TW201605602A - 以類神經網路結合基因演算法建構逆向模型處理系統 - Google Patents

以類神經網路結合基因演算法建構逆向模型處理系統 Download PDF

Info

Publication number
TW201605602A
TW201605602A TW103127541A TW103127541A TW201605602A TW 201605602 A TW201605602 A TW 201605602A TW 103127541 A TW103127541 A TW 103127541A TW 103127541 A TW103127541 A TW 103127541A TW 201605602 A TW201605602 A TW 201605602A
Authority
TW
Taiwan
Prior art keywords
neural network
model
processing
algorithm
process parameters
Prior art date
Application number
TW103127541A
Other languages
English (en)
Inventor
Guo-Ming Cai
Hao-Zhi Luo
Original Assignee
Nat Univ Chin Yi 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 Nat Univ Chin Yi Technology filed Critical Nat Univ Chin Yi Technology
Priority to TW103127541A priority Critical patent/TW201605602A/zh
Publication of TW201605602A publication Critical patent/TW201605602A/zh

Links

Classifications

    • 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

  • Injection Moulding Of Plastics Or The Like (AREA)

Abstract

本發明係提供一種以類神經網路結合基因演算法建構逆向模型處理系統，主要係藉由以田口實驗進行篩選出數個重要之製程參數為目標，□藉由逆向模型處理系統進行處理，該逆向模型處理系統包含一類神經網路模型及一基因演算法，處理程序係先藉由類神經網路模型建立預測模型，再藉由基因演算法產生逆向模型；藉此創新獨特設計，使本發明以倒傳遞類神經網路作為製造產品品質之預測模型，並結合基因演算法之全域搜尋最佳解之能力，逆向演算出符合產品品質需求之製程參數組合，目的是建構製造產品之製程參數的優化模式。透過此優化模式，能讓操作人員依照所需的產品品質要求，快速獲得多組適當的製程參數組合，可達到大幅縮短尋找生產產品最佳製程參數所需時間之實用進步性。

Description

以類神經網路結合基因演算法建構逆向模型處理系統
本發明係有關一種以類神經網路結合基因演算法建構逆向模型處理系統，尤其是一種透過建立預測模型來掌握最佳製程參數與成型品品質之間的關聯性之創新系統設計者。
按，在產品製程中，例如塑膠加工分別有射出成型、壓縮成型、吹入成形、擠製成型、共射成型法等，其中又以射出成型法的生產效率高、產量大、容易生產自動化，具有相當的優勢。
由於塑膠材料屬於非牛頓流體，其具有複雜且非線性的材料特性，使得在射出成型過程中，會因為溫度、剪切率、速度、壓力的不同，影響最終成型品的品質，而透過建立預測模型來掌握製程參數與成型品品質之間的關聯性，是個有效的解決辦法。另外也有許多學者探討各種最佳化方法來獲得最佳的射出成型參數組合，以及品質監控方面的研發與應用。
是以，針對上述習知流程所存在之問題點，如何開發一種更具理想實用性之創新流程，實業界使用者所殷切企盼，亦係相關業者須努力研發突破之目標及方向。有鑑於此，創作人本於多年從事相關產品之製造開發與設計經驗，針對上述之目標，詳加設計與審慎評估後，終得一確具實用性之本發明。
即，本發明之主要目的，係在提供一種以類神經網路結合基因演算法建構逆向模型處理系統；其所欲解決之問題點，係針對習知機械塑膠射出成型過程中，會因為溫度、剪切率、速度、壓力的不同，影響最終成型品的品質問題點加以改良突破； 而其解決問題之技術特點，主要係藉由(A)首先以田口實驗進行篩選各項影響產品品質的製程參數；(B)產生重要製程參數；(C)以最佳重要製程參數為目標，藉由逆向模型處理系統進行處理，該逆向模型處理系統包含一類神經網路模型及一基因演算法，處理程序係先藉由類神經網路模型建立預測模型，再藉由基因演算法產生逆向模型；(D)將處理結果透過系統進行檢查及驗證處理結果是否滿足品質要求；(E)若處理結果滿足品質要求，則將取出成型之逆向模型所產生多組最佳製程參數組合；藉此創新獨特設計，使本發明以倒傳遞類神經網路作為鏡片輪廓精度之預測模型，並結合基因演算法之全域搜尋最佳解之能力，逆向演算出符合產品品質需求之製程參數組合，目的是建構機械加工之製程參數的優化模式。透過此優化模式，能讓操作人員依照所需的品質要求，快速獲得最適當的製程參數組合，可達到大幅提昇機械加工製程品質之實用進步性。
第1圖：係本發明以類神經網路結合基因演算法建構逆向模型處理系統之實施流程示意圖。
第2圖：係本發明以類神經網路結合基因演算法建構逆向模型處理系統之另一實施流程示意圖。
第3圖：係本發明之製程參數組合為0.5μm輪廓精度參數表。
第4圖：係本發明之製程參數組合為0.7μm輪廓精度參數表。
第5圖：係本發明之製程參數組合為1μm輪廓精度參數表。
第6圖：係本發明在不同精度品質需求下可以使用的製程參數範圍參數表。
第7圖：係本發明之0.5μm輪廓精度之操作窗口圖。
第8圖：係本發明之0.7μm輪廓精度之操作窗口圖。
第9圖：係本發明之1μm輪廓精度之操作窗口圖。
第10圖：係本發明驗證實驗結果進行逆向模型之參數圖表。
第11圖：係本發明逆向模型驗證實驗誤差比較表。
第12圖：係本發明提高田口優化效果圖表。
第13圖：係本發明改善田口優化效果的確認實驗圖表。
請參閱第1圖所示，係本發明以類神經網路結合基因演算法建構逆向模型處理系統之實施流程示意圖，由圖中所知，為本發明以類神經網路結合基因演算法建構逆向模型處理系統之設計流程，主要係應用於產品製造並求取最佳製程參數的一套逆向模型處理系統，惟此等實施例僅供說明之用，在專利申請上並不受此結構之限制，其步驟包括：首先以田口實驗進行篩選各項影響產品品質之製程參數1，藉以產生顯著製程參數2後，以最佳顯著製程參數為目標，並藉由逆向模型處理系統10進行處理，該逆向模型處理系統包含一類神經網路模型及一基因演算法，處理程序係先藉由類神經網路模型建立預測模型，再藉由基因演算法產生逆向模型，最後將處理結果透過系統進行檢查及驗證處理結果是否滿足品質要求3；若驗證處理結果未滿足品質要求，則需回到逆向模型處理系統進行處理；若處理結果滿足品質要求，則將取出成型之逆向模型4所產生最佳製程參數，以便將最佳製程參數輸入於產品製造設備之控制參數選項中，以生產滿足品質要求之工業產品。實際實施時，上述步驟係利用電腦程式模擬逆向模型處理系統以計算處理最佳化之製程參數。
上述實施流程，本發明以光學鏡片的輪廓精度為實施例，使用類神經網路搭配基因演算法建構射出成型之逆向模型舉例說明如下：本實施例之射出成型機設備係使用德國ARBURG公司所生產的220S 250-60型精密射出成型機進行射出成型實驗。此機台採用精密的閉迴路系統，使油壓閥作動時能快速且準確，而鎖模裝置採用液壓鎖模系統，最大鎖模力為25kN。以及使用美國ZYGO公司所生產的GPI-XP 4”雷射干涉儀進行鏡片輪廓精度的量測。此設備可量測光學鏡片的表面形貌與平凸鏡片之曲率半徑，其原理是利用鏡片表面特徵所造成的雷射光相位變化來進行表面形狀的量測，主機之最高精度可達λ/1000，實際量測精度則由標準鏡來決定，通常為λ/10及λ/20。以及使用一模四穴之光學鏡片模具，其光學鏡片為平凸(Plano-convex)之球面鏡片，鏡片最大直徑為13mm，鏡片中心 最大厚度為1mm，球面曲率半徑為50mm。
(A)首先使用田口實驗設計進行篩選影響鏡片輪廓精度的顯著製程參數(控制因子)實驗，並以L18(21×37)之直交表進行，挑選出八個製程參數，分別為熔膠溫度、射出速度、射出壓力、保壓切換位置、保壓壓力、保壓時間、模具溫度與冷卻時間。而各製程參數之水準是依照實際機台測試後，決定製程參數的水準範圍，其中，熔膠溫度與模具溫度是根據料商建議的溫度範圍，其因子水準配置如下表所示：
田口實驗之鏡片輪廓精度量測結果與計算望小特性之訊號/雜訊比(S/N比)如下圖所示，其中，鏡片之輪廓精度為量測五片鏡片之平均值。接著透過訊號/雜訊比來繪製鏡片輪廓精度之反應圖與回應表。由訊號/雜訊比之回應圖與回應表可以直觀看出影響鏡片輪廓精度的顯著因子依序為模具溫度、保壓壓力與冷卻時間，並由回應表中獲得較高訊號/雜訊比的參數與水準作為最佳參數組合。
其田口產生最佳參數組合為A2、B2、C3、D3、E2、F2、G2、H3，即為熔膠溫度240℃、射出速度90mm/s、射出壓力110MPa、保壓切換位置6.36mm、保壓時間7sec、保壓壓力110MPa、模具溫度85℃、冷卻時間25sec。再利用田口實驗結果之訊號/雜訊比來進行變異數分析，如下表所示：
透過變異數分析的F統計值，在顯著水準α=0.05下，評估製程參數對於鏡片輪廓精度的影響是否顯著，並將影響不顯著之製程參數合併至誤差項內，如下表所示：
(B)產生顯著因子：經合併誤差項後可發現，對於鏡片輪廓精度來說，其影響顯著的因子為模具溫度、冷卻時間與保壓壓力。從上述變異數分析得知，F(保壓壓力)、G(模具溫度)、H(冷卻時間)為影響顯著之因子，其計算最佳因子水準之訊號/雜訊比過程如下：
2.信賴區間計算
以最佳因子水準組合進行五次實驗，其中F0.05；1；11=4.84；Ve=0.6207；r=5。其信賴區間計算過程如下： 其預測雜訊比在95%(α=0.05)的信賴區間為
經由信賴區間的計算結果，可獲得最佳因子水準組合之訊號/雜訊比範 圍為6±1.33(4.67~7.33)dB。因此以最佳因子水準組合進行實際射出實驗，由下圖所示為驗證實驗表，由驗證結果得知，其最佳因子水準之雜訊比都有落入信賴區間內，即代表田口實驗的結果是可信賴的。
(C)以最佳顯著因子之製程參數為目標，並藉由逆向模型處理系統進行處理，該逆向模型處理系統包含一類神經網路模型及一基因演算法，處理程序係先藉由類神經網路模型建立預測模型，再藉由基因演算法產生逆向模型；本發明利用單隱藏層之倒傳遞類神經網路作為鏡片輪廓精度之預測模型，其架構如下圖所示：
而在建立監督式類神經網路時，以全因子實驗的結果，共81組數據．將其中60組數據作為訓練樣本，進行網路模式的學習，另外21組數據作為測試樣本。決定網路的收斂步距、方位與停止點。而本發明所建立的倒傳遞類神經網路棋型其訓練方式是以Levenberg-Marquardt演算法進行，該演算法能有較快的網路收斂速度，其網路訓練的相關設定如下表所示：倒傳遞類神經網路訓練參數設定
類神經網路的訓練過程中，性能函數主要是判斷網路推論值與目標值之間的誤差大小，訓練過程之均方誤差收斂曲線如下圖所示：
(D)將處理結果透過系統進行檢查及驗證處理結果是否滿足品質要求；本實施例係先以判定係數判定測試樣本帶入訓練後之類神經網路進行測試，將其推論值與測試樣本之目標值做比較，判定測試樣本與類神經網路模式之間的擬合程度。不同隱藏層神經元數目之比較結果如下表所示：
從上表發現神經元的數目越多，其網路系統的均方誤差會越小，但相對的判定係數卻會變低。這是因為當神經元數目增加時，雖然可將網路推論值與目標值間的誤差降低，但可能造成過度擬合的問題。即訓練過程中，誤差達到一個非常小的值，但是當提供網路測試樣本時，其誤差反而變大。另外，從結果可得知4個神經元與6個神經元的判定係數較高，因此將繪製這兩種神經元配置下，網路訓練過程中的推論值與目標值之間的誤差曲線圖來進行討論，分別為下面二圖所示；
比較兩者結果可得知，4個神經元的判定係數雖然較好，但因為訓練過程中的均方誤差較大，導致網路推論值與目標值之間的擬合程度較差，這可能會造成後續建立逆向模型時有較大的誤差，因此決定網路架構以6個神經元的配置作為隱藏層內的神經元數目是較為恰當的。而類神經網路推論值與21組測試組間的平均誤差為4.89%，其R2為0.9675，如下圖所示：
(E)若處理結果滿足品質要求，則將取出成型之逆向模型所產生最佳製程參數組。該步驟(D)之驗證處理結果未滿足品質要求，則需回到逆向模型處理系統進行處理。
如第2圖所示，以類神經網路結合基因演算法建構逆向模型處理系統，更包含有一處理步驟，首先將製程參數以二進位的方式進行編碼101，並且隨機產生初始的製程參數組合102，以類神經網路品質預測模型作為基因演算法中的適應函數103，計算各參數組合的適應值，判定是否符合品質目標104；如果有，則為最佳參數105並結束步驟；如果沒有，將透過基因演算法中的演化過程106，求得符合適應函數目標之製程參數組合107，而在演化過程中，基因演算法會將適應值較高的參數組合保留到下個世代進行交配，以便獲得更佳的製程參數組合，接著將新的製程參數組合再次透過品質預測模型計算適應值，並且判定是否符合品質目標，重複此演化過 程，直到該製程參數組合的適應值符合所設定的要求，即可獲得最佳的製程參數組合。
上述實施流程舉例說明如下：
(A)首先將製程參數進行二進位編碼，其基因的字串長度決定該製程參數的精度，令機台設定的最小解析度為1MPa，而保壓壓力的搜尋範圍為100~120MPa，本實施將字串長度設定為5，即代表將100~120之範圍內分成25等分，每個等分為0.625，低於機台設定的1MPa，即符合優化的要求。
(B)隨機產生初始的製程參數組合，於本實施例將輪廓精度0.5、0.7、1μm為初始的製程參數組合；
(C)以類神經網路品質預測模型作為基因演算法中的適應函數，計算各函數組合的適應值；
1.優化田口最佳參數組合之適應函數 F
F=1-A
上式中， A 為類神經網路模型之推論值。而參數範圍的設定是以田口最佳參數組合為基準，放寬製程參數範圍之上下界限來搜尋最佳的參數組合，將參數限制條件設為：
2.逆向演算製程參數之適應函數
F=1-|PV-A|
上式中，PV為鏡片輪廓精度之品質(0.5μm~1μm)；A為類神經網路模型之推論值。以輪廓精度0.5、0.7、1μm為例進行預測，其逆向演算結果如第3圖至第5圖所示。透過逆向模型的演算結果能讓操作人員瞭解在不同輪廓精度品質的需求下，可以使用的製程參數範圍，如第6圖所示。
由第3圖得知，模具溫度在70℃至95℃下由逆向模型求得的製程參數組合皆可獲得符合輪廓精度0.5μm的需求，即代表輪廓精度需求為0.5μm時，模具溫度建議的使用範圍為70℃至95℃，在預測誤差2%內可獲得 26組符合需求之製程參數組合；當輪廓精度需求為0.7μm時，模具溫度建議的使用範圍變為70℃至74℃以及89℃至100℃，在預測誤差2%內可獲得17組符合需求之製程參數組合，如第4圖所示；而當輪廓精度需求為1μm時，符合品質需求之製程參數組明顯較少，只獲得6組符合需求之製程參數組合，其模具溫度需高於95℃才可獲得輪廓精度為1μm的品質，如第5圖所示。
由此結果可得知，模具溫度太低或太高會形成較差的鏡片輪廓精度品質，這是因為較低的模具溫度，其熔膠溫度與模壁間的溫差較大，使得塑料的流動性較差，導致塑料無法順利填滿整個模穴；而模具溫度太高，當模具分模時，其溫度與室溫差異較大，進而造成鏡片的收縮變形。
本實施例將符合輪廓精度需求之製程參數組合繪製成製程參數之操作視窗，如第7圖至第9圖所示分別為輪廓精度0.5μm、0.7μm、1μm之操作視窗，透過此操作視窗的建立，能讓操作人員清楚看出符合品質需求的製程參數範圍，並且從中選取適合的製程參數組合進行射出加工。以輪廓精度0.5μm之操作視窗為例，操作人員可以將操作視窗上的圓圈看成是可獲得輪廓精度0.5μm的操作點，並且可依照實際生產上的需求，例如降低生產週期或是機台能源消耗來選擇冷卻時問較短或是模具溫度較低的製程參數組合來使用，另外，透過操作視窗也可得知，模具溫度越高，其輪廓精度越差。因此，本發明先透過逆向模型求得符合品質需求之製程參數組合，並將求得的結果建立製程參數之操作視窗，透過此操作視窗的建立能讓操作人員快速獲得符合品質需求的製程參數組合。
(D)將處理結果透過系統進行檢查及驗證處理結果是否滿足品質要求；本發明利用類神經網路搭配基因演算法建構射出成型參數之逆向模型，而為判定逆向模型的準確性，將利用逆向模型所演算出的製程參數組合進行驗證實驗，並計算實驗值值與預測值之間的誤差，來檢驗逆向模型的準確性。其誤差計算公式如下：
如第10圖及第11圖所示，分別為驗證實驗結果和誤差比較，從實 驗結果得知，其實驗值與預測值之間的最大誤差為16.7%，最小誤差為2.63%，平均誤差值8.27%，代表本發明所建立的逆向模型具有可信賴的準確性。
(E)若處理結果滿足品質要求，則將取出所產生最佳製程參數者。
其中該步驟(D)之驗證處理結果未滿足品質要求，則將透過基因演算法中的演化過程，求得符合適應函數目標之製程參數組合，本發明利用基因演算法之全域搜尋最佳解之能力，以田口最佳參數組合為基準，放寬製程參數範圍之上下界限，並由上式之適應函數求得參數限制範圍內的最佳製程參數組合。由於實驗機台控制精度的關係，將基因演算法優化後之結果以四捨五入的方式完成機台設定，如第12圖所示。
經基因演算法優化後之製程參數組合將進行驗證實驗，其實驗結果如第13圖所示。由實驗結果可知，雖然實驗值與網路預測值之間有些許落差，但與全因子實驗之結果比較下，經優化復的製程參數組合能有較佳的鏡片輪廓精度，另外與田口最佳參數組合比較，其輪廓精度由田口實驗的0.479μm降至0.415μm，改善率為13.36%。
藉此，本發明以倒傳遞類神經網路作為鏡片輪廓精度之預測模型，並結合基因演算法之全域搜尋最佳解之能力，逆向演算出符合產品品質需求之製程參數組合，目的是建構機械加工之製程參數的優化模式。透過此優化模式，能讓操作人員依照所需的品質要求，快速獲得最適當的製程參數組合。
歸納上述的說明，藉由本發明上述流程的設計，可有效克服習式發明所面臨的缺失，進一步具有上述眾多的優點及實用價值，因此本發明為一創意極佳之發明創作，且在相同的技術領域中未見相同或近似的產品創作或公開使用，故本發明已符合發明專利有關『新穎性』與『進步性』的要件，乃依法提出申請。

Claims (4)

  1. 一種以類神經網路結合基因演算法建構逆向模型處理系統，主要係應用於產品製造求取最佳製程參數的一套逆向模型處理系統，係包括下列步驟：(A)首先以田口實驗進行篩選各項影響產品品質製程參數；(B)產生數個重要製程參數；(C)以數個重要製程參數為目標，並藉由逆向模型處理系統進行處理，該逆向模型處理系統包含一類神經網路模型及一基因演算法，處理程序係先藉由類神經網路模型建立預測模型，再藉由基因演算法產生逆向模型；(D)將處理結果透過系統進行檢查及驗證處理結果是否滿足品質要求；(E)若處理結果滿足品質要求，則將取出成型之逆向模型所產生多組適當的製程參數組合。
  2. 如請求項1所述之以類神經網路結合基因演算法建構逆向模型處理系統，其中該步驟(D)之驗證處理結果未滿足品質要求，則需回到逆向模型處理系統進行處理者。
  3. 如請求項1所述之以類神經網路結合基因演算法建構逆向模型處理系統，更包含有處理步驟，其包括：(A)首先將製程參數以二進位的方式進行編碼；(B)隨機產生初始的製程參數組合；(C)以類神經網路品質預測模型作為基因演算法中的適應函數，計算各函數組合的適應值；(D)將處理結果透過系統進行檢查及驗證處理結果是否滿足品質要求；(E)若處理結果滿足品質要求，則將取出所產生最佳製程參數者。
  4. 如請求項3所述之以類神經網路結合基因演算法建構逆向模型處理系統，其中該步驟(D)之驗證處理結果未滿足品質要求，則將透過基因演算法中的演化過程，求得多組符合適應函數目標之製程參數組合者。
TW103127541A 2014-08-12 2014-08-12 以類神經網路結合基因演算法建構逆向模型處理系統 TW201605602A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
TW103127541A TW201605602A (zh) 2014-08-12 2014-08-12 以類神經網路結合基因演算法建構逆向模型處理系統

