【技术实现步骤摘要】
本专利技术涉及注塑模具自动水道，具体为一种基于深度学习的注塑模具的自动水道方法。
技术介绍
1、冷却系统的快速、准确设计对于提高模具设计的质量和效率具有重要意义，不同结构模具要求不同温度，模具温度应该均衡，不应局部过热或者过冷，冷却水道数量尽可能多，并且水道孔壁至型腔表面局部应尽可能相等，便于加工；
2、申请号为cn217454834u的一种注塑模具冷却水道，包括水路入口，所述水路入口包括大口径水路、固定盖，所述大口径水路的最下侧位置处设置有固定盖，所述固定盖的上侧内部位置处设置有固定杆，所述固定杆的上侧位置处设置有钢绳，所述固定盖的上侧内部位置处设置有连接螺纹，所述大口径水路的下侧外部位置处设置有顺时针螺纹，所述大口径水路的上侧位置处设置有小口径水路，所述小口径水路的上侧位置处设置有弯曲水路，能将水管取下，之后将转动盖和固定盖逆时针旋转，将其从大口径水路和后大口径水路上取下，来回拉扯转动盖和固定盖，利用钢绳在冷却水道内不断移动，钢绳上的固定卡块可以疏通堵塞，解决冷却水道堵塞后冷却效果变差的问题；
3、申请号为cn207240705u的一种注塑模具的冷却水道，解决了在对动模进行钻孔时，存在工作人员将孔打偏，从而使得形成的冷却管道位置与之前计划的冷却管道的位置存在偏差，一定程度上降低了冷却管道的冷却效果的问题，其技术方案要点是：动模上设置有与冷却管道相通的放置槽，放置槽中一体设置有与冷却管道呈垂直设置的定位块，定位块的中心处设置有与冷却管道相通的定位孔，定位孔处设置有引导槽，本技术的一种注塑模具的冷却水道，
4、然而当前的注塑模水道设计过程繁琐，设计流程数字化程度不高，不仅设计工作量大，而且效果不佳，时常由于模内空间限制，冷却水道整体布局一直困扰着设计者，变更工程设计则更为不便，如何在最短的时间内快速准确获取有效的模具冷却系统，对于提高生产率，降低成本耗费、缩短模具设计周期有重要意义。
5、所以需要针对上述问题设计一种基于深度学习的注塑模具的自动水道方法。
技术实现思路
1、本专利技术的目的在于提供一种基于深度学习的注塑模具的自动水道方法，以解决上述
技术介绍
中提出的问题。
2、为实现上述目的，本专利技术提供如下技术方案：一种基于深度学习的注塑模具的自动水道方法，包括如下步骤：
3、步骤一、构造数据，利用常见的三维建模软件如solid works对n个模具进行三维建模，针对这n个模具的三维模型，每个模具设计m种水道位置方案，并绘制出新的三维图；根据水道设计的不同最终可以获得n×m个三维图，把n×m个三维图文件转换为二进制数据，一共可获得n×m条二进制数据，记作：
4、x＝{x1，x1，2…，x1，m，x2，1，x2，2…，x2，m，…，xn，1，xn，2，…xn，m}
5、xn，m代表第n种模具和第m种水道方案的位置信息；
6、步骤二、mold flow冷却仿真，获取仿真的热力图分布图片：导入准备好的n×m个三维图模型，划分网格并对网格进行分析，依据实际的模具，设定模拟的材料属性(如熔体流动性、热传导等)以及注塑工艺参数(如温度、压力等)，最后进行分析计算；
7、针对n×m个三维图模型
8、x＝{x1，x1，2…，x1，m，x2，1，x2，2…，x2，m，…，xn，1，xn，2，…xn，m}
9、按照上述步骤进行仿真，得到n×m个的热像分布，对输出n×m个的热像图进行正视图截取，获得了n×m个正视图热力分布图片，将这n×m个正视图的热力分布作为卷积神经网络的输出，记为
10、y＝{y1，y1，2…，y1，m，y2，1，y2，2…，y2，m，…，yn，1，yn，2，…yn，m}；
11、yn，m代表第n种模具和第m种水道方案的正视图的热力分布；
12、步骤三、以x，y作为训练数据，训练深度学习网络：
13、
14、
15、构建的卷积神经网络模型建议为：
16、卷积层默认kernel_size＝3，padding＝1；池化层默认size＝2，strider＝2；
17、输入数据为n×m条经过二进制编码的数据，第一层是由64*3*3卷积核构成，激活函数为relu；第二层是由64*3*3卷积核构成，激活函数为relu，经步长为2的最大池化层；第三层是由128*3*3卷积核构成，激活函数为relu；第四层是由128*3*3卷积核构成，激活函数为relu，经步长为2的最大池化层；第五层是由256*3*3卷积核构成，激活函数为relu；第六层是由256*3*3卷积核构成，激活函数为relu；第七层是由256*3*3卷积核构成，激活函数为relu，经步长为2的最大池化层；第八层是由512*3*3卷积核构成，激活函数为relu；第九层是由512*3*3卷积核构成，激活函数为relu；第十层是由512*3*3卷积核构成，激活函数为relu，经步长为2的最大池化层；第十一层是由512*3*3卷积核构成，激活函数为relu；第十二层是由512*3*3卷积核构成，激活函数为relu；第十三层是由512*3*3卷积核构成，激活函数为relu，经步长为2的最大池化层；第十四层是1*1*4096的全连接层，激活函数是relu；第十五层是1*1*4096的全连接层，激活函数是relu；第十六层是1*1*1000的全连接层，激活函数是relu；最后输出网络预测值，也就是正视图的热力分布；
18、步骤四、有限实验与微调网络：从n种模具的三维图种选取l种，针对这l种模具，每个模具选择k中水道方案，其中，l和k的数量远小于n和m，根据这l种模具及其水道方案的三维图加工出相应的模具及其水道位置，一共l×k个模具和水道位置；
19、xx＝{xx，1，xx1，2…，xx1，k，xx2，1，xx2，2…，xx2，k，…，xxl，1，xxl，2，…xxl，k}
20、xxl，k代表第l种模具和第k种水道方案的位置信息，获得l×k张的实际的热像图拍摄图片；
21、yy＝{yy1，1，yy1，2…，yy1，k，yy2，1，yy2，2…，yy2，k，…，yyl，1，yyl，2，…yl，k}
22、yyl，k代表第l种模具和第k种水道方案的热像图拍摄图片，用xx和yy作为输入和输出，采用lora算法，微调步骤三种训练出的深度学习网络的全连接层的所有参数；
23、步骤五、针对新的模具，根据其三维图a，设计a种水道布局方案，并将水道布局体现在三维图中，然后将a个三维图进行二进制编码，得到a条数据，把获得的a条数据作为输入数据，加载到步骤四训练好的网络中计算，得到a个正视图的热力分布；
24、y＝{ya，1，ya，2…，ya，a}
25、对于输出的a个正视图的热力分布，计本文档来自技高网...
【技术保护点】
1.一种基于深度学习的注塑模具的自动水道方法，包括如下步骤：
2.根据权利要求1所述的一种基于深度学习的注塑模具的自动水道方法，其特征在于：所述步骤二中在仿真结束后，查看分析结果是否合理，若得到合理的仿真数据，可将数据导出，若得到错误的仿真数据，可返回到冷却系统，重新检查和建立冷却系统的模型，检查并设定工艺参数进行分析计算，直到得到合理有效的数据为止。
3.根据权利要求1所述的一种基于深度学习的注塑模具的自动水道方法，其特征在于：所述步骤三中训练算法为随机梯度下降算法、优化器选择Adam算法。
4.根据权利要求3所述的一种基于深度学习的注塑模具的自动水道方法，其特征在于：所述训练算法中设定优化模型的损失函数，使用均方误差作为损失函数，并通过通过Adam优化器对各网络层的参数进行优化，均方误差的公式如下：
5.根据权利要求1所述的一种基于深度学习的注塑模具的自动水道方法，其特征在于：所述步骤四中使用注塑机对产品进行注塑实验，产品的材料等信息需要和步骤2中moldflow的仿真时的材料一致，然后通过红外相机对注塑产品进行拍照，采集产品的
...【技术特征摘要】
1.一种基于深度学习的注塑模具的自动水道方法，包括如下步骤：
2.根据权利要求1所述的一种基于深度学习的注塑模具的自动水道方法，其特征在于：所述步骤二中在仿真结束后，查看分析结果是否合理，若得到合理的仿真数据，可将数据导出，若得到错误的仿真数据，可返回到冷却系统，重新检查和建立冷却系统的模型，检查并设定工艺参数进行分析计算，直到得到合理有效的数据为止。
3.根据权利要求1所述的一种基于深度学习的注塑模具的自动水道方法，其特征在于：所述步骤三中训练算法为随机梯度下降算法、优化...
【专利技术属性】
技术研发人员：朱俊江，冯启珉，于子涵，李震，钱丽娟，
申请(专利权)人：中国计量大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。