CN113283162B - 塑料光学镜片面形误差预测方法、电子装置及存储介质 - Google Patents
塑料光学镜片面形误差预测方法、电子装置及存储介质 Download PDFInfo
- Publication number
- CN113283162B CN113283162B CN202110485869.XA CN202110485869A CN113283162B CN 113283162 B CN113283162 B CN 113283162B CN 202110485869 A CN202110485869 A CN 202110485869A CN 113283162 B CN113283162 B CN 113283162B
- Authority
- CN
- China
- Prior art keywords
- surface shape
- optical lens
- plastic optical
- predicted
- machine learning
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/22—Moulding
-
- 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
Abstract
本发明提出一种塑料光学镜片面形误差预测方法、电子装置及存储介质,该预测方法包括:获取注塑成型机的成型参数及其对应的若干第一水平值;预生产塑料光学镜片并获得实测面形数据,将预设面形数据与实测面形数据进行计算得到面形误差;将面形误差量化为泽尼克多项式系数并进行特征筛选;将成型参数对应的若干第一水平值及经过特征筛选的泽尼克多项式系数进行机器学习,得到机器学习模型;将成型参数对应的若干第二水平值输入到机器学习模型中,并输出预测的泽尼克多项式系数;将预测的泽尼克多项式系数经过还原处理得到预测的面形误差;本发明通过机器学习预测面形误差,为优化加工塑料光学镜片的成型参数提供依据,以指导生产,提高产品良率。
Description
技术领域
本发明涉及塑料光学镜片注塑成型领域,尤其涉及一种塑料光学镜片面形误差预测方法、电子装置及存储介质。
背景技术
光学镜片的面形误差是影响光学镜头品质的最重要公差之一,对光学镜片的面形误差实施有效预测和管控,可大幅提高产品良率,缩减光学产品的制造成本。
对于利用注塑成型技术成型的塑料光学镜片,面形误差的主要因素来源,除了来自模具精度之外,其他都可以归为不规则缩水和脱模时造成的拉伸变形所引起的。
塑料光学镜片的不规则缩水以及拉伸变形都与注塑成型参数有关,因此如果能够掌握注塑成型参数与塑料光学镜片面形误差之间的数学关系,有助于通过预测性地调整注塑成型参数来改善塑料光学镜片的面形误差。但是由于涉及复杂的充填理论、缩水理论,直接根据这些物理理论建立注塑成型参数与面形误差的数学关系非常困难,从而无从对光学镜片的面形误差做出良好的预测。
发明内容
本发明要解决的技术问题是如何提供一种塑料光学镜片面形误差预测方法、电子装置及存储介质,所述预测方法可方便简单地获得塑料光学镜片的预测的面形误差,为优化注塑成型机加工塑料光学镜片的成型参数提供参考依据,以实现指导生产,提高产品良率。
本申请的第一方面提供一种塑料光学镜片面形误差预测方法,所述方法包括:
步骤S11,获取注塑成型机的成型参数及其对应的若干第一水平值,根据所述成型参数及其对应的若干第一水平值建立正交表,以获得若干成型条件;
步骤S12,依据所述若干成型条件预生产塑料光学镜片,并获得所述塑料光学镜片的实测面形数据,将所述塑料光学镜片的预设面形数据与所述实测面形数据作差计算得到所述塑料光学镜片的若干组面形误差;
步骤S13,将所述若干组面形误差分别量化为若干泽尼克多项式系数,并对所述若干泽尼克多项式系数进行特征筛选;
步骤S14,将所述成型参数对应的若干第一水平值及经过所述特征筛选的泽尼克多项式系数作为训练数据进行机器学习,得到机器学习模型;
步骤S15,将所述注塑成型机的成型参数对应的若干第二水平值作为输入数据输入到所述机器学习模型中,并输出预测的泽尼克多项式系数,所述第二水平值用于在所述机器学习模型运用阶段使用,区别于在所述机器学习模型训练阶段所使用的所述第一水平值;
步骤S16,将所述预测的泽尼克多项式系数经过还原处理得到预测的面形误差。
优选地,所述成型参数为模具温度及V-P切换压力。
优选地,所述模具温度设置5个所述第一水平值,所述V-P切换压力设置5个所述第一水平值,所述模具温度的5个所述第一水平值作为所述正交表的列,所述V-P切换压力的5个所述第一水平值作为所述正交表的栏,建立具有25组成型条件的所述正交表,所述模具温度设置的5个第一水平值分别为:124℃、127℃、130℃、133℃及137℃,所述V-P切换压力的5个第一水平值分别为:600kg·F/cm2、700kg·F/cm2、800kg·F/cm2、900kg·F/cm2及1000kg·F/cm2。
优选地,将所述若干组面形误差分别量化为若干泽尼克多项式系数的步骤包括:将所述若干组面形误差按组分别量化为若干泽尼克多项式系数,在每组量化过程中,以所述泽尼克多项式作为基底函数,对所述若干个面形误差进行拟合得到所述若干泽尼克多项式系数。
优选地,所述特征筛选包括:计算所述若干泽尼克多项式系数的标准差,并对所述标准差进行降序排序,筛选所述标准差由大到小排列的靠前的若干个泽尼克多项式项次。
优选地,在步骤S16后,所述预测方法可以包括步骤S17:判断所述预测的面形误差是否在第一目标范围内,若所述预测的面形误差在所述第一目标范围内,利用所述第二水平值量产所述塑料光学镜片,若所述预测的面形误差不在所述第一目标范围内,则返回步骤S15更换所述第二水平值并重新执行所述步骤S15及步骤S16,直到所述预测的面形误差在第一目标范围内后,再执行步骤S18:采用所述第二水平值量产所述塑料光学镜片。
优选地,在步骤S14后,所述预测方法可以包括步骤S100:校验所述机器学习模型的精度,若所述机器学习模型的精度在第二目标范围内,执行步骤S15,若所述机器学习模型的精度不在所述第二目标范围内,则返回所述步骤S14,采用不同类型的机器学习模型后再次执行步骤S14及步骤S100,直到所述机器学习模型的精度在第二目标范围内。
