基于grnn算法的带嵌件静电检测盒成型过程优化.docxVIP

基于grnn算法的带嵌件静电检测盒成型过程优化 嵌入式材料广泛应用于注射加工中。例如，金属嵌顿器通常安装在笔记本的塑料地板和手机的塑料地板上。近年来，含有金属嵌件的产品结构逐步复杂化，对于产品质量的要求也越来越高。 塑料制品在生产过程中容易出现翘曲变形和收缩等问题，不仅影响产品的外观，严重时还会影响产品质量，造成报废率高。对于带嵌件的塑料制品，由于金属和塑料的材料显著不同，成型过程相较于传统注塑产品更为复杂 在工程实际中为了改善塑件的缺陷，提高产品质量，一般从改善成型工艺参数入手。刘成娟等 目前对于带嵌件的塑料制品的研究，主要是对于单目标进行优化，带嵌件的制品结构较为复杂，单一目标难以满足质量要求。本文研究的产品结构较为复杂，左右不对称，且左端为薄壁，下端有两个支撑架直径5 mm，长度30 mm，底端含有金属螺母嵌件。根据塑件结构特征，本文选取体积收缩率(T，%)、X方向翘曲变形量(X,mm)、Z方向翘曲变形量(Z,mm)作为优化目标。 1 材料导入与材料处理 利用UG创建静电检测盒和金属螺母嵌件的三维模型，塑件外观最大尺寸为147 mm×93 mm×79 mm;金属螺母嵌件尺寸为6.5 mm×6.3 mm×2.7 mm。将模型导入Moldflow软件，导入后的结果如图1所示，通过移动使二者维持正确的相对位置。 首先对静电检测盒盖进行双层面划分网格，通过修改网格，匹配百分比和相互百分比均可达到93%以上，网格模型属于理想模型。因为该模型较为复杂，且注塑件有两个金属嵌件，所以需要对模型再进行3D划分 塑料材料选择制造商为Monsanto Kasei，牌号为Rubber的ABS注塑材料。嵌件属性定义为金属，材料为P-20金属钢，温度为25℃。 通过成型窗口分析确定浇口位置和浇口数量1个。建立冷却系统，冷却管道8个，直径10 mm，水管与塑件距离20 mm，管道间距30 mm，采用水进行冷却。划分好后的模型如图2所示。 2 试验次数的保证 注塑成型过程受多个参数的影响，每个因素又有多种水平，如果进行全面试验，试验次数是惊人的。在保证科学性的基础上，要尽可能减少试验次数。 本文采用正交试验设计，选取溶体温度(A，℃)、模具温度(B，℃)、注射时间(C,s)冷却时间(D,s)、保压压力(E,MPa)、保压时间(F,s)为因素，每个因素均匀选取5个水平 选用11因素5水平正交表L 3 grnn模型及模拟结果对比 广义神经网络(GRNN)是径向基神经网络(RBFNN)的一个分支，其获取数据间关系的方法不同于插值和拟合，它能直接以采样或计算得来的数据对网格进行修改，不需要重新计算参数。GRNN在逼近能力和学习速度上都要优于BP神经网络，可以用来处理不稳定的数据，并且在样本数据缺乏时，预测效果也比较好 GRNN在结构上与RBF神经网络较为相似，其原理图如图4所示，共有四层分别为输入层、模式层、求和层和输出层 选取熔体温度、模具温度、注射时间、冷却时间、保压压力、保压时间为输入层，体积收缩率、X方向翘曲变形量、Z方向翘曲变形量作为输出层。为了检验GRNN神经网络的准确性，从50组正交试验中，随机选取40组作为样本，对GRNN网络进行训练。剩下的10组作为预测样本，对训练完成的网络进行检验。 将训练好的GRNN网络进行预测分析，将预测结果与Moldflow软件模拟结果进行比对，结果如图4所示。 其中，体积收缩率的平均误差1.87%，最大误差3.43%;X方向翘曲变形量平均误差为1.16%，最大误差为3.01%;Z方向翘曲变形量平均误差为1.47%，最大误差为2.50%。最大误差均小于5%，结果证明GRNN神经网络预测值与Moldflow软件模拟值误差较小。 4 基于nsga-iii的多目标优化 优化目标是体积收缩率最小、X方向翘曲变形量最小、Z方向翘曲变形量最小，多目标函数不存在唯一的解，而是存在一个最优的解集，称为Pareto最优解集。根据建立的模型，利用NSGA-II进行多目标优化。算法的参数配置为:种群规模为200、交叉概率为0.8、变异概率设置为0.02、进化代数为200。优化目标的Pareto最优解集如图7所示。 以Z方向翘曲变形量小于0.467 mm,X方向翘曲变形量小于0.861 mm，体积收缩率小于8.875%为条件进行筛选，优化结果共有6组满足要求的解。三个优化目标之间存在着复杂的交互作用关系，无法同时达到单个优化目标的最优值，因此需要对三个优化目标统筹协调，选取一个综合性最优方案 5 moldso仿真结果 为了验证NSGA-II算法得到的Pareto最优解的准确性，将注塑工艺参数设置为Pareto最优解的工艺参数，利用Moldflow进行模拟，结果如图7所示。 三个目标值Moldflow仿真的结果分别为8.833%、0.838