CN116901386B - 基于3d扫描技术的制品检测及智能注塑生产方法及系统 - Google Patents
基于3d扫描技术的制品检测及智能注塑生产方法及系统 Download PDFInfo
- Publication number
- CN116901386B CN116901386B CN202310864377.0A CN202310864377A CN116901386B CN 116901386 B CN116901386 B CN 116901386B CN 202310864377 A CN202310864377 A CN 202310864377A CN 116901386 B CN116901386 B CN 116901386B
- Authority
- CN
- China
- Prior art keywords
- injection molding
- product
- error value
- molding process
- model
- 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
- 238000001746 injection moulding Methods 0.000 title claims abstract description 148
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 40
- 238000001514 detection method Methods 0.000 title claims abstract description 17
- 238000005516 engineering process Methods 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 62
- 239000007787 solid Substances 0.000 claims abstract description 55
- 230000008569 process Effects 0.000 claims abstract description 49
- 238000005457 optimization Methods 0.000 claims description 18
- 239000000463 material Substances 0.000 claims description 14
- 238000013461 design Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000000465 moulding Methods 0.000 claims description 11
- 230000002068 genetic effect Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 239000012778 molding material Substances 0.000 claims description 8
- 230000007547 defect Effects 0.000 claims description 6
- 238000004040 coloring Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 239000000243 solution Substances 0.000 claims description 5
- 230000007797 corrosion Effects 0.000 claims description 4
- 238000005260 corrosion Methods 0.000 claims description 4
- 230000003287 optical effect Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 2
- 238000002347 injection Methods 0.000 claims description 2
- 239000007924 injection Substances 0.000 claims description 2
- 230000035772 mutation Effects 0.000 claims description 2
- 238000002360 preparation method Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000001816 cooling Methods 0.000 claims 1
- 238000012360 testing method Methods 0.000 description 4
