CN103737878B - 一种注塑缺陷在线修正方法及注塑机 - Google Patents

Abstract

本发明公开了一种注塑缺陷在线修正方法及注塑机，该方法包括：（1）确定优化参数类型及个数；（2）根据所需要优化的注塑成型工艺参数，以及缺陷类别，建立背景数据；（3）试模与质量反馈；（4）试模工艺参数归一化处理；（5）求解最优问题；（6）计算工艺最优超平面；（7）计算修正后的工艺参数；（8）工艺参数反归一化，获得实际试模工艺参数并试模。本发明还提供了一种基于上述在线修正注塑缺陷方法的注塑机。本发明对样本数据进行预处理，并将规则以背景数据的形式引入试模数据中，可以克服专家系统和基于规则的推理存在的规则的组织与表达困难的问题，以及人工神经网络和实例推理存在着的对样本要求高，收集困难的问题。

Description

一种注塑缺陷在线修正方法及注塑机

技术领域

本发明属于塑料注射成型技术领域，更具体地，涉及一种注塑缺陷在线修正方法及注塑机。

背景技术

在塑料注射成型生产过程中，影响制品质量的因素多而复杂，主要包括原材料、注射机、模具和成型工艺参数。在原材料、注射机、模具确定之后，影响塑料制品质量的最主要因素是成型工艺参数。因此如何调节和优化注塑成型工艺参数，以期获得具有稳定质量的产品，成为一个亟待解决的问题。

目前广泛研究的塑料注射成型缺陷修正方法，包括试验优化设计、专家系统、基于规则的推理、人工神经网络、实例推理等。而专家系统和基于规则的推理，存在着规则的组织与表达困难的问题；人工神经网络和实例推理存在着样本收集的瓶颈，且其对样本要求高，正确而充足的学习样本才能保证推理的准确性。

发明内容

本发明的目的在于克服上述不足，提供了一种对试模数据进行预处理，并将塑料注塑成型过程中的缺陷修正规则以背景数据的形式引入到试模数据中，通过少数几次试模，就可以修正注塑制品缺陷的方法及其注塑机。

本发明的目的是通过下述技术方案实现：对样本进行预处理，并将塑料注塑成型过程中的缺陷修正规则以背景数据的形式引入到试模数据中，从而减少了大量规则的组织与表达，通过少数几次试模，消除制品缺陷。

按照本发明的一个方面，提供了一种注塑缺陷在线修正方法，包括以下步骤：

（1）根据注塑成型制品质量与注塑成型工艺参数的配对关系，对注塑成型制品缺陷进行分类，并确定待优化注塑成型工艺参数；

（2）根据所需要优化的注塑成型工艺参数，以及缺陷类别，建立背景数据；

（3）将初始设定的工艺参数组合设置到注塑机上进行试模，记录并保存相应的制品缺陷类别，从而得到试模数据；

（4）对试模数据进行归一化处理，得到归一化后的试模数据；

（5）将背景数据和归一化后的试模数据一起作为训练数据，并利用所有训练数据构造并求解最优化问题，得到最优解：

（6）根据求得的最优解，计算工艺最优超平面；

（7）求取到最优超平面距离最小的点在最优超平面上对应的投影点，该点的取值即为修正后的工艺参数；

（8）将修正后的工艺参数反归一化，并将反归一化后的工艺参数设置到注塑机上进行试模，若获得成功的制品，则停止；若未获得成功的制品，则将修正后的工艺参数与所述背景数据一起作为训练数据，跳转到步骤（5），计算最优解。

优选地，所述步骤（1）中对注塑成型制品缺陷进行分类的标准是，工艺参数对制品缺陷的影响因素相同或相近，位于工艺窗口边缘的同一侧。

优选地，所述步骤（2）包括：

将步骤（1）中确定的待优化注塑成型工艺参数分别用(a₁,a₂,a₃,…a_M)表示，M为待优化注塑成型工艺参数的个数；背景数据为 $T_{\mathrm{backdata}}=\{(x_{{M1}_{\mathrm{bakdata}}},y_1),(x_{{M2}_{\mathrm{backdata}}},y_2),(x_{{M3}_{\mathrm{backdata}}},y_3),...,(x_{{\mathrm{Ms}}_{\mathrm{backdata}}},y_s)\}\∈{(X,Y)}^g,$ s为背景数据组合序号，s=1，2,3，…，g，其中g表示背景数据的个数，为第s个背景数据组合所对应的缺陷类别， 分别为第s个背景数据组合的M个工艺参数所对应的背景数据取值，若减少某个工艺参数将加大该类缺陷，则将该工艺参数所对应的背景数据取值为[0.001，0.01]，若增加某个工艺参数将加大该类缺陷，则将该工艺参数所对应的背景数据取值[0.99，0.999]。

