基于注塑成型的PVC配件缺陷智能修正方法与流程

基于注塑成型的pvc配件缺陷智能修正方法
技术领域
1.本公开涉及注塑成型领域，且更为具体地，涉及一种基于注塑成型的pvc配件缺陷智能修正方法。


背景技术：

2.注塑成型又称注射模塑成型，是指在一定温度下，将完全熔融的塑料材料，用高压射入模腔，经冷却固化后，得到成型品的方法。在注塑产品时，经常出现气痕和气泡缺陷，气痕和气泡的产生一般是由于注射速度过快，塑胶流不能迫使模腔内的空气全部从排气槽排出，空气混入塑料内形成气泡。现有技术解决气痕和气泡缺陷的方法是降低射胶速度和增加排气。但是，降低射胶速度会造成产品缺料；增加排气会使先进入型腔的熔体成型，与后进入型腔的熔体成型后形成分层，影响产品质量。
3.对此，专利cn215703613u提供了一种pvc配件注塑成型模具，其在注塑过程中通过控制压力（具体地，通过控制进气装置的进气速度与排气装置的排气速度）来避免配件表面产生气泡。但是在实际运用过程中，控制进气装置与排气装置是由人工进行，这会存在控制效果不一致、出现误判等问题。
4.因此，期待一种优化的方案。


技术实现要素：

5.有鉴于此，本公开提出了一种基于注塑成型的pvc配件缺陷智能修正方法，其可以监测模具的型腔的入口与出口处的压力变化，利用基于深度学习的人工智能技术来控制此时的压力值。
6.根据本公开的一方面，提供了一种基于注塑成型的pvc配件缺陷智能修正方法，其包括：获取预定时间段内多个预定时间点的型腔入口处的压力值，以及，所述多个预定时间点的型腔出口处的压力值；对所述多个预定时间点的型腔入口处的压力值和所述多个预定时间点的型腔出口处的压力值进行联合分析以得到融合型腔入口-出口压力变化关联特征矩阵；以及基于所述融合型腔入口-出口压力变化关联特征矩阵，确定与模具的所述型腔连通的进气装置的进气速度应增大还是应减小，且与所述模具的所述型腔连通的排气装置的排气速度应增大还是应减小。
7.根据本公开的实施例，其首先获取预定时间段内多个预定时间点的型腔入口处的压力值，以及，所述多个预定时间点的型腔出口处的压力值，接着，对所述多个预定时间点的型腔入口处的压力值和所述多个预定时间点的型腔出口处的压力值进行联合分析以得到融合型腔入口-出口压力变化关联特征矩阵，然后，基于所述融合型腔入口-出口压力变化关联特征矩阵，确定与模具的所述型腔连通的进气装置的进气速度应增大还是应减小，且与所述模具的所述型腔连通的排气装置的排气速度应增大还是应减小。这样，可以监测
模具的型腔的入口与出口处的压力变化，利用基于深度学习的人工智能技术来控制此时的压力值。
8.根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
9.包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
10.图1示出根据本公开的实施例的基于注塑成型的pvc配件缺陷智能修正方法的流程图。
11.图2示出根据本公开的实施例的基于注塑成型的pvc配件缺陷智能修正方法的架构示意图。
12.图3示出根据本公开的实施例的基于注塑成型的pvc配件缺陷智能修正方法的子步骤s120的流程图。
13.图4示出根据本公开的实施例的基于注塑成型的pvc配件缺陷智能修正方法的子步骤s122的流程图。
14.图5示出根据本公开的实施例的基于注塑成型的pvc配件缺陷智能修正方法的子步骤s130的流程图。
15.图6示出根据本公开的实施例的基于注塑成型的pvc配件缺陷智能修正系统的框图。
16.图7示出根据本公开的实施例的基于注塑成型的pvc配件缺陷智能修正方法的应用场景图。
具体实施方式
17.下面将结合附图对本公开实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本公开的部分实施例，而不是全部的实施例。基于本公开实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，也属于本公开保护的范围。
18.如本公开和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
