（计算机应用技术专业论文）基于神经网络的注塑成型工艺优化.pdf

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注塑成型过程中，熔体在型腔内的状态及变化历史直接影响到最终制品的性能和质量。对成型过程进行数值模拟，预测熔体在型腔内的状态及变化规律，以辅助模具设计和成型工艺设置，成为提高制品质量的重要手段。应用成型过程的数值模拟只能代替试模来反复验证工艺参数是否合适，难以得到最佳工艺设置，且由于成型中外界扰动的影响，难以保证制品质量的稳定性，因此，对成型工艺进行优化和控制，提高加工变量的稳定性以生产出高质量的制品具有重要的意义。本文主要对注塑成型过程的工艺参数优化扣控制进行了研究，并利用人工神经网络技术在计算机辅助设计( c a e ) 模拟基础上对单目标问题进行了优化和控制。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 网络胜能进行比较，确定出本文优化扣控制中采用的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。关键词：注塑成型神经网络计算机辅助设计a b s t r a c tt h es t a t ea n dv a r i a t i o nh i s t o r yo fp o l y m e ri i lc a v i 哆l l a v ed i r e c ti i l f l u e n c eo nf i n a lp a r tp e r f o m a n c ea n dq u a l i t yi i li n j e c t i o nm o l d i n g i ti sa ni m p o n a l l tm e t l l o di np o i y m c rp r o c e s s i n gf i e i dt os i m u l a t et h ep o l y m e rp r o c e s s i n g ，p r e d i c tt h es t a t ea n dv 矗a t i o no f 也em e na 1 1 da i dt od e s i g nm em o i da i l ds e t u pt t l ep r o c e s s i n gp a r a m e t e r s h o w e v e r ，s i m u l a t i o no fm 0 1 d i n gc a no n l yr e p l a c e 也e 仃i a l 肌d - e r r o ra n dt h ec o r r e c ta l s od e p e n do nt h ed e s i g n se x p 谢e n c e i ti sd i 衔c u i tt og e tt l eb e s tp r o c e s sc o n d i t i o na n dt h ei 1 1 f l u e n c eo fd i s t l l r b a n c em a k ei tm o r ed i m c 讧i tt og e tc o n s i s t e mg o o dq u a h t yp a n t h ei n v e s t i g a 蛀o no fo n - l i n eq u a l i 够c o n n d lf b ri i l j e c t i o nm 0 1 d i l l gt om a k et 1 1 em 0 1 d i n gk e 印o nt l l ed e s i r a b l el c v e la i l dp r o d u c eh i g hq u a l i t yp a r tc o n s i s t e m l yi sv e r yv a l u a b l ep r a c t i c a l l yi nt l l i sp a p e r ，w em a i m yc a r r i e do u tm er e s e a r c ho np r o c e s sc o n t r o la 1 1 d0 p t i m i 删o no fp m c e s sv a r i a b l e si np l a s t i c s 埘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 m c e s sv a r ia _ b l e s 趾dm a d ep r o c e s sc o n n 口lo ns i n g l ev a r i a b l eo fp l 骶t i c e c t i o nm 0 1 d i n gp r o c e s sb yu s i n ga m f i c i a ln e l l r a ln c t w o r k 0 n h o g o n a la r r a ye x p e 衄l 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 i l dt h eo p t i m a lf a c t o r1 e v e lc o m b i n a t i o na 1 1 dc h o s em em o s ti m p o n a n c ep m c e s sv a r i a b l e sa sc o n 仃o iv 撕a b l e si np r o c e s sc o n 订0 1 s l nr a t i oo fo p t i m a lf k t o r 王c v e lc o m b i l l a t i o n 啪se s t i m a t e da 1 1 dt e s t e d谢1c a es i m u i a t i o n k e y w o r d s ：p l a s t i c 酬e c t i o m o l d i n ga n nc a ei i第一章注塑成型的基本理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着旺盛的势头。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1 1 1 塑化塑化是指塑料在料筒内经加热达到流动状态并具有良好的可塑性的全过程。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筒外部的加热器供给的热量，高温均匀熔融，为注射入模具型腔做好了准备。可以说塑化是注塑成型的准各过程。塑料熔体在进入型腔之前应达到规定的成型温度并能在规定时间内提供足够数量的熔融塑料，熔料各点温度应均匀一致，不发生或极少发生热分解以保证生产的连续进行。1 1 2 填充1 工艺特性这个阶段，模具闭合，熔体在压力的驱动下注入模腔。在注射阶段，注射时间、熔体温度、流动速率是影响最终制品质量的重要因素。注射时间直接影响到注射压力，注射时间短，熔体需要以较高的体积流率流入型腔，则注射压力就大。而当注射时间过长时，由于熔体在冷模壁的作用下温度降低，粘度增大，使流动阻力变大，则注射压力又变大。注射压力随充填时间的变化如图1 2 所示，对应于使注射压力最低的注射时间为最佳注射时间。熔体温度对最终制品的质量特性也有重要的影响，熔体温度影响着熔体的粘度，决定了熔体的流动阻力。温度低，粘度就高，则熔体流动性就差，充模困难。反之，温度升高会降低熔体的粘度，使充模容易。充填速率决定着制品充入模腔的速度及速度沿厚度方向的曲线分布。速度曲线对剪切速率、分子取向有重要的影响，从而影响制品质量和性能。2 对制品质量的影响注射阶段对制品的外观质量和内部性能都有重要的影响。如短射、飞边、流痕、熔接线、气穴等缺陷都是在充填阶段成型不当引起的。其中，短射、飞边、流痕和气穴直接影响到制品外观质量。熔接线处，由于取向通常平行于熔接线，因此制品强度降低。另外，由于流动速率影响制品的内部分子取向，从而影响制品的内部性能。图1 2 注射压力与充模时间关系图1 1 3 保压1 工艺特性当模具被完全充满后，螺杆在原位置保持一定的时间，使得熔体继续充入型腔，这个阶段为保压时间，在这个阶段，额外的熔体注入型腔以弥补冷却引起的收缩。随着冷却的进行，尺寸较小的浇口凝固，此时，模具内的熔体仍然保持很高的压力，当熔体继续冷却和固化，压力逐渐降低。在冷却和固化阶段，型腔内的压力必须足够高以避免冷却引起的缩痕( 又叫沉降斑) ，但过高的压力又会使熔体从型腔向外倒流。保压时间和保压压力是保压阶段两个重要的工艺参数。2 对制品质量的影响保压阶段对制品尺寸、表面和材料性能都有影响。例如，如果保压时间过短，保压不足，会出现过量收缩，使得制品尺寸误差增大，还可能引起缩痕和内部空洞等缺陷。然而，如果过保压，收缩降低，但制品内应力会增大，影响到制品的强度。保压阶段的熔体温度变化速率和保压时问还影响到冷凝层内的结晶性能，从而影响制品内部形态。保压压力确定了在固定的保压时间内补料的多少。如果保压压力过低，在浇口凝固前难以补充足够的熔体到型腔，而如果保压压力过大，又会出现过保压。可见，保压时闯和保压压力的选择对最终制品的尺寸、重量扣内应力有重要的影响。压力时间图1 3 注塑成型过程压力变化曲线1 1 4 冷却这一阶段是指浇口的塑料完全冻结时起到制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，以便制品在脱模时具有足够的刚度而不致发生扭曲变形。在这一阶段内，虽无塑料从浇口流出或流进，但模内还可能有少量的流动，因此依然能产生少量的分子定向。由于模内塑料的温度、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外界压力，模内压力与外界压力的差值成为残余应力。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；残余压力为负值时，制品表面容易有陷痕或内部有真空泡。所以，只有在残余压力接近零时，脱模才比较顺利，并能获得满意的制品 1 】a2 工艺优化和工艺控制的重要性注塑成型技术已经成为塑料制品的主要成型技术，注塑戍型制品的质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。传统的提高塑料制品质量的方法主要是改进模具设计和采用材料性能较好的树脂：一方面，随着计算机技术在塑料成型领域中的应用，可以很方便地用c a e 技术对模具盼没计进行分析、改进，以避免代价昂贵的机械失误并缩短生产周期，但是模具设计的改进仍然受到很多的条件制约，如：制件的复杂程度、机械加工的难度等；另一方面，尽管材料的性能在不断的提高，其性能的改善通常动摇不定，令成型加工很难迭到稳定的状态。而且，既使采用最佳的模具设计和最优的材料性能，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腔中的流动状态，对制品质量有着最直接最深远的影响，因此找到制件成型的最优工艺奈件，对成型过程进行工艺控创，是提高塑料制品质量的有效途径。近年来，c a e 技术在塑料成型工艺中的应用极大地提高了制品成型的效率，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，及时修改制件和模具设计，减少甚至避免了实际模具的重新修改，大大的减轻了模具设计人员的试模负担，并在很大程度上提高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件的初始值。c a e 软件可以辅助技术人员进行工艺条件设置，但需经过多次c a e 分析并结合实际经验才能得到优化工艺条件。在较短的时间内，不依靠有经验的设计人员就找出成型过程的优化工艺条件，对于提高成型工艺的整体效率具有很大的意义，通过c a e 技术预先得到的工艺条件虽然能给出实际成型工艺条件的依据，但是，在系统扰动较大的情况下，预先得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，利用控制器在线监测控制成型过程的实时状态，根据采集到的实时信息结合工艺优化方法，实时调节成型工艺条件使成型过程在最佳工艺务件进行，保证成型制品的质量。实时控制技术已经应用于很多工业控制领域。而近年来微电子技术与计算机控制技术的进步为注塑成型过程的工艺参数控制提供了技术保证。利用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、控制变量的选取是否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。1 3 注塑成型工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 ) 从工艺参数中选取最佳控制变量；( 2 ) 利用相应算法确定控制变量的最优值；( 3 ) 根据选用的控制变量选取最佳控制方式；( 4 ) 采用所选的控制方式对控制变量进行控制，使其保持能够得到最佳制品质量的最优工艺条件。1 3 1 控制变量的选择注塑成型是一个多变量的过程，在注塑成型过程中，影响制品质量的因素可以分为四类：机器参数、材料参数、工艺参数和扰动。其中机器参数同注塑成型机直接相关用以表征机器的机械特征，它包括：料筒温度、喷嘴温度、液压系统背压、螺杆旋转速度、模具温度及注塑机和模具的几何特征等。材料参数为注塑材料的一些典型特征，一般由材料供应商提供，包括材料的流变 生能、热物理性能( 包括密度、分子组成、分子量、比热和热传导率等等) 。工艺变量反映了成型过程中材料的状态，受机器参数、材料参数的影响，注塑成型过程中的典型工艺变量有：熔体温度、熔体压力及它们在型腔中的分布、熔体注射速率、模具内的热流分布等等。要对制品的质量进行控制，需要给出衡量制品质量的量化指标，通常，衡量制品质量的指标有：表面质量、几何特征及稳定性、机械性能、形态性能及光学性能等。当然，这些参数虽然被划分为不同的范围内，但是相互之间有着密切关系，互相产生影响。机器参数、材料参数决定了工艺参数。对工艺参数的要求，直接影响到机器参数、材料参数的选取，从而确定出相应的注塑机和对应材料。注塑成型过程中机器参教、材料参数、工艺参数相互影响、相互作用，决定最终制品的质量。对注塑成型过程的四个主要阶段塑化、填充、保压和冷却进行分析可知，不同的阶段中各个参数对制件质量所起的影响也不同。塑化阶段可选用的控制变量为熔体温度、螺杆速率、背压等。填充阶段可选用的控制变量有：喷嘴压力、型腔压力或者注射速率，粘度，熔体温度等。保压阶段可选用的控制变量有：保压压力、保压时间、熔体温度等。冷却阶段可选用的控制变量主要是冷却时间等。可以看出，一部分参数只在某个阶段存在并可作为控制变量，而另一部分参数的存在贯穿整个成型过程，对制件质量起决定性的影响，可作为整个成型周期的控制变量。同时，由于受到控制条件的约束，在这些参数中只能有一部分可以直接进行控制并作为可供选用的控制变量。由前面的分析可知，温度和压力是贯穿于整个成型过程的变量，是两个重要的状态变量，它们的值直接决定了成型过程中高聚物熔体材料性能及在模腔中的流动行为。因此，在注塑成型的各个阶段，温度和压力都是决定制品质量优劣的重要因素，是成型过程监控及制品质量控制中首选的控制变量。一般来说，主要的温度参数包括料筒温度、喷嘴温度、熔体温度、模具温度等。