优选地，所述步骤（3）包括：将初始设定的工艺参数组合设置到注塑机上进行试模，记录并保存相应的制品缺陷类别y_w，从而得到试模数据 $T_{\mathrm{trail}}=\{(x_{{M1}_{t_{\mathrm{trail}}}},y_1),(x_{{M2}_{\mathrm{trail}}},y_2),(x_{{M3}_{\mathrm{trail}}},y_3),...,(x_{{\mathrm{Mw}}_{t_{\mathrm{trail}}}},y_w)\}\∈{(X,Y)}^f,$ 其中 $y_w\⋐\{+1,-1\},$ 为第w次试模所得制品的缺陷类别，w=1、2、3、…、f，为第w次试模的工艺参数组合，f为总的试模次数。

优选地，所述步骤（4）包括：对试模数据进行归一化处理，使各工艺参数取值范围为[0,1]，得到处理之后的工艺参数组合具体方法为： ${a_{1_w}}^{\′}=\frac{a_{1_w}}{A_1},$ ${a_{2_w}}^{\′}=\frac{a_{2_w}}{A_2},$ ${a_{3_w}}^{\′}=\frac{a_{3_w}}{A_3},$ 其中，A₁、A₂、A₃、…、A_M分别为工艺参数所能够取值的最大值，从而得到归一化之后的试模数据 $T_{\mathrm{trail}}=\{({x_{{M1}_{\mathrm{trail}}}}^{\′},y_1),({x_{{M2}_{\mathrm{trail}}}}^{\′},y_2),({x_{{M3}_{\mathrm{trail}}}}^{\′},y_3),...,({x_{{\mathrm{Mw}}_{\mathrm{trail}}}}^{\′},y_w)\}\∈{(X,Y)}^f.$

优选地，所述步骤（5）包括：将背景数据T_backdata和试模数据T_trail一起作为训练数据，从而得到训练数据根据训练数据中的工艺参数组合x_Mh及相应的制品缺陷类别y_h，按下式求解各拉格朗日乘子α_h的最优值：

$\left\{\begin{array}{c}\min \frac{1}{2}\underset{h=1}{\overset{g+f}{\mathrm{\Σ}}}\underset{i=1}{\overset{g+f}{\mathrm{\Σ}}}{y}_h{y}_i{\mathrm{\α}}_h{\mathrm{\α}}_i\left(x_{\mathrm{Mh}}{x}_{\mathrm{Mi}}\right)-\underset{h=1}{\overset{g+f}{\mathrm{\Σ}}}{\mathrm{\α}}_h\\ \underset{h=1}{\overset{g+f}{\mathrm{\Σ}}}{y}_h{\mathrm{\α}}_h=0\\ {\mathrm{\α}}_h\≥0;h=1,...,g+f\end{array}\right.$

得最优值集合：α^*＝(α^* ₁,……,α^* _g+f)^T。

式中，制品缺陷类别制品缺陷类别试模次数序号h＝1,2,…,g+f，i＝1,2,…,g+f，g为总的背景数据个数，f为总的试模次数；α^* ₁,α^* ₂,…,α^* _g+f为各拉格朗日乘子α_h的最优值；

优选地，所述步骤（6）包括：

构造最优超平面：v^*·X+b^*=0

其中，权重v^*=(v₁,v₂,…,v_M)为M维行向量，x_Mh为训练数据的工艺参数组合，X为M维工艺参数组合变量，每一维对应相应的工艺参数，特征值α^* _d为最优值集合α^*中的任意一个正分量，x_Md为α^* _d所对应的工艺参数组合，y_d为x_Md对应的缺陷类别；