19.以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
20.另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
21.针对上述技术问题，本公开的技术构思是监测模具的型腔的入口与出口处的压力
变化，利用基于深度学习的人工智能技术来推断此时的压力值应如何控制，即该如何控制进气装置与排气装置的进气速度与排气速度。
22.基于此，图1示出根据本公开的实施例的基于注塑成型的pvc配件缺陷智能修正方法的流程图。图2示出根据本公开的实施例的基于注塑成型的pvc配件缺陷智能修正方法的架构示意图。如图1和图2所示，根据本公开实施例的基于注塑成型的pvc配件缺陷智能修正方法，包括步骤：s110，获取预定时间段内多个预定时间点的型腔入口处的压力值，以及，所述多个预定时间点的型腔出口处的压力值；s120，对所述多个预定时间点的型腔入口处的压力值和所述多个预定时间点的型腔出口处的压力值进行联合分析以得到融合型腔入口-出口压力变化关联特征矩阵；以及，s130，基于所述融合型腔入口-出口压力变化关联特征矩阵，确定与模具的所述型腔连通的进气装置的进气速度应增大还是应减小，且与所述模具的所述型腔连通的排气装置的排气速度应增大还是应减小。
23.相应地，在本公开的技术方案中，首先获取预定时间段内多个预定时间点的型腔入口处的压力值，以及，所述多个预定时间点的型腔出口处的压力值；并将所述多个预定时间点的型腔入口处的压力值和所述多个预定时间点的型腔出口处的压力值按照时间维度排列为型腔入口压力时序输入向量和型腔出口压力时序输入向量。也就是，将型腔入口处的压力值和型腔出口处的压力值的时序离散分布转化为结构化的向量表示。
24.然后，对所述型腔入口压力时序输入向量和所述型腔出口压力时序输入向量进行特征提取与特征融合以得到所述融合型腔入口-出口压力变化关联特征矩阵。也就是，分别提取所述型腔入口压力时序输入向量和所述型腔出口压力时序输入向量所蕴含的压力变化特征分布，再将两者进行关联与融合。
25.具体而言，当塑料材料刚开始被注入型腔时，进气装置会引入高压空气，使得型腔内的气体被压缩，从而导致型腔入口处的压力升高。随着塑料材料的充填和冷却固化，压力会逐渐下降。同时，在注塑过程开始时，型腔出口处的压力值通常较低，因为塑料材料还未充填到出口处。随着塑料材料的充填，型腔出口处的压力值逐渐增加，直到达到峰值。然后，随着塑料材料的冷却和收缩，型腔出口处的压力值开始下降。而且，在塑料注射过程中，塑料材料在型腔中流动，压力会从型腔入口处逐渐传递到出口处。因此，型腔入口处的压力值和型腔出口处的压力值存在一定的关联。也就是说，在本公开的技术方案中，期待通过对所述型腔入口压力时序输入向量和所述型腔出口压力时序输入向量进行特征提取与特征融合，来捕捉压力变化模式。
26.在本公开的一个具体示例中，对所述型腔入口压力时序输入向量和所述型腔出口压力时序输入向量进行特征提取与特征融合以得到所述融合型腔入口-出口压力变化关联特征矩阵的编码过程，包括：先将所述型腔入口压力时序输入向量和所述型腔出口压力时序输入向量通过具有多尺度一维卷积结构的压力时序变化特征提取器以得到型腔入口压力变化时序特征向量和型腔出口压力变化时序特征向量；随后，利用高斯混合模块来对所述型腔入口压力变化时序特征向量和所述型腔出口压力变化时序特征向量进行融合以得到融合型腔入口-出口压力变化关联特征矩阵。
27.相应地，如图3所示，对所述多个预定时间点的型腔入口处的压力值和所述多个预定时间点的型腔出口处的压力值进行联合分析以得到融合型腔入口-出口压力变化关联特征矩阵，包括：s121，将所述多个预定时间点的型腔入口处的压力值和所述多个预定时间点
