【技术实现步骤摘要】
本专利技术涉及计算机领域，尤其涉及一种复合材料成型加工可靠性评估方法、系统以及设备。
技术介绍
1、无机非金属材料、有机高分子材料和金属材料是现代技术中并列的三大材料。而复合材料作为前两者技术相结合的新材料，逐渐成为重要的工业原料之一，在制造业中拥有较高的普及程度和十分广泛的应用。
2、复合材料的成型加工技术，是一种蕴含复杂工艺、需要不断技术更新的学科。在当今业内普遍采用粗放式的加工方式，高度依赖丰富加工经验的管理人员的行业现状下，其始终无法突破从低端制造转向中高端制造的瓶颈。因此，需要将先进的自动化生产管理模式与人工智能系统相结合，也就是说，需要将发展日趋成熟的人工智能技术，引入传统加工制造业，领导产业革新与技术发展。这不仅可以提升产业中的优质产能，淘汰落后产能，还可以实现较大范围内的创新活动、技术更新和产业升级。
技术实现思路
1、本专利技术的目的之一在于提供一种复合材料成型加工可靠性评估方法、系统以及设备，能够对复合材料成型的各项加工环节实时监控，提供复合材料成型加工可靠性评估模型，执行精准预判和评估产品可靠性，并输出修正建议和可行性方案。
2、本专利技术的目的之一在于提供一种复合材料成型加工可靠性评估方法、系统以及设备，能够提高复合材料成型加工生产线自动化程度，提高生产效率以及收益。
3、本专利技术的目的之一在于提供一种复合材料成型加工可靠性评估方法、系统以及设备，能够通过人工智能整合现有对应产品的历史加工数据和最终性能指标，构建高度拟合
4、本专利技术的目的之一在于提供一种复合材料成型加工可靠性评估方法、系统以及设备，能够将复合材料成型加工可靠性评估模型应用于复合材料成型加工自动化生产各型装备，实现实时的信息互联互通，经过深度学习和自我迭代，不断缩小与真实加工误差。
5、本专利技术的目的之一在于提供一种复合材料成型加工可靠性评估方法、系统以及设备，能够降低企业生产试错成本，而且可以规避环境、依赖人员素质等不利因子。
6、本专利技术的目的之一在于提供一种复合材料成型加工可靠性评估方法、系统以及设备，能够指导复合材料成型各环节中的生产原料配比操作、成型工艺参数设定、性能表征可靠性评估，以及精准预判输入条件所得期望值，为实际加工成型提供强有力的保障方案。
7、本专利技术的目的之一在于提供一种复合材料成型加工可靠性评估方法、系统以及设备，能够根据用户需求进行二次开发，独立出个性化数据库与用户进行分享。
8、本专利技术的目的之一在于提供一种复合材料成型加工可靠性评估方法、系统以及设备，能够和复合材料成型加工自动化生产设备实现互联互通，实时收集当前产品加工日志、检测数据，并更新至远程终端数据库，作为自我学习的最新数据，进行深度学习，实现自我更新。
9、为了实现本专利技术的至少一个专利技术目的，本专利技术提供了一种复合材料成型加工可靠性评估方法，所述复合材料成型加工可靠性评估方法包括以下步骤：
10、设计复合材料成型加工可靠性评估模型；初步复合材料成型加工可靠性评估模型；训练复合材料成型加工可靠性评估模型；以及响应于用户的建议指令，设定材料的标准性能指标，复合材料成型加工可靠性评估模型输出加工成型各工艺条件形成具体可行性操作方案；
11、其中，复合材料成型加工可靠性评估模型中，神经网络通过若干神经元相互连接，执行权值计算，在权值调整阶段，神经网络的一轮的连接权值的调整量＝学习率×梯度×上一层输出信号；
12、其中，所述初步复合材料成型加工可靠性评估模型步骤中，将复合材料加工成型的工艺条件中模具温度、熔融温度、注射时间、保压压力、保压时间作为输入层的自变量。
13、在一些实施例中，其中所述复合材料成型加工可靠性评估方法还包括步骤：设定复合材料加工成型标准性能指标作为期望值，将其作为神经网络模型输入层中的自变量，经隐含层逐层往后正向传播，输出各成型工艺参数；将输出的各成型工艺参数，经工艺验证，所得检测的实际性能结果；将输出的各成型工艺参数，作为神经网络模型的输入层的实时自变量，经反向误差传播算法，输出预测的性能指标；将实际性能结果与预测性能结果作差，若不能满足网络总误差小于1‰的期望，网络将从输出层逐层向前各层修正网络的连接权值减小误差，进行学习算法迭代，设定的标准性能指标不变，循环代入新的实时自变量，进行顺位列次修正网络的连接权值进行迭代，由此神经网络模型进入新数值自我学习更新状态，当判断误差不再下降，且满足网络总误差小于1‰的期望时，完成网络的训练。
14、在一些实施例中，其中所述复合材料成型加工可靠性评估方法还包括步骤：设定复合材料的翘曲变形量的标准指标，将其作为神经网络输入层的自变量，经隐含层中传递反函数，逐层往后正向传播，输出各加工成型的工艺条件模具温度、熔融温度、注射时间、保压压力、保压时间，而后进行实验产品制样，检测实验产品制样得出实际翘曲变形量；与此同时，输出的各加工成型工艺条件，将作为神经网络输入层的实时自变量，经隐含层中传递函数逐层往后正向传播，预测翘曲变形量；将实际翘曲变形量与预测翘曲变形量对比分析，若不能满足网络总误差小于1‰，网络从输出层逐层向前各层修正连接权值减小误差，隐含层中的传递函数及传递反函数各迭代一次，设定复合材料的翘曲变形量的标准指标不变，输出新的各加工成型的工艺条件作为实时自变量，进行第二轮神经网络模型训练，从而神经网络模型开始进入深度学习状态，循环往复，当判断误差不再下降，且满足网络总误差小于1‰的期望时，完成训练。
15、在一些实施例中，其中所述复合材料成型加工可靠性评估方法包括以下步骤：响应于用户的建议指令，输出修正建议和可行性方案。
16、在一些实施例中，其中复合材料成型加工可靠性评估模型为bp神经网络模型，其中bp神经网络模型包括输入层、输出层和多层隐含层。
17、在一些实施例中，其中所述设计bp神经网络模型步骤包括步骤：确定网络层数、输入层、隐含层、输出层节点数以及传输函数。
18、在一些实施例中，其中所述复合材料成型加工可靠性评估方法还包括步骤：复合材料加工成型的工艺条件中模具温度、熔融温度、注射时间、保压压力、保压时间作为输入层的自变量，代入一组现有真实数据；经隐含层逐层往后正向传播，以复合材料的翘曲变形量作为输出层中期望值进行输出；期望值与自变量对应历史真实翘曲变形量进行作差，若不能满足网络总误差小于1‰的期望时，网络从输出层逐层向前各层修正网络的连接权值减小误差，循环代入新的现有真实数据作为自变量，进行顺位列次修正网络的连接权值执行迭代，当判断为现有真实数据用尽时，且误差不再下降时，完成网络模型的初步构建。
19、在一些实施例中，其中所述复合材料成型加工可靠性评估方法还包括步骤：基于初步构建稳定的网络模型，推导出传递函数的反函本文档来自技高网...
【技术保护点】
1.一种复合材料成型加工可靠性评估方法，其特征在于，所述复合材料成型加工可靠性评估方法包括以下步骤：
2.如权利要求1所述的复合材料成型加工可靠性评估方法，其中所述复合材料成型加工可靠性评估方法还包括步骤：设定复合材料加工成型标准性能指标作为期望值，将其作为神经网络模型输入层中的自变量，经隐含层逐层往后正向传播，输出各成型工艺参数；将输出的各成型工艺参数，经工艺验证，所得检测的实际性能结果；将输出的各成型工艺参数，作为神经网络模型的输入层的实时自变量，经反向误差传播算法，输出预测的性能指标；将实际性能结果与预测性能结果作差，若不能满足网络总误差小于1‰的期望，网络将从输出层逐层向前各层修正网络的连接权值减小误差，进行学习算法迭代，设定的标准性能指标不变，循环代入新的实时自变量，进行顺位列次修正网络的连接权值进行迭代，由此神经网络模型进入新数值自我学习更新状态，当判断误差不再下降，且满足网络总误差小于1‰的期望时，完成网络的训练。
3.如权利要求1所述的复合材料成型加工可靠性评估方法，其中所述复合材料成型加工可靠性评估方法还包括步骤：设定复合材料的翘曲变形量
4.如权利要求1所述的复合材料成型加工可靠性评估方法，其中所述复合材料成型加工可靠性评估方法包括以下步骤：响应于用户的建议指令，输出修正建议和可行性方案。
5.如权利要求1至4中任一所述的复合材料成型加工可靠性评估方法，其中复合材料成型加工可靠性评估模型为BP神经网络模型，其中BP神经网络模型包括输入层、输出层和多层隐含层。
6.如权利要求5所述的复合材料成型加工可靠性评估方法，其中所述设计BP神经网络模型步骤包括步骤：确定网络层数、输入层、隐含层、输出层节点数以及传输函数。
7.如权利要求5所述的复合材料成型加工可靠性评估方法，其中所述复合材料成型加工可靠性评估方法还包括步骤：复合材料加工成型的工艺条件中模具温度、熔融温度、注射时间、保压压力、保压时间作为输入层的自变量，代入一组现有真实数据；经隐含层逐层往后正向传播，以复合材料的翘曲变形量作为输出层中期望值进行输出；期望值与自变量对应历史真实翘曲变形量进行作差，若不能满足网络总误差小于1‰的期望时，网络从输出层逐层向前各层修正网络的连接权值减小误差，循环代入新的现有真实数据作为自变量，进行顺位列次修正网络的连接权值执行迭代，当判断为现有真实数据用尽时，且误差不再下降时，完成网络模型的初步构建。
8.如权利要求7所述的复合材料成型加工可靠性评估方法，其中所述复合材料成型加工可靠性评估方法还包括步骤：基于初步构建稳定的网络模型，推导出传递函数的反函数，作为优化BP神经网络模型的隐含层中传递函数；在初步构建BP神经网络模型基础之上，将BP神经网络模型中翘曲变形量作为自变量，经隐含层中传递反函数，输出加工成型的工艺条件，经工艺验证所得实际翘曲变形量，与历史真实翘曲变形量进行对比，逐层向前各层修正网络的连接权值减小误差，优化初步构建的神经网络模型。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时执行权利要求1至8中任一所述的复合材料成型加工可靠性评估方法的步骤。
10.一种复合材料成型加工可靠性评估设备，其特征在于，包括：
11.一种复合材料成型加工可靠性评估系统，其特征在于，所述复合材料成型加工可靠性评估系统包括复合材料成型加工可靠性评估模型构建单元以及评估结果输出单元；所述复合材料成型加工可靠性评估模型构建单元包括BP神经网络模型设计模块以及BP神经网络模型初步构建模块，所述BP神经网络模型设计模块用于设计BP神经网络模型，所述BP神经网络模型初步构建模块基于设计的BP神经网络模型，用于初步创建BP神经网络模型，BP神经网络模型包括输入层、输出层和多层隐...
【技术特征摘要】
1.一种复合材料成型加工可靠性评估方法，其特征在于，所述复合材料成型加工可靠性评估方法包括以下步骤：
2.如权利要求1所述的复合材料成型加工可靠性评估方法，其中所述复合材料成型加工可靠性评估方法还包括步骤：设定复合材料加工成型标准性能指标作为期望值，将其作为神经网络模型输入层中的自变量，经隐含层逐层往后正向传播，输出各成型工艺参数；将输出的各成型工艺参数，经工艺验证，所得检测的实际性能结果；将输出的各成型工艺参数，作为神经网络模型的输入层的实时自变量，经反向误差传播算法，输出预测的性能指标；将实际性能结果与预测性能结果作差，若不能满足网络总误差小于1‰的期望，网络将从输出层逐层向前各层修正网络的连接权值减小误差，进行学习算法迭代，设定的标准性能指标不变，循环代入新的实时自变量，进行顺位列次修正网络的连接权值进行迭代，由此神经网络模型进入新数值自我学习更新状态，当判断误差不再下降，且满足网络总误差小于1‰的期望时，完成网络的训练。
3.如权利要求1所述的复合材料成型加工可靠性评估方法，其中所述复合材料成型加工可靠性评估方法还包括步骤：设定复合材料的翘曲变形量的标准指标，将其作为神经网络输入层的自变量，经隐含层中传递反函数，逐层往后正向传播，输出各加工成型的工艺条件模具温度、熔融温度、注射时间、保压压力、保压时间，而后进行实验产品制样，检测实验产品制样得出实际翘曲变形量；与此同时，输出的各加工成型工艺条件，将作为神经网络输入层的实时自变量，经隐含层中传递函数逐层往后正向传播，预测翘曲变形量；将实际翘曲变形量与预测翘曲变形量对比分析，若不能满足网络总误差小于1‰，网络从输出层逐层向前各层修正连接权值减小误差，隐含层中的传递函数及传递反函数各迭代一次，设定复合材料的翘曲变形量的标准指标不变，输出新的各加工成型的工艺条件作为实时自变量，进行第二轮神经网络模型训练，从而神经网络模型开始进入深度学习状态，循环往复，当判断误差不再下降，且满足网络总误差小于1‰的期望时，完成训练。
4.如权利要求1所述的复合材料成型加工可靠性评估方法，其中所述复合材料成型加工可靠性评估方法包括以下步骤：响应于用户的建议指令，输出修正建议和可行性方案。
5.如权利要求1至4中任一所述的复合材料成型加工可靠性评估方法，其中复合材料成型加工可靠性评估模型为bp神经网络模型，其中bp神经网络模型包括输入层、输出层和多层隐含层。
6.如权利要求5所述的复合材料成型加工可靠性评估方法，其中所述设计bp神经网络模型步骤包括步骤：确定网络层数、输入层、隐含层、输出层节点数以及传输函数。
7.如权利要求5所述的复合材料成型加工可靠性评估方法，其中所述复合材料成型加工可靠性评估方法还包括步骤：复合材料加工成型的工艺条件中模具温度、熔融温度、注射时间、保压压力、保压时间作为输入层的自变量，代入一组现有真实数据；经隐含层逐层往后正向传播，以复合材料的翘曲变形量作为输出层中期望值进行输出；期望值与自变量对应历史真实翘曲变形量进行作差，若不能满足网络总误差小于1‰的期望时，网络从输出层逐层向前各层修正网络的连接权值减小误差，循环代入新的现有真实数据作为自变量，进行顺位列次修正网络的连接权值执行迭代，当判断为现有真实数据用尽时，且误差不再下降...
【专利技术属性】
技术研发人员：董坤，谢小荣，程晓霞，陆文兵，
申请(专利权)人：无锡晟昇高科有限公司，
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。