优选地，所述步骤（7）包括：

计算各训练数据的工艺参数组合x_Mh与最优超平面的距离s_h：

s_h＝v^*·x_Mh+b^*，h＝1、2、3、…、g+f，

比较大小,得到最小距离s_opt以及对应的工艺参数组合该点即为最靠近最优超平面的点，计算这个点在最优超平面上对应的投影点，该点的取值即为推荐的最优参数组合 ${x_{\mathrm{Me}}}^{\′}=({a_{1_e}}^{\′},{a_{2_e}}^{\′},{a_{3_e}}^{\′},...,{a_{M_e}}^{\′}),$ 其计算公式为：

${a_{\mathrm{je}}}^{\′}=a_{\mathrm{jopt}}-\frac{\frac{\left|v_j\right|}{\underset{h=1}{\overset{M}{\mathrm{\Σ}}}\left|v_j\right|}\×s_0}{v_j},$ 其中，j＝1,…,M。

优选地，所述步骤（8）对修正后的工艺参数进行反归一化处理具体为：对步骤（7）得到的最优工艺参数组合x_Me′进行反归一化处理，得到工艺参数组合 $x_{\mathrm{Me}}=(a_{1_e},a_{2_e},a_{3_e},...,a_{M_e}),$ 其中,

$a_{1_e}={a_{1_e}}^{\′}\×A_1,$

$a_{2_e}={a_{2_e}}^{\′}\×A_2$

$a_{3_e}={a_{3_e}}^{\′}\×A_3$

…

$a_{M_e}={a_{M_e}}^{\′}\×A_M,$

其中，A₁、A₂、A₃、…、A_M分别为工艺参数所能够取值的最大值。

按照本发明的另一方面，还提供了一种基于上述方法的注塑机，其特征在于，包括注塑机主机、存储器、处理器和控制器，所述存储器用来存储背景数据以及处理过程中的训练数据，所述处理器用于按上述方法计算工艺参数，并将所述工艺参数传输给控制器，所述控制器根据所述工艺参数控制所述注塑机主机试模。

综上所述，与现有技术相比，本发明具有如下有益效果：

（1）本发明将塑料注射成型过程中的工艺参数调整规则以背景数据的形式加入到试模数据中，省去了大量规则表达与组织难度，降低了对试模数据的要求，通过少数几次试模，就可以获得最优工艺参数，从而大大减少了试模次数；

（2）对试模数据作归一化处理，可以减去大的特征数据对小特征数据的影响，既提高了试模效率，又节约了材料和能源。

附图说明

图1是本发明的注塑缺陷在线修正方法整体流程图；

图2是本发明构建的优选实施例中背景数据分类示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

本发明提供了一种注塑缺陷在线修正方法，如图1所示，包括以下步骤：

（1）确定待调整的工艺参数类型及个数；

根据注塑成型制品质量与注塑成型工艺参数的配对关系，对注塑成型制品缺陷进行分类，分类的标准是工艺参数对制品缺陷的影响因素相同或相近，位于工艺窗口边缘的同一侧,并确定待优化塑料注射成型工艺参数个数。

所述的注塑成型制品质量与注塑成型工艺参数的配对关系是指制品出现缺陷之后，为了消除制品缺陷，需要将成型工艺参数沿着增加或者减小的方向调整的关系。

所述的注塑成型制品缺陷是指工艺人员能够直接观测到的外观缺陷，短射、气泡、缩水、熔接纹、波流痕、飞边、翘曲、烧焦、顶白、脱模困难。考虑到在试模过程中，试模数据有限，而采用多分类对试模数据要求高，这样必定会增加试模次数，如图2所示，我们将制品缺陷分为两类，+1类和-1类，+1类包括短射、气泡、缩水、熔接纹、波流痕，-1类包括飞边、翘曲、烧焦、顶白、脱模困难。

所述的塑料注射成型工艺参数包括温度参数、注射参数、保压参数、冷却参数、计量参数、射退参数。温度参数包括模具温度、料筒温度、喷嘴温度，注射参数包括注射时间、注射压力、注射速度、注射位置，保压参数包括保压压力、保压速度、保压时间，冷却参数指冷却时间，计量参数包括螺杆转速、计量背压、计量位置，射退参数包括计量前减压距离、计量前减压速度、计量后减压距离、计量后减压速度。用户可以根据实际情况选择所要优化的工艺参数类型及个数M。

（2）根据所需要优化的M个注塑成型工艺参数，以及缺陷类别，建立背景数据；

所述的M个注塑成型工艺参数分别用(a₁,a₂,a₃,…a_M)表示。

背景数据的表达方式为： $T_{\mathrm{backdata}}=\{(x_{{M1}_{\mathrm{bakdata}}},y_1),(x_{{M2}_{\mathrm{backdata}}},y_2),(x_{{M3}_{\mathrm{backdata}}},y_3),...,(x_{{\mathrm{Ms}}_{\mathrm{backdata}}},y_s)\}\∈{(X,Y)}^g,$ 式中s为背景数据组合序号，s=1，2,3，…，g，y_s为第s个背景数据组合所对应的缺陷类别，s=1，2,3，…，g，其中g表示背景数据的个数，为第s个背景数据组合所对应的缺陷类别， 分别为第s个背景数据组合的M个工艺参数所对应的背景数据取值，若减少某个工艺参数将加大该类缺陷，则将该工艺参数所对应的背景数据取值为[0.001，0.01]，若增加某个工艺参数将加大该类缺陷，则将该工艺参数所对应的背景数据取值[0.99，0.999]。g为总的背景数据个数。背景数据的个数可以任意选取，一般将+1类和-1类背景数据取相同个数即可。

（3）试模与质量反馈

工艺人员根据实际经验，将工艺参数组合设置到注塑机控制器上，运行注塑机进行试模，记录并保存相应的制品缺陷类别y_w，从而得到试模数据其中为第w次试模的质量未达标分类，w=1、2、…、f，为第w次试模的工艺参数组合，f为总的试模次数。

（4）试模工艺参数归一化处理

对试模数据进行归一化处理，使各工艺参数取值范围为[0,1]，得到处理之后的工艺参数组合具体方法为：

${a_{1_w}}^{\′}=\frac{a_{1_w}}{A_1},$

${a_{2_w}}^{\′}=\frac{a_{2_w}}{A_2},$

${a_{3_w}}^{\′}=\frac{a_{3_w}}{A_3},$

…

${a_{M_w}}^{\′}=\frac{a_{M_w}}{A_M}$

其中，A₁、A₂、A₃、…、A_M分别为工艺参数所能够取值的最大值。从而得到归一化之后的试模数据 $T_{\mathrm{trail}}=\{({x_{{M1}_{\mathrm{trail}}}}^{\′},y_1),({x_{{M2}_{\mathrm{trail}}}}^{\′},y_2),({x_{{M3}_{\mathrm{trail}}}}^{\′},y_3),...,({x_{{\mathrm{Mw}}_{\mathrm{trail}}}}^{\′},y_w)\}\∈{(X,Y)}^f.$

（5）求解最优问题

将背景数据和试模数据一起作为训练数据，从而得到训练数据根据训练数据中的工艺参数组合x_Mh及相应的制品缺陷类别y_h，按下式求解各拉格朗日乘子α_h的最优值：

$\left\{\begin{array}{c}\min \frac{1}{2}\underset{h=1}{\overset{g+f}{\mathrm{\Σ}}}\underset{i=1}{\overset{g+f}{\mathrm{\Σ}}}{y}_h{y}_i{\mathrm{\α}}_h{\mathrm{\α}}_i\left(x_{\mathrm{Mh}}{x}_{\mathrm{Mi}}\right)-\underset{h=1}{\overset{g+f}{\mathrm{\Σ}}}{\mathrm{\α}}_h\\ \underset{h=1}{\overset{g+f}{\mathrm{\Σ}}}{y}_h{\mathrm{\α}}_h=0\\ {\mathrm{\α}}_h\≥0;h=1,...,g+f\end{array}\right.$

得最优值集合：α^*＝(α^* ₁,……,α^* _g+f)^T。

式中，制品缺陷类别制品缺陷类别试模次数序号h＝1,2,…,g+f，i＝1,2,…,g+f，g为总的背景数据个数，f为总的试模次数；α^* ₁,α^* ₂,…,α^* _g+f为各拉格朗日乘子α_h的最优值；

