CN111002564A - 一种吹塑成形工艺参数在线调控方法 - Google Patents

一种吹塑成形工艺参数在线调控方法 Download PDF

Info

Publication number
CN111002564A
CN111002564A CN201910993507.4A CN201910993507A CN111002564A CN 111002564 A CN111002564 A CN 111002564A CN 201910993507 A CN201910993507 A CN 201910993507A CN 111002564 A CN111002564 A CN 111002564A
Authority
CN
China
Prior art keywords
quality
index
parameters
current
blow molding
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
CN201910993507.4A
Other languages
English (en)
Other versions
CN111002564B (zh
Inventor
朱志松
赵旭
张子立
刘宇
严晓照
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.)
Nantong University
Original Assignee
Nantong University
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 Nantong University filed Critical Nantong University
Priority to CN201910993507.4A priority Critical patent/CN111002564B/zh
Publication of CN111002564A publication Critical patent/CN111002564A/zh
Application granted granted Critical
Publication of CN111002564B publication Critical patent/CN111002564B/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
    • B29C49/00—Blow-moulding, i.e. blowing a preform or parison to a desired shape within a mould; Apparatus therefor
    • B29C49/42—Component parts, details or accessories; Auxiliary operations
    • B29C49/78—Measuring, controlling or regulating
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Manufacturing & Machinery (AREA)
  • Blow-Moulding Or Thermoforming Of Plastics Or The Like (AREA)

Abstract

本发明公开了一种吹塑成形工艺参数在线调控方法，利用正交实验数据建立随机森林质量预测模型，每次加工将当前工艺参数输入质量预测模型，模型输出当前质量指标，判断指标是否超限；基于工艺参数的关联度大小和相关性方向并按照相应比例调整相关工艺参数，最终控制制品质量指标处于合格范围内。本发明的方法成功解决了工艺参数漂移的问题，对吹塑制品在线质量控制问题具有一定的借鉴意义。

