对聚合物模具表面评估的神经网络的实施

科学领域:

• 材料科学与工程 材料科学与工程
• 制造业 制造技术 制造技术
• 表面计量学 表面计量学

背景情况:

• 增材制造 (AM) 越来越多地用于模具生产,这给表面质量带来了独特的挑战.
• 维护模具表面完整性至关重要,因为在使用过程中会降解,需要定期评估.
• 直接扫描注塑模具表面是困难的,使得表面复制对于准确的分析至关重要.

研究的目的:

• 描述内部开发的聚合物模具表面复制品的生产.
• 确定合适的描述参数和方法来比较表面评估中的差异和平均值.
• 介绍聚合物模具复制品评估过程的新总结.

主要方法:

• 开发用于聚合物模具的表面复制技术.
• 应用非线性回归来确定参数之间的功能依赖关系.
• 使用神经网络 (Rosenblatt的感知器) 进行统计学显著性验证.
• 使用机器学习进行原始表面和复制品之间的比较分析.

主要成果:

• 聚合物模具表面复制品的成功生产和表征.
• 确定重点参数和统计方法,用于复制品表面的评估.
• 验证用于评估表面质量的神经网络模型.
• 机器学习在比较原始和复制模具表面的有效性.

结论:

• 开发的复制品生产和评估方法为评估AM聚合物模具提供了可靠的方法.
• 非线性回归和神经网络为分析表面地形和质量提供了强大的工具.
• 机器学习提高了原始模具表面和其复制品之间的比较精度,支持增材制造中的质量控制.