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW103127541A TW201605602A (zh) 2014-08-12 2014-08-12 以類神經網路結合基因演算法建構逆向模型處理系統

Publications (1)

Publication Number Publication Date
TW201605602A true TW201605602A (zh) 2016-02-16

Family

ID=55809889

Family Applications (1)

Application Number Title Priority Date Filing Date
TW103127541A TW201605602A (zh) 2014-08-12 2014-08-12 以類神經網路結合基因演算法建構逆向模型處理系統

Country Status (1)

Country Link
TW (1) TW201605602A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111095143A (zh) * 2017-08-28 2020-05-01 自动化机器人公司 “实时”且在线审查眼科镜片数字制造过程品质的方法
CN111861050A (zh) * 2019-04-25 2020-10-30 鸿富锦精密电子(天津)有限公司 生产制程管控装置、方法及计算机可读存储介质
TWI819578B (zh) * 2022-04-20 2023-10-21 國立中央大學 多目標參數最佳化系統、方法及電腦程式產品

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111095143A (zh) * 2017-08-28 2020-05-01 自动化机器人公司 “实时”且在线审查眼科镜片数字制造过程品质的方法
CN111095143B (zh) * 2017-08-28 2023-03-21 自动化机器人公司 实时建模和量化地评估眼科镜片预期总体品质水平的方法
CN111861050A (zh) * 2019-04-25 2020-10-30 鸿富锦精密电子(天津)有限公司 生产制程管控装置、方法及计算机可读存储介质
CN111861050B (zh) * 2019-04-25 2024-02-20 富联精密电子(天津)有限公司 生产制程管控装置、方法及计算机可读存储介质
TWI819578B (zh) * 2022-04-20 2023-10-21 國立中央大學 多目標參數最佳化系統、方法及電腦程式產品

Similar Documents

Publication Publication Date Title
Tsai et al. An inverse model for injection molding of optical lens using artificial neural network coupled with genetic algorithm
Fei et al. Practical applications of Taguchi method for optimization of processing parameters for plastic injection moulding: a retrospective review
Yang et al. Injection molding product weight: online prediction and control based on a nonlinear principal component regression model
CN114818401A (zh) 机器学习模型的训练方法、训练装置、评价***
Singh et al. Multi Response optimization of injection moulding Process parameters to reduce cycle time and warpage
Abdul et al. Shrinkage prediction of injection molded high density polyethylene parts with taguchi/artificial neural network hybrid experimental design
Vu et al. Machine learning-based predictive modeling of contact heat transfer
TW201605602A (zh) 以類神經網路結合基因演算法建構逆向模型處理系統
Kittur et al. Modeling of pressure die casting process: an artificial intelligence approach
CN114881289A (zh) 一种基于数字孪生的熔铸装药成型工艺参数优化方法及***
CN111931307B (zh) 一种零件质量预测和评估优化方法及***
CN103853927B (zh) 基于聚类全局优化算法预测材料力学行为的方法
CN115310343A (zh) 样本数据库***、训练及检验打印参数的方法、计算机
CN106568647A (zh) 一种基于神经网络的混凝土强度预测方法
KR20210027590A (ko) 복수의 서브 모델을 포함한 다층 인공 신경망 성능 평가 장치 및 그 방법
Liu et al. Multiobjective optimization of injection molding process parameters for the precision manufacturing of plastic optical lens
Raju et al. Optimizing multiple quality characteristics of stereolithography process via Taguchi method-based grey analysis for SL5530 epoxy resin material to enhance part quality
Ke et al. Enhancement of multilayer perceptron model training accuracy through the optimization of hyperparameters: a case study of the quality prediction of injection-molded parts
Vu et al. A hybrid optimization approach in non-isothermal glass molding
Huang et al. Calibration of cavity pressure simulation using autoencoder and multilayer perceptron neural networks
Yu et al. Offline prediction of process windows for robust injection molding
Li et al. Predicting Software Quality by Optimized BP Network Based on PSO.
Kumar et al. An experimental investigation to optimise injection moulding process parameters for plastic parts by using Taguchi method and multi-objective genetic algorithm
Ma et al. Intelligent recommendation system of the injection molding process parameters based on CAE simulation, process window, and machine learning
CN114065499B (zh) 岩石单轴蠕变全过程改进Maxwell模型及构建方法