一种汽车保险杠注塑保压阶段的智能优化方法与流程
本申请涉及汽车注塑成型、注塑工艺智能控制以及人工智能驱动的工艺优化,尤其是一种汽车保险杠注塑保压阶段的智能优化方法。
背景技术:
1、汽车保险杠等大型薄壁塑料制件在注塑成型中广泛采用多级保压工艺,保压阶段通过控制型腔内熔体的补缩行为、分子取向和残余应力分布,直接影响制品翘曲、收缩、飞边和尺寸稳定性。为确定保压工艺参数,目前主要通过以下途径:一是工艺人员在首轮调模时根据试模样品反复调整保压压力、保压时间、压力切换位置和模温等参数;二是借助模流分析软件对填充、冷却和保压过程执行数值模拟,预测制品质量并据此筛选工艺;三是采用实验设计方法安排试制,利用回归或响应面模型拟合工艺参数与质量指标之间的关系;四是引入神经网络等机器学习模型预测制品质量,以仿真结果或实测数据训练模型后,结合进化算法搜索较优工艺参数。
2、然而,上述途径在数据来源与寻优方式上仍有局限。一方面,模流仿真与现场实测之间在尺度、边界条件和材料参数上存在系统性差异,仿真结果与实际检测结果的口径并不完全一致,仅凭实测样本难以覆盖高维工艺空间,仅凭仿真又难以反映真实模具工况,而直接将两类数据混合建模又会使仿真携带的系统偏差混入模型,难以获得既覆盖全面又符合真实工况的质量预测模型。另一方面,现有基于代理模型的工艺寻优大多以一次实验设计获得的固定样本集训练模型后即投入搜索,代理模型对未采样工艺区域的预测并不可靠,多目标搜索在这些不可信区域迭代会产生大量无效仿真与试制,收敛前仍需较多真实试模;同时翘曲、收缩与工艺稳定性等目标相互冲突,单目标或固定权重的寻优方式难以兼顾各保险杠功能分区的质量要求,容易停留在局部较优的工艺方案。
技术实现思路
1、本申请提供一种汽车保险杠注塑保压阶段的智能优化方法,旨在解决上述背景技术中提到的现有技术存在的问题或问题之一。
2、本申请提供的一种汽车保险杠注塑保压阶段的智能优化方法,具体包括:
3、获取保压阶段的型腔压力时序数据与型腔温度时序数据,并采集对应制品的质量检测数据,执行同步采集、噪声滤除与时间对齐处理,再进行特征提取,生成保压过程感知数据集;
4、基于所述保压过程感知数据集与模流仿真结果,依次执行空间填充采样与模流仿真、偏差标定和置信度加权融合处理,生成代理模型训练样本集;
5、基于所述代理模型训练样本集对应的训练集、验证集和测试集,依次执行分区映射定义、模型训练、超参数搜索和残差校验处理,生成数据驱动代理模型;
6、基于所述数据驱动代理模型,依次执行预测不确定性量化、智能采样、增量训练和收敛判断处理,生成最终数据驱动代理模型;
7、基于所述最终数据驱动代理模型,执行多目标进化寻优和帕累托推荐决策处理,生成最优保压工艺组合。
8、本申请提供的一种汽车保险杠注塑保压阶段的智能优化方法,具有以下有益效果:
9、实施本实施例,将型腔压力与温度感知数据、制品质量检测数据与模流仿真结果执行偏差标定和置信度加权融合,形成经实测口径校正且覆盖工艺空间的代理模型训练样本集,并以按保险杠功能分区定义的多输入多输出映射构建数据驱动代理模型,从而以覆盖广且口径一致的训练数据支撑各功能分区的质量预测,提升了代理模型对真实模具工况的刻画能力与分区质量预测的针对性。
10、在此基础上,对所述数据驱动代理模型执行预测不确定性量化与智能采样,仅在模型预测不确定程度高、值得补样的工艺区域补充仿真或试制样本,并经增量训练与收敛判断逐步逼近真实工艺响应,从而以较少的仿真与试制次数提升模型在未采样区域的预测可靠性,降低了对高成本试模的依赖,缩短了模型收敛周期。
11、进一步基于收敛后的最终数据驱动代理模型执行多目标进化寻优与帕累托推荐决策,在相互冲突的多个质量目标之间获取兼顾各保险杠功能分区质量要求的全局较优保压工艺组合,提升了多目标冲突下的全局寻优能力。
12、整套方案以保压过程感知、仿真—实测融合建模、主动补样收敛与多目标全局寻优的全链路协同方式,降低了保压工艺确定过程中对经验试错与批量试模的依赖,从而解决了模流仿真与实测口径不一致导致质量预测模型不可靠、以及静态代理模型在未采样区域盲目搜索产生大量无效仿真与试制的技术问题。
1.一种汽车保险杠注塑保压阶段的智能优化方法,其特征在于,包括:
2.根据权利要求1所述的一种汽车保险杠注塑保压阶段的智能优化方法,其特征在于,所述基于所述代理模型训练样本集对应的训练集、验证集和测试集,依次执行分区映射定义、模型训练、超参数搜索和残差校验处理,生成数据驱动代理模型,包括:
3.根据权利要求2所述的一种汽车保险杠注塑保压阶段的智能优化方法,其特征在于,所述候选代理模型集合至少包括深度神经网络与高斯过程回归模型。
4.根据权利要求3所述的一种汽车保险杠注塑保压阶段的智能优化方法,其特征在于,所述基于所述标准化模型特征集及对应质量响应,执行候选代理模型集合训练,生成能够同时输出质量预测均值和预测方差的候选代理模型集合,包括:
5.根据权利要求3所述的一种汽车保险杠注塑保压阶段的智能优化方法,其特征在于,所述候选代理模型集合还可以包括:随机森林或混合集成模型;
6.根据权利要求1所述的一种汽车保险杠注塑保压阶段的智能优化方法,其特征在于,所述基于所述数据驱动代理模型,依次执行预测不确定性量化、智能采样、增量训练和收敛判断处理,生成最终数据驱动代理模型,包括:
7.根据权利要求1所述的一种汽车保险杠注塑保压阶段的智能优化方法,其特征在于,所述基于所述最终数据驱动代理模型,执行多目标进化寻优和帕累托推荐决策处理,生成最优保压工艺组合,包括:
8.根据权利要求1所述的一种汽车保险杠注塑保压阶段的智能优化方法,其特征在于,还包括:s6:基于所述最优保压工艺组合及历史模具工艺数据,执行跨模具案例构建、相似检索和参数迁移处理,生成适配当前模具的最终迁移模型与更新的知识复用权重。
9.根据权利要求8所述的一种汽车保险杠注塑保压阶段的智能优化方法,其特征在于,还包括:s7:基于所述适配当前模具的最终迁移模型与更新的知识复用权重,执行实时压温反馈采集、扰动判别、局部重优化、模型增量更新和知识回写处理,生成完整闭环优化日志。
10.一种汽车保险杠注塑保压阶段的智能优化装置,其特征在于,包括:
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com