CN110502779A - 一种基于模糊推理的注塑成型模具的智能设计方法 - Google Patents
一种基于模糊推理的注塑成型模具的智能设计方法 Download PDFInfo
- Publication number
- CN110502779A CN110502779A CN201910601289.5A CN201910601289A CN110502779A CN 110502779 A CN110502779 A CN 110502779A CN 201910601289 A CN201910601289 A CN 201910601289A CN 110502779 A CN110502779 A CN 110502779A
- Authority
- CN
- China
- Prior art keywords
- design
- mold
- fuzzy
- fuzzy rule
- parameter
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/048—Fuzzy inferencing
-
- 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
Abstract
本发明公开了一种基于模糊推理的注塑成型模具的智能设计方法,该方法首先以设计师设计的成品模具为样本,进行模糊规则库的建立并筛选可行的模糊规则,根据模具期望达到的设计参数、通过模具建模得到的设计参数向量进行模糊处理,将最优的模糊集合解析为具体的设计参数,建立模具设计的数据模型,对模型进行仿真和精度预测,然后对模具性能赋值,利用BP神经网络和粒子群算法进行映射建模和优化,最终通过最优模具性能作为约束,反求优化,得到最优的模具设计参数,利用该设计参数即可进行模具的设计。本发明利用模糊控制方法替代人工经验来设计塑件模具,减少模具设计过程对技术人员经验的依赖性,有效改善塑件性能,提高模具设计效率与精度。
Description
技术领域
本发明涉及智能制造技术领域,具体涉及一种基于模糊推理的注塑成型模具的智能设计方法。
背景技术
塑料作为20世纪的一种新兴材料,其使用范围已经深入到社会生活与生产的方方面面,成为继金属、木材、硅酸盐之后的现代工业生产中的重要原材料。而注塑成型作为塑料成型应用最广泛、技术最成熟的一种技术,支撑了电子元件,汽车行业等支柱性行业的发展。注塑成型的模具是生产各种工业产品的基础性工艺装备。随着工业技术的不断发展与突破,工业产品的发展方向逐渐转向于高质量,低成本,多类型,高精度的方向。而塑料工艺在航空,航天,电子以及机械等方面的推广应用,使得传统的依靠设计工人的经验来设计模具的方法已经无法适应当今的要求。因此优化注塑成型模具设计方法迫在眉睫。
注塑成型模具设计流程是决定塑件外形,结构及性能的重要因素之一。而目前的模具设计过程严重依赖于技术人员的设计经验,面对于目前的塑料制品的高质量,低成本,多类型,高精度等方面的要求,已无法满足。注塑成型模具设计中需要考虑到的因素主要有型腔的强度、刚度,模腔的组合性,模具的排气性,脱模的可靠性等方面。传统的注塑成型模具设计在设计过程中对模具各种参数的设计均依赖于设计人员的工作经验或简单的建模处理获取参数,这种过程会导致模具设计过程复杂,精确度低,误差率高等问题的出现,特别是在对塑料制品要求较高的电子,汽车,航天等工业中,依赖于人工经验设计的注塑模具已无法满足需求。在市场竞争严重和新产品研发换代速度较快的发展环境中,传统的注塑成型模具设计方法受到了巨大的挑战,需要通过结合智能制造等新技术来改变传统的设计方法。
发明内容
本发明的目的是提供一种基于模糊推理的注塑成型模具的智能设计方法,以模糊控制设计方案代替人工设计方法,减少设计过程对人工经验的依赖,提高模具设计的效率和精度。
为了实现上述任务,本发明采用以下技术方案:
一种基于模糊推理的注塑成型模具的智能设计方法,包括以下步骤:
步骤1,模糊规则的产生及模糊规则库的更新
步骤1.1,以模具设计师设计的成品模具为样本,以设计师的设计参数作为设计变量,通过词向量的方法转换成实数向量;
步骤1.2,利用模糊控制器对所述的实数向量进行模糊化处理,从而将样本的设计变量转换为模糊规则并储存于模糊规则库中;
步骤1.3,按照步骤1.1、1.2相同的方法,对多个设计师针设计的同一个成品模具所提供的设计变量进行处理,生成多种模糊规则并储存于模糊规则库中;
根据模糊规则中的多种模糊规则,响应新的经验并更新模糊规则库,然后对模糊规则的有效性进行判断,将可行的模糊规则保留在模糊规则库中;
步骤2,利用模糊控制获取模具参数并优化
步骤2.1,通过建模软件对成品模具进行建模处理,获取关于成品模具的设计参数,通过词向量的方法转换成实数向量;
