CN102773981A - 一种注塑机节能优化系统的实现方法 - Google Patents

一种注塑机节能优化系统的实现方法 Download PDF

Info

Publication number
CN102773981A
CN102773981A CN2012102432301A CN201210243230A CN102773981A CN 102773981 A CN102773981 A CN 102773981A CN 2012102432301 A CN2012102432301 A CN 2012102432301A CN 201210243230 A CN201210243230 A CN 201210243230A CN 102773981 A CN102773981 A CN 102773981A
Authority
CN
China
Prior art keywords
optimization
product
energy consumption
parameter
module
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.)
Granted
Application number
CN2012102432301A
Other languages
English (en)
Other versions
CN102773981B (zh
Inventor
陆宁云
公桂霞
姜斌
刘剑慰
程月华
王晶
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Fuli Environmental Protection And Energy Saving Polytron Technologies Inc
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN201210243230.1A priority Critical patent/CN102773981B/zh
Publication of CN102773981A publication Critical patent/CN102773981A/zh
Application granted granted Critical
Publication of CN102773981B publication Critical patent/CN102773981B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • Y02P80/00—Climate change mitigation technologies for sector-wide applications
    • Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier

Landscapes

  • Injection Moulding Of Plastics Or The Like (AREA)

Abstract

本发明提供了一种注塑机节能优化系统的实现方法，属于橡塑加工领域。该方法通过设置单产品参数优化子系统和多产品优化调度子系统，单产品参数优化子系统包括：性能指标与优化变量选择模块，试验设计模块，产品质量和生产能耗的系统建模模块，基于遗传算法的质量-能耗双目标优化模块和参数测试模块；多产品优化调度子系统包括：多产品性能指标与优化变量选择模块，多产品切换的试验设计模块，产品质量、生产能耗和产品切换过渡能耗的系统建模模块，基于遗传算法的质量优化模块，基于遗传算法和旅行商算法的节能调度模块和多产品调度参数测试模块。该方法可提高企业生产资源的使用效率，降低生产能耗，增加企业竞争力。

Description

一种注塑机节能优化系统的实现方法
技术领域 
 本发明提供了一种注塑机节能优化系统的实现方法，属于橡塑加工领域。
背景技术   
注塑机节能是橡塑加工行业的关注焦点。注塑机能耗，本质上就是动力系统输出的能量。加工同样的塑料制品，输出能量越少越节能。注塑能耗不仅和橡塑材料的熔融效率有关，也和熔体注射、保压定型、模具运动、合模压力等要素密切相关。单件制品的能耗和成型周期呈显著反比关系。注塑成型周期主要包括：充模时间、保压时间和冷却时间。注塑生产中，应在保证质量的前提下，选择合理过程参数，缩短成型周期中各部分时间，提高效率、节约能源。对于小批量多产品任务的注塑机，不仅要考虑单产下的能耗，还需考虑不同产品切换过渡的能耗。这需要并行确定各单产状态下的最优参数以及多产品生产的最优切换顺序。
根据注塑节能的各种要素，现有成果集中在三个方面：节能注射成型工艺，节能执行机构和节能动力驱动机构（参考文献：张友根，注塑机节能技术的分析研究，橡塑技术与装备，2008,34卷，第3期，52-65）。
节能成型工艺是指运用群腔热流道、微发泡、振动成型、介质辅助等先进技术，提高注射速度、降低注射压力、减小锁模力、缩短成型周期，降低制品成型的能耗。譬如，日本专利（05-237901）通过控制注射压力提高质量降低能耗；日本专利（2011-140149）通过安装液压变量泵控制液压液的排放压力，然后控制操作条件降低液压回路的压力而实现节能。美国专利（7,422,426）、日本专利（2010-162845,2008-201016，2003-231164，2001-165388，11-156906，08-252849）均通过合模控制或合模装置的改进实现节能。欧洲专利（US19970862518）定义了最短冷却时间，在超出最短冷却时间的冷却段关闭主驱动电机实现节能。
节能执行机构又细分为节能合模机构（譬如：肘杆合模、卡式合模、无拉杆合模、两模板合模技术等）和节能注射塑化机构（包括：单缸一线式注射塑化机构、后双缸注射机构、节能螺杆、低速高扭矩液压马达螺杆驱动机构等），这方面尚未检索到公开的发明专利。
注塑动力驱动系统的节能技术集中在液压驱动系统的改进以及全电动驱动系统的开发、应用与推广。根据1980-2010年公开的美国、欧洲、日本和中国专利，驱动系统节能相关的专利有24个，占注塑机节能相关专利的42%。
上述技术成果必须通过注塑机的整体或局部软硬件改造才能实现注塑节能，这对于新一代节能注塑机的研发具有重要价值，但对于已购买低端注塑机并形成一定生产规模的注塑企业来说，要采纳这些技术实现生产节能则需要大量的改造费用。
发明内容    
本发明提供了一种注塑机节能优化系统的实现方法，可以避免注塑机的硬件改造，易于嵌入到注塑机的控制系统中，适用于注塑机在大批量生产某单一产品时的最优参数设定，以及小批量生产多规格相似产品时的最优参数设定与生产调度。
本发明为解决其技术问题采用如下技术方案：
一种注塑机节能优化系统的实现方法，在注塑机节能优化系统中设置单产品参数优化子系统和多产品优化调度子系统，所述的单产品参数优化子系统包括性能指标与优化变量选择模块、试验设计模块、质量和生产能耗的系统建模模块、基于遗传算法的质量-能耗双目标优化模块和参数测试模块；
所述的性能指标与优化变量选择模块是通过给定一种注塑加工产品的质量要求，确定待考察质量指标向量                                                
Figure 869965DEST_PATH_IMAGE001
，其中，
Figure 490610DEST_PATH_IMAGE002
表示第
Figure 5905DEST_PATH_IMAGE003
个质量指标，
Figure 53495DEST_PATH_IMAGE004
为待考察质量指标的个数，生产能耗指标和待优化过程变量的参数设定值向量
Figure 981448DEST_PATH_IMAGE006
，其中，
Figure 97172DEST_PATH_IMAGE007
表示第 
Figure 248536DEST_PATH_IMAGE008
个待优化过程变量，或者表示第
Figure 791513DEST_PATH_IMAGE008
个待优化过程变量的参数设定值，
Figure 349533DEST_PATH_IMAGE009
为待优化过程变量的个数；
所述的试验设计模块，采用多变量均匀试验设计方法，将待优化过程变量的参数设定值
Figure 754101DEST_PATH_IMAGE007
，i=1,2,…,n作为试验因素，得到K次试验方案，即待优化过程变量参数设定值向量
Figure 713967DEST_PATH_IMAGE010
的集合
Figure 427845DEST_PATH_IMAGE011
，其中k为试验序号，k=1,2,…,K，集合元素
Figure 522096DEST_PATH_IMAGE012
的表达式为；将待考察质量指标
Figure 793994DEST_PATH_IMAGE002
，j=1,2,…,m和生产能耗指标作为试验结果，每次试验以
Figure 758856DEST_PATH_IMAGE012
为待优化变量的参数设定值，进行注塑生产试验，得到K次试验方案的质量指标测量值集合
Figure 957757DEST_PATH_IMAGE014
，
Figure 938220DEST_PATH_IMAGE015
和生产能耗指标测量值集合
Figure 993900DEST_PATH_IMAGE016
，；
所述的质量和生产能耗系统建模模块，基于试验设计的结果——过程参数设定值向量集合
Figure 563870DEST_PATH_IMAGE011
、质量指标测量值集合和生产能耗指标测量值集合
Figure 313837DEST_PATH_IMAGE016
，通过人工神经网络，建立 y 和 x 以及e和 x 之间的映射关系，该映射关系为非解析形式的非线性模型，
Figure 869977DEST_PATH_IMAGE018
               （1-1）
Figure 472997DEST_PATH_IMAGE019
               （1-2）
所述的基于遗传算法的质量-能耗双目标优化模块的操作方法,包括以下步骤：
步骤1：写出第一层优化目标和约束条件的数学表达式，其通用形式为：
Figure 663938DEST_PATH_IMAGE020
                 （2）
式中：
Figure 264683DEST_PATH_IMAGE021
为待优化过程变量的参数设定值；
 
Figure 790343DEST_PATH_IMAGE022
为质量性能指标 y 的自定义函数，其中
Figure 446321DEST_PATH_IMAGE018
；
 Min 
Figure 678719DEST_PATH_IMAGE022
表示求
Figure 512683DEST_PATH_IMAGE022
最小值；
      
Figure 276371DEST_PATH_IMAGE023
分别为待优化过程变量的参数设定值的上下限；
步骤2：基于步骤1中公式（2）所描述的优化问题，选择遗传算法进行优化，优化结果为满足质量指标要求的过程变量设定值向量的集合
Figure 158876DEST_PATH_IMAGE024
，其中
Figure 573677DEST_PATH_IMAGE025
表示第c个可行解，C为可行解个数；
步骤3：基于步骤2得到的第一层优化问题可行解集合
Figure 830739DEST_PATH_IMAGE024
以及生产能耗模型
Figure 330991DEST_PATH_IMAGE019
，写出第二层优化目标和约束条件的数学表达式，其通用形式为：
Figure 17187DEST_PATH_IMAGE026
                 （3）
式中：
Figure 37227DEST_PATH_IMAGE021
为待优化过程变量的参数设定值；
      
Figure 212993DEST_PATH_IMAGE027
为生产能耗性能指标e的自定义函数，其中
Figure 138224DEST_PATH_IMAGE019
；
      Min 
Figure 674116DEST_PATH_IMAGE027
表示求
Figure 63509DEST_PATH_IMAGE027
最小值；
      分别为待优化过程变量的参数设定值的上下限；
      
Figure 370174DEST_PATH_IMAGE028
为质量性能指标的松弛因子，代表用户可容忍的质量范围；
        
Figure 786722DEST_PATH_IMAGE029
将第一层优化问题转换为第二层优化问题的约束条件，即第二层优化问题的解必须满足第一层优化目标；
步骤4：基于步骤3中公式（3）所描述的优化问题，选择遗传算法进行优化，优化结果为同时满足质量指标和能耗指标要求的一个最优参数设定值向量
Figure 968305DEST_PATH_IMAGE030
；
所述的参数测试模块, 采用基于遗传算法的质量-能耗双目标优化模块得到的最优参数设定，进行注塑生产验证性试验，如果过程稳定且质量、能耗皆满足要求则可进入批量生产阶段；否则，启动更新机制，重复运行单参数优化子系统的质量和生产能耗系统建模模块和基于遗传算法的质量-能耗双目标优化模块；
所述的多产品优化调度子系统，适用于单台注塑机生产相似多产品的生产任务，包括多产品性能指标与优化变量选择模块，多产品切换的试验设计模块，产品质量、生产能耗和产品切换过渡能耗的系统建模模块，基于遗传算法的质量优化模块，基于遗传算法和旅行商算法的优化调度模块，多产品调度参数测试模块；
所述的多产品性能指标与优化变量选择模块，通过给定P（P≥2）个相似的注塑加工产品的质量要求，确定每种产品的待考察质量指标向量
Figure 933167DEST_PATH_IMAGE031
和每种产品的待优化过程变量的参数设定值向量
Figure 499278DEST_PATH_IMAGE032
，其中，p为产品序号，p=1,…,P，i为过程变量序号，i=1,2,…,n，j为质量指标序号，j=1,2,…,m；
所述的多产品切换的试验设计模块，首先，采用单产品参数优化子系统中的试验设计模块，分别为每个产品的稳态生产进行试验设计；然后，将待优化变量x i 的设定值变化量δx i 作为试验因素，得到L次产品切换的试验方案
Figure 364728DEST_PATH_IMAGE033
，l为试验序号，l=1,2,…,L， 集合元素
Figure 53198DEST_PATH_IMAGE034
描述了第l次试验中产品操作条件的切换信息，
Figure 987787DEST_PATH_IMAGE035
，其中，表示第l次产品切换试验中第i个优化变量的参数设置初值，
Figure 576080DEST_PATH_IMAGE037
为对应的参数变化量取值；将过渡能耗指标
Figure 684719DEST_PATH_IMAGE038
作为试验结果，每次试验中变量x i 的设定值从
Figure 355872DEST_PATH_IMAGE036
调整到
Figure 263785DEST_PATH_IMAGE036
+，进行注塑过程操作条件的切换调整，得到对应切换过程的过渡能耗测量值集合
Figure 117789DEST_PATH_IMAGE039
，l=1,2,…,L；
所述的产品质量、生产能耗和产品切换过渡能耗的系统建模模块，首先，采用单产品参数优化子系统中的质量和生产能耗系统建模模块，建立第p个产品，p=1,…,P的质量指标
Figure 213921DEST_PATH_IMAGE040
、生产能耗
Figure 240039DEST_PATH_IMAGE041
和过程变量参数设定值向量之间的系统模型：
Figure 119450DEST_PATH_IMAGE043
                 （4-1）
Figure 765195DEST_PATH_IMAGE044
                 （4-2）
然后，基于多产品切换试验设计中得到的过程变量设定值调整方案集合和过渡能耗测量值集合
Figure 311769DEST_PATH_IMAGE039
，l=1,2,…,L，通过偏最小二乘回归方法建立过渡能耗指标
Figure 683845DEST_PATH_IMAGE038
和参数变化量
Figure 754569DEST_PATH_IMAGE045
的映射关系，该映射关系可表示为可解析表达的非线性回归方程：
Figure 621025DEST_PATH_IMAGE046
                （5）
所述的基于遗传算法的质量优化模块的操作方法,包括以下步骤：
步骤1：针对每个产品，写出质量优化目标和约束条件的数学表达式，其通用形式为：
                  （6）
式中：
Figure 318296DEST_PATH_IMAGE021
为待优化过程变量的参数设定值；
Figure 876316DEST_PATH_IMAGE048
为第p个产品的质量性能指标自定义函数，其中
Figure 530151DEST_PATH_IMAGE043
；
     Min 
Figure 37487DEST_PATH_IMAGE048
表示求
Figure 954628DEST_PATH_IMAGE048
最小值；
     
