CN116852665A - 一种基于混合模型的注塑工艺参数智能调节方法 - Google Patents
一种基于混合模型的注塑工艺参数智能调节方法 Download PDFInfo
- Publication number
- CN116852665A CN116852665A CN202310862943.4A CN202310862943A CN116852665A CN 116852665 A CN116852665 A CN 116852665A CN 202310862943 A CN202310862943 A CN 202310862943A CN 116852665 A CN116852665 A CN 116852665A
- Authority
- CN
- China
- Prior art keywords
- injection molding
- model
- process parameter
- kriging
- target value
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 134
- 238000001746 injection moulding Methods 0.000 title claims abstract description 79
- 230000008569 process Effects 0.000 claims abstract description 85
- 230000007547 defect Effects 0.000 claims abstract description 25
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 238000004088 simulation Methods 0.000 claims abstract description 13
- 239000003795 chemical substances by application Substances 0.000 claims abstract description 6
- 238000001514 detection method Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 23
- 238000005070 sampling Methods 0.000 claims description 20
- 238000003062 neural network model Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 11
- 238000004519 manufacturing process Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000002474 experimental method Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 7
- 230000006872 improvement Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 5
- 230000001502 supplementing effect Effects 0.000 claims description 5
- 238000000540 analysis of variance Methods 0.000 claims description 4
- 238000002347 injection Methods 0.000 claims description 4
- 239000007924 injection Substances 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000012797 qualification Methods 0.000 claims description 4
- 238000013398 bayesian method Methods 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 2
- 238000013507 mapping Methods 0.000 abstract 1
- 238000005259 measurement Methods 0.000 abstract 1
- 230000035945 sensitivity Effects 0.000 abstract 1
- 230000000007 visual effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000012778 molding material Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
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
- B29C45/78—Measuring, controlling or regulating of temperature
-
