基于神经网络技术的注塑成型注射压力和熔体温度预测.pdf

第 卷第 期 塑料工业 ! $ 年 月 %% $ ,JK- +L-M/K,M KNOM/BP · · ) 基于神经网络技术的注塑成型注射压力和熔体温度预测! ， ! ! 姜勇道 ，周华民 ，傅 建 ，李德群 （ 四川工业学院材料科学与工程系，四川 成都 ； 华中科技大学模具技术国家重点实验室，湖北 武汉 ） !# $!%%’ # (%%)( 摘要：建立了基于径向基函数网络的注塑成型注射压力和熔体温度的预测模型，与 神经网络模型和 结果 *+ ,-. 进行了对比。结果表明，径向基函数网络在精度、训练速度等方面优于*+ 网络。 关键词：注塑模,-.；神经网络；径向基函数；注射压力；熔体温度 中图分类号： 1 文献标识码： 文章编号： （ ） /0% #$$ * !%%2 3 2))% %% %$ 3 %%) 3 % 在注塑成型过程中，过高的注射压力不仅提高了 个高斯型函数，是将该层权值矢量 与输入矢量 ! 对注射机的要求，而且会导致成型制品的各种缺陷 之间的矢量距离与偏差 相乘后作为网络激活函数的 # （如飞边、翘曲变形等）；同时，成型过程中塑料的温 输入。 度对成型质量也有重要影响，过大的温差会导致熔体 ［］ ! 冷却不一致，局部过热会使塑料发生降解等等 。由 此可见，预先模拟出注射压力和熔体温度，进而评价 注塑方案的优劣，并做出改进，将大大降低注塑模的 设计成本。对于以压力、温度参数作为控制对象的注 射成型物理系统，其行为规律是极其复杂的，尤其是 注射压力，其影响因素甚多，而且诸因素之间还存在 耦合关系，它们之间的关系是非线形的。因此，很难 图 径向基函数网络模型 用有效的数学模型来描述注塑成型的注射压力和熔体 ! 温度。 F: ! ?;@8A6 H8DC 8I B*F 近年来，随着人工智能技术的发展，神经网络理 从结构上看，B*F 函数似乎就是一个具有径向基 论得到了广泛的应用。前向网络作为典型的网络模 函数的 网络，但它们有着完全不同的训练算法。 *+ 型，是一种较强的学习系统，具有复杂的非线性处理 虽然B*F 网络也是两层网络，但其权值训练是一层 能力；反向传播网络 （