CN116542122A - 用于降低原始成型腔在用于批量运行中之前的再加工耗费的方法和设备 - Google Patents

Abstract

本发明涉及一种用于确定优化的造型数据的方法，优化的造型数据表示原始成型的工件的造型和/或原始成型工具的原始成型腔的造型，其中该方法包括：a)提供初始造型数据，初始造型数据表示工件的和/或腔的初始造型，b)提供材料数据，材料数据表示所述原始成型材料，c)提供原始成型工艺数据，所述原始成型工艺数据表示原始成型工艺，d)提供工具数据，所述工具数据表示体现原始成型腔的工具，e)基于模型输出数据，通过仿真原始成型工艺来确定预测造型数据，f)基于预测造型数据以及第一KI输出数据，借助于人工神经仿真优化网络产生优化的预测造型数据，第一KI输出数据包括凝固参数和在步骤a)、b)、c)和d)中所提供的数据。

Description

用于降低原始成型腔在用于批量运行中之前的再加工耗费的 方法和设备

技术领域

本发明涉及一种用于确定优化的造型数据的方法，所述造型数据表示原始成型的工件的造型和/或原始成型的工具的原始成型腔的造型，其中原始成型的工件由在进行原始成型的成型过程中能流动地输入原始成型腔中的原始成型材料形成，其中原始成型材料根据至少一个凝固参数来硬化。

背景技术

通常，原始成型的工件在从原始成型腔中脱模之后，由于其脱离能流动的状态的凝固会与具体的原始成型过程无关地经受造型改变。通常，原始成型的工件通过冷却而硬化或者至少在其硬化期间冷却，由此热学地或热机械地或热化学地感生的尺寸变化通常加入到由于聚集状态的变化而引起的造型变化中。在本申请中，术语“凝固”和“硬化”同义地使用。

硬化原则上能够通过最初能流动的原始成型材料内的化学交联过程来实现，例如，已知的是硅酮聚合物。为了启动化学交联过程，可能需要将原始成型材料加热到激发温度阈值以上，其中原始成型材料又从加热超过激发温度阈值的温度水平冷却到环境温度或室温。

更常见的硬化情况是热凝固，其中原始成型材料通过冷却最初能流动的原始成型材料而凝固。在无定形的原始成型材料中，其粘度随着其温度而降低，直到无定形的原始成型材料成为高粘度的准固体。在结晶的原模材料中，自未超过熔化温度或结晶温度起，材料开始结晶，即以前可自由运动的分子设置在限定的晶格结构中，由此同样使原始成型的物体成为固体。在部分结晶的原始成型材料中，无定形的和结晶的凝固机制都会发生。在原始成型材料硬化时出现的全部造型变化的整体在下文中称为“收缩”，无论所述收缩是因热膨胀或缩小引起和/或因分子在可自由运动性和晶格结构中的设置之间的重新定向引起还是因其他过程例如填料的重新定向引起。

在原始成型中，能流动的原始成型材料首先填满原始成型腔，所述原始成型腔作为阴造型将其阳造型塑造给原始成型材料。如果原始成型腔中的原始成型材料充分硬化，那么能够打开原始成型腔并且将原始成型的工件脱模。通过在工件中尤其在脱模后继续进行完的温度均衡和/或压力均衡和/或应力均衡和/或反应过程，与在脱模时存在的造型相比，工件与用于其制造的原始成型材料相关地由于热长度变化或通常负面的热膨胀的瞬时的、通常不均匀的和/或各向异性的扭曲过程而改变其造型。

为了尽可能不必对原始成型地制造的工件再加工或者为了不必将因其性质而无法再加工的原始成型工件作为废品丢弃，制造商试图尽可能以原始成型的方式制造工件，使得所述工件在完全冷却到室温和/或在室温下在工件中的所有松弛过程结束后仅在预设的公差极限内偏离所述工件的通过其结构所分配的额定造型。

为了在考虑到在硬化时发生的收缩的情况下引导原始成型过程，使得在所述原始成型过程结束时工件的造型位于在额定造型附近的预设的公差范围中，制造商试图基于原始成型过程的数字模型仿真所述原始成型工艺。然而，这通常无法产生所期望的成功，因为待建模的真实过程是非常复杂的。这种复杂性归因于瞬态过程、强烈地非线性的过程、通常多相的并且甚至是各向异性的热传输过程、物质传输过程和硬化过程的进行。尤其当原始成型材料与不能流动的材料的掺合物一起加工时，复杂性显著增加，因为到目前为止，掺合物对上述过程的影响无法足够精确地建模。

应在下述简化的关系上表明待建模的原始成型过程的复杂性：例如，确定原始成型材料在原始成型腔中的流动过程何时并且以何种程度使原始成型材料在腔中与腔壁接触。通过这种接触改变从原始成型材料到其周围环境的热传输的情况，由此又改变原始成型材料的流动能力，这影响其他流动过程，等等。随着原始成型材料与腔壁的接触，通常发生从原始成型材料到原始成型工具的材料中的热传输，由此局部地改变原始成型工具的温度，使得在原始成型材料和原始成型工具之间的温差发生变化，这又改变单位时间内在原始成型材料和原始成型工具之间传输的热量，这最终改变原始成型材料的冷却的随时间的变化过程。

由于影响原始成型过程的大量材料值与相应的材料的其他发生变化的物理变量的相关性，进一步提高待仿真的过程的复杂性，所述材料值例如是密度、热容量、热导率，尤其作为热导率张量、粘度，尤其作为粘度张量，和刚度，尤其作为刚度张量，仅列举五个示例，所述其他发生变化的物理变量例如是温度或/和压力或/和其时间上的梯度或/和时间上的温度变化和时间上的压力变化。

每个简化地反映真实过程的模型都不可避免地会出现错误并且将不精确性引入到仿真过程中。在流体力学的和热机械学的以及经常甚至是热化学的仿真叠加的当前情况下，模型的不精确性是相当大的。此外，所应用的数字方法的不精确性也加入到上述不精确性中。市售的仿真产品例如或/>提供了原始成型工艺的基于模型的仿真，尤其是当前优选的注塑成型、注塑压缩成型和压制工艺的基于模型的仿真，但并未达到在受收缩影响的原始成型工件的最终造型的预测中所期望的精度。仿真结果与实际生产的原始成型工件的比较表明：原始成型工件的最终造型仅局部地通过仿真正确地预测，而在其他区域中在预测的和实际获得的尺寸之间的误差在两位数或者甚至三位数的百分比范围内或者甚至定性地错误地预测，即预测为凸状变形的区域实际上被证实凹状地变形，并且反之亦然。

因此，在借助于特定的原始成型工具的原始成型过程中实际获得的工件造型无法通过仿真来足够精确地预测，这在引入原始成型工具以制造新的原始成型工件时导致必须进行试错：根据由此实际获得的原始成型工件反复改变原始成型工艺和/或原始成型工具，直到最终获得与原始成型工件的额定尺寸的偏差足够小的原始成型工件。用于“调整”原始成型工艺并且尤其原始成型工具的耗费同样如所不期望的那样是显著的。

发明内容

因此，本发明的目的是提高涉及待以原始成型的方式制造的工件的造型的预测精度，从而减少用于制造原始成型工件的原始成型工具并且尤其是其原始成型腔的重复的再加工耗费。

根据本发明的一个方法方面，该目的通过如下方式实现：上述方法包括以下步骤：

a)提供初始造型数据，所述初始造型数据表示待以原始成型的方式制造的工件的和/或待用于以原始成型的方式制造工件的初始腔的初始造型，b)提供材料数据，所述材料数据表示原始成型材料，

c)提供原始成型工艺数据，所述原始成型工艺数据表示原始成型工艺，d)提供工具数据，所述工具数据表示超出原始成型腔的初始造型的、关于体现原始成型腔的工具的信息，

e)基于模型输出数据，借助于电子的数据处理设施通过仿真原始成型工艺来确定表示在成型过程后原始成型工件的预期的造型的预测造型数据，模型输出数据包括至少一个凝固参数和在步骤a)、b)、c)和d)中所提供的初始造型数据、材料数据、原始成型工艺数据和工具数据，

(f)基于至少一个在步骤e)中确定的预测造型数据以及基于第一KI输出数据，借助于电子的数据处理设施产生优化的预测造型数据作为优化的造型数据，所述预测造型数据表示原始成型工件的在成型过程后以与在步骤e)中相比更高的预测精度预期的造型，所述第一KI输出数据包括至少一个凝固参数和在步骤a)、b)、c)和d)中所提供的初始造型数据、材料数据、原始成型工艺数据和工具数据，其中电子的数据处理设施构成为针对优化预测造型数据来训练的人工神经仿真优化网络。

初始造型数据表示待以原始成型的方式制造的工件的初始造型，该工件具有其根据其设计的额定尺寸。初始造型数据附加地或者替选地表示初始腔的初始造型，通过所述初始腔应生产待以原始成型的方式制造的工件(原始成型工件)。由于在初始腔处已经考虑的收缩程度，初始腔通常不一定仅是由此待以原始成型的方式制造的工件的直接的阴轮廓。然而，首先仅考虑原始成型工件或仅考虑原始成型腔并且根据对于出自工件和腔的一个造型所获得的、优化的造型数据来确定相应其他造型就足够了。

初始造型数据能够是任何充分精确地描述初始造型的数据。也就是说，初始造型数据能够包括点云和/或二维或三维的造型区域，例如边缘线和/或面区域、其取向和在二维或三维区域之间围成的角度。优选地，初始造型数据是由设计工作产生的CAD数据。

材料数据表示原始成型材料。所述材料数据通常包括原始成型材料的物理变量和其值，它们对于相应的原始成型工艺很重要。在通过参数化描述来反映实际工艺时通常待加上的或者甚至所期望的抽象化允许：选择被认为是尤其重要的材料参数并且将所述材料参数作为材料数据使用。

除了材料数据外，原始成型工艺的类型及其工艺控制也会对所产生的工件产生影响，因此提供原始成型工艺数据。关于材料数据的抽象化的内容也适用于原始成型工艺数据。在当前的方法中，并非原始成型工艺的每个日期都必须考虑。

原则上，当前介绍的方法适用于任何原始成型工艺。优选地，当前介绍的方法由于对于注塑成型方法而言高的工业重要性而应用作为原始成型工艺。然而，不应排除：本方法适用于其他原始成型工艺，如传统铸造、压铸、压制、注射压缩成型等。

同样地，原始成型工艺受所使用的原始成型工具的影响很大，因此还需提供关于原始成型工具的数据。体现在初始工具上的初始腔已经通过初始造型数据表示。然而，原始成型工具超出初始腔，例如通过选择工具材料、工具尺寸、工具调温、浇口的数量、造型、类型和空间设置、调温通道等。上面关于数据的抽象化的内容也适用于工具数据。

所提供的初始造型数据、材料数据、原始成型工艺数据和工具数据形成输出数据，用于通过电子的数据处理设施来仿真原始成型工艺。因为仿真通常是基于模型的仿真，所以用于仿真的输出数据为了区别于可能的其他输出数据在本申请中称为”模型输出数据"。然而，通过术语"模型输出数据”仅应使输出数据相对于工艺仿真的在语言上的关联明确。不应通过其来表达与其他输出数据的强制性的在内容上的区分。

附加地，引导原始成型材料的凝固或硬化的至少一个凝固参数也属于模型输出数据。在许多情况下，至少一个凝固参数将包括当原始成型材料如常见的那样通过热学冷却而凝固时的温度。

如果原始成型材料虽然通过化学交联硬化但是化学交联的开始和/或进展以某种方式与温度相关，那么至少一个凝固参数也能够包括原始成型材料的温度。

如果在凝固时出现结晶，那么描述结晶的参数也能够是凝固参数。

原始成型工艺的仿真结果是预测造型数据，如一开始在当前所基于的目的的描述中所阐述的那样。也就是说，借助于仿真，例如利用之前提到的可市售的仿真程序产品之一，获得预测造型数据，所述预测造型数据表示通过模型化的原始成型过程制造的原始成型工件的、基于所使用的仿真模型所预期的造型，然而其精度至少是不确定的。

通过相应训练的人工神经网络，能够从预测造型数据中产生优化的预测造型数据，所述预测造型数据以明显更高的精度预测待通过所考虑的原始成型过程以原始成型的方式制造的工件的预期造型。

因为所计划的原始成型工艺也是神经网络的工作基础，所以人工神经网络一方面基于通过原始成型工艺的仿真所确定的预测造型数据作为输入数据并且另一方面基于如下输出数据产生优化的预测造型数据，所述输出数据包括上述提供的初始造型数据、材料数据、原始成型工艺数据和工具数据以及至少一个凝固参数。在区分人工神经网络所使用的这种输出数据和仿真所使用的输出数据时，人工神经网络的输出数据在本申请中称为”KI输出数据"。该术语也仅表示输出数据与数据处理实例的关联并且与其他数据处理实例例如之前提及的仿真的输出数据相比在内容上没有必要的区别。

人工神经网络的训练例如能够根据已经存在的用于原始成型的工件和/或为此所使用的腔的预测造型数据以及真实的原始成型工件和/或原始成型腔的与其相关联的实际的造型数据来进行，即用于能够或已经通过所限定的原始成型过程在预设的公差极限内以足够精确的尺寸真实地制造的原始成型工件或用于这种原始成型腔，所述原始成型腔允许在所限定的原始成型过程中在预设的公差极限内制造真实的原始成型工件。此外，为了训练人工神经网络，能够使用造型数据，所述造型数据是在真实的原始成型工件在脱模后的冷却阶段期间以预定的时间间隔通过对原始成型工件的造型检测，例如通过对其的扫描来获得。此外，真实的原始成型工件在其冷却阶段期间能够被热成像检测从而能够获得其实际的表面温度分布的信息。原始成型工件的热成像检测能够在时间上与其造型检测相关联，使得能够在真实的原始成型工件的冷却阶段期间的一个或多个窄的时间范围内获得关于原始成型工件的造型及其表面温度分布的信息。在训练人工神经网络时，也能够使用真实的原始成型工件的表面温度数据。

所述训练能够是一个连续的或不断重复的过程，其中原始成型工件的预测造型数据与通过相应地考虑的、所限定的原始成型工艺实际上获得的真实的原始成型工件的造型数据总是反复关联，以便改进人工神经网络的预测质量。因此，所述方法还能够包括一方面利用预测造型数据而另一方面利用原始成型工件的真实的造型数据的训练步骤，所述原始成型工件借助于通过初始造型数据、材料数据、原始成型工艺数据和工具数据所表示的原始成型工艺实际地获得。除了实际获得的原始成型工件的造型数据外，所述训练还能够包括使用实际所使用的原始成型腔的造型数据。

所述人工神经网络的训练能够包括对于神经元而言典型的学习规则，例如机器学习和/或深度学习。机器学习例如能够是无监督的或有监督的机器学习。

人工神经网络例如能够是卷积的或卷积式神经网络(CNN)，即所谓的“Convolutional Neural Network”，或者是图形神经网络(GNN)，用德语来说即Graphen-neuronales Netzwerk(GNN)。在相关领域中，在神经网络的德语的研究中也贯彻了其英语名称的使用。

为了不仅获得具有尤其从所考虑的原始成型工艺中获得的原始成型工件的以更高的精度预测的尺寸的优化的预测造型数据，而且为了除此之外在需要时使原始成型工件的预期的造型数据更接近其通过设计预设的额定尺寸，所述方法能够有利地包括以下其他步骤：

g)基于至少在步骤f)中确定的、优化的预测造型数据以及第二KI输出数据，借助于电子的数据处理设施产生修改的造型数据作为进一步优化的造型数据，所述进一步优化的造型数据表示原始成型工具的原始成型腔的经修改的造型，所述第二KI输出数据包括至少一个凝固参数和在步骤a)、b)、c)和d)中提供的初始造型数据、材料数据、原始成型工艺数据和工具数据，所述电子的数据处理设施构成为针对造型优化而训练的人工神经造型优化网络。

人工神经造型优化网络能够从所提到的数据中通过相应的训练来确定原始成型腔的修改的造型数据，所述修改的造型数据在上述方法的另一次或重新执行时在其步骤a)中用作为原始成型腔的初始造型数据。原始成型腔的修改的造型数据借助于所考虑的并且通过步骤b)、c)和d)的所提到数据表示的原始成型过程提供如下原始成型工件，其尺寸比所获得的优化的造型数据更接近所期望的原始成型工件的额定尺寸。优选地，借助于具有修改的造型数据的原始成型腔制造的原始成型工件的预期的造型数据位于原始成型工件的通过额定尺寸所限定的所期望的造型周围的预设的公差范围内。

为了避免不必要的计算耗费，所述方法能够包括将预期的原始成型工件的通过经训练的人工神经造型优化网络优化的预测造型数据与待以原始成型的方式制造工件的初始造型数据进行比较的步骤，其中与所述比较步骤的结果相关地执行步骤g)。因此，如果原始成型工件的优化的造型数据与所期望的原始成型工件的额定尺寸足够接近从而无需改变腔造型，那么能够省略步骤g)。

原则上，人工神经仿真优化网络与人工神经造型优化网络相比能够使用完全不同的KI输出数据。然而，因为这两个人工神经网络涉及相同的原始成型过程，所以第二KI输出数据的至少一部分，优选大部分，即超过50％，也能够是第一KI输出数据。这显著简化了数据管理和数据使用。

此外，人工神经仿真优化网络能够是不同于人工神经造型优化网络的神经网络。因为这两个神经网络就最广泛的意义而言将用于同一限定的原始成型过程的原始成型腔的造型数据与从原始成型过程中获得的原始成型工件的造型数据关联，所以人工神经仿真优化网络能比人工神经造型优化网络更有利。

仿真模型、仿真优化网络和必要时造型优化网络的创建和维护的一个重要部分在于确定、提供和维护相应的模型所基于的或相应的网络所基于的数据。因为仿真模型已经对原始成型过程进行了详细建模，包括原始成型工具的、原始成型工件的、原始成型材料的和原始成型工艺的模型，所以能够有利地通过如下方式降低用于数据采集的耗费：模型输出数据的至少一部分，优选大部分，即又超过50％，也是KI输出数据。模型输出数据的共同使用的部分能够是第一和/或第二KI输出数据。优选地，执行仿真的电子的数据处理设施和经训练的人工神经仿真优化网络或/和经训练的人工神经造型优化网络于是能够从同一数据源调用其相应的输出数据作为模型输出数据和KI输出数据。这在维护数据的同时也显著简化和减少了数据管理所需的装置。

如在上文中已经描述的那样，构成用于仿真原始成型工艺的电子的数据处理设施优选通过基于模型的仿真来确定预测造型数据。在这种情况下优选地尤其使用数字模型。由于一方面在能流动的原始成型材料的参与下对流动过程建模而另一方面对涉及固体的过程例如热传导建模，优选能够使用一个或多个模型，所述模型选自数字有限元模型、数字有限体积模型和数字有限差分模型，在此仅提到最常见的数字模型。仿真能够在市售的仿真程序产品例如上述仿真程序产品之一上执行，所述仿真程序产品在电子的数据处理设施上运行。

初始造型数据能够包括工件的额定尺寸，如长度尺寸和/或角度尺寸和/或曲率参数。初始造型数据能够附加地或替选地包括初始腔的造型数据。优选地，造型数据的至少一部分，优选大部分，尤其优选全部是CAD数据，使得能够直接从公司的设计基础设施中采用所述造型数据。

为了描述参与变形过程的材料，材料数据能够具有至少一个值，所述值出自：原始成型材料的至少一种成分的密度、热容量、热导率，尤其是热导率张量、粘度，尤其是粘度张量、热膨胀系数，尤其是与方向相关的热膨胀系数、刚度，尤其是刚度张量、各向异性系数、反应动力学系数和至少一个与材料相关的特征阈值，例如无定形热塑性塑料的软化温度、结晶材料尤其热塑性塑料的熔化温度、化学工艺如交联的活化温度或无定形热塑性塑料的玻璃转化温度、屈服强度、断裂强度等，其中，优选地，材料数据的至少一个值是相关的物理变量的量值与至少一个另外的物理变量的量值相关的值关系。通常，描述材料特性的数字与相应的材料的温度相关。

原始成型材料能够具有多种具有不同性质的成分，例如作为纤维和/或颗粒填充的热塑性塑料或热固性塑料，也能够是热塑性弹性体或尤其用于注塑成型、压制和注射压缩成型的弹性体。于是，用于描述原始成型材料的特性的材料数据能够具有将原始成型材料描述为原料的单位值，或者材料数据能够对于多个成分，优选对于所有成分分别具有单独的个体值。与相应待建模的特性相关地，材料数据能够具有单位值和个体值，这取决于应如何详细地反映原始成型材料的各个特性。

在使用多成分的原始成型材料的情况下，尤其具有在变型期间流动的和不能流动的成分，例如纤维和/或颗粒填充的热塑性塑料，上述各向异性系数能够表示原始成型材料的从成分混合物中产生的各向异性。各向异性系数一般来说能够是输出数据的一个值或每个值、标量、矢量、矩阵或多维张量。

为了描述原始成型工艺，原始成型工艺数据能够具有至少一个值，所述值出自：原始成型持续时间、原始成型压力、引入腔中的材料量、原始成型开始时原始成型材料的温度、在材料引入腔中和打开腔的时间点之间的时间间隔、保压压力、保压压力持续时间、环境温度等。在此，也适用的是，优选地，原始成型工艺数据的至少一个值是相关的物理变量的量值与至少一个另外的物理变量尤其温度的量值相关的值关系。

为了描述参与原始成型过程的工具，工具数据能够具有至少一个值，所述值出自：工具的材料的密度、热容量、热导率、传热系数、刚度，尤其刚度张量和热膨胀系数、至少一个工具部件的质量，至少一个工具部件的至少一个尺寸、在工具中或工具上使用的冷却剂的密度和粘度、冷却剂的热容量、冷却剂进入工具中的进入温度、冷却剂离开工具的离开温度、冷却剂的流动速度等。优选地，工具数据的至少一个值是相关的物理变量的量值与至少一个另外的物理变量尤其温度的量值相关的值关系。

对初始造型数据、材料数据、原始成型工艺数据和工具数据的列举显然不是完全的，而是与对原始成型过程的建模的详细程度相关。

所述方法能够包括将预测造型数据或/和优化的造型数据或/和另外预测造型数据输出给输出设备，例如屏幕、打印机等。

在某些情况下，根据本发明的方法在一个尤其优选的变型形式中能够在不根据上述步骤e)确定预测造型数据的情况下进行。然后，除了上文中提到的和阐述的步骤a)、b)、c)和d)之外，一开始提到方法还包括改型的步骤f’)来代替上文提到的步骤f)，其中基于第一KI输出数据产生优化的造型数据。第一KI输出数据至少包括至少一个凝固参数和在步骤a)、b)、c)和d)中提供的初始造型数据、材料数据、原始成型工艺数据和工具数据。显然，第一KI输出数据能够是上文提到的第一KI输出数据并且与所提到的数据相比能够包括其他数据。改型的步骤f’也借助于电子的数据处理设施执行，其中电子的数据处理设施构成为针对产生优化的造型数据而训练的人工神经造型数据优化网络。

例如，如果已经对类似的输出数据进行了多次仿真运行，使得无法从另一仿真运行中预期附加的知识获得，那么所述方法能够例如最初仅包括步骤a)、b)、c)、d)和f’)。在这种情况下，改型的步骤f’)的第一KI输出数据能够具有预测造型数据，然而所述预测造型数据并非通过仿真而是通过外插或/和内插或/和通过类似的计算方法从已经发生的仿真运行中获得。这能够显著地缩短方法的进程。

替选地，如果电子的数据处理设施的造型数据优化网络包括足够大范围的第一KI输出数据并且通过适当的训练能够直接从第一KI输出数据中直接产生优化的造型数据，那么所述方法最初也能够仅包括步骤a)、b)、c)、d)和f’)从而在不事先确定预测造型数据的情况下就能够胜任。造型数据优化网络于是在其结构方面从而在所述造型数据优化网络的对实现其的电子的数据处理设施的要求方面是显著更耗费的。然而，原则上可行的是，通过造型数据优化网络的相应的训练过程允许一方面从初始造型数据和限定原始成型过程的材料数据、原始成型工艺数据和工具数据并且另一方面从以原始成型的方式制造的工件的产生这种原始成型过程的真实的最终造型中学习直接的关系。造型数据优化网络能够将如此学习的关系应用于新的初始造型数据。

上述通过仿真确定预测造型数据有利地用于减少训练过程的必要范围和减少电子的数据处理设施的所需的配备。然而，在改型的步骤f’)中，与上述组合的步骤e)和f)相比，从第一KI输出数据以及至少一个凝固参数直接生成优化的造型数据能够提供原始成型腔的优化的造型数据的更精确的结果。

提供上述输出数据尤其初始造型数据和工具数据以尤其有利的方式实现：形成由优化原始成型工具和其至少部分的制造构成的连贯的工艺链。因此，在本发明的一个优选的改进形式中，所述方法包括产生用于控制至少一个加工机器的控制数据以基于初始造型数据和/或基于修改的造型数据，可选地也基于工具数据来制造原始成型工具的原始成型腔。为了提供连贯的工艺链直至进入生产，本方法优选还包括基于所产生的控制数据操控至少一个加工机器。

这种控制数据能够从造型数据中产生和提供，基本上如在CAD/CAM工艺链中那样。

本发明还涉及一种电子的数据处理装置，包括构成用于仿真原始成型工艺的数据处理设施和构成为经训练的人工神经仿真优化网络的电子的数据处理设施，其中电子的数据处理装置构成用于执行上述的和改进的方法。如上所述，同一数据处理设施能够构成用于仿真原始成型工艺而且构成为经训练的人工神经仿真优化网络。优选地，电子的数据处理装置还包括构成为经训练的人工神经造型优化网络的电子的数据处理设施。最后提到的电子的数据处理设施也能够与构成用于仿真的或/和构成为人工神经仿真优化网络的电子数据处理设施是同一数据处理设施。作为单独地构成但是在数据和信号传输方面彼此连接的电子的数据处理设施，电子的数据处理装置的数据处理设施能够在不同地点设置和设立。优选地，电子的数据处理装置包括用于输出预测造型数据或/和优化的造型数据或/和其他预测造型数据的输出设备。

根据工具优化的直至生产所述工具或其部件的连贯的工艺链的上述基本思想，本发明还涉及一种机器装置，包括至少一个用于改变造型地加工工具坯件的加工机器和如上文中所述的电子的数据处理装置。电子的数据处理装置构成用于基于初始造型数据和/或修改的造型数据，可选地也基于工具数据，产生用于至少一个加工机器的控制数据。加工机器例如构成用于可数控的NC加工机器，例如切削加工机器，如钻孔机、铣床和/或车床，或切除型加工机器，用于基于由电子的数据处理装置产生的控制数据执行加工过程。

附图说明

下面将根据附图详细阐述本发明。附图示出：

图1示出优化系统的根据本发明的实施方式的粗略示意图，所述优化系统示出机器装置的根据本发明的实施方式，其中执行用于确定优化的造型数据的所述方法的根据本发明的实施方式。

图2示出初始造型数据、预测造型数据和优化的预测造型数据的粗略示意图，以及

图3示出修改的造型数据的粗略示意图。

具体实施方式

在图1中，优化系统的根据本发明的实施方式，如上文在说明书引言中所阐述的那样，一般用10表示。

在一个或多个配备有具有CAD程序产品的数据处理设施的CAD工作站12处，在注塑成型构件的通过客户订单触发的设计过程中，在与注塑成型构件的复杂度相关地延伸的时间段内，获得造型数据14，更确切地说，一方面是注塑成型构件本身的构件造型数据14a，而另一方面是用于借助于构件造型数据14a制造注塑成型构件的注塑成型腔的腔造型数据14b。

这些造型数据14形成用于其他方法的初始造型数据。

通过设计注塑成型构件，也选择用于其制造的注塑成型材料，或者如果注塑成型构件在多组分注塑成型法中制造，那么选择所使用的注塑成型材料。至少一个所选择的注塑成型材料能够是填充有纤维和/或颗粒的注塑成型材料，以实现提高的构件强度。注塑成型材料本身，无论呈纯形式还是作为用于容纳纤维或/和颗粒作为填充材料的基体材料，优选是热塑性物质。这能够是热塑性塑料或/和热塑性弹性体。然而，在本发明的原始成型工艺中，热固性塑料或/和弹性体也能够被加工。

通过选择在说明书引言中被一般性称为原始成型材料的至少一种注塑成型材料，可提供材料数据16，所述材料数据表示至少一种注塑成型材料。这能够包括密度、热导率张量、粘度张量、软化温度、熔化温度、玻璃转化温度、热容量、表面张力等。通常，材料数据与其他物理变量相关，尤其与温度相关，所述温度在注塑成型时作为凝固参数发挥特殊作用。

同样地，在设计方法期间，原始成型工艺数据18被临时地确定，例如注射速度、压制速度、体积流、注射压力、注射持续时间、注射量、在平放(Gelegen)和不同类型的插入件的情况下的插入设置和注塑成型材料的注射温度、在将注塑成型材料注射到腔中结束后可能的保压压力的持续时间和量值、工具的关闭持续时间、在将注塑成型材料注射到腔中结束和打开腔之间的时间间隔、环境温度、工具的冷却条件例如冷却剂-量流、在引入工具中时冷却剂的温度、在从工具中导出时冷却剂的温度、在工具和冷却剂之间的热传输条件等。

同样地，通过注塑成型构件和注塑成型腔来设计注塑成型工具，使得在设计活动进行时也积累工具数据20，例如工具的尺寸和质量、用于制造工具的至少一种材料的密度、热导率和热容量、浇口和调温通道的数量、造型和局部方位、模具分型面的方位和造型等。尤其地，在工具处使用的材料的材料数据可能又与其他物理变量相关，尤其与作为注塑成型法的决定性的凝固参数的温度相关。

造型数据14、材料数据16、原始成型工艺数据18和工具数据20形成用于仿真程序产品22的输出数据，所述仿真程序产品可进行地在第一数据处理设施24中安装和设立。仿真程序产品22优选使用数字模型，以便预测能流动的注塑成型材料在腔中的在注塑成型时出现的流动、与流动相关的热传输过程和由此产生的凝固以及注塑成型构件的随后冷却与在此产生的因热引起的尺寸变化。

注塑成型工艺的仿真结果是注塑成型构件的预测造型数据26，如在脱模不完全的冷却和必要时硬化之后在考虑出自造型数据14、材料数据16、原始成型工艺数据18和工具数据20的输入给仿真模型的信息的情况下可能存在的那样。

现实到目前为止表明：由于待仿真的过程和材料特性的复杂性并且由于数字建模和由此产生的大量计算步骤中固有的不精确性，这种仅基于仿真的预测造型数据26的精确性没有足够精确地基于源自设计的造型数据14极有把握地将注塑成型腔或具有这样的注塑成型腔的注塑成型工具设计为，使得所实现的注塑成型工具立刻或在仅短暂的进入运行时间下就能提供足够可用的注塑成型构件。预测造型数据26的精度随着注塑成型构件的造型的复杂性增加而显著下降。

这些不精确性的后果是在注塑成型工具处进行再加工的显著耗费，以例如提供具有相对于所期望的注塑成型构件的单纯的阴轮廓的预失真的造型的注塑成型腔，使得在从预失真的注塑成型腔中脱模后注塑成型构件最初以失真的造型脱模，其中该失真的造型在进一步的冷却和必要时硬化期间通过热学地和必要时热机械学或/和热化学引起的尺寸变化来矫正，并且在冷却过程和必要时硬化过程结束时充分接近所期望的或所设计的构件造型。如果单纯地改变注塑成型工艺的工艺控制并不能带来足够的改善，那么这目前因试错而发生并且需要在腔处涂覆和切除工具材料的昂贵过程。甚至改变注塑成型工艺的工艺控制是所不期望的耗费，因为在所设计的注塑成型工具的这种“进入运行(Einfahren)”期间在较长的时间内只产生废品。

为了减少该耗费并且缩短构件和工具的设计之间的时间，根据当前提出的方法将预测造型数据26输入给专门为此训练的人工神经仿真优化网络28，所述人工神经仿真优化网络在第二电子的数据处理设施30中实现。仿真优化网络28此外在所需要的范围内获得材料数据16、原始成型工艺数据18和工具数据20，以便基于所述数据产生优化的预测造型数据32作为优化的造型数据。

如上文在说明书引言中所描述的那样，能够省去在第一数据处理设施24中使用仿真程序产品22来产生预测造型数据26。在数据量的数量和质量足够地存在的情况下，如果第二电子的数据处理设施相应地训练，那么造型数据14、材料数据16、原始成型工艺数据18和工具数据20能够直接输入到第二电子的数据处理设施30的所述网络28中，以便直接从这些输出数据以及从至少一个凝固参数中产生优化的造型数据32。由于省略了处理通过仿真获得的数据，网络28于是是造型数据优化网络28，不再是仿真优化网络。然而，这仅是尽可能合适的命名问题。显然，其仍是经训练的人工神经网络。

在利用预测造型数据26产生优化的预测造型数据32后的情况在图2中粗略地示出。

图2示出以图形方式表示为粗略的虚拟的注塑成型构件60的初始造型数据14，所述注塑成型构件通过其构件造型数据14a表示。通过经设计的注塑成型构件60构造的注塑成型腔62通过其腔造型数据14b表示。注塑成型腔62虚线地示出，因为其位于注塑成型工具64的内部中，所述注塑成型工具通过其工具数据20表示。

为了更好的概览，经设计的注塑成型构件60在图2中单独地在注塑成型工具64旁在右侧示出。

在图2中在注塑成型工具64旁在左侧，经设计的虚拟的注塑成型构件60重新用实线示出，如通过其构件初始造型数据14a所表示的那样。与注塑成型构件60叠加地用点划线示出通过仿真预测的虚拟的注塑成型构件60'，如通过预测造型数据26所表示的那样。进一步叠加地用虚线示出通过经训练的人工神经仿真优化网络28预测的虚拟的注塑成型构件60"，如通过优化的预测造型数据32所表示的那样。由于脱模后的收缩，预期的注塑成型构件与所期望的设计造型不同，其中优化的预测造型数据32的预测精度明显高于预测造型数据26的预测精度。图2中的造型偏差仅用于定性地和象征性地理解。所述造型偏差仅用于图解说明并且不是真实存在的构件的真正的造型偏差。

在省略步骤e)并且在通过上述改型的步骤f’)替代步骤f)的条件下执行所述方法时，省略通过仿真预测的虚拟的注塑成型构件60'。保留经设计的虚拟的注塑成型构件60和由通过经训练的人工造型数据优化网络28产生的预测的虚拟的注塑成型构件60”。

优化的预测造型数据32能够输出以被第二电子的数据处理设施30进一步使用或者能够在内部被处理。仅示例性地在图1中在第二电子的数据处理设施30中设置的比较实例34例如能够将注塑成型构件的优化的预测造型数据32与注塑成型构件的初始造型数据14a进行比较：优化的预测造型数据32与初始造型数据14a的偏差是否在预定的公差范围内。

如果预期的注塑成型构件基于其优化的预测造型数据32与初始造型数据14a的偏差超过可接受的预定公差范围，那么优化的预测造型数据32能够被输送给第三电子的数据处理设施38中的经训练的人工神经造型优化网络36。替选地，人工神经仿真优化网络28也能够是造型优化网络36。同样地，造型优化网络36能够偏离于图1的视图地在第二电子的数据处理设施30或第一电子的数据处理设施24中实现。

获得初始造型数据14，优选所有初始造型数据14并且获得材料数据16、原始成型工艺数据18和工具数据20作为输出数据的人工神经造型优化网络36基于其学习型结构产生注塑成型腔的修改的造型数据14b'，所述修改的造型数据作为新的初始造型数据14b'是用于产生优化的预测造型数据32的新的进程的基础。人工神经造型优化网络36在此产生注塑成型腔的修改的造型数据14b'，所述修改的造型数据引起虚拟的注塑成型构件60'"，其尺寸根据预期与经设计的注塑成型构件的初始造型14a差异不大。优选的是，通过具有修改的造型数据14b'的注塑成型腔62'制造的注塑成型构件60'"的尺寸在预设的公差范围内。这通过新的方法进程检查。

在图3中，与图2相比，示出基于修改的造型数据14b'作为注塑成型腔62'的初始造型数据的新的方法进程的结果。所期望的、经设计的虚拟的注塑成型构件60是不变的，其继续形成所述方法的目标规定。在由此同样修改的注塑成型工具64'中的注塑成型腔62'基于修改的造型数据14b'相对于先前考虑的注塑成型腔62在造型方面改变。由此产生的预期的虚拟的注塑成型构件60"'通过注塑成型构件60"'的在新的方法进程中获得的优化的预测造型数据32表示，虽然仍不精确地对应于设计的从而理想化的注塑成型构件60。然而，其在造型方面与该理想化的注塑成型构件的差别仅是轻微的，使得能够认为其是好部件。

如果实现了充分准确地再现所期望的初始造型数据14a的预期的注塑成型构件60'"的目标，那么预期的注塑成型构件的相应当前的优化的预测造型数据32与初始造型数据14a的通过比较实例34执行的比较结果引起：识别到预期的注塑成型构件60'"的优化的预测造型数据32位于公差范围内，于是引起优化的预测造型数据32的腔造型数据14b或14b'能够被输送给CAD/CAM实例40，其从腔造型数据14b或14b'中产生用于至少一个加工机器42例如铣床的控制数据。至少一个加工机器42基于由CAD/CAM实例40产生的控制数据产生表现注塑成型腔的构件作为工具构件。

通过这种方式，能够显著缩短从所期望的注塑成型构件直至借助于起作用的注塑成型工具提供所期望的注塑成型构件的注塑成型工艺的路径并减少为此所产生的耗费。

Claims (15)

1.一种用于确定优化的造型数据(32，14b')的方法，所述优化的造型数据表示原始成型的工件(60"；60"')的造型和/或原始成型工具(64；64')的原始成型腔(62；62')的造型，其中原始成型的工件(60"；60"')由在进行原始成型的成型过程中能流动地输入所述原始成型腔(62；62')中的原始成型材料形成，其中所述原始成型材料根据至少一个凝固参数来硬化，其中该方法包括：

a)提供初始造型数据(14)，所述初始造型数据表示待以原始成型的方式制造的工件(60)的和/或待用于所述工件的原始成型的初始腔(62)的初始造型(14a)，

b)提供材料数据(16)，所述材料数据表示所述原始成型材料，

c)提供原始成型工艺数据(18)，所述原始成型工艺数据表示原始成型工艺，

d)提供工具数据(20)，所述工具数据表示超出原始成型腔(62；62')的初始造型的、关于体现所述原始成型腔(62；62')的工具(64；64')的信息，

e)基于模型输出数据，借助于电子的数据处理设施(24)通过仿真原始成型工艺来确定预测造型数据(26)，所述模型输出数据包括至少一个凝固参数和在步骤a)、b)、c)和d)中所提供的初始造型数据(14)、材料数据(16)、原始成型工艺数据(18)和工具数据(20)，

f)基于至少一个在步骤e)中确定的预测造型数据(26)以及基于第一KI输出数据，借助于电子的数据处理设施(30)产生优化的预测造型数据(32)作为优化的造型数据，所述第一KI输出数据包括至少一个凝固参数和在步骤a)、b)、c)和d)中所提供的初始造型数据(14)、材料数据(16)、原始成型工艺数据(18)和工具数据(20)，其中所述电子的数据处理设施(30)构成为针对优化所述预测造型数据(26)来训练的人工神经仿真优化网络(28)。

2.根据权利要求1所述的方法，

其特征在于，

所述方法包括下述其他步骤：

g)基于至少在步骤f)中确定的、优化的预测造型数据(32)以及第二KI输出数据，借助于电子的数据处理设施(38)产生修改的造型数据(14b')作为进一步优化的造型数据，其中所述修改的造型数据(14b')表示所述原始成型工具(64')的原始成型腔(62')的经修改的造型，所述第二KI输出数据包括至少一个凝固参数和在步骤a)、b)、c)和d)中提供的初始造型数据(14)、材料数据(16)、原始成型工艺数据(18)和工具数据(20)，所述电子的数据处理设施构成为针对造型优化而训练的人工神经造型优化网络(36)。

3.根据权利要求2所述的方法，

其特征在于，

所述第二KI输出数据的至少一部分，优选大部分，也是第一KI输出数据。

4.根据权利要求2或3所述的方法，

其特征在于，

所述人工神经仿真优化网络(28)是所述人工神经造型优化网络(36)。

5.根据上述权利要求中任一项所述的方法，

其特征在于，

所述模型输出数据的至少一部分，优选大部分，也是KI输出数据，使得优选地，执行所述仿真的电子的数据处理设施(24)和所述经训练的人工神经仿真优化网络(28)从同一数据源调用其出自模型输出数据和KI输出数据的相应的输出数据。

6.根据上述权利要求中任一项所述的方法，其特征在于，构成用于仿真所述原始成型工艺的电子的数据处理设施(24)通过基于模型的仿真来确定所述预测造型数据(26)，优选利用数字模型，尤其数字有限元模型或/和数字有限体积模型或/和数字有限差分模型。

7.根据上述权利要求中任一项所述的方法，

其特征在于，

所述初始造型数据(14)包括所述工件(60)的或/和初始腔(62；62')的额定尺寸，例如长度尺寸或/和角度尺寸或/和曲率参数。

8.根据上述权利要求中任一项所述的方法，

其特征在于，

所述材料数据(18)能够具有至少一个值，所述值出自：所述原始成型材料的至少一种成分的密度、热容量、热导率、粘度、热膨胀系数、各向异性系数和至少一个与材料相关的特征阈值，例如软化温度、熔化温度、活化温度或玻璃转化温度、屈服强度、断裂强度等等，其中，优选地，所述材料数据(16)的值是相关的物理变量的量值与至少一个另外的物理变量的量值相关的值关系。

9.根据上述权利要求中任一项所述的方法，

其特征在于，

所述原始成型工艺数据(18)能够具有至少一个值，所述值出自：原始成型持续时间、原始成型压力、引入所述腔(62；62')中的材料量、原始成型开始时所述原始成型材料的温度、在材料引入所述腔中和打开所述腔(62；62')的时间点之间的时间间隔、保压压力、保压压力持续时间、环境温度等，其中，优选地，所述原始成型工艺数据(18)的值是相关的物理变量的量值与至少一个另外的物理变量的量值相关的值关系。

10.根据上述权利要求中任一项所述的方法，

其特征在于，

所述工具数据(20)能够具有至少一个值，所述值出自：所述工具(64；64')的材料的密度、所述工具(64；64')的材料的热容量、所述工具(64；64')的材料的热导率、所述工具(64；64')的材料的热膨胀系数、至少一个工具部件的质量，至少一个工具部件的至少一个尺寸、在所述工具(64；64')中或上使用的冷却剂的密度、冷却剂的热容量、冷却剂进入所述工具(64；64')中的进入温度、冷却剂离开所述工具(64；64')的离开温度等，其中，优选地，所述工具数据(20)的值是相关的物理变量的量值与至少一个另外的物理变量的量值相关的值关系。

11.根据包含权利要求2的上述权利要求中任一项所述的方法，

其特征在于，

所述方法包括将通过经训练的人工神经仿真优化网络(28)优化的预测造型数据(32)与初始造型数据(14)进行比较的步骤，其中所述步骤g)根据所述比较步骤的结果执行。

12.根据上述权利要求中任一项所述的方法，

其特征在于，

所述方法包括利用基于所述模型输出数据来原始成型的工件并且利用在步骤e)中确定的预测造型数据(26)来训练所述人工神经仿真优化网络(28)。

13.根据上述权利要求中任一项所述的方法，必要时包含权利要求2，

其特征在于，

所述方法包括基于所述初始造型数据和/或基于修改的造型数据，可选地也基于工具数据，生成用于控制至少一个加工机器以制造所述原始成型工具的原始成型腔的控制数据，其中所述方法优选地包括基于所产生的控制数据操控所述至少一个加工机器。

14.一种电子的数据处理装置，包括构成用于仿真原始成型工艺的数据处理设施(24)和构成为针对仿真优化来训练的人工神经仿真优化网络(28)的电子的数据处理设施(30)，其中所述电子的数据处理装置构成用于执行根据上述权利要求中任一项所述的方法。

15.一种机器装置，包括至少一个用于改变造型地加工工具坯件的加工机器(42)和根据权利要求14所述的电子的数据处理装置，其中所述电子的数据处理装置构成用于执行权利要求13，其中所述加工机器(42)构成用于基于由所述电子的数据处理装置产生的控制数据执行加工过程。