【技術實現步驟摘要】
本申請涉及注塑工藝優化領域，特別涉及一種注射成型缺陷修正規則學習方法及終端。
技術介紹
1、在注射成型塑料制品的生產過程中，注塑機工藝參數的控制對注塑制品的生產質量有巨大影響。不恰當的設置會導致產品成型后產生水波紋、熔接痕、飛邊和短射等多種多樣的缺陷，需要進一步調整工藝參數獲得滿足質量要求的產品。傳統注塑機參數設置遵循“試注”——“修正”的模式，需要依據經驗或者是密集地進行多次嘗試，最終確定合適的參數。現代注塑機參數設置方法可以使用基于規則的推理方法完成參數的設置與優化，在實驗室環境取得了較好的成果。但是這些方法的知識往往來自工藝人員的經驗，因為注射成型的整個過程是在封閉的模具中完成的，其相關的現象難以捕捉，基于數據統計的方法不關注其內在機制，是建立工藝優化經驗更為理想的方法。但是工藝參數與產品質量具有強非線性，強烈依賴工藝人員的直覺或者經驗，其相關的規律難以人為總結，構建效率低且可能存在主觀偏差。因此實際應用中更希望能夠從原始數據中直接學習工藝優化知識，以指導注射成型實際生產中的缺陷修正過程。
技術實現思路
1、本申請的主要目的是提出一種注射成型缺陷修正規則學習方法及終端，旨在匯集多次試模過程的數據集，自動完成注射成型缺陷修正知識的學習，不進行人工的干預，避免了人工總結知識的個體差異性、偏向性和局部性，并且能夠實現較好的數據兼容性。
2、為實現上述目的，本申請提出的注射成型缺陷修正規則學習方法，包括：
3、采集多組試模過程的試模數據；
4、將每
5、根據預設支持度閾值篩選訓練數據集，得到頻繁數據集；
6、根據預設置信度閾值篩選頻繁數據集，得到規則集；
7、對規則集進行篩選，得到缺陷修正規則。
8、在一實施例中，所述訓練數據集的定義如下：
9、；
10、；
11、；
12、；
13、其中，為訓練數據集，表示第組試模過程的數據集，表示第組試模過程中第組數據，為產品特征向量，為材料特征向量，為設備特征向量，表示兩個模次之間的參數變化量，參數變化量包括工藝參數變化量和缺陷參數變化量，表示單組試模過程中最后一個模次的工藝參數，表示第組試模過程中第模工藝參數。
14、在一實施例中，所述將每一試模過程的最后一模數據分別減去前面每一模次對應的數據，構建訓練數據集的步驟具體包括：
15、將每一試模過程的最后一模數據分別減去前面每一模次對應的數據，利用離差標準化方法對同字段參數進行歸一化；
16、利用等距離散法，將各參數在歸一化后的區間內進行離散，根據離散后的數據構建訓練數據集。
17、在一實施例中，所述歸一化的計算公式為：
18、；
19、其中，為同字段參數的最小值，為同字段參數的最大值。
20、在一實施例中，所述根據預設支持度閾值篩選訓練數據集，得到頻繁數據集的步驟具體包括：
21、對訓練數據集進行掃描，生成包含1項元素的第一候選數據集，設置變量k，并賦值k=2；
22、對第一候選數據集進行掃描，生成包含k項元素的第二候選數據集，計算第二候選數據集中各項數據的支持度，并去除第二候選數據集中支持度小于預設支持度閾值的項，得到第三候選數據集；
23、若第三候選數據集不為空集，則第三候選數據集作為頻繁子數據集，并賦值k=k+1，返回執行步驟對第一候選數據集進行掃描，生成包含k項元素的第二候選數據集，計算第二候選數據集中各項數據的支持度，并去除第二候選數據集中支持度小于預設支持度閾值的項，得到第三候選數據集；
24、若第三候選數據集為空集，則輸出所有的頻繁子數據集，得到頻繁數據集。
25、在一實施例中，所述第二候選數據集中各項數據的支持度的計算公式為：
26、；
27、其中，為第二候選數據集中各項數據的支持度，為第二候選數據集中包含所需項的集合數量，為第二候選數據集的總集合數量。
28、在一實施例中，所述根據預設置信度閾值篩選頻繁數據集，得到規則集包括：
29、獲取所有的頻繁子數據集；
30、將每兩頻繁子數據集作為規則前件和規則后件，構建一條缺陷修正子規則，并計算每條缺陷修正子規則的置信度；
31、去除置信度小于預設置信度的缺陷修正子規則，得到規則集。
32、在一實施例中，所述每條缺陷修正子規則的置信度的計算公式為：
33、；
34、其中，為每條缺陷修正子規則的置信度，表示頻繁子數據集中，同時包含和兩項的支持度，表示包含的支持度。
35、在一實施例中，所述試模數據包括工藝參數和缺陷參數；
36、所述對規則集進行篩選，得到缺陷修正規則的步驟具體包括：
37、對規則集進行篩選，保留規則前件包含缺陷參數，規則后件僅包含工藝參數的缺陷子規則，并作為缺陷修正規則。
38、在一實施例中，所述對規則集進行篩選，得到缺陷修正規則的步驟之后包括：
39、利用預設人工神經網絡對缺陷參數和規則前件進行匹配，并執行規則后件。
40、本申請還提出一種終端，包括：
41、存儲器；以及
42、處理器，存儲在所述存儲器上并被所述處理器執行的注射成型缺陷修正規則學習程序，所述注射成型缺陷修正規則學習程序在被所述處理器執行時，實現如上所述的注射成型缺陷修正規則學習方法。
43、本申請的技術方案提出一種注射成型缺陷修正規則學習方法，注射成型缺陷修正規則學習方法包括：采集多組試模過程的試模數據；將每一試模過程的最后一模數據分別減去前面每一模次對應的數據，構建訓練數據集；根據預設支持度閾值篩選訓練數據集，得到頻繁數據集；根據預設置信度閾值篩選頻繁數據集，得到規則集；對規則集進行篩選，得到缺陷修正規則。本申請的技術方案可以匯集多次調模過程的數據集，自動完成注射成型缺陷修正知識的學習，不進行人工的干預，避免了人工總結知識的個體差異性、偏向性和局部性，并且能夠實現較好的數據兼容性。
本文檔來自技高網...【技術保護點】
1.一種注射成型缺陷修正規則學習方法，其特征在于，包括：
2.如權利要求1所述的注射成型缺陷修正規則學習方法，其特征在于，所述訓練數據集的定義如下：
3.如權利要求1所述的注射成型缺陷修正規則學習方法，其特征在于，所述將每一試模過程的最后一模數據分別減去前面每一模次對應的數據，構建訓練數據集的步驟具體包括：
4.如權利要求3所述的注射成型缺陷修正規則學習方法，其特征在于，所述歸一化的計算公式為：
5.如權利要求1所述的注射成型缺陷修正規則學習方法，其特征在于，所述根據預設支持度閾值篩選訓練數據集，得到頻繁數據集的步驟具體包括：
6.如權利要求5所述的注射成型缺陷修正規則學習方法，其特征在于，所述第二候選數據集中各項數據的支持度的計算公式為：
7.如權利要求1所述的注射成型缺陷修正規則學習方法，其特征在于，所述根據預設置信度閾值篩選頻繁數據集，得到規則集包括：
8.如權利要求7所述的注射成型缺陷修正規則學習方法，其特征在于，所述每條缺陷修正子規則的置信度的計算公式為：
9.如權利要求7所
10.如權利要求9所述的注射成型缺陷修正規則學習方法，其特征在于，所述對規則集進行篩選，得到缺陷修正規則的步驟之后包括：
11.一種終端，其特征在于，包括：
...【技術特征摘要】
1.一種注射成型缺陷修正規則學習方法，其特征在于，包括：
2.如權利要求1所述的注射成型缺陷修正規則學習方法，其特征在于，所述訓練數據集的定義如下：
3.如權利要求1所述的注射成型缺陷修正規則學習方法，其特征在于，所述將每一試模過程的最后一模數據分別減去前面每一模次對應的數據，構建訓練數據集的步驟具體包括：
4.如權利要求3所述的注射成型缺陷修正規則學習方法，其特征在于，所述歸一化的計算公式為：
5.如權利要求1所述的注射成型缺陷修正規則學習方法，其特征在于，所述根據預設支持度閾值篩選訓練數據集，得到頻繁數據集的步驟具體包括：
6.如權利要求5所述的注射成型缺陷修...
【專利技術屬性】
技術研發人員：蔣小軍，沈鋒利，黃偉權，張燕飛，楊進，李思宏，張云，
申請(專利權)人：伊之密股份有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。