；

S203，利用修正后的实时计算模具压力模型进行实时跟踪，并与模具形状进行比对，进而自动判断模具压力随测量数据的适宜度。

所述自动判断模具压力随测量数据的适宜度包括：

拟合函数为

将模具压力估计值，以及历史测量值整理，共修正n个数据，确定拟合次数k，将要修正的历史数据(L_i,Pa_i)代入，列表计算得线性方程组：

该线性方程组为正定矩阵，因此存在唯一解，求出a₀,a₁,a₂....a_k；

式中P_a为模具压力，L为模具总长度。

实施例2

本发明利用内置的数据处理软件在线处理数据，确定待加工模具的位置和作业轨迹中，数据处理软件的数据预处理方法包括：

步骤一、训练子集选择与生成：每一条信息称为一个训练样本，若干训练样本组成训练集；若训练样本有k类，k≥2；则依据训练样本类别，由两类样本组成

个训练子集，训练子集X_n表示为：

X_n＝{{xi}，{x_j}}；

其中，

i，j∈{1，2，…，n}i，j∈{1，2，…，n}且i≠j,{x_i}和{x_j}分别表示训练集中第i和第j类样本的集合；

步骤二、利用训练子集X_n生成Fisher判别模型y_n＝f_n(x)：

步骤三、非线性连续型函数映射方法包括：

利用非线性连续函数对分类器组输出

进行映射，令

为第n个分类器输出的非线性映射且：

其中a(a>0)是为增强算法泛化性能而引入的松弛变量；若分类器组由k个分类器组成，则

为数据预处理结果。

所述步骤二具体包括：

1)求X_n中i，j两类样本的均值

和

2)求类内散度矩阵S_wn：

其中

是

的转置矩阵；

3)求类间散度矩阵S_bn：

4)求投影方向W_n：

W_n＝S_wn ^-1·S_bn；

5)求判别阈值w_0n：

则得训练子集X_n对应的判别模型：y_n＝f_n(x)＝W_n·x-w_0n；

6)求出每个训练子集对应的判别模型，生成

个分类器，形成分类器组，则分类器组输出

表示为：

所述数据处理终端对模具的运行状态进行控制包括：

步骤1，分别进行至少两组由震动传感器检测的位移，得到每个震动传感器的测量值αij，其中，i表示第几组测量值，i为大于1的自然数，j表示震动传感器的编号；

步骤2，针对每个震动传感器，每次测量值αij对应于角度偏差kj和垂直偏差cj建立方程：

(α11-c1)×k1＝(α12-c2)×k2＝(α13-c3)×k3＝…＝(α1j-cj)×kj

(α21-c1)×k1＝(α22-c2)×k2＝(α23-c3)×k3＝…＝(α1j-cj)×kj；

步骤3，以任一震动传感器作为基准参考点，计算其余震动传感器的角度偏差比值和垂直偏差；

步骤4，根据垂直偏差和角度偏差比值对震动情况进行判定。

本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由所附的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围应由所附的权利要求来限制。

Claims (10)

1.一种智能模具控制方法，其特征在于，应用于数据处理终端，所述智能模具控制方法包括：

在模具的关键部位，通过压力传感器对压力值进行采集，获得冲压强度，并反馈给所述数据处理终端，控制模具成品的薄厚厚度；

根据压力传感器结合模具关键部位形状，对模具关键部位压力初步的推算，根据公式：

推导计算得到冲压强度计算模型：

式中：p_l-冲压强度p_a；d-模具关键部位内半径mm；D_p-模具关键部位外半径mm；D-模具半径mm；ρ-模具密度kg/m³；L-模具长度mm；f-摩阻系数；

