[發明專利]一種通過機器學習神經網絡進行反演模擬參數的方法

在審

• 申請號: 202010338720.4
• 申請日: 2020-04-26
• 公開（公告）號: CN111723513A
• 公開（公告）日: 2020-09-29
• 發明（設計）人: 金小石
• 申請（專利權）人: 深圳同奈信息科技有限公司;金小石
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F30/17;G06N3/04;G06N3/08;G06F113/22
• 代理公司: 深圳德高智行知識產權代理事務所(普通合伙) 44696
• 代理人: 李戍

本發明公開一種通過機器學習神經網絡進行反演模擬參數的方法，包含下列步驟：建立一個機器學習神經網絡；并以物理模型為基礎的注塑模擬軟件作為學習對象，用機器學習算法中的反演算法調整神經網絡的權值，使之在使用相同的輸入參數后算出符合基于物理模型的注塑模擬軟件算出的對應結果。然后根據傳感器量化的注塑系統中的測量值與此培訓學習好的神經網絡模型預測值之差，來反演出注塑模擬軟件中應該使用的輸入參數，其中最主要的參數是，但不局限于，流變模型系數。這些經過機器學習反演調整后的輸入參數再代回注塑模擬軟件就可以減小模擬預測值與實際測量值之間的差異，實現仿真注塑工藝的數字孿生以便智能控制。

技術領域

本發明涉及物理模型仿真模擬的智能控制領域，具體為一種通過機器學習神經網絡進行反演模擬參數的方法。

背景技術

塑料部件設計完成后通過注塑成型工藝來制造，首先對各種工況進行一定的計算機模擬運算，從而利用模流分析得到工藝條件預測值用于試模調機，在至少一次試模調機后獲得安裝在模具中的傳感器測量值，而這些測量值和模流軟件預測值之間存在著差異，正是這些差異的存在可能導致無法建立可靠的智能控制系統。

而通常仿真軟件可以定量預測各種可能的結果，給制造加工提供一組良好的參考數值，預測可能的缺陷，并為多種工況以及塑料件和模具設計變化提供分析比較。這些仿真分析可能需要花費數小時或數天，有時甚至數周的時間，才能得到具有多種制造設計方案(DFM)的DOE，提供各種可能做出最優選擇。然而這些預測結果最終在注塑工藝中還是會與現實存在差異，例如仿真環境與真實環境直接存在的差異影響因素以致產生誤差或仿真軟件中的數值模型誤差又或者編程有誤，都有可能使得仿真結果存在偏差，存在仿真與實際匹配程度不夠的問題。

目前最重要的是找出差異的原因并相應地矯正輸入參數，尤其是流變模型參數，以使預測與實測數據相匹配。因此，需要在塑料部件的實際注塑中用在線傳感器系統重新擬合流變模型的參數和糾正其它可能出錯的工藝參數。

機器學習(ML)技術作為人工智能(AI)的重要組成部分已在許多領域得到廣泛使用，并且近年來發展迅速。由于安裝了傳感器，制造工藝系統中的數據量就很大，為了實現高效的制造執行系統(MES)，亟需提出一種利用機器學習技術反演訓練神經網絡調整輸入參數的方法來最小化預測值和實際測量值之間的差異。

發明內容

為了解決現有技術中的不足，本發明提供一種通過機器學習神經網絡進行反演模擬參數的方法，利用機器學習技術反演訓練神經網絡調整輸入參數，來最小化仿真預測值與實際測量值之間的差異。

為了實現上述目的，本發明采用的具體方案為：

一種通過機器學習神經網絡進行反演模擬參數的方法，包含下列步驟：

S1、建立一個機器學習神經網絡；

S2、提供一個以物理模型進行模擬預測；

S3、在所述機器學習神經網絡及所述物理模型中輸入相同的原始參數，以所述物理模型作為學習對象用正向-反向傳播來反演調整所述機器學習神經網絡的運算匹配第三權重集，最小化神經網絡預測值與物理模型預測值的差值的均方和L_c-n，以獲得訓練好的神經網絡第三權重集；

S4、以最小化所述訓練后的神經網絡預測值與相同條件下傳感器的測量值之差值的均方和L_e-n為目標，用正向-反向傳播來反演調整所述機器學習神經網絡的運算匹配第一權重集和/或第二權重集，以獲得經神經網絡反演調整后的輸入參數；

S5、將S4中反演調整后的輸入參數代入所述物理模型中進行重新計算。

作為優選的，所述機器學習神經網絡及所述物理模型中輸入的原始參數至少包含工藝參數和流變模型參數。