一种塑料注射成型工艺参数优化方法及装置制造方法及图纸

一种塑料注射成型工艺参数优化方法及装置，所述方法包括步骤：构建模糊神经网络；获取原始数据集；设置优化参数；根据所述原始数据集和所述优化参数生成训练集；计算所述模糊神经网络的隶属度层节点输出；根据所述优化参数计算所述模糊神经网络的规则标准触发强度；根据所述训练集训练所述模糊神经网络；计算所述模糊神经网络的优化输出。本申请使用模糊神经网络进行塑料注射成型工艺规则的优化和推理，可直接在模糊网络中进行端到端的学习，无需先进行数据的聚类或降维等预处理，有效解决了塑料注射成型工艺规则优化推理过程中的数据冗余问题，极大地提高了推理效率，由此所得塑料注射成型规则库中的规则在具有高精度的同时还有着很好的可解释性。还有着很好的可解释性。还有着很好的可解释性。

【技术实现步骤摘要】
一种塑料注射成型工艺参数优化方法及装置


[0001]本专利技术属于塑料注射成形
，具体涉及一种塑料注射成型工艺参数优化方法及装置。

技术介绍

[0002]塑料注射成形是塑料制品的主要加工方法之一，具有生产周期短、效率高以及易于实现自动化等优点。然而在实际生产中，注射成形是一个复杂的多因素交互过程，受到原材料性能、加工设备和环境等众多因素的影响，涉及到大量工艺参数的变化。在传统的塑料注射成型工艺生产中，为保证生产产品质量的稳定性，主要依靠工艺人员的经验不断进行工艺调整，这一过程受人为因素影响较大，难以有效保证生产稳定性。
[0003]随着智能化技术的发展，研究人员通过构建专家系统以解决该问题，通过构建塑料注射成型工艺知识库和智能算法实现生产过程中的工艺优化调整。在这种专家系统中，工艺知识库替代了工艺人员的经验，将经验转化为工艺规则，通过向工艺知识库中添加或删除规则，利用智能算法实现推理，可以有效避免人为因素所造成的生产质量不稳定。
[0004]然而，传统的专家系统仍然有一些不足：一方面，塑料注射成型生产的数据量庞大且维度高，在智能网络系统中可能会造成数据冗余，且各种规则之间可能存在一定的关联性，导致规则过拟合，使得知识提取变得困难，效率低下；另一方面，现有神经网络在处理高维数据时，规则的准确性和可解释性难以平衡，FCM、SSC和减法聚类等聚类算法可显著减少规则的数量，然而降低了规则可读性；PCA、ICA等数据降维方法可减少规则数量并缩短规则长度，但是降维后规则的语义可解释性降低。
专利技术内容
[0005]鉴于上述问题，本专利技术提供克服上述问题或者至少部分地解决上述问题的一种塑料注射成型工艺参数优化方法及装置。
[0006]为解决上述技术问题，本专利技术提供了一种塑料注射成型工艺参数优化方法，所述方法包括步骤：
[0007]构建模糊神经网络；
[0008]获取原始数据集；
[0009]设置优化参数；
[0010]根据所述原始数据集和所述优化参数生成训练集；
[0011]计算所述模糊神经网络的隶属度层节点输出；
[0012]根据所述优化参数计算所述模糊神经网络的规则标准触发强度；
[0013]根据所述训练集训练所述模糊神经网络；
[0014]计算所述模糊神经网络的优化输出。
[0015]优选地，所述构建模糊神经网络包括步骤：
[0016]构建输入层；
[0017]构建输出层；
[0018]构建隐藏节点层；
[0019]将所述隐藏节点层的输入端与所述输入层的输出端连接；
[0020]将所述隐藏节点层的输出端与所述输出层的输入端连接。
[0021]优选地，所述原始数据集的表达式为：
[0022]D＝{(X1,y1),(X2,y2),...,(X
i
,y
i
),...,(X
N
,y
N
)},
[0023]其中，X
i
表示第i组样本数据的输入，y
i
表示第i组样本数据的输出，X
i
＝(x
i1
,......,x
ik
,)∈R
K
。
[0024]优选地，所述设置优化参数包括步骤：
[0025]设置基础模型的总数；
[0026]设置模糊神经网络子模型的训练时间；
[0027]设置训练集的特征数；
[0028]设置训练集的大小；
[0029]设置节点禁用率；
[0030]设置删除规则阈值。
[0031]优选地，所述训练集的表达式为：
[0032]D＝{(X
′1,y1),(X
′2,y2),...,(X
′
i
,y
i
),...,(X
′
N
,y
N
)},
[0033]其中，X
′1表示构建隐藏节点层后第i组样本数据的输入，y
i
表示构建隐藏节点层后第i组样本数据的输出，X
′
i
＝(x
i1
,......,x
ik'
,)∈R
K'
。
[0034]优选地，所述隶属度层节点输出的表达式为：
[0035][0036]其中，x
i
表示第i组样本数据的输入，表示隶属度函数，i表示第i组样本数据，j表示样本数据的第j个模糊词，i＝1,2,......,n,j＝1,2,......,m。
[0037]优选地，所述优化输出的表达式为：
[0038][0039]其中，c表示输出概率对应的规则，T表示基础学习者的数量，X表示输入的样本数据。
[0040]本申请还提供了一种塑料注射成型工艺参数优化装置，所述装置包括：
[0041]模糊神经网络构建模块，用于构建模糊神经网络；
[0042]原始数据集获取模块，用于获取原始数据集；
[0043]优化参数设置模块，用于设置优化参数；
[0044]训练集生成模块，用于根据所述原始数据集和所述优化参数生成训练集；
[0045]隶属度层节点输出计算模块，用于计算所述模糊神经网络的隶属度层节点输出；
[0046]规则标准触发强度计算模块，用于根据所述优化参数计算所述模糊神经网络的规则标准触发强度；
[0047]模糊神经网络训练模块，用于根据所述训练集训练所述模糊神经网络；
[0048]优化输出计算模块，用于计算所述模糊神经网络的优化输出。
[0049]本专利技术实施例中的一个或多个技术方案，至少具有如下技术效果或优点：本申请提供的一种塑料注射成型工艺参数优化方法及装置，使用模糊神经网络进行塑料注射成型工艺规则的优化和推理，可直接在模糊网络中进行端到端的学习，无需先进行数据的聚类或降维等预处理；在模糊神经网络的推理过程中融合了与规则选择程序结合的Dropout方法和与随机子空间法结合的Bagging方法，有效解决了塑料注射成型工艺规则优化推理过程中的数据冗余问题，极大地提高了推理效率，由此所得塑料注射成型规则库中的规则在具有高精度的同时还有着很好的可解释性。
附图说明
[0050]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例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专利技术的一些实施例，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它的附图。
[0051]图1是本专利技术实施例提供的一种塑料注射成型工艺参数优化方法的流程示意图；
[0052]图2是本专利技术实施例提供的一种塑料注射成型工艺参数优化装置的结构示意图；
[0053]图3是本专利技术实施例提供的一种塑料注射成型工艺参数优化方法中模糊神经网络的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种塑料注射成型工艺参数优化方法，其特征在于，所述方法包括步骤：构建模糊神经网络；获取原始数据集；设置优化参数；根据所述原始数据集和所述优化参数生成训练集；计算所述模糊神经网络的隶属度层节点输出；根据所述优化参数计算所述模糊神经网络的规则标准触发强度；根据所述训练集训练所述模糊神经网络；计算所述模糊神经网络的优化输出。2.根据权利要求1所述的塑料注射成型工艺参数优化方法，其特征在于，所述构建模糊神经网络包括步骤：构建输入层；构建输出层；构建隐藏节点层；将所述隐藏节点层的输入端与所述输入层的输出端连接；将所述隐藏节点层的输出端与所述输出层的输入端连接。3.根据权利要求1所述的塑料注射成型工艺参数优化方法，其特征在于，所述原始数据集的表达式为：D＝{(X1,y1),(X2,y2),...,(X
i
,y
i
),...,(X
N
,y
N
)},其中，X
i
表示第i组样本数据的输入，y
i
表示第i组样本数据的输出，X
i
＝(x
i1
,......,x
ik
,)∈R
K
。4.根据权利要求1所述的塑料注射成型工艺参数优化方法，其特征在于，所述设置优化参数包括步骤：设置基础模型的总数；设置模糊神经网络子模型的训练时间；设置训练集的特征数；设置训练集的大小；设置节点禁用率；设置删除规则阈值。5.根据权利要求1所述的塑料注射成型工艺参数优化方法，其特征在于，所述训练集的表达式为：D＝{(X
’1,y1),(X
’2,y...

【专利技术属性】
技术研发人员：高煌，郭飞，杨进，李鹏，
申请(专利权)人：武汉模鼎科技有限公司，
类型：发明
国别省市：