步骤2.2,将模具期望达到的设计参数,以及所述的实数向量通过模糊产生器进行模糊化处理,将处理产生的模糊数据转化成模糊集合;
在模糊推理器中对所述的模糊集合与模糊规则库中的模糊规则进行分析,输出最优的模糊集合,然后通过解模糊器将最优的模糊集合解析为具体的设计参数,以该设计参数作为模具设计的初步指导参数,建立模具设计的数据模型;
步骤2.3,针对于所述的数据模型,分别以不同设计师在进行成品模具设计时采用的不同材料作为数据模型的材料对数据模型进行仿真,然后进行模具性能的预测,将预测结果与设计师设计的成品模具进行对比以得出所述数据模型的预测精度;
步骤2.4,将模具性能赋值并作为输入参数,以模具的材料以及模具的设计参数作为输出变量,结合BP神经网络进行映射建模,从而获得输入输出的非线性映射关系式;
利用粒子群算法对该映射模型进行优化,获得最优的模具性能数值;以该性能数值作为约束条件,采用非线性寻优方法对模具性能数值进行反求优化,从而得到最优的模具设计参数,利用该设计参数即可进行模具的设计,从而得到了模具设计方案。
进一步地,所述的方法还包括:
步骤3,模具的模流分析
利用步骤2得到的最优的模具设计参数对模具进行建模处理,通过软件模拟的方法对模具成型时模具内部流动情况进行分析,从而选择能使模具外形和性能达到最佳时的模具参数作为最终的模具设计参数。
进一步地,所述的设计参数包括:主流道直径、模具温度、浇口位置、浇口数量、排气口位置与数量、冷却通道表面积。
本发明具有以下技术特点:
1.本发明利用模糊控制方法替代人工经验来设计塑件模具,减少模具设计过程对技术人员经验的依赖性,有效改善塑件性能,还能提高模具设计效率与精度。
2.通过模糊控制以及带约束多目标优化来实现模具设计过程中的各项相关参数的优化,如制品尺寸,精度以及外形要求等,取代传统人工设计及优化方法,提升塑件质量与性能,提高设计与生产效率,降低人力成本。
3.利用BP神经网络和粒子群算法优化方案来实现模具设计过程优化,从而实现智能优化,提升塑件性能与质量。
附图说明
图1为模糊控制器结构示意图;
图2为模糊系统结构示意图;
图3为模具参数设定及优化流程图。
具体实施方式
注塑成型模具设计应切实符合制品尺寸,精度以及外形要求,同时还需要考虑模具设计塑品收缩率、尺寸公差、表面粗糙度等方面的影响。传统的注塑成型模具建模过程与优化依赖于设计人员的经验来完成,智能化程度低,设计与优化过程繁杂,不利于提高模具设计效率与降低塑件生产成本。
目前对于模糊推理的研究主要集中于模糊推理的逻辑基础和本身性质,而模糊推理已经广泛被应用于自动控制,将相关的设计经验数据转化为模糊规则库;发明采用模糊推理的方法设计模具参数,通过优化处理获取塑件性能最佳模型,从而提高模具设计效率与精度,降低塑件成产成本。
一种基于模糊推理的注塑成型模具的智能设计方法,包括以下步骤:
步骤1,模糊规则的产生及模糊规则库的更新
步骤1.1,以模具设计师设计的成品模具为样本,考虑模具样本的尺寸、精度、力学性能及注塑成型过程中注塑速度、取模方法,以设计师的设计参数,包括:主流道直径、模具温度、浇口位置、浇口数量、排气口位置与数量、冷却通道表面积作为设计变量,通过词向量的方法转换成可以用于数学运算的实数向量;所述的词向量的方法即将单词或者短语映射为数学上实数向量的语言建模方法。
步骤1.2,利用模糊控制器对所述的实数向量进行模糊化处理,从而将样本的设计变量转换为模糊规则并储存于模糊规则库中。
模糊控制器的结构如图1所示,包括以下部分:
模糊化:对输入的实数向量进行处理,变成模糊控制器要求的输入量,即将参考输入与输出反馈进行比较得到的误差值;然后将输入量进行尺度变换至模糊控制器规定的范围以内;最后将已达到规定范围的输入量从清晰向量转化为用模糊集合表示的模糊量。
知识库:知识库由数据库和模糊规则库组成,其中数据库包含各语言变量的隶属函数、尺度变换因子和模糊空间的分级数;规则库包括了模糊语言变量表示的模糊规则,它们反映了控制专家的经验和知识。
模糊推理:模糊推理是模糊控制器的核心,它具有人基于模糊概念的推理能力,是基于模糊逻辑中的蕴涵关系和推理关系来进行的。
清晰化:将模糊的控制量通过映射的方法变成在实数领域的的实数向量,再通过尺度变化转换为实际的控制量。
步骤1.3,按照步骤1.1、1.2相同的方法,对多个设计师针设计的同一个成品模具所提供的设计变量进行处理,生成多种模糊规则并储存于模糊规则库中,则模糊规则库中包含多种设计经验对应的模糊规则;
根据模糊规则中的多种模糊规则,响应新的经验并更新模糊规则库,然后对模糊规则的有效性进行判断,将可行的模糊规则保留在模糊规则库中。
步骤2,利用模糊控制获取模具参数并优化
步骤2.1,通过CAE/CAD等建模软件对成品模具进行建模处理,获取关于成品模具的设计参数,包括主流道直径、模具温度、浇口位置、浇口数量、排气口位置与数量、冷却通道表面积,通过词向量的方法转换成实数向量。
