CN117245874B - 注塑品质检测方法、装置、注塑机、设备及存储介质 - Google Patents
注塑品质检测方法、装置、注塑机、设备及存储介质 Download PDFInfo
- Publication number
- CN117245874B CN117245874B CN202311510026.6A CN202311510026A CN117245874B CN 117245874 B CN117245874 B CN 117245874B CN 202311510026 A CN202311510026 A CN 202311510026A CN 117245874 B CN117245874 B CN 117245874B
- Authority
- CN
- China
- Prior art keywords
- injection molding
- pressure
- point
- curve
- value
- 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 306
- 238000001514 detection method Methods 0.000 title claims abstract description 129
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000002347 injection Methods 0.000 claims abstract description 76
- 239000007924 injection Substances 0.000 claims abstract description 76
- 238000000034 method Methods 0.000 claims abstract description 70
- 239000013598 vector Substances 0.000 claims description 119
- 238000000605 extraction Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 17
- 238000001816 cooling Methods 0.000 claims description 16
- 238000007689 inspection Methods 0.000 claims description 14
- 210000004205 output neuron Anatomy 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 10
- 230000015654 memory Effects 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 8
- 238000013075 data extraction Methods 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 13
- 239000000243 solution Substances 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000001914 filtration Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 5
- 238000012952 Resampling Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 239000000155 melt Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000011179 visual inspection Methods 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
- B29C45/766—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
- 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
- B29C45/77—Measuring, controlling or regulating of velocity or pressure of moulding material
-
- 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
- B29C2945/76655—Location of control
- B29C2945/76732—Mould
- B29C2945/76735—Mould cavity
-
- 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
- B29C2945/76973—By counting
-
- 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
Abstract
本发明提供一种注塑品质检测方法、装置、注塑机、设备及存储介质,属于智能制造技术领域,所述方法包括:获取注塑件在注塑过程中模具内的压力时序数据曲线;基于压力时序数据曲线上各点的斜率以及压力值,确定压力时序数据曲线与注塑过程相关的多个曲线特征值;基于所述曲线特征值,确定所述注塑件的注塑品质是否合格。本发明提供的注塑品质检测方法、装置、注塑机、设备及存储介质,通过对实时测量的注塑过程中模具内的压力时序数据曲线进行特征提取,以利用提取出的曲线特征值,对注塑件的注射品质进行检测,能有效识别注塑过程中的风险,降低对人工检测的依赖,提升了注塑品质检测的效率,且检测精度高。
Description
技术领域
本发明涉及智能制造技术领域,尤其涉及一种注塑品质检测方法、装置、注塑机、设备及存储介质。
背景技术
目前对注塑机加工的注塑件进行品质检测主要是依赖人工的视觉检测,非常依赖检测人的个人经验,无法实现自动检测。
另外,由于注塑件生产效率高,且人力资源有限,通常只能实现抽检,无法及时、准确地发现注塑件的品质问题,极易造成品质风险扩散,同时也无法确保每个注塑件的注塑品质合格,产品合格率的控制难度很大。
加之,有些注塑件的注塑品质问题无法仅靠视觉检测来发现,如内部应力过大,需要特殊的仪器才能实现检测的。
有鉴于此,亟需提供一种先进的品质检测方法及装置,来解决这一领域的技术空白。
发明内容
本发明提供一种注塑品质检测方法、装置、注塑机、设备及存储介质,用以解决现有技术中依赖人工进行注塑机品质检测时存在的缺陷,实现自动化、精确化、高效率化地注塑品质检测。
第一方面,本发明提供一种注塑品质检测方法,包括:
获取注塑件在注塑过程中模具内的压力时序数据曲线;
基于所述压力时序数据曲线上各点的斜率以及压力值,确定所述压力时序数据曲线与注塑过程相关的多个曲线特征值;
基于所述曲线特征值,确定所述注塑件的注塑品质是否合格。
根据本发明提供的一种注塑品质检测方法,所述基于所述曲线特征值,确定所述注塑件的注塑品质是否合格,包括:
将所有所述曲线特征值转换成一特征矢量;
获取所述特征矢量与预先构建的特征矢量库中的每个特征矢量样本之间的距离;
计算所有所述距离的加权和;
根据所述加权和与预设的矢量差异门限值之间的大小关系,确定所述注塑件的注塑品质是否合格。
根据本发明提供的一种注塑品质检测方法,所述获取所述特征矢量与预先构建的特征矢量库中的每个特征矢量样本之间的距离,包括:
计算所述特征矢量与每个所述特征矢量样本之间的均方误差、绝对误差的均值和绝对误差的最大值中的一种,作为所述特征矢量与所述特征矢量样本之间的距离。
根据本发明提供的一种注塑品质检测方法,在计算所有所述距离的加权和时,所有距离中的任一目标距离的权重是基于所述目标距离与所有距离之和的比值确定的。
根据本发明提供的一种注塑品质检测方法,在所述加权和大于所述矢量差异门限值的情况下,确定所述注塑件的注塑品质为不合格;在所述加权和不大于所述矢量差异门限值的情况下,确定所述注塑件的注塑品质为合格。
根据本发明提供的一种注塑品质检测方法,所述特征矢量库是基于以下步骤预先构建的:
采集多个注塑品质为合格的注塑件,在注塑过程中的压力时序数据曲线样本;
获取每个所述压力时序数据曲线样本相关的多个曲线特征值,构成一特征矢量样本;
集合所有所述特征矢量样本,构建所述特征矢量库。
根据本发明提供的一种注塑品质检测方法,所述基于所述曲线特征值,确定所述注塑件的注塑品质是否合格,包括:
将所有所述曲线特征值组建成一特征集合;
将所述特征集合输入至品质检测模型中,获取由所述品质检测模型输出的注塑品质检测结果;
所述品质检测模型是利用至少一个特征集合样本,以及与每个特征集合样本对应的注塑品质标签进行训练后得到的。
根据本发明提供的一种注塑品质检测方法,所述品质检测模型至少包括输入层、输出层和隐藏层;
所述输入层包含的神经元的数量,与所述特征集合中包含的曲线特征值的数量相同;
所述输出层包括对应于注塑品质为合格的第一输出神经元和对应于注塑品质为不合格的第二输出神经元。
根据本发明提供的一种注塑品质检测方法,所述品质检测模型是基于以下步骤训练得到的:
采集多个注塑件在注塑过程中的压力时序数据曲线样本;
获取每个所述压力时序数据曲线样本相关的多个曲线特征值,构成一特征集合样本,并创建所述特征集合样本相关的注塑品质标签;
利用所述特征集合样本和所述注塑品质标签,对初始网络模型进行迭代训练;
在确定迭代训练结果收敛后,获取所述品质检测模型。
根据本发明提供的一种注塑品质检测方法,所述基于所述压力时序数据曲线上各点的斜率以及压力值,确定所述压力时序数据曲线与注塑过程相关的多个曲线特征值,包括:
基于窗口长度自适应的线性拟合方式,确定所述压力时序数据曲线上每个点的斜率;
结合所述压力时序数据曲线上各点的斜率以及压力值,确定出反映注塑过程不同阶段的多个关键时间点;
结合所述关键时间点对所述压力时序数据曲线进行特征提取,获取所述曲线特征值。
根据本发明提供的一种注塑品质检测方法,所述关键时间点至少包括:注射起点、VP切换时间点、压力最大值点、保压阶段终点以及冷却阶段终点中的一个或者多个。
根据本发明提供的一种注塑品质检测方法,所述结合所述压力时序数据曲线上各点的斜率以及压力值,确定出反映注塑过程不同阶段的多个关键时间点,包括:
在所述压力时序数据曲线上,将斜率大于第一预设门限值的首个点作为所述注射起点;
确定所述压力时序数据曲线上的最大斜率值点,将所述注射起点与所述最大斜率值点之间斜率为零的点,作为所述VP切换时间点;
或者,在所述注射起点与所述最大斜率值点之间斜率均大于零的情况下,将所述注射起点与所述最大斜率值点之间的最小斜率值点,作为所述VP切换时间点;
将所述最大斜率值点之后的压力值最大点,作为所述压力最大值点;
将所述压力最大值点之后的最小斜率值点,作为所述保压阶段终点;
将保压阶段终点之后的幅值小于第二预设门限值的第一个时刻点作为所述冷却阶段终点。
根据本发明提供的一种注塑品质检测方法,所述曲线特征值,至少包括:
注射段注射起始时间、注射段压力值线性拟合直线斜率、注射段压力值线性拟合直线起始时刻、VP切换时刻、VP切换时刻的压力值、保压阶段总时长、保压阶段最大压力值的时刻、保压阶段最大压力值、保压阶段平均压力值、保压阶段结束时刻、保压阶段结束时刻的压力值、冷却阶段压力降为零的时刻和冷却阶段压力平均值中的一个或者多个。
第二方面,本发明还提供一种注塑品质检测装置,包括:数据采集单元、数据提取单元和品质分析单元,其中:
数据采集单元,用于获取注塑件在注塑过程中模具内的压力时序数据曲线;
数据提取单元,用于基于所述压力时序数据曲线上各点的斜率以及压力值,确定所述压力时序数据曲线与注塑过程相关的多个曲线特征值;
品质分析单元,用于基于所述曲线特征值,确定所述注塑件的注塑品质是否合格。
第三方面,本发明还提供一种注塑机,包括:设置在近浇口处的压力传感器和处理器;压力传感器将采集的压力信号发送至所述处理器;
所述处理器在运行时,用于执行如上述任一种注塑品质检测方法。
第四方面,本发明提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述注塑品质检测方法。
第五方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述注塑品质检测方法。
本发明提供的注塑品质检测方法、装置、注塑机、设备及存储介质,通过对实时测量的注塑过程中模具内的压力时序数据曲线进行特征提取,以利用提取出的曲线特征值,对注塑件的注射品质进行自动检测,能有效识别注塑过程中的风险,降低对人工检测的依赖,提升了注塑品质检测的效率,且检测精度高。
附图说明
为了更清楚地说明本发明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一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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是本发明提供的注塑品质检测方法的流程示意图之一;
图2是本发明提供的注塑品质检测方法的流程示意图之二;
图3是本发明提供的注塑品质检测方法的流程示意图之三;
图4是本发明提供的基于品质检测模型进行品质检测的流程示意图;
图5是本发明提供的进行曲线特征值提取的流程示意图;
图6是本发明提供的压力时序数据曲线的机理特性示意图;
图7是本发明提供的注塑品质检测装置的结构示意图;
图8是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,在本发明实施例的描述中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
本申请中的术语“第一”、“第二”等是用于区别类似的对象,而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施,且“第一”、“第二”等所区分的对象通常为一类,并不限定对象的个数,例如第一对象可以是一个,也可以是多个。此外,“和/或”表示所连接对象的至少其中之一,字符“/”,一般表示前后关联对象是一种“或”的关系。
下面结合图1-图8描述本发明实施例所提供的注塑品质检测方法、装置、注塑机、设备及存储介质。
图1是本发明提供的注塑品质检测方法的流程示意图之一,如图1所示,包括但不限于以下步骤:
步骤101:获取注塑件在注塑过程中模具内的压力时序数据曲线。
现有技术在对注塑机进行注塑过程中所生产的注塑件开展注塑品质检测时,受限于目前使用的注塑机其模具内是没有加装任何感知设备,使得模具内的状态对用户而言是一个黑盒子,从而只能依靠人工的视觉检测来进行的,导致存在检测效率低、检测精度不可控,需要大量的人力投入等缺陷。
在本发明提供的注塑品质检测方法中,通过在注塑机的注塑模具型腔内的特定位置处加装压力传感器,实时测量注塑过程中模具内的压力数据。
注塑模具的近浇口处是最先接触到流动熔体,其所含信息最丰富,因此一般可以在这个部位设置压力传感器。压力传感器可以直接测量压力的变化,并将其转化为电信号。将压力传感器与数据处理器连接起来,数据处理器可以将压力传感器测得的时序电信号转化为时序数字信号,并记录下来,记作压力时序数据。
作为另一可选实施例,也可以针对某些特定场景,比如为确保微小末端的填充,会在充填末端加装压力传感器,与近浇口处的压力传感器配合使用。
另外,针对一些特定需要,也可以采用温度传感器配合压力传感器使用,通过同步采集到的部分特定位置处的温度曲线,搭配近浇口处或者其他位置处的压力传感器所采集到的压力时序数据曲线进行注塑品质的检测。
在注塑结束后,可以对采集到的压力时序数据进行预处理,主要包括:间隔重采样、离群点剔除、滤波降噪等处理。通过上述预处理操作,可以有效地提高数据的质量和准确性,并帮助揭示数据中隐藏的模式和趋势。
其中,间隔重采样可以使用插值方法,如线性插值或样条插值,将数据转换为等间隔的时间序列。离群点是指与其他数据相比明显偏离的异常值。它们可能由于压力传感器故障、数据采集错误或其他异常情况引起。可以使用统计方法(如3倍标准差法)或基于分位数的方法(如箱线图)来识别和剔除离群点。在压力时序数据中,可能存在噪声或高频振荡的成分,这会干扰后续的分析和处理。为了降低噪声和平滑数据,可以使用各种滤波方法,如移动平均滤波、中值滤波、低通滤波等方式来实现。
通过间隔重采样,可以将数据转换为等间隔的时间序列,方便后续的时间相关分析;离群点剔除可以去除异常值的干扰,提高数据的可靠性;滤波降噪可以平滑数据,减小噪声的影响,使数据更易于理解和解释。
最后,将经过预处理后的压力时序数据,按照时序拟合成压力时序数据曲线。
可以使用数据处理软件,如Excel或专业的数据分析工具进行处理,绘制出压力随时间变化的压力时序数据曲线。
值得注意的是,在整个注塑压力采集过程中,要确保传感器的准确性和稳定性,并保证数据处理器的正常运行。
此外,不同的注塑机可能有不同的采集方式和参数设置,具体操作还需根据实际情况进行调整。
步骤102:基于所述压力时序数据曲线上各点的斜率以及压力值,确定所述压力时序数据曲线与注塑过程相关的多个曲线特征值。
以对注塑机近浇口处采集的压力时序数据曲线进行处理为例,在本发明提供的注塑品质检测方法中,对采集到的加工某个注塑件的过程中采集到的压力时序数据曲线进行曲线特征提取,主要是根据压力时序数据曲线上各点的斜率以及各个点对应的压力值来实现曲线特征的提取。
由于压力时序数据曲线上各点的斜率表示了压力的变化速率,故各点的斜率的确定可以通过计算相邻两个数据点之间的差异来实现。具体地,可以使用差分法、曲线拟合法或者数值微分法进行具体地计算。
其中,差分法是指将相邻两个点的压力值之差除以时间间隔,即可得到斜率,所得到的斜率可以用来估计在短时间内的瞬时压力变化。
曲线拟合法是指使用最小二乘法或其他曲线拟合方法对压力时序数据曲线进行求导,得到拟合曲线的斜率函数,进而获得各点的斜率。
数值微分法是指使用离散的数值微分方法,如前向差分、后向差分或中心差分来计算斜率,主要是根据各点的前后压力值来估计斜率。
进一步地,可以通过对提取到的曲线特征(包括各点的斜率以及压力值)的分析,间接掌握该注塑件注塑过程中的注塑工艺的特点与性能,进而确定该注塑件的注塑品质是否合格。
作为一种可选实施例,对压力时序数据曲线进行曲线特征提取,所提取到的曲线特征值可以包括压力时序数据曲线的最大值、压力时序数据曲线的斜率(近似注射速度曲线)、压力时序数据曲线的标准差或峰峰值等,对此本发明不做具体的限定。
步骤103:基于所述曲线特征值,确定所述注塑件的注塑品质是否合格。
在提取出某注塑件注塑过程中的曲线特征值之后,就可以根据一些方式确定该注塑件的注塑品质是否合格。
例如,可以通过将提取出的曲线特征值与正常注塑件的标准曲线特征值进行比较,若曲线特征值与正常注塑件的标准曲线特征值之间的差别在合理范围内,那么就认为该注塑件的注塑品质是合格的;若曲线特征值与正常注塑件的标准曲线特征值之间的差别在合理范围之外,那么就认为该注塑件的注塑品质是不合格的。
另外,也可以借助其他方式,例如利用神经网络模型对曲线特征值进行特征提取、分析以及分类,以根据神经网络模型的输出结果,判断该注塑件的注塑品质是否合格。
本发明在完成对于注塑件的品质检测之后,可以根据品质检测结果对不合格的注塑件进行挑拣,例如增设自动分拣装置,通过剔除不合格的注塑件以提高注塑件加工的良品率。
本发明提供的注塑品质检测方法,通过对实时测量的注塑过程中模具内的压力时序数据曲线进行特征提取,以利用提取出的曲线特征值,对注塑件的注射品质进行自动检测,能有效识别注塑过程中的风险,降低对人工检测的依赖,提升了注塑品质检测的效率,且检测精度高。
基于上述实施例的内容,作为一种可选实施例,本发明提供了一种具体的基于曲线特征值,确定注塑件的注塑品质是否合格的方法。
图2是本发明提供的注塑品质检测方法的流程示意图之二,如图2所示,本发明提供的注塑品质检测方法,主要包括:将所有曲线特征值转换成一特征矢量;获取特征矢量与预先构建的特征矢量库中的每个特征矢量样本之间的距离;计算所有距离的加权和;根据加权和与预设的矢量差异门限值之间的大小关系,确定注塑件的注塑品质是否合格。
上述通过对曲线特征值进行分析,以确定注塑件的注塑品质是否合格的方法是一种基于矢量距离计算的检测方法,通过计算由曲线特征值构成的特征矢量与特征矢量库中每个特征矢量样本之间的差异大小,来判断注塑件的注塑品质是否合格。
其中,特征矢量库中每个特征矢量样本是通过对某个正常注塑件注塑过程中的压力时序数据曲线样本进行曲线特征提取后,根据提取到的曲线特征值预先构建的。
当由采集到的曲线特征值构成的特征矢量,与特征矢量库中每个特征矢量样本之间的差异大于某一预设值(以下称作矢量差异门限值)的情况下,那么就说明当前的特征矢量与正常注塑件相关的特征矢量之间的距离大,也就间接说明了当前的注塑件的注塑品质很大程度是不合格的。
需要说明的是,在特征矢量库预先收集的很多正常注塑件相关的特征矢量样本,那么可以通过当前采集的特征矢量与所有特征矢量样本之间的距离的加权和,来判断注塑件的注塑品质是否合格。
将当前注塑过程中的特征矢量表示为:
;
其中,表示特征矢量中的第/>个曲线特征值,/>为构成特征矢量的曲线特征值的数量。
假设特征矢量库中包含有/>个特征矢量样本,则特征矢量库可以表示为:
;
;
其中,表示特征矢量库中第/>个特征矢量样本;/>表示第/>个特征矢量样本中的第/>个曲线特征值。
需要说明的,当前的特征矢量与特征矢量库中的每个特征矢量样本之间的曲线特征值的数量最好是一致的,且所有曲线特征值的排列顺序也是一致的,这样方便进行两个矢量之间的距离计算。
进一步地,可以分别计算出当前的特征矢量与特征矢量库/>中的每个特征矢量样本/>之间的距离,然后结合每个距离的权重计算出加权和,以根据该加权和判断注塑件的注塑品质是否合格。
本发明提供的注塑品质检测方法,通过对当前注塑过程中的压力时序数据曲线进行特征提取,进而根据提取出的曲线特征值构建特征矢量,利用该特征矢量与对正常注塑件生产过程进行检测预先构建的特征矢量库进行差异计算,将隐性的品质采用显性的距离加权和进行表达,为实现注塑件的自动化检测提供了理论以及数据支撑,有效地提升了注塑品质检测的效率和精度。
基于上述实施例的内容,作为一种可选实施例,本发明提供了部分获取当前的特征矢量与预先构建的特征矢量库中的每个特征矢量样本之间的距离的方法,包括:
计算所述特征矢量与每个所述特征矢量样本之间的均方误差、绝对误差的均值和绝对误差的最大值中的一种,作为当前的特征矢量与特征矢量样本之间的距离。
具体来说,本发明提供了计算特征矢量与特征矢量库中的特征矢量样本/>的距离的三种不同的计算方法,包括:
(1)计算特征矢量与特征矢量样本/>之间的均方误差(Root Mean SquareError,RMSE)作为两者之间的距离,其具体计算公式为:
;
(2)计算特征矢量与特征矢量样本/>之间的绝对误差均值(Mean AbsoluteError,MAE)作为两者之间的距离,其具体计算公式为:
;
(3)计算特征矢量与特征矢量样本/>之间的绝对误差最大值(MaximumAbsolute Error,MAX)作为两者之间的距离,其具体计算公式为:
,
;
其中,为特征矢量/>与特征矢量样本/>之间的距离;/>和/>分别为特征矢量/>与特征矢量样本/>中的第/>个曲线特征值。
最终,所有所述距离的加权和可以表达为:
;
其中,表示距离的加权和;/>为特征矢量/>与特征矢量样本/>之间的距离权重。
一般来说,选择采用RMSE与MAE的区别主要表现在:
在对异常值比较敏感的情况下,如果数据中存在一些极端异常值,那么使用MAE方法可能更合适,因为RMSE方法会对大的误差平方进行放大,使得这些异常值对整体误差的贡献更大。而MAE只考虑误差的绝对值,因此更加鲁棒。
在对整体误差大小比较敏感的情况下,如果计算距离的目标是最小化整体误差大小,那么使用RMSE更合适,因为它会对大的误差平方进行放大,使得大的误差对整体误差的贡献更大。而MAE只考虑误差的绝对值,可能会导致大误差和小误差对整体误差的贡献相同。
在对误差平方的计算比较敏感的情况下,例如在使用基于梯度的优化算法时,使用RMSE更合适,因为RMSE的导数比MAE的导数更容易计算和求解。
在对误差绝对值的计算比较敏感的情况下,例如在需要对误差进行统计分析时,使用MAE更合适,因为它更符合误差的实际含义。
综合考虑选择采用RMSE、MAE或者MAX的区别主要表现在:
由于MAX方法只为了把最大误差降低,但不注重整体的误差,即,虽然最大误差降低了,但是总体的误差水平相较于RMSE和MAE可能会更大,因此适用于只注重最大误差而不是非常注重整体误差的场景。
MAX非常容易受数据中极端异常值的影响,相较于RMSE和MAE,其鲁棒性最弱。
需要说明的是,具体选择采用何种计算方法来确定特征矢量与特征矢量样本之间的距离,可以根据实际的场景进行选择。
作为一种可选实施例,在计算所有距离的加权和时,所有距离中的任一目标距离的权重是基于目标距离与所有距离之和的比值确定的。
以特征矢量与特征矢量样本/>之间的距离权重/>为例,距离/>与其权重/>之间是成反比关系。
最终的权重为归一化后的距离/>的倒数,计算公式为:
;
其中,为归一化前距离/>的权重,/>为第/>个距离归一化前的权重。
最终,对于注塑件的注塑品的判别方法为:在所述加权和大于所述矢量差异门限值的情况下,确定所述注塑件的注塑品质为不合格;在所述加权和不大于所述矢量差异门限值的情况下,确定所述注塑件的注塑品质为合格,具体表达如下:
当,则判断为注塑品质不合格;
反正,当,则判断为注塑品质为合格。
其中,为预设的矢量差异门限值。
基于上述实施例的内容,作为一种可选实施例,本发明中所涉及的特征矢量库可以是基于以下步骤预先构建的:
采集多个注塑品质为合格的注塑件,在注塑过程中的压力时序数据曲线样本;
获取每个所述压力时序数据曲线样本相关的多个曲线特征值,构成一特征矢量样本;
集合所有所述特征矢量样本,构建所述特征矢量库。
在实际使用中,一般先采用试验的方式针对每台注塑机预先构建其相关的特征矢量库。
首先,在正常注塑条件下,收集一定数量的通过各种检测手段确定注塑品质为合格的注塑件,并调取每个合格的注塑件在注塑过程中的压力时序数据曲线,作为压力时序数据曲线样本。
对每个压力时序数据曲线样本采用上述实施例所提供的方法,分别提取相关的曲线特征值,构建对应的特征矢量作为特征矢量样本。
采用上述方式,获取到多个特征矢量样本,并利用这个特征矢量样本组成特征矢量库。
需要说明的是,在实际生产过程中,可以持续采集被认定为合格的注塑件在注塑过程中的压力时序数据曲线,并将其对应的特征矢量补充至特征矢量库,以实现对特征矢量库的更新和扩充。
图3是本发明提供的注塑品质检测方法的流程示意图之三,如图3所示,在本发明提供的另一注塑品质检测方法,基于所述曲线特征值,确定所述注塑件的注塑品质是否合格,主要包括:
将所有所述曲线特征值组建成一特征集合;
将所述特征集合输入至品质检测模型中,获取由所述品质检测模型输出的注塑品质检测结果;
所述品质检测模型是利用至少一个特征集合样本,以及与每个特征集合样本对应的注塑品质标签进行训练后得到的。
本发明所采用的方法主要是通过构建、训练出品质检测模型,以利用该神经网络模型来实现对于注塑品质的自动检测。
可选地,本发明提供的品质检测模型是一种深度神经网络模型(Deep NeuralNetwork,DNN)具有隐藏层是指在输入层和输出层之间的一或多个神经网络层,用于提取和表示输入数据的高级特征。
具体来说,可以选用多层感知机(Multilayer Perceptron,MLP)、卷积神经网络(Convolutional Neural Network,CNN)、循环神经网络(Recurrent Neural Network,RNN)、长短时记忆网络(Long Short-Term Memory,LSTM)、生成对抗网络(GenerativeAdversarial Network,GAN)等网络模型中的一种作为基础网络模型,通过将采集到的特征集合样本作为基础网络模型的输入,将其输出结果与各个特征集合样本相关的注塑品质标签进行比较,以根据比较结果对基础网络模型的网络连接权重进行更新调整。在实现对基础网络模型的预训练后,得到所需要的品质检测模型。网络连接权重/>中的i、j、k均为非负整数,其中i表示权重对应连接的输入神经元的索引,j表示权重对应连接的输出神经元的索引,而k则表示在网络连接权重所在网络的哪一层中,即:网络连接权重/>表示在神经网络第k层中第i个输入神经元到第j个输出神经元的连接权重。
在获取到品质检测模型之后,可以采用上述实施例中所提供的方法,通过对注塑过程中采集到的压力时序数据曲线进行特征提取,获取到对应的曲线特征值。
然后利用每一条压力时序数据曲线对应的一组曲线特征值,构建成一个特征集合。
将该特征集合输入至品质检测模型后,就可以获取到由品质检测模型输出的检测结果。
需要说明的是,品质检测模型输出的检测结果往往是一个二元数组,分别用于表示品质检测结果为合格以及非合格的置信度。
最后,可以根据品质检测模型输出的检测结果确定出注塑品质检测结果。
本发明提供的注塑品质检测方法,充分利用深度神经网络模型的特征提取以及分类功能,通过对注塑件注塑过程中的压力时序数据曲线相关的曲线特征值进行识别,能够精确、高效地实现对于注塑件品质的自动化检测,可大大减轻人力的投入,所检测到的结果客观性更强。
基于上述实施例的内容,作为一种可选实施例,所述品质检测模型至少包括输入层、输出层和隐藏层;
所述输入层包含的神经元的数量,与所述特征集合中包含的曲线特征值的数量相同;
所述输出层包括对应于注塑品质为合格的第一输出神经元和对应于注塑品质为不合格的第二输出神经元。
图4是本发明提供的基于品质检测模型进行品质检测的流程示意图,如图4所示,本发明提供的品质检测模型至少包括输入层、输出层和隐藏层,这里f 1 (t),…,f n (t)表示有n条模具压力传感曲线,比如:通常会在模具的近浇口位置和充填末端位置各安装一个压力传感器,则一次注塑过程总共会采集近浇口位置和充填末端位置的两条压力时序曲线,这里的n=2。
其中,输入层包含的神经元的数量,与所述特征集合中包含的曲线特征值的数量相同;输出层包括对应于注塑品质为合格的第一输出神经元和对应于注塑品质为不合格的第二输出神经元。隐藏层可以有多层。
需要说明的是,输入层包含的神经元个数最好与对压力时序数据曲线记性特征提取时所获取到的曲线特征值的数量一致,这样所提取的个曲线特征值就可以分别输入到输入层的/>个神经元中。
品质检测模型的输出层最好包含两个输出神经元,其中第一输出神经元对应于注塑品质为合格的输出,第二输出神经元/>对应于注塑品质为不合格的输出。
即为,当注塑品质为合格时的曲线特征值输入该品质检测模型时,期望的输出结果为
,/>;
反之,当注塑品质为不合格时的曲线特征值输入该品质检测模型时,期望的输出结果为
,/>。
其中,连接权重是品质检测模型的模型参数,需要通过模型训练来确定以及优化。
作为一种可选实施例,所述品质检测模型是基于以下步骤训练得到的:
采集多个注塑件在注塑过程中的压力时序数据曲线样本;
获取每个所述压力时序数据曲线样本相关的多个曲线特征值,构成一特征集合样本,并创建所述特征集合样本相关的注塑品质标签;
利用所述特征集合样本和所述注塑品质标签,对初始网络模型进行迭代训练;
在确定迭代训练结果收敛后,获取所述品质检测模型。
本发明对初始网络模型进行迭代训练的目的是获取到最佳的网络连接权重,而网络连接权重/>的定义是:针对一组经过标注的正负样本,使得训练后的初始网络模型的估计值与期望值的误差最小的权重值。
具体来说,对初始网络模型进行迭代训练获取到品质检测模型的步骤主要包括但不限于:
(1)为网络连接权重设置初始值,一般可以设置为一组随机数。
(2)采集多个注塑件在注塑过程中的压力时序数据曲线样本,并提取每个压力时序数据曲线样本的曲线特征值,分别构建成一个特征集合样本。需要说明的是,此时的特征集合样本根据注塑件的注塑品质是否合格可以划分为正样本和负样本,分别对上述正样本和负样本进行标注,则正样本对应的注塑品质标签为一个输出矢量[1,0],即,;而负样本对应的注塑品质标签为另一个输出矢量[0,1],即/>,/>。
(3)将经过标注的个正负样本依次输入到初始网络模型,就可以得到/>个输出矢量,也称为前向传播的过程。
(4)计算实际输出与期望输出结果之间的误差,称为损失函数。期望输出为:针对注塑品质为合格的正样本,其期望输出为,/>;针对注塑品质为不合格的正负样本,其期望输出为/>,/>。
(5)计算输出结果的误差,可以采用L2范数来进行计算:
;
其中,输出矢量为神经网络输出的期望值,矢量/>为初始网络模型实际输出的对期望结果的估计值,/>为输出结果的误差。
(6)上述输出结果的误差为网络连接权重的函数,因此可以通过解最优化问题来寻找最佳的连接权重值,以使得输出结果误差最小。
(7)通过反向传播的方法,可以计算出损失函数相对于权重的变化斜率,并可基于此,对网络连接权重进行迭代更新。
(8)反复应用前向传播和反向传播的方法,通过多次迭代优化权重值,直到预设的结束条件满足为止,比如,更新前后的网络连接权重的差异小于预设门限。
此时,就可以判定迭代训练结果收敛,那么根据将训练得到网络连接权重设置初始网络模型,即可得到品质检测模型。
图5是本发明提供的进行曲线特征值提取的流程示意图,作为一种可选实施例,如图5所示,本发明提供一种基于所述压力时序数据曲线上各点的斜率以及压力值,确定所述压力时序数据曲线与注塑过程相关的多个曲线特征值的方法,主要包括:
基于窗口长度自适应的线性拟合方式,确定所述压力时序数据曲线上每个点的斜率;
结合所述压力时序数据曲线上各点的斜率以及压力值,确定出反映注塑过程不同阶段的多个关键时间点;
结合所述关键时间点对所述压力时序数据曲线进行特征提取,获取所述曲线特征值。
在采集到注塑过程中由压力传感器采集到的压力数据后,通过对采集到的数据进行间隔重采样、离群点剔除、滤波降噪等预处理之后,拟合出压力时序数据曲线。
在该压力时序数据曲线上,采用窗口长度自适应的线性拟合方法,分别计算各点处的斜率,具体可以采用以下步骤来实现:
步骤1,定义窗口长度:确定用于线性拟合的窗口长度,该长度可以根据实际情况进行调整。较小的窗口长度可以更敏感地检测局部变化,而较大的窗口长度则平滑了整体趋势。
步骤2,定位窗口:从压力时序数据曲线的起始点开始,依次移动窗口,每次取窗口内的数据。
步骤3,线性拟合:对当前窗口内的数据进行线性拟合,通常通过最小二乘法来拟合直线。可以使用线性回归算法来计算拟合直线的斜率。
步骤4,记录斜率:将计算得到的斜率记录下来,并移动窗口继续拟合下一个位置的斜率。
步骤5,重复步骤3和4:重复进行步骤3和4,直到窗口移至压力时序数据曲线的最后一个点。
通过这种窗口长度自适应的线性拟合方法,可以在压力时序数据曲线上获取每个点的斜率值。这些斜率值可以用于分析曲线的变化趋势和检测局部变化点。较大的斜率值可能表示较陡的上升或下降趋势,而较小的斜率值可能表示相对平缓的趋势。
需要注意的是,选择合适的窗口长度是至关重要的。如果窗口长度太小,可能会受到随机噪声的影响而导致不稳定的斜率结果;而窗口长度过大,则可能平滑了重要的细节信息。因此,根据数据的特性和分析目的进行试验和调整,选择适当的窗口长度是必要的。
此外,线性拟合是一种简单的拟合方法,适用于一些趋势比较明显且近似为线性的数据。如果数据存在非线性关系,考虑使用其他更复杂的拟合方法,如多项式拟合、样条拟合等。
进一步地,可以通过压力时序数据曲线上各点的斜率以及压力值的分析,对压力时序数据曲线上的反映注塑过程不同阶段的关键时间点进行提取。
图6是本发明提供的压力时序数据曲线的机理特性示意图,如图6所示,上述关键时间点至少包括:注射起点、VP切换时间点、压力最大值点、保压阶段终点以及冷却阶段终点中的一个或者多个。
如图6所示,其中关键时间点1-关键时间点6的定义分别为:
点1:注射起点,熔体接触到位于近浇口压力传感器;
点1-点2段:注射充填阶段,通常完成95%~98%的充填;
点2:VP切换时间点,注塑机从速度控制转到保压控制的关键时间点;
点2-点3段,VP切换后的持续充填阶段;
点3:压力曲线斜率最大值的点,此时型腔完全充满;
点3-点4段:压实阶段,继续充填并压实;
点4:压力最大值点,此时型腔内压力为最大值;
点4-点5段:保压阶段,型腔内的熔体冷却固化,压力逐渐下降;
点5:保压阶段终点,此时为浇口冻结时间点;
点5-点6段:冷却阶段;
点6:冷却阶段终点。
作为一种可选实施例,本发明提供了一种结合所述压力时序数据曲线上各点的斜率以及压力值,确定出反映注塑过程不同阶段的多个关键时间点的方法,包括:
在所述压力时序数据曲线上,将斜率大于第一预设门限值的首个点作为所述注射起点;
确定所述压力时序数据曲线上的最大斜率值点,将所述注射起点与所述最大斜率值点之间斜率为零的点,作为所述VP切换时间点;
或者,在所述注射起点与所述最大斜率值点之间斜率均大于零的情况下,将所述注射起点与所述最大斜率值点之间的最小斜率值点,作为所述VP切换时间点;
将所述最大斜率值点之后的压力值最大点,作为所述压力最大值点;
将所述压力最大值点之后的最小斜率值点,作为所述保压阶段终点;
将保压阶段终点之后的幅值小于第二预设门限值的第一个时刻点作为所述冷却阶段终点。
具体地,结合图6所示,注射起点提取方法可以为:计算压力时序数据曲线上各点的斜率;识别压力时序数据曲线上斜率大于第一预设门限值的第一个时刻点即为注射起点(点1)。
VP切换点提取方法可以为:计算压力时序数据曲线上各点的斜率;识别出压力时序数据曲线上斜率最大值的点(点3);识别出点1与点3之间的斜率为零的点即为VP切换点(点2),但如果点1与点3之间的各点的斜率均大于零,则识别斜率最小值的点作为VP切换点(点2)。
压力最大值点的提取方法可以为:识别出点3之后的压力时序数据曲线上压力值最大的点,即为压力最大值点(点4)。
保压阶段终点的提取方法可以为:计算压力时序数据曲线上各点的斜率;识别出点4之后压力时序数据曲线上斜率最小的点,即为保压阶段终点(点5)。
冷却阶段终点的提取方法可以为:识别出点5之后压力时序数据曲线上的幅值小于第二门限值的第一个时刻点,即为冷却阶段终点 (点6)。
作为一种可选实施例,本发明提供的注塑品质检测方法中,在确定出反映注塑过程不同阶段的多个关键时间点之后,根据这些关键时间点确定的曲线特征值,至少包括但不限于:
注射段注射起始时间、注射段压力值线性拟合直线斜率、注射段压力值线性拟合直线起始时刻、VP切换时刻、VP切换时刻的压力值、保压阶段总时长、保压阶段最大压力值的时刻、保压阶段最大压力值、保压阶段平均压力值、保压阶段结束时刻、保压阶段结束时刻的压力值、冷却阶段压力降为零的时刻和冷却阶段压力平均值,具体如表1所示。
表1 曲线特征值列表
作为一种可选实施例,本发明也提供了一种计算上述曲线特征值的方法。
其中,一部分曲线特征值例如序号为1、4、5、7、8、10、11、12的曲线特征值,是可以直接使用对应关键时刻点的时间值,并计算该时刻对应的压力值来得到的,计算公式为:
;
其中,是提取的关键时刻点,/>是压力时序数据曲线,/>是关键时刻点/>对应的压力值。
针对序号为2的注射段压力值线性拟合直线斜率和序号为3的注射段压力值线性拟合直线起始时刻,其对应的计算方法可以是:
获取压力时序数据曲线上注射段的压力值,对这段压力值进行线性拟合,计算拟合后得到的直线的斜率作为注射段压力值线性拟合直线斜率。计算拟合后得到的直线在X轴上的截距作为注射段压力值线性拟合直线起始时刻。
针对序号为6的保压阶段总时长,其对应的计算方法可以是:将保压段结束时刻减去VP切换时刻得到的值,作为保压阶段总时长。
针对序号为9的保压段平均压力值,其对应的计算方法可以是:获取压力时序数据曲线上压力最大值时刻和保压段结束时刻,并计算这两个时刻之间的压力值的平均值,作为保压段平均压力值。
针对序号为13的冷却段压力平均值,其对应的计算方法可以是:获取压力时序数据曲线上冷却段压力降为零的时刻和保压段结束时刻,并计算这两个时刻之间的压力值的平均值,作为冷却段压力平均值。
需要说明的是,本发明提供的注塑品质检测方法,在提取出压力时序数据曲线相关的曲线特征值之后,就可以按照上述实施例中所提供的计算特征矢量与预先构建的特征矢量库中的每个特征矢量样本之间的距离加权和的方式进行注塑品质判断,也可以采用预先训练好的品质检测模型通过对曲线特征值组成的特征集合进行分析识别分方式进行注塑品质判断。
图7是本发明提供的注塑品质检测装置的结构示意图,如图7所示,本发明提供的注塑品质检测装置主要包括数据采集单元71、数据提取单元72和品质分析单元73,其中:
数据采集单元71,主要用于获取注塑件在注塑过程中模具内的压力时序数据曲线;
数据提取单元72,主要用于基于所述压力时序数据曲线上各点的斜率以及压力值,确定所述压力时序数据曲线与注塑过程相关的多个曲线特征值;
品质分析单元73,主要用于基于所述曲线特征值,确定所述注塑件的注塑品质是否合格。
需要说明的是,本发明实施例提供的注塑品质检测装置,在具体运行时,可以执行上述任一实施例所述的注塑品质检测方法,对此本实施例不作赘述。
作为一种可选实施例,本发明提供的注塑品质检测装置还可以包括一注塑件分拣单元,用于根据品质检测结果对不合格的注塑件进行挑拣。其中,上述注塑件分拣单元可以设计为自动分拣装置,通过剔除不合格的注塑件以提高注塑件加工的良品率。
具体地,上述注塑件分拣单元可以包括机械手和传送带等机械装置,在完成对于注塑件的品质检测之后,可以对品质检测结果为不合格的注塑件进行标注。这样,在所有检测后的注塑件通过上述传送带进行传输的过程中,通过控制机械手对进行标注的品质检测结果为不合格的注塑件进行抓取,而品质检测结果为合格的注塑件则继续由传送带输送至下一流程。
本发明提供的注塑品质检测装置,通过对实时测量的注塑过程中模具内的压力时序数据曲线进行特征提取,以利用提取出的曲线特征值,对注塑件的注射品质进行自动检测,能有效识别注塑过程中的风险,降低对人工检测的依赖,提升了注塑品质检测的效率,且检测精度高。
另外,本发明还提供一种注塑机,主要包括:设置在近浇口处的压力传感器和处理器;压力传感器将采集的压力信号发送至所述处理器;所述处理器在运行时,用于执行上述任一实施例所述的注塑品质检测方法。
具体来说,上述处理器可以集成在注塑机的控制系统中,也可以设置为边缘计算机与注塑机的控制系统相通信,也可以设置在云端且保持与其控制系统相通信。
本发明提供的注塑机,通过对实时测量的注塑过程中模具内的压力时序数据曲线进行特征提取,以利用提取出的曲线特征值,对注塑件的注射品质进行自动检测,能有效识别注塑过程中的风险,降低对人工检测的依赖,提升了注塑品质检测的效率,且检测精度高。
图8是本发明提供的电子设备的结构示意图,如图8所示,该电子设备可以包括:处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840,其中,处理器810,通信接口820,存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令,以执行注塑品质检测方法,该方法包括:获取注塑件在注塑过程中模具内的压力时序数据曲线;基于所述压力时序数据曲线上各点的斜率以及压力值,确定所述压力时序数据曲线与注塑过程相关的多个曲线特征值;基于所述曲线特征值,确定所述注塑件的注塑品质是否合格。
此外,上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各实施例所提供的注塑品质检测方法,该方法包括:获取注塑件在注塑过程中模具内的压力时序数据曲线;基于所述压力时序数据曲线上各点的斜率以及压力值,确定所述压力时序数据曲线与注塑过程相关的多个曲线特征值;基于所述曲线特征值,确定所述注塑件的注塑品质是否合格。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的注塑品质检测方法,该方法包括:获取注塑件在注塑过程中模具内的压力时序数据曲线;基于所述压力时序数据曲线上各点的斜率以及压力值,确定所述压力时序数据曲线与注塑过程相关的多个曲线特征值;基于所述曲线特征值,确定所述注塑件的注塑品质是否合格。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (14)
1.一种注塑品质检测方法,其特征在于,包括:
获取注塑件在注塑过程中模具内的压力时序数据曲线;
基于所述压力时序数据曲线上各点的斜率以及压力值,确定所述压力时序数据曲线与注塑过程相关的多个曲线特征值;
基于所述曲线特征值,确定所述注塑件的注塑品质是否合格;
所述基于所述压力时序数据曲线上各点的斜率以及压力值,确定所述压力时序数据曲线与注塑过程相关的多个曲线特征值,包括:
基于窗口长度自适应的线性拟合方式,确定所述压力时序数据曲线上每个点的斜率;
结合所述压力时序数据曲线上各点的斜率以及压力值,确定出反映注塑过程不同阶段的多个关键时间点;
结合所述关键时间点对所述压力时序数据曲线进行特征提取,获取所述曲线特征值;
所述基于所述曲线特征值,确定所述注塑件的注塑品质是否合格,包括:
将所有所述曲线特征值转换成一特征矢量;
获取所述特征矢量与预先构建的特征矢量库中的每个特征矢量样本之间的距离;
计算所有所述距离的加权和;
根据所述加权和与预设的矢量差异门限值之间的大小关系,确定所述注塑件的注塑品质是否合格;
在计算所有所述距离的加权和时,所有距离中的任一目标距离的权重是基于所述目标距离与所有距离之和的比值确定的。
2.根据权利要求1所述的注塑品质检测方法,其特征在于,所述获取所述特征矢量与预先构建的特征矢量库中的每个特征矢量样本之间的距离,包括:
计算所述特征矢量与每个所述特征矢量样本之间的均方误差、绝对误差的均值和绝对误差的最大值中的一种,作为所述特征矢量与所述特征矢量样本之间的距离。
3.根据权利要求1所述的注塑品质检测方法,其特征在于,在所述加权和大于所述矢量差异门限值的情况下,确定所述注塑件的注塑品质为不合格;在所述加权和不大于所述矢量差异门限值的情况下,确定所述注塑件的注塑品质为合格。
4.根据权利要求1所述的注塑品质检测方法,其特征在于,所述特征矢量库是基于以下步骤预先构建的:
采集多个注塑品质为合格的注塑件,在注塑过程中的压力时序数据曲线样本;
获取每个所述压力时序数据曲线样本相关的多个曲线特征值,构成一特征矢量样本;
集合所有所述特征矢量样本,构建所述特征矢量库。
5.根据权利要求1所述的注塑品质检测方法,其特征在于,所述基于所述曲线特征值,确定所述注塑件的注塑品质是否合格,包括:
将所有所述曲线特征值组建成一特征集合;
将所述特征集合输入至品质检测模型中,获取由所述品质检测模型输出的注塑品质检测结果;
所述品质检测模型是利用至少一个特征集合样本,以及与每个特征集合样本对应的注塑品质标签进行训练后得到的。
6.根据权利要求5所述的注塑品质检测方法,其特征在于,所述品质检测模型至少包括输入层、输出层和隐藏层;
所述输入层包含的神经元的数量,与所述特征集合中包含的曲线特征值的数量相同;
所述输出层包括对应于注塑品质为合格的第一输出神经元和对应于注塑品质为不合格的第二输出神经元。
7.根据权利要求5所述的注塑品质检测方法,其特征在于,所述品质检测模型是基于以下步骤训练得到的:
采集多个注塑件在注塑过程中的压力时序数据曲线样本;
获取每个所述压力时序数据曲线样本相关的多个曲线特征值,构成一特征集合样本,并创建所述特征集合样本相关的注塑品质标签;
利用所述特征集合样本和所述注塑品质标签,对初始网络模型进行迭代训练;
在确定迭代训练结果收敛后,获取所述品质检测模型。
8.根据权利要求1所述的注塑品质检测方法,其特征在于,所述关键时间点至少包括:注射起点、VP切换时间点、压力最大值点、保压阶段终点以及冷却阶段终点中的一个或者多个。
9.根据权利要求8所述的注塑品质检测方法,其特征在于,所述结合所述压力时序数据曲线上各点的斜率以及压力值,确定出反映注塑过程不同阶段的多个关键时间点,包括:
在所述压力时序数据曲线上,将斜率大于第一预设门限值的首个点作为所述注射起点;
确定所述压力时序数据曲线上的最大斜率值点,将所述注射起点与所述最大斜率值点之间斜率为零的点,作为所述VP切换时间点;
或者,在所述注射起点与所述最大斜率值点之间斜率均大于零的情况下,将所述注射起点与所述最大斜率值点之间的最小斜率值点,作为所述VP切换时间点;
将所述最大斜率值点之后的压力值最大点,作为所述压力最大值点;
将所述压力最大值点之后的最小斜率值点,作为所述保压阶段终点;
将保压阶段终点之后的幅值小于第二预设门限值的第一个时刻点作为所述冷却阶段终点。
10.根据权利要求8所述的注塑品质检测方法,其特征在于,所述曲线特征值,至少包括:
注射段注射起始时间、注射段压力值线性拟合直线斜率、注射段压力值线性拟合直线起始时刻、VP切换时刻、VP切换时刻的压力值、保压阶段总时长、保压阶段最大压力值的时刻、保压阶段最大压力值、保压阶段平均压力值、保压阶段结束时刻、保压阶段结束时刻的压力值、冷却阶段压力降为零的时刻和冷却阶段压力平均值中的一个或者多个。
11.一种注塑品质检测装置,其特征在于,包括:
数据采集单元,用于获取注塑件在注塑过程中模具内的压力时序数据曲线;
数据提取单元,用于基于所述压力时序数据曲线上各点的斜率以及压力值,确定所述压力时序数据曲线与注塑过程相关的多个曲线特征值,包括:
基于窗口长度自适应的线性拟合方式,确定所述压力时序数据曲线上每个点的斜率;
结合所述压力时序数据曲线上各点的斜率以及压力值,确定出反映注塑过程不同阶段的多个关键时间点;
结合所述关键时间点对所述压力时序数据曲线进行特征提取,获取所述曲线特征值;
品质分析单元,用于基于所述曲线特征值,确定所述注塑件的注塑品质是否合格,包括:
将所有所述曲线特征值转换成一特征矢量;
获取所述特征矢量与预先构建的特征矢量库中的每个特征矢量样本之间的距离;
计算所有所述距离的加权和;
根据所述加权和与预设的矢量差异门限值之间的大小关系,确定所述注塑件的注塑品质是否合格;
在计算所有所述距离的加权和时,所有距离中的任一目标距离的权重是基于所述目标距离与所有距离之和的比值确定的。
12.一种注塑机,其特征在于,包括:设置在近浇口处的压力传感器和处理器;压力传感器将采集的压力信号发送至所述处理器;
所述处理器在运行时,用于执行如权利要求1-10任一项所述的注塑品质检测方法。
13.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至10任一项所述注塑品质检测方法。
14.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至10任一项所述注塑品质检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311510026.6A CN117245874B (zh) | 2023-11-14 | 2023-11-14 | 注塑品质检测方法、装置、注塑机、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311510026.6A CN117245874B (zh) | 2023-11-14 | 2023-11-14 | 注塑品质检测方法、装置、注塑机、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117245874A CN117245874A (zh) | 2023-12-19 |
CN117245874B true CN117245874B (zh) | 2024-04-02 |
Family
ID=89129797
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311510026.6A Active CN117245874B (zh) | 2023-11-14 | 2023-11-14 | 注塑品质检测方法、装置、注塑机、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117245874B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109501185A (zh) * | 2018-11-27 | 2019-03-22 | 湖北工业大学 | 注塑成型工艺在线监测方法 |
CN111231251A (zh) * | 2020-01-09 | 2020-06-05 | 杭州电子科技大学 | 注塑机的产品检测方法、设备及系统 |
CN116277821A (zh) * | 2023-04-03 | 2023-06-23 | 华中科技大学 | 一种注塑机注射成形过程异常的监控方法及设备 |
CN116985364A (zh) * | 2023-07-12 | 2023-11-03 | 宁波信跃电子科技有限公司 | 一种汽车嵌件注塑批次尾节点成型品质检验方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6557272B2 (ja) * | 2017-03-29 | 2019-08-07 | ファナック株式会社 | 状態判定装置 |
-
2023
- 2023-11-14 CN CN202311510026.6A patent/CN117245874B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109501185A (zh) * | 2018-11-27 | 2019-03-22 | 湖北工业大学 | 注塑成型工艺在线监测方法 |
CN111231251A (zh) * | 2020-01-09 | 2020-06-05 | 杭州电子科技大学 | 注塑机的产品检测方法、设备及系统 |
CN116277821A (zh) * | 2023-04-03 | 2023-06-23 | 华中科技大学 | 一种注塑机注射成形过程异常的监控方法及设备 |
CN116985364A (zh) * | 2023-07-12 | 2023-11-03 | 宁波信跃电子科技有限公司 | 一种汽车嵌件注塑批次尾节点成型品质检验方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117245874A (zh) | 2023-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10502253B2 (en) | Machine learning device for learning assembly operation and component assembly system | |
CN116757534B (zh) | 一种基于神经训练网络的智能冰箱可靠性分析方法 | |
CN109949286A (zh) | 用于输出信息的方法和装置 | |
CN111241744B (zh) | 一种基于双向lstm的低压铸造机时间序列数据异常检测方法 | |
KR20190126449A (ko) | 기술 시스템을 제어하기 위한 방법 및 제어 디바이스 | |
CN111030889B (zh) | 一种基于gru模型的网络流量预测方法 | |
CN110707763A (zh) | 一种基于集成学习的交直流配电网负荷预测方法 | |
CN111768000A (zh) | 在线自适应微调深度学习的工业过程数据建模方法 | |
CN113544604A (zh) | 流水线的装配误差校正 | |
CN112862757A (zh) | 一种基于计算机视觉技术的重量评估系统及实现方法 | |
CN113125440A (zh) | 物件的瑕疵判断方法及装置 | |
CN114298134A (zh) | 风电功率预测方法及装置、电子设备 | |
KR20210127069A (ko) | 융합 모델 신경망의 성능 제어 방법 | |
CN117245874B (zh) | 注塑品质检测方法、装置、注塑机、设备及存储介质 | |
CN113110398B (zh) | 基于动态时间归整和图卷积网络的工业过程故障诊断方法 | |
US20220172046A1 (en) | Learning system, data generation apparatus, data generation method, and computer-readable storage medium storing a data generation program | |
CN115803774A (zh) | 模型生成装置、回归装置、模型生成方法以及模型生成程序 | |
US11922680B2 (en) | Image determination device, image determination method, and non-transitory computer readable medium storing program | |
CN113377630B (zh) | 一种通用的kpi异常检测框架实现方法 | |
CN109165587A (zh) | 智能图像信息抽取方法 | |
CN115106615A (zh) | 一种基于工况智能识别的焊偏实时检测方法及系统 | |
CN108509933A (zh) | 一种基于多小波基函数展开的锋电位时变格兰杰因果准确辨识方法 | |
Xiaofang et al. | An adaptive threshold segmentation method based on BP neural network for paper defect detection | |
CN117227122B (zh) | 注塑机调机方法、装置、注塑机、电子设备及存储介质 | |
CN117095068B (zh) | 番茄贮藏温度调控方法、装置、电子设备及存储介质 |
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 |