优选地,当所述机器学习模型的精度在所述第二目标范围内时,所述预测方法可以包括步骤S101:对所述机器学习模型进行实验验证,将所述注塑成型机的成型参数对应的若干第三水平值作为输入数据输入至所述机器学习模型中,并输出实验验证阶段的预测的泽尼克多项式系数,将所述实验验证阶段的预测的泽尼克多项式系数经还原处理得到实验验证阶段的预测面形误差,若所述实验验证阶段的预测面形误差在第三目标范围内,则继续执行所述步骤S15,若所述实验验证阶段的预测面形误差不在所述第三目标范围内,则返回所述步骤S11,更换所述成型参数及其对应的若干第一水平值,重新执行所述预测方法,直到所述实验验证阶段的预测面形误差在所述第三目标范围内。
本申请还提供一种电子装置,包括:处理器及存储器,所述存储器中存储有多个程序模块,所述多个程序模块由所述处理器加载并执行上述的塑料光学镜片面形误差预测方法。
本申请还提供一种计算机可读存储介质,其上存储有计算机指令,所述计算机指令由处理器加载执行上述的塑料光学镜片面形误差预测方法。
本发明相比于现有技术,至少具有如下有益效果:
1)通过采用泽尼克多项式系数得到量产前的塑料光学镜片的预测的面形误差,实现将塑料光学镜片表面的坐标数据与注塑成型机的成型参数的映射关系简化为所述泽尼克多项式系数与注塑成型机的成型参数的映射关系,从而无需复杂的数学关系计算就能快速简单地获得塑料光学镜片预测的面形误差;
2)通过机器学习模型训练实现方便简单地预测塑料光学镜片的面形误差,为优化注塑成型机量产加工塑料光学镜片的成型参数提供参考依据,以实现指导生产,提高产品良率。
附图说明
图1是本发明实施方式的塑料光学镜片面形误差预测方法的流程图。
图2是本发明实施方式的用于机器模型训练阶段的泽尼克多项式系数的示意图。
图3是本发明实施方式的特征筛选示意图。
图4a-图4d是本发明实施方式的预测塑料光学镜片面形的示意图。
图5是本发明实施方式的采用线性回归机器模型进行训练的结果示意图。
图6是本发明实施方式的采用二次模型进行训练的结果示意图。
图7a-图7b是本发明实施方式的实验验证阶段的塑料光学镜片的实测面形的示意图。
图8为本发明实施方式的电子装置的结构示图。
主要元件符号说明
电子装置 | 20 |
存储器 | 201 |
处理器 | 202 |
计算机程序 | 203 |
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行详细描述。需要说明的是,在不冲突的情况下,本申请的实施方式及实施方式中的特征可以相互之间组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,所描述的实施方式仅仅是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施方式的目的,不是旨在于限制本发明。
优选地,本发明塑料光学镜片面形误差预测方法应用在一个或者多个电子装置中。所述电子装置是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述电子装置可以是桌上型计算机、笔记本电脑、平板电脑及云端服务器等计算设备。所述设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
图1是本发明一实施方式中塑料光学镜片面形误差预测方法的流程图。
请参考图1,所述塑料光学镜片面形误差预测方法具体包括以下步骤:
步骤S11,获取注塑成型机的成型参数及其对应的若干第一水平值,根据所述成型参数及其对应的若干第一水平值建立正交表,以获得若干成型条件。
本实施方式中,所述注塑成型机用于对塑料光学镜片进行注塑成型。所述注塑成型机的成型参数是从所述注塑成型机的生产参数中,根据产品的不同优选而得到。所述注塑成型机的生产参数包括,但不限于背压压力、保压压力、射出速度、保压速度、V-P切换压力、保压时间、冷却时间、热/冷浇道温度、模具温度及料管温度。所述V-P切换压力是从速度(Velocity)控制向压力(Pressure)控制切换时的切换压力。所述若干第一水平值是根据具体成型参数在实际生产中的经验所确定的。所述V-P切换压力根据实际的生产经验的取值范围为600-1000kg·F/cm2,所述模具温度根据实际生产经验一般为120℃~140℃。
在一具体实施方式中,优选所述模具温度及所述V-P切换压力作为所述成型参数。所述模具温度及所述V-P切换压力分别对应的若干第一水平值按照实际生产中的经验值分别选择了5个水平值,具体的,模具温度分别为124℃、127℃、130℃、133℃及137℃,所述V-P切换压力分别为600kg·F/cm2、700kg·F/cm2、800kg·F/cm2、900kg·F/cm2及1000kg·F/cm2,以所述模具温度的上述5个第一水平值作为正交表的列,以所述V-P切换压力的上述5个第一水平值作为正交表的栏,建立所述模具温度与所述V-P切换压力共25组成型条件的正交表。
步骤S12,依据所述若干成型条件预生产塑料光学镜片,并获得塑料光学镜片的实测面形数据,将塑料光学镜片的预设面形数据与所述实测面形数据作差计算得到所述塑料光学镜片的若干组面形误差。
本实施方式中,根据步骤S11中的所述正交表上的每组成型条件预生产塑料光学镜片。对生产后的塑料光学镜片进行测量或拍照,以获得对应成型条件下的所述塑料光学镜片的实测面形数据,将所述实测面形数据与所述预设面形数据作差计算求得所述塑料光学镜片的若干个面形误差。
在具体实施方式中,所述实测面形数据通过以下方式获得:在所述塑料光学镜片的表面有规律地取点并测量所取点的坐标,其中取点有多种方式。例如,选取所述塑料光学镜片的中心为坐标原点,在所述塑料光学镜片上建立直角坐标系,在所述坐标系的坐标轴上等间隔的任意选取若干点,并测量这些点所对应的坐标相对于所述坐标原点的高度差,即面形数据,这些点均位于所述塑料光学镜片上。所述坐标轴可以是X轴或Y轴的正半轴,也可以是X轴或Y轴的负半轴,也可以是X轴或Y轴,也可以是X轴和Y轴。所述面形数据为所述坐标点相对于所述原点的高度差。
例如所述塑料光学镜片的直径为1.6cm,以其圆心作为坐标原点,在X轴和Y轴上等间隔地选取1600个坐标点,共计3200个坐标点,并测量这3200个坐标点所对应的面形数据。
所述预设面形数据是指在设计所述塑料光学镜片时,根据已有的三维设计模型获得与所述实测面形数据相对应的数据,即所述预设面形数据和所述实测面形数据均为在相同坐标点取得。
在一具体实施方式中,依据25组成型条件分别生产塑料光学镜片,并测量每组成型条件下所述塑料光学镜片的若干个面形数据。具体的,在测量每组成型条件下的塑料光学镜片时,获取所述塑料光学镜片在若干测量点的实测面形数据W(x,y),与所述塑料光学镜片在三维设计模型中的对应点的预设面形数据W0(x,y)作差计算,求得所述塑料光学镜片的若干面形误差:ΔW(x,y)=W(x,y)-W0(x,y)。
步骤S13,将所述若干组面形误差分别量化为若干泽尼克多项式系数,并对所述若干泽尼克多项式系数进行特征筛选。
本实施方式中,将所述若干组面形误差按组分别量化为泽尼克多项式系数。在对每组面形误差量化为泽尼克多项式系数时,是以泽尼克多项式(Zernike Polynomial)作为基底函数,对所述塑料光学镜片的若干面形误差进行拟合,得到所述若干泽尼克多项式系数。
具体的,对每组面形误差进行拟合,得到对应该组的37项泽尼克多项式系数Zi.j:
Zi.j,1≤i≤25,1≤j≤37
其中i代表实验条件的序号,即组序,j代表泽尼克多项式的项次。25组面形误差可以量化为25组泽尼克多项式系数,每一组均包括37项泽尼克多项式系数。
本实施方式中,每组面形误差采用最小二乘法进行泽尼克多项式拟合,得到与该组面形误差对应的37项泽尼克多项式系数。在利用泽尼克多项式对每组面形误差进行拟合时,项数的选取从第0项到第36项,共计37项泽尼克多项式系数。
通过使用泽尼克多项式对所述面形误差进行拟合,将塑料光学镜片表面的面形数据与注塑成型机的成型参数的映射关系简化为所述泽尼克多项式系数与注塑成型机的成型参数的映射关系,大大简化了数学模型,加快了训练过程,方便简洁地实现了对塑料光学镜片面形误差的预测。
将泽尼克多项式系数的一个项次作为一个特征,则所述特征筛选是通过计算若干组泽尼克多项式系数的标准差,对所述标准差进行从大到小的降序排序后,筛选出所述标准差靠前的若干个泽尼克多项式项次。
本实施方式中,对量化后的所述泽尼克多项式系数进行特征筛选,通过从m个特征中选出n个特征(m和n均为大于等于1的正整数,且m≥n,1≤m≤37),即从m项泽尼克多项式系数中选出n项泽尼克多项式系数,以此降低特征数量、减少后续步骤的计算量,同时也使模型效果达到最优。所述特征筛选遵循波动性原则,优先使用在特征取值发生变化的情况下,所述标准差按照从大到小的降序排序后靠前的特征,即波动较大的特征,波动的大小通常是使用标准差来反映,也可以使用例如方差来反映,波动越大则特征对模型的区分度越好。
请参考图2,在一具体实施方式中,25组面形误差可以量化为25横组泽尼克多项式系数,如图2中横轴所示,每一横组泽尼克多项式系数包括依次排列的37项系数,再根据泽尼克多项式项次的不同,分别将25个横组中的同一项(即同一列)泽尼克多项式系数作为如图2中纵轴所示的一纵组数据,则共有37纵组数据,所述特征筛选是通过计算所述37纵组数据中每一纵组数据的标准差σj:
其中代表第j项泽尼克多项式系数在25横组中的平均值,并对标准差进行从大到小的降序排序,即选取m=37个特征,筛选出前面的n个泽尼克多项式项次。在实际实施过程中根据数学模型优化的好坏,即在所述注塑成型机的成型参数的若干第一水平值发生变化时,由所选的特征构成的经过特征筛选的泽尼克多项式系数能否相对准确地反映所述塑料光学镜片面形误差的变化趋势,来选择具体的n的数值。
在一具体实施方式中,选取n=9,即选取变化幅度从大到小排列后的前9个泽尼克多项式的项次,也即筛选出对成型参数最敏感的9个项次作为选取的特征值。请参考图3,通过纵轴可以看出所述泽尼克多项式系数的数值的变化范围,横轴为所述泽尼克多项式系数的项次(即特征),按波动幅度,即按照不同项次泽尼克多项式系数的标准差由大到小排序,筛选出的特征分别为第4、1、9、5、16、14、25、12、23项泽尼克多项式系数。
步骤S14,将所述成型参数对应的若干第一水平值及经过特征筛选后的泽尼克多项式系数作为训练数据进行机器学习,得到训练好的机器学习模型。
本实施方式中,所述进行机器学习得到机器学习模型,是通过选取合适的数学模型来实现的:
其中,Zj代表第j项泽尼克多项式系数,θj代表与Zj对应的数学模型中待学习的参数,例如线性回归数学模型中的回归系数及随机误差项,VP代表V-P切换压力,T代表模具温度,利用计算机对采用该数学模型的机器学习模型进行训练从而得到θj。
在具体实施方式中,所述数学模型依据实际变化趋势、精度要求、计算成本等因素的不同,可以选择不同的数学模型,例如线性回归、二次模型、逻辑回归、SVM、人工神经网络等。在一具体实施方式中,选取的所述数学模型为二元线性回归数学模型。
具体的,作为训练数据的所述注塑成型机的成型参数为模具温度及V-P切换压力,训练采用的是二元线性回归数学模型。将所述模具温度及V-P切换压力分别作为自变量x1、x2,所述泽尼克多项式系数作为因变量f(x)输入到如下二元线性回归数学模型中进行训练:
f(x)=w1x1+w2x2+b
得到θj,即得到每一项泽尼克多项式系数所对应的w1、w2及b,其中w1、w2为回归系数,b为随机误差项,由此得到数学模型Zj:
Zj,1≤j≤37
通过将经过特征筛选的泽尼克多项式系数作为训练数据进行机器学习,机器学习模型的区分度更好,效果更加贴近实际生产的情况,以指导生产,提高产品良率。
步骤S15,将所述注塑成型机的成型参数对应的若干第二水平值作为输入数据输入到所述训练好的机器学习模型中,输出预测的泽尼克多项式系数,所述第二水平值用于在机器学习模型运用阶段使用,区别于在所述机器学习模型训练阶段所使用的所述第一水平值。
在一具体实施方式中,所述注塑成型机的成型参数仍为所述模具温度及V-P切换压力,根据所述步骤S14所得到的数学模型为:
f(x)=w1x1+w2x2+b
其中每一项泽尼克多项式系数所对应的w1、w2及b是已知的,在机器学习模型运用阶段,将注塑成型机的成型参数对应的若干第二水平值作为输入数据输入到上述数学模型中,即可输出预测的泽尼克多项式系数。
步骤S16,将预测的泽尼克多项式系数经过还原处理得到预测的面形误差。
本实施方式中,步骤S13中,将所述面形误差进行泽尼克多项式拟合得到37项泽尼克多项式系数,则步骤S16中,所述还原处理对应地为将所述37项泽尼克多项式系数还原为所述面形数据所对应的预测的面形误差。
本发明将面形误差通过拟合得到的泽尼克(Zernike)多项式系数作为机器学习的对象,大大简化了数学模型,加快了训练过程,实现了快速简单地获得塑料光学镜片预测的面形误差;另外,通过机器学习模型的训练实现方便简单地预测使得能够对塑料光学镜片的面形误差,为优化注塑成型机加工塑料光学镜片的成型参数提供参考依据,以实现指导生产,提高产品良率。
进一步的,在步骤S16后,所述塑料光学镜片面形误差预测方法可以包括步骤S17:判断所述预测的面形误差是否在第一目标范围内,若所述预测的面形误差在第一目标范围内,则利用所述第二水平值量产所述塑料光学镜片,若所述预测的面形误差不在所述第一目标范围,则返回步骤S15更换所述第二水平值并重新执行所述步骤S15及步骤S16,直到所述预测的面形误差在第一目标范围内后,再执行步骤S18:采用所述第二水平值量产所述塑料光学镜片。所述第一目标范围根据所述塑料光学镜片的不同而有所差异。
具体地,确定预测的面形误差是否在第一目标范围内,包括将预测的面形误差与预设面形数据相加得到所述塑料光学镜片的预测的面形数据,并生成所述塑料光学镜片的预测面形的模拟图。从而可直观地通过观察预测面形的模拟图的形状及峰谷值(PV值)来确定是否满足设计要求,进一步确定是否要以该成型参数量产所述塑料光学镜片。
在本实施方式中,所述第一目标范围为所述PV值,所述塑料光学镜片的形状根据实际生产需要可以有多种,例如“M”形及“V”形,所述PV值根据不同形状的塑料光学镜片的设计需求有不同的范围。例如,所述第一目标范围为0.43μm≤PV值≤0.48μm。
请参考图4,其中图4a及图4b分别为所述第二水平值分别为VP=700kg·F/cm2,T=130℃时的预测面形的模拟示意图。从图4a可以看出,所述塑料光学镜片的预测面形的形状为“M”形,图4a中的X轴及Y轴代表预测的塑料光学镜片的直径(单位:毫米),Z轴代表塑料光学镜片所取点的高度ΔZ(单位:毫米)。图4b中的曲线X-Direction为图4a中Y=0时的X>0部分的曲线,曲线Y-Direction为图4a中X=0时的Y>0部分的曲线,从图4b中可以看出,峰谷值PV=0.46647μm,图中横轴代表采样点的序号,纵轴代表预测的塑料光学镜片所取点的高度ΔZ(单位:毫米)。图4c及图4d分别为所述第二水平值为VP=850kg·F/cm2,T=124℃时的预测面形的模拟示意图,可以看出所述塑料光学镜片的预测面形的形状为“V”形,峰谷值PV=0.44378μm。依据以上两组成型条件所预测的所述塑料光学镜片的所述PV值均在第一目标范围内,因此可以采用所述第二水平值量产所述塑料光学镜片。
进一步的,基于上面的实施方式,提出本发明所述塑料光学镜片面形误差预测方法的另一实施方式,在步骤S14后,所述预测方法可以包括步骤S100:校验所述机器学习模型的精度,若所述机器学习模型的精度在第二目标范围内,执行步骤S15,若所述机器学习模型的精度不在所述第二目标范围内,则返回所述步骤S14,采用不同类型的机器学习模型后再次执行步骤S14及步骤S100,直到所述机器学习模型的精度在第二目标范围内,再继续执行步骤S15-S18。
在一具体实施方式中,所述第二目标范围表现为所述机器学习模型所采用的数学模型在拟合过程中的决定系数(R-square值)的范围,即用该R-square值来校验机器学习模型的精度。
具体地,对经过特征筛选出的第4、1、9、5、16、14、25、12、23项泽尼克多项式系数分别进行模拟演示线性回归模型训练结果,当预测的变化趋势图与实际变化趋势图趋于接近时,R-square值也更趋近第二目标范围,当R-square值在所述第二目标范围内,该数学模型的精度满足要求。
例如,第二目标范围为0.8≤R2≤1,图5为采用线性回归模型训练的结果示意图,选择的是第4项,即在所述特征筛选阶段的泽尼克多项式系数的标准差最大的项次,X轴代表模具温度,Y轴代表V-P切换压力,Z轴代表泽尼克多项式系数。其中曲面图是预测的变化趋势图,网格图为相应的实际变化趋势图。此时的R-square值,即图5中的R2=0.92445,在第二目标范围内,此时该机器学习模型的精度满足要求,可以将此机器学习模型进入模型运用阶段,即进入步骤15。
本实施方式中,当所述机器学习模型的精度不在所述第二目标范围内,更换所述机器学习模型所采用的数学模型,在一具体实施方式中,当所述机器学习模型的精度不在所述第二目标范围内时,将线性回归模型更换为二次模型并重新执行步骤S14,即将所述模具温度及所述V-P切换压力分别作为自变量x1、x2,泽尼克多项式系数作为因变量f(x)输入到如下二次模型中进行训练:
f(x)=w1x1 2+w2x2 2+w3x1x2+w4x1+w5x2+b
得到θj,即得到每一项泽尼克多项式系数所对应的w1、w2、w3、w4、w5及b,其中w1、w2、w3、为二次项系数,w4及w5为一次项系数,b为随机误差项,由此得到训练好的数学模型Zj:
Zj,1≤j≤37
请参考图6,其为采用该二次模型训练的结果示意图,此时的R-square值,即图6中的R2=0.99758,在所述第二目标范围内,表示所述机器学习模型的精度符合要求。
通过校验所述机器学习模型的精度,可以对机器学习模型进行优化,使得最终的机器学习模型拥有良好的准确性。
可以理解,当所述机器学习模型的精度在第二目标范围内时,所述预测方法可以包括步骤S101:对所述机器学习模型进行实验验证,将所述注塑成型机的成型参数对应的若干第三水平值作为输入数据输入至待学习参数已学习完毕的所述机器学习模型中,并输出实验验证阶段的预测的泽尼克多项式系数,将所述实验验证阶段的预测的泽尼克多项式系数经还原处理得到实验验证阶段的预测面形误差,若所述实验验证阶段的预测面形误差在第三目标范围内,则继续执行所述步骤S15,若所述实验验证阶段的预测面形误差不在所述第三目标范围内,则返回所述步骤S11,更换所述成型参数及其对应的若干第一水平值,重新执行所述预测方法,直到所述实验验证阶段的预测面形误差在所述第三目标范围内,再继续执行所述步骤S15-S18。其中,所述第三目标范围为所述塑料光学镜片在实验验证阶段的预测面形的PV值减去所述塑料光学镜片在实验验证阶段的实测面形的PV值的范围,即,-0.1μm≤实验验证阶段的预测面形的PV值-实验验证阶段的实测面形的PV值≤+0.1μm。