-模具在冲压中的平均冲压速率，m/s；

数据处理终端根据冲压强度计算模型实时得出磨具压力的计算值，获得模具成品的薄厚厚度；

通过温度传感器采集模具关键部位地温度，并反馈给所述数据处理终端，自动调用水冷装置，对模具进行恒温控制；

通过加入震动传感器检测模具的工作状态，并反馈给所述数据处理终端，对模具的运行状态进行控制；所述震动传感器检测模具的工作状态包括：

将震动传感器放置于待加工模具，进行震动传感器初始化操作；

在待加工模具操作震动传感器，记录震动传感器数据；

利用内置的数据处理软件在线处理数据，确定待加工模具的位置和作业轨迹，在线监测移动数据的范围和质量，在显示设备可视化；

部分或全部作业区域完成后，将数据上传至数据处理终端；

处理所采集的数据，确定作业过程中的位置轨迹；

生成空间移动扫描点云，生成所测区域的二维和三维模具模型图；

处理泛在定位信号数据，用得到的位置标定模具数据位置，生成泛在信号定位特征库或定位信标源的位置，用于泛在信号定位计算；

处理同步的视觉和物理环境数据，从数据中提取相关信息，并用得到的位置标定模具数据和空间位置；

输出模具模型图、泛在定位信号特征或定位信标源的位置、视觉和物理环境空间信息多维空间信息数据，用于标定位置服务应用。

2.根据权利要求1所述的智能模具控制方法，其特征在于，所述数据处理终端根据冲压强度计算模型实时得出磨具压力的计算值，获得模具成品的薄厚厚度进一步包括：

第一步，所述数据处理终端对压力传感器得到模具压力的实时测量数据；

第二步，对实时测量得到模具压力的计算值进行多项式拟合，修正测量实时计算模具压力模型；

利用修正后的实时计算模具压力模型进行实时跟踪，并与模具形状进行比对，进而自动判断模具压力随测量数据的适宜度。

3.根据权利要求2所述的智能模具控制方法，其特征在于，所述自动判断模具压力随测量数据的适宜度包括：

拟合函数为

将模具压力估计值，以及历史测量值整理，共修正n个数据，确定拟合次数k，将要修正的历史数据(L_i,Pa_i)代入，列表计算得线性方程组：

该线性方程组为正定矩阵，因此存在唯一解，求出a₀,a₁,a₂....a_k；

式中P_a为模具压力，L为模具总长度。

4.根据权利要求1所述的智能模具控制方法，其特征在于，所述利用内置的数据处理软件在线处理数据，确定待加工模具的位置和作业轨迹中，数据处理软件的数据预处理方法包括：

步骤一、训练子集选择与生成：每一条信息称为一个训练样本，若干训练样本组成训练集；若训练样本有k类，k≥2；则依据训练样本类别，由两类样本组成

个训练子集，训练子集X_n表示为：

X_n＝{{x_i}，{x_j}}；

其中，

且i≠j，{x_i}和{x_j}分别表示训练集中第i和第j类样本的集合；

步骤二、利用训练子集X_n生成Fisher判别模型y_n＝f_n(x)：

步骤三、非线性连续型函数映射方法包括：

利用非线性连续函数对分类器组输出

进行映射，令

为第n个分类器输出的非线性映射且：

其中a(a＞0)是为增强算法泛化性能而引入的松弛变量；若分类器组由k个分类器组成，则

为数据预处理结果。

5.根据权利要求4所述的智能模具控制方法，其特征在于，所述步骤二具体包括：

1)求X_n中i，j两类样本的均值

和

2)求类内散度矩阵S_wn：

其中

是

的转置矩阵；

3)求类间散度矩阵S_bn：

4)求投影方向W_n：

W_n＝S_wn ^-1·S_bn；

5)求判别阈值w_0n：

则得训练子集X_n对应的判别模型：y_n＝f_n(x)＝W_n·x-w_0n；

6)求出每个训练子集对应的判别模型，生成

个分类器，形成分类器组，则分类器组输出

表示为：

6.根据权利要求1所述的智能模具控制方法，其特征在于，所述数据处理终端对模具的运行状态进行控制包括：

步骤1，分别进行至少两组由震动传感器检测的位移，得到每个震动传感器的测量值αij，其中，i表示第几组测量值，i为大于1的自然数，j表示震动传感器的编号；

步骤2，针对每个震动传感器，每次测量值αij对应于角度偏差kj和垂直偏差cj建立方程：

(α11-c1)×k1＝(α12-c2)×k2＝(α13-c3)×k3＝…＝(α1j-cj)×kj

(α21-c1)×k1＝(α22-c2)×k2＝(α23-c3)×k3＝…＝(α1j-cj)×kj；

步骤3，以任一震动传感器作为基准参考点，计算其余震动传感器的角度偏差比值和垂直偏差；

步骤4，根据垂直偏差和角度偏差比值对震动情况进行判定。

7.一种实现如权利要求1-6任意一项所述智能模具控制方法的智能模具控制***，其特征在于，用于信息处理终端，所述智能模具控制***包括：

压力传感器，用于在模具的关键部位，对压力值进行采集，获得冲压强度，并反馈给所述数据处理终端，控制模具成品的薄厚厚度；

数据处理终端，用于根据冲压强度计算模型实时得出磨具压力的计算值，获得模具成品的薄厚厚度；

温度传感器，用于采集模具关键部位地温度，并反馈给所述数据处理终端，自动调用水冷装置，对模具进行恒温控制；

震动传感器，用于检测模具的工作状态，并反馈给所述数据处理终端，对模具的运行状态进行控制。

8.一种智能模具，其特征在于，所述智能模具搭载权利要求7所述的智能模具控制***，并实施权利要求1-6任意一项所述的智能模具控制方法。

9.一种用于智能模具控制的数据处理终端，其特征在于，所述用于智能模具控制的数据处理终端包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1-6任意一项所述的智能模具控制方法。

10.一种计算机可读存储介质，其特征在于，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行权利要求1-6任意一项所述的智能模具控制方法。

Images