（固体力学专业论文）基于CAE技术的注塑成型工艺优化和工艺控制.pdf

基于c a e 技术的注塑成型工艺优化和工艺控制摘要注塑成型是重要的塑料制品成型方式，适于大批量生产形状复杂、尺寸要求精确的塑料制品。随着注塑产品应用范围的变化，对产品质量的要求也越来越高。成型过程中，工艺参数直接影响到模具内熔体的流动状态和最终制品的质量，获取并保持优化的工艺参数是成型高质量制品的前提。c a e 技术可以帮助工艺工程师优化工艺，但目前的应用也仅限于应用c a e 分析代替反复试模，这只能获得合理工艺而不是最优，且对于大型复杂的制品，由于工艺模型及几何模型的复杂性，c a e 分析时间较长，所以c a e 模型用于在线控制几乎是不可能的。因此如何从c a e 分析结果中抽取有效的信息，来辅助工艺优化和工艺控制对制品质量具有重要意义。本文主要对注塑成型过程的工艺参数优化和控制进行了研究，并利用人工神经网络技术在c a e 模拟基础上对单目标问题进行了优化和控制。利用t a g u c h i 实验设计方法对工艺参数进行正交实验，得出实验因素最佳水平组合，并对实验因素对质量目标的影响度排序，筛选出对目标变量影响最大的几个过程参数作为实现工艺控制的控制变量。估算出最佳实验因素水平组合下的信噪比值，用c a e模拟验证实验设计结果的正确性。根据t a g u c h i 方法得到的实验结果确定出神经网络辨识器的结构同时根据实验因素最佳水平得到络辨识器离线训练和测试样本数据，对其进行训练并测试网络性能，完成辨识器的离线训练。通过对具有不同学习算法、不同传递函数及不同隐含层神经元个数的b p 网络性能进行比较，确定出本文优化和控制中采用的b p 网络结构及参数，对注塑成型过程的工艺参数进行预测。利用模型参考自适应算法实现工艺控制。将完成离线训练的辨识器和相应的神经网络控制器嵌入基于m a t l a b 平台开发的控制系统中，实现了注塑成型过程的神经网络控制。采用多个算例在非时变和时变两种参考模型下进行控制仿真。从控制结果上可以看出该控制方法对被控对象控制取得了很好的效果。关键词：注塑成型；神经网络；控制；优化；工艺参数塑型奎兰三兰堡主堡苎一a b s t r a c tp l a s t i ci n j e c t i o nm o l d i n gi sa l li m p o r t a n tm o l d i n gm e t h o do fp l a s t i cp r o d u c t s ，a n di ss u i t a b l ef o rp r o d u c tp l a s t i cp r o d u c t sw i t l lc o m p l e xs h a p ea n da c c u r a t ed i m e n s i o n a lr e q u e s t r e q u e s t so np r o d u c tq u a l i t yb e c o m eh i g h e ra n dh i g h e rw i t ha p p l i c a t i o nf i e l d so fp l a s t i ci n j e c t i o nm o l d i n gp r o d u c t sc h a n g e i nm o l d i n gp r o c e s s ，p r o c e s sv a r i a b l e sd i r e c t l yi m p a c tf l o ws t a t eo fm e l ti nc a v i t ya n df i n a lq u a l i t yo fp a r t p r e c o n d i t i o no fi m p r o v i n gp a r tq u a l i t yi st og e ta n dk e e pp r o c e s sv a r i a b l e so p t i m i z a t i o n c a et e c h n o l o g yc a nh e l pp r o c e s se n g i n e e ro p t i m i z ep r o c e s sv a r i a b l e s b u tt h ea p p l i c a t i o no fc a ei so n l yu s e dt os u b s t i t u t ef o rt r a i la n de r r o rn o w w i t i lt h i sa p p l i c a t i o ne n g i n e e rc a l lo n l yg e tr a t i o n a ln o to p t i m a lp r o c e s sc o n d i t i o n c a ew i l ls p e n dm u c ht i m et oa n a l y s i sl a r g ec o m p l e xp a r tf o rc o m p l e x i t yo fp r o c e s sa n dg e o m e t r ym o d e l s i ti sa l m o s ti m p o s