所述第三水平值为实验验证阶段的成型参数对应的一组或多组水平值,其区别于机器学习模型训练阶段的所述第一水平值及机器学习运用阶段的所述第二水平值。所述第三水平值可以与所述第一水平值一同选取,也可以在所述第一水平值之后选取。所述第三水平值不同于所述第一水平值。例如,在建立机器学习模型之前就将所述训练数据分为训练集和验证集,利用训练集建立所述机器学习模型之后,使用验证集进行实验验证。
具体地,确定实验验证阶段的预测面形误差是否在第三目标范围内,包括将实验验证阶段的预测面形误差与预设面形数据相加得到实验验证阶段的预测面形数据,并生成所述塑料光学镜片的实验验证阶段的预测面形的模拟图,从而得到实验验证阶段的预测面形的模拟图的形状及峰谷值(PV值),并将实验验证阶段的预测面形的形状及峰谷值与实验验证阶段的实测面形的形状及峰谷值进行比较,以判断实验验证阶段的预测面形误差是否在第三目标范围内。
在本实施方式中,所述第三目标范围为-0.1μm≤实验验证阶段的预测面形的PV值-实验验证阶段的实测面形的PV值≤0.1μm。请参考图7,图7a及图7b分别为M型及V型塑料光学镜片的实验验证阶段的实测面形的模拟图,横轴R-AXIS(单位:毫米)及纵轴Zd-AXIS(单位:微米)均代表实验验证阶段的实测尺寸。图7a及图7b均为在实验验证阶段注塑成型机加工完成所述塑料光学镜片后,实际测量的尺寸生成的模拟图。例如,图7a显示的实验验证阶段的实测面形的PV值为0.307μm,若实验验证阶段的预测面形的PV值-0.1μm≤0.307μm≤实验验证阶段的预测面形的PV值+0.1μm,则实验验证阶段的预测面形误差在第三目标范围内,继续执行所述步骤S15。
通过对所述机器学习模型进行实验验证,可以确认机器学习模型的预测效果,便于及时调整所述机器学习模型所需要的成型参数及其对应的若干第一水平值,使得最终得到的机器学习模型能够对所述面形误差进行良好的预测。
请参阅图8,为本申请实施方式的电子装置20的结构示意图。所述电子装置20包括,但不仅限于,存储器201、处理器202及存储在所述存储器201中并可在所述处理器202上运行的计算机程序203。所述处理器202执行所述计算机程序203时实现上述塑料光学镜片面形误差预测方法中的步骤,例如图1所示的步骤S11~S17&S100-S101。
示例性的,所述计算机程序203可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器201中,并由所述处理器202执行,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,所述指令段用于描述所述计算机程序203在所述电子装置20中的执行过程。
本领域技术人员可以理解,所述示意图仅仅是电子装置20的示例,并不构成对电子装置20的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述电子装置20还可以包括输入输出设备、网络接入设备、总线等。
所称处理器202可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者所述处理器202也可以是任何常规的处理器等,所述处理器202是所述电子装置20的控制中心,利用各种接口和线路连接整个电子装置20的各个部分。
所述存储器201可用于存储所述计算机程序203和/或模块/单元,所述处理器202通过运行或执行存储在所述存储器201内的计算机程序和/或模块/单元,以及调用存储在存储器201内的数据,实现所述电子装置20的各种功能。所述存储器201可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据电子装置20的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器201可以包括易失性和非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他存储器件。
所述电子装置20集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施方式方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,所述计算机程序在被处理器执行时,可实现上述各个方法实施方式的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)。
本申请提供的塑料光学镜片面形误差预测方法、电子装置及存储介质,通过采用泽尼克多项式系数得到量产前的塑料光学镜片的预测的面形误差,实现将塑料光学镜片表面的坐标数据与注塑成型机的成型参数的映射关系简化为所述泽尼克多项式系数与注塑成型机的成型参数的映射关系,从而无需复杂的数学关系计算就能快速简单地获得塑料光学镜片预测的面形误差;另外,通过机器学习模型训练实现方便简单地预测塑料光学镜片的面形误差,为优化注塑成型机量产加工塑料光学镜片的成型参数提供参考依据,以实现指导生产,提高产品良率。
对于本领域技术人员而言,显然本发明不限于上述示范性实施方式的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施方式看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他模块或步骤,单数不排除复数。电子装置权利要求中陈述的多个模块或电子装置也可以由同一个模块或电子装置通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施方式仅用以说明本发明的技术方案而非限制,尽管参照较佳实施方式对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种塑料光学镜片面形误差预测方法,其特征在于,所述方法包括:
步骤S11,获取注塑成型机的成型参数及其对应的若干第一水平值,根据所述成型参数及其对应的若干第一水平值建立正交表,以获得若干成型条件;
步骤S12,依据所述若干成型条件预生产塑料光学镜片,并获得所述塑料光学镜片的实测面形数据,将所述塑料光学镜片的预设面形数据与所述实测面形数据作差计算得到所述塑料光学镜片的若干组面形误差;
步骤S13,将所述若干组面形误差分别量化为若干泽尼克多项式系数,并对所述若干泽尼克多项式系数进行特征筛选;
步骤S14,将所述成型参数对应的若干第一水平值及经过所述特征筛选的泽尼克多项式系数作为训练数据进行机器学习,得到机器学习模型;其中,所述机器学习模型通过采用线性回归数学模型或二次模型训练得到;
步骤S15,将所述注塑成型机的成型参数对应的若干第二水平值作为输入数据输入到所述机器学习模型中,并输出预测的泽尼克多项式系数,所述第二水平值用于在所述机器学习模型运用阶段使用,区别于在所述机器学习模型训练阶段所使用的所述第一水平值;
步骤S16,将所述预测的泽尼克多项式系数经过还原处理得到预测的面形误差。
2.如权利要求1所述的塑料光学镜片面形误差预测方法,其特征在于,所述成型参数包括模具温度及V-P切换压力。
3.如权利要求2所述的塑料光学镜片面形误差预测方法,其特征在于,所述模具温度设置有5个所述第一水平值,所述V-P切换压力设置有5个所述第一水平值,所述模具温度的5个所述第一水平值作为所述正交表的列,所述V-P切换压力的5个所述第一水平值作为所述正交表的栏,建立具有25组成型条件的所述正交表,所述模具温度设置的5个若干第一水平值分别为:124℃、127℃、130℃、133℃及137℃,所述V-P切换压力的5个若干第一水平值分别为:600kg·F/cm2、700kg·F/cm2、800kg·F/cm2、900kg·F/cm2及1000kg·F/cm2。
4.如权利要求1所述的塑料光学镜片面形误差预测方法,其特征在于,将所述若干组面形误差分别量化为若干泽尼克多项式系数的步骤包括:将所述若干组面形误差按组分别量化为若干泽尼克多项式系数,在每组量化过程中,以所述泽尼克多项式作为基底函数,对所述若干组面形误差进行拟合得到所述若干泽尼克多项式系数。
5.如权利要求1所述的塑料光学镜片面形误差预测方法,其特征在于,所述特征筛选包括:计算所述若干泽尼克多项式系数的标准差,并对所述标准差进行降序排序,筛选所述标准差由大到小排列的靠前的若干个泽尼克多项式项次。
6.如权利要求1所述的塑料光学镜片面形误差预测方法,其特征在于,在步骤S16后,所述预测方法包括步骤S17:判断所述预测的面形误差是否在第一目标范围内,若所述预测的面形误差在所述第一目标范围内,利用所述第二水平值量产所述塑料光学镜片,若所述预测的面形误差不在所述第一目标范围内,则返回步骤S15更换所述第二水平值并重新执行所述步骤S15及步骤S16,直到所述预测的面形误差在第一目标范围内,再执行步骤S18:采用所述第二水平值量产所述塑料光学镜片;其中,所述第一目标范围为所述塑料光学镜片的预测面形的峰谷值PV值的范围,即0.43μm≤预测面形的PV值≤0.48μm。
7.如权利要求1所述的塑料光学镜片面形误差预测方法,其特征在于,在步骤S14后,所述预测方法包括步骤S100:校验所述机器学习模型的精度,若所述机器学习模型的精度在第二目标范围内,执行步骤S15,若所述机器学习模型的精度不在所述第二目标范围内,则返回所述步骤S14,采用不同类型的机器学习模型后再次执行步骤S14及步骤S100,直到所述机器学习模型的精度在第二目标范围内;其中,所述第二目标范围为所述机器学习模型所采用的数学模型在拟合过程中的决定系数R-square值的范围,即0.8≤R-square值≤1。
8.如权利要求7所述的塑料光学镜片面形误差预测方法,其特征在于,当所述机器学习模型的精度在所述第二目标范围内时,所述预测方法包括步骤S101:对所述机器学习模型进行实验验证,将所述注塑成型机的成型参数对应的若干第三水平值作为输入数据输入至所述机器学习模型中,并输出实验验证阶段的预测的泽尼克多项式系数,将所述实验验证阶段的预测的泽尼克多项式系数经还原处理得到实验验证阶段的预测面形误差,若所述实验验证阶段的预测面形误差在第三目标范围内,则继续执行所述步骤S15,若所述实验验证阶段的预测面形误差不在所述第三目标范围内,则返回所述步骤S11,更换所述成型参数及其对应的若干第一水平值,重新执行所述预测方法,直到所述实验验证阶段的预测面形误差在所述第三目标范围内;其中,所述第三目标范围为所述塑料光学镜片在实验验证阶段的预测面形的PV值减去所述塑料光学镜片在实验验证阶段的实测面形的PV值的范围,即,-0.1μm≤实验验证阶段的预测面形的PV值-实验验证阶段的实测面形的PV值≤+0.1μm。
9.一种电子装置,其特征在于,所述电子装置包括:
处理器;以及
存储器,所述存储器中存储有多个程序模块,所述多个程序模块由所述处理器加载并执行如权利要求1至8中任一项所述的塑料光学镜片面形误差预测方法。
10.一种计算机可读存储介质,其上存储有至少一条计算机指令,其特征在于,所述指令由处理器加载并执行如权利要求1至8中任一项所述的塑料光学镜片面形误差预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110485869.XA CN113283162B (zh) | 2021-04-30 | 2021-04-30 | 塑料光学镜片面形误差预测方法、电子装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110485869.XA CN113283162B (zh) | 2021-04-30 | 2021-04-30 | 塑料光学镜片面形误差预测方法、电子装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113283162A CN113283162A (zh) | 2021-08-20 |
CN113283162B true CN113283162B (zh) | 2022-10-28 |
Family
ID=77277836
