买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉浙江大学申请的专利一种基于混合模型的注塑工艺参数智能调节方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116852665B 。

龙图腾网通过国家知识产权局官网在2025-08-29发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310862943.4，技术领域涉及：B29C45/78；该发明授权一种基于混合模型的注塑工艺参数智能调节方法是由张树有;曾威;伊国栋;云冲冲;王阳设计研发完成，并于2023-07-13向国家知识产权局提交的专利申请。

本一种基于混合模型的注塑工艺参数智能调节方法在说明书摘要公布了：本发明公开了一种基于混合模型的注塑工艺参数智能调节方法。通过注塑制品缺陷与工艺参数的映射仿真获取Kriging代理模型的初始数据，以注塑机时间测量数据及Kriging拟合数据作为后续数据，同时定义最小信噪比函数；定义最优工艺参数组合适应度函数；定义工艺参数贡献率；确定最优初始工艺参数；构建高预测准确度的GA‑BP模型；构建基于EGO的全局优化Kriging代理模型；使用Kriging模型和GA‑BP模型进行工艺参数动态调节。本发明可解决Kriging模型计算精度高但对噪声数据敏感的问题，并结合预测模型和机器视觉检测手段，实现了注塑工艺参数动态调节，有效地提高注塑过程中的调节效率和自动化程度。

本发明授权一种基于混合模型的注塑工艺参数智能调节方法在权利要求书中公布了：1.一种基于混合模型的注塑工艺参数智能调节方法，其特征在于，包括以下步骤： 步骤1：使用拉丁超立方取样对注塑工艺中需用到的工艺参数经验范围内的值进行随机取样，并用田口正交方法对随机取样后的值进行组合获得多组实验方案；用Moldflow对实验方案进行仿真获得目标值，将仿真结果做方差分析，求得所有工艺参数的贡献率，从而确定影响注塑制品质量的主要工艺参数； 步骤2：利用步骤1的主要工艺参数构建BP-GA神经网络模型； 步骤3：构建基于EGO的全局优化Kriging代理模型； 步骤4：开始注塑生产制品，对生产过程中的注塑制品进行周期性检测，获得多组工艺参数组合数据及其对应的目标值； 步骤5：从步骤4的多组工艺参数组合数据中选择有效数据计算信噪比，并更新GA-BP神经网络模型，同时通过拉丁超立方进行采样和EGO全局优化方法进行针对性加点，补充并更新Kriging模型的训练数据，重新训练Kriging预测模型； 步骤6：实时对生产过程中注塑制品的目标值进行监测并检查是否超过设定阈值，对超过阈值的目标值对应的工艺参数进行修正，将修正后的工艺参数输入GA-BP神经网络模型，预测信噪比值并判断信噪比是否符合设定范围，若超过阈值，则继续进行工艺参数修正，直到符合信噪比要求； 步骤7：将步骤6得到的符合信噪比要求的工艺参数组合输入Kriging模型，预测注塑制品的目标值并判断是否满足设定阈值： 若不满足，返回步骤6继续修正工艺参数； 若满足，则得到既符合信噪比要求也符合质量标准的工艺参数组合； 步骤8：使用步骤7最终得到的工艺参数组合对注塑机进行工艺参数调整，将调整后的注塑机的实际缺陷检测结果与步骤7预测的目标值进行对比，并将误差反馈给Kriging模型后进行修正； 通过步骤6～8形成注塑工艺参数的动态调节系统； 所述步骤1中，通过下述公式计算工艺参数贡献率θ： 贡献率θ＝SeqSSi∑SeqSSi； 式中， 式中，sj表示缺陷归一化平均值，n为工艺参数的个数，i表示第i个工艺参数； 所述步骤1中的主要工艺参数为贡献率大于5％的工艺参数； 所述步骤3具体为： 3.1利用初始样本构造Kriging模型： 初始样本包括步骤1确定的主要工艺参数和步骤2通过拉丁超立方取样方法增加的工艺参数，以及所有工艺参数对应的目标值； 3.2对样本数据X*进行归一化处理； 3.3使用拉丁超立方采样及EGO全局优化获取新样本点： 在工艺参数范围内进行拉丁超立方取样得到M个新样本点； 通过最小化响应面和最大化期望改进函数确定新的样本点，公式如下： 式中，xi表示第i个新样本点，包含的特征有工艺参数组合及目标值，i∈{1,2,…M}，xi∈X＝{x1,…,xi,…xM}；yxi为样本xi经实验或仿真后获得的目标值； 期望改进函数EIxi为： 式中，CDF和PDF为积累分布函数和概率密度函数；yμx为步骤3.2的样本数据加上样本点xi的工艺参数使用kriging模型获得的目标值均值，σx为步骤3.2的样本数据加上样本点xi的工艺参数的方差； 选取EIx最大时对应的xi作为新样本点x*，将x*加入X*，获得新的集合X*，使用更新后的样本数据集X*对Kriging代理模型进行重新拟合完成更新； 3.4对更新后的Kriging模型预测误差项： Kriging模型的优化目标是预测误差最小，目标函数如下： 式中，为目标函数，y为样本的目标值，为样本目标值的预测值；gjx是目标函数的约束函数；分别是样本x中工艺参数xi的上下限，x∈X*；Nc是约束的个数； 3.5当目标函数不小于设定目标值时，重复3.3～3.4； 当目标函数小于设定目标值，停止对Kriging模型的更新，从而完成基于EGO的全局优化Kriging模型的构建。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人浙江大学，其通讯地址为：310058 浙江省杭州市西湖区余杭塘路866号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。