CN101885230B - 注射成形工序周期自动识别方法 - Google Patents
注射成形工序周期自动识别方法 Download PDFInfo
- Publication number
- CN101885230B CN101885230B CN201010233418.9A CN201010233418A CN101885230B CN 101885230 B CN101885230 B CN 101885230B CN 201010233418 A CN201010233418 A CN 201010233418A CN 101885230 B CN101885230 B CN 101885230B
- Authority
- CN
- China
- Prior art keywords
- point
- broken line
- process period
- injection
- flex point
- 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
本发明公开了一种注射成形工序周期自动识别方法,将工序周期中关键点的搜索分两个阶段进行,首先以面积限定值为准则对行程曲线进行线性逼近处理,用一系列折线段来逼近行程曲线,然后在线性逼近的基础上根据相邻两折线段的方位角差与角度限定值相比较来识别拐点。最后对各拐点的行程值进行分析,依据注塑工艺确定工序周期。本发明能够准确地根据注塑机数据采集系统采集的数据确定注塑机的工序周期,与传统的滤波方法相比,具有精度高,运行更加稳定,从而为后续的对注塑机采集得到的数据进行统计分析奠定了坚实的基础。
Description
技术领域
本发明属于注塑机数据采集系统领域,具体涉及一种注塑机工作过程中通过数据采集系统来自动识别注塑机工序周期的方法。
背景技术
注塑机是将熔融的塑料注射到成型模具中制成塑料制品的机器,它作为一种重要的塑料成型机器,为推动塑料工业的发展做出了巨大贡献。注塑机工作时的性能参数(如注射压力、速度、温度等)直接决定了其生产的塑料件的成型质量。准确获取注塑机运行参数特征,在此基础上优化成形工艺提高产品质量显得尤为必要。
注射工序周期的自动识别在确定和分析注塑机运行数据中起到至关重要的作用。注塑机注射过程是一个循环的周期过程,其过程主要可以分为七个阶段:合模、注射、保压、塑化、冷却、开模、顶出制品。其中,注射阶段的时间是注射阶段最重要的参数,它能够确定塑料熔体在型腔内的剪切速率和分子取向。注射压力和速率的大小同样能够影响塑料熔体的成型。保压时间也是塑料注射成形过程中的一个重要参数,保压时间太短会影响制品的尺寸精度和外观质量,而保压时间过长会延长制品的成形周期,降低生产效率。准确识别工序周期和各个阶段的时间,有助于精确确定在各阶段的运行参数,通过分析这些参数与成型质量的关系,可以进一步优化和改进运行参数,从而提高产品的成型质量,提高生产效率。
目前,一般是采用开发的数据采集系统来将获取的注塑机工作时的运行数据用曲线的形式显示在界面上,工序周期的识别过程就是在注射数据曲线中搜索曲线拐点的过程。考虑到注塑机工作时的实际情况,各个运动结构存在碰撞等动作,从传感器获得的工作行程数据不可避免存在波动状态(噪音)。如何采用滤波方法消除这些波动状态对工序周期判断的影响成为周期自动识别的关键。
当前,有学者采用比较适合处理行程曲线的滤波算法,如:递推平均滤波法,中位值平均滤波法,一阶滞后滤波法,加权递推平均滤波法等来试图消除波动对周期识别的影响,见刘劲凡“注射机工艺参数智能化设置系统关键技术的研究”华中科技大学,2009[硕士学位论文];然而,经检验这些滤波方法在实际使用中存在精度低,处理效果差,适用性差等缺点,使得识别的周期与实际值相差较大。
发明内容
为克服现有技术的缺陷,本发明提供一种注射成形工序周期自动识别方法,准确识别注塑机工序周期。
注射成形工序周期自动识别方法,包括以下步骤:
(1)采集注塑机工作时的行程数据信号,并绘制行程曲线;
(2)以折线段逼近曲线确定折线点集:设行程曲线上有n个数据采集点p1,p2...,pn;
(2.1)初始化pj=p1,k=3,A2=0;
(2.2)计算第k个数据采集点对应的三角形叠加面积Ak=Ak-1+Δk,Δk为点pj,pk-1和pk围成的三角形面积;
(2.3)若Ak<面积阈值fArea,则k=k+1,若k≤n,转步骤(2.2);否则进入步骤(2.4);
(2.4)记第k-1个数据采集点为折线点,更新pj=pk-1,k=k+1,Ak-1=0,若k≤n,转步骤(2.2);否则,进入步骤(3);
(3)以折线点角度差确定拐点集:计算第i个折线点对应的角度差Δαi=|αi-αi-1|,αi为由第i个及第i+1个折线点构成的折线段与水平线的夹角,i=2,3......m-1,m为折线点数,若角度差Δαi>角度差阈值fAngle,则记第i个折线点为拐点;
(4)对各拐点的行程值进行分析,根据注塑工艺对拐点设置属性,计算所有两两相邻的同类别属性拐点的时间差,再对这些时间差求均值即为工序周期。
本发明将工序周期中关键点的搜索分两个阶段进行,首先以面积限定值为准则对行程曲线进行线性逼近处理,用一系列折线段来逼近和表示行程曲线,然后在线性逼近的基础上根据相邻两折线段的方位角差的绝对值与角度限定值相比较来识别拐点。与传统的滤波方法(如递推平均滤波法,中位值平均滤波法,一阶滞后滤波法,加权递推平均滤波法等)相比,具有精度高,运行更加稳定,从而为后续的对注塑机采集得到的数据进行统计分析奠定了坚实的基础。
附图说明
图1为本发明的工作流程框图;
图2为行程曲线围成面积示意图;
图3为行程曲线方位角示意图;
图4为采集注射行程数据曲线图;
图5为用折线段逼近曲线处理后的效果图;
