.png){kind=icon}
返回
Machine learning based predictive quality for injection molded elastomer products
.png){kind=icon}
PRE
AI
DOI：10.1007/s00170-026-19120-3.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究提出了一种基于机器学习（ML）的建模方法，用于预测注塑成型弹性体部件的质量特性。由于非线性工艺行为和复杂材料特性，弹性体注塑成型（IM）的物理建模通常不可行，而循环工艺允许使用机器学习（ML）学习工艺-质量关系。主要限制是需要训练数据的量，这取决于数据集维数和工艺方差。由于稳定生产数据通常包含有限的工艺变化，需要生成实验数据，但长的硫化周期时间限制了可行的试验次数。为此，开发了一种基于人工神经网络（ANN）的演示器，用于根据机器记录的工艺数据预测代表性弹性体测试板的重量。训练数据使用针对ANN训练定制的设计实验（DoE）生成。随后，应用物理信息特征工程以减少数据集维数。优化的ANN在DoE数据集上实现了27 mg的测试均方根误差（RMSE），对应于约8.6 g零件重量的相对误差约为0.31%。该方法进一步在简化的工艺-数据集上验证，达到23.5 mg的测试RMSE，并在材料变更场景中达到38 mg的RMSE。与替代代理模型的对比基准测试证实了ANN在所调查的数据集中是最平衡的模型。这些结果表明，数据高效的预测质量建模方法适用于工业弹性体IM应用。
Keyword:
Rubber injection molding
Predictive quality
Machine learning
期刊
IF:
3.1
论文数:
2.1K
被引数:
6.4W
机构
引用论文
Application of supervised machine learning methods in injection molding process for initial parameters setting: prediction of the cooling time parameter在注塑成型过程中应用监督式机器学习方法进行初始参数设置：冷却时间参数的预测
PREAI
分享收藏Optimizing injection molding simulations: comparative performance of Kriging and RSM surrogate models for process efficiency优化注塑成型仿真：Kriging和RSM代理模型在过程效率方面的比较性能
PREAI
分享收藏Using Bayesian optimization for warpage compensation in injection moldingS. Tillmann, M. Behr, S. Elgeti，《利用贝叶斯优化进行注塑成型中的翘曲补偿》，Materialwissenschaft und Werkstofftechnik 55 (1) (2024) 13–20。doi:10.1002/mawe.202300157.
PREAI
分享收藏Improving response surface methodology by using artificial neural network and simulated annealing利用人工神经网络和模拟退火改进响应面法
PREAI
分享收藏Machine learning and deep learning based predictive quality in manufacturing: a systematic review基于机器学习和深度学习的制造业预测质量: 系统综述
OAAI
OAAI分享收藏
Comparison of Hybrid Machine Learning Approaches for Surrogate Modeling Part Shrinkage in Injection MoldingWenzel, M.; Maisel, J.; Rausch, J. 比较用于注射成型中零件收缩的代理建模混合机器学习方法。Polymers 2024, 16, 829. [Google Scholar] [CrossRef] [PubMed].png)
Polymers
PolymersIF0
PREAI
分享收藏
查看更多内容