CN112906155B - 一种用于注塑品信息的虚拟量测方法 - Google Patents

一种用于注塑品信息的虚拟量测方法 Download PDF

Info

Publication number
CN112906155B
CN112906155B CN202110162658.2A CN202110162658A CN112906155B CN 112906155 B CN112906155 B CN 112906155B CN 202110162658 A CN202110162658 A CN 202110162658A CN 112906155 B CN112906155 B CN 112906155B
Authority
CN
China
Prior art keywords
data
injection molding
training
algorithm
information
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
CN202110162658.2A
Other languages
English (en)
Other versions
CN112906155A (zh
Inventor
叶隆盛
刘鑫鹏
刘轲
陈彦彰
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.)
Shenzhen Pulian Intelligent Technology Co ltd
Original Assignee
Shenzhen Pulian 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 Shenzhen Pulian Intelligent Technology Co ltd filed Critical Shenzhen Pulian Intelligent Technology Co ltd
Priority to CN202110162658.2A priority Critical patent/CN112906155B/zh
Publication of CN112906155A publication Critical patent/CN112906155A/zh
Application granted granted Critical
Publication of CN112906155B publication Critical patent/CN112906155B/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]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Analysis (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Injection Moulding Of Plastics Or The Like (AREA)

Abstract

本发明提供了一种用于注塑品信息的虚拟量测方法，包括：S1、收集温度数据、成型机状态数据、机台工艺参数、注塑品信息、压力数据和熔料的流量数据，注塑品信息包括注塑品的尺寸、重量和翘曲变形量；S2、对温度数据、成型机状态数据、机台工艺参数、注塑品信息、压力数据和熔料的流量数据进行处理，生成训练数据；S3、对注塑品信息进行虚拟量测的模型训练；S4、完成注塑品信息的虚拟量测的模型融合。实现了对注塑产品的注塑信息的提前虚拟量测，可在产品产出之前提前发现注塑品信息的偏差，以自动调整优化，避免产出异常注塑品；并且本发明的方法具有泛化性，可适用于所有型号的注塑机。