- 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
- B29C45/77—Measuring, controlling or regulating of velocity or pressure of moulding material
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- B29C2945/76494—Controlled parameter
- B29C2945/76498—Pressure
-
- 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
- B29C2945/76494—Controlled parameter
- B29C2945/76531—Temperature
-
- 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
- B29C2945/76494—Controlled parameter
- B29C2945/76595—Velocity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- 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)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mechanical Engineering (AREA)
- Biomedical Technology (AREA)
- Manufacturing & Machinery (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Injection Moulding Of Plastics Or The Like (AREA)
Abstract
本发明公开了一种基于混合模型的注塑工艺参数智能调节方法。通过注塑制品缺陷与工艺参数的映射仿真获取Kriging代理模型的初始数据,以注塑机时间测量数据及Kriging拟合数据作为后续数据,同时定义最小信噪比函数;定义最优工艺参数组合适应度函数;定义工艺参数贡献率;确定最优初始工艺参数;构建高预测准确度的GA‑BP模型;构建基于EGO的全局优化Kriging代理模型;使用Kriging模型和GA‑BP模型进行工艺参数动态调节。本发明可解决Kriging模型计算精度高但对噪声数据敏感的问题,并结合预测模型和机器视觉检测手段,实现了注塑工艺参数动态调节,有效地提高注塑过程中的调节效率和自动化程度。
Description
技术领域
本发明属于机器学习和工业自动化技术领域,具体涉及一种基于混合模型的注塑工艺参数智能调节方法。
技术背景
注塑是一个多变量、分布参数、间歇工作、大滞后、强耦合、非线性、分散性很强的复杂过程,影响成型注塑品质量的因素很多,大致分为注塑机器参数、注塑材料参数、注塑工艺参数和扰动。工艺参数是注塑成型过程中的重要调节对象,是注塑制品质量的决定因素。
由于注塑的多参数耦合,目前注塑机注塑成型的工艺参数的调整大部分是靠熟练工人积累的经验和专业知识进行的,导致注塑制品生产质量随机性大且调整效率低。
因此,在制品模具与机器已经选定的前提下,如何将多自变量、多不可控因素的注塑过程的物理模型用数据驱动的代理模型有效替代,同时设定动态调节策略建立动态调节框架,对制品质量状态进行实时监控和反馈,并通过注塑工艺参数调节***实时动态地调节工艺参数,是提高注塑过程质量和效率的关键。
发明内容
为了解背景技术中的问题,本发明提出了一种基于混合模型的注塑工艺参数智能调节方法
本发明的技术方案包括如下步骤:
步骤1:使用拉丁超立方取样对注塑工艺中需用到的工艺参数经验范围内的值进行随机取样,并用田口正交方法对随机取样后的值进行组合获得多组实验方案;用Moldflow对实验方案进行仿真获得目标值,将仿真结果做方差分析,求得所有工艺参数的贡献率,从而确定影响注塑制品质量的主要工艺参数;
步骤2:利用步骤1的主要工艺参数构建BP-GA神经网络模型;
步骤3:构建基于EGO的全局优化Kriging代理模型;
步骤4:开始注塑生产制品,对生产过程中的注塑制品进行周期性检测,获得多组工艺参数组合数据及其对应的目标值;
步骤5:从步骤4的多组工艺参数组合数据中选择有效数据计算信噪比,并更新GA-BP神经网络模型,同时通过拉丁超立方进行采样和EGO全局优化方法进行针对性加点,补充并更新Kriging模型的训练数据,重新训练Kriging预测模型;
步骤6:实时对生产过程中注塑制品的目标值进行视觉监测并检查是否超过设定阈值,对超过阈值的目标值对应的工艺参数进行修正,将修正后的工艺参数输入GA-BP神经网络模型,预测信噪比值并判断信噪比是否符合设定范围,若超过阈值,则继续进行工艺参数修正,直到符合信噪比要求;
步骤7:将步骤6得到的符合信噪比要求的工艺参数组合输入Kriging模型,预测注塑制品的目标值并判断是否满足设定阈值:
若不满足,返回步骤6继续修正工艺参数;
若满足,则得到既符合信噪比要求也符合质量标准的工艺参数组合;
步骤8:使用步骤7最终得到的工艺参数组合对注塑机进行工艺参数调整,将调整后的注塑机的实际缺陷检测结果与步骤7预测的目标值进行对比,并将误差反馈给Kriging模型后进行修正;
通过步骤6~8形成注塑工艺参数的动态调节***。
