CN117140847B - 一种精密模具用的封装方法及系统 - Google Patents
一种精密模具用的封装方法及系统 Download PDFInfo
- Publication number
- CN117140847B CN117140847B CN202311376739.8A CN202311376739A CN117140847B CN 117140847 B CN117140847 B CN 117140847B CN 202311376739 A CN202311376739 A CN 202311376739A CN 117140847 B CN117140847 B CN 117140847B
- Authority
- CN
- China
- Prior art keywords
- package
- molding control
- packaging body
- injection molding
- index
- 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
- 238000004806 packaging method and process Methods 0.000 title claims abstract description 168
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000000465 moulding Methods 0.000 claims abstract description 106
- 238000001746 injection moulding Methods 0.000 claims abstract description 100
- 239000000463 material Substances 0.000 claims abstract description 67
- 238000012545 processing Methods 0.000 claims abstract description 50
- 230000008878 coupling Effects 0.000 claims abstract description 13
- 238000010168 coupling process Methods 0.000 claims abstract description 13
- 238000005859 coupling reaction Methods 0.000 claims abstract description 13
- 238000013507 mapping Methods 0.000 claims description 39
- 238000002347 injection Methods 0.000 claims description 30
- 239000007924 injection Substances 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 26
- 238000004140 cleaning Methods 0.000 claims description 14
- 230000003213 activating effect Effects 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 11
- 238000007417 hierarchical cluster analysis Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 9
- 150000001875 compounds Chemical class 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000005538 encapsulation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 210000002569 neuron Anatomy 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
- B29C45/14—Injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould; Apparatus therefor incorporating preformed parts or layers, e.g. injection moulding around inserts or for coating 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
- 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
-
- 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
本发明公开了一种精密模具用的封装方法及系统,涉及封装领域,其中,所述方法包括:根据封装体概念模型遍历模具腔体模型列表进行结构尺寸相似分析,遴选第一选用模具;基于封装体材料类型和封装体结构尺寸信息,调取注塑控制多源耦合算法进行寻优,生成封装体成型控制参数;对封装体成型控制参数进行腔体壁面压力预测,生成壁面最大承受压力;基于壁面最大承受压力对第一选用模具进行变形压力分析,遴选第二选用模具;根据第二选用模具和封装体成型控制参数进行封装体成型加工。解决了现有技术中精密元件的封装体成型控制复杂度高、准确性低,导致精密元件的封装体成型加工良品率低,以及精密元件的封装质量差的技术问题。
Description
技术领域
本发明涉及封装领域,具体地,涉及一种精密模具用的封装方法及系统。
背景技术
元件封装体可用于固定元件,保护元件免受外界影响,尤其是半导体、芯片之类的精密元件的封装体更是尤为重要。现有技术中存在精密元件的封装体成型控制复杂度高、准确性低,导致精密元件的封装体成型加工良品率低,以及精密元件的封装质量差的技术问题。
发明内容
本申请提供了一种精密模具用的封装方法及系统。解决了现有技术中精密元件的封装体成型控制复杂度高、准确性低,导致精密元件的封装体成型加工良品率低,以及精密元件的封装质量差的技术问题。达到了提高精密元件的封装体成型控制准确性,提高精密元件的封装体成型加工良品率,提升精密元件的封装质量的技术效果。
鉴于上述问题,本申请提供了一种精密模具用的封装方法及系统。
