CN109783898A - 一种注塑成型生产工艺参数的智能优化方法 - Google Patents
一种注塑成型生产工艺参数的智能优化方法 Download PDFInfo
- Publication number
- CN109783898A CN109783898A CN201811614634.0A CN201811614634A CN109783898A CN 109783898 A CN109783898 A CN 109783898A CN 201811614634 A CN201811614634 A CN 201811614634A CN 109783898 A CN109783898 A CN 109783898A
- Authority
- CN
- China
- Prior art keywords
- injection molding
- manufacturing technique
- molding manufacturing
- neural network
- plastic part
- 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 63
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 60
- 238000001746 injection moulding Methods 0.000 title claims abstract description 46
- 238000005457 optimization Methods 0.000 title claims abstract description 15
- 238000003062 neural network model Methods 0.000 claims abstract description 25
- 230000002068 genetic effect Effects 0.000 claims abstract description 12
- 230000035772 mutation Effects 0.000 claims abstract description 4
- 238000002347 injection Methods 0.000 claims description 15
- 239000007924 injection Substances 0.000 claims description 15
- 210000002569 neuron Anatomy 0.000 claims description 11
- 239000000463 material Substances 0.000 claims description 8
- 238000001816 cooling Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- -1 flash Substances 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims 1
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000465 moulding Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000012356 Product development Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
一种注塑成型生产工艺参数的智能优化方法,包括以下步骤:建立RBF神经网络模型;对RBF神经网络模型进行训练得到训练后的RBF神经网络模型;利用遗传算法随机产生注塑成型生产工艺参数的初始值,得到输入向量X,并设置满足要求的塑件质量指标分数下限Slim;将输入向量X输入到RBF神经网络模型,并得到在此工艺参数下生产出塑件质量指标的评分S;将塑件质量指标的评分S与塑件质量指标的分数下限Slim进行对比,若S大于或等于Slim,则S评分合格并将注塑成型生产工艺参数输出,否则S评分不合格,并执行下一步;利用遗传算法进行选择、交叉和变异操作,产生新的注塑成型生产工艺参数,得到输入向量X,并执行步骤S4。本发明能获得满足产品质量指标的工艺参数。
Description
技术领域
本发明涉及智能制造技术领域,具体涉及了一种注塑成型生产工艺参数的智能优化方法。
背景技术
中国已成为全球制造业第一大国。近年来,随着大数据、物联网等技术的兴起,中国社会已步入智能化时代,这也给传统制造业带来了新挑战。注塑成型装备作为支撑塑料产业的工作母机,支撑了家电、汽车、消费电子等支柱产业的发展。但是大多数企业只是在低端市场依靠价格开展竞争,设备的智能化程度不高,产品附加值低,而高端市场依然由国外企业占据。传统的注塑成型生产过程中,工艺参数决策是影响塑件质量的重要因素,而其中还存在很多问题。所以,面对全球工业生产信息化的浪潮,传统注塑成型行业的转型升级迫在眉睫。