Figure 796682DEST_PATH_IMAGE023
分别为待优化过程变量的参数设定值的上下限；
步骤2：基于步骤1中公式（6）所描述的优化问题，选择遗传算法进行优化，优化结果为每个产品的可行参数设定值组合的集合，
Figure 503475DEST_PATH_IMAGE049
，
Figure 317848DEST_PATH_IMAGE050
，其中，
Figure 202627DEST_PATH_IMAGE051
为一组可行的待优化变量设定值向量，p代表产品序号，c为集合中可行解的序号，C为集合大小；
所述的基于遗传算法和旅行商算法的优化调度模块的操作方法,包括以下步骤：
步骤1：基于所有产品的可行解集合
Figure 282710DEST_PATH_IMAGE052
，采取随机选择策略，从每个
Figure 481610DEST_PATH_IMAGE053
中随机选择一组参数组合
Figure 212805DEST_PATH_IMAGE054
，构建有P个节点的完备有向图，其中，节点属性为第p个产品以
Figure 206169DEST_PATH_IMAGE054
为优化变量设定值时的生产能耗，支路箭头方向表示产品的切换顺序，支路权重为过程在两个节点所代表的操作参数之间切换所需要的过渡能耗
Figure 62623DEST_PATH_IMAGE056
，
Figure 586008DEST_PATH_IMAGE057
，
Figure 828902DEST_PATH_IMAGE058
和
Figure 132844DEST_PATH_IMAGE059
代表前后两个产品的序号；
步骤2：写出多产品调度问题的优化目标和约束条件的数学表达式，其通用形式为：
       （7）
式中：为第p个产品的参数设定值向量；
   
Figure 760506DEST_PATH_IMAGE062
为P个产品的平稳生产总能耗，其中，
Figure 489428DEST_PATH_IMAGE044
，为第p个产品的生产数量；
        
Figure 941586DEST_PATH_IMAGE064
为产品切换过渡总能耗，其中，
Figure 713233DEST_PATH_IMAGE046
，
Figure 978386DEST_PATH_IMAGE065
；
        