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110485869.XA Active CN113283162B (zh) | 2021-04-30 | 2021-04-30 | 塑料光学镜片面形误差预测方法、电子装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113283162B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114161240B (zh) * | 2021-12-15 | 2023-03-24 | 清华大学 | 一种磨削面形预测方法、磨削系统及终端设备 |
CN116305667B (zh) * | 2023-05-18 | 2023-07-28 | 贵州大学 | 大直径薄板零件中心对称凸起面形的面形误差控制方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200942394A (en) * | 2008-04-03 | 2009-10-16 | Nat Applied Res Laboratories | Compensation method for optics mold |
CN106873152A (zh) * | 2017-01-11 | 2017-06-20 | 浙江大学 | 一种基于机器学习的高速像差校正方法 |
CN108089322A (zh) * | 2018-01-10 | 2018-05-29 | 清华大学深圳研究生院 | 基于多元线性回归的变形镜迭代控制方法和系统 |
CN109642876A (zh) * | 2016-09-02 | 2019-04-16 | Asml荷兰有限公司 | 用于监视工艺设备的方法和系统 |
CN110188321A (zh) * | 2019-05-22 | 2019-08-30 | 中国科学院光电技术研究所 | 一种基于神经网络算法的主次镜校准方法 |
CN110705040A (zh) * | 2019-09-11 | 2020-01-17 | 中国科学院光电技术研究所 | 一种基于泽尼克多项式系数与最小二乘法求取主次镜失调误差量的方法 |
CN110715619A (zh) * | 2019-11-22 | 2020-01-21 | 北京理工大学 | 基于自适应非零干涉法的光学自由曲面面形误差测量方法 |
CN111008945A (zh) * | 2019-12-31 | 2020-04-14 | 哈工大机器人(中山)无人装备与人工智能研究院 | 基于机器学习的多像质参数自适应像差矫正方法及装置 |
CN111209689A (zh) * | 2020-02-14 | 2020-05-29 | 北京理工大学 | 非零干涉非球面测量回程误差去除方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009014509A2 (en) * | 2005-11-09 | 2009-01-29 | University Of Houston | Method for designing and manufacturing custom optics |
WO2013169812A1 (en) * | 2012-05-07 | 2013-11-14 | Johns Lynette | Customized wavefront-guided methods, systems, and devices to correct higher-order aberrations |
US10401279B2 (en) * | 2013-10-29 | 2019-09-03 | Kla-Tencor Corporation | Process-induced distortion prediction and feedforward and feedback correction of overlay errors |
-
2021
- 2021-04-30 CN CN202110485869.XA patent/CN113283162B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200942394A (en) * | 2008-04-03 | 2009-10-16 | Nat Applied Res Laboratories | Compensation method for optics mold |
CN109642876A (zh) * | 2016-09-02 | 2019-04-16 | Asml荷兰有限公司 | 用于监视工艺设备的方法和系统 |
CN106873152A (zh) * | 2017-01-11 | 2017-06-20 | 浙江大学 | 一种基于机器学习的高速像差校正方法 |
CN108089322A (zh) * | 2018-01-10 | 2018-05-29 | 清华大学深圳研究生院 | 基于多元线性回归的变形镜迭代控制方法和系统 |
CN110188321A (zh) * | 2019-05-22 | 2019-08-30 | 中国科学院光电技术研究所 | 一种基于神经网络算法的主次镜校准方法 |
CN110705040A (zh) * | 2019-09-11 | 2020-01-17 | 中国科学院光电技术研究所 | 一种基于泽尼克多项式系数与最小二乘法求取主次镜失调误差量的方法 |
CN110715619A (zh) * | 2019-11-22 | 2020-01-21 | 北京理工大学 | 基于自适应非零干涉法的光学自由曲面面形误差测量方法 |
CN111008945A (zh) * | 2019-12-31 | 2020-04-14 | 哈工大机器人(中山)无人装备与人工智能研究院 | 基于机器学习的多像质参数自适应像差矫正方法及装置 |
CN111209689A (zh) * | 2020-02-14 | 2020-05-29 | 北京理工大学 | 非零干涉非球面测量回程误差去除方法及装置 |
Non-Patent Citations (4)
Title |
---|
Robust fitting of Zernike polynomials to noisy point clouds defined over connected domains of arbitrary shape;Diego Rodríguez Ibañez 等;《OPTICS EXPRESS》;20160309;第24卷(第6期);1-16 * |
Using Artifcial Intelligence and Novel Polynomials to Predict Subjective Refraction;Radhika Rampat 等;《Scientific Reports》;20200522;1-9 * |
基于泽尼克多项式系数的大相对孔径表面超精密车削误差的补偿方法;王毅 等;《红外与激光工程》;20120331;第41卷(第3期);724-728 * |
评价任意面型微光学元件制作误差的方法;高洪涛 等;《微细加工技术》;20070831(第4期);27-29 * |
Also Published As
Publication number | Publication date |
---|---|
CN113283162A (zh) | 2021-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113283162B (zh) | 塑料光学镜片面形误差预测方法、电子装置及存储介质 | |
Cao et al. | Multi-objective optimization of injection-molded plastic parts using entropy weight, random forest, and genetic algorithm methods | |
CN110674598A (zh) | 一种基于支持向量机和粒子群算法的注塑工艺优化方法 | |
US20200184028A1 (en) | Optimization method and module thereof based on feature extraction and machine learning | |
CN114818401A (zh) | 机器学习模型的训练方法、训练装置、评价系统 | |
CN106273441A (zh) | 打印温度的控制方法及其装置 | |
Lee et al. | Development of artificial neural network system to recommend process conditions of injection molding for various geometries | |
CN115310343A (zh) | 样本数据库系统、训练及检验打印参数的方法、计算机 | |
US11947491B2 (en) | Apparatus and methods for geometric searching | |
Feng et al. | Application of machine learning to optimize process parameters in fused deposition modeling of PEEK material | |
Liu et al. | Multiobjective optimization of injection molding process parameters for the precision manufacturing of plastic optical lens | |
US11537934B2 (en) | Systems and methods for improving the interpretability and transparency of machine learning models | |
US20230010715A1 (en) | Apparatus, method, and computer-readable medium | |
Zafošnik et al. | Modelling of an analytical equation for predicting maximum stress in an injections moulded undercut geometry during ejection | |
Yang et al. | A study on the practical application of the integrated ANN system for manufacturing the target quality of the injection molded product | |
CN115964882A (zh) | 工艺参数设计优化方法、处理器及制造设备 | |
CN110047509A (zh) | 一种两级子空间划分方法及装置 | |
Sevšek et al. | Determining the influence and correlation for parameters of flexible forming using the random forest method | |
Yu et al. | Offline prediction of process windows for robust injection molding | |
CN114662232A (zh) | 一种复杂形状热冲压零件的成形质量分析方法 | |
WO2021197935A1 (en) | Reduction of friction within a machine tool | |
TWI783427B (zh) | 支援樹脂成形之裝置、方法及程式 | |
EP4025406B1 (en) | Computer implemented method of designing a molding process | |
US20230316719A1 (en) | Automatic detection of dental indications | |
CN116050225B (zh) | 板材成形过程中非均匀压力的确定方法和装置 |
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 |