注塑成型制件的质量主要包括表面质量以及性能质量。注塑成型工艺参数是决定注塑制品质量的重要因素之一。注塑成型生产过程中的工艺参数决策严重依赖人工经验,面对新产品和生产环境中的不确定因素,塑件的质量难以保证。工艺参数主要包括温度(塑化物料温度、注射温度)、压力(注射压力、开模压力、脱模压力、锁模压力等)、及时间(冷却时间、注射时间)、速度(射出速度、开闭模速度、脱模速度)等。传统的注塑工艺参数设置采用尝试法依赖人工经验以及简单的计算公式进行初设置,通过试件缺陷进行参数的不断修正。这种方法导致生产周期长、成本高,产品质量难以保障。特别是在精密成型领域,传统的参数条件方法已难以获得满意的产品品质。同时,在目前市场多变和新产品不断涌现的环境中,由于传统的方法过分依赖经验及以往案例,因此在新产品研制中,传统方法面临极大挑战。工艺参数的智能化决策尤为重要。
有鉴于此,确有必要提供一种注塑成型生产工艺参数的智能优化方法,以提高制造的智能化。
发明内容
本发明目的在于克服现有技术的缺点与不足,提供了一种注塑成型生产工艺参数的智能优化方法,考虑塑件性能多方面指标,通过解决带约束的多目标优化问题,获得满足产品质量指标的注塑成型生产工艺参数,提升产品质量水平和稳定性。
为实现上述目的,本发明采用的技术方案如下:
一种注塑成型生产工艺参数的智能优化方法,包括以下步骤:
S1.建立RBF神经网络模型,所述RBF神经网络模型包括神经网络输入变量 X、隐含层神经元Fi(X)和输出变量Y,隐含层神经元Fi(X)为:
其中,其中输入向量X为注塑成型生产工艺参数,输出变量Y为塑件质量指标,σi为第i个隐含层节点变量;Ci表示第i个隐含层节点的中心,与X具有相同维数的向量;m表示感知单元的个数,也就是隐藏层的节点数;||X-Ci||是向量X-Ci的欧几里德范数;
S2.对RBF神经网络模型进行训练得到训练后的RBF神经网络模型;
S3.利用遗传算法随机产生注塑成型生产工艺参数的初始值,得到输入向量 X,并设置满足要求的塑件质量指标分数下限Slim;
S4.将输入向量X输入到训练后的RBF神经网络模型,对RBF神经网络模型的n个输出变量进行线性加权得到塑件质量指标的评分,即S表示塑件质量指标的评分,wyi表示输出变量Yi对塑件质量评分所占权重值;
S5.将塑件质量指标的评分S与塑件质量指标的分数下限Slim进行对比,若S 大于或等于Slim,则S评分合格并将输入向量X所代表的注塑成型生产工艺参数输出,否则S评分不合格,并执行下一步;
S6.利用遗传算法进行选择、交叉和变异操作,产生新的注塑成型生产工艺参数,得到输入向量X,并执行步骤S4。
由上可知,本发明通过遗传算法产生注塑成型生产工艺参数,减少生产过程对人工经验的依赖性,不仅可以减少人工操作,还能改善由于人的经验不足或决策失误引起的生产事故;接着利用RBF神经网络模型对遗传算法产生注塑成型生产工艺参数的输入向量进行训练得到塑件质量指标的评分,再将塑件质量指标的评分与塑件质量指标分数下限进行对比从而得到合格的注塑成型生产工艺参数。
综上所述,本发明利用智能方法替代人工经验,减少生产过程对人工经验的依赖性,不仅可以减少人工操作,还能改善由于人的经验不足或决策失误引起的生产事故;同时获得满足产品质量指标的注塑成型生产工艺参数,提升产品质量水平和稳定性。
作为本发明的一种改进,采用线性优化策略对隐含层神经元Fi(X)和输出变量Y之间关系进行调整,得到隐含层神经元Fi(X)和输出变量Y之间的映射关系为:
其中,win为第i层隐含层节点到第n个输出层节点的权值,n为输出层节点的个数。
进一步地,所述注塑成型生产工艺参数为塑化物料温度、注射温度、注射压力、开模压力、脱模压力、锁模压力、冷却时间、注射时间、射出速度、开闭模速度和脱模速度11个参数的任意组合。
进一步地,所述塑件质量指标为气泡、变形、油污、熔接线、缺料、毛边、孔堵和断裂8个指标的任意组合。
与现有技术相比,本发明技术方案的创新点和有益效果在于:
本发明利用智能方法替代人工经验,减少生产过程对人工经验的依赖性,不仅可以减少人工操作,还能改善由于人的经验不足或决策失误引起的生产事故;
同时获得满足产品质量指标的注塑成型生产工艺参数,提升产品质量水平和稳定性。
附图说明
图1为本发明注塑成型生产工艺参数的智能优化方法的流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部内容。
实施例
请参考图1,一种注塑成型生产工艺参数的智能优化方法,包括以下步骤:
S1.建立RBF神经网络模型,所述RBF神经网络模型包括神经网络输入变量 X、隐含层神经元Fi(X)和输出变量Y,隐含层神经元Fi(X)为:
其中,其中输入向量X为注塑成型生产工艺参数,输出变量Y为塑件质量指标,σi为第i个隐含层节点变量;Ci表示第i个隐含层节点的中心,与X具有相同维数的向量;m表示感知单元的个数,也就是隐藏层的节点数;||X-Ci||是向量X-Ci的欧几里德范数;
S2.对RBF神经网络模型进行训练得到训练后的RBF神经网络模型;
S3.利用遗传算法随机产生注塑成型生产工艺参数的初始值,得到输入向量 X,并设置满足要求的塑件质量指标分数下限Slim;
S4.将输入向量X输入到训练后的RBF神经网络模型,对RBF神经网络模型的n个输出变量进行线性加权得到塑件质量指标的评分,即S表示塑件质量指标的评分,wyi表示输出变量Yi对塑件质量评分所占权重值;
S5.将塑件质量指标的评分S与塑件质量指标的分数下限Slim进行对比,若S 大于或等于Slim,则S评分合格并将输入向量X所代表的注塑成型生产工艺参数输出,否则S评分不合格,并执行下一步;
S6.利用遗传算法进行选择、交叉和变异操作,产生新的注塑成型生产工艺参数,得到输入向量X,并执行步骤S4。
由上可知,本发明通过遗传算法产生注塑成型生产工艺参数,减少生产过程对人工经验的依赖性,不仅可以减少人工操作,还能改善由于人的经验不足或决策失误引起的生产事故;接着利用RBF神经网络模型对遗传算法产生注塑成型生产工艺参数的输入向量进行训练得到塑件质量指标的评分,再将塑件质量指标的评分与塑件质量指标分数下限进行对比从而得到合格的注塑成型生产工艺参数。
综上所述,本发明利用智能方法替代人工经验,减少生产过程对人工经验的依赖性,不仅可以减少人工操作,还能改善由于人的经验不足或决策失误引起的生产事故;同时获得满足产品质量指标的注塑成型生产工艺参数,提升产品质量水平和稳定性。
在本实施例中,采用线性优化策略对隐含层神经元Fi(X)和输出变量Y之间关系进行调整,得到隐含层神经元Fi(X)和输出变量Y之间的映射关系为:
其中,win为第i层隐含层节点到第n个输出层节点的权值,n为输出层节点的个数。
在本实施例中,所述注塑成型生产工艺参数为塑化物料温度、注射温度、注射压力、开模压力、脱模压力、锁模压力、冷却时间、注射时间、射出速度、开闭模速度和脱模速度11个参数的任意组合。本发明采用神经网络模型来表达各项工艺参数与塑件质量的关系,并评估塑件的综合质量,所以选取注塑成型生产中的一些工艺参数作为输入变量,这里选取塑化物料温度、注射温度、注射压力、开模压力、脱模压力、锁模压力、冷却时间、注射时间、射出速度、开闭模速度、脱模速度共11个参数作为神经网络输入变量,另外也可根据实际生产情况选取更多或更少参数。
在本实施例中,所述塑件质量指标为气泡、变形、油污、熔接线、缺料、毛边、孔堵和断裂8个指标的任意组合。这里选取塑件的一些质量指标包括气泡、变形、油污、熔接线、缺料、毛边、孔堵和断裂一共8项作为输出变量,并按照出现问题的严重程度对其进行量化,得到各项质量指标的分数,然后根据各项指标对产品总体质量的影响程度大小设置权重值wyi。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (4)
1.一种注塑成型生产工艺参数的智能优化方法,其特征在于包括以下步骤:
S1.建立RBF神经网络模型,所述RBF神经网络模型包括神经网络输入变量X、隐含层神经元Fi(X)和输出变量Y,隐含层神经元Fi(X)为:
其中,其中输入向量X为注塑成型生产工艺参数,输出变量Y为塑件质量指标,σi为第i个隐含层节点变量;Ci表示第i个隐含层节点的中心,与X具有相同维数的向量;m表示感知单元的个数,也就是隐藏层的节点数;||X-Ci||是向量X-Ci的欧几里德范数;
S2.对RBF神经网络模型进行训练得到训练后的RBF神经网络模型;
S3.利用遗传算法随机产生注塑成型生产工艺参数的初始值,得到输入向量X,并设置满足要求的塑件质量指标分数下限Slim;
S4.将输入向量X输入到训练后的RBF神经网络模型,对RBF神经网络模型的n个输出变量进行线性加权得到塑件质量指标的评分,即S表示塑件质量指标的评分,wyi表示输出变量Yi对塑件质量评分所占权重值;
S5.将塑件质量指标的评分S与塑件质量指标的分数下限Slim进行对比,若S大于或等于Slim,则S评分合格并将输入向量X所代表的注塑成型生产工艺参数输出,否则S评分不合格,并执行下一步;
S6.利用遗传算法进行选择、交叉和变异操作,产生新的注塑成型生产工艺参数,得到输入向量X,并执行步骤S4。
2.根据权利要求1所述的注塑成型生产工艺参数的智能优化方法,其特征在于:采用线性优化策略对隐含层神经元Fi(X)和输出变量Y之间关系进行调整,得到隐含层神经元Fi(X)和输出变量Y之间的映射关系为:
其中,win为第i层隐含层节点到第n个输出层节点的权值,n为输出层节点的个数。
3.根据权利要求1所述的注塑成型生产工艺参数的智能优化方法,其特征在于:所述注塑成型生产工艺参数为塑化物料温度、注射温度、注射压力、开模压力、脱模压力、锁模压力、冷却时间、注射时间、射出速度、开闭模速度和脱模速度11个参数的任意组合。