所述步骤1)中,通过下述公式计算工艺参数贡献率θ:
式中,SSt为总平方和,SSi为各工艺参数的平方和,SSe为误差平方和,y为响应值,为所有实验的指标和,Ti为各工艺参数同一水平实验指标和,N为总实验次数,n为因素个数;DFi=ai-1,DFT=N-1,ai为第i个因素的水平数;F为统计量,MSB为组间方差,MSE为组内方差;
贡献率θ=SeqSSi/∑SeqSSi;
式中,
式中,sj表示缺陷归一化平均值,n为工艺参数的个数,i表示第i个工艺参数;
所述步骤1中的主要工艺参数为贡献率大于5%的工艺参数。
所述目标值包括注塑制品的缺陷、光泽度等其他主要质量判断依据。
所述步骤2具体为:
2.1)选用主要工艺参数(熔体温度x1、模具温度x2,注射速率x3,保压时间x4,保压压力x5)作为BP-GA神经网络的输入,以对应的信噪比值作为输出,对BP-GA神经网络模型进行训练;
2.2)增加样本数量:使用拉丁超立方取样方法在工艺参数区间范围内进行随机取样获得工艺参数组合作为增加的样品,并用仿真或实际实验获得对应的目标值;
2.3)优化BP-GA神经网络结构:通过减少隐含层节点简化模型结构,具体通过下式确定隐含层节点数:
h=log2m
式中,h为隐含层节点数;m为输入层节点数;l为输出层节点数;α为常数,取1~10中的整数;
2.4)使用贝叶斯方法优化模型的权值和阈值,保证模型拟合准确,以使预测精度满足需要,从而完成BP-GA神经网络模型的构建。
所述步骤3具体为:
3.1)利用初始样本构造Kriging模型:
初始样本包括步骤1确定的主要工艺参数和步骤2通过拉丁超立方取样方法增加的工艺参数,以及所有工艺参数对应的目标值;
3.2)对样本数据X*进行归一化处理;
3.3)使用拉丁超立方采样及EGO全局优化获取新样本点:
在工艺参数范围内进行拉丁超立方取样得到M个新样本点;
通过最小化响应面和最大化期望改进函数确定新的样本点,公式如下:
式中,x(i)表示第i个新样本点,包含的特征有工艺参数组合及目标值,i∈{1,2,…M},x(i)∈X={x(1),...,x(i),...x(M)};y(x(i))为样本x(i)经实验或仿真后获得的目标值;
改善量定义为I=max(y*-y(x(i)),0),y为样本的目标值
期望改进函数EI(x(i))为:
式中,CDF和PDF为积累分布函数和概率密度函数;y(μ(x))为步骤3.2)的样本数据加上样本点x(i)的工艺参数使用kriging模型获得的目标值均值,σ(x)为步骤3.2)的样本数据加上样本点x(i)的工艺参数的方差;
选取EI(x)最大时对应的x(i)作为新样本点x*,将x*加入X*,获得新的集合X*,使用更新后的样本数据集X*对Kriging代理模型进行重新拟合完成更新;
3.4)对更新后的Kriging模型预测误差项:
Kriging模型的优化目标是预测误差最小,目标函数如下:
式中,为目标函数,y为样本的目标值,/>为样本目标值的预测值;gj(x)是目标函数/>的约束函数;/>分别是样本x中工艺参数xi的上下限,x∈X*;Nc是约束的个数;
3.5)当目标函数不小于设定目标值时,重复3.3)~3.4);
当目标函数小于设定目标值,停止对Kriging模型的更新,从而完成基于EGO的全局优化Kriging模型的构建。
所述步骤2和步骤5中,通过下述信噪比函数得到工艺参数对应的信噪比:
其中,SNR为信噪比;为所有样本目标值的平均值;/>为样本点x(i)在第m次重复仿真实验下的目标值;t为目标值;S2为方差;
其中,N表示实验重复次数。
所述步骤5中的有效数据为选取注塑机进入稳定生产的时间段对应的工艺参数,即为样本数据X′。
所述步骤5中:
对GA-BP神经网络模型进行更新的方法为步骤2.3)~2.4);
补充并更新Kriging模型的训练数据的方法为步骤3.3)~3.5)。
所述步骤6中,根据经验规则、动态规则以及总结的定性规律对工艺参数进行修正,具体规则如下:
设定各个工艺参数xi的保守化阈值合格阈值/>和变化度阈值/>计算检测周期T1内的工艺参数时间序列/>的变化率序列/>和整体变化率/>设定调节系数θ,θ根据经验设定,θ∈(-1,1);
a)当待修正的目标值未超过保守化阈值,直接判断为不进行工艺参数调节;
b)当待修正的目标值大于保守化阈值小于等于合格阈值时,进行工艺参数变化度判断:变化度小于变化度阈值时,不进行注塑工艺参数调整;反之,对工艺参数进行工艺参数微调整,调节依据为:
将最末的时间长度为T1的一段序列与θ相乘获得/>并以/>时间序列的间隔t为依据,以N个间隔为一个周期,每个间隔对应的工艺参数为调节目标,对各工艺参数进行逐步调节;
c)当待修正的目标值大于合格阈值时,跳过变化度判断条件,进行工艺参数调整,调整的依据为:对kriging预测模型上的点进行多目标寻优,获得使待修正的目标值最优的工艺参数组合。
本发明的有益效果:
本发明方法可以将人工驱动的注塑工艺参数调整升级为数据驱动的注塑工艺参数调节,通过实时监控获得制品质量数据,实现对注塑制品动态工艺参数调节,有效提高注塑过程的质量和效率。
附图说明
图1为注塑初始工艺参数确定流程图;
图2为注塑工艺参数动态调节流程图。
具体实施方式
下面结合附图和实施例对本发明做进一步说明。
如图1所示:
步骤1:设定信噪比函数:
其中,SNR为信噪比,指第m次重复仿真实验下的目标值(工艺参数对应的注塑制品缺陷值),t为目标值;
其中,N表示重复次数;
步骤2:定义最优工艺参数组合适应度函数:
s.t.
LSj≤xj≤USj;j=1,2,…n
式中,T(X)为目标函数;s表示缺陷的总数量;Psni为第i个缺陷的信噪比预测值;SNi为第i个缺陷值的最高信噪比值;xj为注塑过程的工艺参数;LSj,USj分别为工艺参数的下限和上限;n为工艺参数的总数;
步骤3:定义工艺参数贡献率:
式中,SSt为总平方和,SSi为各工艺参数的平方和,SSe为误差平方和,y为响应值,T为所有实验的指标和,Ti为各工艺参数同一水平实验指标和,N为总实验次数,n为因素个数;DFi=ai-1,DFT=N-1,ai为第i个因素的水平数;F为统计量,MSB为组间方差,MSE为组内方差;
贡献率θ=Seq SSi/∑Seq SSi;sj表示缺陷归一化平均值。
步骤4:基于田口正交方法及方差分析,确定最优初始工艺参数;
4.1:通过田口正交方法对所有工艺参数进行组合得到多组实验方案,用Moldflow对实验方案进行仿真,将仿真结果做方差分析,求得所有工艺参数的贡献率,影响制品质量的主要工艺参数;
主要工艺参数的贡献率大于5%,排除贡献率小于5%的工艺参数;
4.2:将正交试验工艺参数组合与对应的信噪比S/N数据放入BP-GA神经网络进行训练,建立预测模型,具体如下表所示;
工艺参数计算表
4.3:计算各工艺参数的贡献率:
方差分析结果表
用BP-GA预测最小信噪比,并获得对应的工艺参数组合,并将其作为注塑初始工艺参数组合。
步骤5:构建GA-BP模型,并提高其预测准确度;
步骤5中的GA-BP网络构建具体包括以下几个步骤:
5.1:选用主要工艺参数(熔体温度x1、模具温度x2,注射速率x3,保压时间x4,保压压力x5)作为BP神经网络输入,以信噪比值作为输出,对BP-GA神经网络模型进行训练;
5.2:使用拉丁超立方取样方法在工艺参数区间范围内进行随机取样获得工艺参数组合,增加样本数量;
5.3:优化神经网络结构,减少隐含层接点,简化模型结构;
确定隐含层节点数:
h=log2 m
式中:h为隐含层节点数,n为输入层节点数,s为输出层节点数,α为常数,1~10的整数;
5.4:使用贝叶斯方法优化模型的权值和阈值,保证模型拟合准确,以使预测精度满足需要
步骤6:构建基于EGO的全局优化Kriging代理模型,具体包括以下几个步骤:
6.1:利用初始离散数据样本构造Kriging模型;
初始样本为步骤4和步骤5的全部工艺参数组合及其对应的缺陷值;
6.2:对样本数据X*进行归一化处理:
6.3:使用拉丁超立方采样及EGO全局优化获取新样本点:
通过最小化响应面和最大化期望改进函数(EI)获得新的样本点,公式如下:
式中:x(i)表示第i个新样本点,i∈{1,2,…M},x(i)∈X={x(1),...,x(i),...x(M)};y(x(i))为样本x(i)经实验或仿真后获得的目标值;
改善量定义为I=max(y*-y(x(i)),0),y为样本的目标值
期望改进函数为:
式中,CDF和PDF指积累分布函数和概率密度函数;
选取EI(x)最大时对应的x(i)作为新样本点x*,将x*加入X*;
6.4:对更新后的Kriging模型预测误差项:
Kriging模型的优化目标是将预测误差最小,目标函数如下:
式中,为目标函数;gi(x)是约束函数;xu,xl分别是工艺参数x的上下限;Nc是约束的个数;
6.5:重复6.3~6.4,直至目标函数小于设定目标值,停止对Kriging模型的更新。
步骤7:使用Kriging模型和GA-BP模型进行工艺参数动态调节。
如图2所示,步骤7中的动态调节方法具体包括以下几个步骤:
7.1选定注塑产品,通过田口正交实验进行多工艺参数为变量多制品缺陷种类为指标的实验设计,通过Moldflow获得仿真数据,确定多种缺陷的主要工艺参数及工艺参数对制品各种缺陷的影响显著性,根据结果确定多缺陷种类指标的显著影响因素组合;
7.2进行实际试验获得真实数据,开始注塑生产制品;
7.3对生产过程中的注塑制品进行周期性检测,获得多组工艺参数组合数据及其对应的缺陷值,选取注塑机进入稳定生产的时间段对应的历史数据作为有效数据;通过有效数据计算信噪比,并间隔性地更新GA-BP神经网络,同时通过拉丁超立方进行采样和EGO的优化方法进行针对性加点,周期性地补充并更新Kriging模型的训练数据,重新训练Kriging预测模型;
7.4实时对注塑制品的缺陷情况进行视觉监测,如果某个缺陷或多个缺陷超过设定阈值,获得当前工艺参数及缺陷值数据,根据经验规则、动态规则以及总结的定性规律对工艺参数进行修正,将修正后的工艺参数输入GA-BP信噪比模型,预测信噪比值并判断信噪比是否符合设定范围,如果超过阈值,则继续进行工艺参数修正,直到符合信噪比要求;
