申请/专利权人：中国计量大学

申请日：2023-12-11

公开（公告）日：2024-04-12

公开（公告）号：CN117875160A

主分类号：G06F30/27

分类号：G06F30/27;G06N3/0464;G06T17/00

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.30#实质审查的生效;2024.04.12#公开

摘要：本发明公开了一种基于深度学习的注塑模具的自动水道方法，步骤一、构造数据，利用常见的三维建模软件如SolidWorks对N个模具进行三维建模，并绘制出新的三维图；步骤二、moldflow冷却仿真；步骤三、以X，Y作为训练数据，训练深度学习网络；步骤四、有限实验与微调网络；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。该基于深度学习的注塑模具的自动水道方法，通过将水道坐标和三维图进行二进制编码作为输入，moldflow分析出的正视热图的热力分布作为输出，来训练VGG网络，获取最优的冷却水道配置，进而提升产品质量与降低成本耗费，增加经济效益。

主权项：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：步骤一、构造数据，利用常见的三维建模软件如SolidWorks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：X＝{X1，X1，2…，X1，M，X2，1，X2，2…，X2，M，…，XN，1，XN，2，…XN，M}XN，M代表第N种模具和第M种水道方案的位置信息；步骤二、moldflow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；针对N×M个三维图模型X＝{X1，X1，2…，X1，M，X2，1，X2，2…，X2，M，…，XN，1，XN，2，…XN，M}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Y＝{Y1，Y1，2…，Y1，M，Y2，1，Y2，2…，Y2，M，…，YN，1，YN，2，…YN，M}；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；步骤三、以X，Y作为训练数据，训练深度学习网络：InputX↓3×3，Conv，64↓3×3，Conv，64↓maxpool，23×3，Conv，128↓3×3，Conv，128↓maxpool，23×3，Conv，256↓3×3，Conv，256↓3×3，Conv，256↓maxpool，23×3，Conv，512↓3×3，Conv，512↓3×3，Conv，512↓maxpool，2FC-4096↓FC-4096↓FC-1000构建的卷积神经网络模型建议为：卷积层默认kernel_size＝3，padding＝1；池化层默认size＝2，strider＝2；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；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；XX＝{XX，1，XX1，2…，XX1，K，XX2，1，XX2，2…，XX2，k，…，XXL，1，XXL，2，…XXL，K}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；YY＝{YY1，1，YY1，2…，YY1，K，YY2，1，YY2，2…，YY2，k，…，YYL，1，YYL，2，…YL，K}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；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；Y＝{Ya，1，Ya，2…，Ya，A}对于输出的A个正视图的热力分布，计算所有热图的方差，方差最小的方案就是效果最高的水道布局方案；对于每个正视图的热力分布Yi，计算其温度分布的方差: 其中，Tj是热图中第j个坐标的温度值，是所有坐标温度值的平均值，n是坐标的数量。选择方差最小的方案作为实际使用的方案，即minVari。

全文数据：

权利要求：

百度查询： 中国计量大学 一种基于深度学习的注塑模具的自动水道方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD