CN117131788B - 一种聚合物板材的优化成型方法和系统 - Google Patents
一种聚合物板材的优化成型方法和系统 Download PDFInfo
- Publication number
- CN117131788B CN117131788B CN202311398265.7A CN202311398265A CN117131788B CN 117131788 B CN117131788 B CN 117131788B CN 202311398265 A CN202311398265 A CN 202311398265A CN 117131788 B CN117131788 B CN 117131788B
- Authority
- CN
- China
- Prior art keywords
- stress
- stress analysis
- analysis results
- parameters
- elimination
- 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
- 229920000642 polymer Polymers 0.000 title claims abstract description 108
- 238000000034 method Methods 0.000 title claims abstract description 87
- 238000004458 analytical method Methods 0.000 claims abstract description 257
- 238000001125 extrusion Methods 0.000 claims abstract description 94
- 238000003379 elimination reaction Methods 0.000 claims abstract description 76
- 230000008030 elimination Effects 0.000 claims abstract description 75
- 238000009826 distribution Methods 0.000 claims abstract description 72
- 238000005457 optimization Methods 0.000 claims abstract description 59
- 230000008569 process Effects 0.000 claims abstract description 36
- 238000004364 calculation method Methods 0.000 claims abstract description 31
- 238000012937 correction Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 12
- 230000008859 change Effects 0.000 claims abstract description 11
- 238000012360 testing method Methods 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 21
- 238000001514 detection method Methods 0.000 claims description 16
- 239000000463 material Substances 0.000 claims description 16
- 238000010438 heat treatment Methods 0.000 claims description 14
- 238000003066 decision tree Methods 0.000 claims description 13
- 238000009662 stress testing Methods 0.000 claims description 10
- 238000013075 data extraction Methods 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000000465 moulding Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 3
- 238000010998 test method Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 22
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000012795 verification Methods 0.000 description 8
- 239000000243 solution Substances 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- 238000005336 cracking Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000002861 polymer material Substances 0.000 description 4
- 230000000717 retained effect Effects 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000011524 similarity measure Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 230000037303 wrinkles Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000001746 injection moulding Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000013316 zoning Methods 0.000 description 1
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
- B29C43/00—Compression moulding, i.e. applying external pressure to flow the moulding material; Apparatus therefor
- B29C43/02—Compression moulding, i.e. applying external pressure to flow the moulding material; Apparatus therefor of articles of definite length, i.e. discrete 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
- B29C43/00—Compression moulding, i.e. applying external pressure to flow the moulding material; Apparatus therefor
- B29C43/32—Component parts, details or accessories; Auxiliary operations
- B29C43/58—Measuring, controlling or regulating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- B29C43/00—Compression moulding, i.e. applying external pressure to flow the moulding material; Apparatus therefor
- B29C43/32—Component parts, details or accessories; Auxiliary operations
- B29C43/58—Measuring, controlling or regulating
- B29C2043/5808—Measuring, controlling or regulating pressure or compressing force
-
- 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
- B29C43/00—Compression moulding, i.e. applying external pressure to flow the moulding material; Apparatus therefor
- B29C43/32—Component parts, details or accessories; Auxiliary operations
- B29C43/58—Measuring, controlling or regulating
- B29C2043/5816—Measuring, controlling or regulating temperature
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29L—INDEXING SCHEME ASSOCIATED WITH SUBCLASS B29C, RELATING TO PARTICULAR ARTICLES
- B29L2007/00—Flat articles, e.g. films or sheets
- B29L2007/002—Panels; Plates; Sheets
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Mechanical Engineering (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Extrusion Moulding Of Plastics Or The Like (AREA)
Abstract
本发明提供了一种聚合物板材的优化成型方法和系统,涉及数据处理技术领域,包括:划分获取多个局部区域,对聚合物进行挤压成型,并采集获取压力信息,获得多个压力信息序列和挤压成型后的聚合物板材,进行应力分析获得多个第一应力分析结果,采集获得多个区域图像,进行应力分析获得多个第二应力分析结果,采用预设温变测试方法获得多个温度分布信息,并进行应力分析获得多个第三应力分析结果,进行修正计算,获取多个应力分析结果,构建优化函数,并对应力消除参数进行优化,获得最优应力消除参数进行应力消除。本发明解决了聚合物板材挤压成型过程中,板材内部应力分布不均匀,导致产品质量和性能差的技术问题。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种聚合物板材的优化成型方法和系统。
背景技术
聚合物板材在工业和制造领域具有广泛的应用,包括用于构建、包装、电子设备、汽车零部件等,在聚合物板材的挤压成型过程中,应力分布是一个重要的技术问题,不均匀的应力分布可能导致产品的性能下降,甚至引发裂纹和失效。传统方法中,缺乏有效的应力消除方法,一方面,挤压成型过程中,由于材料流动、温度变化等因素,板材内部可能存在不均匀的应力分布,这可能导致产品性能不稳定,容易出现应力开裂;另一方面,挤压成型需要对材料进行加热和冷却,但温度控制不精确可能导致板材内的温度分布不均匀,进而影响了材料的性能和结构。
因此,需要一种聚合物板材的优化成型方法,通过精确的局部区域划分、全面的应力分析和个性化的应力消除策略来应对不均匀应力分布和温度控制问题,从而改进整个制造过程,以提高聚合物板材的质量和性能。
发明内容
本申请通过提供了一种聚合物板材的优化成型方法和系统,旨在解决聚合物板材挤压成型过程中,板材内部应力分布不均匀,导致产品质量和性能差的技术问题。
鉴于上述问题,本申请提供了一种聚合物板材的优化成型方法和系统。
本申请公开的第一个方面,提供了一种聚合物板材的优化成型方法,所述方法应用于一聚合物板材的优化成型装置,所述装置包括板材挤压工站、应力测试工站和应力消除优化工站,所述方法包括:在板材挤压工站内,按照对聚合物进行挤压成型的挤压模具的尺寸,划分获取多个局部区域;将待进行挤压成型的聚合物加入挤压模具内进行挤压成型,并通过布设于所述多个局部区域的压力传感器阵列,采集获取挤压成型过程中多个局部区域的压力信息,获得多个压力信息序列和挤压成型后的聚合物板材;根据所述多个压力信息序列,进行应力分析,获得多个第一应力分析结果,以及,通过应力测试工站,采集聚合物板材上所述多个局部区域的图像,获得多个区域图像,并进行应力分析,获得多个第二应力分析结果;采用预设温变测试方法,对所述聚合物板材进行加热和测试,获得温度分布场,按照所述多个局部区域进行划分,获得多个温度分布信息,并进行应力分析,获得多个第三应力分析结果;结合多个第二应力分析结果和多个第三应力分析结果,对所述多个第一应力分析结果进行修正计算,获取多个应力分析结果;基于多个应力分析结果,通过应力消除优化工站,构建对多个局部区域进行应力消除的优化函数,并对应力消除参数进行优化,获得最优应力消除参数,对所述聚合物板材进行应力消除。
本申请公开的另一个方面,提供了一种聚合物板材的优化成型系统,所述系统应用于一聚合物板材的优化成型装置,所述装置包括板材挤压工站、应力测试工站和应力消除优化工站,所述系统用于上述方法,所述系统包括:区域划分模块,所述区域划分模块用于在板材挤压工站内,按照对聚合物进行挤压成型的挤压模具的尺寸,划分获取多个局部区域;挤压成型模块,所述挤压成型模块用于将待进行挤压成型的聚合物加入挤压模具内进行挤压成型,并通过布设于所述多个局部区域的压力传感器阵列,采集获取挤压成型过程中多个局部区域的压力信息,获得多个压力信息序列和挤压成型后的聚合物板材;第一应力分析模块,所述第一应力分析模块用于根据所述多个压力信息序列,进行应力分析,获得多个第一应力分析结果,以及,通过应力测试工站,采集聚合物板材上所述多个局部区域的图像,获得多个区域图像,并进行应力分析,获得多个第二应力分析结果;第二应力分析模块,所述第二应力分析模块用于采用预设温变测试方法,对所述聚合物板材进行加热和测试,获得温度分布场,按照所述多个局部区域进行划分,获得多个温度分布信息,并进行应力分析,获得多个第三应力分析结果;修正计算模块,所述修正计算模块用于结合多个第二应力分析结果和多个第三应力分析结果,对所述多个第一应力分析结果进行修正计算,获取多个应力分析结果;参数优化模块,所述参数优化模块用于基于多个应力分析结果,通过应力消除优化工站,构建对多个局部区域进行应力消除的优化函数,并对应力消除参数进行优化,获得最优应力消除参数,对所述聚合物板材进行应力消除。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
通过在挤压工站内将聚合物板材划分为多个局部区域,并使用压力传感器阵列采集这些区域的压力信息,实现了对挤压成型过程的精细监测和局部区域分析,有助于更好地理解应力和温度分布的局部特征;采用应力测试工站和温度分布测试方法,对多个局部区域进行应力分析,分别获得第一、第二和第三应力分析结果,这提供了全面的应力信息,涵盖了不同方面的应力情况;通过结合多个应力分析结果,构建对多个局部区域进行应力消除的优化函数,并对应力消除参数进行优化,这意味着可以根据不同区域的需求,制定个性化的应力消除策略,以优化产品性能;通过应力消除优化工站,获得最优的应力消除参数,确保在整个板材上实现均匀的应力分布,这有助于减轻应力开裂风险,提高产品质量和性能。总的来说,该方法解决了现有技术中的应力和温度分布不均匀的问题,提供了一种全面的应力消除方案,以获得最优的应力消除参数,从而改善聚合物板材的质量和性能。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例提供了一种聚合物板材的优化成型方法流程示意图;
图2为本申请实施例提供了一种聚合物板材的优化成型系统结构示意图。
附图标记说明:区域划分模块10,挤压成型模块20,第一应力分析模块30,第二应力分析模块40,修正计算模块50,参数优化模块60。
具体实施方式
本申请实施例通过提供一种聚合物板材的优化成型方法,解决了聚合物板材挤压成型过程中,板材内部应力分布不均匀,导致产品质量和性能差的技术问题。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示,本申请实施例提供了一种聚合物板材的优化成型方法,所述方法应用于一聚合物板材的优化成型装置,所述装置包括板材挤压工站、应力测试工站和应力消除优化工站,所述方法包括:
在板材挤压工站内,按照对聚合物进行挤压成型的挤压模具的尺寸,划分获取多个局部区域;
本申请实施例提供的一种聚合物板材的优化成型方法应用于一聚合物板材的优化成型装置,所述装置包括板材挤压工站、应力测试工站和应力消除优化工站。其中,板材挤压工站用于使用特定尺寸的挤压模具将聚合物材料挤压成所需的形状,以此将聚合物材料分割成多个局部区域;应力测试工站用于进行应力测试,在挤压成型过程中,通过不同局部区域布置的多个压力传感器采集压力信息,用于应力分析;应力消除优化工站用于应用优化算法,以减轻或消除聚合物板材上的应力。这些工站协同工作,以确保聚合物板材的最终成型具有最低的应力水平。
首先,根据挤压模具的结构和设计要求,确定挤压模具的尺寸和形状,挤压模具是用于挤压成型的工具,其尺寸和形状决定了最终聚合物板材的形状。然后,根据挤压模具的布局,将聚合物板材的形状划分成多个局部区域,这种划分可以基于挤压模具的几何形状,例如划分为矩形、圆形;也可以根据不同挤压孔口的位置划分,例如每个孔口对应一个局部区域。划分后,每个局部区域都被视为一个独立的实体,具有自己的特定属性和特征,如应力、温度等。
这样的区域划分,可以更好地确定和处理不同区域的特性,并确保整体成型质量的提高。
将待进行挤压成型的聚合物加入挤压模具内进行挤压成型,并通过布设于所述多个局部区域的压力传感器阵列,采集获取挤压成型过程中多个局部区域的压力信息,获得多个压力信息序列和挤压成型后的聚合物板材;
压力传感器阵列是一组安装在多个局部区域的多个传感器组成的阵列,每个局部区域都有一个与之关联的压力传感器,用于采集不同局部区域在挤压成型过程中的压力。
将待挤压成型的聚合物材料加入挤压模具中,例如使用注塑机、螺杆挤出机等设备将其填充到整个挤压模具的空腔中,并在挤压模具内进行挤压,挤压成型过程中,通过布设在不同局部区域的压力传感器阵列,实时采集各个局部区域在挤压成型过程中的压力数据,每个传感器测量并记录其所在区域的压力变化,根据采集到的数据,整理分析成压力信息,同时经过挤压成型后,从挤压模具中取出挤压成型的聚合物板材。
根据所述多个压力信息序列,进行应力分析,获得多个第一应力分析结果,以及,通过应力测试工站,采集聚合物板材上所述多个局部区域的图像,获得多个区域图像,并进行应力分析,获得多个第二应力分析结果;
进一步而言,所述获得多个第一应力分析结果,包括:
按照预设压力划分步长,对所述多个压力信息序列内的压力信息进行划分,获得多个压力划分结果集合;
根据多个压力划分结果集合内的压力信息的数量的大小,分配获取多个压力分布权值集;
采用多个压力分布权值集,对多个压力划分结果集合内的压力信息进行加权计算,获得多个局部区域的多个修正压力信息;
对聚合物板材的挤压成型检测数据记录进行数据抽取和处理,获取多个样本修正压力信息和多个样本第一应力分析结果;
采用所述多个样本修正压力信息和多个样本第一应力分析结果,基于决策树,构建第一应力分析器;
基于第一应力分析器,对所述多个修正压力信息进行决策分析,获得多个第一应力分析结果。
确定一个适当的压力划分步长,这个步长用于定义压力范围内的小区间,以便对压力数据进行划分,步长的选择取决于应用的需求和分析的精度。
将每个压力信息序列中的压力数据划分成小区间,每个区间的宽度由预设的压力划分步长确定,以此创建多个小区间,每个区间代表一个特定的压力范围,为每个压力信息序列获得多个压力划分结果,每个结果集合包含了不同压力区间内的数据,这些结果集合对应于不同局部区域的压力信息划分。对于每个压力信息序列,重复上述过程,以获得多个压力划分结果集合,确保每个序列的压力数据都被划分和处理。
对于每个压力划分结果集合,分析其中包含的压力信息的数量,即每个集合中的数据点数量,这反映了局部组织的不均匀性程度。根据分析的结果,为每个压力划分结果集合分配相应的权值,其中,数量较多的数据集合可以分配更高的权值,因为它们能提供更多的信息,而数量较少的数据集合则分配较低的权值。确保分配的权值是归一化的,即它们的总和等于1,对于每个压力信息序列,生成相应的权值集合,即为不同的局部区域提供不同的权值分布。通过分配多个权值集合,可以考虑不同压力信息集合的相对重要性,以后续的应力分析中更精确地反映局部组织的不均匀性。
对于每个局部区域的压力划分结果集合,根据相应的压力分布权值集,对压力信息进行加权计算,将每个数据点乘以相应的权值,并将这些加权值加和汇总,以获得该局部区域的修正压力信息,这些修正后的压力信息反映了不同压力分布的权重影响,提供了更准确的局部区域压力特征。
获取包含有关挤压成型过程的检测数据记录,这些记录是在历史成型挤压过程或者实验数据中获取的,从挤压成型检测数据记录中,选择特定时间段或特定区域的数据进行抽取,对抽取的数据进行必要的处理,包括数据清洗、数据转换或缺失值处理等操作,以确保数据的准确性和一致性。
根据数据处理后的数据,利用之前步骤中获得的压力分布权值集和修正计算方法来对挤压成型的压力数据进行加权计算,获取多个样本修正压力信息。
根据修正后的压力信息,应用应力分析算法,计算出样本中不同局部区域的应力水平,例如基于不同局部区域图像的聚合物板材在精制一段时间后的翘曲程度,来评价应力等级,将评价结果作为样本第一应力分析结果,以此获得多个样本第一应力分析结果。
收集所述多个样本的修正压力信息和第一应力分析结果作为构建数据集,这些数据将用于构建决策树模型,其中,所述模型使用修正压力信息作为输入特征,并使用第一应力分析结果作为目标变量,通过从修正压力信息中提取关键的特征来训练决策树模型,具体地,将所述构建数据集划分为训练数据集和验证数据集,使用训练数据集,通过对修正压力信息和第一应力分析结果进行学习,训练决策树模型,决策树是一种监督学习算法,可通过对特征空间的划分来进行预测和分类;使用验证数据集,评估和验证构建的决策树模型的性能,根据验证结果,进行必要的调整和优化,以获得更好的模型性能。当决策树模型经过验证和调优后,将其应用作为第一应力分析器,该分析器可以接收修正压力信息作为输入,并预测相应的第一应力分析结果。
将多个修正压力信息输入到已经构建好的第一应力分析器中,第一应力分析器使用输入的修正压力信息,通过事先学习到的决策树模型进行分析,根据不同的修正压力信息,决策树模型作出相应的预测和分类,根据决策树模型的输出,获得多个第一应力分析结果,这些结果反映了每个样本中不同局部区域的应力水平,基于输入的修正压力信息进行了预测和分析。
进一步而言,所述获得多个第二应力分析结果,包括:
对聚合物板材的挤压成型检测数据记录进行数据抽取,获取多个样本局部区域图像集和多个样本第二应力分析结果集并进行标注;
基于卷积神经网络和多个区域图像的大小,构建用于多个局部区域的多个第二应力分析路径,作为第二应力分析器;
分别采用标注后的多个样本局部区域图像集和多个样本第二应力分析结果集,对多个第二应力分析路径进行监督训练;
基于收敛的多个第二应力分析路径,获得第二应力分析器,对多个区域图像进行识别,获得多个第二应力分析结果。
再次对聚合物板材的挤压成型检测数据记录进行数据抽取,获取数据记录中对多个样本聚合物板材进行局部区域图像采集的多个样本局部区域图像集,其中,区域图像内包括聚合物板材表面的皱纹,以及颜色深度的不同(由于挤压成型的不均匀导致,进而在板材内部产生应力),基于图像内的皱纹和颜色等来分析应力,获取多个样本第二应力分析结果集,这些结果反映了每个样本中不同局部区域的应力水平。对局部区域图像集进行标注,例如用计算机视觉技术进行自动标注,以此将每个图像与相应的第二应力分析结果关联起来。
为每个局部区域构建一个独立的卷积神经网络路径,即第二应力分析路径,这些路径可以共享相似的结构,但独立处理每个区域的图像,卷积神经网络是用于图像处理和特征提取的工具,可以有效地捕捉图像中的模式和特征。将构建的多个第二应力分析路径组合成一个整体,作为多个局部区域的第二应力分析器。
将标注后的多个样本局部区域图像集和对应的多个样本第二应力分析结果作为构建数据集,其中每组数据成对存在,同样将构建数据集划分为训练数据集和验证数据集,为每个第二应力分析路径进行网络参数初始化,将准备好的训练数据集输入到各个第二应力分析路径中,通过反向传播算法进行监督训练,根据图像特征和对应的第二应力分析结果之间的关系,更新网络的权重以优化目标函数,进行迭代训练,每次迭代都会计算损失函数的梯度,并利用优化算法,如随机梯度下降,更新网络参数,重复这个过程直到达到预定的训练轮数或收敛条件;使用验证数据集评估和验证训练得到的多个第二应力分析路径的性能,根据验证结果进行必要的调整和优化,以提高模型的准确性和鲁棒性。
当卷积神经网络路径经过验证和调优后,将它们组合成一个整体,作为多个局部区域的第二应力分析器,这个分析器可以接受局部区域图像作为输入,并输出相应的第二应力分析结果。将所述多个区域图像输入第二应力分析器中进行图像识别,每个区域图像基于深度学习模型对图像特征的学习和分析,生成相应的第二应力分析结果,根据图像识别的输出,获得多个区域图像的第二应力分析结果,这些结果反映了每个区域的应力水平和特征。
采用预设温变测试方法,对所述聚合物板材进行加热和测试,获得温度分布场,按照所述多个局部区域进行划分,获得多个温度分布信息,并进行应力分析,获得多个第三应力分析结果;
进一步而言,所述获得多个第三应力分析结果,包括:
采用预设测试温度和预设测试时间,对所述聚合物板材进行加热测试,采集加热后聚合物板材上的温度分布场;
按照所述多个局部区域,对所述温度分布场进行划分,获得多个温度分布信息;
对聚合物板材的挤压成型检测数据记录进行数据抽取和处理,获取多个样本温度分布信息和多个样本第三应力分析结果;
基于多个样本温度分布信息和多个样本第三应力分析结果,训练获取第三应力分析通道;
将所述多个温度分布信息输入所述第三应力分析通道,获得所述多个第三应力分析结果。
根据实际情况和具体需求,确定用于加热测试的预设温度和持续时间,这个预设测试温度相对较低,用于触发聚合物板材内部的潜在问题,例如组织不均匀和应力集中。将聚合物板材置于预设的测试环境中,进行加热测试,确保在整个过程中温度保持在预设测试温度,并记录测试持续的时间。使用温度传感器等设备,采集加热后聚合物板材上不同局部区域的温度,获取温度分布场,该温度分布场显示不同局部区域的温度差异,反映出聚合物板材内部的应力和组织特性。
将温度分布场根据所述多个局部区域进行划分,对每个局部区域内的温度分布数据进行提取,包括记录每个区域内的平均温度、温度梯度、温度变化率等信息。针对每个局部区域,生成多个温度分布信息,这些信息用于分析该区域内的温度特征和潜在的应力情况。
再次对聚合物板材的挤压成型检测数据记录进行数据抽取,获取数据记录中对多个样本聚合物板材进行加热和测试获取的多个样本温度分布信息,其中,如果聚合物板材内部存在组织不均匀和应力的问题,会导致各个局部区域的吸收热量的能力不同,进而在温度分布场上体现出不同,基于样本温度分布信息,进行第三应力分析,以获得多个样本的第三应力分析结果。
汇总多个样本的温度分布信息和相应的第三应力分析结果数据,创建一个数据集,这个数据集将作为训练模型的输入。基于神经网络构建第三应力分析通道模型,这个模型能够处理温度分布信息,并将其映射到第三应力分析结果。
使用数据集来训练选定的模型,在训练过程中,模型学习如何从温度分布信息中预测第三应力分析结果,训练过程通过反复迭代和优化来改进模型的准确性。使用验证数据集评估训练模型的性能,根据验证结果对模型进行调整和优化,以确保其泛化能力和准确性。当模型训练完成并经过验证后,生成第三应力分析通道,这个通道可以接收新的温度分布信息作为输入,并输出相应的第三应力分析结果。
将获取的多个温度分布信息作为输入数据提供给第三应力分析通道,第三应力分析通道使用输入的温度分布信息,并根据之前训练的模型进行分析,生成多个第三应力分析结果,每个结果对应一个局部区域的应力特征。
结合多个第二应力分析结果和多个第三应力分析结果,对所述多个第一应力分析结果进行修正计算,获取多个应力分析结果;
进一步而言,所述方法包括:
基于聚合物板材的挤压成型检测数据记录,获取标准第二应力分析结果和标准第三应力分析结果;
分别计算所述多个第二应力分析结果和多个第三应力分析结果与所述标准第二应力分析结果和标准第三应力分析结果的比值,获得多个第二应力系数和多个第三应力系数;
分别对多个第二应力系数和多个第三应力系数进行一一对应的组合,并计算获取多个修正应力系数;
采用所述多个修正应力系数,对所述多个第一应力分析结果进行修正计算,获得多个应力分析结果。
标准第二应力分析结果和标准第三应力分析结果是对聚合物板材挤压成型过程中的应力分布的理论或实验计算,例如基于材料力学理论、数值模拟或实验测试等方法得出,代表了在理想条件下或者通过实验测量所得到的应力分布情况。标准第二应力分析结果和标准第三应力分析结果的目的是提供一个可靠的基准,用来检验其他应力分析结果的准确性和一致性。
对于每个第二应力分析结果,计算其与标准第二应力分析结果之间的比值,同样,对于每个第三应力分析结果,计算其与标准第三应力分析结果之间的比值,重复上述计算过程,针对多个第二应力分析结果和多个第三应力分析结果,获得多个第二应力系数和多个第三应力系数。这些系数用来评估不同应力分析结果与标准的一致性,如果某些应力分析结果的系数接近于1,说明它们与标准结果较为一致,如果系数远离1,则需要进行校正。
对于每个第二应力系数,选择一个对应的第三应力系数,以建立一一对应的组合,这意味着每个第二应力系数都将与一个特定的第三应力系数相关联。为每组对应的组合计算修正应力系数,例如将两个系数相乘,得到修正应力系数,遍历所有组合,获取多个修正应力系数,这些系数可以用来评估它们对应的组合在校正其他应力分析结果方面的效果。
对于每个第一应力分析结果,根据获得的相应组合的修正应力系数,将其乘以选定的第一应力分析结果,获得修正后的应力分析结果。重复该计算过程,针对多个第一应力分析结果,获得多个修正后的应力分析结果。这些修正后的分析结果更接近标准结果,可以提高应力分析的准确性和可靠性,为优化聚合物板材的成型过程和应力消除提供有用的参考,通过根据第二应力 结果和第三应力分析结果对第一应力分析结果进行修正计算,能够提升后续的应力消除的效果。
基于多个应力分析结果,通过应力消除优化工站,构建对多个局部区域进行应力消除的优化函数,并对应力消除参数进行优化,获得最优应力消除参数,对所述聚合物板材进行应力消除。
进一步而言,所述方法包括:
对多个应力分析结果进行聚类,获得多个聚类结果;
基于所述多个聚类结果的聚类中心的应力分析结果,构建对多个局部区域进行应力消除的优化函数,如下式:
;
其中,str为适应度,N为多个聚类结果的数量,为根据多个聚类结果内应力分析结果的数量的大小进行分配的第i个聚类结果的权值,/>为按照应力消除参数对具有第i聚类中心的应力分析结果的局部区域进行消除应力后的应力分析结果;
根据所述优化函数,对应力消除参数进行优化。
采用聚类算法,例如K均值聚类、层次聚类,选择相似性度量,以度量数据点之间的相似性,例如采用余弦相似度,使用所选的聚类算法和确定的相似性度量,对多个应力分析结果进行聚类,以此将距离相近的数据点分配到同一聚类中,聚类完成后,获得多个聚类结果,每个结果包括聚类中心和数据点分配,其中,聚类中代表每个聚类的中心点,例如为该聚类内所有数据点的均值;数据点分配为将每个数据点分配到某个聚类,以指示其所属的聚类。
N为多个聚类结果的数量,每个聚类结果代表了数据点的一组聚合;表示根据多个聚类结果内应力分析结果的数量的大小进行分配的权值,这些权值根据每个聚类内的数据点数量而变化;/>是在应用应力消除参数后,具有第i个聚类中心的应力分析结果的局部区域的应力分析结果,可以基于应力消除的历史实验数据进行获取或者神经网络预测获取;str是通过对每个i的项进行求和而得到的适应度,适应度的目标是最小化。
该优化函数的目标是通过权衡不同聚类结果的权值和对应的局部区域的应力分析结果/>,找到一组应力消除参数,使得整体适应度str最小,这通过将不同聚类结果的贡献进行加权求和来实现。
通过优化该函数,可以找到一组应力消除参数,这些参数在不同的局部区域能够最小化应力分析结果,每个聚类结果的权值和对应局部区域的应力分析结果都被纳入考虑,以确保全局的优化。优化过程的目标是通过调整应力消除参数,使得整体系统的适应度最小,从而实现应力的最优消除。总的来说,该优化函数在应力分析和优化过程中考虑了多个聚类结果和局部区域的差异,以更全面地指导应力消除参数的优化。
初始化应力消除参数的值,这可以是一个随机初始化,也可以基于经验值或历史数据进行设置。使用当前的应力消除参数计算适应度,为了计算适应度,需要遍历每个聚类结果,计算相应的局部区域的应力分析结果。采用优化算法,如梯度下降、遗传算法、模拟退火等,根据当前适应度和梯度信息,调整应力消除参数,优化算法的目标是最小化适应度。重复该步骤,不断更新应力消除参数,直到满足停止条件,停止条件可以是达到一定的迭代次数、适应度足够小或不再显著改善等。最终,当优化过程结束时,得到的应力消除参数即为优化后的结果,这些参数用于对多个局部区域进行应力消除,以最小化应力分析结果。
进一步而言,所述方法包括:
获取对应力消除参数进行优化的应力消除参数空间,其中,应力消除参数空间由消除温度空间和消除时间空间组成;
在所述应力消除参数空间内随机生成多个第一应力消除参数,并基于所述优化函数,进行应力消除模拟,计算获得多个第一适应度;
计算每两个第一应力消除参数的邻近度,对邻近度大于邻近度阈值的两个第一应力消除参数进行选择性保留,保留两个第一应力消除参数内第一适应度更大的第一应力消除参数,获得保留的多个第一应力消除参数;
根据多个第一适应度,计算获取多个第一迭代步长,对保留的多个第一应力消除参数进行更新迭代,获得多个第二应力消除参数;
继续进行更新迭代优化以及应力消除参数的合并,直到达到优化收敛条件,将适应度最大的应力消除参数输出,获得最优应力消除参数。
应力消除的手段是退火,就是加热到一定温度进行保温,让内部组织均匀,来消除应力。这个过程涉及两个关键参数:消除温度和消除时间,因此,应力消除参数空间可以表示为由消除温度空间和消除时间空间组成的组合。
其中,消除温度决定了在应力消除过程中所使用的温度范围,这个空间可以定义为一个范围,表示从最低消除温度到最高消除温度的所有可能取值,例如,如果最低消除温度为,最高消除温度为/>,那么消除温度空间可以表示为/>。
消除时间是指在特定温度下保持的时间,以确保应力消除的有效性,这也可以表示为一个范围,表示从最短消除时间到最长消除时间的所有可能取值,例如,如果最短消除时间为,最长消除时间为/>,那么消除时间空间可以表示为/>。
应力消除参数空间表示为消除温度空间和消除时间空间的组合,即所有可能的消除温度和时间组合,这表示了在这两个参数的范围内,可以尝试不同的组合来优化应力消除过程,这个空间的大小取决于消除温度和消除时间范围的大小。
在消除温度空间和消除时间空间的范围内,生成随机的温度和时间组合,获得多组第一应力消除参数。对于每组随机生成的参数,执行应力消除模拟,具体地,将材料加热到指定温度,并保持在该温度下一定时间,以模拟材料内部的结构变化以减轻应力。在模拟完成后,根据上述优化函数计算每组参数的第一适应度,重复该步骤,生成多个第一应力消除参数和对应的第一适应度,生成的参数和适应度可以构成多个模拟运行的结果,这些参数是随机生成的,尚未经过优化。
对于每对第一应力消除参数,使用邻近度计算公式计算它们之间的邻近度。定义一个邻近度阈值,邻近度阈值根据邻近度计算公式计算获取的邻近度水平进行设置,用于筛选参数邻近度,只有邻近度大于这个阈值的参数对才会被保留。遍历所有的第一应力消除参数对,比较它们的邻近度与阈值,如果邻近度大于阈值,保留其中第一适应度更大的参数,否则舍弃它们,这意味着只有在一对参数中,如果它们之间的邻近度足够大,且其中一个参数的适应度明显较高,那么它将被保留。在筛选后,获得一组保留的第一应力消除参数,这些参数是在邻近度大于阈值的参数对中适应度较高的参数。
通过该步骤,可以减少参数空间的维度,从而减少需要优化的参数数量,同时保留那些在适应度方面表现良好的参数,以便更有效地进行进一步的参数优化。
对于每组保留的第一应力消除参数,使用它们的第一适应度值来计算相对于初始参数的迭代步长,例如,使用梯度下降法,梯度表示了函数在某点上升最快的方向,因此沿着梯度的负方向更新参数可以使函数值下降,步长的选择涉及学习率,它决定了每次迭代参数更新的幅度。
对于每组参数,根据计算的迭代步长进行参数更新,将迭代步长乘以学习率以控制更新的幅度,新的参数代表更优化的解决方案,因为它们是基于先前的参数和适应度值进行调整的,迭代该步骤多次,每次都使用更新后的参数进行计算,从而得到多组第二应力消除参数,这些参数反映了经过迭代优化后的可能更优解。
将第一应力消除参数和第二应力消除参数合并,形成一个扩展的参数集,这些参数包括第一轮和第二轮迭代的结果。对于合并的参数集,计算每组参数的适应度,即执行应力消除模拟并计算应力分析结果。
从合并的参数集中选择适应度最高的参数组合,这表示具有最小应力分析结果的参数组合,表示最优解。检查是否满足了优化的收敛条件,例如达到一定数量的迭代次数、适应度的变化小于某个阈值等,如果满足了收敛条件,优化过程结束。如果未满足收敛条件,继续进行更新迭代和参数合并,直到收敛条件满足为止,当满足了优化的收敛条件,输出具有最佳适应度的应力消除参数作为最优解,即最优应力消除参数。
进一步而言,所述方法包括:
根据邻近度计算公式,计算每两个第一应力消除参数的邻近度,如下式:
;
其中,为邻近度,/>和/>为权重,/>和/>为两个第一应力消除参数内的消除温度参数,/>和/>为两个第一应力消除参数内的消除时间参数,/>和/>为两个第一应力消除参数内的第一适应度。
为邻近度,表示两个参数之间的相似性度量,较高的邻近度值表示参数之间更相似;/>和/>为权重,根据实际情况和具体需求来调整,用于控制各个特征值对邻近度的贡献;分母加1是为了避免两个第一应力消除参数相同,导致分母为0没有意义,邻近度阈值根据该式计算获取的邻近度水平进行设置。
该邻近度计算公式将温度、时间和适应度这三个特征值结合在一起,通过一定的权重来计算邻近度,通过这种方式,可以综合考虑参数的多个特征,并基于它们的相似性来评估参数之间的邻近度,这有助于筛选出相似性较高的参数对,以进行后续的选择性保留和优化过程。
综上所述,本申请实施例所提供的一种聚合物板材的优化成型方法和系统具有如下技术效果:
1.通过在挤压工站内将聚合物板材划分为多个局部区域,并使用压力传感器阵列采集这些区域的压力信息,实现了对挤压成型过程的精细监测和局部区域分析,有助于更好地理解应力和温度分布的局部特征;
2.采用应力测试工站和温度分布测试方法,对多个局部区域进行应力分析,分别获得第一、第二和第三应力分析结果,这提供了全面的应力信息,涵盖了不同方面的应力情况;
3.通过结合多个应力分析结果,构建对多个局部区域进行应力消除的优化函数,并对应力消除参数进行优化,这意味着可以根据不同区域的需求,制定个性化的应力消除策略,以优化产品性能;
4.通过应力消除优化工站,获得最优的应力消除参数,确保在整个板材上实现均匀的应力分布,这有助于减轻应力开裂风险,提高产品质量和性能。
总的来说,该方法解决了现有技术中的应力和温度分布不均匀的问题,提供了一种全面的应力消除方案,以获得最优的应力消除参数,从而改善聚合物板材的质量和性能。
实施例二
基于与前述实施例中一种聚合物板材的优化成型方法相同的发明构思,如图2所示,本申请提供了一种聚合物板材的优化成型系统,所述系统应用于一聚合物板材的优化成型装置,所述装置包括板材挤压工站、应力测试工站和应力消除优化工站,所述系统包括:
区域划分模块10,所述区域划分模块10用于在板材挤压工站内,按照对聚合物进行挤压成型的挤压模具的尺寸,划分获取多个局部区域;
挤压成型模块20,所述挤压成型模块20用于将待进行挤压成型的聚合物加入挤压模具内进行挤压成型,并通过布设于所述多个局部区域的压力传感器阵列,采集获取挤压成型过程中多个局部区域的压力信息,获得多个压力信息序列和挤压成型后的聚合物板材;
第一应力分析模块30,所述第一应力分析模块30用于根据所述多个压力信息序列,进行应力分析,获得多个第一应力分析结果,以及,通过应力测试工站,采集聚合物板材上所述多个局部区域的图像,获得多个区域图像,并进行应力分析,获得多个第二应力分析结果;
第二应力分析模块40,所述第二应力分析模块40用于采用预设温变测试方法,对所述聚合物板材进行加热和测试,获得温度分布场,按照所述多个局部区域进行划分,获得多个温度分布信息,并进行应力分析,获得多个第三应力分析结果;
修正计算模块50,所述修正计算模块50用于结合多个第二应力分析结果和多个第三应力分析结果,对所述多个第一应力分析结果进行修正计算,获取多个应力分析结果;
参数优化模块60,所述参数优化模块60用于基于多个应力分析结果,通过应力消除优化工站,构建对多个局部区域进行应力消除的优化函数,并对应力消除参数进行优化,获得最优应力消除参数,对所述聚合物板材进行应力消除。
进一步而言,所述系统还包括第一应力分析结果获取模块,以执行如下操作步骤:
按照预设压力划分步长,对所述多个压力信息序列内的压力信息进行划分,获得多个压力划分结果集合;
根据多个压力划分结果集合内的压力信息的数量的大小,分配获取多个压力分布权值集;
采用多个压力分布权值集,对多个压力划分结果集合内的压力信息进行加权计算,获得多个局部区域的多个修正压力信息;
对聚合物板材的挤压成型检测数据记录进行数据抽取和处理,获取多个样本修正压力信息和多个样本第一应力分析结果;
采用所述多个样本修正压力信息和多个样本第一应力分析结果,基于决策树,构建第一应力分析器;
基于第一应力分析器,对所述多个修正压力信息进行决策分析,获得多个第一应力分析结果。
进一步而言,所述系统还包括第二应力分析结果获取模块,以执行如下操作步骤:
对聚合物板材的挤压成型检测数据记录进行数据抽取,获取多个样本局部区域图像集和多个样本第二应力分析结果集并进行标注;
基于卷积神经网络和多个区域图像的大小,构建用于多个局部区域的多个第二应力分析路径,作为第二应力分析器;
分别采用标注后的多个样本局部区域图像集和多个样本第二应力分析结果集,对多个第二应力分析路径进行监督训练;
基于收敛的多个第二应力分析路径,获得第二应力分析器,对多个区域图像进行识别,获得多个第二应力分析结果。
进一步而言,所述系统还包括第三应力分析结果获取模块,以执行如下操作步骤:
采用预设测试温度和预设测试时间,对所述聚合物板材进行加热测试,采集加热后聚合物板材上的温度分布场;
按照所述多个局部区域,对所述温度分布场进行划分,获得多个温度分布信息;
对聚合物板材的挤压成型检测数据记录进行数据抽取和处理,获取多个样本温度分布信息和多个样本第三应力分析结果;
基于多个样本温度分布信息和多个样本第三应力分析结果,训练获取第三应力分析通道;
将所述多个温度分布信息输入所述第三应力分析通道,获得所述多个第三应力分析结果。
进一步而言,所述系统还包括应力分析结果获取模块,以执行如下操作步骤:
基于聚合物板材的挤压成型检测数据记录,获取标准第二应力分析结果和标准第三应力分析结果;
分别计算所述多个第二应力分析结果和多个第三应力分析结果与所述标准第二应力分析结果和标准第三应力分析结果的比值,获得多个第二应力系数和多个第三应力系数;
分别对多个第二应力系数和多个第三应力系数进行一一对应的组合,并计算获取多个修正应力系数;
采用所述多个修正应力系数,对所述多个第一应力分析结果进行修正计算,获得多个应力分析结果。
进一步而言,所述系统还包括应力消除参数优化模块,以执行如下操作步骤:
对多个应力分析结果进行聚类,获得多个聚类结果;
基于所述多个聚类结果的聚类中心的应力分析结果,构建对多个局部区域进行应力消除的优化函数,如下式:
;
其中,str为适应度,N为多个聚类结果的数量,为根据多个聚类结果内应力分析结果的数量的大小进行分配的第i个聚类结果的权值,/>为按照应力消除参数对具有第i聚类中心的应力分析结果的局部区域进行消除应力后的应力分析结果;
根据所述优化函数,对应力消除参数进行优化。
进一步而言,所述系统还包括最优应力消除参数获取模块,以执行如下操作步骤:
获取对应力消除参数进行优化的应力消除参数空间,其中,应力消除参数空间由消除温度空间和消除时间空间组成;
在所述应力消除参数空间内随机生成多个第一应力消除参数,并基于所述优化函数,进行应力消除模拟,计算获得多个第一适应度;
计算每两个第一应力消除参数的邻近度,对邻近度大于邻近度阈值的两个第一应力消除参数进行选择性保留,保留两个第一应力消除参数内第一适应度更大的第一应力消除参数,获得保留的多个第一应力消除参数;
根据多个第一适应度,计算获取多个第一迭代步长,对保留的多个第一应力消除参数进行更新迭代,获得多个第二应力消除参数;
继续进行更新迭代优化以及应力消除参数的合并,直到达到优化收敛条件,将适应度最大的应力消除参数输出,获得最优应力消除参数。
进一步而言,所述系统还包括邻近度计算模块,以执行如下操作步骤:
根据邻近度计算公式,计算每两个第一应力消除参数的邻近度,如下式:
;
其中,为邻近度,/>和/>为权重,/>和/>为两个第一应力消除参数内的消除温度参数,/>和/>为两个第一应力消除参数内的消除时间参数,/>和/>为两个第一应力消除参数内的第一适应度。
本说明书通过前述对一种聚合物板材的优化成型方法的详细描述,本领域技术人员可以清楚得知道本实施例中一种聚合物板材的优化成型方法和系统,对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述得比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种聚合物板材的优化成型方法,其特征在于,所述方法应用于一聚合物板材的优化成型装置,所述装置包括板材挤压工站、应力测试工站和应力消除优化工站,所述方法包括:
在板材挤压工站内,按照对聚合物进行挤压成型的挤压模具的尺寸,划分获取多个局部区域;
将待进行挤压成型的聚合物加入挤压模具内进行挤压成型,并通过布设于所述多个局部区域的压力传感器阵列,采集获取挤压成型过程中多个局部区域的压力信息,获得多个压力信息序列和挤压成型后的聚合物板材;
根据所述多个压力信息序列,进行应力分析,获得多个第一应力分析结果,以及,通过应力测试工站,采集聚合物板材上所述多个局部区域的图像,获得多个区域图像,并进行应力分析,获得多个第二应力分析结果;
采用预设温变测试方法,对所述聚合物板材进行加热和测试,获得温度分布场,按照所述多个局部区域进行划分,获得多个温度分布信息,并进行应力分析,获得多个第三应力分析结果;
结合多个第二应力分析结果和多个第三应力分析结果,对所述多个第一应力分析结果进行修正计算,获取多个应力分析结果;
基于多个应力分析结果,通过应力消除优化工站,构建对多个局部区域进行应力消除的优化函数,并对应力消除参数进行优化,获得最优应力消除参数,对所述聚合物板材进行应力消除。
2.根据权利要求1所述的方法,其特征在于,所述方法包括:
按照预设压力划分步长,对所述多个压力信息序列内的压力信息进行划分,获得多个压力划分结果集合;
根据多个压力划分结果集合内的压力信息的数量的大小,分配获取多个压力分布权值集;
采用多个压力分布权值集,对多个压力划分结果集合内的压力信息进行加权计算,获得多个局部区域的多个修正压力信息;
对聚合物板材的挤压成型检测数据记录进行数据抽取和处理,获取多个样本修正压力信息和多个样本第一应力分析结果;
采用所述多个样本修正压力信息和多个样本第一应力分析结果,基于决策树,构建第一应力分析器;
基于第一应力分析器,对所述多个修正压力信息进行决策分析,获得多个第一应力分析结果。
3.根据权利要求1所述的方法,其特征在于,所述方法包括:
对聚合物板材的挤压成型检测数据记录进行数据抽取,获取多个样本局部区域图像集和多个样本第二应力分析结果集并进行标注;
基于卷积神经网络和多个区域图像的大小,构建用于多个局部区域的多个第二应力分析路径,作为第二应力分析器;
分别采用标注后的多个样本局部区域图像集和多个样本第二应力分析结果集,对多个第二应力分析路径进行监督训练;
基于收敛的多个第二应力分析路径,获得第二应力分析器,对多个区域图像进行识别,获得多个第二应力分析结果。
4.根据权利要求1所述的方法,其特征在于,所述方法包括:
采用预设测试温度和预设测试时间,对所述聚合物板材进行加热测试,采集加热后聚合物板材上的温度分布场;
按照所述多个局部区域,对所述温度分布场进行划分,获得多个温度分布信息;
对聚合物板材的挤压成型检测数据记录进行数据抽取和处理,获取多个样本温度分布信息和多个样本第三应力分析结果;
基于多个样本温度分布信息和多个样本第三应力分析结果,训练获取第三应力分析通道;
将所述多个温度分布信息输入所述第三应力分析通道,获得所述多个第三应力分析结果。
5.根据权利要求1所述的方法,其特征在于,所述方法包括:
基于聚合物板材的挤压成型检测数据记录,获取标准第二应力分析结果和标准第三应力分析结果;
分别计算所述多个第二应力分析结果和多个第三应力分析结果与所述标准第二应力分析结果和标准第三应力分析结果的比值,获得多个第二应力系数和多个第三应力系数;
分别对多个第二应力系数和多个第三应力系数进行一一对应的组合,并计算获取多个修正应力系数;
采用所述多个修正应力系数,对所述多个第一应力分析结果进行修正计算,获得多个应力分析结果。
6.根据权利要求1所述的方法,其特征在于,所述方法包括:
对多个应力分析结果进行聚类,获得多个聚类结果;
基于所述多个聚类结果的聚类中心的应力分析结果,构建对多个局部区域进行应力消除的优化函数,如下式:
;
其中,str为适应度,N为多个聚类结果的数量,为根据多个聚类结果内应力分析结果的数量的大小进行分配的第i个聚类结果的权值,/>为按照应力消除参数对具有第i聚类中心的应力分析结果的局部区域进行消除应力后的应力分析结果;
根据所述优化函数,对应力消除参数进行优化。
7.根据权利要求6所述的方法,其特征在于,所述方法包括:
获取对应力消除参数进行优化的应力消除参数空间,其中,应力消除参数空间由消除温度空间和消除时间空间组成;
在所述应力消除参数空间内随机生成多个第一应力消除参数,并基于所述优化函数,进行应力消除模拟,计算获得多个第一适应度;
计算每两个第一应力消除参数的邻近度,对邻近度大于邻近度阈值的两个第一应力消除参数进行选择性保留,保留两个第一应力消除参数内第一适应度更大的第一应力消除参数,获得保留的多个第一应力消除参数;
根据多个第一适应度,计算获取多个第一迭代步长,对保留的多个第一应力消除参数进行更新迭代,获得多个第二应力消除参数;
继续进行更新迭代优化以及应力消除参数的合并,直到达到优化收敛条件,将适应度最大的应力消除参数输出,获得最优应力消除参数。
8.根据权利要求7所述的方法,其特征在于,所述方法包括:
根据邻近度计算公式,计算每两个第一应力消除参数的邻近度,如下式:
;
其中,为邻近度,/>和/>为权重,/>和/>为两个第一应力消除参数内的消除温度参数,/>和/>为两个第一应力消除参数内的消除时间参数,/>和/>为两个第一应力消除参数内的第一适应度。
9.一种聚合物板材的优化成型系统,其特征在于,所述系统应用于一聚合物板材的优化成型装置,所述装置包括板材挤压工站、应力测试工站和应力消除优化工站,用于实施权利要求1-8任一项所述的一种聚合物板材的优化成型方法,包括:
区域划分模块,所述区域划分模块用于在板材挤压工站内,按照对聚合物进行挤压成型的挤压模具的尺寸,划分获取多个局部区域;
挤压成型模块,所述挤压成型模块用于将待进行挤压成型的聚合物加入挤压模具内进行挤压成型,并通过布设于所述多个局部区域的压力传感器阵列,采集获取挤压成型过程中多个局部区域的压力信息,获得多个压力信息序列和挤压成型后的聚合物板材;
第一应力分析模块,所述第一应力分析模块用于根据所述多个压力信息序列,进行应力分析,获得多个第一应力分析结果,以及,通过应力测试工站,采集聚合物板材上所述多个局部区域的图像,获得多个区域图像,并进行应力分析,获得多个第二应力分析结果;
第二应力分析模块,所述第二应力分析模块用于采用预设温变测试方法,对所述聚合物板材进行加热和测试,获得温度分布场,按照所述多个局部区域进行划分,获得多个温度分布信息,并进行应力分析,获得多个第三应力分析结果;
修正计算模块,所述修正计算模块用于结合多个第二应力分析结果和多个第三应力分析结果,对所述多个第一应力分析结果进行修正计算,获取多个应力分析结果;
参数优化模块,所述参数优化模块用于基于多个应力分析结果,通过应力消除优化工站,构建对多个局部区域进行应力消除的优化函数,并对应力消除参数进行优化,获得最优应力消除参数,对所述聚合物板材进行应力消除。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311398265.7A CN117131788B (zh) | 2023-10-26 | 2023-10-26 | 一种聚合物板材的优化成型方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311398265.7A CN117131788B (zh) | 2023-10-26 | 2023-10-26 | 一种聚合物板材的优化成型方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117131788A CN117131788A (zh) | 2023-11-28 |
CN117131788B true CN117131788B (zh) | 2024-01-26 |
Family
ID=88851155
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311398265.7A Active CN117131788B (zh) | 2023-10-26 | 2023-10-26 | 一种聚合物板材的优化成型方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117131788B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007313533A (ja) * | 2006-05-25 | 2007-12-06 | Unipres Corp | プレス金型修正形状データの作成方法 |
CN108787836A (zh) * | 2018-06-14 | 2018-11-13 | 淮阴师范学院 | 一种智能家居机器人钣金件冲压成型机构及控制方法 |
CN112906273A (zh) * | 2021-02-22 | 2021-06-04 | 中国核动力研究设计院 | 一种板材真空退火过程温度场预测方法 |
CN114021339A (zh) * | 2021-11-03 | 2022-02-08 | 上海交通大学 | 数据驱动的金属薄壁零件性能优化方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020106725A1 (en) * | 2018-11-20 | 2020-05-28 | Relativity Space, Inc. | Real-time adaptive control of manufacturing processes using machine learning |
-
2023
- 2023-10-26 CN CN202311398265.7A patent/CN117131788B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007313533A (ja) * | 2006-05-25 | 2007-12-06 | Unipres Corp | プレス金型修正形状データの作成方法 |
CN108787836A (zh) * | 2018-06-14 | 2018-11-13 | 淮阴师范学院 | 一种智能家居机器人钣金件冲压成型机构及控制方法 |
CN112906273A (zh) * | 2021-02-22 | 2021-06-04 | 中国核动力研究设计院 | 一种板材真空退火过程温度场预测方法 |
CN114021339A (zh) * | 2021-11-03 | 2022-02-08 | 上海交通大学 | 数据驱动的金属薄壁零件性能优化方法 |
Non-Patent Citations (1)
Title |
---|
深冷处理消除铝合金板材残余应力的建模与仿真;王秋成 等;《低温工程》;第45-49页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117131788A (zh) | 2023-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111369070A (zh) | 一种基于包络线聚类的多模融合光伏功率预测方法 | |
CN107798383B (zh) | 改进的核极限学习机定位方法 | |
CN111931983B (zh) | 一种降水量预测方法及系统 | |
CN106682454A (zh) | 一种宏基因组数据分类方法和装置 | |
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 | |
CN113159167B (zh) | 基于内陆不同类型水体的叶绿素a反演方法 | |
CN111368900A (zh) | 一种图像目标物识别方法 | |
CN116520772A (zh) | 基于多任务迁移学习的薄板零件数控加工质量预测方法 | |
CN115948964A (zh) | 一种基于ga-bp神经网络的路面平整度预测方法 | |
CN113103535A (zh) | 一种基于ga-elm-ga的注塑件模具参数优化方法 | |
CN114692507A (zh) | 基于堆叠泊松自编码器网络的计数数据软测量建模方法 | |
CN117131788B (zh) | 一种聚合物板材的优化成型方法和系统 | |
CN113033704B (zh) | 基于模式识别的铜转炉吹炼造铜期终点智能判断方法及系统 | |
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 | |
CN117131767A (zh) | 基于随机森林算法预测热轧四辊轧机工作辊热凸度的方法 | |
CN115985411A (zh) | 基于高斯过程回归模型的高分子熔融指数软测量方法 | |
CN112599194B (zh) | 甲基化测序数据的处理方法和装置 | |
CN111062118B (zh) | 一种基于神经网络预测分层的多层软测量建模系统及方法 | |
CN113035363B (zh) | 一种概率密度加权的遗传代谢病筛查数据混合采样方法 | |
Astuti et al. | Kolmogorov-smirnov and continuous ranked probability score validation on the bayesian model averaging for microarray data | |
CN116451582B (zh) | 基于机器学习融合模型的火灾热释放速率测量系统和方法 | |
CN115907205A (zh) | 一种集成多工况分析的化工生产过程质量预测方法 | |
CN115907178A (zh) | 一种净生态系统co2交换量的预测方法 | |
CN115759356A (zh) | 一种基于深度学习模型预测设备制程能力指数的方法 | |
CN118092322A (zh) | 预测最佳工艺条件模型方法和控制半导体制造工艺方法 |
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 |