（6）计算工艺最优超平面

构造最优超平面：v^*·X+b^*=0

其中，权重v^*=(v₁,v₂,…,v_M)为M维行向量，x_Mh为训练数据的工艺参数组合，X为M维工艺参数组合变量，每一维对应相应的工艺参数，特征值α^* _d为最优值集合α^*中的任意一个正分量，x_Md为α^* _d所对应的工艺参数组合，y_d为x_Md对应的缺陷类别；

（7）计算修正后的工艺参数

计算各训练数据的工艺参数组合x_Mh与最优超平面的距离s_h：

s_h＝v^*·x_Mh+b^*，h＝1、2、3、…、g+f，

比较大小,得到最小距离s_opt以及对应的工艺参数组合该点即为最靠近最优超平面的点，计算这个点在最优超平面上对应的投影点，该点的取值即为推荐的最优参数组合 ${x_{\mathrm{Me}}}^{\′}=({a_{1_e}}^{\′},{a_{2_e}}^{\′},{a_{3_e}}^{\′},...,{a_{M_e}}^{\′}),$ 其计算公式为：

${a_{\mathrm{je}}}^{\′}=a_{\mathrm{jopt}}-\frac{\frac{\left|v_j\right|}{\underset{h=1}{\overset{M}{\mathrm{\Σ}}}\left|v_j\right|}\×s_0}{v_j},$ 其中，j＝1,…,M。

（8）工艺参数反归一化，获得实际工艺参数并试模。

对输出的工艺参数组合x_e′进行反归一化处理，得到工艺参数组合 $x_{\mathrm{Me}}=(a_{1_e},a_{2_e},a_{3_e},...,a_{M_e}),$ 其中,

$a_{1_e}={a_{1_e}}^{\′}\×A_1,$

$a_{2_e}={a_{2_e}}^{\′}\×A_2$

$a_{3_e}={a_{3_e}}^{\′}\×A_3$

…

$a_{M_e}={a_{M_e}}^{\′}\×A_M,$

将工艺参数组合x_Me设置到注塑机操作面板上，进行半自动或者全自动生产，若获得成功的制品，则停止；否则，重复（4）-（8）

本发明相当于现有技术具有如下优点及效果：

本发明将塑料注射成型过程中的工艺参数调整规则以背景数据的形式加入到试模数据中，省去了大量规则表达与组织难度，降低了对试模数据的要求，通过少数几次试模，就可以获得最优工艺参数，从而大大减少了试模次数；对试模数据的归一化处理，就可以减去大的特征数据对小特征数据的影响，既提高了试模效率，又节约了材料和能源。

本发明还提供了一种注塑机，包括注塑机主机、存储器、处理器和控制器，所述存储器用来存储背景数据以及处理过程中的训练数据，所述处理器用于按照上述方法计算工艺参数，并将所述工艺参数传输给控制器，所述控制器根据所述工艺参数控制所述注塑机主机试模。

下面以具体实验为例，说明本发明方法。实验用注塑机：日本FANUC公司的FANUCS2000i100A，实验材料：PP。在实验过程中出现的缺陷为“短射”和“飞边”，优化的工艺参数为：“注射速度”、“保压压力”、“保压时间”。

根据注射速度、保压压力、保压时间对短射与飞边的调整关系，我们建立如下背景数据，见表（1）；

表（1）背景数据

类标	注射速度	保压压力	保压时间
				+1	1:0.001	2:0.001	3:0.001

+1	1:0.002	2:0.001	3:0.001
				+1	1:0.003	2:0.001	3:0.001
+1	1:0.004	2:0.001	3:0.001
				+1	1:0.005	2:0.001	3:0.001
+1	1:0.006	2:0.001	3:0.001
				+1	1:0.007	2:0.001	3:0.001
+1	1:0.008	2:0.001	3:0.001
				+1	1:0.009	2:0.001	3:0.001
+1	1:0.01	2:0.001	3:0.001
				+1	1:0.001	2:0.002	3:0.001
+1	1:0.001	2:0.003	3:0.001
				+1	1:0.001	2:0.004	3:0.001
+1	1:0.001	2:0.005	3:0.001
				+1	1:0.001	2:0.006	3:0.001
+1	1:0.001	2:0.007	3:0.001
				+1	1:0.001	2:0.008	3:0.001
+1	1:0.001	2:0.009	3:0.001
				+1	1:0.001	2:0.01	3:0.001
+1	1:0.001	2:0.001	3:0.002
				+1	1:0.001	2:0.001	3:0.003
+1	1:0.001	2:0.001	3:0.004
				+1	1:0.001	2:0.001	3:0.005
+1	1:0.001	2:0.001	3:0.006
				+1	1:0.001	2:0.001	3:0.007
+1	1:0.001	2:0.001	3:0.008