Figure 923208DEST_PATH_IMAGE066
为多产品过程的生产总能耗；
步骤3：步骤2中公式（7）描述的优化问题是典型的旅行商问题，选择基于遗传算法的旅行商求解方法进行优化，优化结果为每个产品的最优参数设定值和最优的产品切换顺序
Figure 93606DEST_PATH_IMAGE068
；
所述的多产品调度参数测试模块, 采用基于遗传算法和旅行商算法的优化调度模块得到的最优参数设定值
Figure 843125DEST_PATH_IMAGE069
和最优的产品切换顺序
Figure 263742DEST_PATH_IMAGE070
，进行注塑生产过程的验证性试验，如果各个产品生产状态稳定且质量满足要求则可进入批量生产阶段；否则，启动更新机制，重复运行多产品优化调度子系统的产品质量、单产平稳能耗和产品切换过渡能耗的系统建模模块和基于遗传算法和旅行商算法的优化调度模块。
本发明的有益效果如下：
（1）不需要对现有注塑机进行硬件改造，成本低，风险小。
（2）本系统易于嵌入到注塑机控制系统中，通用性强。
（3）本系统只需要采集注塑机过程数据，不涉及复杂的数学或过程机理，容易理解、方便实施。
（4）具体实施案例中，和基于田口试验法的传统参数优化方法相比，实施单产品参数优化子系统的节能效益可达5%；对于多产品注塑生产过程，相比于实际生产中常用的依据机筒温度设定值的上升或下降安排生产次序的方法，多产品优化调度子系统的节能效益可达到4%。
 附图说明
图1为本发明在注塑机上实施的原理示意图。
图2为本发明包含的两个子系统。
图3为本发明单产品参数优化子系统的实施流程方块图。
图4为本发明多产品优化调度子系统的实施流程方块图。
图5为本发明多产品优化调度子系统中基于遗传算法的旅行商问题求解流程图。 
具体实施方式     
下面结合附图对本发明创造做进一步的详细说明。
如图1所示，本发明利用注塑机的生产过程数据，离线获得既能保证产品质量又能降低生产能耗的最优过程参数设定和多产品最优切换顺序。
本发明提出的注塑机节能优化系统的实现方法设置了单产品参数优化子系统和多产品优化调度子系统，如图2，其中，多产品优化调度子系统需要调用单产品参数优化子系统中部分模块。
实施例1：
震雄MJ55注塑机单产品参数优化子系统的技术方案，如图3所示，包括以下过程：
1.  性能指标与优化变量选择模块中，选择制品重量（PW）作为质量指标y，以单件制品所消耗的平均能耗（ECC）作为能耗指标e，选择保压时间（PT）、注射速率（IV）、保压压力（PP）和机筒温度（BT）作为待优化过程变量
Figure 611678DEST_PATH_IMAGE071
； 
2.  试验设计模块中，利用田口试验设计方法，获得12组正交试验数据，利用析因分析试验设计方法，补充27组试验数据，共计39组试验数据；
3.  质量和生产能耗的系统建模模块中，采用人工神经网络建模方法，随机选择33组作为训练数据，剩余6组作为测试数据，以保压时间、注射速度、保压压力以及机筒温度的设定值作为网络的输入，制品重量以及单产能耗作为网络的输出，建立三层反向传播神经网络模型
Figure 787444DEST_PATH_IMAGE072
；    （8）
其中，网络的隐含层节点数的选择依据是：
式中，
Figure 126863DEST_PATH_IMAGE074
为隐含层节点数，
Figure 188360DEST_PATH_IMAGE075
为输入层节点数，
Figure 535028DEST_PATH_IMAGE076
为输出层节点数。
然后根据训练时间和训练精度选网络隐含层节点数为8，隐含层中的神经元可采用双曲正切S型（tansig）激活函数，输出层神经元可采用线性传递函数（purelin）。
4. 基于遗传算法的质量-能耗双目标优化模块中，采用分层优化的思想，先优化制品重量，得到满足质量指标要求的可行参数集合，并在此参数集合的基础上优化能耗，从而得到既能保证产品质量又使能耗最优的最优参数。
第一层优化问题可描述为
Figure 259139DEST_PATH_IMAGE077
        （9）
式中，
Figure 349455DEST_PATH_IMAGE078
为产品质量的性能指标；
Figure 531038DEST_PATH_IMAGE079
（公式8），即参数设定向量为时的产品重量的模型预测值；
Figure 495900DEST_PATH_IMAGE081
是产品重量的设定值。
本实施案例分析了8种重量规格下的节能效益，
Figure 376524DEST_PATH_IMAGE081
分别取值20.85, 20.90, 20.95, 21.00, 21.05, 21.10, 21.15, 和 21.20 克。
 采用遗传算法对此优化问题进行优化，种群大小设为70，交叉概率为0.6，变异概率(Pm)为0.02。停止准则选为
Figure 678193DEST_PATH_IMAGE082
，
Figure 101084DEST_PATH_IMAGE083
为用户容忍的质量控制限，此处设为0.01。当所有个体的适应度值小于0.1时，则停止训练，得到可行解集
Figure 301252DEST_PATH_IMAGE084
（
Figure 671054DEST_PATH_IMAGE085
），并将其作为第二层优化的初始种群。
    第二层优化问题可描述如下：
Figure 623966DEST_PATH_IMAGE086
      （10）
式中：
Figure 732605DEST_PATH_IMAGE087
为能耗性能指标，（公式8），即参数设定值为
Figure 577250DEST_PATH_IMAGE080
时稳态能耗e的模型预测值。
采用遗传算法对第二层优化问题进行优化，优化过程与第一层优化类似，不同的地方是:将质量目标函数转换为约束条件
Figure 400981DEST_PATH_IMAGE089
；停止准则选为最大迭代次数（100）。第二层优化的最终结果即为同时满足产品质量和能耗的最优操作参数组合
Figure 431254DEST_PATH_IMAGE030
，见表1，其中方法A为经典的基于田口分析法得到的优化变量设定值，方法B为本发明中提供的单产品参数优化方法。
Figure 527386DEST_PATH_IMAGE090
  5.  参数测试模块中，对得到的优化结果进行试验验证，若不符合质量性能指标或未达到节能目标，则可用验证试验的数据更新建模数据集，重新训练质量、生产能耗的人工神经网络模型，重新实施质量-能耗双目标优化算法，直到得到满足要求的优化结果。本实施案例中，对于表1中得到的参数设定值进行试验验证，均可实现平稳生产，节能效果见表1，平均节能效益大于5%。
实施例2：
震雄MJ55注塑机多产品优化调度子系统的技术方案，如图4所示，包括以下过程：
1.  多产品性能指标与优化变量选择模块中：
（1）选择制品重量（PW）作为质量指标；选择保压时间（PT）、注射速率（IV）、保压压力（PP）和机筒温度（BT）作为待优化过程变量，
Figure 565223DEST_PATH_IMAGE091
；
（2）加工4种产品，4个产品的模具和加工材料相同，重量指标分别为（20.9g,21.0g,21.1g,21.2g），每种产品的产量为100件；
（3） 以单件制品所消耗的平均电能消耗（ECC）作为稳态能耗指标，e=ECC；
（4） 过渡能耗指标et定义为，从为新产品设定好被控变量的设定值开始，至产品质量进入并稳定在质量容许范围内这段时间的电能消耗;
（5） 经理论分析及试验验证，注塑过渡能耗主要决定于机筒温度的调整周期，以机筒温度设定值的变化量作为过渡能耗模型的输入量。
2. 为每种产品，应用实施例1中的试验设计、基于神经网络的质量和生产能耗的系统建模过程、以及质量-能耗双目标优化算法中的第一层优化步骤，得到各个产品平稳生产状态下的质量模型
Figure 492728DEST_PATH_IMAGE092
、稳态能耗模型
Figure 444634DEST_PATH_IMAGE093
以及满足产品质量要求的可行参数集合
Figure 28062DEST_PATH_IMAGE094
，其中每个产品的可行解集大小为50。
3.  多产品切换的试验设计模块中，采用均匀试验设计方法，以机筒温度作为试验因素，机筒温度的可行区间范围为190o至220o，机筒温度分别上升和下降10度、20度和30度（如果条件允许还可将温度变化幅度细化），共采集12组过渡过程的试验数据。
4.  产品质量、生产能耗和产品切换过渡能耗的系统建模模块中，采用偏最小二乘建模方法，模型结果为
    （11）
式中，
Figure 636953DEST_PATH_IMAGE096
为温度上升过程能耗；
Figure 9029DEST_PATH_IMAGE097
为温度下降过程能耗；
Figure 79753DEST_PATH_IMAGE098
为机筒温度设定值的变化幅度，
Figure 946209DEST_PATH_IMAGE099
。
5.  调用基于遗传算法和旅行商算法的优化调度模块,具体过程包括以下步骤：
步骤1：基于每个产品的可行过程参数设定值组合的集合，
Figure 848306DEST_PATH_IMAGE094
，采取随机选择策略，从每个
Figure 328966DEST_PATH_IMAGE100
中随机选择一组参数组合，构建有4个节点的完备有向图；
步骤2：写出优化问题的目标函数（即遗传算法的适应度函数）：
Figure 935921DEST_PATH_IMAGE101
     （12）
步骤3：采用基于遗传算法的旅行商方法求解公式（12）所描述的优化问题，算法流程如图5，其中，
（1） 外循环层为节点选择层，这里取最大循环次数为100；采用Grefenstette编码方法初始化种群，种群大小为20；
（2）采用常规的选择、交叉和变异算子，选择算法采用轮盘赌选择法，交叉算法采用常规单点交叉法，对个体进行变异操作的依据是：如果两个个体太相似时就进行变异操作，并随机产生一个染色体替换两个个体中较差者；
（3） GA的停止准则选用最大迭代次数法（100）；
（4） 优化结果为每个产品的最优参数设定值和最优的产品切换顺序
Figure 362671DEST_PATH_IMAGE068
，如表2所示，其中方法A为本发明中提供的多产品优化调度方法，方法B为本发明中提供的单产品参数调度方法。
表2 实施案例2的参数优化结果
Figure DEST_PATH_IMAGE103
6.  多产品调度参数测试模块中，对得到的优化结果进行试验验证，若不符合质量性能指标或未达到节能目标，则可用验证试验的数据更新建模数据集，重新训练质量、能耗人工神经网络模型，重新计算过渡能耗PLS模型参数，重复基于遗传算法和旅行商算法的优化节能调度算法，直到得到满足要求的优化结果。本实施案例中，对于表2中得到的参数设定值和切换顺序进行试验验证，可实现平稳的生产和切换过渡，结果见表3。由于方法B只能给出使各个产品稳态能耗最少的过程参数，实际生产过程通常按机筒温度设定值上升或下降的方向设定生产顺序。因此，表3第二组试验的生产顺序为，第三组试验的生产顺序为
Figure 433450DEST_PATH_IMAGE105
。由表3，多产品优化调度的节能效益可达到4%。
表3 实施案例2的节能效果
Figure 828659DEST_PATH_IMAGE106
上述实施例不以任何形式限制本发明，凡采用等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。