第一方面,本申请提供了一种精密模具用的封装方法,其中,所述方法应用于一种精密模具用的封装系统,所述方法包括:加载待封装元件型号匹配的封装体概念模型;根据所述封装体概念模型遍历模具腔体模型列表进行结构尺寸相似分析,遴选第一选用模具;基于封装体材料类型和封装体结构尺寸信息,调取注塑控制多源耦合算法进行寻优,生成封装体成型控制参数;对所述封装体成型控制参数进行腔体壁面压力预测,生成壁面最大承受压力;基于所述壁面最大承受压力对所述第一选用模具进行变形压力分析,遴选第二选用模具;根据所述第二选用模具和所述封装体成型控制参数进行封装体成型加工。
第二方面,本申请还提供了一种精密模具用的封装系统,其中,所述系统包括:加载模块,所述加载模块用于加载待封装元件型号匹配的封装体概念模型;结构尺寸相似分析模块,所述结构尺寸相似分析模块用于根据所述封装体概念模型遍历模具腔体模型列表进行结构尺寸相似分析,遴选第一选用模具;控制参数生成模块,所述控制参数生成模块用于基于封装体材料类型和封装体结构尺寸信息,调取注塑控制多源耦合算法进行寻优,生成封装体成型控制参数;壁面压力预测模块,所述壁面压力预测模块用于对所述封装体成型控制参数进行腔体壁面压力预测,生成壁面最大承受压力;变形压力分析模块,所述变形压力分析模块用于基于所述壁面最大承受压力对所述第一选用模具进行变形压力分析,遴选第二选用模具;封装体成型加工模块,所述封装体成型加工模块用于根据所述第二选用模具和所述封装体成型控制参数进行封装体成型加工。
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:
通过将待封装元件型号对应的封装体概念模型与模具腔体模型列表进行结构尺寸相似分析,遴选第一选用模具;基于封装体材料类型和封装体结构尺寸信息,根据注塑控制多源耦合算法进行寻优,生成封装体成型控制参数;通过对封装体成型控制参数进行腔体壁面压力预测,生成壁面最大承受压力;根据壁面最大承受压力对第一选用模具进行变形压力分析,遴选第二选用模具;根据第二选用模具和封装体成型控制参数进行封装体成型加工。达到了提高精密元件的封装体成型控制准确性,提高精密元件的封装体成型加工良品率,提升精密元件的封装质量的技术效果。
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
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的附图作简单地介绍。明显地,下面描述中的附图仅仅涉及本发明的一些实施例,而非对本发明的限制。
图1为本申请一种精密模具用的封装方法的流程示意图;
图2为本申请一种精密模具用的封装方法中生成结构尺寸相似概率的流程示意图;
图3为本申请一种精密模具用的封装系统的结构示意图。
具体实施方式
本申请通过提供一种精密模具用的封装方法及系统。解决了现有技术中精密元件的封装体成型控制复杂度高、准确性低,导致精密元件的封装体成型加工良品率低,以及精密元件的封装质量差的技术问题。达到了提高精密元件的封装体成型控制准确性,提高精密元件的封装体成型加工良品率,提升精密元件的封装质量的技术效果。
实施例一
请参阅附图1,本申请提供一种精密模具用的封装方法,其中,所述方法应用于一种精密模具用的封装系统,所述方法具体包括如下步骤:
加载待封装元件型号匹配的封装体概念模型;
采集待封装元件的型号信息,获得待封装元件型号。将待封装元件型号输入封装体概念模型匹配库,获得待封装元件型号对应的封装体概念模型。待封装元件可以为使用所述一种精密模具用的封装系统进行智能化封装体成型加工的任意精密元件。例如,待封装元件可以为半导体、芯片等精密元件。待封装元件型号包括待封装元件的型号信息。封装体概念模型包括待封装元件型号对应的封装体三维模型。封装体概念模型匹配库包括多个历史封装元件型号,以及多个历史封装元件型号对应的多个历史封装体概念模型。
根据所述封装体概念模型遍历模具腔体模型列表进行结构尺寸相似分析,遴选第一选用模具;
根据所述待封装元件型号在封装配置精度表,匹配封装最大精度,设定网格边长阈值,其中,所述网格边长阈值为所述封装最大精度的1/50;
根据所述网格边长阈值,构建网格定位空间,对所述封装体概念模型和所述模具腔体模型列表进行网格定位,生成基准网格定位坐标和多组比对网格定位坐标,其中,所述封装体概念模型的第一轴心水平面和所述模具腔体模型列表的第二轴心水平面互相重合,所述封装体概念模型的第二轴心垂直面和所述模具腔体模型列表的第二轴心垂直面互相重合;
将待封装元件型号输入封装配置精度表,获得封装最大精度。封装配置精度表包括多个历史封装元件型号,以及多个历史封装元件型号对应的多个历史封装最大精度。封装最大精度为待封装元件型号对应的最小封装尺寸精度。继而,将封装最大精度的1/50设置为网格边长阈值,并根据网格边长阈值,构建网格定位空间。网格定位空间是一个由网格边长阈值构成的三维几何空间。且,网格定位空间的单位网格边长等于网格边长阈值。
进一步,模具腔体模型列表包括多个模具腔体模型。多个模具腔体模型为多个精密模具三维模型。将封装体概念模型输入网格定位空间,获得基准网格定位坐标。基准网格定位坐标包括多个基准坐标。多个基准坐标为封装体概念模型在网格定位空间中的多个坐标信息。继而,分别将多个模具腔体模型输入网格定位空间,获得多组比对网格定位坐标。且,封装体概念模型的第一轴心水平面(即封装体概念模型的水平面)和模具腔体模型列表的第二轴心水平面(即模具腔体模型列表内的每个模具腔体模型的水平面)互相重合,封装体概念模型的第二轴心垂直面(即封装体概念模型的垂直面)和模具腔体模型列表的第二轴心垂直面(即模具腔体模型列表内的每个模具腔体模型的水平面)互相重合。每组比对网格定位坐标包括每个模具腔体模型在网格定位空间中的多个定位坐标。
根据所述基准网格定位坐标,遍历所述多组比对网格定位坐标进行结构尺寸相似分析,生成结构尺寸相似概率;
如附图2所示,生成结构尺寸相似概率,还包括:
设置定位一致距离阈值,遍历所述基准网格定位坐标进行邻域层次聚类分析,生成基准网格区域定位坐标;
根据所述定位一致距离阈值,遍历所述多组比对网格定位坐标进行邻域层次聚类分析,生成多组比对网格区域定位坐标;
剔除所述多组比对网格区域定位坐标与所述基准网格区域定位坐标的坐标数量偏差大于坐标数量偏差阈值的所述模具腔体模型,生成比对网格区域定位坐标清洗结果;
基于所述基准网格区域定位坐标,遍历所述比对网格区域定位坐标清洗结果,统计多个重合坐标比例,存储为所述结构尺寸相似概率。
取所述结构尺寸相似概率大于或等于结构尺寸相似概率阈值的模具腔体模型的模具,设为所述第一选用模具。
根据定位一致距离阈值对基准网格定位坐标进行邻域层次聚类分析,生成基准网格区域定位坐标。定位一致距离阈值为由所述一种精密模具用的封装系统预先设置确定的坐标距离阈值。
示例性地,在根据定位一致距离阈值对基准网格定位坐标进行邻域层次聚类分析时,分别计算基准网格定位坐标内任意相邻的两个基准坐标之间的坐标距离,获得多个相邻坐标距离。分别判断每个相邻坐标距离是否大于定位一致距离阈值。如果相邻坐标距离小于/等于定位一致距离阈值,则,将该相邻坐标距离对应的两个基准坐标归为一类基准区域,并将该相邻坐标距离对应的两个基准坐标的均值设置为这一类基准区域的区域基准坐标。相反,如果相邻坐标距离大于定位一致距离阈值,则,将该相邻坐标距离对应的两个基准坐标归为两类基准区域,并将该相邻坐标距离对应的两个基准坐标设置为这两类基准区域分别对应的两个区域基准坐标。重复聚类,直到任意相邻的基准区域的区域基准坐标距离大于一致距离阈值时,停止聚类,获得基准网格区域定位坐标。区域基准坐标距离包括任意相邻的基准区域之间的区域基准坐标对应的坐标距离。基准网格区域定位坐标包括基准网格定位坐标对应的多个区域基准坐标。
进一步,根据定位一致距离阈值分别对多组比对网格定位坐标内的每组比对网格定位坐标进行邻域层次聚类分析,生成多组比对网格区域定位坐标。每组比对网格区域定位坐标包括多组比对网格定位坐标内的每组比对网格定位坐标对应的多个区域定位坐标。且,“根据定位一致距离阈值分别对多组比对网格定位坐标内的每组比对网格定位坐标进行邻域层次聚类分析”与“根据定位一致距离阈值对基准网格定位坐标进行邻域层次聚类分析”的邻域层次聚类分析方式相同,仅存在数据差异,在此不再赘述。
将基准网格区域定位坐标内的多个区域基准坐标的总数量记为基准数量。将每组比对网格区域定位坐标内的多个区域定位坐标的总数量记为比对数量,获得多组比对网格区域定位坐标对应的多个比对数量。将每个比对数量与基准数量的差值的绝对值设置为坐标数量偏差,获得多个比对数量对应的多个坐标数量偏差。继而,分别判断每个坐标数量偏差是否大于由所述一种精密模具用的封装系统预先设置确定的坐标数量偏差阈值。如果坐标数量偏差大于坐标数量偏差阈值,则,将该坐标数量偏差对应的模具腔体模型进行删除,并将该坐标数量偏差对应的一组比对网格区域定位坐标进行删除。反之,如果坐标数量偏差小于/等于坐标数量偏差阈值,则,将该坐标数量偏差对应的一组比对网格区域定位坐标添加至比对网格区域定位坐标清洗结果。比对网格区域定位坐标清洗结果包括小于/等于坐标数量偏差阈值的多个坐标数量偏差对应的多组比对网格区域定位坐标。
进一步,分别将基准网格区域定位坐标与比对网格区域定位坐标清洗结果内的每组比对网格区域定位坐标进行重合比对,获得比对网格区域定位坐标清洗结果内的多组比对网格区域定位坐标对应的多个重合坐标比例,并将多个重合坐标比例添加至结构尺寸相似概率。结构尺寸相似概率包括多个重合坐标比例。继而,分别判断结构尺寸相似概率内的每个重合坐标比例是否大于或等于结构尺寸相似概率阈值。结构尺寸相似概率阈值包括由所述一种精密模具用的封装系统预先设置确定的重合坐标比例阈值。如果重合坐标比例大于或等于结构尺寸相似概率阈值,则,将该重合坐标比例对应的一组比对网格区域定位坐标的模具腔体模型的模具设置为第一选用模具。由此,得到多个第一选用模具。
示例性地,在分别将基准网格区域定位坐标与比对网格区域定位坐标清洗结果内的每组比对网格区域定位坐标进行重合比对时,将比对网格区域定位坐标清洗结果内的每组比对网格区域定位坐标设置为第一组比对网格区域定位坐标。以基准网格区域定位坐标内的每个区域基准坐标为比对基准坐标,从第一组比对网格区域定位坐标中选择一个最靠近比对基准坐标的区域定位坐标设置为比对坐标。继而,将比对基准坐标与比对坐标进行比对,获得坐标一致性系数。比对基准坐标与比对坐标的一致性越高,对应的坐标一致性系数越大。判断坐标一致性系数是否满足坐标一致性约束。坐标一致性约束包括由所述一种精密模具用的封装系统预先设置确定的坐标一致性系数范围。如果坐标一致性系数满足坐标一致性约束,则,将该比对坐标设置为重合坐标。将第一组比对网格区域定位坐标内重合坐标的总数量设置为第一重合坐标总数量,将第一组比对网格区域定位坐标内多个区域定位坐标的总数量设置为第一坐标总数量。将第一重合坐标总数量与第一坐标总数量之间的比值设置为第一重合坐标比例,并将第一重合坐标比例添加至多个重合坐标比例。
基于封装体材料类型和封装体结构尺寸信息,调取注塑控制多源耦合算法进行寻优,生成封装体成型控制参数;
设定注塑成型控制指标,其中,所述注塑成型控制指标至少包括塑封料注射路径、塑封料注射流量序列、塑封料注射时长序列和温度控制序列;
以所述封装体材料类型、所述封装体结构尺寸信息和所述待封装元件型号在多源加工节点对所述注塑成型控制指标进行加工记忆回溯,生成注塑成型控制参数回溯值;
遍历所述封装体材料类型、所述封装体结构尺寸信息和所述待封装元件型号在所述多源加工节点对所述注塑成型控制指标进行加工记忆回溯,生成初始注塑成型控制参数回溯值;
根据注塑控制多源耦合算法进行寻优的过程包括:将塑封料注射路径、塑封料注射流量序列、塑封料注射时长序列和温度控制序列设置为注塑成型控制指标。继而,按照封装体材料类型、封装体结构尺寸信息和待封装元件型号对多源加工节点进行注塑成型控制指标的加工控制记录采集,获得多个初始注塑成型控制参数回溯值。封装体材料类型包括待封装元件的封装体材料类型信息。封装体结构尺寸信息包括待封装元件的封装体结构参数、封装体尺寸参数。多源加工节点包括多个封装体成型加工企业。每个初始注塑成型控制参数回溯值包括每个同类封装体对应的历史塑封料注射路径、历史塑封料注射流量序列、历史塑封料注射时长序列和历史温度控制序列。每个同类封装体为多源加工节点生产的满足封装体材料类型、封装体结构尺寸信息和待封装元件型号的历史封装体。
遍历所述注塑成型控制指标进行无效偏差分析,生成多个指标一致偏差阈值;
对所述注塑成型控制指标进行随机赋值,生成控制指标第一赋值结果,激活所述机械性能映射计算节点进行机械性能映射,生成第一赋值结果机械性能参数;
对所述控制指标第一赋值结果的第一属性指标按照第一波动预设幅度进行波动,生成控制指标第二赋值结果,激活所述机械性能映射计算节点进行机械性能映射,生成第二赋值结果机械性能参数;
当所述第一赋值结果机械性能参数和所述第二赋值结果机械性能参数的性能偏差均小于性能偏差阈值,则对所述控制指标第一赋值结果的第一属性指标按照第二波动预设幅度进行波动,生成控制指标第三赋值结果,激活所述机械性能映射计算节点进行机械性能映射,生成第三赋值结果机械性能参数进行重复判断,其中,所述第二波动预设幅度为所述第一波动预设幅度的1倍;
当所述第一赋值结果机械性能参数和所述第二赋值结果机械性能参数的性能偏差的任意一个大于或等于所述性能偏差阈值,则对所述控制指标第一赋值结果的第一属性指标按照第三波动预设幅度进行波动,生成第四赋值结果机械性能参数进行重复判断,其中,所述第三波动预设幅度为所述第一波动预设幅度的0.5倍;
重复迭代分析,生成第一属性指标一致偏差阈值,添加进所述多个指标一致偏差阈值。
通过对注塑成型控制指标进行随机赋值,获得多个控制指标第一赋值结果,并激活机械性能映射计算节点,分别将多个控制指标第一赋值结果输入机械性能映射计算节点,通过机械性能映射计算节点对多个控制指标第一赋值结果进行机械性能映射,生成多个第一赋值结果机械性能参数。每个控制指标第一赋值结果包括注塑成型控制指标对应的随机的塑封料注射路径、随机的塑封料注射流量序列、随机的塑封料注射时长序列和随机的温度控制序列。第一赋值结果机械性能参数是用于表征按照控制指标第一赋值结果加工的封装体机械性能高低的数据信息。第一赋值结果机械性能参数越高,按照对应的控制指标第一赋值结果加工的封装体机械性能越好。示例性地,在构建机械性能映射计算节点时,基于控制指标第一赋值结果进行历史数据读取,获得多个机械性能映射数据。每个机械性能映射数据包括历史塑封料注射路径、历史塑封料注射流量序列、历史塑封料注射时长序列、历史温度控制序列、历史机械性能参数。根据BP神经网络将多个机械性能映射数据进行不断的自我训练学习至收敛状态,得到机械性能映射计算节点。BP神经网络是一种按照误差逆向传播算法进行训练的多层前馈神经网络。BP神经网络包括输入层、多层神经元、输出层。机械性能映射计算节点包括输入层、隐含层、输出层。机械性能映射计算节点具有对输入的控制指标赋值结果进行机械性能参数匹配的功能。
进一步,按照第一波动预设幅度对多个控制指标第一赋值结果的第一属性指标进行调整,获得多个控制指标第二赋值结果。第一波动预设幅度包括由所述一种精密模具用的封装系统预先设置确定的指标调整幅度。第一属性指标可以为塑封料注射路径、塑封料注射流量序列、塑封料注射时长序列和温度控制序列中的任意一个指标。例如,第一属性指标为塑封料注射流量序列,第一波动预设幅度为7%,则,将控制指标第一赋值结果中的随机的塑封料注射流量序列增大/减小7%后,获得调整后的塑封料注射流量序列,将调整后的塑封料注射流量序列,以及控制指标第一赋值结果中的随机的塑封料注射路径、随机的塑封料注射时长序列和随机的温度控制序列添加至控制指标第二赋值结果。
进一步,将多个控制指标第二赋值结果输入机械性能映射计算节点,获得多个控制指标第二赋值结果对应的多个第二赋值结果机械性能参数。将多个第一赋值结果机械性能参数与对应的多个第二赋值结果机械性能参数之间的多个差值的绝对值设置为多个性能偏差。分别判断每个性能偏差是否小于由所述一种精密模具用的封装系统预先设置确定的性能偏差阈值。如果多个性能偏差均小于性能偏差阈值,则,按照第二波动预设幅度对多个控制指标第一赋值结果的第一属性指标进行调整,获得多个控制指标第三赋值结果,并将多个控制指标第三赋值结果输入机械性能映射计算节点,获得多个第三赋值结果机械性能参数,并对多个第三赋值结果机械性能参数是否均小于性能偏差阈值进行重复判断。第二波动预设幅度为第一波动预设幅度的1倍。
相反,如果多个性能偏差中的任意一个性能偏差大于或等于性能偏差阈值,则,按照第三波动预设幅度对多个控制指标第一赋值结果的第一属性指标进行调整,获得多个控制指标第四赋值结果。将多个控制指标第四赋值结果输入机械性能映射计算节点,获得多个第四赋值结果机械性能参数,并对多个第四赋值结果机械性能参数是否均小于性能偏差阈值进行重复判断。第三波动预设幅度为第一波动预设幅度的0.5倍。继续进行重复迭代分析,如果性能偏差均小于性能偏差阈值,则,波动预设幅度为上一波动预设幅度的1倍。如果存在大于或等于性能偏差阈值的性能偏差,则波动预设幅度为上一波动预设幅度的0.5倍,生成第一属性指标对应的第一属性指标一致偏差阈值,并将第一属性指标一致偏差阈值添加至多个指标一致偏差阈值。多个指标一致偏差阈值与注塑成型控制指标具有对应关系。
根据所述多个指标一致偏差阈值,对所述初始注塑成型控制参数回溯值进行两两一致枚举分析,生成一致指标占比;
对所述一致指标占比大于或等于一致指标占比阈值的所述初始注塑成型控制参数回溯值,标识一致性标签,其中,所述一致性标签每当所述初始注塑成型控制参数回溯值视为一致时,则标记一次;
剔除所述一致性标签的标签标记数量小于标签标记数量阈值的所述初始注塑成型控制参数回溯值,生成所述注塑成型控制参数回溯值。
分别对多个初始注塑成型控制参数回溯值进行两两随机组合,获得多个初始注塑成型控制组。每个初始注塑成型控制组包括随机的两个初始注塑成型控制参数回溯值。继而,按照多个指标一致偏差阈值依次对多个初始注塑成型控制组进行一致枚举分析,生成多个一致指标占比。例如,在对多个初始注塑成型控制组进行一致枚举分析时,将每个初始注塑成型控制组设置为第一初始注塑成型控制组。按照注塑成型控制指标对第一初始注塑成型控制组内的两个初始注塑成型控制参数回溯值进行差值计算,获得多个控制参数回溯差值。多个控制参数回溯差值包括第一初始注塑成型控制组内的两个初始注塑成型控制参数回溯值内的注塑成型控制指标对应的多个差值的绝对值。分别判断多个控制参数回溯差值是否小于对应的多个指标一致偏差阈值。如果控制参数回溯差值小于对应的指标一致偏差阈值,则,将该控制参数回溯差值对应的指标记为一致指标。将第一初始注塑成型控制组对应的一致指标的数量与注塑成型控制指标的总数量之间的比值设置为第一初始注塑成型控制组对应的一致指标占比。
分别判断多个一致指标占比是否大于或等于由所述一种精密模具用的封装系统预先设置确定的一致指标占比阈值。如果一致指标占比大于或等于一致指标占比阈值,则,对该一致指标占比对应的初始注塑成型控制参数回溯值标识一致性标签。一致性标签是用于表征一致指标占比大于或等于一致指标占比阈值的标记信息。一致性标签每当初始注塑成型控制参数回溯值视为一致,即,一致指标占比大于或等于一致指标占比阈值时,标记一次。将多个初始注塑成型控制参数回溯值中,一致性标签的标签标记数量小于由所述一种精密模具用的封装系统预先设置确定的标签标记数量阈值的初始注塑成型控制参数回溯值进行删除,获得多个注塑成型控制参数回溯值。多个注塑成型控制参数回溯值为一致性标签的标签标记数量大于/等于标签标记数量阈值的多个初始注塑成型控制参数回溯值。达到了通过对多个初始注塑成型控制参数回溯值进行数据清洗,获得稳定、高频的多个注塑成型控制参数回溯值,从而提高封装体成型控制参数的准确性的技术效果。
激活机械性能映射计算节点,根据所述注塑成型控制参数回溯值进行机械性能映射,生成机械性能回溯检测值;
根据所述机械性能回溯检测值,结合机械性能期望值,对所述注塑成型控制参数回溯值进行迭代分选,生成所述封装体成型控制参数。
激活机械性能映射计算节点,将多个注塑成型控制参数回溯值输入机械性能映射计算节点,获得多个注塑成型控制参数回溯值对应的多个机械性能回溯检测值。机械性能回溯检测值越高,按照对应的注塑成型控制参数回溯值加工的封装体机械性能越好。继而,根据多个机械性能回溯检测值和机械性能期望值对多个注塑成型控制参数回溯值进行迭代分选,生成封装体成型控制参数。机械性能期望值包括由所述一种精密模具用的封装系统预先设置确定的待封装元件的封装体机械性能期望。示例性地,在根据多个机械性能回溯检测值和机械性能期望值对多个注塑成型控制参数回溯值进行迭代分选时,分别将多个机械性能回溯检测值与机械性能期望值进行差值计算,获得多个机械性能期望差。将多个机械性能期望差中的最小值对应的注塑成型控制参数回溯值输出为封装体成型控制参数。
达到了根据注塑控制多源耦合算法进行寻优,获得准确的封装体成型控制参数,提高精密元件的封装体成型控制准确性的技术效果。
对所述封装体成型控制参数进行腔体壁面压力预测,生成壁面最大承受压力;
在多源加工节点对壁面压力监测数据采集,获取封装体成型控制记录数据、封装体材料类型记录数据、封装体结构尺寸记录数据和成型最大压力记录数据;
基于所述封装体成型控制记录数据、所述封装体材料类型记录数据、所述封装体结构尺寸记录数据对BP神经网络进行训练,生成最大压力预测参数,与所述成型最大压力记录数据求偏差绝对值,获得成型最大压力预测偏差;
当所述成型最大压力预测偏差连续设定次数均小于或等于预测偏差阈值,则生成腔体壁面压力预测节点,对所述封装体成型控制参数,所述封装体材料类型和所述封装体结构尺寸信息进行训练,生成所述壁面最大承受压力。
基于所述壁面最大承受压力对所述第一选用模具进行变形压力分析,遴选第二选用模具;
根据所述第二选用模具和所述封装体成型控制参数进行封装体成型加工。
采集多源加工节点的壁面压力监测数据,获取封装体成型控制记录数据、封装体材料类型记录数据、封装体结构尺寸记录数据和成型最大压力记录数据。封装体成型控制记录数据包括多个历史封装体成型控制参数。封装体材料类型记录数据包括多个历史封装体材料类型。封装体结构尺寸记录数据包括多个历史封装体结构尺寸信息。成型最大压力记录数据包括多个历史壁面最大承受压力。且,封装体成型控制记录数据、封装体材料类型记录数据、封装体结构尺寸记录数据和成型最大压力记录数据具有对应关系。成型最大压力记录数据内的每个历史壁面最大承受压力对应的一个历史封装体成型控制参数、一个历史封装体材料类型、一个历史封装体结构尺寸信息。
根据封装体成型控制记录数据、封装体材料类型记录数据、封装体结构尺寸记录数据对BP神经网络进行训练,获得BP神经网络输出的多个最大压力预测参数。多个最大压力预测参数为BP神经网络预测的封装体成型控制记录数据、封装体材料类型记录数据、封装体结构尺寸记录数据对应的多个预测壁面最大承受压力。继而,分别将多个最大压力预测参数与成型最大压力记录数据内对应的多个历史壁面最大承受压力进行差值计算,获得多个最大压力预测差,并将多个最大压力预测差的绝对值输出为多个成型最大压力预测偏差。
当多个成型最大压力预测偏差连续设定次数均小于或等于预测偏差阈值时,生成腔体壁面压力预测节点。连续设定次数、预测偏差阈值均由所述一种精密模具用的封装系统预先设置确定的。腔体壁面压力预测节点包括输入层、隐含层、输出层。继而,将封装体成型控制参数、封装体材料类型和封装体结构尺寸信息输入腔体壁面压力预测节点,获得壁面最大承受压力。进而,采集多个第一选用模具对应的变形临界压力,获得多个模具最大压力。分别判断每个模具最大压力是否大于/等于壁面最大承受压力。将大于/等于壁面最大承受压力的模具最大压力对应的第一选用模具输出为第二选用模具,并根据第二选用模具和封装体成型控制参数进行封装体成型加工。从而提高精密元件的封装体成型加工良品率,提升精密元件的封装质量。
综上所述,本申请所提供的一种精密模具用的封装方法具有如下技术效果:
通过将待封装元件型号对应的封装体概念模型与模具腔体模型列表进行结构尺寸相似分析,遴选第一选用模具;基于封装体材料类型和封装体结构尺寸信息,根据注塑控制多源耦合算法进行寻优,生成封装体成型控制参数;通过对封装体成型控制参数进行腔体壁面压力预测,生成壁面最大承受压力;根据壁面最大承受压力对第一选用模具进行变形压力分析,遴选第二选用模具;根据第二选用模具和封装体成型控制参数进行封装体成型加工。达到了提高精密元件的封装体成型控制准确性,提高精密元件的封装体成型加工良品率,提升精密元件的封装质量的技术效果。
实施例二
基于与前述实施例中一种精密模具用的封装方法,同样发明构思,本发明还提供了一种精密模具用的封装系统,请参阅附图3,所述系统包括:
加载模块,所述加载模块用于加载待封装元件型号匹配的封装体概念模型;
结构尺寸相似分析模块,所述结构尺寸相似分析模块用于根据所述封装体概念模型遍历模具腔体模型列表进行结构尺寸相似分析,遴选第一选用模具;
控制参数生成模块,所述控制参数生成模块用于基于封装体材料类型和封装体结构尺寸信息,调取注塑控制多源耦合算法进行寻优,生成封装体成型控制参数;
壁面压力预测模块,所述壁面压力预测模块用于对所述封装体成型控制参数进行腔体壁面压力预测,生成壁面最大承受压力;
变形压力分析模块,所述变形压力分析模块用于基于所述壁面最大承受压力对所述第一选用模具进行变形压力分析,遴选第二选用模具;
封装体成型加工模块,所述封装体成型加工模块用于根据所述第二选用模具和所述封装体成型控制参数进行封装体成型加工。
进一步的,所述系统还包括:
封装精度匹配模块,所述封装精度匹配模块用于根据所述待封装元件型号在封装配置精度表,匹配封装最大精度,设定网格边长阈值,其中,所述网格边长阈值为所述封装最大精度的1/50;
网格定位模块,所述网格定位模块用于根据所述网格边长阈值,构建网格定位空间,对所述封装体概念模型和所述模具腔体模型列表进行网格定位,生成基准网格定位坐标和多组比对网格定位坐标,其中,所述封装体概念模型的第一轴心水平面和所述模具腔体模型列表的第二轴心水平面互相重合,所述封装体概念模型的第二轴心垂直面和所述模具腔体模型列表的第二轴心垂直面互相重合;
网格比对模块,所述网格比对模块用于根据所述基准网格定位坐标,遍历所述多组比对网格定位坐标进行结构尺寸相似分析,生成结构尺寸相似概率;
模具选择模块,所述模具选择模块用于取所述结构尺寸相似概率大于或等于结构尺寸相似概率阈值的模具腔体模型的模具,设为所述第一选用模具。
进一步的,所述系统还包括:
基准聚类模块,所述基准聚类模块用于设置定位一致距离阈值,遍历所述基准网格定位坐标进行邻域层次聚类分析,生成基准网格区域定位坐标;
比对网格聚类模块,所述比对网格聚类模块用于根据所述定位一致距离阈值,遍历所述多组比对网格定位坐标进行邻域层次聚类分析,生成多组比对网格区域定位坐标;
清洗模块,所述清洗模块用于剔除所述多组比对网格区域定位坐标与所述基准网格区域定位坐标的坐标数量偏差大于坐标数量偏差阈值的所述模具腔体模型,生成比对网格区域定位坐标清洗结果;
相似概率确定模块,所述相似概率确定模块用于基于所述基准网格区域定位坐标,遍历所述比对网格区域定位坐标清洗结果,统计多个重合坐标比例,存储为所述结构尺寸相似概率。
进一步的,所述系统还包括:
指标设定模块,所述指标设定模块用于设定注塑成型控制指标,其中,所述注塑成型控制指标至少包括塑封料注射路径、塑封料注射流量序列、塑封料注射时长序列和温度控制序列;
加工记忆回溯模块,所述加工记忆回溯模块用于以所述封装体材料类型、所述封装体结构尺寸信息和所述待封装元件型号在多源加工节点对所述注塑成型控制指标进行加工记忆回溯,生成注塑成型控制参数回溯值;
机械性能映射模块,所述机械性能映射模块用于激活机械性能映射计算节点,根据所述注塑成型控制参数回溯值进行机械性能映射,生成机械性能回溯检测值;
回溯值分选模块,所述回溯值分选模块用于根据所述机械性能回溯检测值,结合机械性能期望值,对所述注塑成型控制参数回溯值进行迭代分选,生成所述封装体成型控制参数。
进一步的,所述系统还包括:
初始回溯值生成模块,所述初始回溯值生成模块用于遍历所述封装体材料类型、所述封装体结构尺寸信息和所述待封装元件型号在所述多源加工节点对所述注塑成型控制指标进行加工记忆回溯,生成初始注塑成型控制参数回溯值;
无效偏差分析模块,所述无效偏差分析模块用于遍历所述注塑成型控制指标进行无效偏差分析,生成多个指标一致偏差阈值;
一致指标占比生成模块,所述一致指标占比生成模块用于根据所述多个指标一致偏差阈值,对所述初始注塑成型控制参数回溯值进行两两一致枚举分析,生成一致指标占比;
一致标识模块,所述一致标识模块用于对所述一致指标占比大于或等于一致指标占比阈值的所述初始注塑成型控制参数回溯值,标识一致性标签,其中,所述一致性标签每当所述初始注塑成型控制参数回溯值视为一致时,则标记一次;
回溯值确定模块,所述回溯值确定模块用于剔除所述一致性标签的标签标记数量小于标签标记数量阈值的所述初始注塑成型控制参数回溯值,生成所述注塑成型控制参数回溯值。
进一步的,所述系统还包括:
第一执行模块,所述第一执行模块用于对所述注塑成型控制指标进行随机赋值,生成控制指标第一赋值结果,激活所述机械性能映射计算节点进行机械性能映射,生成第一赋值结果机械性能参数;
第二执行模块,所述第二执行模块用于对所述控制指标第一赋值结果的第一属性指标按照第一波动预设幅度进行波动,生成控制指标第二赋值结果,激活所述机械性能映射计算节点进行机械性能映射,生成第二赋值结果机械性能参数;
第三执行模块,所述第三执行模块用于当所述第一赋值结果机械性能参数和所述第二赋值结果机械性能参数的性能偏差均小于性能偏差阈值,则对所述控制指标第一赋值结果的第一属性指标按照第二波动预设幅度进行波动,生成控制指标第三赋值结果,激活所述机械性能映射计算节点进行机械性能映射,生成第三赋值结果机械性能参数进行重复判断,其中,所述第二波动预设幅度为所述第一波动预设幅度的1倍;
第四执行模块,所述第四执行模块用于当所述第一赋值结果机械性能参数和所述第二赋值结果机械性能参数的性能偏差的任意一个大于或等于所述性能偏差阈值,则对所述控制指标第一赋值结果的第一属性指标按照第三波动预设幅度进行波动,生成第四赋值结果机械性能参数进行重复判断,其中,所述第三波动预设幅度为所述第一波动预设幅度的0.5倍;
第五执行模块,所述第五执行模块用于重复迭代分析,生成第一属性指标一致偏差阈值,添加进所述多个指标一致偏差阈值。
进一步的,所述系统还包括:
数据采集模块,所述数据采集模块用于在多源加工节点对壁面压力监测数据采集,获取封装体成型控制记录数据、封装体材料类型记录数据、封装体结构尺寸记录数据和成型最大压力记录数据;
第六执行模块,所述第六执行模块用于基于所述封装体成型控制记录数据、所述封装体材料类型记录数据、所述封装体结构尺寸记录数据对BP神经网络进行训练,生成最大压力预测参数,与所述成型最大压力记录数据求偏差绝对值,获得成型最大压力预测偏差;
第七执行模块,所述第七执行模块用于当所述成型最大压力预测偏差连续设定次数均小于或等于预测偏差阈值,则生成腔体壁面压力预测节点,对所述封装体成型控制参数,所述封装体材料类型和所述封装体结构尺寸信息进行训练,生成所述壁面最大承受压力。
本发明实施例所提供的一种精密模具用的封装系统可执行本发明任意实施例所提供的一种精密模具用的封装方法,具备执行方法相应的功能模块和有益效果。
所包括的各个模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能模块的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
本申请提供了一种精密模具用的封装方法,其中,所述方法应用于一种精密模具用的封装系统,所述方法包括:通过将待封装元件型号对应的封装体概念模型与模具腔体模型列表进行结构尺寸相似分析,遴选第一选用模具;基于封装体材料类型和封装体结构尺寸信息,根据注塑控制多源耦合算法进行寻优,生成封装体成型控制参数;通过对封装体成型控制参数进行腔体壁面压力预测,生成壁面最大承受压力;根据壁面最大承受压力对第一选用模具进行变形压力分析,遴选第二选用模具;根据第二选用模具和封装体成型控制参数进行封装体成型加工。解决了现有技术中精密元件的封装体成型控制复杂度高、准确性低,导致精密元件的封装体成型加工良品率低,以及精密元件的封装质量差的技术问题。达到了提高精密元件的封装体成型控制准确性,提高精密元件的封装体成型加工良品率,提升精密元件的封装质量的技术效果。
虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (5)
1.一种精密模具用的封装方法,其特征在于,包括:
加载待封装元件型号匹配的封装体概念模型;
根据所述封装体概念模型遍历模具腔体模型列表进行结构尺寸相似分析,遴选第一选用模具;
基于封装体材料类型和封装体结构尺寸信息,调取注塑控制多源耦合算法进行寻优,生成封装体成型控制参数;
对所述封装体成型控制参数进行腔体壁面压力预测,生成壁面最大承受压力;
基于所述壁面最大承受压力对所述第一选用模具进行变形压力分析,遴选第二选用模具;
根据所述第二选用模具和所述封装体成型控制参数进行封装体成型加工;
其中,根据所述封装体概念模型遍历模具腔体模型列表进行结构尺寸相似分析,获得第一选用模具,包括:
根据所述待封装元件型号在封装配置精度表,匹配封装最大精度,设定网格边长阈值,其中,所述网格边长阈值为所述封装最大精度的1/50;
根据所述网格边长阈值,构建网格定位空间,对所述封装体概念模型和所述模具腔体模型列表进行网格定位,生成基准网格定位坐标和多组比对网格定位坐标,其中,所述封装体概念模型的第一轴心水平面和所述模具腔体模型列表的第二轴心水平面互相重合,所述封装体概念模型的第二轴心垂直面和所述模具腔体模型列表的第二轴心垂直面互相重合;
根据所述基准网格定位坐标,遍历所述多组比对网格定位坐标进行结构尺寸相似分析,生成结构尺寸相似概率;
取所述结构尺寸相似概率大于或等于结构尺寸相似概率阈值的模具腔体模型的模具,设为所述第一选用模具;
其中,基于封装体材料类型和封装体结构尺寸信息,调取注塑控制多源耦合算法进行寻优,生成封装体成型控制参数,包括:
设定注塑成型控制指标,其中,所述注塑成型控制指标至少包括塑封料注射路径、塑封料注射流量序列、塑封料注射时长序列和温度控制序列;
以所述封装体材料类型、所述封装体结构尺寸信息和所述待封装元件型号在多源加工节点对所述注塑成型控制指标进行加工记忆回溯,生成注塑成型控制参数回溯值;
激活机械性能映射计算节点,根据所述注塑成型控制参数回溯值进行机械性能映射,生成机械性能回溯检测值;
根据所述机械性能回溯检测值,结合机械性能期望值,对所述注塑成型控制参数回溯值进行迭代分选,生成所述封装体成型控制参数;
其中,对所述封装体成型控制参数进行腔体壁面压力预测,生成壁面最大承受压力,包括:
在多源加工节点对壁面压力监测数据采集,获取封装体成型控制记录数据、封装体材料类型记录数据、封装体结构尺寸记录数据和成型最大压力记录数据;
基于所述封装体成型控制记录数据、所述封装体材料类型记录数据、所述封装体结构尺寸记录数据对BP神经网络进行训练,生成最大压力预测参数,与所述成型最大压力记录数据求偏差绝对值,获得成型最大压力预测偏差;
当所述成型最大压力预测偏差连续设定次数均小于或等于预测偏差阈值,则生成腔体壁面压力预测节点,对所述封装体成型控制参数,所述封装体材料类型和所述封装体结构尺寸信息进行训练,生成所述壁面最大承受压力。
2.如权利要求1所述的方法,其特征在于,根据所述基准网格定位坐标,遍历所述多组比对网格定位坐标进行结构尺寸相似分析,生成结构尺寸相似概率,包括:
设置定位一致距离阈值,遍历所述基准网格定位坐标进行邻域层次聚类分析,生成基准网格区域定位坐标;
根据所述定位一致距离阈值,遍历所述多组比对网格定位坐标进行邻域层次聚类分析,生成多组比对网格区域定位坐标;
剔除所述多组比对网格区域定位坐标与所述基准网格区域定位坐标的坐标数量偏差大于坐标数量偏差阈值的所述模具腔体模型,生成比对网格区域定位坐标清洗结果;
基于所述基准网格区域定位坐标,遍历所述比对网格区域定位坐标清洗结果,统计多个重合坐标比例,存储为所述结构尺寸相似概率。
3.如权利要求1所述的方法,其特征在于,以所述封装体材料类型、所述封装体结构尺寸信息和所述待封装元件型号在多源加工节点对所述注塑成型控制指标进行加工记忆回溯,生成注塑成型控制参数回溯值,包括:
遍历所述封装体材料类型、所述封装体结构尺寸信息和所述待封装元件型号在所述多源加工节点对所述注塑成型控制指标进行加工记忆回溯,生成初始注塑成型控制参数回溯值;
遍历所述注塑成型控制指标进行无效偏差分析,生成多个指标一致偏差阈值;
根据所述多个指标一致偏差阈值,对所述初始注塑成型控制参数回溯值进行两两一致枚举分析,生成一致指标占比;
对所述一致指标占比大于或等于一致指标占比阈值的所述初始注塑成型控制参数回溯值,标识一致性标签,其中,所述一致性标签每当所述初始注塑成型控制参数回溯值视为一致时,则标记一次;
剔除所述一致性标签的标签标记数量小于标签标记数量阈值的所述初始注塑成型控制参数回溯值,生成所述注塑成型控制参数回溯值。
4.如权利要求3所述的方法,其特征在于,遍历所述注塑成型控制指标进行无效偏差分析,生成多个指标一致偏差阈值,包括:
对所述注塑成型控制指标进行随机赋值,生成控制指标第一赋值结果,激活所述机械性能映射计算节点进行机械性能映射,生成第一赋值结果机械性能参数;
对所述控制指标第一赋值结果的第一属性指标按照第一波动预设幅度进行波动,生成控制指标第二赋值结果,激活所述机械性能映射计算节点进行机械性能映射,生成第二赋值结果机械性能参数;
当所述第一赋值结果机械性能参数和所述第二赋值结果机械性能参数的性能偏差均小于性能偏差阈值,则对所述控制指标第一赋值结果的第一属性指标按照第二波动预设幅度进行波动,生成控制指标第三赋值结果,激活所述机械性能映射计算节点进行机械性能映射,生成第三赋值结果机械性能参数进行重复判断,其中,所述第二波动预设幅度为所述第一波动预设幅度的1倍;
当所述第一赋值结果机械性能参数和所述第二赋值结果机械性能参数的性能偏差的任意一个大于或等于所述性能偏差阈值,则对所述控制指标第一赋值结果的第一属性指标按照第三波动预设幅度进行波动,生成第四赋值结果机械性能参数进行重复判断,其中,所述第三波动预设幅度为所述第一波动预设幅度的0.5倍;
重复迭代分析,生成第一属性指标一致偏差阈值,添加进所述多个指标一致偏差阈值。
5.一种精密模具用的封装系统,其特征在于,所述系统用于执行权利要求1至4任一项所述的方法,所述系统包括:
加载模块,所述加载模块用于加载待封装元件型号匹配的封装体概念模型;
结构尺寸相似分析模块,所述结构尺寸相似分析模块用于根据所述封装体概念模型遍历模具腔体模型列表进行结构尺寸相似分析,遴选第一选用模具;
控制参数生成模块,所述控制参数生成模块用于基于封装体材料类型和封装体结构尺寸信息,调取注塑控制多源耦合算法进行寻优,生成封装体成型控制参数;
壁面压力预测模块,所述壁面压力预测模块用于对所述封装体成型控制参数进行腔体壁面压力预测,生成壁面最大承受压力;
变形压力分析模块,所述变形压力分析模块用于基于所述壁面最大承受压力对所述第一选用模具进行变形压力分析,遴选第二选用模具;
封装体成型加工模块,所述封装体成型加工模块用于根据所述第二选用模具和所述封装体成型控制参数进行封装体成型加工。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311376739.8A CN117140847B (zh) | 2023-10-24 | 2023-10-24 | 一种精密模具用的封装方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311376739.8A CN117140847B (zh) | 2023-10-24 | 2023-10-24 | 一种精密模具用的封装方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117140847A CN117140847A (zh) | 2023-12-01 |
CN117140847B true CN117140847B (zh) | 2023-12-29 |
Family
ID=88897030
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311376739.8A Active CN117140847B (zh) | 2023-10-24 | 2023-10-24 | 一种精密模具用的封装方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117140847B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117668673B (zh) * | 2024-02-02 | 2024-05-28 | 荣耀终端有限公司 | 转轴组件的尺寸分档方法及相关设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120011740A (ko) * | 2010-07-30 | 2012-02-08 | 앰코 테크놀로지 코리아 주식회사 | 반도체 패키지 제조용 몰드 및 이를 이용한 반도체 패키지 몰딩 방법 |
CN108595866A (zh) * | 2018-05-02 | 2018-09-28 | 广东工业大学 | 一种光学元件模具型腔设计方法及装置 |
WO2021073152A1 (zh) * | 2019-10-14 | 2021-04-22 | 平安科技(深圳)有限公司 | 基于神经网络的数据标签生成方法、装置、终端及介质 |
CN115795933A (zh) * | 2022-10-10 | 2023-03-14 | 佛山市南海蕾特汽车配件有限公司 | 一种金属嵌件注塑成型优化方法、装置及存储介质 |
CN116151133A (zh) * | 2023-04-20 | 2023-05-23 | 南京邮电大学 | 基于机器学习的模块封装注塑工艺参数预测方法 |
CN116300708A (zh) * | 2022-12-26 | 2023-06-23 | 富联裕展科技(深圳)有限公司 | 一种多制程生产调度方法、装置及计算机可读存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201021271D0 (en) * | 2010-12-15 | 2011-01-26 | Pilkington Group Ltd | Process and apparatus for moulding a glazing profile onto a glazing |
-
2023
- 2023-10-24 CN CN202311376739.8A patent/CN117140847B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120011740A (ko) * | 2010-07-30 | 2012-02-08 | 앰코 테크놀로지 코리아 주식회사 | 반도체 패키지 제조용 몰드 및 이를 이용한 반도체 패키지 몰딩 방법 |
CN108595866A (zh) * | 2018-05-02 | 2018-09-28 | 广东工业大学 | 一种光学元件模具型腔设计方法及装置 |
WO2021073152A1 (zh) * | 2019-10-14 | 2021-04-22 | 平安科技(深圳)有限公司 | 基于神经网络的数据标签生成方法、装置、终端及介质 |
CN115795933A (zh) * | 2022-10-10 | 2023-03-14 | 佛山市南海蕾特汽车配件有限公司 | 一种金属嵌件注塑成型优化方法、装置及存储介质 |
CN116300708A (zh) * | 2022-12-26 | 2023-06-23 | 富联裕展科技(深圳)有限公司 | 一种多制程生产调度方法、装置及计算机可读存储介质 |
CN116151133A (zh) * | 2023-04-20 | 2023-05-23 | 南京邮电大学 | 基于机器学习的模块封装注塑工艺参数预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117140847A (zh) | 2023-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117140847B (zh) | 一种精密模具用的封装方法及系统 | |
CN114237155B (zh) | 一种多轴数控加工的误差预测及补偿方法、系统及介质 | |
Limketkai et al. | Relational object maps for mobile robots | |
Zhao et al. | A novel parallel classification network for classifying three-dimensional surface with point cloud data | |
Nasiri et al. | Faults and failures prediction in injection molding process | |
CN114064932A (zh) | 曲面类零件铣削工艺系统数据集成和挖掘方法及装置 | |
CN112926885A (zh) | 海关商品编码智能归类方法及系统 | |
US20240192672A1 (en) | System and method of monitoring an industrial environment | |
CN113901639B (zh) | 一种用于齿轮注塑成型的智能化制造系统 | |
CN114676961A (zh) | 企业外迁风险预测方法、装置及计算机可读存储介质 | |
TW200413901A (en) | Method, device, computer-readable storage medium and computer program element for the computer-aided monitoring of a process parameter of a manufacturing process of a physical object | |
CN112733451B (zh) | 一种mbd模型的关键检验特性识别及其提取方法 | |
CN117131364B (zh) | 一种滚动轴承的工艺检测集成方法及系统 | |
CN110866317B (zh) | 基于产品历史信息及设计行为分析的设计工具包重构方法 | |
CN117291751A (zh) | 模具的生产监测方法及系统 | |
CN112347131A (zh) | 一种基于城轨项目需求识别和覆盖的方法及装置 | |
Lee et al. | Unsupervised probability matching for quality estimation with partial information in a multiple-instances, single-output scenario | |
de Oliveira et al. | Historical measurement data reuse and similarity analysis for dimensional production tolerancing of injected plastic parts | |
Kim et al. | Deep feature selection framework for quality prediction in injection molding process | |
Yi et al. | Object detection in factory based on deep learning approach | |
Hillsman et al. | A semi-automatic mold cost estimation framework based upon geometry similarity | |
Klees et al. | Building a smart database for predictive maintenance in already implemented manufacturing systems | |
CN118011133B (zh) | 一种基于智能反馈的can总线线缆检测分析方法及系统 | |
Bici et al. | A Compared Approach on How Deep Learning May Support Reverse Engineering for Tolerance Inspection | |
CN114535142B (zh) | 基于数据驱动的注塑制品尺寸合格性智能判定方法 |
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 |