注塑成型过程中,塑料件的意外翘曲是常见缺陷。为预防该现象,制造商需精准定位成因并调整工艺参数。传统缺陷检测与参数优化方法往往难以满足需求,而多保真度解决方案为行业提供了更具成本效益的新选择。
《翘曲成因解析》 材料特性、零件设计或工艺参数(如壁厚差异、填充阶段剪切应力)均可能导致翘曲。通过将神经网络引入检测流程,可实时分析模具温度、保压压力等输入参数的关联性。但依赖高保真数据会显著增加算力消耗。
《多保真度解决方案》 特拉华大学研究团队构建了融合两类数据的神经网络框架: - 仿真生成的低保真数据(通过Moldex3D模拟) - 实验采集的高保真数据(采用边缘标记摄影法与模内传感器)
可逆神经网络能根据输出数据重构输入,从而逆向预测所需工艺参数。测试表明,该方法能清晰呈现模壁温度与厚度的关联:较厚壁导致冷却缓慢(应力松弛时间延长),薄壁则引发快速冷却(分子取向冻结产生更高残余应力)。
《技术价值》 这种混合数据策略在保持预测精度的同时显著降低算力需求,为智能制造提供了折中方案——高保真数据虽结果优质但算力要求苛刻,低保真数据计算高效却精度有限,而多保真网络实现了二者的平衡。