步骤2.2,将给定的设计目标,即模具期望达到的设计参数,以及步骤2.1 所述的实数向量通过模糊产生器进行模糊化处理,将处理产生的模糊数据转化成模糊集合;
在模糊推理器中对所述的模糊集合与模糊规则库中的模糊规则进行分析,输出最优的模糊集合,然后通过解模糊器将最优的模糊集合解析为具体的设计参数,以该设计参数作为模具设计的初步指导参数,建立模具设计的数据模型。
步骤2.3,针对于所述的数据模型,分别以不同设计师在进行成品模具设计时采用的不同材料作为数据模型的材料对数据模型进行仿真,然后进行模具性能的预测,将预测结果与设计师设计的成品模具进行对比以得出所述数据模型的预测精度,找出预测精度最高的数据模型;然后引入灰色关联理论,利用灰色关联分析计算设计参数对模具性能的影响程度。
步骤2.4,将模具性能赋值并作为输入参数,以模具的材料以及模具的设计参数作为输出变量,结合BP神经网络(1986年由Rumelhart和McClelland为首的科学家提出的概念,是一种按照误差逆向传播算法训练的多层前馈神经网络,是目前应用最广泛的神经网络)进行映射建模,从而获得输入输出的非线性映射关系式;
利用粒子群算法(1995年由Eberhart博士和kennedy博士提出,利用群体中的个体对信息的共享使整个群体的运动在问题求解空间中产生从无序到有序的演化过程,从而获得最优解)对该映射模型进行优化,获得最优的模具性能数值;以该性能数值作为约束条件,采用非线性寻优方法对模具性能数值进行反求优化,从而得到最优的模具设计参数,利用该设计参数即可进行模具的设计,从而得到了模具设计方案。
作为上述技术方案的进一步优化,本方法还可以包括:
步骤3,模具的模流分析
在注塑成型过程中,模具内部成型时的流动形态在试模前无法有效判断,这使得模具参数设计无法达到最优处理。
为了分析模具内部成型时的流动形态,本方法基于Moldflow软件,设计了模流分析,利用步骤2得到的最优的模具设计参数对模具进行建模处理,通过软件模拟的方法对模具成型时模具内部流动情况进行分析,从而选择能使模具外形和性能达到最佳时的模具参数作为最终的模具设计参数。
使用Moldflow进行模流分析主要是从以下三个方面进行分析:
(1)浇注系统设计包括主流道、分流道、冷料穴和浇口等。选择正确的浇口位置和合理的浇口数量是保证产品成型质量的关键部分。首先应该使用 Moldflow对浇口位置进行自动分析,例如为了避免在塑件外表面上留下浇口断痕和熔接痕,满足外观设计要求,浇口采用潜伏式,最佳浇口位置选择塑件侧面;然后对浇注系统的充填时间、充填末端压力、熔接痕等进行分析。
(2)冷却系统设计的一般要求是在塑件注塑过程中能够实现型腔和型芯表面温度快速均匀冷却。塑料外壳结构较规则,冷却系统采用Moldflow柱单元创建为直流循环式,为实现快速均匀冷却,应在模具上下表面对称分别设置的弯曲冷却水道。
(3)翘曲量过大的主要原因是由于模具在保压阶段收缩不均匀、模流流动中散热条件不好等因素造成的。通过使用Moldflow对塑件出现的翘曲和收缩等现象仿真而得到的模拟结果并结合塑件结构进行分析,给出从塑件壁厚和模具冷却系统等方面减少翘曲变形的优化方案。中模具内部的温度场变化,采用控制变量法研究分析了注塑成型工艺参数对模温的影响,从而确定模具的最优模温。
通过以上moldflow软件对于模具模型进行仿真模拟分析,对模具参数进行最优化处理,并确定最终的模具设计参数。
Claims (3)
1.一种基于模糊推理的注塑成型模具的智能设计方法,其特征在于,包括以下步骤:
步骤1,模糊规则的产生及模糊规则库的更新
步骤1.1,以模具设计师设计的成品模具为样本,以设计师的设计参数作为设计变量,通过词向量的方法转换成实数向量;
步骤1.2,利用模糊控制器对所述的实数向量进行模糊化处理,从而将样本的设计变量转换为模糊规则并储存于模糊规则库中;
步骤1.3,按照步骤1.1、1.2相同的方法,对多个设计师针设计的同一个成品模具所提供的设计变量进行处理,生成多种模糊规则并储存于模糊规则库中;
根据模糊规则中的多种模糊规则,响应新的经验并更新模糊规则库,然后对模糊规则的有效性进行判断,将可行的模糊规则保留在模糊规则库中;
步骤2,利用模糊控制获取模具参数并优化
步骤2.1,通过建模软件对成品模具进行建模处理,获取关于成品模具的设计参数,通过词向量的方法转换成实数向量;
步骤2.2,将模具期望达到的设计参数,以及所述的实数向量通过模糊产生器进行模糊化处理,将处理产生的模糊数据转化成模糊集合;
在模糊推理器中对所述的模糊集合与模糊规则库中的模糊规则进行分析,输出最优的模糊集合,然后通过解模糊器将最优的模糊集合解析为具体的设计参数,以该设计参数作为模具设计的初步指导参数,建立模具设计的数据模型;
步骤2.3,针对于所述的数据模型,分别以不同设计师在进行成品模具设计时采用的不同材料作为数据模型的材料对数据模型进行仿真,然后进行模具性能的预测,将预测结果与设计师设计的成品模具进行对比以得出所述数据模型的预测精度;
步骤2.4,将模具性能赋值并作为输入参数,以模具的材料以及模具的设计参数作为输出变量,结合BP神经网络进行映射建模,从而获得输入输出的非线性映射关系式;
利用粒子群算法对该映射模型进行优化,获得最优的模具性能数值;以该性能数值作为约束条件,采用非线性寻优方法对模具性能数值进行反求优化,从而得到最优的模具设计参数,利用该设计参数进行模具的设计。
2.如权利要求1所述的基于模糊推理的注塑成型模具的智能设计方法,其特征在于,所述的方法还包括:
步骤3,模具的模流分析
利用步骤2得到的最优的模具设计参数对模具进行建模处理,通过软件模拟的方法对模具成型时模具内部流动情况进行分析,从而选择能使模具外形和性能达到最佳时的模具参数作为最终的模具设计参数。
3.如权利要求1所述的基于模糊推理的注塑成型模具的智能设计方法,其特征在于,所述的设计参数包括:主流道直径、模具温度、浇口位置、浇口数量、排气口位置与数量、冷却通道表面积。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910601289.5A CN110502779B (zh) | 2019-07-03 | 2019-07-03 | 一种基于模糊推理的注塑成型模具的智能设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910601289.5A CN110502779B (zh) | 2019-07-03 | 2019-07-03 | 一种基于模糊推理的注塑成型模具的智能设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110502779A true CN110502779A (zh) | 2019-11-26 |
CN110502779B CN110502779B (zh) | 2022-08-12 |
Family
ID=68585911
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910601289.5A Active CN110502779B (zh) | 2019-07-03 | 2019-07-03 | 一种基于模糊推理的注塑成型模具的智能设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110502779B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112100749A (zh) * | 2020-09-29 | 2020-12-18 | 上海卓位信息技术有限公司 | 一种汽车智能化开发系统及其构建和应用方法 |
CN112417623A (zh) * | 2020-12-04 | 2021-02-26 | 成都数模码科技有限公司 | 注塑模具人机交互智能设计方法 |
CN115795746A (zh) * | 2023-02-09 | 2023-03-14 | 广州高谱机械科技有限公司 | 一种弯曲模具的设计方法、应用及存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1851715A (zh) * | 2005-10-18 | 2006-10-25 | 宁波海太塑料机械有限公司 | 塑料注射过程中注塑件缺陷的智能修正方法及注塑机 |
CN101879775A (zh) * | 2009-11-16 | 2010-11-10 | 宁波弘讯科技有限公司 | 一种工艺参数自动优化的注塑机控制系统及其控制方法 |
US20100292970A1 (en) * | 2009-05-15 | 2010-11-18 | Paul Brincat | Energy usage in injection molding simulations |
CN103093062A (zh) * | 2013-02-19 | 2013-05-08 | 西北工业大学 | 注塑成型工艺对塑件翘曲变形影响的参数化分析方法 |
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 |
CN106055787A (zh) * | 2016-05-30 | 2016-10-26 | 广西科技大学 | 一种基于bp神经网络的汽车内饰面板注塑成型工艺 |
US20170177992A1 (en) * | 2014-04-24 | 2017-06-22 | Conocophillips Company | Growth functions for modeling oil production |
CN106919982A (zh) * | 2017-03-20 | 2017-07-04 | 中国科学院沈阳自动化研究所 | 一种面向半导体工艺设备的故障诊断方法 |
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 |
CN108549761A (zh) * | 2018-03-30 | 2018-09-18 | 广西科技大学 | 模具优化设计方法 |
CN109783898A (zh) * | 2018-12-27 | 2019-05-21 | 广东工业大学 | 一种注塑成型生产工艺参数的智能优化方法 |
-
2019
- 2019-07-03 CN CN201910601289.5A patent/CN110502779B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1851715A (zh) * | 2005-10-18 | 2006-10-25 | 宁波海太塑料机械有限公司 | 塑料注射过程中注塑件缺陷的智能修正方法及注塑机 |
US20100292970A1 (en) * | 2009-05-15 | 2010-11-18 | Paul Brincat | Energy usage in injection molding simulations |
CN101879775A (zh) * | 2009-11-16 | 2010-11-10 | 宁波弘讯科技有限公司 | 一种工艺参数自动优化的注塑机控制系统及其控制方法 |
CN103093062A (zh) * | 2013-02-19 | 2013-05-08 | 西北工业大学 | 注塑成型工艺对塑件翘曲变形影响的参数化分析方法 |
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 |
US20170177992A1 (en) * | 2014-04-24 | 2017-06-22 | Conocophillips Company | Growth functions for modeling oil production |
CN106055787A (zh) * | 2016-05-30 | 2016-10-26 | 广西科技大学 | 一种基于bp神经网络的汽车内饰面板注塑成型工艺 |
CN106919982A (zh) * | 2017-03-20 | 2017-07-04 | 中国科学院沈阳自动化研究所 | 一种面向半导体工艺设备的故障诊断方法 |
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 |
CN108549761A (zh) * | 2018-03-30 | 2018-09-18 | 广西科技大学 | 模具优化设计方法 |
CN109783898A (zh) * | 2018-12-27 | 2019-05-21 | 广东工业大学 | 一种注塑成型生产工艺参数的智能优化方法 |
Non-Patent Citations (3)
Title |
---|
王军 等: "旋涡泵叶轮和流道水力尺寸智能算法研究", 《机械设计》 * |
蒋纪委: "基于智能算法的气体辅助注塑成型工艺参数优化的研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅰ辑》 * |
韩淑华 等: "改进PSO-BP注塑成型工艺参数优化研究", 《机械设计与制造》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112100749A (zh) * | 2020-09-29 | 2020-12-18 | 上海卓位信息技术有限公司 | 一种汽车智能化开发系统及其构建和应用方法 |
CN112417623A (zh) * | 2020-12-04 | 2021-02-26 | 成都数模码科技有限公司 | 注塑模具人机交互智能设计方法 |
CN112417623B (zh) * | 2020-12-04 | 2023-05-09 | 成都数模码科技有限公司 | 注塑模具人机交互智能设计方法 |
CN115795746A (zh) * | 2023-02-09 | 2023-03-14 | 广州高谱机械科技有限公司 | 一种弯曲模具的设计方法、应用及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110502779B (zh) | 2022-08-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110502779A (zh) | 一种基于模糊推理的注塑成型模具的智能设计方法 | |
CN110377948A (zh) | 一种注塑参数多目标优化方法 | |
CN107491610A (zh) | 汽车覆盖件模具智能设计系统及设计方法 | |
Meiabadi et al. | Optimization of plastic injection molding process by combination of artificial neural network and genetic algorithm | |
CN111079338A (zh) | 一种汽车后视镜外壳注塑工艺优化方法 | |
CN1873648A (zh) | 用于成型铸造的铸造设计优化系统 | |
Zhao et al. | Optimization of injection-molding process parameters for weight control: converting optimization problem to classification problem | |
Yarlagadda et al. | Development of a hybrid neural network system for prediction of process parameters in injection moulding | |
CN109783898A (zh) | 一种注塑成型生产工艺参数的智能优化方法 | |
CN112659498B (zh) | 一种注塑机深度神经网络实时最优控制方法 | |
CN106584031A (zh) | 基于Moldflow的汽车盒体件注塑模具制造方法 | |
Sedighi et al. | Optimisation of gate location based on weld line in plastic injection moulding using computer-aided engineering, artificial neural network, and genetic algorithm | |
CN107972243A (zh) | 基于som神经网络的注塑工艺优化方法及注塑工艺 | |
Rai et al. | An intelligent system for predicting HPDC process variables in interactive environment | |
CN114274457B (zh) | 基于Kriging-GA的注塑模具浇注系统结构参数决策方法 | |
CN113103535A (zh) | 一种基于ga-elm-ga的注塑件模具参数优化方法 | |
CN113901639A (zh) | 一种用于齿轮注塑成型的智能化制造系统 | |
CN116461066A (zh) | 一种基于科学试模的注塑工艺参数智能设定方法 | |
Yarlagadda | Prediction of processing parameters for injection moulding by using a hybrid neural network | |
Kramar et al. | Predictive model and optimization of processing parameters for plastic injection moulding | |
JP2022501228A (ja) | プラスチック加工機を制御するための方法 | |
Yang et al. | Research on Optimization of Injection Molding Process Parameters of Automobile Plastic Front-End Frame | |
Li et al. | Development of an intelligent jig and fixture design system | |
Li et al. | A real‐time process optimization system for injection molding | |
Studer et al. | Numerical shape optimization as an approach to reduce material waste in injection molding |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |