注塑制品表面缺陷自动识别软件的构建

以注塑制品的四种常见表面缺陷(油污、点缺陷、压痕、划痕)为研究对象,设计了基于机器视觉技术和图像处理技术的自动识别系统,对注塑制品表面缺陷进行检测。介绍了软件系统结构及人机界面设计,并对图像处理的实验结果进行了讨论,制品缺陷的平均识别率达84.44%。系统在解决传统检测方法难题的同时,提高了注塑制品表面缺陷识别的准确性和自动化程度。     

基于改进的BP神经网络的注塑成型翘曲优化设计

注塑成型是制造塑料产品应用最广泛的一种方法。整个注塑成型过程一般分为注射、保压和冷却3个阶段。成型过程中的翘曲变形是注塑制品一种严重的缺陷。由于注塑制品质量主要受工艺条件影响,所以如何确定最佳工艺条件来减少翘曲变形成为改进注塑制品质量的一个关键。以模具温度、熔体温度、注射时间、保压时间、保压压力和冷却时间为设计变量,运行Moldflow软件进行制品的翘曲变形分析,用BP神经网络模型来建立翘曲变形与设计变量的函数关系,加权形式的期望提高加点准则实现序列的迭代优化设计。这种加点准则能调整局部和全局搜索,在保证计算效率的同时提高对全局最优解的逼近程度。通过实例验证,所提出的优化方法能有效地减小注塑制品的翘曲变形。     

基于BP-TGA算法的注塑成型工艺参数优化

以鼠标壳为实例,利用正交试验数据作为训练样本,以翘曲变形量为目标,经反复训练找出最佳BP网络模型作为注塑工艺参数组合优劣的评价系统。在BP网络模型的基础上,融入禁忌遗传算法作为优化算法(BPTGA算法)对注塑工艺参数组合进行优化,从而找出翘曲变形量最低的参数组合。仿真实验表明,通过BPTGA算法可高效、准确地在指定范围内找出最佳工艺参数组合,从而大大提高产品设计效率和制品质量。     

消除PVC给排水元件表面缺陷的措施

PVC给排水元件注塑制品的表面缺陷严重影响制品的表观质量和内在质量。本文对实际生产中遇到的表面缺陷问题进行分析，提出进行工艺调整、选择给水三通浇口位置、设计顶杆位置等改进措施。     

基于BP神经网络的显示仪框注塑CAE优化分析

以汽车显示仪框的注塑成型为例,构建了该汽车塑件两种浇注方案的CAE分析模型,得到了最佳浇注方案,运用Moldflow软件对塑件的注塑成型工艺参数进行了仿真,并对塑件注塑过程中的翘曲、熔接痕、气穴等缺陷成因进行了分析,给出了质量改善优化目标,最后提出了一种新的结合Tugachi试验法、BP神经网络预测的注塑成型工艺寻优方法,并对寻优结果进行了CAE模流分析验证。结果表明:神经网络预测结果与CAE模流分析结果相近,运用Tugachi正交试验分析、BP神经网络、CAE模流分析相结合的方法,能获得较佳的注塑成型工艺参数,使汽车塑件的注塑质量得到明显改善。     

BP网络结构和算法对非线性系统进行辨识

利用MATLAB神经网络工具箱进行了基于BP神经网络的非线性系统辨识仿真研究,针对实际问题选取BP网络结构和BP算法,并对网络输入、输出、隐层节点的个数选取作了探讨,选取一个非线性系统,通过改变隐层节点数和训练函数,找出适当的BP网络结构和算法对非线性系统进行辨识。     

聚丙烯制品外观缺陷及解决措施

介绍聚丙烯制品常见的外观缺陷，从理论上分析各种缺陷产生的原因，并结合实际讨论注塑工艺条件、模具结构、设备对聚丙烯制品外观质量影响。结果表明，通过调整注塑工艺条件、改变模具结构及设备状况即可避免聚丙烯制品表面缺陷的出现，改善制品外观质量。     

基于神经网络的车灯副反射器注塑工艺参数优化

利用正交试验方法,借助Mold Flow软件对车灯副反射器进行翘曲变形分析。利用BP神经网络建立注塑工艺参数(熔体温度、模具温度、注射时间、保压时间、冷却时间)与产品翘曲变形之间的关系。利用遗传算法对BP神经网络进行全局寻优,得到产品的最小翘曲变形,以此实现对注塑成型工艺参数的优化,进而减小产品翘曲变形,提高产品质量。     

前馈神经网络与遗传算法相结合解决曲轴中心缩孔

引言缩痕与孔洞是塑件成型时一种常见的缺陷。当制件外层材料冷却固化后,心部材料开始冷却,心部收缩把制件表层拉向制件内部,引起缩痕,如果制件表层的刚度足够大,则将在制件内部产生孔洞而不是缩痕[1]。关于塑件成型过程中的缩痕、翘曲、收缩等缺陷问题,许多学者提出了工艺参数设计的单目标和多目标优化模型,如Kriging模型、BP神经网络、响应面法、支持向量回归等,针对这些模型,采用的优化求解算法主要有:遗传算法、粒子群法、蚁群算法等。申长雨等[2]采用神经网络与混合遗传算法结合优化注塑成型工艺,改善了制品的体收缩     

基于CAE技术对注塑制品流动模拟及缺陷分析

注塑成型工艺过程极其复杂且对制品质量有重要的影响,获得优化的工艺参数是改善制品质量的关键.文章以电话机面板外壳的成型工艺为研究对象,利用CAE技术对产品的注塑成型过程进行了模拟和分析.通过分析结果来确定制品注塑成型中的浇口位置,选择出填充均匀、熔接痕不明显和气穴位置集中的成型工艺.在此基础上,分析了注塑成型过程可能出现的缺陷,探讨了合理确定注塑成型工艺参数的途径.     

基于BP神经网络的导管接头注塑工艺参数优化

以医用介入导管接头为研究对象,基于塑料成型理论在Moldflow软件中进行导管接头模流分析,通过正交实验极差分析,确定了注塑工艺参数对导管接头缩痕指数的影响趋势,得到最佳工艺参数组合.针对实际生产中出现的缩痕缺陷,建立导管接头缩痕指数的BP神经网络参数模型,并用遗传算法进行优化,同时对结果进行仿真模拟,得到缩痕指数为0...     

基于改进遗传算法的BP神经网络手写数字识别

手写数字识别是光学字符识别技术的一个分支,一般采用神经网络,其中较为突出的是BP神经网络,但BP算法易陷入误差局部最小产生振荡且训练速度慢,通常先采用优化算法对其结构进行优化。为此,在分析GA-BP算法原理的基础上,提出对GA算法的相应算子中交叉和变异概率进行改进的方法,并用改进的GA算法优化BP神经网络的连接权值和阈值。以手写体数字识别为对象进行实验,结果表明：该方法具有更快的收敛速度和更可靠的稳定性,大大提高了BP神经网络的学习速度和识别率。     

基于BP 神经网络的塑料齿轮玩具注射成型优化分析

以某塑料拼插齿轮玩具为研究对象,采用自然平衡法设计1模144腔注塑模具。对有限元模型进行合理简化,并采用Moldflow软件进行塑料齿轮注射成型过程中的流动和翘曲分析。针对初始方案中出现的熔接痕和翘曲等缺陷,建立齿轮玩具BP 人工神经网络模型,通过BP神经网络算法训练各工艺参数,并对体积收缩率和总翘曲量进行预测。将训练后较优的工艺参数组合应用于注射成型后,使得该塑料齿轮熔接痕分布改变,翘曲变形量明显降低。     

基于Moldflow和BP神经网络的超薄塑料制品流程长度预测

基于Moldflow/MPI软件,结合正交试验,研究了注塑压力、注射速率、模具温度、熔体温度、保压压力、保压时间等6个重要工艺参数对超薄塑料制品注塑流程长度的影响规律.然后建立一个三层BP神经网络,仿真结果表明,利用该神经网络模型,可预测超薄塑料制品的流程长度.     

车用CD托架CAE注塑工艺参数优化分析

以汽车CD托架注塑成型为例,结合生产实际问题,构建了产品CAE分析模型,运用Moldfl ow2015软件对产品材料推荐的注塑成型工艺参数进行了初步仿真,对注塑过程中的翘曲、熔接痕、气穴等缺陷成因进行了分析,并给出了质量改善优化目标,提出了一种结合Taguchi试验法、BP神经网络预测的注塑成型工艺寻优方法,并对寻优结果进行了CAE模流分析验证。结果表明,神经网络预测结果与CAE模流分析结果相近,产品翘曲量降低至1.192 mm,产品较佳的注塑成型工艺参数为:料温为225℃,模温为60℃,注塑压力为70 MPa,注塑时间为1.3 s,第一保压压力为80 MPa,第一保压时间为12 s,第二保压压力为30 MPa,第二保压时间为3 s,冷却时间为15 s,型腔随形水路C1,C2冷却水的温度均为30℃。提出的优化设计方法能有效降低模具试模成本,缩短模具生产周期。     

基于LM-BP神经网络的汽车AB柱内饰板注塑CAE优化分析

以某汽车内饰A、B柱上内饰板产品同模注塑为例,对产品的注塑工艺进行了优化设计,包括不同浇注系统的优化选用、已选定浇注系统的成型质量优化、成型工艺参数优化3个过程。在成型工艺优化中,对传统的BP神经网络进行了基于LM算法的结构改进,采用正交试验粗选优化工艺路径,改进后的LM-BP神经网络对细化优化工艺路径有着较好的预测功能。通过LM-BP神经网络辅助优选,得到了很好的产品注塑工艺组合参数,将之应用于实际注塑时,获得了质量良好的注塑产品,具有较强的设计实践指导意义。     

基于MSA矩的帘子布疵点识别算法研究

首先给出了仿射变换的定义,并在此基础上建立了一种新的仿射变换途径——多尺度自卷积变换,构造了一组仿射不变矩(MSA矩),给出了它的明确表达式,然后计算帘子布样本图像的MSA矩,以这些MSA矩为输入向量对BP神经网络进行训练,最后采用已训练的BP神经网络进行帘子布疵点识别。试验证明,这种方法可准确识别出帘子布断经、浆斑、劈缝、稀经和经线粘连等疵点。     

基于改进BP神经网络陶瓷梭式窑火焰图像识别方法

在陶瓷产品生产过程中,不同烧制阶段陶瓷梭式窑烧结带温度发生相应的变化,其对应的火焰图像也随着变化。本文针对陶瓷梭式窑烧结带温度检测提出一种基于改进BP神经网络的火焰图像识别方法。首先对获取的火焰图像利用改进的小波阈值算法去除图像中的噪音进行预处理,其次基于改进的BP神经网络对得到的火焰图像三个分量值R、G、B和测得的火焰温度进行数据拟合,最后测试已训练的神经网络识别火焰图像的效果。实验结果表明,改进后的BP神经网络收敛速度更快、训练时间更短、误差更小,能够更好地检测陶瓷梭式窑火焰图像温度。     

基于BP神经网络在储层预测中研究及应用

利用人工神经网络模式识别技术可以在现有油层下面寻找新的油气储层,也可以预测储层类型。将用于预测的网络提供的浅层地震反演参数集作为输入,经BP网络学习后,对深层或无井储层进行预测。最后利用垦71地区实际参数,对BP神经网络进行检验。     

径向基函数神经网络在砂体厚度预测中的应用

目前,人工智能神经网络在地震储层参数的预测方面具有广泛的应用,最常用的为BP神经网络,但是效果并不是十分理想。径向基函数神经网络(RBFN)是一种前馈神经网络,其在函数逼近、模式识别方面都优于BP网络,已经在岩性识别、孔渗预测方面取得了较好的应用效果。本文首次将此方法运用于预测砂体厚度,利用地震属性信息和神经网络的学习,基于实际数据计算,最后计算出相应的砂体厚度值,并与实测值进行误差分析。实例分析表明,利用径向基函数神经网络进行砂体厚度预测具有一定的可行性和实用价值。