其中熔体温度直接反映了材料的状态，在整个成型周期都应将其作为控制变量。而模具温度显著影响充模、冷却和保压过程。主要压力参数包括型腔压力、喷嘴压力、液压压力等。各个温度参数之间相互影响，各个压力参数之问相互影响，温度和压力参数之间也相互影响。喷嘴温度扣模具温度影响着型腔内的熔体温度，由于熔体温度不能直接进行控制，所以可以通过指定喷嘴温度和模具温度达到调节熔体温度的目的。在压力参数中，也有类似的情况，型腔压力直接影响制品质量，可是监测乖控制型腔压力却很难实现甚至无法实现，喷嘴压力和液压压力的控制容易实现，液压压力仅仅表征液压系统的压力，不能反映成型塑料熔体的状况，因此应选用型腔压力或喷嘴压力作为控制变量，两者的选择由模具和成本决定，因为尽管型腔压力直接反映材料在型腔中的状态，却存在模具是否允许安装压力传感器的问题，安装压力传感器还会增加产品成本，且会在制品表面留下瑕疵：喷嘴压力虽不能直接反映型腔内的材料状态，但也很好的反映了浇口冻结之前模内压力的整体趋势。温度和压力之间的影响更是密不可分，熔体温度高时，所需压力就小；熔体温度低时，所需压力就大。在多参数的注塑成型过程中，压力乖温度的关系由于有更多变量的介入而变得复杂。对于不同的工艺要求和不同的控制目的，应对工艺参数做细致的分析，从而确定出最佳控制参数。注塑成型过程中的工艺参数之间相互影响，密切相关，因此不能仅仅对单个变量进行控制，而应找出对制件质量以及其他变量影响较大的几个变量进行多变量控制，否则就会出现成型过程失去平衡的现象1 2 1 。1 3 2 控制方式的选择提高控制效果可以通过改进设备的精确度也可以采用更好的控制方式迭到。设备的精确度以及控制硬件的实现都有了很大的进步，但是尽管具备了最好的设备和硬件条件，控制方式的选取仍然对控制效果的好坏具有决定性的影响。因此应使用先进的控制方式。工艺控制的方式按系统的控制方式和策略可分为：开环控制和闭环控制。1 开环控制开环控制系统的特点是系统的被控量对系统的控制作用没有影响，在开环系统中，不将被控量反馈给控制器从而形成任何闭合回路。图1 4 开环控制系统传统的注塑机自动控制采用开环控制，即一旦确定工艺参数的最优值就使注塑机在整个注塑成型周期保持不变，其控制方法简单，但抗干扰性能差，控制精度低。2 闭环控制闭环控制系统的特点是系统的输出量对控制作用有直接影响，系统的输出反送给系统的输入端形成所谓的“反馈信号”【3 1 。闭环控制根据在线测量值与已计算出的工艺参数最优值之间的偏差进行控制，采用负反馈电路，当各个工艺参数在注塑成型周期中因干扰出现偏差时，注塑机将通过自适应控制系统对干扰进行自动修正。闭环控制的控制方法相对复杂，但抗干扰性能好，控制精度高。图1 。5 闭环控制系统本文采用闭环控制中的计算机实时控制。计算机在注塑成型过程中的应用使注塑成型的控制水平提高到一个崭新的阶段。计算机实时控制是更高级的控制方法：在利用工艺模型静态确定了工艺参数最优值之后，对注塑成型过程进行闭环控制，利用在线测量值与当前工艺参数最优值之间的偏差进行调节以保持各个工艺参数值的相对稳定，同时，计算机还根据实时在线测量值对当前工艺参数最优值进行适当调整，使静态工艺参数最优值变为动态工艺参数最优值，实现了真正意义上的工艺参数最优值。13 3 控制算法的选择注塑成型工艺的最优值可采用c a e 模拟得到，即根据连续性方程、能量方程动量方程建立工艺模型，由数值方法求解。这种方法虽说在很大程度上减轻了试模负担，但是它却更多地依赖于设计人员的经验且无法直接得出最优工艺参数值。确定工艺参数最优值的算法还有：s p c( s 诅t i s t i c a lp m c e s sc o m r 0 1 统计过程控制法) 、s q c ( s 诅t i s t i c a lq u a l 蚵c o n 仃o l 统计质量控制法) 、p i d ( p r o p o n i o n a l i n t e g m ld e r i v a t i v e ) 算法、基于工艺数据库的专家系统和a 1 叮n ( a n i 6 c i a l n c u r a l n e t 、o r k 人工神经网络)等。s p c 利用中心控制室监控工艺参数，每个被监控的参数都有一个预先通过统计分析得到的设定范围，如果被监控的参数中发生超出预定范围或者出现相对于工艺窗口漂移的现象，监控人员就会得到存在潜在问题的警告。s q c 通过定期人工抽查制件，收集制件质量信息，参照注塑机近期的运作情况反馈给操作人员，操作人员根据经验通过设定点判断进行质量控制【4 。p i d 算为比例积分微分算法，是最经典的控制方法之一。它具有使用方便、适应性强、鲁棒性强等优点。正是由于该算法的成本低廉、易于操作、对于绝大部分控制对象不必深究其模型机理直接应用p i d 校正就可以基本满足对性能指标进行控制的要求。当然，p i d 的局限性在于不能对大延迟系统乖性能指标要求高的系统进行控制，需要采用结合先进控制方法或采用先进控制方法才能解决。专家系统是一种具有专家水平的，基于知识的，智能化的计算机程序。是研究如何运用专家知识来解决某专门问题而建立的人机系统的方法和技术，在某些特定领域能以人类专家的水平动态的建立和解决该领域的问题p j 。人工神经网络是在人类对大脑神经网络认识理解的基础上人工构造的，能实现某种功能的、理论化的数学模型，是基于模仿大脑神经网络结构和功能而建立的一种信息处理系统。它是由大量简单神经元互相连接而成的复杂网络，具有高度的非线性，能够进行复杂的逻辑操作和模拟复杂的非线性系统。人工神经网络中的b p 网络具有很强的非线性逼近性和实时性，并且已经应用于很多领域的自动控制算法上。用神经网络来实现控制能够解决一些常规控制方法不能解决的问题。s o c 和s p c 法已经应用于注塑成型领域中，效果不错。但是，这两种方法的理论基础是统计学，是一种事后的优化方法，需要消耗时间和材料，要在从实际生产采集到的数据上进行统计后，才能发挥出算法的优越性。其中s p c 有两个缺陷：一方面，只能在成型过程中固定的一个或者两个特定时刻采集数据，并使用这些离散的数据进行质量控制；另一方面，由于没有考虑各个工艺参数制件的相互作用，导致该方法具有较高的错误率。专家系统和人工神经网络属于人工智能的范畴，近年来其理论和应用得到了大力的发展，根据两者的特点，其中专家系统主要用于制品质量缺陷的诊断和修正。在对工艺条件寻优的应用中，专家系统根据要生产制件的尺寸、材料等条件从现有的工艺数据库中匹配出最接近的算例，并把这个已有算例的工艺条件输出作为要生产制件的工艺条件。如果在现有工艺数据库中找不出匹配的算例，那么专家系统的计算就失败了。当然，专家系统基于的工艺数据库要不断地补充和更新，也只有具有相对完备知识数据库的专家系统才能做出较为正确的判断和更为匹配的解决方案。人工神经网络的应用范围要比专家系统广阔一些，可以用于成型过程的模型模拟、工艺参数的优化、材料的优化选择等方面。b p 算法属于人工神经网络中的经典算法，其算法比较容易，但是结构为三层的b p网络却可以逼近几乎所有的非线性函数。b p 网络存在的局限性为有时需要较长的训练时间及容易陷入局部最小值。可以采用变化的学习速率或自适应的学习速率来改进。另外还可以采用更新的算法如：遗传算法、模拟退火法等来提高算法的速度和精确性。a n n 和专家系统的计算能力强，所用时间短、而且具有不断完善自身的功能。由工艺模型得到的最优值精确度高于各种算法得出的最优值，而由这两种方法得出最优值的速度要远远快于由工艺模型得出最优值的速度，同时在减少成本方面这两种算法要远远好于s p c 和s o c 算法。1 4 注塑成型工艺控制技术发展概况注塑成型是一个多变量、非线性、时变且具有周期性的非稳态过程。早期的注塑成型过程控制主要针对机器参数，但对制件产生决定作用的是高聚物材料的各个参数，由于机器参数只是对成型外部环境进行间接控制不能直接影响高聚物参数，因此机器控制的效果不理想。随后，注塑成型控制的重点转向对工艺参数和制件质量参数的控制，并取得了较好的效果。初期的工艺控制主要针对单个变量，选用对整个成型周期或对某个阶段影响最大的工艺参数，例如熔体温度或型腔压力，或者针对某个特定目标选择单个工艺参数作为控制变量，而不考虑工艺参数之问的相互影响。注塑成型过程中各个工艺参数之问的影响程度相当大，控制单一变量很容易使对整个成型过程的控制失去平衡。研究者们逐渐将研究重点放在了多变量的控制方法上，同时选用对某个阶段或整个成型周期影响较大的几个参数，并尽可能的考虑到所选控制变量之间的相互影响。1 9 8 7 年，a g r a w a l e t a 1 提出研究多变量控制方法的必要性，建议继续把研究焦点集中在高聚物参数上。他还提出了一种对注塑成型过程中控制变量的分类方法【6 】【7 】。利用该分类方法，可对注塑成型进行全阶段控制：在整个周期中监控变量；阶段控制：仅在特定阶段控制起决定作用的变量；周期控制：利用上个周期中得到的信息调节控制本周期中的变量，往复不断。1 9 7 4 年，c a r lm a 描述了第一台由计算机控制的注塑成型机，c a r lm a为每一个成型阶段确定出关键的工艺参数并设计出控制系统，c a dm a的这项工作成为注塑成型机的现代控制系统发展的基础，使得闭环控制得以实现【”。机器外部输入变量输入变量原料机器损耗，液压泄漏环境温度，周期时间间隔塑化阶段注射速率- - - - - - - - - - - - - * - - - - - - - - - - +保压压力模具温度注射阶段熔体压力熔体温度熔体体积保压冷却阶段过程输出变量型腔压力型腔温度制件尺寸制件温度质量图1 ，6 注塑成型各阶段的变量贯穿于整个成型过程的温度和压力直接决定了成型过程中高聚物熔体的材料性能及在模腔中的流动行为，在注塑成型的各个阶段它们都是决定制品质量优劣的至关重要的因素，因此多年来压力控制和温度控制一直都是研究者们关注的热点。1 4 1 压力控制技术的发展概况初期的压力控制研究采用了传统的控制方法。1 9 8 4 年，k a m a le t m利用p i 和p i d 结合增益控制的方法控制喷嘴压力和型腔浇口压力，其中增益控制方法用来克服成型过程的非线形特征，并获得了较好的结果。但这种方法很难扩展用于不同的模具和机器。1 9 8 7 年，c o s t i n g ，o k o n s k i和u 】i c y 研究了一种液压控制系统，采用自适应调节器和p j 控制系统来实现控制的。从对两种材料的实验结果可以看出，自适应调节器的控制功能要好于p i ，但两者都存在一些明显的误差【9 j 。1 9 9 1 年c h i u ，w c i 和s h i h 利用p i 和自适应模型跟踪控制器控制填充阶段的型腔压力，结果表明在跟踪设定点的能力方面自适应模型跟踪控制器较好【i o j 。同年，s 血i s a n 和m a u l 建议在填充阶段采用学习控制法控制型腔压力或喷嘴压力 1 l 】。传统的注塑机自动控制采用开环控制，即一旦确定工艺参数的最优值就使注塑机在整个注塑成型周期保持不变，其控制方法简单，但抗干扰性能差，控制精度低。闭环控制根据在线测量值与已计算出的工艺参数最优值之间的偏差进行控制，采用负反馈电路，当各个工艺参数因干扰出现偏差时，自适应控制系统将对干扰进行自动修正。闭环控制的方法相对复杂，但抗干扰性能好，控制精度高。1 9 9 0 年a b u f a r a ，p a t t e r s o n和k 锄a l 针对保压阶段研究了一种闭环型腔压力控制系统【1 2 】【3 1 。1 9 9 4年，g a 0 ，n u 叫和c h i u 采用现代控制技术实现了对模腔内指定位置的型腔压力的闭环控制i j 。计算机技术在注塑成型中的应用使注塑成型的控制水平提高到一个崭新的阶段。计算机实时控制是更高级的控制方法：在利用工艺模型静态确定了工艺参数最优值之后，对注塑成型过程进行闭环控制，利用在线测量值与最优值之间的偏差进行调节以保持各个工艺参数值的相对稳定，计算机还根据实时在线测量值对当前工艺参数最优值进行适当调整，使静态工艺参数最优值变为动态工艺参数最优值，实现了真正意义上的工艺参数最优值。人工智能( a n i f i c i a li n t e l l i g e n c e ) 的问世极大的改进了原有的控制方法和控制性能，在注塑成型的控制研究中人工智能也己显示出它的优越性能和发展潜力。1 9 9 1 年，w ue ta 1 分析了型腔压力轨迹与机器参数和制件质量之问的关系，把型腔压力轨迹转变为代表轨迹显著特征的离散数据模式，建立起一个基于特征数据的专家系统【1 5 l 。1 9 9 6 年，s lb w 0 1 1 和d j c o o p e r 把神经网络( a l 叮n ) 的模式识别能力用于分析型腔压力数据模式，作为评判制件质量好坏的依据，设计了一个基于模式的在线制件质量控制系统，对成型过程进行实时监控【旧。第二年，他们同样利用神经网络的模式分析能力实现了基于模式的闭环质量控制系统，在a n n 对型腔压力模式分析的基础上更新内环机器控制的设定点【1 7 】1 4 2 温度控制技术的发展概况在早期以机器参数为重点对成型过程进行控制的技术研发中，温度控制主要侧重于料筒温度、喷嘴温度和模具温度的控制。近年的新型控制技术研究表明，在温度参数中，熔体温度是注塑成型过程的基本变量，需要对其进行连续控制。熔体温度的变化会影响到熔体流动速率、喷嘴压力、型腔压力等多个变量的变化，对制品质量具有决定性的影响。多年来，温度控制也一直倍受研究者们的关注，分别采用过传统的p i d 算法、多变量自适应算法、模糊控制和专家系统等，各种算法用于控制料筒加热器从而达到间接控制熔体温度的目的1 1 8 】【1 9 。1 9 7 2 年，c h a l l d r a在螺杆头部安装热电偶以控制由此测得的熔体温度【2 0 】。1 9 8 6 年，k a m a l e t a 1 也采用类似的装置观测熔体和料筒温度的动态变化并评价了几个熔体温度控制方法的性能。1 9 9 1 年，d o m u i a e t a l 使用红外线温度传感器测量喷嘴处的熔体温度，发现螺杆旋转速率和背压会对熔体温度产生很大的影响u “。1 4 3 其它控制技术除了典型的压力、温度控制之外，注塑成型过程工艺控制中的其他控制还有速度控制、粘度控制等等。1 9 7 8 年，s h a l l l 【a r 首次采用离散重复控制方法研究了基于模型的非线性控制系统，以此优化螺杆速率1 2 0 】0 1 9 8 7 牟，p a n d e 埘i s 和a g r a 训建议使用一个专为螺杆速率控制设计的指示器对螺杆速率进行自适应控制。第二章人工神经网络2 1 人工神经网络简介人工神经网络是在现代神经生物学研究基础上提出的模拟生物过程以反映人脑某些特征的计算结构1 2 2 】。它不是人脑神经系统的真实描写，而只是它的某种抽象、简化和模拟。在人工神经网络中，人工神经元被称作“处理单元”，有时从网络的观点出发称之为“节点”【2 2 l 【23 1 。人工神经元一方面是对生物神经元的一种形式化描述：它是对生物神经元的信息处理过程进行抽象，并用数学语言予以描述；另一方面是对生物神经元的结构和功能进行模拟，并用模型图予以表达。2 2b p 神经网络的介绍r u i l l e l h a n ，m c c l e l l a i l d 和他们的同事们洞察到神经网络信息处理的重要性，于1 9 8 2 年成立了一个p d p 小组，研究并行分布信息处理方法，探索人类认知的微观结构。1 9 8 5 年发展了b p 网络( b a c k p r o p a g a t i o nn e 柳o r k ，简称b p 网络) 学习算法，实现了m i n s k y 多层网络设想。人脑具有很强的容错性和联想功能，善于概括、类比和推广。大脑的功能虽然爱先天因素制约，但是后天因素( 如经历、训练和学习等) 也起着十分重要的作用，这表明人脑具有很强的自适应和自组织性，根据人类大脑的上述特征，科学家提出神经网络概念。他们假设信息处理是在大量简单的处理元素单元相互进行的，每个单元向其他单元传递兴奋或抑制信号。b p 学习算法虽不能真实地反映人脑中对某个问题的求解过程，但是它却有着令人信服的理论背景。为了模拟人脑结构和功能的基本特征，人工神经网络由许多非线性神经元组成，并行分布、多层连接，每一层有若干神经元，不同层之间有不同权值连接，在网络的运行过程中，这些权值能够自适应地学习、调整和完善。神经网络既是知识库又是推理机，它实现了多层网络学习的设想，若干输入矢量经隐含层变换成输出矢量，实现了从输入空间到输出空间的映射，其知识库的知识表示方式是分布表示处理方式，即将学习、概念或符号通过多个神经元的活动模式来表达，而不是由单个神经元来表达。神经网络知识库为多层前馈神经网络，知识处理的支撑环境利用反向传播b p 学习算法通过多次训练获得专家知识，并分布存贮在神经网络中，b p 神经网络属于有导师学习训练法，具有网络结构简单，工作状态稳定且容易用硬、软件实现的优点，是目前应用最广泛的一种神经网络模型。近年来在b p 网络材料设计和性能的预测等方面显示出广阔的应用前景。在材料设计和性能预测时，特别是当材料的组成、工艺和性能之间无明确的规律、难于建立起一定的数学模型时，a n n 以其强大的白适应、自学习能力，为材料的设计和性能的预测提供一种适用、科学的方法，它不需要预先知道输入和输出间存在的某种内在联系，便可以进行训练学习，并达到预测的目的，这是材料设计中其它方法难以比拟的。故在输入层、隐含层和输出层二层之中，输入层为接受有关数据的层；隐含层的神经元是模拟人工神经网络计算过程而建立的：它将输入的数据抽象到较高层次的概念上，使神经网络具有非线性分类的能力：输出层接受从隐含层神经元输出的信息，在一定的算法指导下得出材料性能的输出值。如果输出值超出设定的闽值时，则认为该神经元是活跃的，这个神经元就对于一组符合要求性能的配比，形成了材料设计的知识原则。实际上，神经网络知识库的知识获取是神经网络在知识经验样本的不断训练过程中，权重矩阵的调整，当达到一定的精度要求时，网络也就完成知识的获取，以概念的形式存贮在知识库中。b p 算法采取优化策略时推理仅与外部加载到网络的原始数据和网络白身参数有关，而网络自身参数又是在自适应学习中获得的，故可以看成为自适应推理并且具有统计推理成分，而对于与原始样本不同的输入神经网络可以寻求最相近的结论，甚至可以对一些包含模糊或错误信息的样本给出正确的诊断结果。目前，在人工神经网络的实际应用中，绝大部分的神经网络模型是采用b p 网络和它的变化形式，它也是前向网络的核心部分，并体现了人上神经网络最精华的部分。b p 网络可以用于函数逼近、模式识别等领域。1 函数逼近：用输入矢量和相应的输出矢量训练一个网络逼近一个函数；2 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；3 分类：把输入矢量以所定义的合适方式进行分类：4 数据压缩：对数据进行压缩，以减少输出矢量维数以便于传输或存贮。2 3b p 学习规贝1b p 网络的产生归功于b p 算法的成功。b p 算法属于6 算法，是一种监督式的学习算法。对于q 个输入学习样本：p 1 ，p 2 ，p 9 ，己知与其对应的输出样本为t 1 ，f ，t q 。学习的目的是用网络的实际输出a 1 ，a 2 a q ，川与目标矢量t 1 ，t 2 ，p 之间的误差来修改其权值，使a 1 ( i _ 1 ，2 ，q ) 与期望的t l 尽可能地接近；即使网络输出层的误差平方和达到最小。它是通过连续不断地在相对于误差函数斜率下降的方向上计算网络权值和偏差的变化而逐渐逼近目标的。每一次权值和偏差的变化都与网络误差的影响成正比，并以反向传播的方式传递到每一层的。b p 算法是由两部分组成，即信息的正向传递与误差的反向传播。在正向传播过程中，输入信息从输入层就经隐舍层透层计算传向输出层，每一层神经元的状态只影响下一层神经元的状态【2 7 j 【28 1 。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，通过网络将误差信号沿原来的连接通路反传回来修改各层神经元权值直到达到期望目标。s l x ri - l ，2 ，s l ，k - 1 ，2 ，s 2 ，j = l ，2 ，r图2 1 b p 算法推导图为了明确起见，现以上图所示两层网络为例进行b p 算法推导，其简化图如图所示设输入为p ，输入神经元有r 个，隐含层内有s 1 个神经元，激活函数为f 1 ，输出层内有s 2 个神经元，对应的激活函数为f 2 ，输出为a ，目标久量为t 。p jjw lk jii 2 l ，2 ，s l ，k = 1 ，2 ，s 2 ，j = l ，2 ，r图2 2 b p 神经网络结构示意图a 信息的正向传递1 隐含层中第i 个神经元的输出为。【1 i = f l w 1 卿+ 6 1 f 】，i = 1 ，2 ，s 1j = l2 输出层第k 个神经元的输出为。【2 i = f 2 w 2 k 。c 【l ，+ b 2 k 】，k = l ，2 ，s 2( 2 1 )( 2 2 )3 定义输出函数为f 2e ( w b ) = ( t k - o 【2 k ) 2( 2 3 )b 刑用梯度下降法求权值变化及误差的反向传播输出层的权值变化对从第i 个输出到第k 个输出权值有利用梯度下降法求权值变化及误差的反向传播( 1 ) 2 k i = n ( “一2 k ) f 2 1 a 1 产n6k a 1 其中6k f ( t k - a 2 k ) f 2 k e k f 22 3 1b p 网络的学习过程b p 网络的学习过程如图所示。( 2 4 )田丫将样本数据( 输入向奄、目标输出) 加干网络计算隐舍层各节点输出计算输出层各节点输出计算输出层节点误差士计算隐舍层节点误差调节隐舍层到输出层节点问的连接权重0调节输入层到隐含层节点间的连接权重达到最大训练次数否?y 色sn o达到调整允许值否?保存网络最终各权重值，误差值及网络最终输出值结束y b so图2 3 b p 网络的学习过程1 归一化和初始化为保证收敛，首先应该对数据值等输入量进行归一化处理，使所有数据在 o ，1 之间的网络空间变化。具体做法是，如果某组数据中最大值为a ，最小值为b ，则归一化前该组数据中的数据x 在归一化后的值为：c = ( x a ) ( b - a )( 2 5 )显然，网络的输出结果可经过反归一化后获得其在原物理空间的值x = a + c ( b a )( 2 6 )同时，给连接权 小 v _ f 1 ) 及阂值 e j ， y t 赋予( - 1 ，+ 1 ) 间的随机值。2 机选取一样本i k = ( a 1 。，a 2 k ，a n k ) ，o k - ( y 1 。，y 2 k ，y q k ) 提供给网络。3 入样本i k = ( a l 。，a 2 k ，a n 。) 、连接权 o 和阂值 e j ) 计算中间层各单元的输入s j ；然后用( s j ) 通过s 函数计算中间层各单元的输出 b j )s 。= 脚i ，撕一聃j 2 1 ，2 ，p( 2 7 )f - lb j = 酶)j = 1 ，2 ，p( 2 8 )4 问层的输出 b j 、连接权 v j 。 扣阂值 vt 计算输出层各单元的输入 ，然后用毛 l 。) 通过s 函数计算输出层各单元的响应 l t )l i = 巧f 够一j ；lc t - f ( l i )仁l ，2 ，p5 希望输出值o k - ( y l 。，y 2 。，y q 。) 、各单元的一般化误差 d ! )d ? = ( y ? c t ) c t ( 1 - c t )t - 1 ，2 ，q( 2 9 )网络实际输出 c t ) ，计算输出层的6 连接权 v j 。) 输出层的一般化误差 d t ) 、中间层各单元的一般化误差 寸t = 1 ，2 胡( 2 1 0 )中问层各单元的输出 b j 计算e ；= 【d t v j t 】b ! j ( 1 - b j )j - 1 ，2 ，p( 2 1 1 )7 出层各单元的一般化误差 d 。 ，中问层各单元的输出 b i 修正连接权 v t ) 和闽值 vt )v j t ( n + 1 ) = v j t ( n ) + nd j k b j ，j = l ，2 ，p 仁l ，2 ，q( 2 1 2 )yj t ( 1 1 十1 ) 2 vj 【( n ) + n 鸡，t _ 1 ，2 ，q8 。间层各单元的一般化误差 e j 。) 、输入层各单元的输入a k = ( c 【l 。，0 【2 。，c 【。) 修正连接权 u 和阂值 e j )j t ( n + 1 ) = j t ( n ) + ne j 。vj 。，j = 1 ，2 ，p t = 1 ，2 ，q( 2 1 3 )ej ( n + 1 ) = e j ( n ) + ne j 。，卢1 ，2 ，q( 2 1 4 )9 选取下一个样本对提供给网络，返回到步骤3 ，直至全部样本对训练完毕。1 0 学习模式对中随机选取一个样本对，返回步骤3 ，直至网络全部误差函数e = c ，) 2 小于预先设定极小值8 或运算次数超过设定，。1f = 1次数n 后( 即网络无法收敛) 停止计算。在以上的学习步骤中，3 6 为输入学习模式的“顺传播过程”，7 _ 8为网络误差的“逆传播过程”，步骤9 1 0 则完成训练和收敛过程。2 32 网络结构的选定a n n 的模型及算法各种各样，在进行材料的设计和性能预测的研究中，一般主要根据网络的准确性、自适应性( 即学习过程中，网络参数的调整不受人为干预) 、收敛 生( 系统能以一定的速度收敛) 及可推广性( 适用于不同材料设计问是酗等四条原则进行选择。在众多算法中。应用于材料设计和性能预测中最多最广泛的，是前向多层神经网络的误差反向传播学习算法( b p 算法) 。b p 算法具有很强的自组织、自适应、联想记忆及推广能力，通