.png){kind=icon}
返回
Data-driven inverse modeling and parameter recommendation framework for smart injection molding
.png){kind=icon}
OA
AI
DOI：10.1007/s00170-026-17779-2.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
从模内传感信号中准确识别工艺参数对于推进智能自适应注塑系统至关重要。本研究提出了一种基于数据驱动的逆向建模框架，可直接从型腔压力曲线推断关键工艺参数。采用分阶段自编码器（AE）通过将压力曲线分割为填充、保压和冷却阶段来执行非线性特征提取，从而捕捉工艺主导动态。随后使用多层感知器（MLP）将编码后的潜在特征映射至注射速度、保压压力、喷嘴温度和模具温度。实验共进行了81组全因子工艺组合，在工业注塑机上生成了810个注塑周期。从独立的生产运行中收集了验证数据集以评估泛化能力。所提出的AE–MLP框架在未见数据上实现了高预测精度，注射速度的R²值为0.9979，保压压力为0.9926，模具温度为0.9571，喷嘴温度为0.9296，对应的均方根误差（RMSE）值均保持在1.6以下。与PCA–MLP和直接MLP模型的对比分析表明，非线性流形表示显著提高了逆向回归的鲁棒性，尤其对于热耦合参数。此外，从参数可辨识性和注塑过程中固有的多对一映射特性角度分析了逆向建模的稳定性。结果表明，分阶段非线性特征编码增强了潜在空间的可分离性并缓解了参数推断中的歧义。所提出的框架为实时工艺参数估计提供了一种稳健且具有物理可解释性的方法，有助于自适应和自优化制造系统的发展。直接从多传感器压力特征推断注塑参数。AE–MLP框架学习压力与参数之间的非线性关系。参数推荐支持自适应工艺条件调整。810周期的全因子实验验证了准确性和泛化能力。通过实时参数调优支持智能制造。
Keyword:
Injection molding
Inverse prediction
Autoencoder
Multilayer Perceptron
Smart manufacturing
Data-driven modeling
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
T
IF:
0
论文数:
2.0K
被引数:
0
机构
引用论文
Study of an Online Monitoring Adaptive System for an Injection Molding Process Based on a Nozzle Pressure Curve.png)
PolymersOAAI
PolymersIF0
OAAI分享收藏Investigation and predictive multi-modeling of PVA/PVP-blended nanofiber diameter in electrospinningPVA/PVP共混纳米纤维在静电纺丝中的直径调查与多模型预测建模
PREAI
分享收藏Data-driven quality prediction in injection molding: An autoencoder and machine learning approach
PREAI
分享收藏Quality Prediction for Injection Molding by Using a Multilayer Perceptron Neural NetworkPolymersOAAI
PolymersIF0
OAAI分享收藏Industry 4.0 and potential for reshoring: A typology of technology profiles of manufacturing firmsOAAI
OAAI分享收藏Prediction and validation of the specific volume for inline warpage control in injection moldingOAAI
OAAI分享收藏
查看更多内容