的型腔出口处的压力值按照时间维度排列为型腔入口压力时序输入向量和型腔出口压力时序输入向量；以及，s122，对所述型腔入口压力时序输入向量和所述型腔出口压力时序输入向量进行特征提取与特征融合以得到所述融合型腔入口-出口压力变化关联特征矩阵。应可以理解，这里涉及到了通过s121和s122两个步骤来进行融合型腔入口-出口压力变化关联特征矩阵的分析。s121步骤的目的是将型腔入口和出口的压力值按照时间维度进行排列，形成两个时序输入向量，通过这种排列方式，可以将时间上的相关性考虑在内，为后续的特征提取和分析提供有序的输入数据。s122步骤的目的是从时序输入向量中提取相关特征，并将这些特征进行融合，得到融合型腔入口-出口压力变化关联特征矩阵，特征提取的过程可以包括统计特征、频域特征、时域特征等，根据具体情况选择合适的特征提取方法，特征融合的目的是将不同特征之间的关联性考虑在内，综合利用不同特征的信息，进一步提高分析结果的准确性和可靠性。通过这两个步骤的联合分析，可以得到融合型腔入口-出口压力变化关联特征矩阵，该矩阵可以用于进一步的数据分析、模型建立或其他相关应用。
28.更具体地，在步骤122中，如图4所示，对所述型腔入口压力时序输入向量和所述型腔出口压力时序输入向量进行特征提取与特征融合以得到所述融合型腔入口-出口压力变化关联特征矩阵，包括：s1221，将所述型腔入口压力时序输入向量和所述型腔出口压力时序输入向量通过具有多尺度一维卷积结构的压力时序变化特征提取器以得到型腔入口压力变化时序特征向量和型腔出口压力变化时序特征向量；以及，s1222，利用高斯混合模块来对所述型腔入口压力变化时序特征向量和所述型腔出口压力变化时序特征向量进行融合以得到所述融合型腔入口-出口压力变化关联特征矩阵。应可以理解，在步骤122中，特征提取与特征融合的过程包括s1221和s1222两个子步骤。s1221步骤的目的是利用多尺度一维卷积结构的特征提取器，从型腔入口压力时序输入向量和型腔出口压力时序输入向量中提取压力变化的特征，通过使用多尺度卷积，可以捕捉到不同时间尺度上的压力变化模式，从而提取更全面和丰富的特征信息，这些提取到的型腔入口压力变化时序特征向量和型腔出口压力变化时序特征向量将用于后续的特征融合。s1222步骤的目的是利用高斯混合模块对型腔入口压力变化时序特征向量和型腔出口压力变化时序特征向量进行融合，高斯混合模块可以将不同特征向量之间的关联性进行建模，通过适当的权重分配，将不同特征的信息进行整合，得到融合型腔入口-出口压力变化关联特征矩阵，这个特征矩阵将提供更全面和综合的信息，用于进一步的数据分析、模型建立或其他相关应用。通过s1221和s1222的步骤，可以实现对型腔入口压力和出口压力的特征提取和特征融合，从而得到融合型腔入口-出口压力变化关联特征矩阵，该矩阵可以提供更全面和准确的信息，用于进一步的分析和应用。
29.值得一提的是，多尺度一维卷积结构是指在卷积神经网络中使用多个不同尺度的卷积核进行特征提取的一种结构。在型腔入口压力和出口压力的时序数据中，使用多尺度一维卷积结构可以捕捉到不同时间尺度上的压力变化模式，从而提取更全面和丰富的特征信息。具体来说，多尺度一维卷积结构通过使用不同大小的卷积核对输入数据进行卷积操作，从而在不同时间尺度上提取特征。较小的卷积核可以捕捉到短期的压力变化模式，而较大的卷积核可以捕捉到长期的压力变化模式。通过在不同时间尺度上进行卷积操作，可以获取到更全面和多样化的压力变化特征。多尺度一维卷积结构的好处是可以同时考虑到不同时间尺度上的特征，而不仅仅局限于某一个固定的时间窗口。这样可以提高模型对压力
变化的感知能力，使得模型能够更好地理解和利用压力数据中的时间相关性。通过多尺度一维卷积结构提取的特征，可以更好地描述型腔入口和出口压力的变化模式，为后续的特征融合和分析提供更有价值的信息。
30.值得一提的是，高斯混合模块是一种用于对多个特征向量进行融合的方法，它基于高斯混合模型（gaussian mixture model,gmm）的思想。在型腔入口压力变化时序特征向量和出口压力变化时序特征向量的融合过程中，使用高斯混合模块可以对它们之间的关联性进行建模，从而得到融合型腔入口-出口压力变化关联特征矩阵。具体来说，高斯混合模型假设特征向量是由多个高斯分布组成的混合分布。每个高斯分布对应一个成分，包括均值和协方差矩阵。通过对特征向量进行高斯混合建模，可以对不同特征之间的权重和关联性进行建模。在融合型腔入口-出口压力变化关联特征矩阵的生成过程中，高斯混合模块会对型腔入口压力变化时序特征向量和出口压力变化时序特征向量进行融合。它会根据各自的高斯分布参数，计算每个特征向量在不同高斯分布中的权重，并将它们进行加权融合，得到最终的融合特征。高斯混合模块的好处是能够考虑到不同特征向量之间的关联性和权重，从而更准确地融合特征。它可以将不同特征的信息进行整合，提供更全面和综合的特征表示。这对于后续的数据分析、模型建立或其他相关应用非常有用，可以提高模型的性能和表现。
31.继而，将所述融合型腔入口-出口压力变化关联特征矩阵通过分类器以得到分类结果，所述分类结果用于表示与模具的所述型腔连通的进气装置的进气速度应增大还是应减小，且与所述模具的所述型腔连通的排气装置的排气速度应增大还是应减小。这里，所述分类器可以根据输入数据的特征分布来判断其属于哪个类别。具体而言，所述分类器的输出数据是一个二元组（a,b），其中a表示与模具的所述型腔连通的进气装置的进气速度应增大还是应减小，b表示与所述模具的所述型腔连通的排气装置的排气速度应增大还是应减小。通过这样的方式，所述分类器可以根据所述融合型腔入口-出口压力变化关联特征矩阵来给出进气装置与排气装置的调节控制策略。
32.相应地，如图5所示，基于所述融合型腔入口-出口压力变化关联特征矩阵，确定与模具的所述型腔连通的进气装置的进气速度应增大还是应减小，且与所述模具的所述型腔连通的排气装置的排气速度应增大还是应减小，包括：s131，对所述融合型腔入口-出口压力变化关联特征矩阵进行特征分布增益以得到优化融合型腔入口-出口压力变化关联特征矩阵；以及，s132，将所述优化融合型腔入口-出口压力变化关联特征矩阵通过分类器以得到分类结果，所述分类结果用于表示与模具的所述型腔连通的进气装置的进气速度应增大还是应减小，且与所述模具的所述型腔连通的排气装置的排气速度应增大还是应减小。应可以理解，这里涉及s131和s132两个步骤。在步骤s131中，通过对融合型腔入口-出口压力变化关联特征矩阵进行特征分布增益的操作，目的是进一步优化特征矩阵的表示，这个操作可以改变特征矩阵中特征的分布，使得特征更加有利于后续的分类任务，通过优化后的特征矩阵，可以更好地描述型腔入口和出口压力的变化模式，提高后续分类器的性能。在步骤s132中，通过使用分类器，将优化后的融合型腔入口-出口压力变化关联特征矩阵作为输入，进行分类任务。分类器的目的是根据特征矩阵中的特征，判断与模具型腔连通的进气装置的进气速度和排气装置的排气速度应该是增大还是减小，分类结果可以表示出最优的进气速度和排气速度的调整方向，以优化模具的性能。综合起来，s131和s132是一个迭代的过
程，首先，通过对融合型腔入口-出口压力变化关联特征矩阵进行特征分布增益，得到优化后的特征矩阵，然后，将优化后的特征矩阵输入到分类器中，得到分类结果，表示出进气速度和排气速度的调整方向。这个过程可以帮助优化模具的性能，使得与模具型腔连通的进气装置和排气装置的速度调整更加合理和有效。
33.进一步地，特征分布增益在步骤s131中应用于优化融合型腔入口-出口压力变化关联特征矩阵，它的作用是改变特征矩阵中特征的分布，以提高特征的表达能力和分类器的性能。通过调整特征的分布，特征分布增益可以增强特征的表达能力，某些特征可能在原始特征矩阵中的分布较为稀疏或不均衡，特征分布增益可以通过重新分布特征值，使得特征在整个特征空间中更加均匀地分布，从而提高特征的区分度和表示能力。特征分布增益可以帮助减少特征矩阵中的冗余信息。通过重新调整特征分布，相似的特征值可以更加接近，从而减少特征矩阵中的冗余信息。这有助于减少特征的冗余度，提高特征的独立性，使得分类器更容易区分不同的特征。通过优化特征的分布，特征分布增益可以提高分类器的性能。优化后的特征矩阵能够更好地描述数据的特征和模式，使得分类器能够更准确地区分不同的类别。这有助于提高分类器的准确性和泛化能力。换言之，特征分布增益通过调整特征的分布，可以增强特征的表达能力、降低冗余信息，并改善分类器的性能。它是数据预处理的一种重要方法，可以提高特征的质量和分类任务的效果。
34.在本公开的技术方案中，所述型腔入口压力变化时序特征向量和所述型腔出口压力变化时序特征向量分别表达所述型腔入口处的压力值和所述型腔出口处的压力值沿时序方向的多尺度局部关联特征，而在利用高斯混合模块来对所述型腔入口压力变化时序特征向量和所述型腔出口压力变化时序特征向量进行融合时，如果将所述型腔入口压力变化时序特征向量和所述型腔出口压力变化时序特征向量分别表达的多尺度局部关联特征作为前景对象特征，则在进行基于概率密度分布的高斯混合融合时，也会由于高斯离散化过程中的随机性引入与所述型腔入口处的压力值和所述型腔出口处的压力值的多尺度局部关联特征的特征分布干涉相关的背景分布噪声，并且，所述融合型腔入口-出口压力变化关联特征矩阵也进一步具有特征内关联和特征间关联的分级关联特征表达，由此，期望基于所融合型腔入口-出口压力变化关联特征矩阵的分布特性来增强其表达效果。因此，本公开的申请人对所述融合型腔入口-出口压力变化关联特征矩阵进行基于概率密度特征模仿范式的分布增益。
35.相应地，在一个具体示例中，对所述融合型腔入口-出口压力变化关联特征矩阵进行特征分布增益以得到优化融合型腔入口-出口压力变化关联特征矩阵，包括：以如下优化公式对所述融合型腔入口-出口压力变化关联特征矩阵进行特征分布增益以得到所述优化融合型腔入口-出口压力变化关联特征矩阵；其中，所述优化公式为：其中，是所述融合型腔入口-出口压力变化关联特征矩阵，是所述融合型腔入口-出口压力变化关联特征矩阵的尺度，即宽度乘以高度，是所述融合型腔入口-出口压力变化关联特征矩阵的第位置的特征值，表示所述融合型腔入口-出口压力变
化关联特征矩阵的f范数的平方，且是加权超参数，表示指数运算，表示所述优化融合型腔入口-出口压力变化关联特征矩阵的第位置的特征值。
36.这里，基于标准柯西分布对于自然高斯分布在概率密度上的特征模仿范式，所述基于概率密度特征模仿范式的分布增益可以将特征尺度作为模仿掩码，在高维特征空间内区分前景对象特征和背景分布噪声，从而基于高维特征的分级关联来对高维空间进行特征空间映射的关联语义认知的分布软匹配，来获得高维特征分布的无约束的分布增益，提升所述融合型腔入口-出口压力变化关联特征矩阵基于特征分布特性的表达效果，也就提升了所述融合型腔入口-出口压力变化关联特征矩阵通过分类器得到的分类结果的准确性。
37.进一步地，在步骤s132中，将所述优化融合型腔入口-出口压力变化关联特征矩阵通过分类器以得到分类结果，所述分类结果用于表示与模具的所述型腔连通的进气装置的进气速度应增大还是应减小，且与所述模具的所述型腔连通的排气装置的排气速度应增大还是应减小，包括：将所述优化融合型腔入口-出口压力变化关联特征矩阵按照行向量或者列向量展开为优化分类特征向量；使用所述分类器的全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量输入所述分类器的softmax分类函数以得到所述分类结果。
38.应可以理解，分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器，然后对未知数据进行分类（或预测）。逻辑回归（logistics）、svm等常用于解决二分类问题，对于多分类问题（multi-class classification），同样也可以用逻辑回归或svm，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有softmax分类函数。
39.值得一提的是，全连接编码是指将输入向量通过全连接层进行编码的过程。在步骤s132中，优化融合型腔入口-出口压力变化关联特征矩阵需要通过全连接编码层进行处理，以得到编码分类特征向量。全连接编码的作用是将输入向量映射到一个更高维度的特征空间，并通过激活函数引入非线性变换。这样做的目的是为了更好地捕捉输入向量中的复杂特征和模式，提高分类器对输入数据的表达能力。通过全连接编码层，输入向量中的每个元素都与编码层中的每个神经元相连接，形成全连接的结构。每个连接都有一个权重，用于调节输入元素对编码层神经元的影响。编码层中的神经元通过对输入向量进行线性组合和非线性激活，产生编码分类特征向量。全连接编码的好处是能够提取输入向量中的高级特征表示，通过非线性变换，可以捕捉到更复杂的数据关系和模式。这有助于提高分类器的性能和准确性，使其能够更好地区分进气装置和排气装置的速度调整方向。最后，编码分类特征向量会被输入到分类器的softmax分类函数中，用于得到最终的分类结果，表示进气装置和排气装置的速度调整应增大还是减小。全连接编码层在这个过程中起到了特征提取和转换的作用，为后续分类器提供更有表达力的输入特征。
40.综上，基于本公开实施例的基于注塑成型的pvc配件缺陷智能修正方法，其可以监测模具的型腔的入口与出口处的压力变化，利用基于深度学习的人工智能技术来控制此时的压力值。
41.图6示出根据本公开的实施例的基于注塑成型的pvc配件缺陷智能修正系统100的框图。如图6所示，根据本公开实施例的基于注塑成型的pvc配件缺陷智能修正系统100，包
括：压力值获取模块110，用于获取预定时间段内多个预定时间点的型腔入口处的压力值，以及，所述多个预定时间点的型腔出口处的压力值；联合分析模块120，用于对所述多个预定时间点的型腔入口处的压力值和所述多个预定时间点的型腔出口处的压力值进行联合分析以得到融合型腔入口-出口压力变化关联特征矩阵；以及，控制模块130，用于基于所述融合型腔入口-出口压力变化关联特征矩阵，确定与模具的所述型腔连通的进气装置的进气速度应增大还是应减小，且与所述模具的所述型腔连通的排气装置的排气速度应增大还是应减小。
42.在一种可能的实现方式中，所述联合分析模块120，包括：向量化单元，用于将所述多个预定时间点的型腔入口处的压力值和所述多个预定时间点的型腔出口处的压力值按照时间维度排列为型腔入口压力时序输入向量和型腔出口压力时序输入向量；以及，特征提取与特征融合单元，用于对所述型腔入口压力时序输入向量和所述型腔出口压力时序输入向量进行特征提取与特征融合以得到所述融合型腔入口-出口压力变化关联特征矩阵。
43.这里，本领域技术人员可以理解，上述基于注塑成型的pvc配件缺陷智能修正系统100中的各个单元和模块的具体功能和操作已经在上面参考图1到图5的基于注塑成型的pvc配件缺陷智能修正方法的描述中得到了详细介绍，并因此，将省略其重复描述。
44.如上所述，根据本公开实施例的基于注塑成型的pvc配件缺陷智能修正系统100可以实现在各种无线终端中，例如具有基于注塑成型的pvc配件缺陷智能修正算法的服务器等。在一种可能的实现方式中，根据本公开实施例的基于注塑成型的pvc配件缺陷智能修正系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该基于注塑成型的pvc配件缺陷智能修正系统100可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该基于注塑成型的pvc配件缺陷智能修正系统100同样可以是该无线终端的众多硬件模块之一。
45.替换地，在另一示例中，该基于注塑成型的pvc配件缺陷智能修正系统100与该无线终端也可以是分立的设备，并且该基于注塑成型的pvc配件缺陷智能修正系统100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。
46.图7示出根据本公开的实施例的基于注塑成型的pvc配件缺陷智能修正方法的应用场景图。如图7所示，在该应用场景中，首先，获取预定时间段内多个预定时间点的型腔入口处的压力值（例如，图7中所示意的d1），以及，所述多个预定时间点的型腔出口处的压力值（例如，图7中所示意的d2），然后，将所述多个预定时间点的型腔入口处的压力值和所述多个预定时间点的型腔出口处的压力值输入至部署有基于注塑成型的pvc配件缺陷智能修正算法的服务器中（例如，图7中所示意的s），其中，所述服务器能够使用所述基于注塑成型的pvc配件缺陷智能修正算法对所述多个预定时间点的型腔入口处的压力值和所述多个预定时间点的型腔出口处的压力值进行处理以得到用于表示与模具的所述型腔连通的进气装置的进气速度应增大还是应减小，且与所述模具的所述型腔连通的排气装置的排气速度应增大还是应减小的分类结果。
47.附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也
可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
48.以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

技术特征：
1.一种基于注塑成型的pvc配件缺陷智能修正方法，其特征在于，包括：获取预定时间段内多个预定时间点的型腔入口处的压力值，以及，所述多个预定时间点的型腔出口处的压力值；对所述多个预定时间点的型腔入口处的压力值和所述多个预定时间点的型腔出口处的压力值进行联合分析以得到融合型腔入口-出口压力变化关联特征矩阵；以及基于所述融合型腔入口-出口压力变化关联特征矩阵，确定与模具的所述型腔连通的进气装置的进气速度应增大还是应减小，且与所述模具的所述型腔连通的排气装置的排气速度应增大还是应减小。2.根据权利要求1所述的基于注塑成型的pvc配件缺陷智能修正方法，其特征在于，对所述多个预定时间点的型腔入口处的压力值和所述多个预定时间点的型腔出口处的压力值进行联合分析以得到融合型腔入口-出口压力变化关联特征矩阵，包括：将所述多个预定时间点的型腔入口处的压力值和所述多个预定时间点的型腔出口处的压力值按照时间维度排列为型腔入口压力时序输入向量和型腔出口压力时序输入向量；以及对所述型腔入口压力时序输入向量和所述型腔出口压力时序输入向量进行特征提取与特征融合以得到所述融合型腔入口-出口压力变化关联特征矩阵。3.根据权利要求2所述的基于注塑成型的pvc配件缺陷智能修正方法，其特征在于，对所述型腔入口压力时序输入向量和所述型腔出口压力时序输入向量进行特征提取与特征融合以得到所述融合型腔入口-出口压力变化关联特征矩阵，包括：将所述型腔入口压力时序输入向量和所述型腔出口压力时序输入向量通过具有多尺度一维卷积结构的压力时序变化特征提取器以得到型腔入口压力变化时序特征向量和型腔出口压力变化时序特征向量；以及利用高斯混合模块来对所述型腔入口压力变化时序特征向量和所述型腔出口压力变化时序特征向量进行融合以得到所述融合型腔入口-出口压力变化关联特征矩阵。4.根据权利要求3所述的基于注塑成型的pvc配件缺陷智能修正方法，其特征在于，基于所述融合型腔入口-出口压力变化关联特征矩阵，确定与模具的所述型腔连通的进气装置的进气速度应增大还是应减小，且与所述模具的所述型腔连通的排气装置的排气速度应增大还是应减小，包括：对所述融合型腔入口-出口压力变化关联特征矩阵进行特征分布增益以得到优化融合型腔入口-出口压力变化关联特征矩阵；以及将所述优化融合型腔入口-出口压力变化关联特征矩阵通过分类器以得到分类结果，所述分类结果用于表示与模具的所述型腔连通的进气装置的进气速度应增大还是应减小，且与所述模具的所述型腔连通的排气装置的排气速度应增大还是应减小。5.根据权利要求4所述的基于注塑成型的pvc配件缺陷智能修正方法，其特征在于，对所述融合型腔入口-出口压力变化关联特征矩阵进行特征分布增益以得到优化融合型腔入口-出口压力变化关联特征矩阵，包括：以如下优化公式对所述融合型腔入口-出口压力变化关联特征矩阵进行特征分布增益以得到所述优化融合型腔入口-出口压力变化关联特征矩阵；其中，所述优化公式为：
其中，是所述融合型腔入口-出口压力变化关联特征矩阵，是所述融合型腔入口-出口压力变化关联特征矩阵的尺度，是所述融合型腔入口-出口压力变化关联特征矩阵的第位置的特征值，表示所述融合型腔入口-出口压力变化关联特征矩阵的f范数的平方，且是加权超参数，表示指数运算，表示所述优化融合型腔入口-出口压力变化关联特征矩阵的第位置的特征值。

技术总结
公开了一种基于注塑成型的PVC配件缺陷智能修正方法。其首先获取预定时间段内多个预定时间点的型腔入口处的压力值，以及，所述多个预定时间点的型腔出口处的压力值，接着，对所述多个预定时间点的型腔入口处的压力值和所述多个预定时间点的型腔出口处的压力值进行联合分析以得到融合型腔入口-出口压力变化关联特征矩阵，然后，基于所述融合型腔入口-出口压力变化关联特征矩阵，确定与模具的所述型腔连通的进气装置的进气速度应增大还是应减小，且与所述模具的所述型腔连通的排气装置的排气速度应增大还是应减小。这样，可以监测模具的型腔的入口与出口处的压力变化，利用基于深度学习的人工智能技术来控制此时的压力值。度学习的人工智能技术来控制此时的压力值。度学习的人工智能技术来控制此时的压力值。


技术研发人员：李锦松 宁峰 于蒙 黄泳 周华 代营伟 阳东臣
受保护的技术使用者：河南联塑实业有限公司
技术研发日：2023.08.24
技术公布日：2023/10/20