4.根据权利要求1所述的注塑成型生产工艺参数的智能优化方法,其特征在于:所述塑件质量指标为气泡、变形、油污、熔接线、缺料、毛边、孔堵和断裂8个指标的任意组合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811614634.0A CN109783898A (zh) | 2018-12-27 | 2018-12-27 | 一种注塑成型生产工艺参数的智能优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811614634.0A CN109783898A (zh) | 2018-12-27 | 2018-12-27 | 一种注塑成型生产工艺参数的智能优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109783898A true CN109783898A (zh) | 2019-05-21 |
Family
ID=66498710
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811614634.0A Pending CN109783898A (zh) | 2018-12-27 | 2018-12-27 | 一种注塑成型生产工艺参数的智能优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109783898A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110502779A (zh) * | 2019-07-03 | 2019-11-26 | 广东工业大学 | 一种基于模糊推理的注塑成型模具的智能设计方法 |
CN111177655A (zh) * | 2019-12-30 | 2020-05-19 | 联想(北京)有限公司 | 一种数据处理方法、装置及电子设备 |
CN111966061A (zh) * | 2020-07-23 | 2020-11-20 | 珠海格力电器股份有限公司 | 产品工艺参数的优化方法、装置、电子设备和存储介质 |
CN112348360A (zh) * | 2020-11-06 | 2021-02-09 | 华润三九(枣庄)药业有限公司 | 一种基于大数据技术的中药生产工艺参数分析系统 |
CN116186936A (zh) * | 2023-03-01 | 2023-05-30 | 华院计算技术(上海)股份有限公司 | 连铸工艺参数的确定方法、系统、设备及介质 |
CN116382219A (zh) * | 2023-05-16 | 2023-07-04 | 苏州海卓伺服驱动技术有限公司 | 一种基于在线测量技术的电机生产工艺优化方法及系统 |
CN116595889A (zh) * | 2023-06-06 | 2023-08-15 | 常州市升越模塑股份有限公司 | 基于peek材料的薄型筋体均布结构加工方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108515678A (zh) * | 2018-03-28 | 2018-09-11 | 广西科技大学 | 基于rbf神经网络的注塑工艺优化方法 |
-
2018
- 2018-12-27 CN CN201811614634.0A patent/CN109783898A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108515678A (zh) * | 2018-03-28 | 2018-09-11 | 广西科技大学 | 基于rbf神经网络的注塑工艺优化方法 |
Non-Patent Citations (8)
Title |
---|
叶欢月等: "基于遗传算法的汽车复杂注塑件成形工艺参数优化", 《浙江科技学院学报》 * |
孔轶艳等: "基于CAE和RBF神经网络的注塑工艺优化分析", 《塑料》 * |
徐冰冰等: "两种神经网络在注塑产品工艺参数确定中的应用", 《机电工程》 * |
杨炜等: "注塑成型工艺的混合智能优化", 《农业机械学报》 * |
杨礼鑫等: "遗传算法耦合BP神经网络在注塑成型工艺中的应用", 《塑料科技》 * |
胡泽豪等: "基于神经网络集的注射成型工艺参数多目标优化", 《中国塑料》 * |
郝彦琴等: "基于BP神经网络和遗传算法的机箱壳注塑工艺参数多目标优化", 《工程塑料应用》 * |
马振锋等: "基于GRA-RBF神经网络的汽车手套箱成型工艺优化", 《塑料科技》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110502779A (zh) * | 2019-07-03 | 2019-11-26 | 广东工业大学 | 一种基于模糊推理的注塑成型模具的智能设计方法 |
CN110502779B (zh) * | 2019-07-03 | 2022-08-12 | 广东工业大学 | 一种基于模糊推理的注塑成型模具的智能设计方法 |
CN111177655A (zh) * | 2019-12-30 | 2020-05-19 | 联想(北京)有限公司 | 一种数据处理方法、装置及电子设备 |
CN111177655B (zh) * | 2019-12-30 | 2022-04-22 | 联想(北京)有限公司 | 一种数据处理方法、装置及电子设备 |