7.5将得到的符合信噪比要求的工艺参数组合带入Kriging模型,预测注塑制品的缺陷值并判断是否满足设定阈值,如此循环,最终得到既符合信噪比要求也符合质量标准的工艺参数组合;
对注塑机进行工艺参数调整,调整后的视觉检测结果与预测结果进行对比,将误差反馈给预测模型,并修正预测模型;
7.6综合步骤7.4和7.5形成注塑工艺参数的动态调节***。
虽然本发明已以较佳实施例揭露如上,然其并非用以限定本发明。本发明所属技术领域中具有通常知识者,在不脱离本发明的精神和范围内,当可作各种的更动与润饰。因此,本发明的保护范围当视权利要求书所界定者为准。
Claims (9)
1.一种基于混合模型的注塑工艺参数智能调节方法,其特征在于,包括以下步骤:
步骤1:使用拉丁超立方取样对注塑工艺中需用到的工艺参数经验范围内的值进行随机取样,并用田口正交方法对随机取样后的值进行组合获得多组实验方案;用Moldflow对实验方案进行仿真获得目标值,将仿真结果做方差分析,求得所有工艺参数的贡献率,从而确定影响注塑制品质量的主要工艺参数;
步骤2:利用步骤1的主要工艺参数构建BP-GA神经网络模型;
步骤3:构建基于EGO的全局优化Kriging代理模型;
步骤4:开始注塑生产制品,对生产过程中的注塑制品进行周期性检测,获得多组工艺参数组合数据及其对应的目标值;
步骤5:从步骤4的多组工艺参数组合数据中选择有效数据计算信噪比,并更新GA-BP神经网络模型,同时通过拉丁超立方进行采样和EGO全局优化方法进行针对性加点,补充并更新Kriging模型的训练数据,重新训练Kriging预测模型;
步骤6:实时对生产过程中注塑制品的目标值进行监测并检查是否超过设定阈值,对超过阈值的目标值对应的工艺参数进行修正,将修正后的工艺参数输入GA-BP神经网络模型,预测信噪比值并判断信噪比是否符合设定范围,若超过阈值,则继续进行工艺参数修正,直到符合信噪比要求;
步骤7:将步骤6得到的符合信噪比要求的工艺参数组合输入Kriging模型,预测注塑制品的目标值并判断是否满足设定阈值:
若不满足,返回步骤6继续修正工艺参数;
若满足,则得到既符合信噪比要求也符合质量标准的工艺参数组合;
步骤8:使用步骤7最终得到的工艺参数组合对注塑机进行工艺参数调整,将调整后的注塑机的实际缺陷检测结果与步骤7预测的目标值进行对比,并将误差反馈给Kriging模型后进行修正;
通过步骤6~8形成注塑工艺参数的动态调节***。
2.根据权利要求1所述的一种基于混合模型的注塑工艺参数智能调节方法,其特征在于:所述步骤1)中,通过下述公式计算工艺参数贡献率θ:
贡献率θ=Seq SSi/∑Seq SSi;
式中,
式中,sj表示缺陷归一化平均值,n为工艺参数的个数,i表示第i个工艺参数;
所述步骤1中的主要工艺参数为贡献率大于5%的工艺参数。
3.根据权利要求1所述的一种基于混合模型的注塑工艺参数智能调节方法,其特征在于:所述目标值包括注塑制品的缺陷、光泽度。
4.根据权利要求1所述的一种基于混合模型的注塑工艺参数智能调节方法,其特征在于:所述步骤2具体为:
2.1)选用主要工艺参数作为BP-GA神经网络的输入,以对应的信噪比值作为输出,对BP-GA神经网络模型进行训练;
2.2)增加样本数量:使用拉丁超立方取样方法在工艺参数区间范围内进行随机取样获得工艺参数组合作为增加的样品,并用仿真或实际实验获得对应的目标值;
2.3)优化BP-GA神经网络结构:通过减少隐含层节点简化模型结构,具体通过下式确定隐含层节点数:
h=log2m
式中,h为隐含层节点数;m为输入层节点数;l为输出层节点数;α为常数,取1~10中的整数;
2.4)使用贝叶斯方法优化模型的权值和阈值,保证模型拟合准确,以使预测精度满足需要,从而完成BP-GA神经网络模型的构建。
5.根据权利要求1所述的一种基于混合模型的注塑工艺参数智能调节方法,其特征在于:所述步骤3具体为:
3.1)利用初始样本构造Kriging模型:
初始样本包括步骤1确定的主要工艺参数和步骤2通过拉丁超立方取样方法增加的工艺参数,以及所有工艺参数对应的目标值;
3.2)对样本数据X*进行归一化处理;
3.3)使用拉丁超立方采样及EGO全局优化获取新样本点:
在工艺参数范围内进行拉丁超立方取样得到M个新样本点;
通过最小化响应面和最大化期望改进函数确定新的样本点,公式如下:
式中,x(i)表示第i个新样本点,包含的特征有工艺参数组合及目标值,i∈{1,2,…M},x(i)∈X={x(1),...,x(i),...x(M)};y(x(i))为样本x(i)经实验或仿真后获得的目标值;
期望改进函数EI(x(i))为:
式中,CDF和PDF为积累分布函数和概率密度函数;y(μ(x))为步骤3.2)的样本数据加上样本点x(i)的工艺参数使用kriging模型获得的目标值均值,σ(x)为步骤3.2)的样本数据加上样本点x(i)的工艺参数的方差;
选取EI(x)最大时对应的x(i)作为新样本点x*,将x*加入X*,获得新的集合X*,使用更新后的样本数据集X*对Kriging代理模型进行重新拟合完成更新;
3.4)对更新后的Kriging模型预测误差项:
Kriging模型的优化目标是预测误差最小,目标函数如下:
式中,为目标函数,y为样本的目标值,/>为样本目标值的预测值;gj(x)是目标函数/>的约束函数;/>分别是样本x中工艺参数xi的上下限,x∈X*;Nc是约束的个数;
3.5)当目标函数不小于设定目标值时,重复3.3)~3.4);
当目标函数小于设定目标值,停止对Kriging模型的更新,从而完成基于EGO的全局优化Kriging模型的构建。
6.根据权利要求4所述的一种基于混合模型的注塑工艺参数智能调节方法,其特征在于:通过下述信噪比函数得到工艺参数对应的信噪比:
其中,SNR为信噪比;为所有样本目标值的平均值;/>为样本点在第m次重复仿真实验下的目标值;t为目标值;S2为方差;
其中,N表示实验重复次数。
7.根据权利要求1所述的一种基于混合模型的注塑工艺参数智能调节方法,其特征在于:所述步骤5中的有效数据为选取注塑机进入稳定生产的时间段对应的工艺参数,即为样本数据X′。
8.根据权利要求4和5任一所述的一种基于混合模型的注塑工艺参数智能调节方法,其特征在于:所述步骤5中:
对GA-BP神经网络模型进行更新的方法为步骤2.3)~2.4);
补充并更新Kriging模型的训练数据的方法为步骤3.3)~3.5)。
9.根据权利要求1所述的一种基于混合模型的注塑工艺参数智能调节方法,其特征在于:所述步骤6中,根据经验规则、动态规则以及总结的定性规律对工艺参数进行修正,具体规则如下:
设定各个工艺参数xi的保守化阈值合格阈值/>和变化度阈值计算检测周期T1内的工艺参数时间序列/>的变化率序列/>和整体变化率设定调节系数θ,θ根据经验设定,θ∈(-1,1);
a)当待修正的目标值未超过保守化阈值,直接判断为不进行工艺参数调节;
b)当待修正的目标值大于保守化阈值小于等于合格阈值时,进行工艺参数变化度判断:变化度小于变化度阈值时,不进行注塑工艺参数调整;反之,对工艺参数进行工艺参数微调整,调节依据为:
将最末的时间长度为T1的一段序列与θ相乘获得/>并以/>时间序列的间隔t为依据,以N个间隔为一个周期,每个间隔对应的工艺参数为调节目标,对各工艺参数进行逐步调节;
c)当待修正的目标值大于合格阈值时,跳过变化度判断条件,进行工艺参数调整,调整的依据为:对kriging预测模型上的点进行多目标寻优,获得使待修正的目标值最优的工艺参数组合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310862943.4A CN116852665A (zh) | 2023-07-13 | 2023-07-13 | 一种基于混合模型的注塑工艺参数智能调节方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310862943.4A CN116852665A (zh) | 2023-07-13 | 2023-07-13 | 一种基于混合模型的注塑工艺参数智能调节方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116852665A true CN116852665A (zh) | 2023-10-10 |
Family
ID=88226545
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310862943.4A Pending CN116852665A (zh) | 2023-07-13 | 2023-07-13 | 一种基于混合模型的注塑工艺参数智能调节方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116852665A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117644625A (zh) * | 2024-01-30 | 2024-03-05 | 陕西美伦包装有限公司 | 一种基于机器视觉的智能注塑方法 |
CN117681400A (zh) * | 2024-01-31 | 2024-03-12 | 苏州宝富塑料制品有限公司 | 基于abs树脂复合材料的塑料护角成型处理*** |
-
2023
- 2023-07-13 CN CN202310862943.4A patent/CN116852665A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117644625A (zh) * | 2024-01-30 | 2024-03-05 | 陕西美伦包装有限公司 | 一种基于机器视觉的智能注塑方法 |
CN117644625B (zh) * | 2024-01-30 | 2024-04-05 | 陕西美伦包装有限公司 | 一种基于机器视觉的智能注塑方法 |
CN117681400A (zh) * | 2024-01-31 | 2024-03-12 | 苏州宝富塑料制品有限公司 | 基于abs树脂复合材料的塑料护角成型处理*** |
CN117681400B (zh) * | 2024-01-31 | 2024-04-16 | 苏州宝富塑料制品有限公司 | 基于abs树脂复合材料的塑料护角成型处理*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116852665A (zh) | 一种基于混合模型的注塑工艺参数智能调节方法 | |
CN107728477A (zh) | 一种工厂化水产养殖水质溶解氧预测控制方法及*** | |
US20230168643A1 (en) | Industrial internet of things based on abnormal identification, control method, and storage media thereof | |
CN101863088A (zh) | 一种橡胶混炼过程中门尼粘度的预报方法 | |
CN113095550A (zh) | 基于变分递归网络和自注意力机制的空气质量预测方法 | |
CN112734128A (zh) | 一种基于优化rbf的7日电力负荷峰值预测方法 | |
CN110542748B (zh) | 一种基于知识的鲁棒型出水氨氮软测量方法 | |
CN111985825A (zh) | 一种用于滚磨机定向仪的晶面质量评估方法 | |
CN111898799B (zh) | 一种基于BFA-Elman的电力负荷预测方法 | |
CN114678080A (zh) | 转炉终点磷含量预测模型及构建方法、磷含量预测方法 | |
CN110083065A (zh) | 一种基于流式变分贝叶斯有监督因子分析的自适应软测量方法 | |
CN115169453A (zh) | 基于密度聚类协同深度残差网络的热连轧宽度预测方法 | |
CN112651444B (zh) | 一种基于自学***稳过程异常检测方法 | |
CN101285816A (zh) | 铜锍吹炼的过程参数软测量仪表及其软测量方法 | |
CN103279030B (zh) | 基于贝叶斯框架的动态软测量建模方法及装置 | |
CN114707692A (zh) | 基于混合神经网络的湿地出水氨氮浓度预测方法及*** | |
CN111639680B (zh) | 一种基于专家反馈机制的身份识别方法 | |
CN112699229A (zh) | 基于深度学习模型的自适应推题方法 | |
CN112613909A (zh) | 一种基于改进lstm模型的农产品短期价格预测方法及装置 | |
CN115879750B (zh) | 一种水产育苗环境监控管理***及方法 | |
CN116880201A (zh) | 基于模糊神经网络的水网渠道状态控制*** | |
CN116432822A (zh) | 一种碳排放数据预测方法、***、设备及可读存储介质 | |
CN103675010A (zh) | 支持向量机的工业熔融指数软测量仪表及方法 | |
CN114926075B (zh) | 基于工时预测的机械零件生产调度方法 | |
CN115438309A (zh) | 基于lstm-svr的无人机发动机健康评估方法 |
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 |