基于数值模拟和传播神经网络对于注塑工艺的优化.doc免费

基于数值模拟和传播神经网络对于注塑工艺的优化 王玉，邢渊,阮雪榆 （国际消失模具的计算机辅助设计中心，上海交通大学，上海２００030，中国) 摘要：塑料注射成型是一种非常复杂的过程,并且其过程规划直接影响到产品的质量和生产效率。本文结合数值仿真结果和误差反向传播网络研究了注射成型过程的优化的方法,数值模拟的结果验证了bｐ网络。受过验证的bｐ网络可以:（1)缩短工艺规划;(2)优化工艺参数;(3）采用在线质量控制;（4)一体化知识系统和案例推理技术来做出明智的注射成型工艺规划。 关键词:注塑；过程优化；BP神经网络；数值模拟 文献代码:A 介绍 　 塑料注射成型是一种非常复杂的过程及其工艺规划,直接影响到产品的质量和生产效率。在实际工业实践,自觉的注射成型工艺,通常是制作成型试验,并不断受到过程规划所需要的时间,到什么程度的参数进行优化,在很大程度上依赖于过程管理人员的经验。随着竞争的加强，为企业保持竞争优势，时间和质量已成为两个关键因素。注射成型工艺研究的目的是确定最优工艺参数的最短时间。一般而言,存在两种模式，并对其注射成型工艺的质量控制,即在线工艺规划。对在线质量控制,最近的研究工作主要集中在整合各种传感器,使实时适应质量控制通过使用神经网络、模糊逻辑等技术。当参数偏离方向的质量较差,该系统能够侦测到这种偏差并及时改正。离线工艺规划是设置正确的工艺参数来防止生产提前质量缺陷,因此预测及预防措施。随着人工智能技术的发展使得注射成型工艺设计智能化,而以往这只能依靠经验。近年来许多学者进行了大量的研究工作，主要思想就是要运用于基于知识的系统,基于实例推理和他们的集成智能工艺规划的注塑模具。此方法论汲取了丰富的经验和知识过程规划者推理，从而保证了质量和可靠性。但那是困难的优化工艺参数。随着已有的理论和研究变得越来越成熟,仿真精度,数值模拟软件,e．g.mｏldflow进行改进,提供潜在的优化注塑工艺。本文研究了数值模拟相结合的bp神经网络进行优化,以期注射成型工艺,缩短工艺规划、优化工艺参数、控制产品质量最有效的工具。仿真结果和工作的bp神经网络作为学习样本。通过验证,这些网络可以概括关键工艺参数之间的关系,e.ｇ.塑料熔体流动速率、模具温度、熔体温度、注射压力、塑料零件的质量。一旦建立了ｂp神经网络的优化工艺参数，将成为可能。 1 数值模拟 塑料顾问CＡＥ分析软件被用于仿真工作。塑料部分是个移动电话的外壳。它的是ABS并且塑料熔体流动速率分别是是1.０，2．0,5.6g / １0分钟,贸易名称cｙcｏlac x37　55００　t和cycoｌac美制加仑／分钟。模具温度范围是40~8０摄氏度。为了在上面的发生，熔体范围分别是215~155,230~270，和２25～265摄氏度。正常的最大注射时间可以通过软件本身来自动调节。输出的模拟是实际喷油压力、实际注入时间、塑料零件的质量状态。在那里,质量状态输出被划分为三种类型：完全接受，可能接受和完全无法接受。完全接受是指腔可以很容易地填补了熔体结晶性塑胶。可能接受是指腔可能被填充,但是存在难填充区域并且当参数偏离略时可能发生打击不足。给某些生产商和改变模具温度、熔体温度和名义最大压力与之相对应的，模拟在不同情况下进行,结果都被记录。在执行模拟的塑料零件几何和浇口位置保持不变。总共800箱进行了模拟与局部的模拟结果显示在标签１。 标签1 　　部分数值仿真的结果 　 　 　 输入 　　 　 　 　 　　　　 　 　 　 　 　 　　 　 　 　　 输出 2 基于神经网络,提出的注塑工艺的优化模型 2．1 bp神经网络结构 利用bp神经网络是一种广泛使用的神经网络模型并且非线性映射能力的过程非常强。英国石油公司(bp)神经网络的结构是分层次的，常被分为输入层、隐层和输出层是由特定的应用,但在这一数字隐藏层及其神经单元数通常取决于试验计算,因为没有成熟的理论指导的日期。学习模式的bp神经网络属于监督式学习。在分析比较教师信号的bp神经网络权重不断更新其直到所需精度达到要求。bｐ建筑在4-6-3本文里进行了确认。是塑料熔体流动的输入速度、模具温度、塑料熔体温度和名义最大喷油压力。输出的是塑料配件的质量，实际上市注射压力和实际注射时间。塑料部分模糊编码质量如下:完全不可接受-0,可能接受-0.5，完全接受-1.0。 图1 BP网络的结构 为了加速网络的汇聚速度,最好的学习样本被归一化处理。该涂料具有：(通用值-最小值)、（最大值-最小值）。 2.2 网络的学习与验证 800模拟样品分为75０学习样本和5０个样品进行测试。ｂp网络进行训练最初由７5０归一化的学习样本和学习速率0．8、动量因素 ０.6。之后的发展过程中,网络的２80０0总系统误差