图6为判断拐点后的注射行程曲线图。
具体实施方式
本发明在面积限定值准则下使用一系列折线来逼近行程曲线,在此基础上使用角度限定值来确定行程曲线的拐点,进而确定工序周期。面积限定值fArea是用来限定折线逼近数据曲线的程度,fArea越小,逼近程度越精确,反之,fArea越大,逼近程度越粗糙。角度限定值fAngle用来限定前一段折线和后一段折线之间角度差的绝对值Δα的大小。面积限定值fArea及角度限定值fAngle的确定方式为:首先多次任意初始化面积限定值fArea和角度限定值fAngle,再采用本发明确定周期,对结果进行准确性分析,看得到的拐点是否逼近数据曲线的转折处,统计分析得出最适合的限定值。
以面积限定值为准则对行程曲线进行线性逼近预处理(即用多段相邻折线来逼近曲线),原理如下:
如图2所示,设行程曲线的点列为pi(i=1,2......n),则连线p1pm与折线段p1p2,p2p3......pm-1pm(m<n)一起围成的区域面积A(p1,pm)为相邻两折线段向量叉乘的和的一半:
A(p1,pm)可以作为折线p1pm逼近曲线p1p2......pm的衡量标准,根据面积限定值fArea,按照A(p1,pm)≤fArea条件可循序生成一系列逼近曲线的折线段。
在线性逼近的基础上根据相邻两折线的方位角与角度限定值fAngle的关系来识别拐点步骤,两段折线的角度之差的绝对值Δα大于fAngle,则这两段折线的交点Q即为拐点。
拐点确定后,在图形上显示后根据注塑工艺可判断拐点的实际意义,以此来对各拐点设置相应的属性信息,属性信息包括:注射起点、保压起点、保压终点、塑化起点、塑化终点等,根据两个相邻的同类别属性的拐点的时间差绝对值的平均值即可确定工序周期。
以下通过实际工作中采集的数据来详细说明,确定拐点工作流步骤见图1。
(1)注塑机采用宁波海太公司生产的HTW68型注塑机,采样精度设置为19ms(毫秒),采样项目为注塑行程,传感器采用注射电子尺,总共采集68111ms,采集的数据在自行开发的注塑机数据采集系统上显示如图4所示;
(2)设定面积限定值fArea=800,角度限定值fAngle=0.01;
(3)注塑行程上共采集了3482个数据点,行程曲线的点列为pi(i=1,2.......3482),每个数据点pi(xi,yi)中,xi为采集的时间值,单位为毫秒(ms),yi为在该采集时间采集得到的行程值,单位为毫米(mm)。采集的数据值见表1;
表1采集注射行程的数据值
(4)初始化,设初始的起点pj=p1,设起点与第k(3≤k≤3482)个点pk连接的折线与折线段p1p2,p2p3......Pk-1pk围成的面积为Ak;
(5)令k=3,A1=A2=0,Δ1=Δ2=0;
(6)计算Ak,Ak=Ak-1+Δk,其中Δk为初始点pj(j≤k-2),pk-1和pk围成的三角形面积,
(7)若Ak<800,令k=k+1,若k≤3482,转步骤(6);否则将点pk-1(xk-1,yk-1)作为折线的节点储存到折线的点列q中,更新初始的起点pj=pk-1,k=k+1,Ak-1=0,若k≤3482,转步骤(6);
(8)依次计算所有的点,总共得到71个折线点q,具体数据如表2所示,根据折线段逼近曲线的结果如图5所示;
表2折线点数据
(9)计算折线qiqi+1的方位角为αi,i=2,3......m-1,如图3所示,采用算式αi=arctg(q(i+1)y-qiy)/(q(i+1)x-qix)进行计算;
(10)折线qi-1qi与折线qiqi+1的夹角为Δαi,采用算式Δαi=|αi-αi-1|进行计算;
(11)若Δαi>0.01,则将qi存储到拐点数列中,通过计算,总共得到11个拐点,具体数据见表3,显示拐点后的行程曲线如图6所示;
表3拐点值
拐点序号 | 采集时间(ms) | 行程大小(mm) | 拐点属性 |
1 | 2274.00 | 596.354 | 塑化行程终点 |
2 | 19141.00 | 599.582 | 注射行程起点 |
3 | 20585.00 | 84.842 | 保压起点 |
4 | 21764.00 | 0.313 | 保压终点 |
5 | 27805.00 | 2.192 | 塑化行程起点 |
6 | 31282.00 | 596.487 | 塑化行程终点 |
7 | 48156.00 | 598.084 | 注射行程起点 |
8 | 49581.00 | 93.910 | 保压起点 |
9 | 50837.00 | 0.727 | 保压终点 |
10 | 56657.00 | 0.694 | 塑化行程起点 |
11 | 60307.00 | 594.876 | 塑化行程终点 |
(12)搜索所有相邻的同类别属性的拐点即拐点(1,6)、(6,11)、(2,7)、(3,8)、(4,9)、(5,10),分别计算它们的时间差,再对时间差求平均值,可得到该注塑机的工序周期为:29.0s。
Claims (1)
1.注射成形工序周期自动识别方法,用于注塑机工作过程中的工序周期识别,包括以下步骤:
(1)采集注塑机工作时的行程数据信号,并绘制行程曲线;
(2)以折线段逼近曲线确定折线点集:设行程曲线上有n个数据采集点p1,p2...,pn;
(2.1)初始化pj=p1,k=3,A2=0,j≤k-2;
(2.2)计算第k个数据采集点对应的三角形叠加面积Ak=Ak-1+Δk,Δk为点pj,pk-1和pk围成的三角形面积;
(2.3)若Ak<面积阈值fArea,则k=k+1,若k≤n,转步骤(2.2);否则进入步骤(2.4);
(2.4)记第k-1个数据采集点为折线点,更新pj=pk-1,k=k+1,Ak-1=0,若k≤n,转步骤(2.2);否则,进入步骤(3);
(3)以折线点角度差确定拐点集:计算第i个折线点对应的角度差Δαi=|αi-αi-1|,αi为由第i个及第i+1个折线点构成的折线段与水平线的夹角,i=2,3......m-1,m为折线点数,若角度差Δαi>角度差阈值fAngle,则记第i个折线点为拐点;
(4)对各拐点的行程值进行分析,根据注塑工艺对拐点设置属性,计算所有两两相邻的同类别属性拐点的时间差,再对这些时间差求均值即为工序周期。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010233418.9A CN101885230B (zh) | 2010-07-22 | 2010-07-22 | 注射成形工序周期自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010233418.9A CN101885230B (zh) | 2010-07-22 | 2010-07-22 | 注射成形工序周期自动识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101885230A CN101885230A (zh) | 2010-11-17 |
CN101885230B true CN101885230B (zh) | 2014-03-12 |
Family
ID=43071393
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201010233418.9A Active CN101885230B (zh) | 2010-07-22 | 2010-07-22 | 注射成形工序周期自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101885230B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102019213019A1 (de) * | 2019-08-29 | 2021-03-04 | Wago Verwaltungsgesellschaft Mbh | Verfahren und vorrichtung zum analysieren eines ablaufprozesses |
-
2010
- 2010-07-22 CN CN201010233418.9A patent/CN101885230B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN101885230A (zh) | 2010-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105069093B (zh) | 一种基于嵌入式索引的水文时间序列相似性搜索方法 | |
CN102431136B (zh) | 一种基于多向主元分析法的多阶段批次过程阶段划分方法 | |
CN102049420B (zh) | 基于决策树的精轧温控过程关键特征变量提取方法 | |
CN108197647B (zh) | 一种汽车起动机耐久测试数据的快速聚类方法 | |
CN104777785B (zh) | 一种基于指令域分析的数控加工工艺参数动态优化方法 | |
CN113919601A (zh) | 基于产品性能和过程数据模型的树脂工艺预测方法及装置 | |
CN113051442A (zh) | 时间序列数据处理方法、装置和计算机可读存储介质 | |
CN106599138A (zh) | 一种用电器种类识别方法 | |
CN113074959B (zh) | 一种自动驾驶系统测试分析方法 | |
CN112749840B (zh) | 一种火电机组能效特征指标基准值的获取方法 | |
CN101661029A (zh) | 压铸件品质在线检测方法 | |
Tian et al. | An outliers detection method of time series data for soft sensor modeling | |
Faure et al. | Using self-organizing maps for clustering anc labelling aircraft engine data phases | |
CN101885230B (zh) | 注射成形工序周期自动识别方法 | |
CN104295373B (zh) | 基于三点模型的柴油机故障预测方法 | |
CN111079427A (zh) | 一种垃圾邮件识别方法及系统 | |
CN114186617B (zh) | 一种基于分布式深度学习的机械故障诊断方法 | |
CN108537249B (zh) | 一种密度峰值聚类的工业过程数据聚类方法 | |
CN109669030A (zh) | 一种基于决策树的工业注塑产品缺陷诊断方法 | |
CN104166806A (zh) | 一种井间示踪曲线聚类分析方法及装置 | |
CN108256274A (zh) | 基于快速准确搜索吸引子误差算法的电力系统状态识别方法 | |
CN110866317B (zh) | 基于产品历史信息及设计行为分析的设计工具包重构方法 | |
CN115983684B (zh) | 一种制冷用铜管生产缺陷管理方法及系统 | |
CN105398013B (zh) | 一种塑料注射成型工艺注射速率的优化方法 | |
CN115170820B (zh) | 一种应用于数据曲线过渡阶段的特征提取及界限识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |