CN110920010A - 基于大数据分析的注塑工艺生产方法 - Google Patents

基于大数据分析的注塑工艺生产方法 Download PDF

Info

Publication number
CN110920010A
CN110920010A CN201911033792.1A CN201911033792A CN110920010A CN 110920010 A CN110920010 A CN 110920010A CN 201911033792 A CN201911033792 A CN 201911033792A CN 110920010 A CN110920010 A CN 110920010A
Authority
CN
China
Prior art keywords
data
injection molding
pressure
production
curve
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
CN201911033792.1A
Other languages
English (en)
Other versions
CN110920010B (zh
Inventor
贺磊
王怡
尹广亮
郑优生
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.)
Shanghai Pengrui Intelligent Technology Co Ltd
Original Assignee
Shanghai Pengrui Intelligent Technology Co Ltd
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 Shanghai Pengrui Intelligent Technology Co Ltd filed Critical Shanghai Pengrui Intelligent Technology Co Ltd
Priority to CN201911033792.1A priority Critical patent/CN110920010B/zh
Publication of CN110920010A publication Critical patent/CN110920010A/zh
Application granted granted Critical
Publication of CN110920010B publication Critical patent/CN110920010B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C45/00—Injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould; Apparatus therefor
    • B29C45/17—Component parts, details or accessories; Auxiliary operations
    • B29C45/76—Measuring, controlling or regulating
    • B29C45/766—Measuring, controlling or regulating the setting or resetting of moulding conditions, e.g. before starting a cycle
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C2945/00—Indexing scheme relating to injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould
    • B29C2945/76—Measuring, controlling or regulating
    • B29C2945/76003—Measured parameter
    • B29C2945/76006—Pressure
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C2945/00—Indexing scheme relating to injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould
    • B29C2945/76—Measuring, controlling or regulating
    • B29C2945/76003—Measured parameter
    • B29C2945/7604—Temperature
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C2945/00—Indexing scheme relating to injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould
    • B29C2945/76—Measuring, controlling or regulating
    • B29C2945/76177—Location of measurement
    • B29C2945/76254—Mould
    • B29C2945/76257—Mould cavity
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C2945/00—Indexing scheme relating to injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould
    • B29C2945/76—Measuring, controlling or regulating
    • B29C2945/76822—Phase or stage of control
    • B29C2945/76913—Parameter setting
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C2945/00—Indexing scheme relating to injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould
    • B29C2945/76—Measuring, controlling or regulating
    • B29C2945/76929—Controlling method
    • B29C2945/76993—Remote, e.g. LAN, wireless LAN

Landscapes

  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Mechanical Engineering (AREA)
  • Injection Moulding Of Plastics Or The Like (AREA)

Abstract

本发明公开了一种基于大数据分析的注塑工艺生产方法，包括以下步骤：(1)采集压力数据；(2)对采集的压力数据进行格式化处理；(3)生成压力叠加曲线；(4)对压力叠加曲线进行分类，获得N组交点数据；(5)对上述N组交点数据的每一组数据分别对同一采样时间的数据进行求差计算；(6)计算总平均值；7)得到每组数据的波动比；8)将每组曲线分成分类数组；(9)取每个分类数组中数值最大的值作为曲线的分类数；(10)根据分类数判定生产中是否有调整生产工艺。本发明通过计算机远程实时监控注塑生产厂家的生产情况，利用大数据分析自动判断在注塑生产中是否调整了注塑工艺，不仅节省了人力，也提高了对注塑生产工艺监测的全面性。

Description

基于大数据分析的注塑工艺生产方法
技术领域
本发明属于注塑工艺生产技术领域，特别是涉及一种基于大数据分析的注塑工艺生产方法。
背景技术
在注塑生产过程中，对注塑机相关参数的设定就是注塑工艺，包括射出行程、射出速度、射出压力、保压切换位置、保压压力、保压时间、料温、模温、冷却时间等。注塑工艺的设定严重影响了注塑制品的质量，如重量、尺寸、外观、机械性能等。因此，模具厂在生产模具后，对模具进行试模，试出合格产品后，一般用表格记录试模得到的最终工艺参数(如图1所示)，并随模具一同移交给注塑工厂进行产品生产。
近年来，相关理论研究和实践证明，在既定的注射设备及材料下，型腔压力真实地记录了熔体在注射过程中发生的变化情况，包括熔体在注射阶段、保压阶段、冷却阶段的实际流动状态。注塑工艺中任何参数的修改，都会影响型腔内压力的变化。因此，国外不少传感器厂家(如Kistler、RJG、Priamus、Futaba等)采用各种方式采集注塑模具型腔内的压力数据，用以监测注塑制品的质量。例如，保压压力的增大，不仅模腔中的压力曲线峰值受到影响，也会影响到注塑制品的尺寸、重量、缩水情况等品质。
但是，在注塑生产过程中，很难通过单条压力曲线直接得出注塑工艺的变化。如果在注塑制品生产厂家没有主动告知的情况下，主机厂很难通过其他手段了解在注塑生产过程中是否调整了工艺参数，导致生产出的产品在重量、外观、性能等方面存在一定的差异，而这些差异可能会导致最终产品的质量问题，并且事后也无法进行追溯。
理论上，同一套模具在既定的注射设备及材料下，如果注塑生产工艺不变时，其型腔内的压力曲线应重合在一起；反之，采用不同的注塑生产工艺时，其型腔内的压力曲线是不重合的。在实际生产过程中，注射设备(注塑机、模具等生产环境)也是具有波动性的，导致在注塑生产工艺不变时，其型腔内的压力曲线存在一定的偏差。
通过观察实际生产中调整工艺前后的大量压力曲线，以及注射设备环境波动影响的压力曲线，发现由注射设备环境波动影响压力曲线虽然有一定波动，但全部集中在一起，而由调整注射生产工艺影响压力曲线与调整前的压力曲线偏差较大(如图2所示)。
发明内容
本发明主要解决的技术问题是提供一种基于大数据分析的注塑工艺生产方法，通过计算机远程实时监控注塑生产厂家的生产情况，利用大数据分析自动判断在注塑生产中是否调整了注塑工艺，不仅节省了人力，也提高了对注塑生产工艺监测的全面性。
为解决上述技术问题，本发明采用的一个技术方案是：一种基于大数据分析的注塑工艺生产方法，包括以下步骤：
(1)采集某一生产批次、某一模具的型腔中安装的传感器的压力数据；
(2)对采集的压力数据进行格式化处理；
(3)将格式化后的压力数据生成压力叠加曲线，并去除明显偏离的曲线数据，得到去噪后的压力叠加曲线；
(4)对上述去噪后的压力叠加曲线进行自动分类，获得N组交点数据；
(5)对上述N组交点数据的每一组数据分别对同一采样时间的数据进行求差计算，得到N组差值数据；
(6)计算N组差值数据的总平均值；
(7)将每组差值数据的绝对值与总平均值进行比较，得到每组数据的波动比；
(8)设定波动比大于等于某一数值，将每组曲线分成分类数组；
(9)取每个分类数组中数值最大的值作为曲线的分类数；
(10)根据分类数判定生产中是否有调整生产工艺。
本发明为解决其技术问题所采用的进一步技术方案是：
进一步地说，上述(1)中根据某一生产批次的不同生产周期以及某一模具的型腔中不同安装位置、不同类型的传感器采集压力数据。
进一步地说，所述格式化处理的计算公式为：
Dformat＝DX0+(Tformat-TX0)(DX1-DX0)/(TX1-TX0)
其中，Tformat是50毫秒的倍数，TX0与TX1是与Tformat相邻2个采样点的时间，DX0与DX1分别为TX0与TX1时间点的压力数据，Dformat为Tformat时间点的压力数据。
进一步地说，对上述去噪后的压力叠加曲线进行自动分类的具体操作为：
在去噪后的压力叠加曲线的横坐标上随机取N个时间点，对这N个时间点绘制垂直线，绘制的N条垂直线与压力叠加曲线相交，从而获得N组交点数据。
进一步地说，所述求差计算的公式为：
DXN-(N-1)＝DXN-DX(N-1)，其中，N＞1。
进一步地说，上述总平均值的计算公式为：
Avg＝∑(D12-1,D13-2,…,D1N-(N-1),D22-1,…,D2N-(N-1),DX2-1,…,DXN-(N-1))/(N*N)
进一步地说，当分类数大于等于2时，说明注塑制品在生产过程中调整了工艺；当分类数小于2时，说明注塑制品在生产过程中未调整了工艺。
进一步地说，所述传感器包括压力传感器和温压一体传感器。
本发明的有益效果：
注塑工艺参数的调整，将导致生产出的产品在重量、外观、性能等方面存在一定的差异，而这些差异可能会导致最终产品的质量问题。因此，主机厂一般不希望注塑生产厂家私自调整注塑工艺，但是之前没有技术手段能够帮助主机厂对注塑工艺调整进行监控。对于一些重要的注塑制品，主机厂只能安排专人到现场全程跟踪，不仅耗时耗力，而且在监督人离开或休息时，调整工艺也无法发现，事后更无法追溯；
本发明投入实际生产后，主机厂可在模具中安装压力传感器和温压一体传感器，通过计算机远程实时监控注塑生产厂家的生产情况，利用大数据分析自动判断在注塑生产中是否调整了注塑工艺，不仅节省了人力，也提高了对注塑生产工艺监测的全面性；
同时，还可以在软件平台上分析以前任何生产批次的注塑工艺是否一致的情况，便于在出现质量问题时，能够对注塑生产过程进行追溯，从而保障主机厂和注塑生产厂家的权益。
附图说明
图1是现有技术的试模工艺参数记录表；
图2是实际生产中调整工艺与调整注射设备的压力曲线图；
图3是本发明的流程图；
图4是本发明对原始数据进行格式化计算的示意图；
图5是本发明原始数据的压力叠加曲线示意图；
图6是图5去噪后的压力叠加曲线示意图；
图7是在图6的曲线上随机绘制10个时间点的垂直相交线的示意图；
图8是模具0970某批次的原始数据的压力叠加曲线示意图；
图9是图8去噪后的压力叠加曲线示意图。
具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
实施例：一种基于大数据分析的注塑工艺生产方法，包括以下步骤：
(1)数据采集，格式化后存入智能终端的数据库
从传感器采集的原始数据格式如下表1所示：
表1：
Figure BDA0002250880730000051
表1中，周期(cycle)表示在注塑生产过程中生产的第C模产品；传感器位置(pos)表示在模具中安装传感器的位置；传感器类型(type/kind)表示在该位置安装的传感器是压力传感器(用数字1表示)还是温压一体传感器(用数字2表示)；数据(data)表示该位置的传感器在该周期的采样数据(如：[TCPK2，DCPK2]表示P号位置的K类型传感器在第C个周期的第2个采样点的数据是DCPK2，该采样点偏离0.0点的时间是TCPK2)；时间(time)表示第C个周期的开始注射时间，即数据中0.0对应的时间。
在原始数据中，每一个周期中的采样时间点不一定重合，即T1112与T2112不一定相等，因此，为了对数据进行对比分析，需要将这些数据采样点进行统一格式化。
在对数据格式化过程中，将每秒划分成20等分，即每50毫秒一个格式化采样点；对于刚好在格式化采样点上的数据，可直接采用原始数据；对于不在格式化采样点上的数据，采用线性插值算法补充缺失的数据。因此，从原始数据[TX0,DX0]和[TX1,DX1]计算格式化数据[Tformat,Dformat]的计算方法如图4所示，其计算公式为：
Dformat＝DX0+(Tformat-TX0)(DX1-DX0)/(TX1-TX0)
其中，Tformat是50毫秒的倍数，TX0与TX1是与Tformat相邻2个采样点的时间，DX0与DX1分别为TX0与TX1时间点的压力数据，Dformat为Tformat时间点的压力数据。
对格式化后的数据，将其按模具编号、批次号存入智能终端的数据库中。
(2)选择需要分析的模具和批次后，生成压力叠加曲线。
对需要分析的模具和对应的批次，生成原始的压力叠加曲线，曲线示意图如图5所示。
对上图中的曲线进行去噪，即去除明显偏离的曲线数据，得到去噪后的压力叠加曲线数据，如图6所示。
(3)基于大数据对压力叠加曲线进行自动分类
对去噪后的压力叠加曲线，采用下面的方法进行自动分类。
在曲线的横坐标上随机取10个时间点[T1,T2,T3,…,T10]，对这10个时间点绘制垂直线，如图7所示。
绘制的10条垂直线与压力叠加曲线相交，从而获得10组交点数据:
[[T1,D11],[T1,D12],[T1,D13],…,[T1,D1N]]；
[[T2,D21],[T2,D22],[T2,D23],…,[T2,D2N]]；
[[T3,D31],[T3,D32],[T3,D33],…,[T3,D3N]]；
……
[[T10,DX1],[T10,DX2],[T10,DX3],…,[T10,DXN]]
理论上，工艺没有调整且注塑环境没有波动的情况下，在同一采样时间点的数据应相同；在考虑注塑环境波动的情况下，在同一采样时间点的数据应非常接近；而工艺调整导致的在同一采样时间点的数据相差较大。因此，为上面的每一组数据分别对同一采样时间的数据进行求差计算，即：
DXN-(N-1)＝DXN-DX(N-1)，其中，N＞1。
从而得到每组的差值：
[D12-1,D13-2,D14-3,D15-4,D16-5,D17-6,…,D1N-(N-1)]；
[D22-1,D23-2,D24-3,D25-4,D26-5,D27-6,…,D2N-(N-1)]；
[D32-1,D33-2,D34-3,D35-4,D36-5,D37-6,…,D3N-(N-1)]；
……
[DX2-1,DX3-2,DX4-3,DX5-4,DX6-5,DX7-6,…,DXN-(N-1)]
理论上，如果没有调整工艺，且注塑环境没有波动，那么上面10组差值数据应该均为零。而实际上注塑环境的波动和注塑工艺的调整也会导致差值的变化。通过大量的数据分析发现，注塑环境的波动幅度比较小，而注塑工艺的调整会产生大幅度的波动。
因此，先计算出上面10组差值的总平均值Avg。
Avg＝∑(D12-1,D13-2,…,D1N-(N-1),D22-1,…,D2N-(N-1),DX2-1,…,DXN-(N-1))/(N*10)
然后对每组差值数据的绝对值与平均值进行比较，得到每组数据的波动比：
[B11,B12,B13,B14,B15,…,B1(N-1)]；
[B21,B22,B23,B24,B25,…,B2(N-1)]；
[B31,B32,B33,B34,B35,…,B3(N-1)]；
……
[BX1,BX2,BX3,BX4,BX5,…,BX(N-1)]
对于波动比BXN-1，可定义当其值大于等于100时，在该采样时间点之前和之后的曲线不属于同一个生产工艺，可将曲线分为2类；以此类推，可将每组曲线分成若干类，因此得到曲线的分类数组[G1,G2,G3,…,G10]。
由于曲线在不同位置可能重合，导致部分位置的分类数减少；因此，取10个分类数据中数值最大的值作为曲线的分类数G：
G＝Max[G1,G2,G3,G4,…,G10]
(四)判断注塑制品工艺一致性
通过上面的大数据分析，得到模具在相应批次中的压力叠加曲线可以分成G类，当压力叠加曲线的分类数G大于等于2时，说明注塑制品在生产过程中调整了工艺；当G小于2时，说明注塑制品在生产过程中未调整工艺。
我们取实际生产中模具编号为0970的模具在某批次生产中的数据进行实验，其某近浇口压力传感器采集的部分原始数据如下:
Cycle1:[[0.0,0.03],[0.117,-0.055],[2.684,-0.186],…,[69.896,0.539]]；
Cycle2:[[0.0,0.015],[2.567,-0.128],[2.684,-0.085],…,[69.896,0.565]]；
Cycle3:[[0.0,0.01],[0.117,-0.093],[0.467,-0.15],…,[69.896,0.473]]；
Cycle4:[[0.0,0.012],[1.05,-0.141],[2.684,-0.132],…,[69.896,0.603]]；
……
Cycle225:[[0.0,0.029],[0.233,-0.093],[0.817,-0.072],…,[69.896,0.482]]
通过上述数据进行数据格式化后的部分数据如下：
Cycle1:[[0.0,0.03],[0.05,-0.006],[0.1,-0.043],…,[70.0,0.539]]；
Cycle2:[[0.0,0.015],[0.05,0.012],[0.1,0.009],…,[70.0,0.565]]；
Cycle3:[[0.0,0.01],[0.05,-0.034],[0.1,-0.078],…,[70.0,0.473]]；
Cycle4:[[0.0,0.012],[0.05,0.005],[0.1,-0.003],…,[70.0,0.603]]；
……
Cycle225:[[0.0,0.029],[0.05,0.003],[0.1,-0.023],…,[70.0,0.482]]
针对模具编号为0970，我们在智能终端上选择需要分析的批次，得到的原始压力叠加曲线如图8所示(2个压力传感器，曲线用不同线条表示)。
去噪后的压力叠加曲线如图9所示。
对上面处理的模具0970的近浇口压力传感器数据进行上述计算。由于模具0970的每周期生产时间为70秒，数据格式化后，每50毫秒1个数据，因此，在[0.0,0.05,0.1,…,70.0]数组中随机产生10个随机采样时间点：
(3.9,8.25,16.2,24.1,28.2,34.45,41.75,54.55,62.45,67.95)
从而获得这10个随机采样时间点与压力曲线的交点数据：
[3.9:65.663,66.835,66.338,66.333,66.718,67.429,67.178,…,65.921]；
[8.25:162.873,163.701,163.834,164.507,164.617,164.145,…,175.625]；
[16.2:144.835,145.812,146.028,147.063,147.091,146.151,…,161.534]；
[24.1:128.323,129.503,129.71,131.07,130.789,129.739,…,150.842]；
[28.2:121.835,123.216,123.27,124.801,124.417,123.199,…,146.472]；
[34.45:117.51,119.083,119.016,120.641,120.194,118.997,…,144.324]；
[41.75:111.868,113.828,113.769,115.835,115.349,113.969,…,142.568]；
[54.55:1.183,1.207,1.122,1.284,1.349,1.307,1.249,1.46,…,1.17]；
[62.45:0.858,0.893,0.759,0.93,0.994,0.953,0.84,1.077,…,0.793]；
[67.5:0.645,0.716,0.615,0.74,0.804,0.762,0.684,0.871,…,0.627]
对上面的每一组数据的相邻采样时间点数据进行求差计算，得到差值数据：
[3.9:1.172,-0.497,-0.005,0.385,0.711,-0.251,0.457,…,-0.115]
[8.25:0.828,0.133,0.673,0.11,-0.472,-0.301,0.812,…,-0.85]；
[16.2:0.977,0.216,1.035,0.028,-0.94,-0.277,0.794,…,-0.419]；
[24.1:1.18,0.207,1.36,-0.281,-1.05,-0.28,0.717,…,-0.516]；
[28.2:1.381,0.054,1.531,-0.384,-1.218,-0.343,0.728,…,-0.482]；
[34.45:1.573,-0.067,1.625,-0.447,-1.197,-0.514,0.725,…,-0.422]；
[41.75:1.96,-0.059,2.066,-0.486,-1.38,-0.627,0.848,…,-0.638]；
[54.55:0.024,-0.085,0.162,0.065,-0.042,-0.058,0.211,…,-0.183]；
[62.45:0.035,-0.134,0.171,0.064,-0.041,-0.113,0.237,…,-0.174]；
[67.5:0.071,-0.101,0.125,0.064,-0.042,-0.078,0.187,…,-0.131]
计算上面差值数据的平均值：Avg＝0.060216592。
再将每组差值数据的绝对值与平均值进行比较，计算每组数据的波动比：
[3.9:19.463,8.254,0.083,6.394,11.807,4.168,7.589,…,1.910]；
[8.25:13.750,2.209,11.176,1.827,7.838,4.999,13.485,…,14.116]；
[16.2:16.225,3.587,17.188,0.465,15.610,4.600,13.186,…,6.958]；
[24.1:19.596,3.438,22.585,4.666,17.437,4.650,11.907,…,8.569]；
[28.2:22.934,0.897,25.425,6.377,20.227,5.696,12.090,…,8.004]；
[34.45:26.122,1.113,26.986,7.423,19.878,8.536,12.040,…,7.008]；
[41.75:32.549,0.980,34.309,8.071,22.917,10.412,14.082,…,10.595]；
[54.55:0.399,1.412,2.690,1.079,0.697,0.963,3.504,1.329,…,3.039]；
[62.45:0.581,2.225,2.840,1.063,0.681,1.877,3.936,1.461,…,2.890]；
[67.5:1.179,1.677,2.076,1.063,0.697,1.295,3.105,0.847,…,2.175]
对于上面每组波动比数据，可定义当其值大于等于100时，在该采样时间点之前和之后的曲线不属于同一个生产工艺，可将曲线分为2类，因此得到10个随机采样时间点的分组数组：[1类，2类，2类，2类，2类，2类，2类，1类，1类，1类]，取该分类数组中的最大值2类为模具0970在该批次中压力曲线的最终分类数。
由于模具0970在该批次的生产中，其压力叠加曲线可分为2类，因此，得到模具0970在该批次生产中调整了注塑生产工艺。通过图9可以明确看出每个传感器的曲线均存在2类，且2类之间的偏差较大，验证了该模具在该批次的生产过程中调整了注塑生产工艺。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (8)

1.一种基于大数据分析的注塑工艺生产方法，其特征在于：包括以下步骤：
(1)采集某一生产批次、某一模具的型腔中安装的传感器的压力数据；
(2)对采集的压力数据进行格式化处理；
(3)将格式化后的压力数据生成压力叠加曲线，并去除明显偏离的曲线数据，得到去噪后的压力叠加曲线；
(4)对上述去噪后的压力叠加曲线进行自动分类，获得N组交点数据；
(5)对上述N组交点数据的每一组数据分别对同一采样时间的数据进行求差计算，得到N组差值数据；
(6)计算N组差值数据的总平均值；
(7)将每组差值数据的绝对值与总平均值进行比较，得到每组数据的波动比；
(8)设定波动比大于等于某一数值，将每组曲线分成分类数组；
(9)取每个分类数组中数值最大的值作为曲线的分类数；
(10)根据分类数判定生产中是否有调整生产工艺。
2.根据权利要求1所述的基于大数据分析的注塑工艺生产方法，其特征在于：上述(1)中根据某一生产批次的不同生产周期以及某一模具的型腔中不同安装位置、不同类型的传感器采集压力数据。
3.根据权利要求1所述的基于大数据分析的注塑工艺生产方法，其特征在于：所述格式化处理的计算公式为：
Dformat＝DX0+(Tformat-TX0)(DX1-DX0)/(TX1-TX0)
其中，Tformat是50毫秒的倍数，TX0与TX1是与Tformat相邻2个采样点的时间，DX0与DX1分别为TX0与TX1时间点的压力数据，Dformat为Tformat时间点的压力数据。
4.根据权利要求1所述的基于大数据分析的注塑工艺生产方法，其特征在于：对上述去噪后的压力叠加曲线进行自动分类的具体操作为：
在去噪后的压力叠加曲线的横坐标上随机取N个时间点，对这N个时间点绘制垂直线，绘制的N条垂直线与压力叠加曲线相交，从而获得N组交点数据。
5.根据权利要求1所述的基于大数据分析的注塑工艺生产方法，其特征在于：所述求差计算的公式为：
DXN-(N-1)＝DXN-DX(N-1)，其中，N＞1。
6.根据权利要求1所述的基于大数据分析的注塑工艺生产方法，其特征在于：上述总平均值的计算公式为：
Avg＝∑(D12-1,D13-2,…,D1N-(N-1),D22-1,…,D2N-(N-1),DX2-1,…,DXN-(N-1))/(N*N) 。
7.根据权利要求1所述的基于大数据分析的注塑工艺生产方法，其特征在于：当分类数大于等于2时，说明注塑制品在生产过程中调整了工艺；当分类数小于2时，说明注塑制品在生产过程中未调整了工艺。
8.根据权利要求1所述的基于大数据分析的注塑工艺生产方法，其特征在于：所述传感器包括压力传感器和温压一体传感器。
CN201911033792.1A 2019-10-29 2019-10-29 基于大数据分析的注塑工艺生产方法 Active CN110920010B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911033792.1A CN110920010B (zh) 2019-10-29 2019-10-29 基于大数据分析的注塑工艺生产方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911033792.1A CN110920010B (zh) 2019-10-29 2019-10-29 基于大数据分析的注塑工艺生产方法

Publications (2)

Publication Number Publication Date
CN110920010A true CN110920010A (zh) 2020-03-27
CN110920010B CN110920010B (zh) 2021-10-19

Family

ID=69849634

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911033792.1A Active CN110920010B (zh) 2019-10-29 2019-10-29 基于大数据分析的注塑工艺生产方法

Country Status (1)

Country Link
CN (1) CN110920010B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111459947A (zh) * 2020-04-10 2020-07-28 上海澎睿智能科技有限公司 一种利用大数据技术分析注塑生产过程中环境波动性的方法
CN113878829A (zh) * 2021-08-31 2022-01-04 东风汽车集团股份有限公司 基于Moldflow的汽车保险杠注塑成型工艺方法、设备及存储介质

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0473944A2 (en) * 1990-08-04 1992-03-11 Nissei Jushi Kogyo Kabushiki Kaisha Apparatus and method for controlling injection from a plurality of injection units into one mould
WO1996013370A1 (fr) * 1994-10-27 1996-05-09 Fanuc Ltd Procede d'analyse des facteurs influençant la qualite de produit obtenu d'une machine de moulage par injection, et procede d'ajustement des conditions de moulage
CN101484295A (zh) * 2006-07-06 2009-07-15 克劳斯玛菲科技有限公司 用于面向用户地监视和调节生产的装置和方法
CN101537692A (zh) * 2009-04-17 2009-09-23 宁波长飞亚塑料机械制造有限公司 全电动注塑机的注射压力监控方法
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
CN103817890A (zh) * 2014-03-19 2014-05-28 常州大学 一种注塑模具的数据采集和反馈系统
CN104608351A (zh) * 2013-09-30 2015-05-13 恩格尔奥地利有限公司 用于确定用于调节参数的额定值的方法
WO2016177512A1 (de) * 2015-05-06 2016-11-10 BT Bayern Treuhand Management & Technologie AG Ermitteln von prozessparameterwerten in einem spritzgussprozess
CN108237670A (zh) * 2016-12-23 2018-07-03 恩格尔奥地利有限公司 用于优化用于成型机的过程优化系统的方法
CN108705751A (zh) * 2018-05-16 2018-10-26 南昌大学 注塑成型聚合物大分子取向动态检测系统及其检测方法
CN108724664A (zh) * 2017-04-25 2018-11-02 基斯特勒控股公司 注射成型时再现注射成型件品质的方法和注射成型设备
CN109159392A (zh) * 2018-09-27 2019-01-08 科控工业自动化设备（上海）有限公司 一种注塑件模具工艺参数自动优化的方法及控制系统
CN109501185A (zh) * 2018-11-27 2019-03-22 湖北工业大学 注塑成型工艺在线监测方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0473944A2 (en) * 1990-08-04 1992-03-11 Nissei Jushi Kogyo Kabushiki Kaisha Apparatus and method for controlling injection from a plurality of injection units into one mould
WO1996013370A1 (fr) * 1994-10-27 1996-05-09 Fanuc Ltd Procede d'analyse des facteurs influençant la qualite de produit obtenu d'une machine de moulage par injection, et procede d'ajustement des conditions de moulage
CN101484295A (zh) * 2006-07-06 2009-07-15 克劳斯玛菲科技有限公司 用于面向用户地监视和调节生产的装置和方法
CN101537692A (zh) * 2009-04-17 2009-09-23 宁波长飞亚塑料机械制造有限公司 全电动注塑机的注射压力监控方法
CN104608351A (zh) * 2013-09-30 2015-05-13 恩格尔奥地利有限公司 用于确定用于调节参数的额定值的方法
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
CN103817890A (zh) * 2014-03-19 2014-05-28 常州大学 一种注塑模具的数据采集和反馈系统
WO2016177512A1 (de) * 2015-05-06 2016-11-10 BT Bayern Treuhand Management & Technologie AG Ermitteln von prozessparameterwerten in einem spritzgussprozess
CN108237670A (zh) * 2016-12-23 2018-07-03 恩格尔奥地利有限公司 用于优化用于成型机的过程优化系统的方法
CN108724664A (zh) * 2017-04-25 2018-11-02 基斯特勒控股公司 注射成型时再现注射成型件品质的方法和注射成型设备
CN108705751A (zh) * 2018-05-16 2018-10-26 南昌大学 注塑成型聚合物大分子取向动态检测系统及其检测方法
CN109159392A (zh) * 2018-09-27 2019-01-08 科控工业自动化设备（上海）有限公司 一种注塑件模具工艺参数自动优化的方法及控制系统
CN109501185A (zh) * 2018-11-27 2019-03-22 湖北工业大学 注塑成型工艺在线监测方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111459947A (zh) * 2020-04-10 2020-07-28 上海澎睿智能科技有限公司 一种利用大数据技术分析注塑生产过程中环境波动性的方法
CN113878829A (zh) * 2021-08-31 2022-01-04 东风汽车集团股份有限公司 基于Moldflow的汽车保险杠注塑成型工艺方法、设备及存储介质
CN113878829B (zh) * 2021-08-31 2023-05-12 东风汽车集团股份有限公司 基于Moldflow的汽车保险杠注塑成型工艺方法、设备及存储介质

Also Published As

Publication number Publication date
CN110920010B (zh) 2021-10-19

Similar Documents

Publication Publication Date Title
CN110920010B (zh) 基于大数据分析的注塑工艺生产方法
JP7047073B2 (ja) 射出成形機のｐｉｄ制御を自動チューニングするためのシステムおよび方法
CN109501185A (zh) 注塑成型工艺在线监测方法
CN110889091B (zh) 基于温度敏感区间分段的机床热误差预测方法与系统
CN106872509A (zh) 一种基于红外成像的注塑制品质量在线检测装置与方法
Michaeli et al. Online control of the injection molding process based on process variables
CN111459947B (zh) 一种利用大数据技术分析注塑生产过程中环境波动性的方法
CN103817890A (zh) 一种注塑模具的数据采集和反馈系统
CN109614651A (zh) 一种注塑件加工参数与变形关系的高精度估算方法
CN105242709A (zh) 一种模具温度自适应控制方法
EP3520987A1 (en) Method for monitoring and control of the injection process of plastic materials
Gao et al. Process parameters optimization using a novel classification model for plastic injection molding
CN105835322A (zh) 一种注塑机锁模力自动校准方法
CN105082488A (zh) 一种注塑设备自适应控制系统及控制方法
CN113665079B (zh) 一种塑料注塑成型工艺控制方法及系统
Pramujati et al. Cavity pressure control during cooling in plastic injection molding
CN109676865B (zh) 基于电容式传感器的注塑凝固过程的在线监测方法
CN109932908B (zh) 一种基于报警信度融合的多向主元分析过程监测方法
CN104960170A (zh) 一种智能注塑机及其注塑方法
Utomo et al. Optimization Injection Molding Parameters of Polypropylene Materials to Minimize Product Not Complete Defects Using the Taguchi Method
CN114239378A (zh) 一种基于自定义LightGBM模型损失的注塑制品尺寸预测方法
CN113524605A (zh) 一种注塑机工艺参数设定方法及装置
US10882236B2 (en) Molding system, molding apparatus, inspection apparatus, inspection method, and program
CN113059774A (zh) 一种控制注塑成型保压过程的方法
CN114889080B (zh) 塑料盖板的注塑质量筛分及机床控制系统

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
GR01 Patent grant
GR01 Patent grant