CN111966061A (zh) * | 2020-07-23 | 2020-11-20 | 珠海格力电器股份有限公司 | 产品工艺参数的优化方法、装置、电子设备和存储介质 |
CN112348360A (zh) * | 2020-11-06 | 2021-02-09 | 华润三九(枣庄)药业有限公司 | 一种基于大数据技术的中药生产工艺参数分析系统 |
CN116186936A (zh) * | 2023-03-01 | 2023-05-30 | 华院计算技术(上海)股份有限公司 | 连铸工艺参数的确定方法、系统、设备及介质 |
CN116186936B (zh) * | 2023-03-01 | 2024-03-22 | 华院计算技术(上海)股份有限公司 | 连铸工艺参数的确定方法、系统、设备及介质 |
CN116382219A (zh) * | 2023-05-16 | 2023-07-04 | 苏州海卓伺服驱动技术有限公司 | 一种基于在线测量技术的电机生产工艺优化方法及系统 |
CN116382219B (zh) * | 2023-05-16 | 2023-08-11 | 苏州海卓伺服驱动技术有限公司 | 一种基于在线测量技术的电机生产工艺优化方法及系统 |
CN116595889A (zh) * | 2023-06-06 | 2023-08-15 | 常州市升越模塑股份有限公司 | 基于peek材料的薄型筋体均布结构加工方法及系统 |
CN116595889B (zh) * | 2023-06-06 | 2023-10-27 | 常州市升越模塑股份有限公司 | 基于peek材料的薄型筋体均布结构加工方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109783898A (zh) | 一种注塑成型生产工艺参数的智能优化方法 | |
CN110377948A (zh) | 一种注塑参数多目标优化方法 | |
CN1851715B (zh) | 塑料注射过程中注塑件缺陷的智能修正方法及注塑机 | |
CN113119425B (zh) | 一种基于改进支持向量机的注塑产品质量预测方法 | |
CN108182318B (zh) | 一种基于ug nx系统的塑件几何可模塑性分析的方法 | |
CN103901773B (zh) | 一种针对输入时滞的2d混杂控制器设计方法 | |
CN112069610B (zh) | 一种透明复杂多腔塑件的注塑工艺参数优化方法 | |
Gao et al. | Process parameters optimization using a novel classification model for plastic injection molding | |
CN106295795A (zh) | 一种基于bp神经网络算法的铜管内螺纹成形质量预测方法 | |
CN113408195B (zh) | 一种过程中刀具磨损状态预测方法 | |
CN109614651A (zh) | 一种注塑件加工参数与变形关系的高精度估算方法 | |
CN110502779A (zh) | 一种基于模糊推理的注塑成型模具的智能设计方法 | |
CN108447737B (zh) | 一种基于单纯形搜索的继电器底座质量优化系统 | |
CN108445855B (zh) | 基于K-means的注塑机配方参数优化方法 | |
Salamoni et al. | Injection molding process modeling using back propagation neural network method | |
CN101853318A (zh) | 塑料注射成形中冷却时间的快速预测方法 | |
CN113554216B (zh) | 一种Kfold-LSTM混合变异寻优高分子混合制造多目标优化方法 | |
CN109101988A (zh) | 一种基于贝叶斯网络的不合格注塑成型产品的分析方法 | |
Cao et al. | Experimental-based optimization of polymer injection molding process parameters using anfis-ga method | |
CN109558664B (zh) | 一种注塑成型制造的复合物料配方制定方法 | |
CN111002564A (zh) | 一种吹塑成形工艺参数在线调控方法 | |
CN116843148B (zh) | 利用数据分析技术的数字化生产管理系统及方法 | |
CN201166788Y (zh) | 注塑机消除注塑制品缺陷系统 | |
CN109711004A (zh) | 一种光纤折射率大数据预测方法 | |
CN117140897B (zh) | 一种自动调节注塑温度的方法及系统 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190521 |