Description

一种吹塑成形工艺参数在线调控方法
技术领域
本发明属于吹塑成形技术质量控制领域，具体涉及到一种吹塑成形工艺参数的在线调控方法。
背景技术
中空吹塑成型是指借助气体压力使闭合在模具中的热熔型坯吹塑成中空制品的成型方法，是常用的塑料成型加工方法之一。为了控制制品质量，需要检验质量指标并反馈。传统的方法是通过人工抽检，间隔地测量制品的各项指标，对制品质量的反馈具有滞后性。同时，吹塑工艺参数对吹塑制品质量的影响是复杂的，非线性的，两者之间关系难以用量化的公式来表征。
发明内容
发明目的：鉴于现有技术中有上述缺陷或不足，本发明提供一种基于质量预测模型的工艺参数的在线调控方法，实现对制品质量的闭环控制。
技术方案：一种吹塑成形工艺参数在线调控方法，包括如下步骤：
步骤一、采用正交试验设计筛选出与质量指标有关的吹塑机的工艺参数，确定工艺参数与制品质量的对应关系；其中：
所述的制品质量包括中空吹塑成形制品的重量和壁厚均匀性两个质量指标，具体为利用工业计重平台以及超声波测厚仪来确定中空吹塑成形制品的重量以及壁厚均匀性；
所述的工艺参数为：通过正交实验设计得到吹塑机的主要性能参数，包括：模口上﹑中﹑下温度，熔体温度，吹气压力，保压时间，打料长度，螺杆转速，两台挤出机局部温度18组，一共26组参数；
步骤二、建立随机森林质量预测模型：利用随机森林算法对吹塑成型过程进行特征选择，具体操作步骤为：
a.计算随机森林中的特征变量的重要性并排序；
b.删除不相关或弱相关的特征，从而得到一个新的特征变量集；
c.用新的特征变量集建立新的随机森林质量模型；
步骤三、对工艺参数进行协同控制，其具体操作流程如下：
(1)将当前参数输入随机森林质量预测模型，判断质量指标是否超出范围：
a当两类当前预测质量波动值均未超过质量指标误差范围时，则说明两种质量类别均符合质量指标，继续按原有参数加工；
b当两类当前预测质量波动值中有一个指标超过质量指标误差范围时，则根据该指标的参数及关联度进行计算；
c当两类当前预测质量波动值均超过质量指标误差范围时，计算其超限比例β1i及β2i，并进行比较；当β1i＞β2i时，则按照重量预测质量波动值和重量指标对应的参数及关联度进行计算；反之，则按照壁厚均匀性质量波动值和壁厚均匀性质量指标对应的参数及关联度进行计算；
(2)计算后，系统对当前工艺参数进行调整，重新计算当前参数预测质量指标的值，并返回第一步迭代直到符合质量指标；
所述当前质量指标参数包括吹塑成形制品的重量和壁厚均匀性，分别用区间数值表示指标范围；
所述当前预测质量波动值包括吹塑成形制品的重量基准指标与当前重量预测值之差以及吹塑成形制品的壁厚均匀性基准指标与当前壁厚均匀性预测值之差；
所述超限比例为当前预测质量波动值与基准质量指标的比值。
作为优化：所述的步骤三中，判断质量指标是否超出范围的具体操作步骤如下：
一：计算ΔY1i和ΔY2i，将当前参数输入随机森林质量预测模型，预测质量指标，判断是否超出指标范围，即|ΔYki|＞ek，其中ek为质量指标误差范围，ΔYki为当前预测质量波动值；ΔYki大小为ΔYki＝Qsk-Qki，其中Qsk为基准质量指标，一般选择质量指标区间的中间值；Qki为当前质量预测值；
二：当ΔY1i和ΔY2i均未超过质量指标误差范围时，则说明两种质量类别均符合质量指标，继续按原有参数加工；
当ΔY1i和ΔY2i中有一个指标超过质量指标误差范围时，则根据其指标对应的参数及关联度进行计算；
当ΔY1i和ΔY2i均超过质量指标误差范围时，计算超限比例β1i及β2i，并进行比较；当β1i＞β2i时，则按照重量指标预测质量波动值ΔY1i所对应参数及关联度进行计算；反之，则按照壁厚均匀性指标预测质量波动值ΔY2i所对应参数及关联度进行计算；
作为优化：所述的步骤三中，系统对当前工艺参数进行调整，具体调整过程如下：
a、计算每次迭代调整量Uij：Ukij＝Akj×Bij×βki(1+αki)，其中Akj为工艺参数关联度量化值，Bij为当前工艺参数，其中βki为超限比例，其大小为βki＝ΔYki/Qsk，ΔYki为当前预测质量波动值，Qsk为基准质量指标；αki为调整速度，其大小为αkij＝[ΔYki-ΔYk(i-1)]/ΔYki；
b、计算迭代调整后的工艺参数B(i+1)j：B(i+1)j＝Bij+Ukij；
c、判断B(i+1)j是否超出工艺参数范围[Bjmin,Bjmax]；如未超过，则说明其工艺参数符合质量指标；如超过，则：当前工艺参数类别的Bij不变，剔除当前工艺参数类别后，重新计算剩余工艺参数关联度量化值Akj比例，重新计算Ukij及B(i+1)j；
d、返回步骤一进行迭代直到符合质量指标；在以上过程中，k为质量指标类别，j为工艺参数类别，i为迭代计数。
有益效果：本发明的调控方法可以准确预测制品质量变化情况，并使制品质量指标及时恢复到合理范围内。该方法成功解决了工艺参数漂移的问题，对吹塑制品在线质量控制问题具有一定的借鉴意义。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1为本发明实施例中一种吹塑成形工艺参数的在线调控方法的总体示意图；
图2为本发明实施例中一种吹塑成形工艺参数在线调控方法的操作流程示意图。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述，以使本领域的技术人员能够更好的理解本发明的优点和特征，从而对本发明的保护范围做出更为清楚的界定。本发明所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例
如图1所示，一种吹塑成形工艺参数在线调控方法，包括如下步骤：
步骤一、采用正交试验设计筛选出与质量指标有关的吹塑机的工艺参数，确定工艺参数与制品质量的对应关系；其中：
所述的制品质量包括中空吹塑成形制品的重量和壁厚均匀性两个质量指标，具体为利用工业计重平台以及超声波测厚仪来确定中空吹塑成形制品的重量以及壁厚均匀性；
所述的工艺参数为：通过正交实验设计得到吹塑机的主要性能参数，包括：模口上﹑中﹑下温度，熔体温度，吹气压力，保压时间，打料长度，螺杆转速，两台挤出机局部温度18组，一共26组参数；
步骤二、建立随机森林质量预测模型，利用随机森林算法对吹塑成型过程进行特征选择，具体操作步骤为：
(1)计算随机森林中的特征变量(吹气压力,熔体温度等)的重要性并排序；
(2)删除不相关或弱相关的特征，从而得到一个新的特征变量集；
(3)用新的特征变量集建立新的随机森林质量预测模型；
通过这种方式对总共26个工艺参数进行筛选，保留第一次占特征重要性85％-90％的m个工艺参数。对随机森林中的特征变量按照重要性降序排序，熔体温度、吹气压力、打料长度等8组参数一共占90％的重要性。删除最后占10％重要性的属性后，得到一个新的特征集。在其基础上建立新的随机森林质量预测模型，并重新计算8组参数关联度。制品质量与工艺参数关联度如下表1所示。
表1本发明中的工艺参数与制品质量指标关联度表
Figure RE-GDA0002375402190000061
步骤三、对工艺参数进行协同控制，控制策略的核心包括：
1、每次加工前将当前工艺参数输入质量预测模型，模型输出当前质量指标，并判断是否需要调整；
2、基于即时参数的关联度大小和相关性方向并按照相应比例调整相关工艺参数，最终使得制品质量指标处于合格范围内；
其具体操作流程如下：
将当前参数输入随机森林质量预测模型，判断质量指标是否超出范围：
当两类当前预测质量波动值均未超过质量指标误差范围时，则说明两种质量类别均符合质量指标，继续按原有参数加工；
当两类当前预测质量波动值中有一个指标超过质量指标误差范围时，则根据该指标的参数及关联度进行计算；
当两类当前预测质量波动值均超过质量指标误差范围时，计算其超限比例β1i及β2i，并进行比较。当β1i＞β2i时，则按照重量预测质量波动值和重量指标对应的参数及关联度进行计算。反之，则按照壁厚均匀性质量波动值和壁厚均匀性质量指标对应的参数及关联度进行计算。
计算后，系统对当前工艺参数进行调整，重新计算当前参数预测质量指标的值，并返回第一步迭代直到符合质量指标。
所述当前质量指标参数包括吹塑成形制品的重量和壁厚均匀性，分别用区间数值表示指标范围。
所述当前预测质量波动值包括吹塑成形制品的重量基准指标与当前重量预测值之差以及吹塑成形制品的壁厚均匀性基准指标与当前壁厚均匀性预测值之差；
所述超限比例为当前预测质量波动值与基准质量指标的比值。
如图2所示，为本发明实施例中一种吹塑成形工艺参数在线调控方法的操作流程示意图。该方法包括以下步骤：
步骤一：计算ΔY1i和ΔY2i，将当前参数输入随机森林质量预测模型，预测质量指标，判断是否超出指标范围，即|ΔYki|＞ek，其中ek为质量指标误差范围，ΔYki为当前预测质量波动值。ΔYki大小为ΔYki＝Qsk-Qki，其中Qsk为基准质量指标，一般选择质量指标区间的中间值。Qki为当前质量预测值。
步骤二：当ΔY1i和ΔY2i均未超过质量指标误差范围时，则说明两种质量类别均符合质量指标，继续按原有参数加工；
当ΔY1i和ΔY2i中有一个指标超过质量指标误差范围时，则根据其指标对应的参数及关联度进行计算；
当ΔY1i和ΔY2i均超过质量指标误差范围时，计算超限比例β1i及β2i，并进行比较；当β1i＞β2i时，则按照重量指标预测质量波动值ΔY1i所对应参数及关联度进行计算；反之，则按照壁厚均匀性指标预测质量波动值ΔY2i所对应参数及关联度进行计算。
步骤三：系统对当前工艺参数进行调整，调整过程如下：
a、计算每次迭代调整量Uij：Ukij＝Akj×Bij×βki(1+αki)，其中Akj为工艺参数关联度量化值，Bij为当前工艺参数，其中βki为超限比例，其大小为βki＝ΔYki/Qsk，ΔYki为当前预测质量波动值，Qsk为基准质量指标；αki为调整速度，其大小为αkij＝[ΔYki-ΔYk(i-1)]/ΔYki；
b、计算迭代调整后的工艺参数B(i+1)j：B(i+1)j＝Bij+Ukij；
c、判断B(i+1)j是否超出工艺参数范围[Bjmin,Bjmax]；如未超过，则说明其工艺参数符合质量指标；如超过，则：当前工艺参数类别的Bij不变，剔除当前工艺参数类别后，重新计算剩余工艺参数关联度量化值Akj比例，重新计算Ukij及B(i+1)j；
d、返回步骤一进行迭代直到符合质量指标；在以上过程中，k为质量指标类别，j为工艺参数类别，i为迭代计数。
本发明的调控方法可以准确预测制品质量变化情况，并使制品质量指标及时恢复到合理范围内。该方法成功解决了工艺参数漂移的问题，对吹塑制品在线质量控制问题具有一定的借鉴意义。

Claims (3)

1.一种吹塑成形工艺参数在线调控方法，其特征在于：包括如下步骤：
步骤一、采用正交试验设计筛选出与质量指标有关的吹塑机的工艺参数，确定工艺参数与制品质量的对应关系；其中：
所述的制品质量包括中空吹塑成形制品的重量和壁厚均匀性两个质量指标，具体为利用工业计重平台以及超声波测厚仪来确定中空吹塑成形制品的重量以及壁厚均匀性；
所述的工艺参数为：通过正交实验设计得到吹塑机的主要性能参数，包括：模口上﹑中﹑下温度，熔体温度，吹气压力，保压时间，打料长度，螺杆转速，两台挤出机局部温度18组，一共26组参数；
步骤二、建立随机森林质量预测模型：利用随机森林算法对吹塑成型过程进行特征选择，具体操作步骤为：
a.计算随机森林中的特征变量的重要性并排序；
b.删除不相关或弱相关的特征，从而得到一个新的特征变量集；
c.用新的特征变量集建立新的随机森林质量模型；
步骤三、对工艺参数进行协同控制，其具体操作流程如下：
(1)将当前参数输入随机森林质量预测模型，判断质量指标是否超出范围：
a当两类当前预测质量波动值均未超过质量指标误差范围时，则说明两种质量类别均符合质量指标，继续按原有参数加工；
b当两类当前预测质量波动值中有一个指标超过质量指标误差范围时，则根据该指标的参数及关联度进行计算；
c当两类当前预测质量波动值均超过质量指标误差范围时，计算其超限比例β1i及β2i，并进行比较；当β1i＞β2i时，则按照重量预测质量波动值和重量指标对应的参数及关联度进行计算；反之，则按照壁厚均匀性质量波动值和壁厚均匀性质量指标对应的参数及关联度进行计算；
(2)计算后，系统对当前工艺参数进行调整，重新计算当前参数预测质量指标的值，并返回第一步迭代直到符合质量指标；
所述当前质量指标参数包括吹塑成形制品的重量和壁厚均匀性，分别用区间数值表示指标范围；
所述当前预测质量波动值包括吹塑成形制品的重量基准指标与当前重量预测值之差以及吹塑成形制品的壁厚均匀性基准指标与当前壁厚均匀性预测值之差；
所述超限比例为当前预测质量波动值与基准质量指标的比值。
2.根据权利要求1所述的吹塑成形工艺参数在线调控方法，其特征在于：所述的步骤三中，判断质量指标是否超出范围的具体操作步骤如下：
一：计算ΔY1i和ΔY2i，将当前参数输入随机森林质量预测模型，预测质量指标，判断是否超出指标范围，即|ΔYki|＞ek，其中ek为质量指标误差范围，ΔYki为当前预测质量波动值；ΔYki大小为ΔYki＝Qsk-Qki，其中Qsk为基准质量指标，一般选择质量指标区间的中间值；Qki为当前质量预测值；
二：当ΔY1i和ΔY2i均未超过质量指标误差范围时，则说明两种质量类别均符合质量指标，继续按原有参数加工；
当ΔY1i和ΔY2i中有一个指标超过质量指标误差范围时，则根据其指标对应的参数及关联度进行计算；
当ΔY1i和ΔY2i均超过质量指标误差范围时，计算超限比例β1i及β2i，并进行比较；当β1i＞β2i时，则按照重量指标预测质量波动值ΔY1i所对应参数及关联度进行计算；反之，则按照壁厚均匀性指标预测质量波动值ΔY2i所对应参数及关联度进行计算。
3.根据权利要求1所述的吹塑成形工艺参数在线调控方法，其特征在于：
所述的步骤三中，系统对当前工艺参数进行调整，具体调整过程如下：
a、计算每次迭代调整量Uij：Ukij＝Akj×Bij×βki(1+αki)，其中Akj为工艺参数关联度量化值，Bij为当前工艺参数，其中βki为超限比例，其大小为βki＝ΔYki/Qsk，ΔYki为当前预测质量波动值，Qsk为基准质量指标；αki为调整速度，其大小为αkij＝[ΔYki-ΔYk(i-1)]/ΔYki；
b、计算迭代调整后的工艺参数B(i+1)j：B(i+1)j＝Bij+Ukij；
c、判断B(i+1)j是否超出工艺参数范围[Bjmin,Bjmax]；如未超过，则说明其工艺参数符合质量指标；如超过，则：当前工艺参数类别的Bij不变，剔除当前工艺参数类别后，重新计算剩余工艺参数关联度量化值Akj比例，重新计算Ukij及B(i+1)j；
d、返回步骤一进行迭代直到符合质量指标；在以上过程中，k为质量指标类别，j为工艺参数类别，i为迭代计数。
CN201910993507.4A 2019-10-18 2019-10-18 一种吹塑成形工艺参数在线调控方法 Active CN111002564B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910993507.4A CN111002564B (zh) 2019-10-18 2019-10-18 一种吹塑成形工艺参数在线调控方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910993507.4A CN111002564B (zh) 2019-10-18 2019-10-18 一种吹塑成形工艺参数在线调控方法

Publications (2)

Publication Number Publication Date
CN111002564A true CN111002564A (zh) 2020-04-14
CN111002564B CN111002564B (zh) 2021-11-26

Family

ID=70111327

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910993507.4A Active CN111002564B (zh) 2019-10-18 2019-10-18 一种吹塑成形工艺参数在线调控方法

Country Status (1)

Country Link
CN (1) CN111002564B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113515891A (zh) * 2021-06-04 2021-10-19 浙江永联民爆器材有限公司 一种乳化炸药质量预测和优化方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070135957A1 (en) * 2005-12-13 2007-06-14 Omron Corporation Model generating apparatus, model generating system, and fault detecting apparatus
US20120007289A1 (en) * 2010-07-07 2012-01-12 Graham Packaging Company, L.P. Method and system for thermally monitoring process for forming plastic blow-molded containers
CN104527009A (zh) * 2015-01-06 2015-04-22 广西大学 基于高斯预测的注塑成型工艺参数优化调控方法
CN105313310A (zh) * 2014-07-25 2016-02-10 天津市科润特包装有限公司 一种中空吹塑制品壁厚的检测方法
CN108108930A (zh) * 2016-11-25 2018-06-01 发那科株式会社 注塑成形管理系统
CN108764597A (zh) * 2018-04-02 2018-11-06 华南理工大学 一种基于集成学习的产品质量控制方法
CN109175236A (zh) * 2018-09-13 2019-01-11 湖北三江航天红阳机电有限公司 大型薄壁铝合金圆锥型整体壳段铸造成型方法
EP3522092A1 (en) * 2018-02-06 2019-08-07 Perfect Corp. Systems and methods for generating and analyzing user behavior metrics during makeup consultation sessions

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070135957A1 (en) * 2005-12-13 2007-06-14 Omron Corporation Model generating apparatus, model generating system, and fault detecting apparatus
US20120007289A1 (en) * 2010-07-07 2012-01-12 Graham Packaging Company, L.P. Method and system for thermally monitoring process for forming plastic blow-molded containers
CN105313310A (zh) * 2014-07-25 2016-02-10 天津市科润特包装有限公司 一种中空吹塑制品壁厚的检测方法
CN104527009A (zh) * 2015-01-06 2015-04-22 广西大学 基于高斯预测的注塑成型工艺参数优化调控方法
CN108108930A (zh) * 2016-11-25 2018-06-01 发那科株式会社 注塑成形管理系统
EP3522092A1 (en) * 2018-02-06 2019-08-07 Perfect Corp. Systems and methods for generating and analyzing user behavior metrics during makeup consultation sessions
CN108764597A (zh) * 2018-04-02 2018-11-06 华南理工大学 一种基于集成学习的产品质量控制方法
CN109175236A (zh) * 2018-09-13 2019-01-11 湖北三江航天红阳机电有限公司 大型薄壁铝合金圆锥型整体壳段铸造成型方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
徐连江: "《机械CAE 分析原理及应用》", 30 June 2017, 电子科技大学出版 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113515891A (zh) * 2021-06-04 2021-10-19 浙江永联民爆器材有限公司 一种乳化炸药质量预测和优化方法
CN113515891B (zh) * 2021-06-04 2024-02-20 浙江永联民爆器材有限公司 一种乳化炸药质量预测和优化方法

Also Published As

Publication number Publication date
CN111002564B (zh) 2021-11-26

Similar Documents

Publication Publication Date Title
CN111652402B (zh) 一种光纤预制棒沉积工序大数据智能优化方法
CN100558535C (zh) 注塑成型机的控制装置
CN104890205B (zh) 一种注塑机料筒温度控制方法
US8060240B2 (en) Injection molding control method
Singh et al. Multi Response optimization of injection moulding Process parameters to reduce cycle time and warpage
Equbal et al. Optimization of process parameters of FDM part for minimiizing its dimensional inaccuracy
CN109311211A (zh) 用于制造和/或处理塑料膜片的控制装置以及所属的方法
Moayyedian et al. Multi-objective optimization of injection molding process for determination of feasible moldability index
CN110057717B (zh) 基于特征尺寸的高聚物熔体粘流活化能模型的建立方法
CN111002564B (zh) 一种吹塑成形工艺参数在线调控方法
TWI709922B (zh) 基於模型之機器學習系統
Liao et al. Short term load forecasting and early warning of charging station based on PSO-SVM
EP3520987A1 (en) Method for monitoring and control of the injection process of plastic materials
CN115071109B (zh) 一种吹瓶机中挤出机的口模控制方法及系统
CN112053019B (zh) 一种实现光纤预制棒沉积工序智能化的方法
CN116307289A (zh) 一种纺织品加工工序参数检测预测方法、系统及存储介质
CN116852665A (zh) 一种基于混合模型的注塑工艺参数智能调节方法
CN104527009A (zh) 基于高斯预测的注塑成型工艺参数优化调控方法
CN110083909B (zh) 基于特征尺寸的高聚物熔体非牛顿指数模型的建立方法
CN116894379A (zh) 一种注塑件质量优化方法
CN114986833B (zh) 一种动态调控的注塑方法、系统、装置及介质
CN206301228U (zh) 控制设备以及具有控制设备的调温设备
Yu et al. Offline prediction of process windows for robust injection molding
Ramana et al. Data mining approach for quality prediction and fault diagnosis of injection molding process
Ravi et al. Design and development of a microcontroller based neuro fuzzy temperature controller

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