- 238000012827 research and development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012356 Product development Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
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
- 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
- B29C45/76—Measuring, controlling or regulating
- B29C45/7686—Measuring, controlling or regulating the ejected articles, e.g. weight control
-
- 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
- B29C45/76—Measuring, controlling or regulating
- B29C45/766—Measuring, controlling or regulating the setting or resetting of moulding conditions, e.g. before starting a cycle
-
- 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
- B29C2945/00—Indexing scheme relating to injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould
- B29C2945/76—Measuring, controlling or regulating
- B29C2945/76177—Location of measurement
- B29C2945/7629—Moulded articles
-
- 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
- B29C2945/00—Indexing scheme relating to injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould
- B29C2945/76—Measuring, controlling or regulating
- B29C2945/76929—Controlling method
- B29C2945/76939—Using stored or historical data sets
- B29C2945/76949—Using stored or historical data sets using a learning system, i.e. the system accumulates experience from previous occurrences, e.g. adaptive control
-
- 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)
- Manufacturing & Machinery (AREA)
- Mechanical Engineering (AREA)
- Injection Moulding Of Plastics Or The Like (AREA)
Abstract
本申请涉及基于3D扫描技术的制品检测及智能注塑生产方法及系统,方法包括:设计制品要求参数,并获取注塑成型工艺;根据注塑成型工艺进行注塑生产,得到制品;对制品进行全方位扫描得到点云数据,基于点云数据生成实体模型;确定实体模型的参数与制品要求参数之间的误差值;根据误差值确定是否优化注塑成型工艺,当误差值超过设定误差范围时,基于误差值优化注塑成型工艺,并根据优化后的注塑成型工艺进行注塑生产;当误差值未超过设定误差范围时,保留当前的注塑成型工艺进行注塑生产。该方法提升了制品检测效率,缩短了工艺调整时间,提高了注塑生产效率和自动化水平。
Description
技术领域
本申请涉及制品检测及智能注塑生产技术领域,特别是涉及基于3D扫描技术的制品检测及智能注塑生产方法及系统。
背景技术
目前,在传统注塑成型制品研发过程中,制品从设计到大批量生产,试模作为周期最长,调整最复杂的环节严重降低了制品开发效率。试模环节的低效性和复杂性主要来自注塑工艺调整的不确定性,即在传统试模过程中,大部分情况依据操作经验对注塑工艺进行调整,对模具进行修改,之后再进行注塑检测,此过程循环往复直到满足制品需求。而注塑工艺包括多个参数,可笼统分为温度参数、压力参数和时间参数,三者之间互有影响,因此人工调整注塑工艺对于操作者是一个巨大挑战。另一方面,随着社会的发展,人们对塑料制品有了更多需求,产品更新迭代迅速导致研发周期短,因此需要在研发环节实现降本增效。
发明内容
基于此,有必要针对上述问题提供一种缩短制品成型周期,降低试模成本以及提高注塑生产自动化水平的制品检测及智能注塑生产方法及系统,具体为基于3D扫描技术的制品检测及智能注塑生产方法及系统。
本发明提供一种基于3D扫描技术的制品检测及智能注塑生产方法,该方法包括:
S1:设计制品要求参数,并获取注塑成型工艺;
S2:根据所述注塑成型工艺进行注塑生产,得到制品;
S3:对所述制品进行全方位扫描得到点云数据,基于所述点云数据生成实体模型;确定实体模型的参数与所述制品要求参数之间的误差值;
S4:根据所述误差值确定是否优化所述注塑成型工艺,当所述误差值超过设定误差范围时,基于所述误差值优化所述注塑成型工艺,并根据优化后的所述注塑成型工艺进行注塑生产;当所述误差值未超过设定误差范围时,保留当前的所述注塑成型工艺进行注塑生产。
优选的,S1中,还包括:建立材料数据库,其过程为:
步骤1:获取注塑材料参数;所述注塑材料参数包括通用属性、专有属性以及所述注塑成型工艺;所述通用属性包括强度、硬度、比热、PVT特性;所述专有属性包括光学性能、耐腐蚀性、生物相容性、材料密度;
步骤2:基于所述通用属性、所述专有属性以及所述注塑成型工艺,并采用MySQL建立所述材料数据库。
优选的,所述制品要求参数包括制品要求尺寸、制品设计质量。
优选的,S3中,所述基于所述点云数据生成实体模型包括:
步骤1:采用3D扫描分析软件根据所述制品尺寸确定基准点,并以所述基准点为基础对所述点云数据进行点云划分,保留属于制品的点云;
步骤2:对所述属于制品的点云进行着色;
步骤3:根据着色后属于制品的点云中各点的相对位置进行特征点云提取,得到特征点云;
步骤4:对所述特征点云进行网格模型转化,得到制品模型;
步骤5:对制品模型的连续性进行检测,修复网格缺陷,得到所述实体模型。
优选的,S3中,所述实体模型的参数包括实体模型特征尺寸,得到所述实体模型特征尺寸的过程包括:
对实体模型进行形状公差、方向公差以及位置公差测量,得到所述实体模型特征尺寸。
优选的,所述实体模型的参数还包括实体模型测算质量,得到所述实体模型测算质量的过程包括:
步骤1:以所述基准点为原点搭建空间直角坐标系,并将所述实体模型分别沿x轴和y轴划分为微长方体;
步骤2:在空间直角坐标系中得到每个微长方体底面一对角线上两端点的坐标,并计算出划分得到的每个微长方体的体积;计算公式为:
其中,ΔVi表示第i个微长方体的体积,xi,a为第i个微长方体底面对角线上一端点a的横坐标,yi,a为第i个微长方体底面对角线上一端点a的纵坐标,zi,a为第i个微长方体底面对角线上一端点a的竖坐标;xi,a-1为第i个微长方体底面对角线上另一端点a-1的横坐标,yi,a-1为第i个微长方体底面对角线上另一端点a-1的纵坐标,zi,a-1为第i个微长方体底面对角线上另一端点a-1的竖坐标;
步骤3:基于计算出的体积计算出所述实体模型测算质量;计算公式为:
其中,m表示实体模型测算质量,ρ表示材料密度,n表示微长方体的数量。
优选的,S3中,所述确定实体模型的参数与所述制品要求参数之间的误差值包括:
将所述实体模型特征尺寸与所述制品要求尺寸进行比较,得到第一误差值;
将所述实体模型测算质量与所述制品设计质量进行比较,得到第二误差值。
优选的,S4中,所述当所述误差值超过设定误差范围时,基于所述误差值优化所述注塑成型工艺包括:
当所述第一误差值和/或所述第二误差值超过所述设定误差范围时,采用遗传算法根据所述第一误差值和/或所述第二误差值进行多次迭代,直至所述第一误差值和/或所述第二误差值处于所述设定误差范围,得到优化后的所述注塑成型工艺。
优选的,S4中,还包括采用高斯过程回归建立高斯过程模型,所述高斯过程模型用于预测执行优化后的所述注塑成型工艺对生成的制品的成型质量的影响。
本发明还提供了一种基于3D扫描技术的制品检测及智能注塑生产系统,该系统包括:
设计及获取模块,用于设计制品要求参数,并获取注塑成型工艺;
制品成型模块,用于根据所述注塑成型工艺进行注塑生产,得到制品;
建模及误差分析模块,用于对所述制品进行全方位扫描得到点云数据,基于所述点云数据生成实体模型;确定实体模型的参数与所述制品要求参数之间的误差值;
判定及优化模块,根据所述误差值确定是否优化所述注塑成型工艺,当所述误差值超过设定误差范围时,基于所述误差值优化所述注塑成型工艺,并根据优化后的所述注塑成型工艺进行注塑生产;当所述误差值未超过设定误差范围时,保留当前的所述注塑成型工艺进行注塑生产。
有益效果:该方法采用3D扫描技术对制品进行全方位扫描得到点云数据,并基于点云数据进行建模;通过实体模型的参数与制品要求参数进行比较,确定出误差值;以误差值判定是否进行成型工艺优化,根据判定结果选择采用优化后的注塑成型工艺或当前的注塑成型工艺进行注塑生产,提升了制品检测效率,缩短了工艺调整时间,提高了注塑生产效率和自动化水平,为进一步实现智能注塑提供了可行方案。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例的基于3D扫描技术的制品检测及智能注塑生产方法的流程图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图对本申请的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本申请内涵的情况下做类似改进,因此本申请不受下面公开的具体实施例的限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
实施例1
如图1所示,本实施例提供了一种基于3D扫描技术的制品检测及智能注塑生产方法,该方法包括:
S1:设计制品要求参数,并获取注塑成型工艺。
具体的,还包括:建立材料数据库,其过程为:
步骤1:获取注塑材料参数;所述注塑材料参数包括通用属性、专有属性以及所述注塑成型工艺;所述通用属性包括强度、硬度、比热、PVT特性;所述专有属性包括光学性能、耐腐蚀性、生物相容性、材料密度;
步骤2:基于所述通用属性、所述专有属性以及所述注塑成型工艺,并采用MySQL建立所述材料数据库。
在本实施例中,所述制品要求参数包括制品要求尺寸、制品设计质量。
S2:根据所述注塑成型工艺进行注塑生产,得到制品。
S3:对所述制品进行全方位扫描得到点云数据,基于所述点云数据生成实体模型;确定实体模型的参数与所述制品要求参数之间的误差值。
具体的,所述基于所述点云数据生成实体模型包括:
步骤1:采用3D扫描分析软件根据所述制品尺寸确定基准点,并以所述基准点为基础对所述点云数据进行点云划分,保留属于制品的点云;
步骤2:对所述属于制品的点云进行着色;
步骤3:根据着色后属于制品的点云中各点的相对位置进行特征点云提取,得到特征点云;
步骤4:对所述特征点云进行网格模型转化,得到制品模型;
步骤5:对制品模型的连续性进行检测,修复网格缺陷,得到所述实体模型。
进一步的,所述实体模型的参数包括实体模型特征尺寸、实体模型测算质量;
得到所述实体模型特征尺寸的过程包括:
对实体模型进行形状公差、方向公差以及位置公差测量,得到所述实体模型特征尺寸。
得到所述实体模型测算质量的过程包括:
步骤1:以所述基准点为原点搭建空间直角坐标系,并将所述实体模型分别沿x轴和y轴划分为微长方体;
步骤2:在空间直角坐标系中得到每个微长方体底面一对角线上两端点的坐标,并计算出划分得到的每个微长方体的体积;计算公式为:
其中,ΔVi表示第i个微长方体的体积,xi,a为第i个微长方体底面对角线上一端点a的横坐标,yi,a为第i个微长方体底面对角线上一端点a的纵坐标,zi,a为第i个微长方体底面对角线上一端点a的竖坐标;xi,a-1为第i个微长方体底面对角线上另一端点a-1的横坐标,yi,a-1为第i个微长方体底面对角线上另一端点a-1的纵坐标,zi,a-1为第i个微长方体底面对角线上另一端点a-1的竖坐标;
步骤3:基于计算出的体积计算出所述实体模型测算质量;计算公式为:
其中,m表示实体模型测算质量,ρ表示材料密度,n表示微长方体的数量。
更进一步的,所述确定实体模型的参数与所述制品要求参数之间的误差值包括:
将所述实体模型特征尺寸与所述制品要求尺寸进行比较,得到第一误差值;
将所述实体模型测算质量与所述制品设计质量进行比较,得到第二误差值。
S4:根据所述误差值确定是否优化所述注塑成型工艺,当所述误差值超过设定误差范围时,基于所述误差值优化所述注塑成型工艺,并根据优化后的所述注塑成型工艺进行注塑生产;当所述误差值未超过设定误差范围时,保留当前的所述注塑成型工艺进行注塑生产。
进一步的,所述当所述误差值超过设定误差范围时,基于所述误差值优化所述注塑成型工艺包括:
当所述第一误差值和/或所述第二误差值超过所述设定误差范围时,采用遗传算法根据所述第一误差值和/或所述第二误差值进行多次迭代,直至所述第一误差值和/或所述第二误差值处于所述设定误差范围,得到优化后的所述注塑成型工艺。
遗传算法优化注塑成型工艺过程为:
步骤1:定义优化目标,确定需要优化的注塑成型工艺的参数,这些参数包括但不限于机筒温度、模具温度、注射速度、保压压力、保压时间、冷却时间;优化目标可根据成型要求选择最小化缺陷率或最大化产品质量;
步骤2:确定变量范围和编码方式,确定步骤1中各参数的可行范围,并将其编码成适合遗传算法处理的形式;
步骤3:初始化种群,根据现有的注塑成型工艺的参数,随机生成一组初始解作为种群,每个解都代表一组工艺参数的组合;
步骤4:适应度评估,根据定义的优化目标,评估现有工艺参数的组合对需要优化的注塑成型工艺的参数的贡献程度,得到适应度;
步骤5:选择操作,根据适应度的值选择一部分现有工艺参数的组合作为父代,其用于产生下一代个体;
步骤6:交叉操作,对选中的父代中的工艺参数进行交叉操作,生成新的个体;
步骤7:变异操作,对新的个体进行变异操作,引入随机扰动,增加搜索的多样性;
步骤8:更新种群,用变异后的个体替代原有的种群,形成新的种群;
步骤9:检查停止条件,判断优化算法是否达到停止条件,例如达到最大迭代次数(所述第一误差值和/或所述第二误差值处于所述设定误差范围)或已达到预定的优化目标;
如果未达到停止条件,则返回步骤4继续进行迭代优化,直至满足停止条件。
经过多次迭代,遗传算法可以在优化目标的指导下搜索最佳的注塑成型工艺的参数组合,从而提高注塑形成质量和效率。
在本实施例中,S4步骤还包括采用高斯过程回归建立高斯过程模型,所述高斯过程模型用于预测执行优化后的所述注塑成型工艺对生成的制品的成型质量的影响。
高斯过程回归预测过程为:
步骤1:数据准备,收集并整理用于回归的数据集,即现有的注塑成型工艺(自变量)及其对应生成的制品的成型质量(因变量);
步骤2:确定用于建模的高斯过程的特性,选择协方差函数的类型和超参数,选择出合适的高斯过程模型;
步骤3:拟合高斯过程模型,使用数据集对高斯过程模型进行训练;
步骤4:预测目标值,根据训练得到的高斯过程模型,进行注塑成型工艺的参数组合预测;
步骤5:解释和分析结果,根据预测的目标值以及相应的不确定性,解释和分析预测结果;
步骤6:调优和改进,根据预测结果和分析,对高斯过程模型进行调优和改进,以提高预测的准确性和稳定性;
若预测出优化后的注塑成型工艺对生成的制品存在影响,则根据实际生成的制品进行选择,若符合注塑要求的制品则保留,否则重新进行优化;若不存在影响,则按照优化后的注塑成型工艺进行注塑生产。
使用高斯过程回归是为了建立不同注塑成型工艺的参数组合对其生成的制品的成型质量影响的模型,以便于分析各注塑成型工艺的参数的影响,提高优化效率。
该方法采用3D扫描技术对制品进行全方位扫描得到点云数据,并基于点云数据进行建模;通过实体模型的参数与制品要求参数进行比较,确定出误差值;以误差值判定是否进行成型工艺优化,根据判定结果选择采用优化后的注塑成型工艺或当前的注塑成型工艺进行注塑生产,提升了制品检测效率,缩短了工艺调整时间,提高了注塑生产效率和自动化水平,为进一步实现智能注塑提供了可行方案。
实施例2
本实施例提供了一种基于3D扫描技术的制品检测及智能注塑生产系统,该系统包括:
设计及获取模块、制品成型模块、建模及误差分析模块、判定及优化模块。
设计及获取模块,用于设计制品要求参数,并获取注塑成型工艺。
在本实施例中,所述制品要求参数包括制品要求尺寸、制品设计质量。
设计及获取模块还包括材料库建立子模块,材料库建立模块用于根据获取的注塑材料参数,并采用MySQL建立所述材料数据库;所述注塑材料参数包括通用属性、专有属性以及所述注塑成型工艺;所述通用属性包括强度、硬度、比热、PVT特性;所述专有属性包括光学性能、耐腐蚀性、生物相容性、材料密度。
制品成型模块,用于根据所述注塑成型工艺进行注塑生产,得到制品。
所述制品成型模块包括注塑机。
建模及误差分析模块,用于对所述制品进行全方位扫描得到点云数据,基于所述点云数据生成实体模型;确定实体模型的参数与所述制品要求参数之间的误差值。
在本实施例中,所述实体模型的参数包括实体模型特征尺寸、实体模型测算质量。
所述建模及误差分析模块包括:
所述3D扫描模块,用于对所述制品进行全方位扫描得到点云数据。
所述3D扫描模块包括非接触被动式扫描仪、显示屏、3D扫描检测平台;所述非接触被动式扫描仪与所述显示屏布置于所述3D扫描检测平台上,所述非接触被动式扫描仪与所述显示屏电连接;所述非接触被动式扫描仪用于扫描通过机械手夹取并转移的制品;所述显示屏用于显示实体模型。
所述建模模块,用于基于所述点云数据生成实体模型。
所述建模模块包括:
点云保留子模块,用于采用3D扫描分析软件根据所述制品尺寸确定基准点,并以所述基准点为基础对所述点云数据进行点云划分,保留属于制品的点云;
在本实施例中,3D扫描分析软件采用Geomagic Wrap。
着色子模块,用于对所述属于制品的点云进行着色;
特征点云提取子模块,用于根据着色后属于制品的点云中各点的相对位置进行特征点云提取,得到特征点云;
转化子模块,用于对所述特征点云进行网格模型转化,得到制品模型;
修复子模块,用于对制品模型的连续性进行检测,修复网格缺陷,得到所述实体模型。
所述误差分析模块,用于确定实体模型的参数与所述制品要求参数之间的误差值。
所述误差分析模块包括:
实体模型特征尺寸测量模块,用于对实体模型进行形状公差、方向公差以及位置公差测量,得到所述实体模型特征尺寸;
实体模型测算质量计算模块,用于计算出所述实体模型测算质量;
第一分析模块,用于将所述实体模型特征尺寸与所述制品要求尺寸进行比较,得到第一误差值;
第二分析模块,用于将所述实体模型测算质量与所述制品设计质量进行比较,得到第二误差值。
所述实体模型测算质量计算模块包括:
分割子模块,用于以所述基准点为原点搭建空间直角坐标系,并将所述实体模型分别沿x轴和y轴划分为微长方体;
体积计算子模块,用于在空间直角坐标系中得到每个微长方体底面一对角线上两端点的坐标,并计算出划分得到的每个微长方体的体积;计算公式为:
其中,ΔVi表示第i个微长方体的体积,xi,a为第i个微长方体底面对角线上一端点a的横坐标,yi,a为第i个微长方体底面对角线上一端点a的纵坐标,zi,a为第i个微长方体底面对角线上一端点a的竖坐标;xi,a-1为第i个微长方体底面对角线上另一端点a-1的横坐标,yi,a-1为第i个微长方体底面对角线上另一端点a-1的纵坐标,zi,a-1为第i个微长方体底面对角线上另一端点a-1的竖坐标;
质量计算子模块,用于基于计算出的体积计算出所述实体模型测算质量。
判定及优化模块,根据所述误差值确定是否优化所述注塑成型工艺,当所述误差值超过设定误差范围时,基于所述误差值优化所述注塑成型工艺,并根据优化后的所述注塑成型工艺进行注塑生产;当所述误差值未超过设定误差范围时,保留当前的所述注塑成型工艺进行注塑生产。
判定及优化模块包括:
优化子模块,用于当所述第一误差值和/或所述第二误差值超过所述设定误差范围时,采用遗传算法根据所述第一误差值和/或所述第二误差值进行多次迭代,直至所述第一误差值和/或所述第二误差值处于所述设定误差范围,得到优化后的所述注塑成型工艺。
影响预测子模块,用于采用高斯过程回归建立高斯过程模型,预测执行优化后的所述注塑成型工艺对生成的制品的成型质量的影响。
在本实施例中,所述材料库建立模块通过通信总线分别与所述注塑机、优化子模块连接。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (2)
1.一种基于3D扫描技术的制品检测及智能注塑生产方法,其特征在于,包括:
S1:设计制品要求参数,并获取注塑成型工艺;建立材料数据库,其过程为:
步骤1:获取注塑材料参数;所述注塑材料参数包括通用属性、专有属性以及所述注塑成型工艺;所述通用属性包括强度、硬度、比热、PVT特性;所述专有属性包括光学性能、耐腐蚀性、生物相容性、材料密度;
步骤2:基于所述通用属性、所述专有属性以及所述注塑成型工艺,并采用MySQL建立所述材料数据库;
所述制品要求参数包括制品要求尺寸、制品设计质量;
S2:根据所述注塑成型工艺进行注塑生产,得到制品;
S3:对所述制品进行全方位扫描得到点云数据,基于所述点云数据生成实体模型;确定实体模型的参数与所述制品要求参数之间的误差值;
所述基于所述点云数据生成实体模型包括:
步骤1:采用3D扫描分析软件根据所述制品尺寸确定基准点,并以所述基准点为基础对所述点云数据进行点云划分,保留属于制品的点云;
步骤2:对所述属于制品的点云进行着色;
步骤3:根据着色后属于制品的点云中各点的相对位置进行特征点云提取,得到特征点云;
步骤4:对所述特征点云进行网格模型转化,得到制品模型;
步骤5:对制品模型的连续性进行检测,修复网格缺陷,得到所述实体模型;
所述实体模型的参数包括实体模型特征尺寸、实体模型测算质量,得到所述实体模型特征尺寸的过程包括:
对实体模型进行形状公差、方向公差以及位置公差测量,得到所述实体模型特征尺寸;
得到所述实体模型测算质量的过程包括:
步骤1:以所述基准点为原点搭建空间直角坐标系,并将所述实体模型分别沿x轴和y轴划分为微长方体;
步骤2:在空间直角坐标系中得到每个微长方体底面一对角线上两端点的坐标,并计算出划分得到的每个微长方体的体积;计算公式为:
其中,ΔVi表示第i个微长方体的体积,xi,a为第i个微长方体底面对角线上一端点a的横坐标,yi,a为第i个微长方体底面对角线上一端点a的纵坐标,zi,a为第i个微长方体底面对角线上一端点a的竖坐标;xi,a-1为第i个微长方体底面对角线上另一端点a-1的横坐标,yi,a-1为第i个微长方体底面对角线上另一端点a-1的纵坐标,zi,a-1为第i个微长方体底面对角线上另一端点a-1的竖坐标;
步骤3:基于计算出的体积计算出所述实体模型测算质量;计算公式为:
其中,m表示实体模型测算质量,ρ表示材料密度,n表示微长方体的数量;
所述确定实体模型的参数与所述制品要求参数之间的误差值包括:
将所述实体模型特征尺寸与所述制品要求尺寸进行比较,得到第一误差值;
将所述实体模型测算质量与所述制品设计质量进行比较,得到第二误差值;
S4:根据所述误差值确定是否优化所述注塑成型工艺,当所述误差值超过设定误差范围时,基于所述误差值优化所述注塑成型工艺,并根据优化后的所述注塑成型工艺进行注塑生产;当所述误差值未超过设定误差范围时,保留当前的所述注塑成型工艺进行注塑生产;
所述当所述误差值超过设定误差范围时,基于所述误差值优化所述注塑成型工艺包括:
当所述第一误差值和/或所述第二误差值超过所述设定误差范围时,采用遗传算法根据所述第一误差值和/或所述第二误差值进行多次迭代,直至所述第一误差值和/或所述第二误差值处于所述设定误差范围,得到优化后的所述注塑成型工艺;
遗传算法优化注塑成型工艺过程为:
步骤1:定义优化目标,确定需要优化的注塑成型工艺的参数,这些参数包括机筒温度、模具温度、注射速度、保压压力、保压时间、冷却时间;优化目标根据成型要求选择最小化缺陷率或最大化产品质量;
步骤2:确定变量范围和编码方式,确定步骤1中各参数的可行范围,并将其编码成适合遗传算法处理的形式;
步骤3:初始化种群,根据现有的注塑成型工艺的参数,随机生成一组初始解作为种群,每个解都代表一组工艺参数的组合;
步骤4:适应度评估,根据定义的优化目标,评估现有工艺参数的组合对需要优化的注塑成型工艺的参数的贡献程度,得到适应度;
步骤5:选择操作,根据适应度的值选择一部分现有工艺参数的组合作为父代,其用于产生下一代个体;
步骤6:交叉操作,对选中的父代中的工艺参数进行交叉操作,生成新的个体;
步骤7:变异操作,对新的个体进行变异操作,引入随机扰动,增加搜索的多样性;
步骤8:更新种群,用变异后的个体替代原有的种群,形成新的种群;
步骤9:检查停止条件,判断优化算法是否达到停止条件,停止条件为所述第一误差值和/或所述第二误差值处于所述设定误差范围;
如果未达到停止条件,则返回步骤4继续进行迭代优化,直至满足停止条件;
采用高斯过程回归建立高斯过程模型,所述高斯过程模型用于预测执行优化后的所述注塑成型工艺对生成的制品的成型质量的影响;
高斯过程回归预测过程为:
步骤1:数据准备,收集并整理用于回归的数据集,即现有的注塑成型工艺及其对应生成的制品的成型质量;
步骤2:确定用于建模的高斯过程的特性,选择协方差函数的类型和超参数,选择出合适的高斯过程模型;
步骤3:拟合高斯过程模型,使用数据集对高斯过程模型进行训练;
步骤4:预测目标值,根据训练得到的高斯过程模型,进行注塑成型工艺的参数组合预测;
步骤5:解释和分析结果,根据预测的目标值以及相应的不确定性,解释和分析预测结果;
步骤6:调优和改进,根据预测结果和分析,对高斯过程模型进行调优和改进,以提高预测的准确性和稳定性;
若预测出优化后的注塑成型工艺对生成的制品存在影响,则根据实际生成的制品进行选择,若符合注塑要求的制品则保留,否则重新进行优化;若不存在影响,则按照优化后的注塑成型工艺进行注塑生产。
2.一种基于3D扫描技术的制品检测及智能注塑生产系统,用于实现如权利要求1所述的制品检测及智能注塑生产方法,其特征在于,包括:
设计及获取模块,用于设计制品要求参数,并获取注塑成型工艺;
制品成型模块,用于根据所述注塑成型工艺进行注塑生产,得到制品;
建模及误差分析模块,用于对所述制品进行全方位扫描得到点云数据,基于所述点云数据生成实体模型;确定实体模型的参数与所述制品要求参数之间的误差值;
判定及优化模块,用于根据所述误差值确定是否优化所述注塑成型工艺,当所述误差值超过设定误差范围时,基于所述误差值优化所述注塑成型工艺,并根据优化后的所述注塑成型工艺进行注塑生产;当所述误差值未超过设定误差范围时,保留当前的所述注塑成型工艺进行注塑生产。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310864377.0A CN116901386B (zh) | 2023-07-14 | 2023-07-14 | 基于3d扫描技术的制品检测及智能注塑生产方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310864377.0A CN116901386B (zh) | 2023-07-14 | 2023-07-14 | 基于3d扫描技术的制品检测及智能注塑生产方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116901386A CN116901386A (zh) | 2023-10-20 |
CN116901386B true CN116901386B (zh) | 2024-05-14 |
Family
ID=88362308
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310864377.0A Active CN116901386B (zh) | 2023-07-14 | 2023-07-14 | 基于3d扫描技术的制品检测及智能注塑生产方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116901386B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106393563A (zh) * | 2016-11-11 | 2017-02-15 | 北京化工大学 | 一种3d复印设备 |
CN106408657A (zh) * | 2016-09-29 | 2017-02-15 | 广西大学 | 一种工业产品逆向设计分析及其方法 |
CN112719641A (zh) * | 2021-01-29 | 2021-04-30 | 九格(镇江)信息技术有限责任公司 | 一种基于3d扫描技术的人体穿戴设备激光切割加工方法 |
CN113722992A (zh) * | 2021-08-26 | 2021-11-30 | 江苏师范大学 | 一种带嵌件注塑件注塑工艺参数多目标优化方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11458034B2 (en) * | 2016-05-03 | 2022-10-04 | Icarus Medical, LLC | Method for automating body part sizing |
US11042146B2 (en) * | 2017-11-17 | 2021-06-22 | Kodak Alaris Inc. | Automated 360-degree dense point object inspection |
US11334977B2 (en) * | 2018-03-22 | 2022-05-17 | James R. Glidewell Dental Ceramics, Inc. | System and method for performing quality control of manufactured models |
-
2023
- 2023-07-14 CN CN202310864377.0A patent/CN116901386B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106408657A (zh) * | 2016-09-29 | 2017-02-15 | 广西大学 | 一种工业产品逆向设计分析及其方法 |
CN106393563A (zh) * | 2016-11-11 | 2017-02-15 | 北京化工大学 | 一种3d复印设备 |
CN112719641A (zh) * | 2021-01-29 | 2021-04-30 | 九格(镇江)信息技术有限责任公司 | 一种基于3d扫描技术的人体穿戴设备激光切割加工方法 |
CN113722992A (zh) * | 2021-08-26 | 2021-11-30 | 江苏师范大学 | 一种带嵌件注塑件注塑工艺参数多目标优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116901386A (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CA2474812C (en) | Manufacturing design and process analysis system | |
CN110640982A (zh) | 一种薄壁注塑件的注塑工艺参数多目标优化方法 | |
CN112257963B (zh) | 基于航天软件缺陷数据分布离群点的缺陷预测方法及装置 | |
US7672745B1 (en) | Manufacturing process analysis and optimization system | |
CN108681524B (zh) | 一种基于混合进化算法的自由曲线轮廓度误差评定方法 | |
CN113065702B (zh) | 基于st-seep分段法和时空arma模型的滑坡位移多线性预测方法 | |
CN110782546A (zh) | 基于组合树模型的半导体pvd制程的电阻率虚拟量测方法 | |
CN116944700A (zh) | 用于激光切割的检测及控制方法和系统 | |
CN111882363A (zh) | 销量预测方法、系统及终端 | |
CN112304478A (zh) | 一种基于蠕变轮廓法的残余应力测试方法 | |
CN116901386B (zh) | 基于3d扫描技术的制品检测及智能注塑生产方法及系统 | |
CN106991074A (zh) | 基于加速因子不变原则的加速退化试验优化设计方法 | |
CN111221249A (zh) | 一种用于数据中心系统群控的参数优化的方法 | |
CN108574290B (zh) | 受迫振荡的振荡源定位方法、装置、终端及可读存储介质 | |
CN114239921A (zh) | 芯片性能等级预测、封装方法及装置 | |
CN108388909B (zh) | 一种复杂曲面自适应采样方法 | |
KR101936628B1 (ko) | Tsom 이미지 획득 방법 및 반도체 장치 검사 방법 | |
Fallah Nezhad et al. | Economic design of acceptance sampling plans based on conforming run lengths using loss functions | |
Kulkov et al. | Algorithm for recognition of details in the machine vision systems at automation of assembly processes | |
Heo et al. | A modified lasso model for yield analysis considering the interaction effect in a multistage manufacturing line | |
Xu et al. | An Improved GA-KRR Nested Learning Approach for Refrigeration Compressor Performance Forecasting | |
CN116577190B (zh) | 一种t型实验试块的智能化检测方法 | |
CN117094095B (zh) | 一种晶圆翘曲度优化方法及系统 | |
CN114881074B (zh) | 一种基于聚类-深度学习的工程结构变形预测方法 | |
CN116663753B (zh) | 冷链食品配送预测方法及系统 |
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 |