s i b l et ou s ec a et e c h n o l o g yt or e a l i z eo n l i n ec o n t r o l、 r i t l lt h e s ed i s a d v a n t a g e s c o n s e q u e n t l y , h o wt og e tu s e f u li n f o r m a t i o nf r o ma n a l y s i sr e s u l to fc a et oa s s i s tp r o c e s so p t i m i z a t i o na n dp r o c e s sc o n t r o li sv e r yi m p o r t a n t i nt h i sp a p e r , w em a i n l yc a r r i e do u tt h er e s e a r c ho np r o c e s sc o n t r o la n do p t i m i z a t i o no fp r o c e s sv a r i a b l e si np l a s t i c si n j e c t i o nm o l d i n gp r o c e s s ，o p t i m i z e dp r o c e s sv a r i a b l e sa n dm a d ep r o c e s sc o n t r o lo ns i n g l ev a r i a b l eo fp l a s t i ci n j e c t i o nm o l d i n gp r o c e s sb yu s i n ga r t i f i c i a ln e u r a ln e t w o r k o r t h o g o n a la r m ye x p e r i m e n tw a sd o n eb yu s i n gt a g u c h id o em e t h o dt oo p t i m i z ep r o c e s sv a r i a b l e s w eg o tt h er e l a t i v ei m p o r t a n c eo fv a r i o u sf a c t o r sa n dt h eo p t i m a lf a c t o rl e v e lc o m b i n a t i o na n dc h o s et h em o s ti m p o r t a n c ep r o c e s sv a r i a b l e sa sc o n t r o lv a r i a b l e si np r o c e s sc o n t r 0 1 s nr a t i oo fo p t i m a lf a c t o rl e v e lc o m b i n a t i o nw a se s t i m a t e da n dt e s t e d 、析t 1 1c a es i m u l a t i o n t h ec o n s t r u c t i o no fb pn nw a sd e t e r m i n e d t r a i na n dt e s td a t ao fb pn nw e r eg o tb a s e do nr e s u l t so ft a g u c h id o em e t h o d t h e nb pn e t w o r kc o m p l e t e dt h eo f f - l i n et r a i n i n gw a su s e da sa n ni d e n t i f i c a t i o ni np r o c e s sc o n t r 0 1 a f t e rc o m p a r i n gb pn e t w o r k s p e r f o r m a n c ew i t hd i f f e r e n tt r a i na l g o r i t h m s ，t r a n s f e rf u n c t i o n sb e t w e e nh i d d e nl a y e ra n do u t p u tl a y e r , a n dh i d d e nl a y e rn e u r a lc e l ln u m b e r s c o n s t r u c t i o no fb pn e t w o r kd e t e r m i n e dw a su s e di np r o c e s so p t i m i z a t i o na n dp r o c e s sc o n t r 0 1 1 1 1 i sb pn e t w o r kc a ns u c c e s s f u l l yp r e d i c tp r o c e s sv a r i a b l e s m o d e lr e f e r e n c ea d a p t i v ec o n t r o lw a sc h o s ea sp r o c e s sc o n t r o lm e t h o df r o mk i n d so fa n nc o n t r o lm e t h o d sb yc o m p a r i n gt h e i rp e r f o r m a n c e m e a n w h i l eab pn e t w o r kw a sc o n s t r u c t e da sc o n t r o l l e r , a n dw a sa d d e di n t oc o n t r o lp r o g r a mw r i t t e ni nm a t l a bl a n g u a g ei t 基于c a e 技术的注塑成型工艺优化和工艺控制t o g e t h e rw i t hi d e n t i f i c a t i o n c o n t r o l sw e r es i m u l a t e do nd i f f e r e n tc o n t r o lm o d e l sw i t ht i m e - u n v a r i a b l ea n dt i m e - v a r i a b l er e f e r e n c em o d e l s t h e s ec o n t r o lr e s u l t sw e r es a t i s f i e d k e y w o r d ：p l a s t i ci n j e c t i o nm o l d i n g ；a n n ；c o n t r o l ；o p t i m i z a t i o n ；p r o c e s sv a r i a b l e1 1 1 基于c a e 技术的注塑成型工艺优化和工艺控制1 绪论人类社会的进步与材料的使用密切相关。其中塑料是2 0 世纪才发展起来的一大类新型材料，是高分子材料中最大的一类，由于塑料具有品种多、性能各具特色、适应性广等优点，而且生产塑料所消耗的能量低，因此塑料工业的发展保持着旺盛的势头。目前，注塑成型技术已经广泛的应用到了塑料制品的生产中，其中占很大比例的塑料制品是采用此项技术制成的。虽然注塑成型技术已经是一项比较成熟的技术，但是随着注塑制品在家电、汽车等高科技领域的应用，对制品的质量、性能及产品更新换代提出了更高的要求。但是高质量高精度高灵敏度的严格要求成为阻止塑料制品快速进入这些高尖领域的限制和束缚，如何提高注塑制品质量和性能成为该领域的重要研究课题。注塑成型过程是一个高度非线性、时变性的多参数作用过程。由于此过程具有多个参数相互作用并随时间变化的特性，所以每个参数对最后制件质量的优劣都具有不同程度的影响。为了减少最终制件的质量缺陷、提高生产质量，需要对整个成型周期中工艺参数的值进行检测控制，使对最终制件质量影响较大的工艺参数值能保持在最佳的工艺窗口内，从而确保最终制件质量达到最优。1 1 注塑成型工艺及特性完整的注塑过程上共包括塑化、填充、保压和冷却四个主要阶段。模具闭合，塑料原料被塑化并注射入型腔，当塑料填满型腔后，保持一定的压力并继续向型腔注入适当的塑料，保压结束后将模具冷却一段时间，然后将制件从模具内顶出，进入下一个成型周期。图1 1 注塑成型机基本组成及成型过程图示f i g u r e1 1b a s i cm a c h i n ec o m p o n e n t sa n dp r o c e s sc h a r t- 1 -郑州太学工学硕士论文1 1 1 塑化塑化是指塑燃在料篱内经加热达到流动状态并具有趣好蛉可塑性款全过程。塑料原料被与旋转的注塑机螺杆摩擦产生的热量，或者被柱塞式注塑机料简外部静热熬器供绘懿热莛，薅淦均匀熔融，为注嚣入模凝壅黢做好了准备。可以说耀化是注塑成型的准备过程。塑料熔体在进入型腔之前应达到规定的成型懑度势能在规定时间内提供足够数量的熔融握料。熔料各点温度应均匀致，不发生或极少发生热分疑l 婆缫涯生产兹逡续进行。1 1 2 填充这阶段从柱塞或螺杆开始向前移动起，将已被塑化的塑料熔体注入模具型骆，壹歪模腕被塑料熔体充满为止。充模开始时模腔中压力为零，待模腔充满时，料流压力迅遴上秀蕊达到最大僮。模塑基力与充模熬时凌骞关，在充模过程中，熔体一方面因为与冷模壁的接触而迅速冷却，另一方面，由于压力流动而产生剪翻燕。两释效应静综合作用决定了熔体的温度从而决定了注射压力的大小。注射厦力与宠模时间的荚系如图1 2 艇示。最佳充模时间嚣1 2 注射撬力与充模辩阏关系图f i g u r e1 2c h a r to f r e l a t i o n s h i pb e t w e e ni n j e c t i o np r e s s u r ea n di n j e c t i o nt i m e充模对闼过长，毙送入模瘛懿鳖辩受鲻较多熬冷颦，糕度增高，磊瑟的塑料就需要在较高的压力下才能进入模腔，塑料熔体受到较高的剪切应力，分子取囱程度比较大。由于料温较低，分子取向没有足够时间松弛，制品固化，制品中冻结驰取您分予姆使剁最其窍冬悫异犍。这转裁瑟在渥度交纯较大漪傻耀过稔中会出现裂纹，裂纹的方向与矜子取向方向是一致的。而且，制晶的热稳定性也较差，这阂为塑料静软纯点随着分予取向程度增商丽降低。高速充模时，塑料熔体通过喷嘴、主流道、分滚道和浇口时将产生较多的摩擦热嚣使辩瀣舞鑫，型艟充潦黠，篓至! 竺整查鉴望望垡型三茎垡竺塑三兰篓型塑料熔体的温度就能保持较高的值，分子取向程度可减少，制晶熔接强度也可提高。充模过挟时，在嵌l 譬焉部螅熔接往馑不盎= ，致搜铡燕强度变劣。 。 3 僳鬟这是搔薅俸态满模膣时超至柱塞簸螺轷撒西辩为止酌一段辩闯。强模腔被完全充满后，翅料熔体会豳受到冷却而发生收缩，但塑料仍然处于柱塞绒螺杼的稳压下，料衙内的熔料会商模腔内继续流入以补足困收缩而留出的空隙。如果柱塞或螺杆停在原位不动，滕力曲线赂有衰减；如果拄塞或蠛抒保持压力不变，也裁是随着熔料入模的同时向前做少许移动，则在此段中模内压力维持不变，如图1 3所示。时间图1 3 注塑成型过程援力变化曲线f i g u r e1 3p r e s s u r ec u r v ei np l a s t i ci n j e c t i o nm o l d i n gp r o c e s s鼹霹蓬力夔线嚣与蓦孪闯辘乎行。 ；| l 压除段对予援高麓鑫的密度、降低羧缭和克服制品表丽缺陷都有影响。此外，由于塑料还在流动，而且温度又不断下降，定窝分子容器被冻结，繇戳这一淤浚燕大分子定向形成的主要阶段。这阶段时间愈长，分子定向穰度也将愈大。保压阶段中，模胶内的熔体保持在高压状态，直封熔体冷却凝固，保压愿力应保持足够高以避免制件出现凹痕，但是聪力过简，会造成脱模不易，以及残余应力过大等不良最果。保压阶段结束之后，淡蜀冻结，成型过程进入冷却阶段，间时螺杆开始旋转或者柱塞开始移动，进行下个成型周期的塑越塑化。 4 冷却这一酚段是指浇目的整籽完全冻结时超副涮品从模腔中顶出时为止。模腔内压力迅速下降，模腔内塑料在这一阶段内主要是继续进行冷却，以便制晶在脱模时其有足够的嗣度而不致发生扭曲变形。在这阶段内，虽无塑料从浇口流出戚塑捌查堂三兰缝主堡苎流邀，毽模悫还可能有少量鹃流豌，溺瑟辕然篷产生少璧翡分子定窝。壹于模痰塑料的温度、压力和体积在这一阶段中均有变化，到制品脱模时，模内压力不一定等于矫券压力，模内疆力与外界歪力的差值成为残余艨力。残余应力的大小与压实阶段的时间长短有密切关系。残余压力为正值时，脱模比较困难，制品容易被刮伤或破裂：残余压力为负德时，锘8 品表面容易肖陷痕绒内部有真空泡。所以，只有在残余压力接近零时，脱模才比较顺利，势能获褥满意的剃晶l l j 。 ，2 工艺侥亿季瓣王艺控制的重要性注塑成蹙技术已经戏为燮精割品麴主要成型按术。注鎏残登裁晶翡蒺量主要取决于三个方面：模具的设计与加工：材料的性能；成型过程。传统的提高塑辩镄磊质量静方法主要是馥迸模其设计和采嗣材料性能较好的树艨：一方面，随着计算机技术在塑料成型领域中的成用，可以很方便地用c a e 技术对模具的设计进行分析、改进，以避免代价昂贵的机械失误并缩短生产周期，但蔻模具设计的改进仍然受到很多的条件制约， t h 制l 牛蛉复杂程度、枧械加工的难度等；另一方面，尽管材料的性能在不断的提离，其性能的改善通常动摇不定，令成型加工很灌达到稳定熬状态。恧虽，亵镬采爱最佳戆模矮设诗秘最臻懿毒孝糕瞧能，有时仍然很难获得令人满意的制品。由于成型过程的工艺参数直接决定了熔体在模蓬孛懿流动状态，对裁菇屡量务着最_ 蠢接最深远嚣澎晌，霾魏找到铡 串成墅静最优工芝条件，对成狴过程进行工艺控制，是掇高塑料制品质量的肖效途径。i 莛年来，c a e 技术在塑辩藏鍪工艺中翡应用极大选提高了制品成黧的效率，运用c a e 技术可以在模具制造之前，较为准确地预测出成型各阶段的情况，以便设计者及早地发现问题，及时修改制件和模其设计，减少甚至避免了实际模其的重颞修改，大大的减轻了模具设计人员的试模受担，著在很大程度上提裹了模具设计和修改的灵活性，同时，由c a e 模拟得到的成型条件也给出了成型过程工艺条馋鲍镪始傻。c a e 软传可 美辏麓技本人曼避季亍工艺条件蔽嚣，毽需经过多次c a e分析并结合实际经验才能得到优化工慧条件。在较缀的时间内，不依靠有经验的竣诗人员裁找窭残整过稷粒茨纯工艺祭释，对予提麓成型工艺鹩整俸效率其套缀大的意义。通过c a e 技术预先得到的工艺条件虽然能给出实际成滋工艺条件静依据，但是，襁系统扰动较大的情况下，预先褥到的成型条件很有可能与实际的最佳成型条件之间存在很大的误差。因此，在通过c a e 得到了优化工艺条件之后，利用控制器穰线监测控制成型过程的实时状态，投擐采集到的实时信患结合工艺技化方法，宓时调节成型工艺条件使成型过程在最健工艺条件进行，保证成型制品的质量。实融控裁技术是经盛怒予缀多_ 王、监控割镶域。懿近年来镞邀予技术与诗雾孛晁萋子c a e 摭末鹃注墼藏墼王艺撬纯鞫王艺控截控箴技术的进步为注塑成型过程的工艺参数控蒂撬供了技术保证。攀用c a e 进行注塑成型工艺控制性能的预先测试，可以根据分析结果判断控制方法、控制变量的选取是谱能够获得预期的控制效果，从而为实际控制的硬件可行性提供判断依据。 3 注蹩成鳖芏艺控制技术注塑成型工艺控制就是对注塑成型过程中的工艺参数进行控制。其主要步骤包括：( 1 ) 从工艺参数中选取嫩佳控制变量；( 2 ) 利用相应算法确定控制变量的最优值； a 模具温度 c 注射时间。图2 2 三个实验因素的均值分析结果图f i g u r e2 2r e s u l to f t h r e ev a r i a b l e s a n o m图2 2 所示为三个因素的m i 曲线。把每个因素信噪比最大的水平组合在一起即为最佳实验水平组合。本文实验水平的最优组合为a 3 8 3 c ，即模具温度5 5 0 c 、熔体温度2 3 5 。c 、注射时间3s 。因为各个因素之间相互独立，根据以上分析结果可以估算出实验因素最佳水平组合的信噪比值，计算公式参照式( 2 8 ) ，计算可得：5 8 7 4 1 5 。1 2 】2 4 2 3t a g u c h i 实验结果验证将模具温度5 5 。c 、熔体温度2 3 5 。c 、注射时间3s 作为工艺条件进行c a e 分析。在网格划分尺寸为1 5 、1 6 、1 7 和1 8 条件下，所得注射压力最大值分别为塑型盔兰三堂堡二! 笙苎9 9 9 2 8 8 、9 9 8 1 6 9 、9 9 7 9 8 1 和9 96 9 0 1 。计算信噪比得8 0 3 7 7 4 ，要好于最佳实验水平组合预测所得信噪比。因此，t a g u c h i 实验的结果是正确的。c a e 分析所得压力曲线如图23 所示。2 5 本章小节n 舯i l $ ot t 0 2 5 a 伸3 ”ot o图2 3 注射压力曲线f i g u r e2 3i n j e c t i o np r e s s u r ec u r v et a g u c h i 实验设计方法通过均值分析和方差分析可以从较少的实验次数中获得各个实验因素对实验目标的影响度排序以及实验因素最佳水平组合。本章利用t a g u c h i 实验设计方法对一个工业产品的注塑成型c a e 模拟数据进行了优化，得到了实验因素的影响度排序和最佳实验水平组合，预测出了最佳实验水平组合的信噪比，并对最佳实验水平进行了c a e 模拟，验证了其结果的正确性。由t a g u c h i实验设计方法可筛选出对质量指标影响较大的工艺变量，在工艺控制中作为控制变量控制质量指标，同时t a g u c h i 实验设计方法的结果为本文工艺控制中的神经网络训练提供了采集样本数据的基线条件。基于c a e 技术的注塑成型工艺优化和工艺控制3 注塑成型工艺的神经网络预测模型结合t a g u c h i 实验设计方法的结果将所获较重要的实验因素，确定出神经网络的输入层的神经元个数，以最佳实验条件作为基线条件，以一定步长微调基线条件得到的样本数据训练和检测神经网络，如果神经网络的误差在可接受的范围之内，则该神经网络可以很好地映射注塑成型工艺参数与质量指标之间的非线性关系，即可利用该网络模型对该制件的给定工艺条件进行高效快速的质量目标预测，同时该网络模型作为注塑成型工艺控制中神经网络辨识器。3 1 人工神经网络的发展概况人工神经网络是根据人的大脑神经元电化学活动抽象出来的一种多层网络结构。由许多并排连接的多层计算单元组成。m c c u l l o c h 和p i t t s 在1 9 4 3 年提出二值神经元阈值模型。1 9 4 9 年心理学者h e b b 提出今天被称为h e b b 的学习方法，其基本思想至今仍在各种神经网络研究中起重要作用。1 9 6 2 年r o s e n b l a t t 提出了著名的感知器。w i d r o w 和h o f f 提出a d a l i n e 网络模型。这些模型虽简单，但已具备可学习性、并行处理、分布式存贮和连续计算等性质，掀起了神经网络研究的第一次热潮。1 9 6 0 年m i n s k y 和p a p e r t 在出版的p e r c e p t r o n 一书中对感知器的功能及局限性进行了深入分析，得出了较为悲观的结论，以及当时的一些其他情况，使7 0 年代后出现了近十年的神经网络研究低潮。进入8 0 年代后，对神经网络的研究复兴，并掀起第二次研究热潮。1 9 8 2 年h o p f i l d 提出了h o p f i l d 网络模型，引入能量函数，使网络的稳定性有了明确的判据，成为具有突破性的研究进展。1 9 8 4 年h i n t o n 提出了波尔曼兹机。1 9 8 6 年r u m e l h a r t 和m c c l e l l a n d 提出了一种多层网络的学习算法，即误差反向传播法，以及以后提出了许多新的理论和学习算法如模拟退火法、联想记忆、c h e m o t a x i s 算法和竞争学习等【2 ”。由于人工神经网络具有并行处理、分布存贮、高度容错、子学习能力、强鲁棒性和强适应性等特点，另外已被证明能够逼近任意非线性函数，近年来已引起控制界的极大关注，并在模型辨识、控制器设计、优化操作、故障分析与诊断等领域迅速得到研究与应用。郑州大学工学硕论文32 人工神经元人工神经元的数学模型是在对大脑神经元的主要功能和特性进行抽象的基础上得到的。如图3 1 所示。幽3 1 人工神经元模型f i g u r e31a r t i f i c i a ln e u r o nm o d e l图中 x2ojo x 。 1 为输入向量，p 为输入变量之和，q 为输出变量，f 为激活函数又称传递函数，目为闽值。3 2 1 静态与动态神经元不管激活函数的形式如何，神经元模型首先可按其暂态行为分为静态和动态两种。静态神经元是将激活函数f 的输出作为神经元的输出q ，而f 的输入p 是现时刻所有输入之和，可记为q = f ( p ) 。动态神经元则是：f 的输入是所有现时刻输入之和p 以及现时刻k 的活化输出q ( k ) ，记为q ( k + 1 ) 2 f p ( k ) ，q ( k ) ( 3 1 )在神经元中实现动态激活的一种方法是用一种具有记忆功能的神经元，即允许在给定的时间间隔内对它的活化输出值进行求和运算。另一种方法是采用反馈连接，即将神经元自己的输出作为输入之一。静态神经元主要用于静态输入输出映射，如联想与分类。而动态神经元主要用于序列或时变输入，如信号滤波，模拟控制等。3 2 2 神经元之间的连接神经元之间的连接构成神经网络。而神经元之间连接的强度是一个可变参数，从而使神经网络具有学习和贮存信息的能力。这个连接强度通称为权系数。因一2 6 量主! 竺堡查塑鲨望垡型三苎垡些塑三苎篓型此，输入到神经元的总输入p 是每一个相连接的神经元的输入x ，与其相应权系数，的乘积之和，记为p = ，x ，+ 护，( 3 2 )忙】其中1 9 为偏置或称阈值。3 2 3 神经元激活函数人工神经元中由输入产生一个输出响应是通过激活函数( 又称传递函数) 来实现的。目前广泛使用的激活函数有4 种：( 1 ) 阈值逻辑函数即符号函数，即当输入和超过某一闽值，神经元被激活，其输出为1 ，否则不被激活，输出为0 。口图3 2 闽值函数图像f i g u r e3 2g r a p ho f t h r e s h o l df u n c t i o n( 2 ) 半线性函数，此激活函数有上下两个阈值，当输入总和值低于下阈值时，则神经元输出为0 或一1 ，当输入总和值大于上阈值时，则神经元输出为+ 1 。而输入总和值在上下阈值之间时，则神经元输出与输入总和值成线性关系。它和阈值逻辑函数一样，在转折点是不可微的。口目图3 3 半线性函数图像f i g u r e3 3g r a p ho f h a l f - l i n e a rf u n c t i o “- 2 7 -塑堑! 查堂三堂婴兰堡墨( 3 ) 线i | 生丞数，魏函数豹稔入输出没毒陵定范曩，输入羚塞之润为线瞧关系。在整个函数区间可微。口墼3 4 线性爨数图像f i g u r e3 4g r a p ho f l i n e a rf u n c t i o n( ) 连续阕篷溺数又稼s 函数 s i g m o i d ) ，可记为q ；匕，( 3 3 )1 + g 其中q 为神经元活化输出，p 为神经元输入总和，口为常数。此函数将神经元输出限制在o l ，- 1 + 1 或一言+ 三2 之间。改变口值可修正函数中心转折区域黪宽度。这令丞数已成功应嗣于菠囱铸撵( 静) 算法中。图3 5t a n s i g 函数图像f i g u r e3 5g r a p ho f t a n s i gf u n c t i o n( 5 ) 辐射基函数( r b f ) 其表达式为晕= e x 一去喜一e j 2 ，( s t )其中q 为神经元活化竣燃，x 。必来垂其蝗雄经元i 魄输入，e ；为i 竣入戆激活函数的中心点，d 为激活醋数的宽度。虽然此函数最近在理论上被证明有许多优良品质和许多应用领域，但目前仍是一种不常见的激活函数，有广闼鲍应爆兹景a 可用于连续函数韵映射，如系统的辨识和控制，在某些场合还可用来改进分基于c a e 技术的洼塑成型_ t 艺优化和工艺控制类器的性能等 2 9 1 。3 3 人工神经网络口图3 6r b f 函数图像f i g u r e3 6g r a p ho fr b ff u n c t i o n众多的神经元广泛地连接就构成了神经网络。典型前向网络如下图所示。x lx 2妇图3 7 前向网络模型f i g u r e3 7m o d e o f f e e df o r w a r dn n3 3 1 人工神经网络的拓扑结构人工神经网络的拓扑结构可分为两类：( 1 ) 前向网络( f e e df o r w a r dn e t w o r k )前向网络是信息向前逐层连接，而没有向后或反馈连接的。( 2 ) 反馈网络( f e e db a c k w a r dn e t w o r k )反馈网络是在信息向前逐层连接的同时，存在向后或反馈连接。郑卅i 大学工学硕 。论文3 32 人工神经网络的学习在人工神经网络中需要改变连接的权值来使其输出达到要求的值。一般学习方法为四大类：( 1 ) 误差最小规则：它广泛地应用于前向网络和某些反馈网络和训练。( 2 ) 相关规则：已被广泛地用于联想记忆及所谓的竞争学习模型。( 3 ) 相近学习规则：应用于k o h o n o n 网络的学习。( 4 ) 增强学习规则：前向和反馈网络都可采用这类学习规则。其中的误差最小规则是由现时刻所给的输入样本模式所得到的输出响应与所预期输出响应之偏差来改变网络中的连接权系数，使偏差向减小的方向移动。这种学习类型也称为监督学习。它需要一组输入样本和要求的响应知识来教网络，通常称为训练集。因此，整个网络的运行由两步构成：( 1 ) 训练期：通过已知输入样本和要求的响应进行学习来改变连接权系数，使其满足要求。( 2 ) 运行期：对于新的输入样本，在网络连接权系数固定不变时，求出其输出响应。3 3 3 神经网络模型上面介绍的是单个神经元模型，如果将很多个神经元组合成一个网络，并将神经元之间的相互作用关系模型化就构成神经网络模型。根据神经元之间的相互结合关系和作用方式，神经网络可有如下几种典型的结合形式：( 1 ) 分层网络模型这种模型将众多神经元分成若干层顺序连接，在第一层( 输入层) 加上输入样本，通过中间各层进行变换，到达最终层( 输出层) ，则完成一次动作。( 2 ) 互连网络模型这是一种在任意两个神经元之间有相互连接的网络模型，网络的动作采用动态分析方法，即由某一初始状态出发，根据网络的结构和神经元的特性进行网络的能量最小化计算，最后达到稳定状态，如h o p f i e l d 模型就是采取这种形式。3 3 4 人工神经网络功能简介人工神经网络根据其作用的不同可以分为：q b p 网络：用于非线性系统的建基于c a l e 技术的注塑成型工艺优化和工艺控制模与控制：感知器：样本的简单分类与模式识别；竞争网络：样本的点特性检测与模式识别；科荷伦网络：样本的线特性检测与模式识别；特征图：样本的面特性检测与模式识别；自适应共振理论网络：样本种类的自动模分类；反馈网络：联想记忆( 离散型) 和优化计算( 连续型) 【3o j ；其中的b p 网络对非线性系统具有很好的函数逼近能力，是人工神经网络中的经典算法，基于b p 网络的非线性函数逼近能力，本文选用其作为工艺优化的工具。神经网络的应用范围在2 0 世纪8 0 年代复兴后已经有了很大的扩展，在控制领域也展示出了其潜在的巨大能力。本文中的工艺优化采用了b p 网络，所以在工艺控制中也选用了b p 网络作为控制工具。3 4b p 网络模型与结构b p 网络是对非线性可微分函数进行权值训练的多层前向网络。在人工神经网络的实际应用中，8 0 9 0 的人工神经网络模型是采用b p 网络或它的变化形式，它主要用于以下几个方面：函数逼近：用输入矢量和相应的输出矢量训练网络逼近某个函数：模式识别：用一个特定的输出矢量将它与输入矢量联系起来；分类：把输入矢量以所定义的合适方式进行分类；数据压缩：减少输出矢量维数以便于传输或存储。反向传播网络具有一层或多层隐含层，它的激活函数必须是处处可微的。所以不能采用二值型的阀值函数( 0 ，1 ) 或( 一1 ，1 ) ，反向传播网络经常使用的是s 型激活函数。此种激活函数常用对数或双曲正切等一类s 形状的曲线来表示，1对数s 型激活函数关系为：厂= _ 产7 _ 丽：( 3 5 )l + e x p | - 竹+ 6j jr一，、1而双曲正切s 型的函数关系为：， ：旦兰翌 劁。( 3 6 )l + e x p 卜2 + 6 川可以看到厂( ) 是一个连续可微的函数，它的一阶导数存在。对于多层网络，这种激活函数所划分的区域不再是线性划分，而是由一个非线性的超平面组成的区域。它是比较柔和，光滑的任意界面，因而它的分类比线性划分精确、合理，这种网络的容错性较好。另外一个重要的特点是由于激活函数是连续可微的，它可以严格利用梯度法进行推算，它的权值修正的解析式十分明确，其算法被称为误差反向传播法，简称b p 算法，这种网络也称为b p 网络。因为s 型函数具有非线性放大系数功能，它可以把输入从负无穷大到正无穷大的信号，变换成一1 到l 之间输出，对较大的输入信号，放大系数较小；而对较小的输入信号，放大系数则较大，所以采用s 型激活函数可以去处理和逼近非线性的输入输出关系。不过，如果在输出层采用s 型函数，输出则被限制到一个很郑州人学工学硕士论文小数范围了，若果溺线性激活函数，裂霹缓嘲络输蹬任 霹壤。辑戥只有当棼望对网络的输出进行限制，如限制在0 和1 之间，那么在输出层应当包含s 型激活函数，在一般愤况下，均是在毖合层采用s 型激活函数，焉输出崖采餍线性激活函数。3 4 1b p 算法静算法瘸于艿簿法，蔻一释煎督式静学习算法。其主要思想为：对予珂个输入学习样本：p 1 ，p 2 ，p ，已知与其对应的输出样本为：r 1 ，丁2 ，r - 。学习的嚣豹楚露辩络兹实繇输出a ，a 2 ，a s 与嚣标矢量f ，r 2 ，r s 之闻豹误差来修改其权值，使a ”( ”= 1 , 2 ，g ) 与期望的r ”尽可能的接j 黩，即：使网络输出层的误差平方蠢这裂簸，l 、。逐逯连续不叛遗褒攘对予误差函数撵度下降懿方淘上诗簿溺络权值和偏差的变化而逐渐逼近目标。每一次权值和偏差的变化都与网络误麓的影响成正比，菇= 戬反疑砖援浆方式传递裂每一艨。b p 算法是由两部分组成：信息的正向传递与误差的反向传播。在正向传播过程中，输入傣息从输入层经隐含层逐层计雾传忘辕撼层，每一层襻经元豹输出作用予下一层神经元的输入。如果在输出层没有得到期望的输出，则计算输出层的误差变化值，然后转向反向传播，通过网络将误差傣号沿原来的连接通路反传回来修改各层神经元的衩值直麓达到期望目标。设输入为p ，输入神经元有，个，隐含滕有s 。个神经元，激活黼数为f 。，输窭鬣内有s ：个神经元，对应豹激活爨数为f 2 ，输出为a ，营标矢量为t 3 1 1 。( i ) 信息的正向传播稳含臻中第f 个裤经元靛输密为r 二、a l 。= 工l c o l # p i + b l ， i = 1 , 2 ，。j s l( 3 。7 )输出朦第k 个神经元的输出为厂一、a 2 女= 磊i o j 2 n a i ，+ b 2 女 k = 1 , 2 ，s 2t * ils 22定义谈差丞数为反矽，嚣) = 寺以一疗2 ；)( 3 8 )( 3 9 )( 2 ) 利用梯度下降法求权馕变化及误差的反向传播输出鼷的权值变化对从第i 个输入到第k 个输出的权值有：凇一玎老叫嚣，蓑珊- a 2 k ) a l j = r 咖。( 3 _ 1 0 )基于c a e 技术的注塑成型工艺优化和_ t 艺控制其中：瓯，= “一a 2 。) = e 。ek = tk a 2k同理可得：的z 沪一叩嵩叫盖甏辄k - a 2 k ) 砷瓯，隐含层权值变化对从第，个输入到第i 个输出的权值，有幽，叫盖叫盖，瓮盖= q 。6u pj其中：毛= p ，q = d k , c 0 2 。同理可得：a b l ，= 可艿。误差反向传播的流程图与图形解释图3 88 p 算法流程图f i g u r e3 8f l o wc h a r to f b p a r i t h m e t i c- 3 3 ( 3 1 1 )( 3 1 2 )( 3 1 3 ) 1( 3p i1 4 )( 3 1 5 )( 3 1 6 )女22，、j女2口一女on 叩=塑型查兰三兰堡主笙三兰；误差反向传播过程实际上是通过计算输出层的误差“，然后将其与输出层激活函数的一阶导数厂2 相乘来求得巧，由于隐含层中没有直接给出目标矢量，所经利用输出层的万。进行误差反向传递来求出隐含层权值的变化量a c 0 2 护然后计5 2算巳= 6 k , 0 9 2 。，并同样通过将p 。与该层激活函数的一阶导数厂1 相乘，而求得百占。以此求出前一层权值的变化量1 p 如果前面还有隐含层，沿用上述同样方法依此类推，一直将输出误差e 。一层一层的反推算到第一层为止。34 2b p 网络的设计”在进行b p 网络的设计时，一般应从网络的层数，每层中的神经元个数和激活函数，初始值以及学习速率等几个方面来进行考虑。下面讨论各自的选取原则。3 4 2 1 网络的层数理论上已经证明：具有偏差和至少一个s 型隐含层加上一个线性输出层的网络，能够逼近任何有理函数。这实际上已经给了我们一个基本的设计b p 网络的原则。增加层数主要可以更进一步地降低误差，提高精度，但同时会使网络复杂化，从而增加了网络权值的训练时间。而误差精度的提高实际上也可以通过增加隐含层中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。所以一般情况下，应优先考虑增加隐含层中的神经元数。仅用具有非线性激活函数的单层网络解决问题的效果不好。因为能用单层非线性网络完美解决的问题，用自适应线性网络一定也可以解决，而且自适应网络的运算速度还更快。而对于只能用非线性函数解决的问题，单层精度又不够高，也只有增加层数才能达到期望的结果。这主要还是因为一层网络的神经元数被所要解决的问题本身限制造成的。对于一般可用一层解决的问题，应当首先考虑用感知器，或自适应线性网络来解决，而不采用非线性网络，因为单层不能发挥出非线性激活函数的特长。输入神经元数可以根据需要求解的问题和数据所表示的方式来确定。如果输入的是电压波形，那么可根据电压波形的采样点数来决定输入神经元的个数也可以用一个神经元，使输入样本为采样的时间序列。如果输入为图像，则输入可以用图像的像素，也可以为经过处理后的图像特征来确定其神经元个数。总之问题确定后，输入与输出层的神经元数就随之定了。在设计中应当注意尽可能地减少网络模型的规模，以便减少网络的训练时间。3 4 2 2 隐含层神经元的个数同网络层数的选取一样，隐含层神经元的个数的多少直接影响到神经网络的性能。到目前为止，对于隐含层神经元个数的选取并没有可参照的科学原则，尽管利用一些关于隐含层神经元个数的经验公式可以初步得到隐含层神经元个数的楚! 竺垫查些然望些型三苎垡些塑三苎笙型取篷范溪，最佳款隐鑫层毒孛经元个数锈然霉要在此萋磴上计算跑较获缛。本文中神经网络所用隐含层丰申经元个数由如下经验公式褥出 3 2 】。= 。，刖。+ n o 。咿。+ d( 3 1 7 )式中。，为输入享孛经元个数，致。是输邀糖经元个数。窃为一个分予l 翻1 0 之间的整数调整值。隐含层包含较多的神经元能够提高神经网络对复杂的系统的逼近和模拟能力，但同时也增搬了事孛经网络训练秘学习的负担，震要消耗较长懿掰络训练霹闻。隐含层色含较少静静缀元虽然能够提高网络的训练速度、减少网络的训练时间，但是使网络的学习能力下降。过多的隐含层神经元会造成网络训练时的震荡现象，过少的隐禽层神经元则有可能使网络训练输出不收敛。因此针对不同的网络结构努矮逶避在适当范围痰选取不霹熬豫含爱襻经元个数送行比较，麸瑟获褥藏效静神经网络结构。3 4 2 3 初始权值的选取由于系统是菲线性黪，初始值对于网络训练楚否陷入局部最小，是否能够收敛竣及潮练对润靛长矮豹关系禳大。如粟裙始投蕊太大，使得嬲衩居静输入鄹 落在了s 型激活函数的饱和区，从而鼯致其导数f ( s ) 非常小，而在计算权值修正公式中，因为占o c f ( h ) ，溺f 0 ) 叫。时，则有占叫o ，这馒得国。叫o ，从丽使得调节过程几乎停顿下来。所以，一般总楚希望经过初始加权后的每个神经元的输出值都接近于零，这样可以保证每个神经元的权值都能够在它们的s 型激活函数变化最大之处进行调节。所以，一般取初始权傻为( 一l ，1