一种可调节式加工模具及其方法技术

本申请涉及加工模具技术领域，其具体地公开了一种可调节式加工模具及其方法，其使用监控模块获取预定时间段内多个预定时间点的模具本体的温度值以及所述多个预定时间点的冷却液的流速值，并依次经过结构化、时序特征提、基于高斯密度图的融合、查询校正、特征校正以得到校正后分类特征向量，并最终输入调节结果生成模块进行分类处理以得到用于表示当前时间点的冷却液的流速值应增大或应减小的分类结果，其能够实时准确地基于模具本体的温度变化情况来对于当前时间点的冷却液的流速值进行自适应控制，以此来使得模具本体的降温比较平滑，以利于提高成型质量。以利于提高成型质量。以利于提高成型质量。

【技术实现步骤摘要】
一种可调节式加工模具及其方法


[0001]本申请涉及加工模具
，且更为具体地，涉及一种可调节式加工模具及其方法。

技术介绍

[0002]注塑模具是生产各种工业产品的重要工艺装备，随着塑料工业的迅速发展，以及塑料制品在航空、航天、电子、机械船舶和汽车等工业部门的推广应用，注塑模具广泛应用于各个行业中。
[0003]传统注塑模具由动模和定模两部分组成，动模安装在注射成型机的移动模板上，定模安装在注射成型机的固定模板上。在注射成型时动模与定模闭合构成浇注系统和型腔，开模时动模和定模分离以便取出塑料制品。注塑模具主要由浇注系统、调温系统、成型零件和结构零件组成。
[0004]对于热塑性塑料用注塑模，调温系统主要是设计冷却系统使模具冷却。模具冷却的常用办法是在模具内开设液体通道，利用循环流动的冷却液带走模具的热量；模具的加热是利用液体通道通入热水或蒸汽。这种模具的加热或冷却一般都是根据工作者的经验进行调节，所以模具的温度得不到精确的控制，从而影响了产品的成型质量。
[0005]因此，期待一种优化的可调节式加工模具。

技术实现思路

[0006]本申请提供一种可调节式加工模具及其方法，能够实时准确地基于模具本体的温度变化情况来对于当前时间点的冷却液的流速值进行自适应控制，以此来使得模具本体的降温比较平滑，以利于提高成型质量。
[0007]第一方面，提供了一种可调节式加工模具，该加工模具包括：监控模块，用于获取预定时间段内多个预定时间点的模具本体的温度值以及所述多个预定时间点的冷却液的流速值；结构化模块，用于将所述多个预定时间点的冷却液的流速值和所述多个预定时间点的模具本体的温度值分别按照时间维度排列为流速输入向量和温度输入向量；时序特征提取模块，用于将所述流速输入向量和所述温度输入向量分别通过一维卷积神经网络模型以得到流速时序特征向量和温度时序特征向量;融合模块，用于基于高斯密度图来融合所述流速时序特征向量和所述温度时序特征向量以得到协同特征矩阵；查询校正模块，用于以所述流速时序特征向量作为查询特征向量，计算其与所述协同特征矩阵之间的矩阵乘积以得到分类特征向量；特征校正模块，用于基于所述协同特征矩阵，对所述分类特征向量进行特征分布校正以得到校正后分类特征向量；以及，调节结果生成模块，用于将所述校正后分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的冷却液的流速值应增大或应减小。
[0008]结合第一方面，在第一方面的一种实现方式中，所述时序特征提取模块，用于：使用所述一维卷积神经网络模型的各层在层的正向传递中对输入数据分别进行：对所述输入
数据进行基于三维卷积核的卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化处理以得到池化特征图；对所述池化特征图进行非线性激活以得到激活特征图；其中，所述一维卷积神经网络模型的第一层的输入为所述流速输入向量和所述温度输入向量，所述一维卷积神经网络模型的最后一层的输出为所述流速时序特征向量和所述温度时序特征向量。
[0009]结合第一方面，在第一方面的一种实现方式中，所述融合模块，包括：高斯密度图构造单元，用于使用高斯密度图以如下公式来构造所述流速时序特征向量和所述温度时序特征向量的高斯密度图以得到协同高斯密度图；其中，所述公式为： ，其中，表示所述协同高斯密度图的均值向量，表示所述协同高斯密度图的协方差矩阵，表示所述流速时序特征向量，表示所述温度时序特征向量，表示所述协同高斯密度图的变量，表示高斯概率密度函数；以及，高斯离散化单元，用于对所述协同高斯密度图中各个位置的高斯分布进行高斯离散化以得到所述协同特征矩阵。
[0010]结合第一方面，在第一方面的一种实现方式中，所述特征校正模块，包括：特征提取单元，用于将所述协同特征矩阵通过作为特征提取器的卷积神经网络模型以得到协同特征图；区分建模单元，用于对所述协同特征图进行特征相关性累积区分机制建模以获得加权特征向量；以及，作用单元，用于以所述加权特征向量对所述分类特征向量进行点乘以得到所述校正后分类特征向量。
[0011]结合第一方面，在第一方面的一种实现方式中，所述特征提取单元，用于，使用所述作为特征提取器的卷积神经网络模型以如下公式对所述协同特征矩阵进行处理以得到所述协同特征图；其中，所述公式为： ，其中，为第i层卷积神经网络模型的输入，为第i层卷积神经网络模型的输出，为第i层卷积神经网络模型的过滤器，且为第i层卷积神经网络模型的偏置矩阵，表示非线性激活函数。
[0012]结合第一方面，在第一方面的一种实现方式中，所述区分建模单元，用于：以如下公式对所述协同特征图进行特征相关性累积区分机制建模以获得所述加权特征向量；其中，所述公式为： ，其中表示所述协同特征图，和分别表示对特征图进行基于不同卷积核的单层卷积操作，表示激活函数，表示激活函数，且表示对特征图的每个特征矩阵进行全局池化操作，表示按位置加法，表示所述加权特征向量。
[0013]结合第一方面，在第一方面的一种实现方式中，所述调节结果生成模块，包括：全连接单元，用于使用所述分类器的全连接层对所述校正后分类特征向量进行全连接编码以得到全连接编码特征向量；概率化单元，用于将所述全连接编码特征向量输入所述分类器
的Softmax分类函数以得到所述校正后分类特征向量归属于各个分类标签的概率值，所述分类标签包括用于表示当前时间点的冷却液的流速值应增大和用于表示当前时间点的冷却液的流速值应减小；以及，分类单元，用于将所述概率值中最大者对应的分类标签确定为所述分类结果。
[0014]第二方面，提供了一种可调节式加工模具的控制方法，该方法包括：获取预定时间段内多个预定时间点的模具本体的温度值以及所述多个预定时间点的冷却液的流速值；将所述多个预定时间点的冷却液的流速值和所述多个预定时间点的模具本体的温度值分别按照时间维度排列为流速输入向量和温度输入向量；将所述流速输入向量和所述温度输入向量分别通过一维卷积神经网络模型以得到流速时序特征向量和温度时序特征向量;基于高斯密度图来融合所述流速时序特征向量和所述温度时序特征向量以得到协同特征矩阵；以所述流速时序特征向量作为查询特征向量，计算其与所述协同特征矩阵之间的矩阵乘积以得到分类特征向量；基于所述协同特征矩阵，对所述分类特征向量进行特征分布校正以得到校正后分类特征向量；以及，将所述校正后分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的冷却液的流速值应增大或应减小。
[0015]结合第二方面，在第二方面的一种实现方式中，基于高斯密度图来融合所述流速时序特征向量和所述温度时序特征向量以得到协同特征矩阵，包括：使用高斯密度图以如下公式来构造所述流速时序特征向量和所述温度时序特征向量的高斯密度图以得到协同高斯密度图；其中，所述公式为： ，其中，表示所述协同高斯密度图的均值向量，表示所述协同高斯密度图的协方差矩阵，表示所述流速时序特征向量，表示所述温度时序特征向量，表示所述协同高斯密度图的变量，表示高斯概率密度函数，以本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种可调节式加工模具，其特征在于，包括：监控模块，用于获取预定时间段内多个预定时间点的模具本体的温度值以及所述多个预定时间点的冷却液的流速值；结构化模块，用于将所述多个预定时间点的冷却液的流速值和所述多个预定时间点的模具本体的温度值分别按照时间维度排列为流速输入向量和温度输入向量；时序特征提取模块，用于将所述流速输入向量和所述温度输入向量分别通过一维卷积神经网络模型以得到流速时序特征向量和温度时序特征向量；融合模块，用于基于高斯密度图来融合所述流速时序特征向量和所述温度时序特征向量以得到协同特征矩阵；查询校正模块，用于以所述流速时序特征向量作为查询特征向量，计算其与所述协同特征矩阵之间的矩阵乘积以得到分类特征向量；特征校正模块，用于基于所述协同特征矩阵，对所述分类特征向量进行特征分布校正以得到校正后分类特征向量；以及调节结果生成模块，用于将所述校正后分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的冷却液的流速值应增大或应减小。2.根据权利要求1所述的可调节式加工模具，其特征在于，所述时序特征提取模块，用于：使用所述一维卷积神经网络模型的各层在层的正向传递中对输入数据分别进行：对所述输入数据进行基于一维卷积核的卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化处理以得到池化特征图；对所述池化特征图进行非线性激活以得到激活特征图；其中，所述一维卷积神经网络模型的第一层的输入为所述流速输入向量和所述温度输入向量，所述一维卷积神经网络模型的最后一层的输出为所述流速时序特征向量和所述温度时序特征向量。3.根据权利要求2所述的可调节式加工模具，其特征在于，所述融合模块，包括：高斯密度图构造单元，用于使用高斯密度图以如下公式来构造所述流速时序特征向量和所述温度时序特征向量的高斯密度图以得到协同高斯密度图；其中，所述公式为：，其中，表示所述协同高斯密度图的均值向量，表示所述协同高斯密度图的协方差矩阵，表示所述流速时序特征向量，表示所述温度时序特征向量，表示所述协同高斯密度图的变量，表示高斯概率密度函数；以及高斯离散化单元，用于对所述协同高斯密度图中各个位置的高斯分布进行高斯离散化以得到所述协同特征矩阵。4.根据权利要求3所述的可调节式加工模具，其特征在于，所述特征校正模块，包括：特征提取单元，用于将所述协同特征矩阵通过作为特征提取器的卷积神经网络模型以得到协同特征图；区分建模单元，用于对所述协同特征图进行特征相关性累积区分机制建模以获得加权特征向量；以及作用单元，用于以所述加权特征向量对所述分类特征向量进行点乘以得到所述校正后分类特征向量。5.根据权利要求4所述的可调节式加工模具，其特征在于，所述特征提取单元，用于，使用所述作为特征提取器的卷积神经网络模型以如下公式对所述协同特征矩阵进行处理以得到所述协同特征图；其中，所述公式为：，其中，为第i层卷积神经网络模型的输入，为第i层卷积神经网络模型的输出，为第i层卷积神经
网络模型的过滤器，且为第i层卷积神经网络模型的偏置矩阵，表示非...

【专利技术属性】
技术研发人员：杨冬，
申请(专利权)人：斯帝尔实业上海有限公司，
类型：发明
国别省市：