+1	1:0.001	2:0.001	3:0.009
				-1	1:0.99	2:0.99	3:0.99
-1	1:0.991	2:0.99	3:0.99
				-1	1:0.992	2:0.99	3:0.99
-1	1:0.993	2:0.99	3:0.99
				-1	1:0.994	2:0.99	3:0.99
-1	1:0.995	2:0.99	3:0.99
				-1	1:0.996	2:0.99	3:0.99
-1	1:0.997	2:0.99	3:0.99
				-1	1:0.998	2:0.99	3:0.99
-1	1:0.999	2:0.99	3:0.99
				-1	1:0.99	2:0.991	3:0.99
-1	1:0.99	2:0.992	3:0.99
				-1	1:0.99	2:0.993	3:0.99
-1	1:0.99	2:0.994	3:0.99
				-1	1:0.99	2:0.995	3:0.99
-1	1:0.99	2:0.996	3:0.99
				-1	1:0.99	2:0.997	3:0.99
-1	1:0.99	2:0.998	3:0.99
				-1	1:0.99	2:0.99	3:0.991
-1	1:0.99	2:0.99	3:0.992
				-1	1:0.99	2:0.99	3:0.993
-1	1:0.99	2:0.99	3:0.994
				-1	1:0.99	2:0.99	3:0.995
-1	1:0.99	2:0.99	3:0.996

-1	1:0.99	2:0.99	3:0.997
				-1	1:0.99	2:0.99	3:0.998
-1	1:0.99	2:0.99	3:0.999

在试模过程中采集到的样本数据如表（2）；

类别	注射速度(mm/s)	保压压力(KG/CM2)	保压时间(s)
				+1	30	250	1
+1	40	300	1
				+1	20	200	1
-1	60	400	2
				-1	70	450	4
-1	80	550	6

因为FANUCS2000i100A的最大注射速度为330mm/s,最大保压压力为2200KG/CM²,而对于该制品保压时间取30s足够，因此将实际的注射速度、保压压力、保压时间分别除了330、2200、30，从而得到归一化处理之后的数据，见表（3）；

表（3）

类别	注射速度(mm/s)	保压压力(KG/CM2)	保压时间(s)
				+1	0.0909	0.1136	0.0333
+1	0.1212	0.1363	0.0333
				+1	0.0606	0.0909	0.0333
-1	0.1818	0.1818	0.0667
				-1	0.2121	0.2045	0.1333
-1	0.2424	0.25	0.2

将归一化之后的样本数据和背景数据作为训练数据，求解最优化问题，获得超平面，从而得出推荐的工艺参数组合，如表（4）；

注射速度(mm/s)	保压压力(KG/CM2)	保压时间(s)
			0.1682	0.1682	0.0531

进行反归一化处理，得到推荐的工艺参数组合，见表（5）；

注射速度(mm/s)	保压压力(KG/CM2)	保压时间(s)
			55.5	370	1.6

将该工艺参数设置到注塑机中，进行半自动话生产，制品缺陷无任何缺陷，即注塑缺陷修正成功。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种注塑缺陷在线修正方法，其特征在于，所述方法包括以下步骤：

(1)根据注塑成型制品质量与注塑成型工艺参数的配对关系，对注塑成型制品缺陷进行分类，并确定待优化注塑成型工艺参数，其中对注塑成型制品缺陷进行分类的标准是，工艺参数对制品缺陷的影响因素相同或相近，位于工艺窗口边缘的同一侧；

(2)根据所需要优化的注塑成型工艺参数，以及缺陷类别，建立背景数据；

(3)将初始设定的工艺参数组合设置到注塑机上进行试模，记录并保存相应的制品缺陷类别，从而得到试模数据；

(4)对试模数据进行归一化处理，得到归一化后的试模数据；

(5)将背景数据和归一化后的试模数据一起作为训练数据，并利用所有训练数据构造并求解最优化问题，得到最优解；

(6)根据求得的最优解，计算工艺最优超平面；

(7)求取到最优超平面距离最小的点在最优超平面上对应的投影点，该点的取值即为修正后的工艺参数；

(8)将修正后的工艺参数反归一化，并将反归一化后的工艺参数设置到注塑机上进行试模，若获得成功的制品，则停止；若未获得成功的制品，则将修正后的工艺参数与所述背景数据一起作为训练数据，跳转到步骤(5)，计算最优解。

2.根据权利要求1所述的方法，其特征在于，所述步骤(2)包括：

将步骤(1)中确定的待优化注塑成型工艺参数分别用a₁,a₂,a₃,…a_M表示，M为待优化注塑成型工艺参数的个数；背景数据为 $T_{\mathrm{backdata}}=\{\left(x_{{M1}_{\mathrm{backdata}},y_1}\right),\left(x_{{M2}_{\mathrm{backdata}},y_2}\right),\left(x_{{M3}_{\mathrm{backdata}},y_3}\right),...,\left(x_{{\mathrm{Ms}}_{\mathrm{backdata}},y_s}\right)\}\∈{(X,Y)}^g,$ s为背景数据组合序号，s＝1，2,3，…，g，其中g表示背景数据的个数，为第s个背景数据组合所对应的缺陷类别， 分别为第s个背景数据组合的M个工艺参数所对应的背景数据取值，若减少某个工艺参数将加大该类缺陷，则将该工艺参数所对应的背景数据取值为[0.001，0.01]，若增加某个工艺参数将加大该类缺陷，则将该工艺参数所对应的背景数据取值[0.99，0.999]。

3.根据权利要求1或2所述的方法，其特征在于，所述步骤(3)包括：将初始设定的工艺参数组合设置到注塑机上进行试模，记录并保存相应的制品缺陷类别y_w，从而得到试模数据 $T_{\mathrm{trail}}=\{(x_{{M1}_{t_{\mathrm{trail}}}},y_1),(x_{{M2}_{\mathrm{trail}}},y_2),(x_{{M3}_{\mathrm{trail}}},y_3),...,(x_{{\mathrm{Mw}}_{t_{\mathrm{trail}}}},y_w)\}\∈{(X,Y)}^f,$ 其中 $y_w\⋐\{+1,-1\},$ 为第w次试模所得制品的缺陷类别，w＝1、2、3、…、f，为第w次试模的工艺参数组合，f为总的试模次数。

4.根据权利要求3所述的方法，其特征在于，所述步骤(4)包括：对试模数据 $T_{\mathrm{trail}}=\{(x_{{M1}_{t_{\mathrm{trail}}}},y_1),(x_{{M2}_{\mathrm{trail}}},y_2),(x_{{M3}_{\mathrm{trail}}},y_3),...,(x_{{\mathrm{Mw}}_{t_{\mathrm{trail}}}},y_w)\}$ 进行归一化处理，使各工艺参数取值范围为[0,1]，得到处理之后的工艺参数组合 ${x_{{\mathrm{Mw}}_{\mathrm{trail}}}}^{\′}=({a_{1_w}}^{\′},{a_{2_w}}^{\′},{a_{3_w}}^{\′},...,{a_{M_w}}^{\′}),$ 具体方法为： ${a_{1_w}}^{\′}=\frac{{a_1}_w}{A_1},{a_{2_w}}^{\′}=\frac{a_{2_w}}{A_2},{a_{3_w}}^{\′}=\frac{a_{3_w}}{A_3},$ $...{{a_M}_w}^{\′}=\frac{a_{M_w}}{A_M},$ 其中，A₁、A₂、A₃、…、A_M分别为工艺参数所能够取值的最大值，从而得到归一化之后的试模数据 $T_{\mathrm{trail}}=\{({x_{{M1}_{\mathrm{trail}}}}^{\′},y_1),({x_{{M2}_{\mathrm{trail}}}}^{\′},y_2),({x_{{M3}_{\mathrm{trail}}}}^{\′},y_3),...,({x_{{\mathrm{Mw}}_{\mathrm{trail}}}}^{\′},y_w)\}\∈{(X,Y)}^f.$

5.根据权利要求1或2所述的方法，其特征在于，所述步骤(5)包括：将背景数据T_backdata和试模数据T_trail一起作为训练数据，从而得到训练数据根据试模的工艺参数组合x_Mh及相应的制品缺陷类别y_h，按下式求解各拉格朗日乘子α_h的最优值：

$\left\{\begin{array}{c}\min \frac{1}{2}\underset{h=1}{\overset{g+f}{\mathrm{\Σ}}}\underset{i=1}{\overset{g+f}{\mathrm{\Σ}}}{y}_h{y}_i{\mathrm{\α}}_h{\mathrm{\α}}_i\left(x_{\mathrm{Mh}}{x}_{\mathrm{Mi}}\right)-\underset{h=1}{\overset{g+f}{\mathrm{\Σ}}}{\mathrm{\α}}_h\\ \underset{h=1}{\overset{g+f}{\mathrm{\Σ}}}{y}_h{\mathrm{\α}}_h=0\\ {\mathrm{\α}}_h\≥0;h=1,...,g+f\end{array}\right.$

得最优值集合：α^*＝(α^* ₁,……,α^* _g+f)^T。

式中，制品缺陷类别制品缺陷类别试模次数序号h＝1,2,…,g+f，i＝1,2,…,g+f，g为总的背景数据个数，f为总的试模次数；α^* ₁,α^* ₂,…,α^* _g+f为各拉格朗日乘子α_h的最优值。

6.根据权利要求1或2所述的方法，其特征在于，所述步骤(6)包括：

构造最优超平面：v^*·X+b^*＝0

其中，权重v^*＝(v₁,v₂,…,v_M)为M维行向量，x_Mh为训练数据的工艺参数组合，X为M维工艺参数组合变量，每一维对应相应的工艺参数，特征值α^* _d为最优值集合α^*中的任意一个正分量，x_Md为α^* _d所对应的工艺参数组合，y_d为x_Md对应的缺陷类别。

7.根据权利要求1或2所述的方法，其特征在于，所述步骤(7)包括：

计算各训练数据的工艺参数组合x_Mh与最优超平面的距离s_h：

s_h＝v^*·x_Mh+b^*，h＝1、2、3、…、g+f，

比较|s_h|大小,得到最小距离s_opt以及对应的工艺参数组合该点即为最靠近最优超平面的点，计算这个点在最优超平面上对应的投影点，该点的取值即为推荐的最优参数组合 ${x_{\mathrm{Me}}}^{\′}=({a_{1_e}}^{\′},{a_{2_e}}^{\′},{a_{3_e}}^{\′},...,{a_{M_e}}^{\′}),$ 其计算公式为：

${a_{\mathrm{je}}}^{\′}=a_{\mathrm{jopt}}-\frac{\frac{\left|v_j\right|}{\underset{h=1}{\overset{M}{\mathrm{\Σ}}}\left|v_j\right|}\×s_0}{v_j},$ 其中，j＝1,…,M。

8.根据权利要求1或2所述的方法，其特征在于，所述步骤(8)对修正后的工艺参数进行反归一化处理具体为：

对步骤(7)得到的最优工艺参数组合x_Me'进行反归一化处理，得到反归一化后的工艺参数组合 $x_{\mathrm{Me}}=(a_{1_e},a_{2_e},a_{3_e},...,a_{M_e}),$ 其中,

$a_{1_e}={a_{1_e}}^{\′}\×A_1,$

$a_{2_e}={a_{2_e}}^{\′}\×A_2$

$a_{3_e}={a_{3_e}}^{\′}\×A_3$

…

$a_{M_e}={a_{M_e}}^{\′}\×A_m,$

其中，A₁、A₂、A₃、…、A_M分别为工艺参数所能够取值的最大值。

9.一种基于权利要求1至8任一项所述方法的注塑机，其特征在于，包括注塑机主机、存储器、处理器和控制器，所述存储器用来存储背景数据以及处理过程中的训练数据，所述处理器用于按照权利要求1至8任一项所述的方法计算工艺参数，并将所述工艺参数传输给控制器，所述控制器根据所述工艺参数控制所述注塑机主机试模。