Claims (1)

1.一种注塑机节能优化系统的实现方法，其特征在于，在注塑机节能优化系统中设置单产品参数优化子系统和多产品优化调度子系统，所述的单产品参数优化子系统包括性能指标与优化变量选择模块、试验设计模块、质量和生产能耗的系统建模模块、基于遗传算法的质量-能耗双目标优化模块和参数测试模块；
所述的性能指标与优化变量选择模块是通过给定一种注塑加工产品的质量要求，确定待考察质量指标向量                                                
Figure 95979DEST_PATH_IMAGE001
，其中，
Figure 635414DEST_PATH_IMAGE002
表示第
Figure 515645DEST_PATH_IMAGE003
个质量指标，
Figure 131741DEST_PATH_IMAGE004
为待考察质量指标的个数，生产能耗指标和待优化过程变量的参数设定值向量
Figure 962611DEST_PATH_IMAGE006
，其中，
Figure 263011DEST_PATH_IMAGE007
表示第 
Figure 125925DEST_PATH_IMAGE008
个待优化过程变量，或者表示第
Figure 350233DEST_PATH_IMAGE008
个待优化过程变量的参数设定值，
Figure 864260DEST_PATH_IMAGE009
为待优化过程变量的个数；
所述的试验设计模块，采用多变量均匀试验设计方法，将待优化过程变量的参数设定值
Figure 820715DEST_PATH_IMAGE010
，i=1,2,…,n作为试验因素，得到K次试验方案，即待优化过程变量参数设定值向量
Figure 233241DEST_PATH_IMAGE011
的集合
Figure 448191DEST_PATH_IMAGE012
，其中k为试验序号，k=1,2,…,K，集合元素
Figure 567457DEST_PATH_IMAGE013
的表达式为
Figure 212589DEST_PATH_IMAGE014
；将待考察质量指标，j=1,2,…,m和生产能耗指标
Figure 350626DEST_PATH_IMAGE005
作为试验结果，每次试验以
Figure 839245DEST_PATH_IMAGE013
为待优化变量的参数设定值，进行注塑生产试验，得到K次试验方案的质量指标测量值集合
Figure 465399DEST_PATH_IMAGE015
，
Figure 524622DEST_PATH_IMAGE016
和生产能耗指标测量值集合，
Figure 175232DEST_PATH_IMAGE018
；
所述的质量和生产能耗系统建模模块，基于试验设计的结果——过程参数设定值向量集合、质量指标测量值集合和生产能耗指标测量值集合，通过人工神经网络，建立 y 和 x 以及e和 x 之间的映射关系，该映射关系为非解析形式的非线性模型，
Figure 624351DEST_PATH_IMAGE019
               （1-1）
Figure 782187DEST_PATH_IMAGE020
               （1-2）
所述的基于遗传算法的质量-能耗双目标优化模块的操作方法,包括以下步骤：
步骤1：写出第一层优化目标和约束条件的数学表达式，其通用形式为：
Figure 878319DEST_PATH_IMAGE021
                 （2）
式中：为待优化过程变量的参数设定值；
 
Figure 579745DEST_PATH_IMAGE023
为质量性能指标 y 的自定义函数，其中
Figure 656285DEST_PATH_IMAGE019
；
 Min 
Figure 426664DEST_PATH_IMAGE023
表示求
Figure 879642DEST_PATH_IMAGE023
最小值；
      
Figure 599336DEST_PATH_IMAGE024
分别为待优化过程变量的参数设定值的上下限；
步骤2：基于步骤1中公式（2）所描述的优化问题，选择遗传算法进行优化，优化结果为满足质量指标要求的过程变量设定值向量的集合
Figure 96046DEST_PATH_IMAGE025
，其中
Figure 104453DEST_PATH_IMAGE026
表示第c个可行解，C为可行解个数；
步骤3：基于步骤2得到的第一层优化问题可行解集合
Figure 347740DEST_PATH_IMAGE025
以及生产能耗模型
Figure 187520DEST_PATH_IMAGE020
，写出第二层优化目标和约束条件的数学表达式，其通用形式为：
Figure 605863DEST_PATH_IMAGE027
                 （3）
式中：
Figure 350834DEST_PATH_IMAGE022
为待优化过程变量的参数设定值；
    
Figure 942352DEST_PATH_IMAGE028
为生产能耗性能指标e的自定义函数，其中
Figure 574322DEST_PATH_IMAGE020
；
      Min 
Figure 678413DEST_PATH_IMAGE028
表示求最小值；
      
Figure 977993DEST_PATH_IMAGE024
分别为待优化过程变量的参数设定值的上下限；
      
Figure 792365DEST_PATH_IMAGE029
为质量性能指标的松弛因子，代表用户可容忍的质量范围；
        将第一层优化问题转换为第二层优化问题的约束条件，即第二层优化问题的解必须满足第一层优化目标；
步骤4：基于步骤3中公式（3）所描述的优化问题，选择遗传算法进行优化，优化结果为同时满足质量指标和能耗指标要求的一个最优参数设定值向量
Figure 21143DEST_PATH_IMAGE031
；
所述的参数测试模块, 采用基于遗传算法的质量-能耗双目标优化模块得到的最优参数设定
Figure 220044DEST_PATH_IMAGE031
，进行注塑生产验证性试验，如果过程稳定且质量、能耗皆满足要求则可进入批量生产阶段；否则，启动更新机制，重复运行单参数优化子系统的质量和生产能耗系统建模模块和基于遗传算法的质量-能耗双目标优化模块；
所述的多产品优化调度子系统，适用于单台注塑机生产相似多产品的生产任务，包括多产品性能指标与优化变量选择模块，多产品切换的试验设计模块，产品质量、生产能耗和产品切换过渡能耗的系统建模模块，基于遗传算法的质量优化模块，基于遗传算法和旅行商算法的优化调度模块，多产品调度参数测试模块；
所述的多产品性能指标与优化变量选择模块，通过给定P（P≥2）个相似的注塑加工产品的质量要求，确定每种产品的待考察质量指标向量
Figure 826605DEST_PATH_IMAGE032
和每种产品的待优化过程变量的参数设定值向量
Figure 6920DEST_PATH_IMAGE033
，其中，p为产品序号，p=1,…,P，i为过程变量序号，i=1,2,…,n，j为质量指标序号，j=1,2,…,m；
所述的多产品切换的试验设计模块，首先，采用单产品参数优化子系统中的试验设计模块，分别为每个产品的稳态生产进行试验设计；然后，将待优化变量x i 的设定值变化量δx i 作为试验因素，得到L次产品切换的试验方案
Figure 761249DEST_PATH_IMAGE034
，l为试验序号，l=1,2,…,L， 集合元素
Figure 435944DEST_PATH_IMAGE035
描述了第l次试验中产品操作条件的切换信息，
Figure 959330DEST_PATH_IMAGE036
，其中，
Figure 576125DEST_PATH_IMAGE037
表示第l次产品切换试验中第i个优化变量的参数设置初值，
Figure 755433DEST_PATH_IMAGE038
为对应的参数变化量取值；将过渡能耗指标
Figure 30557DEST_PATH_IMAGE039
作为试验结果，每次试验中变量x i 的设定值从
Figure 860978DEST_PATH_IMAGE037
调整到
Figure 133828DEST_PATH_IMAGE037
+
Figure 862749DEST_PATH_IMAGE038
，进行注塑过程操作条件的切换调整，得到对应切换过程的过渡能耗测量值集合
Figure 131444DEST_PATH_IMAGE040
，l=1,2,…,L；
所述的产品质量、生产能耗和产品切换过渡能耗的系统建模模块，首先，采用单产品参数优化子系统中的质量和生产能耗系统建模模块，建立第p个产品，p=1,…,P的质量指标
Figure 567105DEST_PATH_IMAGE041
、生产能耗
Figure 338752DEST_PATH_IMAGE042
和过程变量参数设定值向量
Figure 476341DEST_PATH_IMAGE043
之间的系统模型：
Figure 358846DEST_PATH_IMAGE044
                 （4-1）
Figure 649013DEST_PATH_IMAGE045
                 （4-2）
然后，基于多产品切换试验设计中得到的过程变量设定值调整方案集合
Figure 778512DEST_PATH_IMAGE034
和过渡能耗测量值集合
Figure 154130DEST_PATH_IMAGE040
，l=1,2,…,L，通过偏最小二乘回归方法建立过渡能耗指标
Figure 574747DEST_PATH_IMAGE039
和参数变化量的映射关系，该映射关系可表示为可解析表达的非线性回归方程：
Figure 285400DEST_PATH_IMAGE047
                （5）
所述的基于遗传算法的质量优化模块的操作方法,包括以下步骤：
步骤1：针对每个产品，写出质量优化目标和约束条件的数学表达式，其通用形式为：
Figure 400511DEST_PATH_IMAGE048
                  （6）
式中：
Figure 624819DEST_PATH_IMAGE022
为待优化过程变量的参数设定值；
Figure 810950DEST_PATH_IMAGE049
为第p个产品的质量性能指标自定义函数，其中
Figure 32983DEST_PATH_IMAGE044
；
     Min 表示求
Figure 660460DEST_PATH_IMAGE049
最小值；
     
Figure 966676DEST_PATH_IMAGE024
分别为待优化过程变量的参数设定值的上下限；
步骤2：基于步骤1中公式（6）所描述的优化问题，选择遗传算法进行优化，优化结果为每个产品的可行参数设定值组合的集合，
Figure 94032DEST_PATH_IMAGE050
，
Figure 993855DEST_PATH_IMAGE051
，其中，
Figure 749846DEST_PATH_IMAGE052
为一组可行的待优化变量设定值向量，p代表产品序号，c为集合中可行解的序号，C为集合大小；
所述的基于遗传算法和旅行商算法的优化调度模块的操作方法,包括以下步骤：
步骤1：基于所有产品的可行解集合，采取随机选择策略，从每个中随机选择一组参数组合
Figure 48475DEST_PATH_IMAGE055
，构建有P个节点的完备有向图，其中，节点属性为第p个产品以为优化变量设定值时的生产能耗
Figure 433506DEST_PATH_IMAGE056
，支路箭头方向表示产品的切换顺序，支路权重为过程在两个节点所代表的操作参数之间切换所需要的过渡能耗，
Figure 955241DEST_PATH_IMAGE058
，
Figure 253367DEST_PATH_IMAGE059
和
Figure 201732DEST_PATH_IMAGE060
代表前后两个产品的序号；
步骤2：写出多产品调度问题的优化目标和约束条件的数学表达式，其通用形式为：
       （7）
式中：
Figure 577404DEST_PATH_IMAGE062
为第p个产品的参数设定值向量；
   
Figure 226691DEST_PATH_IMAGE063
为P个产品的平稳生产总能耗，其中，
Figure 219443DEST_PATH_IMAGE045
，
Figure 545251DEST_PATH_IMAGE064
为第p个产品的生产数量；
        
Figure 253313DEST_PATH_IMAGE065
为产品切换过渡总能耗，其中，
Figure 440711DEST_PATH_IMAGE047
，；
        
Figure 860377DEST_PATH_IMAGE067
为多产品过程的生产总能耗；
步骤3：步骤2中公式（7）描述的优化问题是典型的旅行商问题，选择基于遗传算法的旅行商求解方法进行优化，优化结果为每个产品的最优参数设定值
Figure 931102DEST_PATH_IMAGE068
和最优的产品切换顺序
Figure 174389DEST_PATH_IMAGE069
；
所述的多产品调度参数测试模块, 采用基于遗传算法和旅行商算法的优化调度模块得到的最优参数设定值
Figure 951852DEST_PATH_IMAGE070
和最优的产品切换顺序
Figure 619462DEST_PATH_IMAGE071
，进行注塑生产过程的验证性试验，如果各个产品生产状态稳定且质量满足要求则可进入批量生产阶段；否则，启动更新机制，重复运行多产品优化调度子系统的产品质量、单产平稳能耗和产品切换过渡能耗的系统建模模块和基于遗传算法和旅行商算法的优化调度模块。
CN201210243230.1A 2012-07-16 2012-07-16 一种注塑机节能优化系统的实现方法 Active CN102773981B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201210243230.1A CN102773981B (zh) 2012-07-16 2012-07-16 一种注塑机节能优化系统的实现方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201210243230.1A CN102773981B (zh) 2012-07-16 2012-07-16 一种注塑机节能优化系统的实现方法

Publications (2)

Publication Number Publication Date
CN102773981A true CN102773981A (zh) 2012-11-14
CN102773981B CN102773981B (zh) 2014-10-29

Family

ID=47119192

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201210243230.1A Active CN102773981B (zh) 2012-07-16 2012-07-16 一种注塑机节能优化系统的实现方法

Country Status (1)

Country Link
CN (1) CN102773981B (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102966629A (zh) * 2012-11-16 2013-03-13 无锡汇虹机械制造有限公司 一种负载敏感变量泵仿真模型的建模方法
CN103737878A (zh) * 2013-12-27 2014-04-23 华中科技大学 一种注塑缺陷在线修正方法及注塑机
CN104552887A (zh) * 2015-01-30 2015-04-29 江南大学 基于自适应粒子群算法的塑料片材机能耗优化方法
CN106738736A (zh) * 2016-11-29 2017-05-31 延锋彼欧仪征汽车外饰系统有限公司 汽车保险杠制造溯源修正方法
CN108447737A (zh) * 2018-05-18 2018-08-24 厦门理工学院 一种基于单纯形搜索的继电器底座质量优化系统
CN109255488A (zh) * 2018-09-27 2019-01-22 南京塑维网络科技有限公司 一种注塑工单优化系统及方法
CN109472361A (zh) * 2018-11-13 2019-03-15 钟祥博谦信息科技有限公司 神经网络优化方法
CN111985841A (zh) * 2020-08-31 2020-11-24 华中科技大学 一种基于改进遗传算法的注塑车间调度方法及系统
CN113165243A (zh) * 2018-11-16 2021-07-23 科思创知识产权两合公司 用于改进物理生产过程的方法和系统
CN113858566A (zh) * 2021-09-27 2021-12-31 乐创达投资(广东)有限公司 一种基于机器学习的注塑机能耗预测方法及系统
CN115113596A (zh) * 2022-07-13 2022-09-27 浙江高裕家居科技股份有限公司 一种基于质量监测的聚氨酯材料生产参数调节方法及系统
CN115439019A (zh) * 2022-10-25 2022-12-06 埃克斯工业有限公司 基于约束规划的多目标生产调度方法、设备及存储介质
US11580275B1 (en) * 2018-12-18 2023-02-14 X Development Llc Experimental discovery processes

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10222700B4 (de) * 2002-05-22 2005-10-27 Bayerische Motoren Werke Ag Computergestütztes Verfahren zur Massen- und/oder Funktionsoptimierung von Fahrzeugkomponenten und -strukturen
JP2007500379A (ja) * 2003-07-25 2007-01-11 ヤマハ発動機株式会社 インテリジェント制御システムのソフト演算最適化装置
CN101788788A (zh) * 2010-01-05 2010-07-28 华北电力大学 基于电网状态识别的多目标机组组合智能优化系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10222700B4 (de) * 2002-05-22 2005-10-27 Bayerische Motoren Werke Ag Computergestütztes Verfahren zur Massen- und/oder Funktionsoptimierung von Fahrzeugkomponenten und -strukturen
JP2007500379A (ja) * 2003-07-25 2007-01-11 ヤマハ発動機株式会社 インテリジェント制御システムのソフト演算最適化装置
CN101788788A (zh) * 2010-01-05 2010-07-28 华北电力大学 基于电网状态识别的多目标机组组合智能优化系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
赵朋，周华民，李阳，李德群: "《注塑机工艺参数的智能设计与优化》", 《化工学报》 *

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102966629A (zh) * 2012-11-16 2013-03-13 无锡汇虹机械制造有限公司 一种负载敏感变量泵仿真模型的建模方法
CN103737878A (zh) * 2013-12-27 2014-04-23 华中科技大学 一种注塑缺陷在线修正方法及注塑机
CN103737878B (zh) * 2013-12-27 2014-12-31 华中科技大学 一种注塑缺陷在线修正方法及注塑机
CN104552887A (zh) * 2015-01-30 2015-04-29 江南大学 基于自适应粒子群算法的塑料片材机能耗优化方法
CN104552887B (zh) * 2015-01-30 2017-01-11 江南大学 基于自适应粒子群算法的塑料片材机能耗优化方法
CN106738736B (zh) * 2016-11-29 2019-03-29 延锋彼欧仪征汽车外饰系统有限公司 汽车保险杠制造溯源修正方法
CN106738736A (zh) * 2016-11-29 2017-05-31 延锋彼欧仪征汽车外饰系统有限公司 汽车保险杠制造溯源修正方法
CN108447737A (zh) * 2018-05-18 2018-08-24 厦门理工学院 一种基于单纯形搜索的继电器底座质量优化系统
CN109255488A (zh) * 2018-09-27 2019-01-22 南京塑维网络科技有限公司 一种注塑工单优化系统及方法
CN109472361B (zh) * 2018-11-13 2020-08-28 钟祥博谦信息科技有限公司 神经网络优化方法
CN109472361A (zh) * 2018-11-13 2019-03-15 钟祥博谦信息科技有限公司 神经网络优化方法
CN113165243A (zh) * 2018-11-16 2021-07-23 科思创知识产权两合公司 用于改进物理生产过程的方法和系统
US11580275B1 (en) * 2018-12-18 2023-02-14 X Development Llc Experimental discovery processes
CN111985841A (zh) * 2020-08-31 2020-11-24 华中科技大学 一种基于改进遗传算法的注塑车间调度方法及系统
CN111985841B (zh) * 2020-08-31 2023-10-24 华中科技大学 一种基于改进遗传算法的注塑车间调度方法及系统
CN113858566A (zh) * 2021-09-27 2021-12-31 乐创达投资(广东)有限公司 一种基于机器学习的注塑机能耗预测方法及系统
CN113858566B (zh) * 2021-09-27 2023-08-08 乐创达投资(广东)有限公司 一种基于机器学习的注塑机能耗预测方法及系统
CN115113596A (zh) * 2022-07-13 2022-09-27 浙江高裕家居科技股份有限公司 一种基于质量监测的聚氨酯材料生产参数调节方法及系统
CN115113596B (zh) * 2022-07-13 2023-09-08 浙江高裕家居科技股份有限公司 一种基于质量监测的聚氨酯材料生产参数调节方法及系统
CN115439019A (zh) * 2022-10-25 2022-12-06 埃克斯工业有限公司 基于约束规划的多目标生产调度方法、设备及存储介质

Also Published As

Publication number Publication date
CN102773981B (zh) 2014-10-29

Similar Documents

Publication Publication Date Title
CN102773981B (zh) 一种注塑机节能优化系统的实现方法
Ogorodnyk et al. Monitoring and control for thermoplastics injection molding a review
Shen et al. Optimization of injection molding process parameters using combination of artificial neural network and genetic algorithm method
Struzziero et al. Numerical optimisation of thermoset composites manufacturing processes: A review
Zhou Computer modeling for injection molding
Luo et al. Optimum tooling design for resin transfer molding with virtual manufacturing and artificial intelligence
Zhai et al. A study of gate location optimization of plastic injection molding using sequential linear programming
Meiabadi et al. Optimization of plastic injection molding process by combination of artificial neural network and genetic algorithm
Park et al. Design and simulation-based optimization of cooling channels for plastic injection mold
CN105751470A (zh) 一种注塑机温度实时控制方法
Kong et al. Quality control via model-free optimization for a type of batch process with a short cycle time and low operational cost
Yarlagadda et al. Development of a hybrid neural network system for prediction of process parameters in injection moulding
Kwak et al. Application of neural network and computer simulation to improve surface profile of injection molding optic lens
Huang et al. Investigation on the machine calibration effect on the optimization through design of experiments (DOE) in injection molding parts
Dong A modified rule of mixture for the vacuum-assisted resin transfer moulding process simulation
Covas et al. Introduction [to]" Optimization in polymer processing"
CN206633366U (zh) 一种注塑制品缺陷自愈调控装置
Bickerton et al. Compression resin transfer moulding (CRTM) in polymer matrix composites
Hou et al. Numerical Simulation and Multi-objective Optimization for Curing Process of Thermosetting Prepreg
Raghu Raja Pandiyan et al. Development of manufacturing technology for cab front using resin transfer molding process
Somwanshi et al. Performance analysis of temperature controllers for injection molding machine
CN107301303A (zh) 3d玻璃热弯机模具加热系统群智能优化设计方法
Liu et al. Integration optimization of molding and service for injection-molded product
CN212602969U (zh) 一种智能化注塑机系统
Studer et al. Numerical shape optimization as an approach to reduce material waste in injection molding

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
C41 Transfer of patent application or patent right or utility model
TR01 Transfer of patent right

Effective date of registration: 20151229

Address after: 523651 Jinlong Industrial Zone, third village, Qingxi Town, Guangdong, Dongguan

Patentee after: Dongguan Fuli Environmental Protection Co., Ltd.

Address before: Yudaojie Baixia District of Nanjing City, Jiangsu Province, No. 29 210016

Patentee before: Nanjing University of Aeronautics and Astronautics

CP03 Change of name, title or address

Address after: 523000 Xinglong Road, Qingxi Town, Dongguan, Guangdong Province, No. 3

Patentee after: Guangdong Fuli environmental protection and energy saving Polytron Technologies Inc

Address before: 523651 Jinlong Industrial Area, three middle village, Qingxi Town, Dongguan, Guangdong

Patentee before: Dongguan Fuli Environmental Protection Co., Ltd.

CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: 523000 Xinglong Road, Qingxi Town, Dongguan, Guangdong Province, No. 3

Patentee after: Guangdong Fuli environmental protection and energy saving Polytron Technologies Inc

Address before: 523651 Jinlong Industrial Zone, Qingxi Town, Dongguan, Guangdong

Patentee before: Dongguan Fuli Environmental Protection Co., Ltd.

CP03 Change of name, title or address