一种moldflow参数修改建议的生成方法
技术领域
1.本发明涉及注塑成型技术领域，更具体地，涉及一种moldflow参数修改建议的生成方法。
背景技术：
2.高端薄壁塑料产品，如高端的塑料工具箱，已经逐渐向高端化，精密化发展。除了必须的结构之外，新的工具箱产品还使用了止档结构、枢转结构，或安装了精密机械装置，使塑料工具箱不光能够装载工具，还能提供展示、传递、限制打开角度，工具悬挂等原本无法达到的功能。随着新产业、新工具、新需求的出现，工具箱产品的发展潜力是无尽的，但是塑料工具箱的实际生产，依赖于现有的模具技术水平。任何高端产品要投入生产，都必须先制造相应的注塑模具。高端产品的功能普遍依赖于精密结构，如果无法制造出产品精度达标的注塑模具，那再高端的产品的设计也无法投产。
3.在大型薄壁工具箱模具设计时，因工具箱产品表面布满工艺纹理，表面平衡性瑕疵或融接痕迹几乎不会体现在外观上。而对精密的止档结构，枢转结构等部位的控制是现有高端产品制造的重点，设计过程中需要限制局部的收缩和翘曲，避免止档、枢转，以及其配合结构，因出现收缩和翘曲而完全无法使用，而其他部分即箱体部分则需要稳定的质量。
4.模流分析(moldflow)技术无论在提高生产率、保证产品质量,还是在降低成本、减轻劳动强度等方面,都具有很大的优越性。利用moldflow技术可以在模具加工前,使用计算机对整个注射成型过程进行模拟分析,准确预测熔体的填充、保压、气穴、熔接痕、流动前沿温度和翘曲变形等情况,以便设计者能尽早发现问题,及时修改塑件和模具设计,减少甚至避免模具返修报废、提高塑件质量和降低成本等。在薄壁工具箱的制作中，该技术主要的作用是对箱体非精密部分进行模拟分析，减轻劳动强度。但是对精密部分的设计，如止档结构、枢转结构，精密机械安装位置等，moldflow模拟、优化的结果基本没有参考价值。
5.资深的模具工程师可以根据一个现有的模具设计资料，准确的指出该设计存在的问题，并较为准确的预测该问题可能导致的结果。但这些模具工程师的教育和经历使他们对于计算机模拟软件的学习态度并不积极，并且，moldflow模拟分析中，准确可参考部分对于资深工程师几乎没有参考意义。新一代工程师能够高效的掌握学习模流分析软件，有些在学校中就进行过初步的学习，可以有效的通过moldflow提高注塑件质量、降低成本。但他们的模具设计经验无法应对难度高的项目。
6.在各种方法中，通过人工智能辅助模流分析，提高结果的参考价值，是解决现有问题的有效方式。中国专利公开了一种基于改进支持向量机的注塑产品质量预测方法，申请号为cn202110302729.4，该方案根据生产实际，绘制日字扣三维模型，在moldflow中设置相应的工艺参数，对比实际缺陷与仿真缺陷，验证仿真模型的可靠性，并通过对遗传模拟退火优化支持向量机进行训练和检测，预测注塑产品质量。该方案通过实际的缺陷和仿真缺陷对比的结果形成ai模型，并通过该模型对moldflow模拟、优化的结果进行初步评估，避免了工程师受仿真模型误导。该方案的缺陷在于模型给出仅仅是一个可靠性预测的结果，而在
实际生产过程中，设计难度与模流分析可靠性结果有明显的负相关，该数据偏见导致其最终结果是一个难度的评估，对生产管理有参考意义，但对实际操作并没有积极效果。此外，该方法需要的实际模具实验数据量较大，只适用于类似日字扣的小型模具，而大型模具一次实验的人力物力成本极其高昂，难以达到建立可靠模型的数据量。
技术实现要素：
7.为克服现有技术的moldflow中ai对高端模具产品的生产指导效果低，资深工程师的意见无法转化到moldflow技术上的问题，提供了一种moldflow参数修改建议的生成方法。
8.本发明解决其技术问题所采用的技术方案是：s1.将数据集导入模型；数据集的格式为：工艺参数，moldflow评价，工程师评价；通过对比得到：工艺参数，工程师评价-moldflow评价。
9.工程师评价、moldflow评价的得分，对应了评估后熔接痕问题、气泡问题、收缩翘曲问题的大小，同时也符合自然数规律，通过对比即可得出明确的差异值并生成数据集：《x，rx-rm》x表示工艺参数，也是模型中的特征，rx-rm表示人工与moldflow仿真分析结果的区别。
10.s2.使用该数据集，对每个不同的问题评价分别建立模型；由于从实际角度上看，熔接痕、气泡、收缩翘曲等问题可以同时出现，而其相关性并没有太多参考价值，实际过程中每一个评价的模型都应该是独立的。
11.该模型的评价结果可以通过多变量回归或多参数分类方式获得，虽然机理有所不同，但对于模流分析的技术问题来看，输出的结果在被参考时并没有显著区别：都是对出现某问题的风险进行评价，从无风险到高风险。
12.s3.通过该模型预测moldflow仿真结果与工程师标注的差异，得出建议，并展示数据。
13.本步骤的有益效果是：通过一个标注数据集，降低模型所需的实际模具试验品数据量，甚至在没有实验数据的情况都能得到结果，并通过预训练过程提高模型的准确度。筛选剔除了与moldflow结论相同的数据，提高了结果的针对性。
14.作为优选，s2中的模型是一种决策树分类预测模型，通过偏差的大小，在一个评分体系下通过量化的方式产生多个分类，通过数据集，建立决策树分类预测模型。
15.而模型输出的每个分类可能性数据在模流分析应用场景下，有极高的参考价值，通过分类可能性，工程师可以接收到90％可能性与模流分析结论相符，10％可能性问题大于分析结果评价，进而仔细分析设计，分析产生风险的原因。需要注意的是，不论是工程师标注的评价，还是moldflow给出的结果都不是实际数据，但该决策树分类预测模型本身，在未进行任何其他调整之前，已经具有一定的实用价值，给出的建议也是符合工程师需求的。
16.作为优选，s2中还包括：s2.1随机筛除差异过小的评价数据，使其占数据总量的比例小于50％。防止该数
据量过大，误导模型将不确定的情况向无差别进行分类。筛选的条件为：|rx-rm|＜yrx-rm表示moldflow评价与人工评价的差异，y表示人工设定的差异过小的值。因为针对不同的注塑件，其结果准确性可能产生很大的不同，例如简单小注塑件可能几乎所有数据都是无差异，而大型注塑件中的精密结构，模流分析和工程师评价会有很大的出入，因此应通过最终的数据集结构来定义y。
17.作为优选，s2中训练模型的方法还包括：s2.2.通过制造模具并测试生产得到真实数据，收集实际制造模具的参数与结果，引入新的一轮分类，使模型给出的预测结果接近实际制造模具的结果。
18.实际制造模具的结果与工程师分析结果的差异：《x，rt-rx》其中rt表示实际测试的结果，rx表示人工生成的评价，x表示工艺参数，也是模型中的特征；该方法可以得到是仿真结论是否准确的评价。通过实际测试数据构建损失函数后，继续使用深度学习技术对该方案进行优化也是可行的。
19.作为优选，s1数据集的产生方法包括：s1.1.向moldflow导入需要的产品模型s1.2.由模具工程师手动生成数个可能的模具设计，并利用机器对随机的2-3个参数进行调整，生成大量不同的模具参数方案。工艺参数包括熔体温度、模具温度、注射温度、注射时间、注射压力、冷却时间、保压压力、保压时间、冷却时间、开闭模速度、脱模速度，还包括材料选择与材料参数。
20.s1.3.通过moldflow生成分析报告，将关键的数据包括熔接痕长度、气泡面积、体积收缩率、缩痕指数，转化为熔接痕问题、气泡问题、收缩翘曲问题等量化评价。通过一般的问卷量化方式，将问题从小到大分为多个打分值的量化反馈。
21.s1.4.通过工程师对相同的工艺参数进行标注评价，获得数据集，包括熔接痕问题、气泡问题、收缩翘曲问题等评价。同样将问题从小到大分为多个打分值，s1.5.将其合成训练样本数据集：工艺参数，moldflow评价，工程师评价。
22.《x，rm，rx》x表示工艺参数，rm表示moldflow评价，rx表示工程师评价。
23.本步骤的有益效果是：通过选择2-3个工艺参数，进行随机修改，进行大量的扩充。该随机修改的方法，其目的是扩充数据量，并使该数据集在标注后具有能被捕捉到的特征。该方案以很小的代价，并通过少量的工作人员，快速生成大量的数据，有利于缩短模型建立的工作时间。
24.进一步的，在s1.4的打分值与s1.3的打分值不同时，通过一个规范化的方法将其调整为相同的值范围。
25.该步骤节省人力，方便导入数据。
26.作为优选，s3中通过该模型预测moldflow仿真结果与工程师标注的差异，并得出建议的方法如下：
s3.1.模具工程师设计一个模具。
27.s3.2.机器随机修改一部分参数，生成一整组模具设计数据；该修改对随机的2-3个参数进行调整，生成大量不同的模具参数方案。工艺参数包括熔体温度、模具温度、注射温度、注射时间、注射压力、冷却时间、保压压力、保压时间、冷却时间、开闭模速度、脱模速度，还包括材料选择与材料参数。
28.s3.3.通过moldflow分析，模型得出输出的评价结果，并对结果分数进行评估。评价结果包括：熔接痕问题、气泡问题、收缩翘曲问题等评价。其结果分数计算方法为：其中rx表示moldflow仿真分析的结果，共有n个评价结果，rxn表示第n个评价，rd表示模型给出的分类对应的参数，a表示影响该评价的权重结果。该分数计算模型仍有继续优化的空间。
29.s3.4.输出对该模具的预测数据，以及分数高于该模具的参数集。输出所有机器生成的参数数据中，评分(从低风险到高风险从小到大排列)低于工程师提供的设计方案的参数方案。
30.作为优选，s4中展示数据的方法分为如下细节：通过二次开发，在moldflow给出的分析报告中加入ai分析数据，数据的组成如下：moldflow对其设计可能出现的缺陷评价；资深工程师ai模型对moldflow的结论的评价；一组对现有设计的参数优化建议，以及这些建议参数可能出现的缺陷；该报告有一定技术参考意义的，对工程师的设计给出了评价和建议，并同时给出了建议的方案可能存在的问题，是有效的学习方法。
31.本方案以推动模具设计产业转型，加速moldflow更深入的推广应用为目的，使有限的资深模具设计师能在moldflow二次开发插件的基础上向更多的模具从业者提供建议。同时提供了解决资深工程师难以适应moldflow软件，以及熟练使用该软件的新工程师在高端模具设计过程中，缺乏资深工程师指导的弊端。
具体实施方式
32.标引获得标引数据集的过程s1.向moldflow导入需要的产品模型s2.由模具工程师手动生成数个可能的模具设计，并利用机器对随机的2-3个参数进行调整，生成大量不同的模具参数方案。工艺参数包括熔体温度、模具温度、注射温度、注射时间、注射压力、冷却时间、保压压力、保压时间、冷却时间、开闭模速度、脱模速度，还包括材料选择与材料参数。
33.s3.通过moldflow生成分析报告，将关键的数据包括熔接痕长度、气泡面积、体积收缩率、缩痕指数，转化为熔接痕问题、气泡问题、收缩翘曲问题等评价。通过一般的问卷量化方式，将问题从小到大分为1-5，五个打分值的量化反馈。
34.s4.通过工程师对相同的工艺参数进行标注评价，获得数据集，包括熔接痕问题、气泡问题、收缩翘曲问题等评价。同样将问题从小到大分为1-5，五个打分值。
35.如获得的打分值并不是1-5，则通过一个标准化方式，使其成为1-5的打分值数据结构。
36.s5.将其合成训练样本数据集：工艺参数，moldflow评价，工程师评价。
37.《x，rm-rx》x表示工艺参数，rm表示moldflow评价，rx表示工程师评价模型训练方法s1.将数据集导入模型；数据集的格式为：工艺参数，moldflow评价，工程师评价；通过对比得到：工艺参数，工程师评价-moldflow评价。
38.工程师评价、moldflow评价的得分，对应了评估后熔接痕问题、气泡问题、收缩翘曲问题的大小，该方案是分类的同时也是一个自然数，通过对比即可得出明确的差异值并生成数据集：《x，rx-rm》x表示工艺参数，也是模型中的特征，rx-rm表示人工与moldflow仿真分析结果的区别。
39.s2.构建模型；s2.1随机筛除两者差异|rx-rm|小于1的数据，使其占总数据项的比例小于50％。
40.s2.2通过偏差的大小，在1-5的评分体系下可以得到{-4，-3，-2，-1，0，1，2，3，4}这9个分类，通过数据集建立决策树分类预测模型。
41.s2.4.通过制造模具并测试生产得到真实数据，收集实际制造模具的参数与结果，引入新的一轮分类，使模型给出的预测结果接近实际制造模具的结果。
42.实际情况与工程师分析结果的差异：《x，rt-rt》其中rt表示实际测试的结果，x表示工艺参数，也是模型中的特征。
43.模型实施方法s1.模具工程师设计一个模具。
44.s2.机器随机修改一部分参数，生成一整组模具设计数据；该修改对随机的2-3个参数进行调整，生成大量不同的模具参数方案。工艺参数包括熔体温度、模具温度、注射温度、注射时间、注射压力、冷却时间、保压压力、保压时间、冷却时间、开闭模速度、脱模速度，还包括材料选择与材料参数。
45.s3.通过moldflow分析，模型得出输出的评价结果，并对结果分数进行评估。评价结果包括：熔接痕问题、气泡问题、收缩翘曲问题等评价。其结果分数计算方法为：其中rx表示moldflow仿真分析的结果，共有n个评价结果，rxn表示第n个评价，rd表示模型给出的分类对应的参数，a表示影响该评价的权重结果。
46.s4.输出对该模具的预测数据，以及分数高于该模具的参数集。输出所有机器生成的参数数据中，评分(从低风险到高风险从小到大排列)低于工程师提供的设计方案的参数
方案。
47.信息的展示通过二次开发，在moldflow给出的分析报告中加入ai分析数据，数据的组成如下：moldflow对其设计可能出现的缺陷评价；资深工程师ai模型对moldflow的结论的评价；一组对现有设计的参数优化建议，以及这些建议参数可能出现的缺陷。
技术领域
1.本发明涉及注塑成型技术领域，更具体地，涉及一种moldflow参数修改建议的生成方法。
背景技术：
2.高端薄壁塑料产品，如高端的塑料工具箱，已经逐渐向高端化，精密化发展。除了必须的结构之外，新的工具箱产品还使用了止档结构、枢转结构，或安装了精密机械装置，使塑料工具箱不光能够装载工具，还能提供展示、传递、限制打开角度，工具悬挂等原本无法达到的功能。随着新产业、新工具、新需求的出现，工具箱产品的发展潜力是无尽的，但是塑料工具箱的实际生产，依赖于现有的模具技术水平。任何高端产品要投入生产，都必须先制造相应的注塑模具。高端产品的功能普遍依赖于精密结构，如果无法制造出产品精度达标的注塑模具，那再高端的产品的设计也无法投产。
3.在大型薄壁工具箱模具设计时，因工具箱产品表面布满工艺纹理，表面平衡性瑕疵或融接痕迹几乎不会体现在外观上。而对精密的止档结构，枢转结构等部位的控制是现有高端产品制造的重点，设计过程中需要限制局部的收缩和翘曲，避免止档、枢转，以及其配合结构，因出现收缩和翘曲而完全无法使用，而其他部分即箱体部分则需要稳定的质量。
4.模流分析(moldflow)技术无论在提高生产率、保证产品质量,还是在降低成本、减轻劳动强度等方面,都具有很大的优越性。利用moldflow技术可以在模具加工前,使用计算机对整个注射成型过程进行模拟分析,准确预测熔体的填充、保压、气穴、熔接痕、流动前沿温度和翘曲变形等情况,以便设计者能尽早发现问题,及时修改塑件和模具设计,减少甚至避免模具返修报废、提高塑件质量和降低成本等。在薄壁工具箱的制作中，该技术主要的作用是对箱体非精密部分进行模拟分析，减轻劳动强度。但是对精密部分的设计，如止档结构、枢转结构，精密机械安装位置等，moldflow模拟、优化的结果基本没有参考价值。
5.资深的模具工程师可以根据一个现有的模具设计资料，准确的指出该设计存在的问题，并较为准确的预测该问题可能导致的结果。但这些模具工程师的教育和经历使他们对于计算机模拟软件的学习态度并不积极，并且，moldflow模拟分析中，准确可参考部分对于资深工程师几乎没有参考意义。新一代工程师能够高效的掌握学习模流分析软件，有些在学校中就进行过初步的学习，可以有效的通过moldflow提高注塑件质量、降低成本。但他们的模具设计经验无法应对难度高的项目。
6.在各种方法中，通过人工智能辅助模流分析，提高结果的参考价值，是解决现有问题的有效方式。中国专利公开了一种基于改进支持向量机的注塑产品质量预测方法，申请号为cn202110302729.4，该方案根据生产实际，绘制日字扣三维模型，在moldflow中设置相应的工艺参数，对比实际缺陷与仿真缺陷，验证仿真模型的可靠性，并通过对遗传模拟退火优化支持向量机进行训练和检测，预测注塑产品质量。该方案通过实际的缺陷和仿真缺陷对比的结果形成ai模型，并通过该模型对moldflow模拟、优化的结果进行初步评估，避免了工程师受仿真模型误导。该方案的缺陷在于模型给出仅仅是一个可靠性预测的结果，而在
实际生产过程中，设计难度与模流分析可靠性结果有明显的负相关，该数据偏见导致其最终结果是一个难度的评估，对生产管理有参考意义，但对实际操作并没有积极效果。此外，该方法需要的实际模具实验数据量较大，只适用于类似日字扣的小型模具，而大型模具一次实验的人力物力成本极其高昂，难以达到建立可靠模型的数据量。
技术实现要素：
7.为克服现有技术的moldflow中ai对高端模具产品的生产指导效果低，资深工程师的意见无法转化到moldflow技术上的问题，提供了一种moldflow参数修改建议的生成方法。
8.本发明解决其技术问题所采用的技术方案是：s1.将数据集导入模型；数据集的格式为：工艺参数，moldflow评价，工程师评价；通过对比得到：工艺参数，工程师评价-moldflow评价。
9.工程师评价、moldflow评价的得分，对应了评估后熔接痕问题、气泡问题、收缩翘曲问题的大小，同时也符合自然数规律，通过对比即可得出明确的差异值并生成数据集：《x，rx-rm》x表示工艺参数，也是模型中的特征，rx-rm表示人工与moldflow仿真分析结果的区别。
10.s2.使用该数据集，对每个不同的问题评价分别建立模型；由于从实际角度上看，熔接痕、气泡、收缩翘曲等问题可以同时出现，而其相关性并没有太多参考价值，实际过程中每一个评价的模型都应该是独立的。
11.该模型的评价结果可以通过多变量回归或多参数分类方式获得，虽然机理有所不同，但对于模流分析的技术问题来看，输出的结果在被参考时并没有显著区别：都是对出现某问题的风险进行评价，从无风险到高风险。
12.s3.通过该模型预测moldflow仿真结果与工程师标注的差异，得出建议，并展示数据。
13.本步骤的有益效果是：通过一个标注数据集，降低模型所需的实际模具试验品数据量，甚至在没有实验数据的情况都能得到结果，并通过预训练过程提高模型的准确度。筛选剔除了与moldflow结论相同的数据，提高了结果的针对性。
14.作为优选，s2中的模型是一种决策树分类预测模型，通过偏差的大小，在一个评分体系下通过量化的方式产生多个分类，通过数据集，建立决策树分类预测模型。
15.而模型输出的每个分类可能性数据在模流分析应用场景下，有极高的参考价值，通过分类可能性，工程师可以接收到90％可能性与模流分析结论相符，10％可能性问题大于分析结果评价，进而仔细分析设计，分析产生风险的原因。需要注意的是，不论是工程师标注的评价，还是moldflow给出的结果都不是实际数据，但该决策树分类预测模型本身，在未进行任何其他调整之前，已经具有一定的实用价值，给出的建议也是符合工程师需求的。
16.作为优选，s2中还包括：s2.1随机筛除差异过小的评价数据，使其占数据总量的比例小于50％。防止该数
据量过大，误导模型将不确定的情况向无差别进行分类。筛选的条件为：|rx-rm|＜yrx-rm表示moldflow评价与人工评价的差异，y表示人工设定的差异过小的值。因为针对不同的注塑件，其结果准确性可能产生很大的不同，例如简单小注塑件可能几乎所有数据都是无差异，而大型注塑件中的精密结构，模流分析和工程师评价会有很大的出入，因此应通过最终的数据集结构来定义y。
17.作为优选，s2中训练模型的方法还包括：s2.2.通过制造模具并测试生产得到真实数据，收集实际制造模具的参数与结果，引入新的一轮分类，使模型给出的预测结果接近实际制造模具的结果。
18.实际制造模具的结果与工程师分析结果的差异：《x，rt-rx》其中rt表示实际测试的结果，rx表示人工生成的评价，x表示工艺参数，也是模型中的特征；该方法可以得到是仿真结论是否准确的评价。通过实际测试数据构建损失函数后，继续使用深度学习技术对该方案进行优化也是可行的。
19.作为优选，s1数据集的产生方法包括：s1.1.向moldflow导入需要的产品模型s1.2.由模具工程师手动生成数个可能的模具设计，并利用机器对随机的2-3个参数进行调整，生成大量不同的模具参数方案。工艺参数包括熔体温度、模具温度、注射温度、注射时间、注射压力、冷却时间、保压压力、保压时间、冷却时间、开闭模速度、脱模速度，还包括材料选择与材料参数。
20.s1.3.通过moldflow生成分析报告，将关键的数据包括熔接痕长度、气泡面积、体积收缩率、缩痕指数，转化为熔接痕问题、气泡问题、收缩翘曲问题等量化评价。通过一般的问卷量化方式，将问题从小到大分为多个打分值的量化反馈。
21.s1.4.通过工程师对相同的工艺参数进行标注评价，获得数据集，包括熔接痕问题、气泡问题、收缩翘曲问题等评价。同样将问题从小到大分为多个打分值，s1.5.将其合成训练样本数据集：工艺参数，moldflow评价，工程师评价。
22.《x，rm，rx》x表示工艺参数，rm表示moldflow评价，rx表示工程师评价。
23.本步骤的有益效果是：通过选择2-3个工艺参数，进行随机修改，进行大量的扩充。该随机修改的方法，其目的是扩充数据量，并使该数据集在标注后具有能被捕捉到的特征。该方案以很小的代价，并通过少量的工作人员，快速生成大量的数据，有利于缩短模型建立的工作时间。
24.进一步的，在s1.4的打分值与s1.3的打分值不同时，通过一个规范化的方法将其调整为相同的值范围。
25.该步骤节省人力，方便导入数据。
26.作为优选，s3中通过该模型预测moldflow仿真结果与工程师标注的差异，并得出建议的方法如下：
s3.1.模具工程师设计一个模具。
27.s3.2.机器随机修改一部分参数，生成一整组模具设计数据；该修改对随机的2-3个参数进行调整，生成大量不同的模具参数方案。工艺参数包括熔体温度、模具温度、注射温度、注射时间、注射压力、冷却时间、保压压力、保压时间、冷却时间、开闭模速度、脱模速度，还包括材料选择与材料参数。
28.s3.3.通过moldflow分析，模型得出输出的评价结果，并对结果分数进行评估。评价结果包括：熔接痕问题、气泡问题、收缩翘曲问题等评价。其结果分数计算方法为：其中rx表示moldflow仿真分析的结果，共有n个评价结果，rxn表示第n个评价，rd表示模型给出的分类对应的参数，a表示影响该评价的权重结果。该分数计算模型仍有继续优化的空间。
29.s3.4.输出对该模具的预测数据，以及分数高于该模具的参数集。输出所有机器生成的参数数据中，评分(从低风险到高风险从小到大排列)低于工程师提供的设计方案的参数方案。
30.作为优选，s4中展示数据的方法分为如下细节：通过二次开发，在moldflow给出的分析报告中加入ai分析数据，数据的组成如下：moldflow对其设计可能出现的缺陷评价；资深工程师ai模型对moldflow的结论的评价；一组对现有设计的参数优化建议，以及这些建议参数可能出现的缺陷；该报告有一定技术参考意义的，对工程师的设计给出了评价和建议，并同时给出了建议的方案可能存在的问题，是有效的学习方法。
31.本方案以推动模具设计产业转型，加速moldflow更深入的推广应用为目的，使有限的资深模具设计师能在moldflow二次开发插件的基础上向更多的模具从业者提供建议。同时提供了解决资深工程师难以适应moldflow软件，以及熟练使用该软件的新工程师在高端模具设计过程中，缺乏资深工程师指导的弊端。
具体实施方式
32.标引获得标引数据集的过程s1.向moldflow导入需要的产品模型s2.由模具工程师手动生成数个可能的模具设计，并利用机器对随机的2-3个参数进行调整，生成大量不同的模具参数方案。工艺参数包括熔体温度、模具温度、注射温度、注射时间、注射压力、冷却时间、保压压力、保压时间、冷却时间、开闭模速度、脱模速度，还包括材料选择与材料参数。
33.s3.通过moldflow生成分析报告，将关键的数据包括熔接痕长度、气泡面积、体积收缩率、缩痕指数，转化为熔接痕问题、气泡问题、收缩翘曲问题等评价。通过一般的问卷量化方式，将问题从小到大分为1-5，五个打分值的量化反馈。
34.s4.通过工程师对相同的工艺参数进行标注评价，获得数据集，包括熔接痕问题、气泡问题、收缩翘曲问题等评价。同样将问题从小到大分为1-5，五个打分值。
35.如获得的打分值并不是1-5，则通过一个标准化方式，使其成为1-5的打分值数据结构。
36.s5.将其合成训练样本数据集：工艺参数，moldflow评价，工程师评价。
37.《x，rm-rx》x表示工艺参数，rm表示moldflow评价，rx表示工程师评价模型训练方法s1.将数据集导入模型；数据集的格式为：工艺参数，moldflow评价，工程师评价；通过对比得到：工艺参数，工程师评价-moldflow评价。
38.工程师评价、moldflow评价的得分，对应了评估后熔接痕问题、气泡问题、收缩翘曲问题的大小，该方案是分类的同时也是一个自然数，通过对比即可得出明确的差异值并生成数据集：《x，rx-rm》x表示工艺参数，也是模型中的特征，rx-rm表示人工与moldflow仿真分析结果的区别。
39.s2.构建模型；s2.1随机筛除两者差异|rx-rm|小于1的数据，使其占总数据项的比例小于50％。
40.s2.2通过偏差的大小，在1-5的评分体系下可以得到{-4，-3，-2，-1，0，1，2，3，4}这9个分类，通过数据集建立决策树分类预测模型。
41.s2.4.通过制造模具并测试生产得到真实数据，收集实际制造模具的参数与结果，引入新的一轮分类，使模型给出的预测结果接近实际制造模具的结果。
42.实际情况与工程师分析结果的差异：《x，rt-rt》其中rt表示实际测试的结果，x表示工艺参数，也是模型中的特征。
43.模型实施方法s1.模具工程师设计一个模具。
44.s2.机器随机修改一部分参数，生成一整组模具设计数据；该修改对随机的2-3个参数进行调整，生成大量不同的模具参数方案。工艺参数包括熔体温度、模具温度、注射温度、注射时间、注射压力、冷却时间、保压压力、保压时间、冷却时间、开闭模速度、脱模速度，还包括材料选择与材料参数。
45.s3.通过moldflow分析，模型得出输出的评价结果，并对结果分数进行评估。评价结果包括：熔接痕问题、气泡问题、收缩翘曲问题等评价。其结果分数计算方法为：其中rx表示moldflow仿真分析的结果，共有n个评价结果，rxn表示第n个评价，rd表示模型给出的分类对应的参数，a表示影响该评价的权重结果。
46.s4.输出对该模具的预测数据，以及分数高于该模具的参数集。输出所有机器生成的参数数据中，评分(从低风险到高风险从小到大排列)低于工程师提供的设计方案的参数
方案。
47.信息的展示通过二次开发，在moldflow给出的分析报告中加入ai分析数据，数据的组成如下：moldflow对其设计可能出现的缺陷评价；资深工程师ai模型对moldflow的结论的评价；一组对现有设计的参数优化建议，以及这些建议参数可能出现的缺陷。
再多了解一些
本文用于创业者技术爱好者查询，仅供学习研究，如用于商业用途，请联系技术所有人。