Description

一种用于注塑品信息的虚拟量测方法
技术领域
本发明涉及注塑机控制技术领域，具体的，本发明涉及一种用于注塑品信息的虚拟量测方法。
背景技术
随着工业化的发展，注塑机得到了广泛的应用，当前的注塑机在成型过程无法提前预知注塑品的尺寸、重量和翘曲变形量等信息，需要等到注塑完成后才能测量，当注塑品信息出现异常时，需要人工进行各种工艺的调整，人员知识水平和经验的高低决定了处理异常方式的差异，导致异常处理效率的低下，并且基于理论和经验所制定的规则进行现场异常处理和维护，无法做到真正的解决根源问题。
发明内容
为了克服现有技术的不足，本发明提供了一种用于注塑品信息的虚拟量测方法，以解决上述的技术问题。
本发明解决其技术问题所采用的技术方法是：一种用于注塑品信息的虚拟量测方法，其改进之处在于：包括S1、收集温度数据、成型机状态数据、机台工艺参数、注塑品信息、压力数据和熔料的流量数据，注塑品信息包括注塑品的尺寸、重量和翘曲变形量；S2、对温度数据、成型机状态数据、机台工艺参数、注塑品信息、压力数据和熔料的流量数据进行处理，生成训练数据；S3、对注塑品信息进行虚拟量测的模型训练；S4、完成注塑品信息的虚拟量测的模型融合。
在上述方法中，步骤S1中，
温度数据是通过温度传感器采集模温机及模具各个点位的温度来获取；
成型机状态数据和机台工艺参数均通过成型机机台来获取；
注塑品的尺寸通过三坐标测量仪测量获取；
注塑品的重量通过在机械手上安装电子秤，夹取注塑品称重来获取；
注塑品的翘曲变形量通过3D极致激光扫描仪扫描来获取；
压力数据通过从注射口到型腔分别部署压力测试装置来获取；
流量数据通过在注塑机喷嘴上安装一个流量计，对输出的熔料进行检测来获取。
在上述方法中，步骤S2，包括以下的步骤：
S21、统计温度数据、压力数据和流量数据的特征频次，生成统计特征数据；
S22、将温度数据、压力数据、流量数据和统计特征数据，统一根据编号和时间连接成一行数据，生成关键特征数据；
S23、将关键特征数据、成型机状态数据和机台工艺参数进行连接与合并，连接的依据字段为成型机的编号和时间，将这些数据的每一行都连接成一行数据，生成特征数据；
S24、使用python编程语言中的特征选择SelectKBest包，对特征数据进行特征选择，通过F分布中的regression算法，从特征数据中选取大于F分布阈值的特征，对特征数据进行筛选，筛选掉其中不重要的特征，F分布是两个服从卡方分布的独立随机变量,各除以其自由度后的比值的抽样分布，是一种非对称分布，且位置不可互换,regression算法即回归算法；
S25、将注塑品信息中的注塑品的尺寸、重量和翘曲变形量分别作为标签数据，将筛选后的特征数据和标签数据通过编号和时间连接，生成训练数据。
在上述方法中，步骤S3，包括以下的步骤：
S31、将训练数据划分为训练集与验证集；
S32、分别使用支持向量机SVM、岭回归、梯度提升树算法lgb和神经网络算法在训练集上进行训练，以均方误差作为评估算法准确性的标准，均方误差即反映预测结果与真实结果之间差异程度的一种度量，当均方误差还在减小时，继续算法训练；当均方误差不再减小时，则停止算法训练，算法训练完成；
S33、对训练集进行预测，四个算法分别生成四列训练集的预测结果；
S34、分别使用支持向量机SVM、岭回归、梯度提升树lgb算法和神经网络算法对验证集进行预测，四个算法分别生成四个验证集的预测结果；
S35、将训练集的预测结果和验证集的预测结果整合，分别生成融合训练数据和融合验证数据。
在上述方法中，步骤S31中，将训练数据按照8:2的比例划分为训练集与验证集。
在上述方法中，步骤S4，包括以下的步骤：
S41、对融合训练数据使用梯度提升树算法lgb进行训练，以均方误差进行评分，当均方误差还在减小时，继续算法训练；当均方误差不再减小时，则停止算法训练，生成算法模型；
S42、使用融合验证数据对算法模型进行验证，判断算法模型在融合验证数据上的均方误差是否正常，当均方误差正常时，则跳转至步骤S43；当均方误差不正常时，则调整梯度提升树算法lgb的参数，跳转至步骤S41；
S43、保存虚拟量测的算法模型，将模型部署成WEB服务。
本发明的有益效果是：实现了对注塑产品的注塑信息的提前虚拟量测，可在产品产出之前提前发现注塑品信息的偏差，以自动调整优化，避免产出异常注塑品；并且本发明的方法具有泛化性，可适用于所有型号的注塑机。
附图说明
附图1为本发明的一种用于注塑品信息的虚拟量测方法的流程图。
附图2为图1中的步骤S3的具体流程示意图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整地描述，以充分地理解本发明的目的、特征和效果。显然，所描述的实施例只是本发明的一部分实施例，而不是全部实施例，基于本发明的实施例，本领域的技术人员在不付出创造性劳动的前提下所获得的其他实施例，均属于本发明保护的范围。另外，专利中涉及到的所有联接/连接关系，并非单指构件直接相接，而是指可根据具体实施情况，通过添加或减少联接辅件，来组成更优的联接结构。本发明创造中的各个技术特征，在不互相矛盾冲突的前提下可以交互组合。
参照图1所示，本发明的一种用于注塑品信息的虚拟量测方法，包括以下的步骤：
S1、收集温度数据、成型机状态数据、机台工艺参数、注塑品信息、压力数据和熔料的流量数据，注塑品信息包括注塑品的尺寸、重量和翘曲变形量，
具体的，温度数据是通过温度传感器采集模温机及模具各个点位的温度来获取；
成型机状态数据和机台工艺参数均通过成型机机台来获取；
注塑品的尺寸通过三坐标测量仪测量获取；
注塑品的重量通过在机械手上安装电子秤，夹取注塑品称重来获取；
注塑品的翘曲变形量通过3D极致激光扫描仪扫描来获取；
压力数据通过从注射口到型腔分别部署压力测试装置来获取，压力对注塑品的成型影响很大，需将压力数据加入到模型训练中；
流量数据通过在注塑机喷嘴上安装一个流量计，对输出的熔料进行检测来获取，熔料的流量会影响到注塑品的质量，需将流量数据加入到模型训练中。
S2、对温度数据、成型机状态数据、机台工艺参数、注塑品信息、压力数据和熔料的流量数据进行处理，生成训练数据；
具体的，步骤S2包括以下步骤：
S21、统计温度数据、压力数据和流量数据的特征频次，生成统计特征数据；
S22、将温度数据、压力数据、流量数据和统计特征数据，统一根据编号和时间连接成一行数据，生成关键特征数据；
S23、将关键特征数据、成型机状态数据和机台工艺参数进行连接与合并，连接的依据字段为成型机的编号和时间，将这些数据的每一行都连接成一行数据，生成特征数据；
S24、使用python编程语言中的特征选择SelectKBest包，对特征数据进行特征选择，通过F分布中的regression算法，常用来计算各个特征对于目标值的相关系数以及显著水平，目标值即注塑品信息，从特征数据中选取大于F分布阈值的特征，对特征数据进行筛选，筛选掉其中不重要的特征，F分布是两个服从卡方分布的独立随机变量,各除以其自由度后的比值的抽样分布，是一种非对称分布，且位置不可互换,regression算法即回归算法；
S25、将注塑品信息中的注塑品的尺寸、重量和翘曲变形量分别作为标签数据，将筛选后的特征数据和标签数据通过编号和时间连接，生成用于模型训练的训练数据。
S3、对注塑品信息进行虚拟量测的模型训练；
具体的，步骤S3包括如下的步骤：
S31、将训练数据划分为训练集与验证集；进一步的，训练数据按照8:2的比例划分为训练集与验证集；
S32、分别使用支持向量机SVM、岭回归、梯度提升树算法lgb和神经网络算法在训练集上进行训练，以均方误差作为评估算法准确性的标准，均方误差即反映预测结果与真实结果之间差异程度的一种度量，均方误差越小说明算法准确性越高，当均方误差还在减小时，继续算法训练；当均方误差不再减小时，则停止算法训练，算法训练完成；
S33、对训练集进行预测，四个算法分别生成四列训练集的预测结果，用于步骤S41中梯度提升树算法lgb的训练；
S34、分别使用支持向量机SVM、岭回归、梯度提升树lgb算法和神经网络算法对验证集进行预测，四个算法分别生成四个验证集的预测结果，用于步骤S42中对算法模型的验证；
S35、将训练集的预测结果和验证集的预测结果整合，分别生成融合训练数据和融合验证数据。
S4、完成注塑品信息的虚拟量测的模型融合；
具体的，步骤S4包括如下步骤：
S41、对融合训练数据使用梯度提升树算法lgb进行训练，以均方误差进行评分，当均方误差还在减小时，继续算法训练；当均方误差不再减小时，则停止算法训练，生成算法模型；
S42、使用融合验证数据对算法模型进行验证，判断算法模型在融合验证数据上的均方误差是否正常，当均方误差正常时，则跳转至步骤S43；当均方误差不正常时，则调整梯度提升树算法lgb的参数，跳转至步骤S41；
判断算法模型在融合验证数据上的均方误差是否正常，其依据是该均方误差是否在合理范围内，该合理范围则根据梯度提升树算法lgb的参数和数据特征来调整确定；
S43、保存虚拟量测的模型，使原本的滞后指标通过虚拟量测的方式变成领先指标，滞后指标即注塑品信息中的注塑品的尺寸、重量和翘曲变形量。当前设置的参数经过虚拟量测，得出注塑品信息偏差太大时，则自动调整优化，避免生产出异常的注塑品；将模型部署成WEB服务，供相关应用程序调用，使本方法可适用于所有型号的注塑机。
本发明实现了对注塑产品的注塑信息的提前虚拟量测，可在产品产出之前提前发现注塑品信息的偏差，以自动调整优化，避免产出异常注塑品；并且本发明的方法具有泛化性，可适用于所有型号的注塑机。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (5)

1.一种用于注塑品信息的虚拟量测方法，其特征在于：包括以下的步骤：
S1、收集温度数据、成型机状态数据、机台工艺参数、注塑品信息、压力数据和熔料的流量数据，注塑品信息包括注塑品的尺寸、重量和翘曲变形量；
S2、对温度数据、成型机状态数据、机台工艺参数、注塑品信息、压力数据和熔料的流量数据进行处理，生成训练数据；
所述步骤S2，包括以下的步骤：
S21、统计温度数据、压力数据和流量数据的特征频次，生成统计特征数据；
S22、将温度数据、压力数据、流量数据和统计特征数据，统一根据编号和时间连接成一行数据，生成关键特征数据；
S23、将关键特征数据、成型机状态数据和机台工艺参数进行连接与合并，连接的依据字段为成型机的编号和时间，将这些数据的每一行都连接成一行数据，生成特征数据；
S24、使用python编程语言中的特征选择SelectKBest包，对特征数据进行特征选择，通过F分布中的regression算法，从特征数据中选取大于F分布阈值的特征，对特征数据进行筛选，筛选掉其中不重要的特征，F分布是两个服从卡方分布的独立随机变量,各除以其自由度后的比值的抽样分布，是一种非对称分布，且位置不可互换,regression算法即回归算法；
S25、将注塑品信息中的注塑品的尺寸、重量和翘曲变形量分别作为标签数据，将筛选后的特征数据和标签数据通过编号和时间连接，生成训练数据；
S3、对注塑品信息进行虚拟量测的模型训练；
S4、完成注塑品信息的虚拟量测的模型融合。
2.如权利要求1所述的一种用于注塑品信息的虚拟量测方法，其特征在于：所述步骤S1中，
温度数据是通过温度传感器采集模温机及模具各个点位的温度来获取；
成型机状态数据和机台工艺参数均通过成型机机台来获取；
注塑品的尺寸通过三坐标测量仪测量获取；
注塑品的重量通过在机械手上安装电子秤，夹取注塑品称重来获取；
注塑品的翘曲变形量通过3D极致激光扫描仪扫描来获取；
压力数据通过从注射口到型腔分别部署压力测试装置来获取；
流量数据通过在注塑机喷嘴上安装一个流量计，对输出的熔料进行检测来获取。
3.如权利要求1所述的一种用于注塑品信息的虚拟量测方法，其特征在于：所述步骤S3，包括以下的步骤：
S31、将训练数据划分为训练集与验证集；
S32、分别使用支持向量机SVM、岭回归、梯度提升树算法lgb和神经网络算法在训练集上进行训练，以均方误差作为评估算法准确性的标准，均方误差即反映预测结果与真实结果之间差异程度的一种度量，当均方误差还在减小时，继续算法训练；当均方误差不再减小时，则停止算法训练，算法训练完成；
S33、对训练集进行预测，四个算法分别生成四列训练集的预测结果；
S34、分别使用支持向量机SVM、岭回归、梯度提升树算法lgb和神经网络算法对验证集进行预测，四个算法分别生成四个验证集的预测结果；
S35、将训练集的预测结果和验证集的预测结果整合，分别生成融合训练数据和融合验证数据。
4.如权利要求3所述的一种用于注塑品信息的虚拟量测方法，其特征在于：所述步骤S31中，将训练数据按照8:2的比例划分为训练集与验证集。
5.如权利要求3所述的一种用于注塑品信息的虚拟量测方法，其特征在于：所述步骤S4，包括以下的步骤：
S41、对融合训练数据使用梯度提升树算法lgb进行训练，以均方误差进行评分，当均方误差还在减小时，继续算法训练；当均方误差不再减小时，则停止算法训练，生成算法模型；
S42、使用融合验证数据对算法模型进行验证，判断算法模型在融合验证数据上的均方误差是否正常，当均方误差正常时，则跳转至步骤S43；当均方误差不正常时，则调整梯度提升树算法lgb的参数，跳转至步骤S41；
S43、保存虚拟量测的算法模型，将模型部署成WEB服务。
CN202110162658.2A 2021-02-05 2021-02-05 一种用于注塑品信息的虚拟量测方法 Active CN112906155B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110162658.2A CN112906155B (zh) 2021-02-05 2021-02-05 一种用于注塑品信息的虚拟量测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110162658.2A CN112906155B (zh) 2021-02-05 2021-02-05 一种用于注塑品信息的虚拟量测方法

Publications (2)

Publication Number Publication Date
CN112906155A CN112906155A (zh) 2021-06-04
CN112906155B true CN112906155B (zh) 2023-07-07

Family

ID=76123139

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110162658.2A Active CN112906155B (zh) 2021-02-05 2021-02-05 一种用于注塑品信息的虚拟量测方法

Country Status (1)

Country Link
CN (1) CN112906155B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114701135B (zh) * 2022-05-20 2024-07-09 深圳市信润富联数字科技有限公司 基于虚拟量测模型的注塑工件尺寸预测方法
CN115366281A (zh) * 2022-08-22 2022-11-22 青岛科技大学 基于机器学习的模温机温度控制方法、装置及可存储介质
CN118106976B (zh) * 2024-04-30 2024-06-28 深圳市博硕科技股份有限公司 一种注塑机用机械手的控制方法及系统
CN118683018A (zh) * 2024-08-23 2024-09-24 珠海格力电器股份有限公司 注塑参数确定方法、装置、电子设备及存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW200928843A (en) * 2007-12-31 2009-07-01 Ind Tech Res Inst Virtual metrology system applied on chemical vapor deposition process

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106872509A (zh) * 2017-03-09 2017-06-20 华南理工大学 一种基于红外成像的注塑制品质量在线检测装置与方法
CN110674598A (zh) * 2019-08-26 2020-01-10 江苏师范大学 一种基于支持向量机和粒子群算法的注塑工艺优化方法
CN112115579A (zh) * 2020-08-12 2020-12-22 江苏师范大学 一种玻璃纤维增强塑料注塑工艺参数多目标优化方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW200928843A (en) * 2007-12-31 2009-07-01 Ind Tech Res Inst Virtual metrology system applied on chemical vapor deposition process

Also Published As

Publication number Publication date
CN112906155A (zh) 2021-06-04

Similar Documents

Publication Publication Date Title
CN112906155B (zh) 一种用于注塑品信息的虚拟量测方法
KR101917006B1 (ko) 머신 러닝 기반 반도체 제조 수율 예측 시스템 및 방법
US11403535B2 (en) Model-based machine learning system
EP0497991B1 (en) Method of discriminating maintenance time of injection molding machine
KR101871940B1 (ko) 설비 이상 예측 모델의 구축방법 및 시스템
CN111461555A (zh) 一种生产线质量监测方法、装置及系统
EP3632650B1 (en) Injection molding system and injection molding method
US20210394247A1 (en) Method and system for forming a stamped component using a stamping simulation model
TWI709922B (zh) 基於模型之機器學習系統
CN113935965A (zh) 一种预制箱梁模板检测系统
CN116339145A (zh) 机台参数调控方法、设备及存储介质
CN115384017A (zh) 注塑生产调试系统及方法
CN110320337A (zh) 一种带钢表面质量自动判级系统和方法
US20240094717A1 (en) Method for a model-based determination of model parameters
CN109001989B (zh) 基于智能学习算法的机器控制方法
CN111210877A (zh) 一种推断物性参数的方法及装置
Pabst et al. A new approach to dynamic forecasting of cavity pressure and temperature throughout the injection molding process
TWI729627B (zh) 扣件尺寸的線上預測方法與扣件尺寸的線上預測系統
CN118115010A (zh) 动态检测方法及系统、计算机设备及存储介质
CN105699043B (zh) 一种提高风洞传感器测量稳定性和精准度的方法
TWI692695B (zh) 提升產品製程品質之回饋系統及其方法
TW201812586A (zh) 機台保養預測系統及其方法
Sun et al. Early warning of tobacco production quality based on deep learning algorithm
US20230039170A1 (en) Molding management apparatus
CN112985318B (zh) 扣件尺寸的线上预测方法与扣件尺寸的线上预测系统

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