资源描述：
《基于CAE和神经网络的注射成型工艺参数优化.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。
1、刘斌,等:基于CAE和神经网络的注塑成型工艺参数优化31*基于CAE和神经网络的注射成型工艺参数优化刘斌许建文江开勇(华侨大学模具技术研究中心,泉州362021)摘要通过CAE数值模拟计算,研究了注射成型工艺参数对翘曲变形的影响,以工艺参数为输入参数,以翘曲变形量作为输出参数,构建神经网络模型。以CAE分析结果作为训练样本和校验样本,结合正交实验方法对注塑工艺参数进行优化。这种方法把CAE模拟技术、正交实验技术和神经网络技术有机结合,可以明显缩短优化工艺参数的时间,提高工艺设计效率,能获得比单纯
2、使用正交实验和有限元分析更好的结果。关键词翘曲变形优化计算机辅助工程注射成型材料特性、模具结构和工艺参数是影响注塑制1神经网络模型构建品质量的三大要素。在材料和模具结构确定的情况采用BP网络作为建模工具。BP网络是一种下,如果工艺参数选用不当,就会导致诸如短射、翘具有三层或三层以上的神经网络,包括输入层、中间曲、飞边等制品缺陷。随着人们对塑料制品外观质层(隐含层)和输出层。上下层之间实现全连接,而量和使用性能要求的越来越高,翘曲变形程度作为每层神经元之间无连接。当将一对学习样本提供给衡量制品质量
3、的主要指标之一,也越来越多地受到网络后,神经元的激活值从输入层经各中间层向输产品设计师、用户的关注和重视。因此针对生产中出层传播,在输出层的各神经元获得网络的输入响急需解决的问题,研究注射成型工艺参数对制品翘应。按照减少目标输出与实际误差的方向,从输出曲变形的影响规律,并在此基础上研究工艺参数的层经过各中间层逐层修正各连接权值,最后回到输优化方法,得出最佳的工艺参数组合以减小制品翘入层,这种算法称为误差逆传播算法。随着这种曲变形和其它缺陷,就具有重要的理论意义和实践误差逆的不断被传播修正,网络对输入模式响应
4、的[1-4]应用价值。正确率也不断上升。模型的建立是使用MATLAB[5]注塑工艺参数的优化方法主要有下列两种:软件中的神经网络工具箱实现的。(1)Taguchi试验法。该方法采用正交排列和1.1网络输入、输出参数及结构的确定信噪比分析法将各参数不同水平的设计值进行组输入输出参数是建立神经网络模型中的关键环合,利用较少的实验次数收集尽可能多的较全面的节。参数的选择应当既反映被模仿系统的行为规律信息,从中获得各参数的最优值。这种优化方法是又力求简洁。对于输出为注塑制品翘曲变形量的预注塑领域较早使用的方法之一,
5、具有较好的优化效测模型,选用的注塑工艺参数主要有熔体温度(料果。温)T1、模具温度T2、注射时间t1、保压时间t2、相对(2)基于人工神经网络技术的工艺参数优化。保压压力P(相对于最高注塑压力)。所以输入量人工神经网络是一种分布式并行处理系统,其处理为这5个工艺参数,即输入层有5个节点。而实验结果以权值形式分布、存储在矩阵中,具有自组织、指标只有一个即翘曲变形量,因此输出只有翘曲变自学习、自适应和非线性动态处理等特性,可以实现形量,即输出层只有1个节点。因此,可以得到的人脑的概括、类比和推理能力,因而可以从大
6、量数据BP三层神经网络模型如图1所示。增加层数虽然中提取规则,通过联想记忆和推理等来获取所需数可进一步降低误差、提高精度,但同时也使网络复杂据。理论分析表明,一个三层BP网络可以按任意化,增加了网格权值的训练时间。而误差精度的提精度逼近任意非线性连续函数。高实际上也可通过增加隐含层的神经元数目来获得,其训练效果也比增加层数更容易观察和调整,实笔者现将注塑制品的翘曲变形量作为评判指[6]践证明三层网络的精度已经足够。标,以CAE分析结果为基础数据,把神经网络和正交实验技术有机结合,对工艺参数进行优化,得出一组最
7、佳工艺参数组合,并利用Moldflow软件对优化*福建省自然科学基金项目(E0540002)结果进行分析验证。收稿日期:2007081532工程塑料应用2007年,第35卷,第11期样本,以注塑制品的翘曲变形量为实验指标,以注射成型工艺参数为试验因子构建正交实验表,对各个实验进行CAE数值模拟仿真计算,以获取各种注塑工艺参数组合下的制品翘曲变形量,作为神经网络模型的样本。在进行翘曲变形分析之前先通过CAE软件对浇注系统和冷却系统进行优化,从而可图1BP三层网络模型保证在最优的模具结构下来研究注塑
8、工艺参数对制1.2训练样本和检验样本的选取品翘曲变形的影响。学习样本和检验样本的选择也是至关重要的,2.1前处理充足而正确的学习样本才能够正确反映系统的性以某变压器盒盖的注射成型为分析实例。该制能。要训练注塑工艺参数优化神经网络,首先要获品模型尺寸为150mm!72mm!15mm,最薄壁厚得一批实际注射成型中不同工艺条件下的实验数为0.7mm,属于薄壳零件,其三维模型如图2所示,据,而这些数据完
