塑料注射成型工艺参数优化的模糊规则网络模型

注射成型是塑料产品成型的最主要工艺,工艺参数是影响成型产品外观、尺寸与性能的关键因素之一。工艺参数的设置与优化属于弱理论、强经验的问题,迫切需要发展科学化、系统化的方法。针对产品缺陷修正中人工经验依赖性强的问题,构建知识的统一模糊化规则形式,建立工艺优化知识表示和推理于一体的Takagi-Sugeno-Kang(TSK)模糊规则网络模型。进一步,提出从工艺数据集自动发现工艺参数优化规则的学习方法,采用Dropout策略与Bagging集成学习策略缓解高维工艺数据下工艺知识库增长出现的规则数量爆炸等问题。分析了模糊规则网络参数、结构对知识表示和推理的影响,建立模型的参数学习与结构优化的双重进化方法。提出基于经验回放的工艺数据增量学习方法,建立数据的增量学习策略。在注射成型工艺数据集上的结果表明,模型的规则数量和长度降低了50%,具有高可解释性以及增量学习稳定性。     

基于注塑机螺杆位置与压力曲线的注射成型过程监测方法

提出基于注塑机螺杆位置与压力信号，采用非线性数据降维方法提取成型特征，建立原材料、模具温度与制品成型质量之间的神经网络模型，实现注射成型过程的故障监测和质量预测。试验结果表明：与未降维的数据和主成分分析等线性降维方法相比，拉普拉斯映射法和扩散系数图法相结合的非线性降维方法可从螺杆位置与压力信号中判断制品原材料、模具温度的异常及预测制品成型质量，在验证集和测试集均获得了高于0.92的回归系数，所提出的方法提取了原始曲线数据内在的高维度、非线性、强耦合的数据关系，有效进行了数据降维，提高了故障监测与质量预测模型的精度与效率。