CN117283743A - 一种树脂生产成型加工流程预测控制系统及方法 - Google Patents
一种树脂生产成型加工流程预测控制系统及方法 Download PDFInfo
- Publication number
- CN117283743A CN117283743A CN202311567602.0A CN202311567602A CN117283743A CN 117283743 A CN117283743 A CN 117283743A CN 202311567602 A CN202311567602 A CN 202311567602A CN 117283743 A CN117283743 A CN 117283743A
- Authority
- CN
- China
- Prior art keywords
- model
- prediction
- fitness
- resin
- product
- 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.)
- Granted
Links
- 239000011347 resin Substances 0.000 title claims abstract description 83
- 229920005989 resin Polymers 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 38
- 238000000465 moulding Methods 0.000 title claims abstract description 28
- 238000012545 processing Methods 0.000 title claims abstract description 19
- 238000011049 filling Methods 0.000 claims abstract description 48
- 238000002156 mixing Methods 0.000 claims abstract description 42
- 239000002994 raw material Substances 0.000 claims abstract description 36
- 238000005457 optimization Methods 0.000 claims abstract description 19
- 238000012417 linear regression Methods 0.000 claims description 32
- 230000008569 process Effects 0.000 claims description 28
- 238000012544 monitoring process Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 19
- 230000035772 mutation Effects 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 230000002068 genetic effect Effects 0.000 claims description 9
- 108090000623 proteins and genes Proteins 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000013480 data collection Methods 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 239000000047 product Substances 0.000 description 64
- 239000000463 material Substances 0.000 description 19
- 238000005429 filling process Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000011217 control strategy Methods 0.000 description 6
- 239000004033 plastic Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000005452 bending Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000005482 strain hardening Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000003822 epoxy resin Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000007542 hardness measurement Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 229920000647 polyepoxide Polymers 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29B—PREPARATION OR PRETREATMENT OF THE MATERIAL TO BE SHAPED; MAKING GRANULES OR PREFORMS; RECOVERY OF PLASTICS OR OTHER CONSTITUENTS OF WASTE MATERIAL CONTAINING PLASTICS
- B29B7/00—Mixing; Kneading
- B29B7/02—Mixing; Kneading non-continuous, with mechanical mixing or kneading devices, i.e. batch type
- B29B7/22—Component parts, details or accessories; Auxiliary operations
- B29B7/28—Component parts, details or accessories; Auxiliary operations for measuring, controlling or regulating, e.g. viscosity control
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29B—PREPARATION OR PRETREATMENT OF THE MATERIAL TO BE SHAPED; MAKING GRANULES OR PREFORMS; RECOVERY OF PLASTICS OR OTHER CONSTITUENTS OF WASTE MATERIAL CONTAINING PLASTICS
- B29B7/00—Mixing; Kneading
- B29B7/30—Mixing; Kneading continuous, with mechanical mixing or kneading devices
- B29B7/58—Component parts, details or accessories; Auxiliary operations
- B29B7/72—Measuring, controlling or regulating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Mechanical Engineering (AREA)
- Evolutionary Biology (AREA)
- Genetics & Genomics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Physiology (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Processing And Handling Of Plastics And Other Materials For Molding In General (AREA)
Abstract
本发明公开了一种树脂生产成型加工流程预测控制系统及方法,涉及生产成型加工系统领域,包括原材料质量预测模块,树脂混合优化预测模块和充填控制预测模块,所述原材料质量预测模块和树脂混合优化预测模块分别结合人工智能算法进行预测,得到质量预测结果和混合预测结果,所述系统根据质量预测结果和混合预测结果进行分析并控制树脂原材料出入和树脂混合,所述充填控制预测模块通过传感器数据监测树脂充填,对充填监测数据进行分析,预测充填不均匀并调整充填参数。本发明集成了原材料质量预测、树脂混合优化预测和充填控制预测的智能化生产流程可以实现更高程度的自动化。
Description
技术领域
本发明涉及生产成型加工系统领域,具体是一种树脂生产成型加工流程预测控制系统及方法。
背景技术
树脂生产成型加工流程控制系统是一种用于监测、预测和调整树脂材料在加工过程中的行为和性能的技术系统。它旨在优化生产过程,提高生产效率、产品质量和一致性,同时降低资源浪费和生产成本。
目前的市场存在的技术方案为:
基于PID控制:传统的控制方案通常使用比例-积分-微分(PID)控制算法。这种方法适用于简单的生产过程,但在复杂的树脂生产成型加工中,可能无法处理非线性、时变的情况;
MPC利用数学模型来预测系统行为,然后优化控制输入以实现预定的性能指标。它可以处理复杂的非线性系统,但需要精确的模型和计算资源;
机器学习和人工智能技术在预测和控制方面表现出色。通过训练算法来识别复杂模式和关联性,可以更准确地预测生产过程。
而对于上述现有方案缺点:对于树脂的成型加工中,主要的核心参数为树脂本身所具有的流动性、粘度、硬度等特征,这些参数特征均能够影响成型后产品的质量、强度,而针对于上述现有技术,仅仅是通过某一特征参数,进行的优化处理,在整体的加工流程中,还需要考虑原材料的选取、树脂之间的混合控制等,如何实现将上述的流程进行统一的控制,通过较为突显的参数,得到更精准的预测结果,使得树脂生产成型更加智能化、合理化、有效化,是目前需要解决的问题。
发明内容
本发明的目的在于克服现有技术的不足,针对现有树脂生产成型加工流程系统所存在的预测控制手段单一,数据参数不全,预测控制单元结构简单的问题,提出一种树脂生产成型加工流程预测控制系统及方法。
其中,一种树脂生产成型加工流程预测控制系统,包括原材料质量预测模块,树脂混合优化预测模块和充填控制预测模块,所述原材料质量预测模块和树脂混合优化预测模块分别结合人工智能算法进行预测,得到质量预测结果和混合预测结果,所述系统根据质量预测结果和混合预测结果进行分析并控制树脂原材料出入和树脂混合,所述充填控制预测模块通过传感器数据监测树脂充填,对充填监测数据进行分析,预测充填不均匀并调整充填参数,其中:
所述系统通过原材料质量预测模块,结合多元线性回归算法分别对原材料的特征变量进行建模,并根据模型进行预测,得到质量预测结果;
所述系统通过树脂混合优化预测模块,结合遗传算法确定最优的树脂混合参数组合并根据预测模型对不同参数组合的产品性能进行评估。
进一步的,所述原材料质量预测模块具体包括:
数据收集单元,用于收集影响产品强度的特征变量和产品强度,所述特征变量至少包括流动性、粘度、硬度中的一种,
模型建立单元,用于通过多元线性回归,建立多特征的线性组合模型,其中,多元线性回归模型为:
;
其中,所述表示产品强度,所述/>分别表示特征变量,所述/>分别表示模型的系数;
模型训练单元,用于通过训练集对模型进行训练,寻找最优的系数,使损失函数最小化,其中,多元线性回归的损失函数为最小化预测值与实际值之间的平方误差,即:
;
其中,所述表示样本数量,所述/>表示第/>个样本的特性,/>表示目标值;
模型评估单元,用于通过测试集对训练后的模型进行评估,计算预测值与实际值之间的误差;
模型预测单元,用于通过评估后的模型对具有特征变量的产品的特征值进行预测产品强度,其中,模型通过将特征值代入多元线性回归模型中进行预测。
进一步的,所述树脂混合优化预测模块具体包括:
种群初始化单元,用于随机生成一组初始混合参数组合作为种群;
适应度评估单元,用于通过预测模型,根据参数组合的混合参数,预测产品性能,计算每个参数组合的适应度,所述适应度表示树脂产品的优劣程度;
产品性能预测单元,用于通过预测模型,根据变异和交叉后的子代参数组合,预测产品性能,计算每个子代的适应度,并根据子代适应度,替换部分附带,保留高适应度的参数组合,通过替换机制将高性能的参数组合传递至下一代;
树脂混合选择单元,用于通过产品性能预测单元迭代终止得到的优化参数组合,选取该优化参数组合进行树脂混合。
进一步的,所述产品性能预测单元具体还包括:
父代选择子单元,用于根据适应度值,选择一部分参数组合作为父代,其中,选择过程为根据适应度值进行随机抽样;
交叉子单元,用于通过从父代中选取一对参数组合,进行基因交叉,形成子代;
参数变异子单元,用于对子代中的参数进行变异;
子代评估子单元,用于通过预测模型,根据变异和交叉后的子代参数组合对产品性能进行预测,计算每个子代的适应度;
替换迭代子单元,用于根据自带适应度,替换部分父代,保留适应度高的参数组合,并重复执行父代选择、交叉、参数变异、替换,生成新的子代,逐步优化参数组合,直至迭代次数或适应度达到阈值。
一种树脂生产成型加工流程预测控制方法,该方法基于上述任一项所述的一种树脂生产成型加工流程预测控制系统,包括以下步骤:
S1. 在原材料准备阶段,收集原材料的特性数据,将原材料特性数据作为特征变量,结合多元线性回归算法分别对原材料的特征变量进行建模,并根据模型进行预测,得到质量预测结果;
S2. 将原材料特性数据进行参数组合,结合遗传算法确定最优的树脂混合参数组合并根据预测模型对不同参数组合的产品性能进行评估;
S3. 通过传感器数据监测树脂充填,对充填监测数据进行分析,预测充填不均匀并调整充填参数,完成树脂填充。
进一步的,所述步骤S1具体包括以下子步骤:
S101. 收集影响产品强度的特征变量和产品强度,所述特征变量至少包括流动性、粘度、硬度中的一种;
S102. 通过多元线性回归,建立多特征的线性组合模型,其中,多元线性回归模型为:
;
其中,所述表示产品强度,所述/>分别表示特征变量,所述/>分别表示模型的系数;
S103. 通过训练集对模型进行训练,寻找最优的系数,使损失函数最小化,其中,多元线性回归的损失函数为最小化预测值与实际值之间的平方误差,即:
;
其中,所述表示样本数量,所述/>表示第/>个样本的特性,/>表示目标值;
S104. 通过测试集对训练后的模型进行评估,计算预测值与实际值之间的误差;
S105. 通过评估后的模型对具有特征变量的产品的特征值进行预测产品强度,其中,模型通过将特征值代入多元线性回归模型中进行预测。
进一步的,所述步骤S2具体包括以下子步骤:
S201. 随机生成一组初始混合参数组合作为种群;
S202. 通过预测模型,根据参数组合的混合参数,预测产品性能,计算每个参数组合的适应度,所述适应度表示树脂产品的优劣程度;
S203. 通过预测模型,根据变异和交叉后的子代参数组合,预测产品性能,计算每个子代的适应度,并根据子代适应度,替换部分附带,保留高适应度的参数组合,通过替换机制将高性能的参数组合传递至下一代;
S204. 通过产品性能预测单元迭代终止得到的优化参数组合,选取该优化参数组合进行树脂混合。
进一步的,所述步骤S203具体包括以下子步骤:
S2031. 根据适应度值,选择一部分参数组合作为父代,其中,选择过程为根据适应度值进行随机抽样;
S2032. 通过从父代中选取一对参数组合,进行基因交叉,形成子代;
S2033. 对子代中的参数进行变异;
S2034. 通过预测模型,根据变异和交叉后的子代参数组合对产品性能进行预测,计算每个子代的适应度;
S2035. 根据自带适应度,替换部分父代,保留适应度高的参数组合,并重复步骤S2031,生成新的子代,逐步优化参数组合,直至迭代次数或适应度达到阈值。
本发明的有益效果是:
(1) 本发明集成了原材料质量预测、树脂混合优化预测和充填控制预测的智能化生产流程可以实现更高程度的自动化。从原材料准备到最终产品充填,生产过程中的许多环节都可以在预测和控制的指导下进行,减少人工干预,通过上述技术方案,整个生产流程在不同阶段都受到预测和优化的指导,从而实现整体一致性;产品性能更加稳定,不同批次之间的差异降低;
(2) 本发明将原材料质量预测、树脂混合优化预测和充填控制预测相互关联,可以最大程度地优化产品生产流程,提高质量,降低成本,提高效率,并实现智能化生产的目标。
附图说明
图1为本发明实施例提供的一种树脂生产成型加工流程预测控制系统的系统结构框图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案,但本发明的保护范围不局限于以下所述。
为了使本发明的目的,技术方案及优点更加清楚明白,结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明,即所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的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,术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
而且,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。
以下结合实施例对本发明的特征和性能作进一步的详细描述。
如图1所示,一种树脂生产成型加工流程预测控制系统,包括原材料质量预测模块,树脂混合优化预测模块和充填控制预测模块,所述原材料质量预测模块和树脂混合优化预测模块分别结合人工智能算法进行预测,得到质量预测结果和混合预测结果,所述系统根据质量预测结果和混合预测结果进行分析并控制树脂原材料出入和树脂混合,所述充填控制预测模块通过传感器数据监测树脂充填,对充填监测数据进行分析,预测充填不均匀并调整充填参数,其中:
所述系统通过原材料质量预测模块,结合多元线性回归算法分别对原材料的特征变量进行建模,并根据模型进行预测,得到质量预测结果;其中,使用Scikit-Learn实现将多个特性值作为自变量输入模型,然后通过训练和优化找到最优的系数,以进行产品强度的预测。
所述系统通过树脂混合优化预测模块,结合遗传算法确定最优的树脂混合参数组合并根据预测模型对不同参数组合的产品性能进行评估,其中,通过多次迭代,遗传算法将寻找到适应度较高的参数组合,用于树脂混合过程,从而使产品性能最优化。遗传算法适用于参数空间复杂、不规则的优化问题,可以通过合适的参数设置来提高优化效率和精度。
进一步的,对于上述实施例提出的产品强度、产品性能,示例性的提出一些可参考的测量值作为目标变量以用来对产品的强度、性能进行评估,其中包括但不限于:拉伸强度(Tensile Strength): 材料在受拉应力下的最大承载能力。通常以标准化的强度值(如MPa)表示。抗弯强度(Flexural Strength): 材料在受弯曲应力下的最大承载能力,常用于板材、梁等形状的材料。压缩强度(Compressive Strength): 材料在受压缩应力下的最大承载能力。剪切强度(Shear Strength): 材料在受剪切应力下的最大承载能力,常用于描述材料的剪切性能。冲击强度(Impact Strength): 材料在受冲击载荷下的吸能能力,通常用冲击弯曲试验等测量。屈服强度(Yield Strength): 材料在开始发生塑性变形之前的最大应力,与拉伸强度不同,屈服强度标志了材料从弹性到塑性的转变点。疲劳强度(FatigueStrength):材料在循环加载下能够承受的最大应力,涉及到材料的疲劳寿命。硬度(Hardness):材料在受压载荷下的抵抗能力,不同硬度测试方法对应不同强度指标。应变硬化指数(Strain Hardening Exponent): 描述材料在塑性变形时硬度变化的指标,与材料的塑性变形性能有关。断裂韧性(Fracture Toughness):材料在受到应力时抵抗裂纹扩展的能力,涉及到裂纹扩展和断裂的性质。环剪强度(Shear Modulus):描述材料抵抗剪切变形的能力,对复合材料等具有重要意义。其他相关性能参数:根据具体需求,还可以包括材料的导热性能、导电性能等等。产品强度的具体测量参数会因材料类型、测试标准和具体应用而有所不同。在预测模型中,可以根据可用的数据和目标确定最适合的强度指标。即本实施例所提出的流动性、粘度、硬度等参数仅仅为示例性的,本领域技术人员可根据实际情况对参数根据上述示例进行修改、添加、组合。
进一步的,所述原材料质量预测模块具体包括:
数据收集单元,用于收集影响产品强度的特征变量和产品强度,所述特征变量至少包括流动性、粘度、硬度中的一种,
模型建立单元,用于通过多元线性回归,建立多特征的线性组合模型,其中,多元线性回归模型为:
;
其中,所述表示产品强度,所述/>分别表示特征变量,所述/>分别表示模型的系数;
模型训练单元,用于通过训练集对模型进行训练,寻找最优的系数,使损失函数最小化,其中,多元线性回归的损失函数为最小化预测值与实际值之间的平方误差,即:
;
其中,所述表示样本数量,所述/>表示第/>个样本的特性,/>表示目标值;
模型评估单元,用于通过测试集对训练后的模型进行评估,计算预测值与实际值之间的误差;
模型预测单元,用于通过评估后的模型对具有特征变量的产品的特征值进行预测产品强度,其中,模型通过将特征值代入多元线性回归模型中进行预测。
进一步的,作为上述实施例优选的具体实施方案,提出一种基于环氧树脂的复合材料的生产成型加工系统中根据不同原材料的特性使用线性回归模型预测产品的强度的具体实施方式,其中,收集原材料的特性数据和相应的产品强度数据,所述特性数据包括密度、硬度、弯曲强度等,导入必要的库并读取数据;选择特性变量和目标变量,将数据集分为训练集和测试集。接下来,创建一个线性回归模型并在训练集上进行训练;使用模型对测试集进行预测,并计算均方误差(Mean Squared Error)和决定系数(R-squared)来评估模型的性能。
进一步的,所述树脂混合优化预测模块具体包括:
种群初始化单元,用于随机生成一组初始混合参数组合作为种群;
适应度评估单元,用于通过预测模型,根据参数组合的混合参数,预测产品性能,计算每个参数组合的适应度,所述适应度表示树脂产品的优劣程度;
产品性能预测单元,用于通过预测模型,根据变异和交叉后的子代参数组合,预测产品性能,计算每个子代的适应度,并根据子代适应度,替换部分附带,保留高适应度的参数组合,通过替换机制将高性能的参数组合传递至下一代;
树脂混合选择单元,用于通过产品性能预测单元迭代终止得到的优化参数组合,选取该优化参数组合进行树脂混合。
进一步的,所述产品性能预测单元具体还包括:
父代选择子单元,用于根据适应度值,选择一部分参数组合作为父代,其中,选择过程为根据适应度值进行随机抽样;
交叉子单元,用于通过从父代中选取一对参数组合,进行基因交叉,形成子代;
参数变异子单元,用于对子代中的参数进行变异;
子代评估子单元,用于通过预测模型,根据变异和交叉后的子代参数组合对产品性能进行预测,计算每个子代的适应度;
替换迭代子单元,用于根据自带适应度,替换部分父代,保留适应度高的参数组合,并重复执行父代选择、交叉、参数变异、替换,生成新的子代,逐步优化参数组合,直至迭代次数或适应度达到阈值。
进一步的,作为上述实施例优选的实施方案,提出一种结合遗传算法优化流程并应用于树脂混合过程的示例,具体的:
1. 初始化种群:
随机生成初始种群,每个个体表示一个混合参数组合。
2. 评估适应度:
使用预测模型,计算每个个体的适应度。
3. 选择:
根据适应度值选择父代个体,使用轮盘赌选择方法:
选择概率:
其中,所述表示选择个体/>的概率,所述/>是个体/>的适应度。
4. 交叉:
从父代个体中选取两个,进行单点交叉操作,生成两个子代:
交叉点:;
子代1:
子代2:
5. 变异:
对子代个体进行变异操作,以一定的概率发生变异:
变异率:
变异:
6. 评估子代适应度:
使用预测模型,计算每个子代个体的适应度。
7. 替换:
将子代个体替换部分父代个体,保留适应度较高的个体。
8. 迭代:
重复执行选择、交叉、变异、替换等步骤,生成新的子代,并逐步优化参数组合。
9. 终止条件:
迭代终止条件可以是达到预定的迭代次数,或者当适应度收敛到一定阈值时。
在上述描述中,涉及以下算法公式的示例:
适应度计算:将预测模型的输出作为适应度值,。
选择概率计算:,其中/>表示种群大小。
交叉点选择:,其中表示个体基因长度。
变异率:。
变异:,其中/>是变异幅度。
通过上述实施例中的具体算法组合将在遗传算法优化流程中引导个体参数的搜索,以达到更优的混合参数组合,从而优化树脂混合过程的产品性能。
一种树脂生产成型加工流程预测控制方法,该方法基于上述任一项所述的一种树脂生产成型加工流程预测控制系统,包括以下步骤:
S1. 在原材料准备阶段,收集原材料的特性数据,将原材料特性数据作为特征变量,结合多元线性回归算法分别对原材料的特征变量进行建模,并根据模型进行预测,得到质量预测结果;
S2. 将原材料特性数据进行参数组合,结合遗传算法确定最优的树脂混合参数组合并根据预测模型对不同参数组合的产品性能进行评估;
S3. 通过传感器数据监测树脂充填,对充填监测数据进行分析,预测充填不均匀并调整充填参数,完成树脂填充。
进一步的,所述步骤S1具体包括以下子步骤:
S101. 收集影响产品强度的特征变量和产品强度,所述特征变量至少包括流动性、粘度、硬度中的一种;
S102. 通过多元线性回归,建立多特征的线性组合模型,其中,多元线性回归模型为:
;
其中,所述表示产品强度,所述/>分别表示特征变量,所述/>分别表示模型的系数;
S103. 通过训练集对模型进行训练,寻找最优的系数,使损失函数最小化,其中,多元线性回归的损失函数为最小化预测值与实际值之间的平方误差,即:
;
其中,所述表示样本数量,所述/>表示第/>个样本的特性,/>表示目标值;
S104. 通过测试集对训练后的模型进行评估,计算预测值与实际值之间的误差;
S105. 通过评估后的模型对具有特征变量的产品的特征值进行预测产品强度,其中,模型通过将特征值代入多元线性回归模型中进行预测。
进一步的,所述步骤S2具体包括以下子步骤:
S201. 随机生成一组初始混合参数组合作为种群;
S202. 通过预测模型,根据参数组合的混合参数,预测产品性能,计算每个参数组合的适应度,所述适应度表示树脂产品的优劣程度;
S203. 通过预测模型,根据变异和交叉后的子代参数组合,预测产品性能,计算每个子代的适应度,并根据子代适应度,替换部分附带,保留高适应度的参数组合,通过替换机制将高性能的参数组合传递至下一代;
S204. 通过产品性能预测单元迭代终止得到的优化参数组合,选取该优化参数组合进行树脂混合。
进一步的,所述步骤S203具体包括以下子步骤:
S2031. 根据适应度值,选择一部分参数组合作为父代,其中,选择过程为根据适应度值进行随机抽样;
S2032. 通过从父代中选取一对参数组合,进行基因交叉,形成子代;
S2033. 对子代中的参数进行变异;
S2034. 通过预测模型,根据变异和交叉后的子代参数组合对产品性能进行预测,计算每个子代的适应度;
S2035. 根据自带适应度,替换部分父代,保留适应度高的参数组合,并重复步骤S2031,生成新的子代,逐步优化参数组合,直至迭代次数或适应度达到阈值。
进一步的,作为本实施例优选的具体实施方案,提出过传感器数据监测树脂充填,对充填监测数据进行分析,预测充填不均匀并调整充填参数,完成树脂填充的具体实施例,其中,所述步骤S3具体包括以下子步骤:
S301. 传感器数据采集:在充填模具的过程中,安装传感器以实时采集相关的数据,例如流动性、压力、温度等。传感器持续收集数据,形成数据流;
S302. 数据处理和特征提取:对采集到的原始传感器数据进行数据处理和特征提取,以提取有用的信息,其中数据处理具体包括平滑处理、滤波、数据降维等方法中的一种或多种;
S303. 实时监测模型建立:基于处理后的传感器数据,可以建立实时监测模型。这可以是机器学习模型,如回归、神经网络、支持向量机等,用于根据传感器数据预测充填过程中的状态或参数,例如充填的均匀性;
S304. 实时反馈控制策略:建立一个反馈控制策略,根据监测模型的预测结果,与预设的目标值进行比较,判断充填的均匀性是否达到要求。优选的,当不均匀时,控制策略产生相应的调整信号;
S305. 参数调整:根据反馈控制策略生成的调整信号,对充填过程中的参数进行实时调整;
S306. 实时控制:通过调整参数,实时控制树脂的流动性、分布等特征参数,以实现更均匀的充填过程;
S307. 循环反馈:持续采集传感器数据,进行预测和调整,以对充填过程的均匀性进行优化;
S308. 结果评估:充填过程结束后,根据最终产品的质量进行结果评估。当产品的均匀性达到预期,则表示实时监测与反馈控制策略有效;当产品均匀性不符合预期,调整监测模型、控制策略或传感器设置;
通过实时监测与反馈控制,树脂充填过程可以更加智能化和自动化,以实现更稳定和均匀的产品质量。这种策略能够减少人为干预,提高生产效率,并确保产品性能的一致性。
作为优选的,所述步骤S303具体还包括以下子步骤:
S3031. 对传感器中获取的原始数据进行数据清洗和预处理;
S3032.提取处理后的数据中所需的特征;
S3033. 根据预处理后的数据和特征,建立一个用于实时监测的模型。这可以是传统的统计模型(如线性回归、均值方差模型)或者更复杂的机器学习模型(如神经网络、支持向量机)。
作为优选的,所述步骤S304具体还包括以下子步骤:
S3041. 定义充填过程中的均匀性目标值;
S3042. 通过传感器获取的数据输入到监测模型中,实时计算预测结果,预测充填的均匀性;
S3043. 将实时监测模型的预测结果与设置的目标值进行比较,当预测结果与目标值相符或接近,说明充填的均匀性良好,不需要进行调整;当预测结果偏离目标值,需要进行调整;
S3044. 根据预测结果与目标值的比较,生成调整信号,需要说明的是,所述调整信号表示需要增加或减少某个参数(如流量、温度)来达到更均匀的充填效果;
S3045. 将生成的调整信号应用于充填过程中的参数;
S3046. 持续监测传感器数据,重复上述实时监测和反馈控制的过程,根据实时模型的预测结果,不断地调整充填过程的参数,以达到更均匀的产品充填。
以上所述仅是本发明的优选实施方式,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (8)
1.一种树脂生产成型加工流程预测控制系统,包括原材料质量预测模块,树脂混合优化预测模块和充填控制预测模块,所述原材料质量预测模块和树脂混合优化预测模块分别结合人工智能算法进行预测,得到质量预测结果和混合预测结果,所述质量预测结果和所述混合预测结果通过分析对树脂原材料出入和树脂混合进行控制,所述充填控制预测模块用于通过传感器数据监测树脂充填,对充填监测数据进行分析,预测充填不均匀并调整充填参数,其特征在于:
所述原材料质量预测模块用于得到质量预测结果;
所述树脂混合优化预测模块用于产品性能评估。
2.如权利要求1所述的一种树脂生产成型加工流程预测控制系统,其特征在于,所述原材料质量预测模块具体包括:
数据收集单元,用于收集影响产品强度的特征变量和产品强度,所述特征变量至少包括流动性、粘度、硬度中的一种,
模型建立单元,用于通过多元线性回归,建立多特征的线性组合模型,其中,多元线性回归模型为:
;
其中,所述表示产品强度,所述/>分别表示特征变量,所述/>分别表示模型的系数;
模型训练单元,用于通过训练集对模型进行训练,寻找最优的系数,使损失函数最小化,其中,多元线性回归的损失函数为最小化预测值与实际值之间的平方误差,即:
;
其中,所述表示样本数量,所述/>表示第/>个样本的特性,/>表示目标值;
模型评估单元,用于通过测试集对训练后的模型进行评估,计算预测值与实际值之间的误差;
模型预测单元,用于通过评估后的模型对具有特征变量的产品的特征值进行预测产品强度,其中,模型通过将特征值代入多元线性回归模型中进行预测。
3.如权利要求1所述的一种树脂生产成型加工流程预测控制系统,其特征在于,所述树脂混合优化预测模块具体包括:
种群初始化单元,用于随机生成一组初始混合参数组合作为种群;
适应度评估单元,用于通过预测模型,根据参数组合的混合参数,预测产品性能,计算每个参数组合的适应度,所述适应度表示树脂产品的优劣程度;
产品性能预测单元,用于通过预测模型,根据变异和交叉后的子代参数组合,预测产品性能,计算每个子代的适应度,并根据子代适应度,替换部分附带,保留高适应度的参数组合,通过替换机制将高性能的参数组合传递至下一代;
树脂混合选择单元,用于通过产品性能预测单元迭代终止得到的优化参数组合,选取该优化参数组合进行树脂混合。
4.如权利要求3所述的一种树脂生产成型加工流程预测控制系统,其特征在于,所述产品性能预测单元具体还包括:
父代选择子单元,用于根据适应度值,选择一部分参数组合作为父代,其中,选择过程为根据适应度值进行随机抽样;
交叉子单元,用于通过从父代中选取一对参数组合,进行基因交叉,形成子代;
参数变异子单元,用于对子代中的参数进行变异;
子代评估子单元,用于通过预测模型,根据变异和交叉后的子代参数组合对产品性能进行预测,计算每个子代的适应度;
替换迭代子单元,用于根据自带适应度,替换部分父代,保留适应度高的参数组合,并重复执行父代选择、交叉、参数变异、替换,生成新的子代,逐步优化参数组合,直至迭代次数或适应度达到阈值。
5.一种树脂生产成型加工流程预测控制方法,该方法基于权利要求1-5中任一项所述的一种树脂生产成型加工流程预测控制系统,其特征在于,包括以下步骤:
S1. 在原材料准备阶段,收集原材料的特性数据,将原材料特性数据作为特征变量,结合多元线性回归算法分别对原材料的特征变量进行建模,并根据模型进行预测,得到质量预测结果;
S2. 将原材料特性数据进行参数组合,结合遗传算法确定最优的树脂混合参数组合并根据预测模型对不同参数组合的产品性能进行评估;
S3. 通过传感器数据监测树脂充填,对充填监测数据进行分析,预测充填不均匀并调整充填参数,完成树脂填充。
6.如权利要求5所述的一种树脂生产成型加工流程预测控制方法,其特征在于,所述步骤S1具体包括以下子步骤:
S101. 收集影响产品强度的特征变量和产品强度,所述特征变量至少包括流动性、粘度、硬度中的一种;
S102. 通过多元线性回归,建立多特征的线性组合模型,其中,多元线性回归模型为:
;
其中,所述表示产品强度,所述/>分别表示特征变量,所述/>分别表示模型的系数;
S103. 通过训练集对模型进行训练,寻找最优的系数,使损失函数最小化,其中,多元线性回归的损失函数为最小化预测值与实际值之间的平方误差,即:
;
其中,所述表示样本数量,所述/>表示第/>个样本的特性,/>表示目标值;
S104. 通过测试集对训练后的模型进行评估,计算预测值与实际值之间的误差;
S105. 通过评估后的模型对具有特征变量的产品的特征值进行预测产品强度,其中,模型通过将特征值代入多元线性回归模型中进行预测。
7.如权利要求5所述的一种树脂生产成型加工流程预测控制方法,其特征在于,所述步骤S2具体包括以下子步骤:
S201. 随机生成一组初始混合参数组合作为种群;
S202. 通过预测模型,根据参数组合的混合参数,预测产品性能,计算每个参数组合的适应度,所述适应度表示树脂产品的优劣程度;
S203. 通过预测模型,根据变异和交叉后的子代参数组合,预测产品性能,计算每个子代的适应度,并根据子代适应度,替换部分附带,保留高适应度的参数组合,通过替换机制将高性能的参数组合传递至下一代;
S204. 通过产品性能预测单元迭代终止得到的优化参数组合,选取该优化参数组合进行树脂混合。
8.如权利要求7所述的一种树脂生产成型加工流程预测控制方法,其特征在于,所述步骤S203具体包括以下子步骤:
S2031. 根据适应度值,选择一部分参数组合作为父代,其中,选择过程为根据适应度值进行随机抽样;
S2032. 通过从父代中选取一对参数组合,进行基因交叉,形成子代;
S2033. 对子代中的参数进行变异;
S2034. 通过预测模型,根据变异和交叉后的子代参数组合对产品性能进行预测,计算每个子代的适应度;
S2035. 根据自带适应度,替换部分父代,保留适应度高的参数组合,并重复步骤S2031,生成新的子代,逐步优化参数组合,直至迭代次数或适应度达到阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311567602.0A CN117283743B (zh) | 2023-11-23 | 2023-11-23 | 一种树脂生产成型加工流程预测控制系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311567602.0A CN117283743B (zh) | 2023-11-23 | 2023-11-23 | 一种树脂生产成型加工流程预测控制系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117283743A true CN117283743A (zh) | 2023-12-26 |
CN117283743B CN117283743B (zh) | 2024-02-02 |
Family
ID=89239297
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311567602.0A Active CN117283743B (zh) | 2023-11-23 | 2023-11-23 | 一种树脂生产成型加工流程预测控制系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117283743B (zh) |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008290345A (ja) * | 2007-05-24 | 2008-12-04 | Sumitomo Chemical Co Ltd | 樹脂材料の設計方法、樹脂材料の設計プログラム、樹脂、及び樹脂製品 |
WO2017096423A1 (en) * | 2015-12-07 | 2017-06-15 | Deakin University | Method of forming phenolic foam |
CN112118949A (zh) * | 2018-04-02 | 2020-12-22 | 纳米电子成像有限公司 | 增材制造中用于人工智能反馈控制的系统、方法和介质 |
JP2021070210A (ja) * | 2019-10-30 | 2021-05-06 | アルプスアルパイン株式会社 | 制御装置、射出成形機、および制御方法 |
CN112976520A (zh) * | 2021-02-05 | 2021-06-18 | 深圳市浦联智能科技有限公司 | 一种用于注塑机的自调适方法 |
CN113119425A (zh) * | 2021-03-22 | 2021-07-16 | 广东工业大学 | 一种基于改进支持向量机的注塑产品质量预测方法 |
US20210370568A1 (en) * | 2020-05-27 | 2021-12-02 | Hitachi, Ltd. | Injection Molding System, Molding Condition Correction System, and Injection Molding Method |
CN114083771A (zh) * | 2020-08-24 | 2022-02-25 | 香港生产力促进局 | 智能注塑模具系统 |
EP3970956A1 (en) * | 2020-09-21 | 2022-03-23 | Airbus Defence And Space, S.A.U. | Method of controlling a resin infusion process |
KR102379259B1 (ko) * | 2021-08-18 | 2022-03-28 | (주)사이버테크프랜드 | AIoT 기반 사출제조 설비의 통합관리 시스템 및 그 운용방법 |
CN114616083A (zh) * | 2019-11-08 | 2022-06-10 | Ls美创有限公司 | 基于人工智能的注塑成型系统以及成型条件生成方法 |
CN115469614A (zh) * | 2022-08-31 | 2022-12-13 | 广西中烟工业有限责任公司 | 一种基于多元线性回归烟草加工控制方法 |
US20220410099A1 (en) * | 2019-11-28 | 2022-12-29 | Basf Se | Method and controlling system for controlling polymer viscosity quality |
CN115592915A (zh) * | 2022-10-12 | 2023-01-13 | 广东格林精密部件股份有限公司(Cn) | 一种注塑机运行数据监测预警系统 |
CN115782105A (zh) * | 2022-12-19 | 2023-03-14 | 深圳市瑞多益科技有限公司 | 一种注塑生产管理方法、系统、计算机设备及存储介质 |
CN116619780A (zh) * | 2023-06-15 | 2023-08-22 | 浙江恒耀电子材料有限公司 | 酚醛复合材料的智能化生产方法及其系统 |
CN116680657A (zh) * | 2023-08-01 | 2023-09-01 | 张家港禾福新材料科技有限公司 | 一种功能塑料母粒的加工控制方法及系统 |
KR20230147359A (ko) * | 2022-04-14 | 2023-10-23 | 울산과학기술원 | 토우프레그의 수지함량 예측 및 공정조건 추천을 위한 설비시스템 및 그 방법 |
-
2023
- 2023-11-23 CN CN202311567602.0A patent/CN117283743B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008290345A (ja) * | 2007-05-24 | 2008-12-04 | Sumitomo Chemical Co Ltd | 樹脂材料の設計方法、樹脂材料の設計プログラム、樹脂、及び樹脂製品 |
WO2017096423A1 (en) * | 2015-12-07 | 2017-06-15 | Deakin University | Method of forming phenolic foam |
CN112118949A (zh) * | 2018-04-02 | 2020-12-22 | 纳米电子成像有限公司 | 增材制造中用于人工智能反馈控制的系统、方法和介质 |
JP2021070210A (ja) * | 2019-10-30 | 2021-05-06 | アルプスアルパイン株式会社 | 制御装置、射出成形機、および制御方法 |
CN114616083A (zh) * | 2019-11-08 | 2022-06-10 | Ls美创有限公司 | 基于人工智能的注塑成型系统以及成型条件生成方法 |
US20220410099A1 (en) * | 2019-11-28 | 2022-12-29 | Basf Se | Method and controlling system for controlling polymer viscosity quality |
US20210370568A1 (en) * | 2020-05-27 | 2021-12-02 | Hitachi, Ltd. | Injection Molding System, Molding Condition Correction System, and Injection Molding Method |
CN114083771A (zh) * | 2020-08-24 | 2022-02-25 | 香港生产力促进局 | 智能注塑模具系统 |
EP3970956A1 (en) * | 2020-09-21 | 2022-03-23 | Airbus Defence And Space, S.A.U. | Method of controlling a resin infusion process |
CN112976520A (zh) * | 2021-02-05 | 2021-06-18 | 深圳市浦联智能科技有限公司 | 一种用于注塑机的自调适方法 |
CN113119425A (zh) * | 2021-03-22 | 2021-07-16 | 广东工业大学 | 一种基于改进支持向量机的注塑产品质量预测方法 |
KR102379259B1 (ko) * | 2021-08-18 | 2022-03-28 | (주)사이버테크프랜드 | AIoT 기반 사출제조 설비의 통합관리 시스템 및 그 운용방법 |
KR20230147359A (ko) * | 2022-04-14 | 2023-10-23 | 울산과학기술원 | 토우프레그의 수지함량 예측 및 공정조건 추천을 위한 설비시스템 및 그 방법 |
CN115469614A (zh) * | 2022-08-31 | 2022-12-13 | 广西中烟工业有限责任公司 | 一种基于多元线性回归烟草加工控制方法 |
CN115592915A (zh) * | 2022-10-12 | 2023-01-13 | 广东格林精密部件股份有限公司(Cn) | 一种注塑机运行数据监测预警系统 |
CN115782105A (zh) * | 2022-12-19 | 2023-03-14 | 深圳市瑞多益科技有限公司 | 一种注塑生产管理方法、系统、计算机设备及存储介质 |
CN116619780A (zh) * | 2023-06-15 | 2023-08-22 | 浙江恒耀电子材料有限公司 | 酚醛复合材料的智能化生产方法及其系统 |
CN116680657A (zh) * | 2023-08-01 | 2023-09-01 | 张家港禾福新材料科技有限公司 | 一种功能塑料母粒的加工控制方法及系统 |
Non-Patent Citations (2)
Title |
---|
伍朝阳;刘伯威;刘咏;黄伯云;: "基于神经网络的树脂基摩擦材料摩擦因数的预测模型", 粉末冶金材料科学与工程, no. 05, pages 23 - 27 * |
杨榛;顾幸生;梁晓怿;张睿;凌立成;: "基于PCA-GA神经网络模式识别的炭纤维复合材料导电综合性能优化及预测的研究", 计算机与应用化学, no. 12, pages 73 - 78 * |
Also Published As
Publication number | Publication date |
---|---|
CN117283743B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113119425B (zh) | 一种基于改进支持向量机的注塑产品质量预测方法 | |
CN111080408B (zh) | 一种基于深度强化学习的订单信息处理方法 | |
Bachir et al. | Using artificial neural networks approach to estimate compressive strength for rubberized concrete | |
Chen et al. | Prediction and control for silicon content in pig iron of blast furnace by integrating artificial neural network with genetic algorithm | |
CN113094988A (zh) | 一种基于数据驱动的浆液循环泵运行优化方法及系统 | |
CN110571792A (zh) | 一种电网调控系统运行状态的分析评估方法及系统 | |
CN109858714B (zh) | 基于改进神经网络的烟丝质检指标预测方法、装置及系统 | |
CN109165694B (zh) | 一种对非平衡数据集的分类方法及系统 | |
CN111611748B (zh) | 一种数据驱动的材料逆向设计方法及系统 | |
EP2130099A1 (en) | Inferential sensors developed using three-dimensional pareto-front genetic programming | |
CN111639820A (zh) | 一种水泥炉窑生产的能耗参数优化方法及系统 | |
CN109940458A (zh) | 一种刀具未来磨损量在线预测方法 | |
CN117283743B (zh) | 一种树脂生产成型加工流程预测控制系统及方法 | |
CN113103535A (zh) | 一种基于ga-elm-ga的注塑件模具参数优化方法 | |
CN115936241A (zh) | 一种电力施工作业节奏预测方法及系统 | |
CN105389442A (zh) | 一种耦合遗传算法、神经网络与数值模拟的反向设计方法 | |
CN116661402B (zh) | 一种化工材料的生产管控方法及系统 | |
CN116934168B (zh) | 用于液晶产品的密封剂质量评估方法及系统 | |
CN103793582B (zh) | 圆柱壳大开孔接管结构优化方法 | |
CN113705897A (zh) | 一种面向工业铜箔生产的产品质量预测方法及系统 | |
CN112464554A (zh) | 一种汽油精制设备的操作参数优化方法 | |
CN116741315A (zh) | 一种针对地聚物混凝土强度进行预测方法 | |
CN116539459A (zh) | 一种基于声发射监测和机器学习的疲劳裂纹扩展速率预测方法和系统 | |
CN113223634B (zh) | 基于二维自注意力增强gru模型高炉铁水硅含量预测方法 | |
CN112599194B (zh) | 甲基化测序数据的处理方法和装置 |
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 |