基于人工智能的注塑成型系统以及注塑成型系统中的成型条件生成方法与流程

1.本发明涉及注塑成型系统。


背景技术：

2.注塑成型是制造塑料产品时利用最广泛的一种制造方法。例如，通过注塑成型可以制造包括电视机、手机、pda等产品的套、壳在内的各种不同的部件。
3.通常，通过注塑成型制造产品，由以下工艺实现。首先，将添加了颜料、稳定剂、增塑剂、填料等的成型材料投入到料斗中以制成熔融状态。然后，将熔融状态的成型材料注入到模具内后，通过冷却使其凝固。然后，从模具中取出已凝固的成型材料后，去除不必要的部分。由这些工艺制造出具有各种不同种类和尺寸的产品。
4.作为用于执行此种注塑成型的设备，采用注塑成型机。注塑成型机包括用于供应熔融状态的成型材料的注射装置，以及通过冷却使熔融状态的成型材料凝固的锁模装置。
5.为了用注塑成型机制造产品，需要有人员来直接设置温度、速度、压力、时间等各种不同的变量，因此，存在如下问题：现场对于专家的依赖度只能很高，即使有专家设置各种不同的变量，工艺条件也会根据设定的人员而大有不同，从而会出现产品质量不稳定的问题。
6.为了解决这种问题，虽然提出了模拟技术，然而模拟技术在通常的计算环境下会需要约30分钟到两个小时的时间，因而存在所需时间较长的问题，亦无法精准模拟出实际实验，因而存在准确度低的问题。


技术实现要素：

7.发明所要解决的问题
8.本发明旨在解决上述问题，所要解决的技术问题在于，提供一种基于人工智能的注塑成型系统以及注塑成型系统中的成型条件生成方法，能够在短时间内提供具有高准确度的成型条件。
9.本发明所要解决的技术问题在于，提供一种基于人工智能的注塑成型系统以及注塑成型系统中的成型条件生成方法，能够利用基于深度学习的成型条件生成模型生成成型条件。
10.本发明所要解决的技术问题在于，提供一种基于人工智能的注塑成型系统以及注塑成型系统中的成型条件生成方法，能够对从成型条件生成模型误输出的成型条件进行附加学习而提供最佳的成型条件。
11.解决问题的技术方案
12.根据用于达到上述目的的本发明的一方面的基于人工智能的注塑成型系统，其特征在于，包括：规格数据提取部210，从有关被供应熔融状态的第一成型材料的模具的模具信息中提取用所述模具生产的产品的目标规格数据；成型条件输出部220，将提取出的所述
目标规格数据输入到预先学习好的成型条件生成模型230中，输出成型条件；注塑成型机100，按照所述成型条件将所述第一成型材料供应给所述模具，生产所述产品；以及判断部250，将生产出的所述产品的生产规格数据与所述目标规格数据进行比较，判断所述成型条件是否适合，若所述判断部250判断出所述成型条件不适合，则所述成型条件输出部220将所述生产规格数据和所述成型条件生成为一个反馈数据集，用所述反馈数据集使所述成型条件生成模型230学习。
13.根据用于达到上述目的的本发明的另一方面的注塑成型系统中的成型条件生成方法，其特征在于，包括：从有关被供应熔融状态的成型材料的模具的模具信息中提取作为产品的规格的目标规格数据的步骤；将提取出的所述目标规格数据输入到预先学习好的成型条件生成模型中，输出成型条件的步骤；按照所述成型条件，将所述成型材料供应给所述模具来生产产品的步骤；测定生产出的所述产品的生产规格数据的步骤；将测定出的所述生产规格数据与所述目标规格数据进行比较，判断成型条件是否适合的步骤；以及若由所述成型条件是否适合的判断结果判断出所述成型条件不适合，则将不适合的成型条件与所述生产规格数据作为一个反馈数据集，使所述成型条件生成模型学习的步骤。
14.发明效果
15.根据本发明，具有在没有熟练专家的情况下亦能够短时间内提供具有高准确度的成型条件的效果。
16.根据本发明，能够利用基于深度学习的成型条件生成模型生成成型条件，因此具有能够保障成型条件生成模型的性能的效果。
17.本发明通过对从成型条件生成模型误输出的成型条件进行附加学习，能够渐进地提升成型条件生成模型的性能，因此具有能够生成最佳的成型条件的效果。
附图说明
18.图1是示出了根据本发明一实施例的基于人工智能的注塑成型系统的附图。
19.图2是示出了根据本发明一实施例的注塑成型机的构造的附图。
20.图3是示出了固定模具与移动模具开模时的情形的附图。
21.图4是示出了通过移动部使固定模具与移动模具合模时的情形的附图。
22.图5是示出了根据本发明一实施例的成型条件生成装置的构造的附图。
23.图6是示出了根据本发明一实施例的注塑成型系统中的成型条件生成方法的流程图。
具体实施方式
24.以下参照附图，详细说明本发明的实施例。
25.图1是示出了根据本发明一实施例的基于人工智能的注塑成型系统的附图。
26.根据本发明的基于人工智能的注塑成型系统10(以下称作“注塑成型系统”)利用成型材料，按照最佳的成型条件来生产产品。为此，如图1所示，注塑成型系统10包括注塑成型机100和成型条件生成装置200。
27.根据本发明的注塑成型机100通过执行注塑成型来制造产品。
28.图2是示出了根据本发明一实施例的注塑成型机100的构造的附图。将参照图1和
图2，更详细说明注塑成型机100。
29.如图1和图2所示，根据本发明的注塑成型机100包括注射装置102和锁模装置103。
30.注射装置102将熔融状态的成型材料供应给锁模装置103。注射装置102可以包括筒121、配置于筒121的内部的注射螺杆122和用于驱动注射螺杆122的注射驱动部123。筒121可以配置为与第一轴方向(x轴方向)平行。第一轴方向(x轴方向)可以平行于注射装置102与锁模装置103彼此间隔的方向。在向筒121的内部供应成型材料时，注射驱动部123使注射螺杆122旋转，从而使供应到筒121的内部的成型材料向第一方向(fd箭头方向)移动。在此过程中，成型材料可以因摩擦和加热而熔融。第一方向(fd箭头方向)是从注射装置102朝向锁模装置103的方向，可以是与第一轴方向(x轴方向)平行的方向。当熔融状态的成型材料相对于注射螺杆122位于第一方向(fd箭头方向)侧时，注射驱动部123可以使注射螺杆122向第一方向(fd箭头方向)移动。由此，熔融状态的成型材料可以从筒121供应到锁模装置103。
31.锁模装置103通过冷却使熔融状态的成型材料凝固。锁模装置103可以包括结合了固定模具150的固定模板131、结合了移动模具160的移动模板132和使移动模板132沿第一轴方向(x轴方向)移动的移动部133。
32.图3和图4是示出了通过移动部使固定模具与移动模具合模时的情形的附图。
33.移动部133使移动模板132向第二方向(sd箭头方向)移动，从而使移动模具160与固定模具150合模，则注射装置102向移动模具160和固定模具150的内部供应熔融状态的成型材料。第二方向(sd箭头方向)是与第一轴方向(x轴方向)平行且与第一方向(fd箭头方向)相反的方向。然后，锁模装置103通过冷却使填充于移动模具160和固定模具150的内部的熔融状态的成型材料凝固，移动部133使移动模板132向第一方向(fd箭头方向)移动，从而使移动模具160与固定模具150开模。
34.锁模装置103可以包括拉杵134。拉杵134导引移动模板132的移动。移动模板132可以可移动地与拉杵134结合。移动模板132可以沿着拉杵134在第一轴方向(x轴方向)上移动。拉杵134可以配置为与第一轴方向(x轴方向)平行。拉杵134可以分别插入结合到固定模板131和移动模板132。
35.另一方面，根据本发明的注塑成型机100按照由成型条件生成装置200生成的成型条件将成型材料供应给合模了的移动模具160和固定模具150，从而生产产品。以下将移动模具160和固定模具150记载为模具。
36.成型条件生成装置200生成成型条件，并将其传递给注塑成型机100。此时，成型条件生成装置200为了生成最佳的成型条件，利用按照该成型条件生产出的产品来判断成型条件是否适合。
37.以下，参照图5，更详细地说明根据本发明的成型条件生成装置200。
38.图5是示出了根据本发明一实施例的成型条件生成装置200的构造的附图。如图5所示，成型条件生成装置200包括规格数据提取部210、成型条件输出部220、成型条件生成模型230和判断部250。
39.规格数据提取部210从模具信息中提取作为产品规格的目标规格数据。具体地，规格数据提取部210从有关用于接收熔融状态的第一成型材料供应的模具的模具信息中提取由该模具生产出的产品的目标规格数据。此时，第一成型材料代表用于要生产的产品的成
型材料。
40.在一实施例中，规格数据包括形状信息和产品的重量信息中的至少一个。
41.在一实施例中，形状信息可以包括模具所生产的产品的总体积、模具的型腔(cavitiy)的体积、型腔的数量、模具的浇口的数量、产品的表面积、型腔的表面积、产品的第一投影面积xy、产品的第二投影面积yz、产品的第三投影面积zx、产品的最大厚度、产品的平均厚度、产品的厚度的标准偏差、浇口的直径、浇口到产品的末端的最大流动距离、最大流动距离与产品的平均厚度之比中的至少一个。
42.此时，第一至第三投影面积代表产品在各个轴面(xy、yz、zx)上的垂直投影面积。浇口的直径代表圆直径(circular diameter)或水力直径。
43.在一实施例中，规格数据提取部210可以扫描用于生产该产品的模具来生成模具信息，并从模具信息中提取产品的形状信息。不同于该实施例，规格数据提取部210亦可以接收所输入的产品的模具图来生成模具信息，并由此提取产品的形状信息。
44.在一实施例中，规格数据提取部210从材料物性数据库215提取复数个成型材料中的第一成型材料的固态密度。此外，规格数据提取部210可以利用提取出的第一成型材料的固态密度和产品的总体积来提取产品的重量。
45.材料物性数据库215存储有复数个成型材料的固态密度。在图5中，为了便于说明，图示了成型条件生成装置200包括材料物性数据库215时的情形，但这仅仅是一个示例，材料物性数据库215亦可以构成为独立于成型条件生成装置200的结构。
46.成型条件输出部220将由规格数据提取部210提取出的目标规格数据输入到预先学习好的成型条件生成模型230中，输出成型条件。在一实施例中，成型条件可以包括模具的温度、筒121的温度、注塑成型机100的注射速度、注塑成型机100的保压时间和注塑成型机100的保压压力中的至少一个。
47.成型条件输出部220将输出的成型条件传递给注塑成型机100。由此，注塑成型机100按照成型条件将第一成型材料供应给模具，从而生产产品。
48.在一实施例中，当根据利用所输出的成型条件生产产品的结果判断出该成型条件不适合时，成型条件输出部220将以不适合的成型条件生产出的产品的生产规格数据与该成型条件生成为一个反馈数据集。此外，成型条件输出部220用反馈数据集使成型条件生成模型230进行学习。
49.在一实施例中，成型条件输出部220可以在成型条件生成模型230进行学习时，使其用反馈数据集进行迁移学习(transfer learning)。
50.在成型条件生成模型230利用反馈数据集完成学习时，成型条件输出部220可以将目标规格数据输入到成型条件生成模型230中，输出修改后的成型条件。
51.如上所述，本发明将以不适合的成型条件生产出的产品的生产规格数据与该成型条件生成为一个数据集，使成型条件生成模型230进行学习，不仅能够渐进地提升成型条件生成模型230的性能，还能够因而自动地探寻出优化的成型条件，因此具有在没有熟练专家的情况下亦能够生产出最高品质产品的效果。
52.当成型条件生成模型230通过成型条件输出部220输入到目标规格数据时，生成相应的成型条件。成型条件生成模型230可以通过成型条件输出部220来学习。尤其是，根据本发明的成型条件生成模型230可以在由利用成型条件输出部220所输出的成型条件生产产
品的结果来判断出该成型条件不适合时，将以不适合的成型条件生产出的产品的生产规格数据与该成型条件作为一个反馈数据集来进行附加学习。
53.在一实施例中，成型条件生成模型230可以是能够基于复数个权值和复数个偏置(bias)并根据目标规格数据来输出成型条件的神经网络。根据该实施例，成型条件生成模型230可以用人工神经网络(artificial neural network，ann)算法来实现。
54.判断部250将利用成型条件输出部220输出的成型条件生产出的产品的生产规格数据与规格数据提取部210提取出的目标规格数据进行比较，判断成型条件是否适合。具体地，在生产规格数据距离目标规格数据超出了预先规定的基准范围时，判断部250将该成型条件判断为不适合。并且，在生产规格数据距离目标规格数据在预先规定的基准范围以内时，判断部250将该成型条件判断为适合。
55.例如，在生产规格数据所包括的产品的重量被测定为100g，目标规格数据所包括的产品的重量被提取为90g，基准范围为5g时，判断部250判断由于生产规格数据的重量与目标规格数据的重量相比超出了基准范围，因此该成型条件不合适。
56.在成型条件被判断为不适合时，判断部250向注塑成型机100传递停止命令。由此，注塑成型机100停止产品的生产。并且，在成型条件被判断为不适合时，判断部250向成型条件输出部220传送反馈学习命令。由此，成型条件输出部220将不适合的成型条件与生产规格数据作为一个反馈数据集使成型条件生成模型230学习。
57.另一方面，根据本发明的成型条件生成装置200，如图5所图示，还可以包括规格数据测定部240和模型生成部260。
58.规格数据测定部240测定注塑成型机100所生产的产品的生产规格数据。为此，如图5所示，规格数据测定部240包括取出单元242和规格数据生成单元244。
59.取出单元242从模具中取出所生产出的产品。例如，取出单元242可以是多关节取出机器人。
60.规格数据生成单元244由取出的产品生成生产规格数据。具体地，规格数据生成单元244拍摄产品来生成第一形状信息，测定产品的重量来生成第一重量信息，并生成包括第一形状信息和第一重量信息的生产规格数据。此时，规格数据生成单元244可以实现为视觉系统(未图示)，以生成第一形状信息。
61.在一实施例中，产品的第一形状信息可以包括产品的总体积、与模具的型腔(cavitiy)对应的部分的体积、与型腔对应的部分的数量、与模具的浇口对应的部分的数量、产品的表面积、产品的第一投影面积xy、产品的第二投影面积yz、产品的第三投影面积zx、产品的最大厚度、产品的平均厚度、产品的厚度的标准偏差、与浇口对应的部分的直径、从与浇口对应的部分到产品的末端的最大流动距离、最大流动距离与产品的平均厚度之比中的至少一个。
62.规格数据生成单元244将所生成的生产规格数据传递给判断部250。
63.模型生成部260生成成型条件生成模型230。具体地，模型生成部260可以利用复数个学习数据集使神经网络学习，从而生成成型条件生成模型230。
64.模型生成部260将预先收集的复数个学习成型条件与按照各个学习成型条件生产出的产品的学习规格数据进行整合，生成复数个学习数据集。此时，学习成型条件可以包括模具的温度、筒121的温度、注塑成型机100的注射速度、注塑成型机100的保压时间、注塑成
型机100的保压压力中的至少一个。学习规格数据可以包括形状信息和产品的重量信息中的至少一个。
65.模型生成部260用所生成的复数个学习数据集使神经网络学习，从而生成成型条件生成模型230。
66.作为一示例，模型生成部260用学习数据集使具有预先规定的层结构的神经网络学习而构建重量预测系统，并执行将学习数据集转换到同一个取值范围内的最小-最大归一化(min-max normalization)。此时，学习数据集可以分为由形状信息和成型条件组成的n维输入数据，以及由产品的重量信息组成的一维输出数据。n可以代表形状信息和成型条件所包括的信息的数量。例如，形状信息包括15条信息且成型条件包括5条信息，则n为20。
67.此外，模型生成部260将输入数据和输出数据按预先规定的比例划分为学习用、验证用和测试用。为了提高成型条件生成模型230的准确度，模型生成部260提取形状信息中与产品的重量信息相关的形状信息，并利用它生成产品的重量预测系统。在一实施例中，模型生成部260可以执行敏感度分析，以提取形状信息中与产品的重量信息相关的形状信息。
68.在一实施例中，模型生成部260可以执行网格搜索(grid search)或随机搜索(random search)，以确定神经网络的超参数。此时，网格搜索可以适用于激活函数、优化方法、初始化方法，随机搜索则可以适用于其余超参数。
69.模型生成部260利用所生成的重量预测系统，生成能够逆向地在提供重量时导出与该重量对应的成型条件的成型条件生成模型230。由此，当输入形状信息和重量信息时，成型条件生成模型230可以接收根据该形状信息的重量信息输入，从而导出相应的成型条件。
70.在一实施例中，模型生成部260可以利用粒子群优化(particle swarm optimization)或随机搜索(random search)由重量预测系统生成成型条件生成模型230。
71.本发明能够通过由模型生成部260生成的成型条件生成模型230来指导用户以在不具有有关注塑成型的专业知识的情况下仍能够找出工艺条件，能够降低对专家的依赖度，通过利用了反馈数据的附加学习，能够改进该成型条件生成模型230，因而能够确保更高准确度，具有能够基于无人注塑成型系统来构建注塑领域的智能工厂的效果。
72.以下，参照图6来具体说明根据本发明的注塑成型系统中的成型条件生成方法。此时，根据本发明的注塑成型系统中的成型条件生成方法可以由图1所图示的注塑成型系统执行。
73.图6是示出了根据本发明一实施例的注塑成型系统中的成型条件生成方法的流程图。
74.注塑成型系统10从模具信息中提取作为产品的规格的目标规格数据s600。具体地，注塑成型系统10从有关被供应熔融状态的第一成型材料的模具的模具信息中提取由该模具生产出的产品的目标规格数据。此时，第一成型材料代表用于要生产的产品的成型材料。
75.在一实施例中，规格数据包括形状信息和产品的重量信息中的至少一个。
76.在一实施例中，产品的形状信息可以包括模具所生产的产品的总体积、模具的型腔(cavitiy)的体积、型腔的数量、模具的浇口的数量、产品的表面积、型腔的表面积、产品的第一投影面积xy、产品的第二投影面积yz，产品的第三投影面积zx、产品的最大厚度、产
品的平均厚度、产品的厚度的标准偏差、浇口的直径、浇口到产品的末端的最大流动距离、最大流动距离与产品的平均厚度之比中的至少一个。
77.此时，第一至第三投影面积代表产品在各个轴面(xy、yz、zx)上的垂直投影面积。并且，浇口的直径代表圆直径(circular diameter)或水力直径。
78.注塑成型系统10从材料物性数据库215提取复数个成型材料中的第一成型材料的固态密度。此外，注塑成型系统10可以利用提取出的第一成型材料的固态密度和产品的总体积来提取产品的重量。
79.然后，注塑成型系统10将提取出的目标规格数据输入到预先学习好的成型条件生成模型230中，输出成型条件s610。在一实施例中，成型条件可以包括模具的温度、筒121的温度、注塑成型机100的注射速度、注塑成型机100的保压时间和注塑成型机100的保压压力中的至少一个。
80.然后，注塑成型系统10按照成型条件将第一成型材料供应给模具来生产产品s620。
81.然后，注塑成型系统10测定生产出的产品的生产规格数据s630。
82.然后，注塑成型系统10将测定出的生产规格数据与目标规格数据进行比较，判断成型条件是否适合s640。具体地，在生产规格数据距离目标规格数据在预先规定的基准范围以内时，注塑成型系统10将该成型条件判断为适合s650。在生产规格数据距离目标规格数据超出了预先规定的基准范围时，注塑成型系统10将该成型条件判断为不适合s660。
83.在成型条件被判断为不适合时，注塑成型系统10中止产品生产。
84.然后，若成型条件被判断为不适合，则注塑成型系统10将不适合的成型条件与生产规格数据作为一个反馈数据集，使成型条件生成模型230学习s670。
85.在一实施例中，注塑成型系统10可以用反馈数据集使成型条件生成模型230进行迁移学习。
86.然后，在成型条件生成模型230利用反馈数据集完成学习时，注塑成型系统10可以将目标规格数据输入到成型条件生成模型230中，输出修改后的成型条件。
87.可以理解，本发明所属技术领域普通技术人员能够在不变更技术思想或必要特征的前提下，以其他具体方式来实施上述的本发明。
88.并且，本文中所说明的方法的至少有一部分可以使用一个以上计算机程序或组成部分来实施。该组成部分可以通过包括易失性和非易失性存储器的计算机可读介质或机器可读介质，以一系列计算机命令的方式提供。所述命令可以以软件或固件的方式提供，亦可以整个或部分实现于诸如asics、fpgas、dsps或其余的其他类似元件等的硬件结构。所述命令可以由一个以上处理器或其他硬件结构执行，在所述处理器或其他硬件结构执行所述一系列计算机命令时，执行或能够执行本文所公开的方法以及步骤中的全部或一部分。
89.因此，应当理解，以上所描述的实施例在任何方面均为示例性的，而非限定性的。本发明的范围由下述权利要求书来呈现，而非所述说明书。权利要求书的含义、范围以及由等同概念导出的所有变更或变型形态应解释为均包含在本发明的范围内。