CN112115635B - 一种基于深度学习的注塑工艺优化方法 - Google Patents

一种基于深度学习的注塑工艺优化方法 Download PDF

Info

Publication number
CN112115635B
CN112115635B CN202010748281.4A CN202010748281A CN112115635B CN 112115635 B CN112115635 B CN 112115635B CN 202010748281 A CN202010748281 A CN 202010748281A CN 112115635 B CN112115635 B CN 112115635B
Authority
CN
China
Prior art keywords
injection molding
molding process
parameter
deep learning
parameters
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.)
Active
Application number
CN202010748281.4A
Other languages
English (en)
Other versions
CN112115635A (zh
Inventor
顾亦然
卢逸飞
霍建霖
郭玉雯
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202010748281.4A priority Critical patent/CN112115635B/zh
Publication of CN112115635A publication Critical patent/CN112115635A/zh
Application granted granted Critical
Publication of CN112115635B publication Critical patent/CN112115635B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/22—Moulding

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Manufacturing & Machinery (AREA)
  • Mechanical Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Injection Moulding Of Plastics Or The Like (AREA)

Abstract

本发明公开了一种基于深度学习的注塑工艺优化方法，步骤如下：选取注塑工艺参数；将注塑工艺参数数值分成不同水平组合，利用正交试验对水平组合进行仿真；将仿真结果导入到数据分析软件中，得到各注塑工艺参数对注塑过程影响程度排名；对排名靠前的注塑工艺参数，进行仿真训练；利用深度学习对训练结果建立多参数回归模型，预测新输入注塑工艺参数组合的翘曲量，对比仿真结果进行验证；建立注塑工艺参数优化推荐系统；调整注塑件的操作参数，进行批量生产。本发明通过建立深度学习回归模型的二次优化，开发出注塑参数推荐系统，符合现代注塑的质量周期要求，提高获取最优参数组合的精确性，提高生产效率。

Description

一种基于深度学习的注塑工艺优化方法
技术领域
本发明涉及注塑工艺，特别涉及一种基于深度学习的注塑工艺优化方法。
背景技术
传统的注塑工艺根据工人经验进行反复试模，最终获得最佳参数组合，盲目性和对经验的依赖性大，而且每个工人的经验并不相同，注塑后产品的成型质量也无法保证，且试模时间长，不适应现代注塑工艺短周期生产的要求。借助计算机辅助工程(CAE)辅助分析的虚拟试模方式能够弥补上述问题的不足，实现快速高效试模，获得质量更佳的产品；但是，CAE分析前的参数是人为设定的，对工人还是具有较大的依赖性，造成浪费和生产工期的延误；针对CAE分析结合正交试验选取权重靠前的参数，利用神经网络获取注塑参数为一种有效的优化方式，但在二次优化时忽略权重较小参数遗漏信息，BP神经网络收敛速度慢，RBF神经网络样本数据信息容易丢失。
发明内容
发明目的：针对以上问题，本发明目的是提供一种分析效率高、优化效果好的基于深度学习的注塑工艺优化方法。
技术方案：本发明所述的一种基于深度学习的注塑工艺优化方法，步骤如下：
(1)选取注塑工艺参数；
(2)将注塑工艺参数数值分成不同水平组合，利用正交试验对水平组合进行仿真；
(3)将仿真结果导入到数据分析软件中，得到各注塑工艺参数对注塑过程影响程度排名；
(4)对排名靠前的注塑工艺参数，减小每个水平数值间的跨度，排名靠后的注塑工艺参数水平保持不变，进行仿真训练；
(5)利用深度学习对训练结果建立多参数回归模型，采取线性回归或非线性回归拟合，预测新输入注塑工艺参数组合的翘曲量，对比仿真结果进行验证；
(6)根据步骤(2)中实验数据和步骤(5)回归模型建立注塑工艺参数优化推荐系统；
(7)将注塑参数优化推荐系统中产生的结果推送给管理人员，针对产品翘曲量调整注塑件的操作参数，最后进行批量生产。
进一步，所述步骤(1)的注塑工艺参数包括注塑速度、注塑压力、熔融温度、空气温度、成型温度、保温时间、冷却时间的任意一种或几种。
进一步，所述步骤(2)具体过程为：建立注塑产品结构模型，利用模流分析软件对结构模型进行网格划分，设置成型条件，进行模拟仿真。
进一步，所述步骤(6)注塑工艺参数优化推荐系统推荐的参数组合将在给定任何参数值的情况下产生最小量的翘曲量。
进一步，所述步骤(7)操作参数包括各参数水平组合、排名影响最大的注塑工艺参数以及流道浇口设计参数。
有益效果：本发明与现有技术相比，其显著优点是：本发明通过正交试验确定权重初步优化，再加大影响因子靠前参数的训练权重，并建立深度学习回归模型的二次优化，最后开发出注塑参数推荐系统，符合现代注塑的质量周期要求，提高获取最优参数组合的精确性，提高生产效率。
附图说明
图1为本发明的流程图；
图2为具体实施中注塑工艺仿真流程图。
具体实施方式
本实施例所述的一种基于深度学习的注塑工艺优化方法，流程如图1所示，步骤如下：
(1)选取注塑工艺参数，包括注塑速度、注塑压力、熔融温度、空气温度、成型温度、保温时间、冷却时间。
(2)将注塑工艺参数数值分成不同水平组合，利用正交试验对水平组合进行仿真：建立注塑产品CAD结构模型，利用Moldex3D Designer完成流道和浇口设计，进行网格划分，生成mde格式的文件。仿真流程图如图2所示。
表1和表2为注塑工艺参数的选取和水平组合测定，通过Minitab分析软件中的正交试验，通过Moldex3D的仿真记录产品的翘曲量，输入到响应表汇总，得到各组的均值和信噪比，表2的C8-C10列输出正交试验的结果。
表1各注塑工艺参数水平设置表
Figure BDA0002609133530000021
Figure BDA0002609133530000031
表2正交试验参数组合表
C1 C2 C3 C4 C5 C6 C7 C8 C9 C10
A B C D E F G 翘曲量 信噪比 均值
80 220 80 18 5 5 35 1.05 -0.42379 1.05
80 220 80 29 10 10 60 1.14 -1.13810 1.14
80 240 110 18 5 10 60 1.29 -2.21179 1.29
80 240 110 29 10 5 35 1.27 -2.07607 1.27
100 220 110 18 10 5 60 1.14 -1.13810 1.14
100 220 110 29 5 10 35 1.05 -0.42379 1.05
100 240 80 18 10 10 35 1.27 -2.07607 1.27
100 240 80 29 5 5 60 1.29 -2.21179 1.29
(3)将仿真结果导入到数据分析软件中，得到各注塑工艺参数对注塑过程影响程度排名，获得注塑工艺参数影响权重以及第一优化注塑工艺参数。
表3是将仿真结果输入到Minitab工作表中后分析得出的信噪比响应，结果注塑产品翘曲量是望小特性，通过极差分析列出△值，展示各注塑工艺参数影响排秩顺序。
表3注塑工艺参数影响排序表
Figure BDA0002609133530000032
(4)对排名靠前的注塑工艺参数，减小每个水平数值间的跨度，加大对产品成型影响靠前的参数权重，排名靠后的注塑工艺参数水平保持不变，进行仿真训练。
(5)利用深度学习TensorFlow环境下对训练结果建立多参数回归模型，采取线性回归或非线性回归拟合，预测新输入注塑工艺参数组合的翘曲量，对比仿真结果进行验证；
选用的回归模型为y＝b+∑wixi，利用梯度下降法逐步寻优，最小二乘法最小化误差，损失函数计算公式为
Figure BDA0002609133530000041
其中x，y分别为输入和输出，b为偏差，w为权重。
(6)根据步骤(2)中实验数据和步骤(5)回归模型建立注塑工艺参数优化推荐系统。当用户输入的数值不在有效范围内，系统不予理会，当输入合适的注塑参数范围，系统推荐出最优参数组合。
(7)将注塑参数优化推荐系统中产生的结果推送给管理人员，针对产品翘曲量调整注塑件的操作参数，包括各参数水平组合、影响排名最大的注塑工艺参数以及流道浇口设计，最后进行批量生产。

Claims (5)

1.一种基于深度学习的注塑工艺优化方法，其特征在于，步骤如下：
(1)选取注塑工艺参数；
(2)将注塑工艺参数数值分成不同水平组合，利用正交试验对水平组合进行仿真；
(3)将仿真结果导入到数据分析软件中，得到各注塑工艺参数对注塑过程影响程度排名；
(4)对排名靠前的注塑工艺参数，减小每个水平数值间的跨度，排名靠后的注塑工艺参数水平保持不变，进行仿真训练；
(5)利用深度学习对训练结果建立多参数回归模型，采取线性回归或非线性回归拟合，预测新输入注塑工艺参数组合的翘曲量，对比仿真结果进行验证；
(6)根据步骤(2)中实验数据和步骤(5)回归模型建立注塑工艺参数优化推荐系统；
(7)将注塑参数优化推荐系统中产生的结果推送给管理人员，针对产品翘曲量调整注塑件的操作参数，进行批量生产；
所述步骤(3)中的仿真结果包括每个水平组合的翘曲量的均值和信噪比，分析软件对每个组合的均值和信噪比分析得出各组合的信噪比响应，各注塑工艺参数对注塑过程影响度排名依据为各注塑工艺参数组合的信噪比响应的极差。
2.根据权利要求1所述的基于深度学习的注塑工艺优化方法，其特征在于，所述步骤(1)的注塑工艺参数包括注塑速度、注塑压力、熔融温度、空气温度、成型温度、保温时间、冷却时间的任意一种或几种。
3.根据权利要求1所述的基于深度学习的注塑工艺优化方法，其特征在于，所述步骤(2)具体过程为：建立注塑产品结构模型，利用模流分析软件对结构模型进行网格划分，设置成型条件，进行模拟仿真。
4.根据权利要求1所述的基于深度学习的注塑工艺优化方法，其特征在于，所述步骤(6)注塑工艺参数优化推荐系统推荐的参数组合将在给定任何参数值的情况下产生最小量的翘曲量。
5.根据权利要求1所述的基于深度学习的注塑工艺优化方法，其特征在于，所述步骤(7)操作参数包括参数水平组合、排名影响最大的注塑工艺参数以及流道浇口设计参数。
CN202010748281.4A 2020-07-30 2020-07-30 一种基于深度学习的注塑工艺优化方法 Active CN112115635B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010748281.4A CN112115635B (zh) 2020-07-30 2020-07-30 一种基于深度学习的注塑工艺优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010748281.4A CN112115635B (zh) 2020-07-30 2020-07-30 一种基于深度学习的注塑工艺优化方法

Publications (2)

Publication Number Publication Date
CN112115635A CN112115635A (zh) 2020-12-22
CN112115635B true CN112115635B (zh) 2021-10-29

Family

ID=73799374

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010748281.4A Active CN112115635B (zh) 2020-07-30 2020-07-30 一种基于深度学习的注塑工艺优化方法

Country Status (1)

Country Link
CN (1) CN112115635B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115258323B (zh) * 2021-04-29 2024-06-21 北京小米移动软件有限公司 撕膜控制方法、装置、电子设备及存储介质
BR102021013510A2 (pt) * 2021-07-08 2023-01-17 Andre Leao Barcellos Sistema e processo de monitoramento de produção de máquinas
CN113733506B (zh) * 2021-08-10 2023-05-05 宁波海天智联科技有限公司 一种基于互联网的注塑产品加工的工艺参数优化方法
CN115048843B (zh) * 2022-06-24 2024-10-01 重庆长安汽车股份有限公司 提高含玻纤注塑类零件仿真精度的方法、装置及存储介质
CN115965166B (zh) * 2023-03-16 2023-05-23 昆山市恒达精密机械工业有限公司 一种塑胶产品生产工艺的优化方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109483816A (zh) * 2018-12-27 2019-03-19 东莞市誉铭新精密技术股份有限公司 一种手机塑料壳体注塑工艺及注塑装置
CN110640982A (zh) * 2019-08-26 2020-01-03 江苏师范大学 一种薄壁注塑件的注塑工艺参数多目标优化方法
CN111079338A (zh) * 2019-12-24 2020-04-28 广东海洋大学 一种汽车后视镜外壳注塑工艺优化方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2535356A1 (en) * 2003-08-13 2005-03-03 Cargill, Incorporated Computer-aided modeling and manufacture of products

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109483816A (zh) * 2018-12-27 2019-03-19 东莞市誉铭新精密技术股份有限公司 一种手机塑料壳体注塑工艺及注塑装置
CN110640982A (zh) * 2019-08-26 2020-01-03 江苏师范大学 一种薄壁注塑件的注塑工艺参数多目标优化方法
CN111079338A (zh) * 2019-12-24 2020-04-28 广东海洋大学 一种汽车后视镜外壳注塑工艺优化方法

Also Published As

Publication number Publication date
CN112115635A (zh) 2020-12-22

Similar Documents

Publication Publication Date Title
CN112115635B (zh) 一种基于深度学习的注塑工艺优化方法
CN106649964B (zh) 一种基于ga-elm算法的铝合金压铸件晶粒尺寸预测方法
CN110609531A (zh) 一种基于数字孪生的车间调度方法
CN109977464A (zh) 一种基于bp神经网络的活塞切削加工变形量的预测方法
CN113191050B (zh) 一种基于msvr-ga优化初始残余应力的工件变形仿真预测方法
JP4852420B2 (ja) 成型技術における工具およびプロセスの設計
CN112906331B (zh) 一种基于对数扩展偏正态分布的标准单元延时模型构建方法
CN105893669A (zh) 一种基于数据挖掘的全局仿真性能预测方法
CN116090310A (zh) 基于田口试验和响应面法的多目标塑封工艺参数优化方法
US9378315B1 (en) Method for semiconductor process corner sweep simulation based on value selection function
CN111914461A (zh) 一种涡轮导叶片一维冷效的智能评估方法
Gondkar et al. Optimization of casting process parameters through simulation
CN109948263A (zh) 基于灵敏度分析的电路优化方法及系统
CN113868912A (zh) 一种钛合金j-c本构模型参数识别与修正方法
CN112597708B (zh) 一种考虑转捩扰动因素的γ-Reθt转捩模型标定方法
CN110851920B (zh) 一种模具压料器主筋线自动生成方法
CN115408842A (zh) 注塑成型仿真过程特性相似性分析方法
CN103439964B (zh) 一种ocsvm监控模型的在线更新系统及方法
US11225005B2 (en) System for setting molding conditions of injection-molding equipment
CN110287521B (zh) 一种模具镶块边界自动生成方法
CN108256271B (zh) 一种led灯具的轻量化设计方法
CN112163729A (zh) 基于供货产品截断正态分布质量数据的过程能力分析方法
CN110781615A (zh) 一种cae仿真准确率的评价方法
CN109360033A (zh) 一种教练机单机目标价格的估算方法
CN117171920B (zh) 铝箔餐盒冲压成型控制方法及系统

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
GR01 Patent grant
GR01 Patent grant
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20201222

Assignee: NANJING NANYOU INSTITUTE OF INFORMATION TECHNOVATION Co.,Ltd.

Assignor: NANJING University OF POSTS AND TELECOMMUNICATIONS

Contract record no.: X2021980014141

Denomination of invention: An optimization method of injection molding process based on deep learning

Granted publication date: 20211029

License type: Common License

Record date: 20211206

EC01 Cancellation of recordation of patent licensing contract

Assignee: NANJING NANYOU INSTITUTE OF INFORMATION TECHNOVATION Co.,Ltd.

Assignor: NANJING University OF POSTS AND TELECOMMUNICATIONS

Contract record no.: X2021980014141

Date of cancellation: 20231107

EC01 Cancellation of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20201222

Assignee: Jiangsu Yuanjian Cable Co.,Ltd.

Assignor: NANJING University OF POSTS AND TELECOMMUNICATIONS

Contract record no.: X2024980008019

Denomination of invention: A Deep Learning Based Injection Molding Process Optimization Method

Granted publication date: 20211029

License type: Common License

Record date: 20240625

EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20201222

Assignee: Nanjing Benli Information Technology Co.,Ltd.

Assignor: NANJING University OF POSTS AND TELECOMMUNICATIONS

Contract record no.: X2024980016890

Denomination of invention: A deep learning based optimization method for injection molding process

Granted publication date: 20211029

License type: Common License

Record date: 20240927

EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20201222

Assignee: Nanjing Zijin Information Technology Co.,Ltd.

Assignor: NANJING University OF POSTS AND TELECOMMUNICATIONS

Contract record no.: X2024980017766

Denomination of invention: A deep learning based optimization method for injection molding process

Granted publication date: 20211029

License type: Common License

Record date: 20241010

Application publication date: 20201222

Assignee: Nanjing Zhujin Intelligent Technology Co.,Ltd.

Assignor: NANJING University OF POSTS AND TELECOMMUNICATIONS

Contract record no.: X2024980017765

Denomination of invention: A deep learning based optimization method for injection molding process

Granted publication date: 20211029

License type: Common License

Record date: 20241010