（材料加工工程专业论文）基于神经网络技术和遗传算法的注塑成型工艺优化方法研究.pdf

武汉理工大学硕士论文 摘要 针对注塑成型工艺特点 结合注塑成型工艺优化方法研究现状及发展趋势 以注塑成型工艺参数为研究对象 产品成型质量 成型周期及制造成本等为优 化目标 基于有限元分析技术 统计实验方法及人工智能技术构建了注塑成型 工艺多目标优化数学模型 提出了基于神经网络技术和遗传算法的注塑成型工 艺优化方法 选取注塑成型工艺参数 模具温度 注塑温度 保压压力 保压时间及冷 却时间为决策变量 以塑料件翘曲变形量及成型最大锁模力为优化目标 构建 了产品注塑成型工艺多目标优化数学模型 并采用遗传算法对所构建的数学模 型进行求解 研究结果表明所提出的注塑成型工艺优化方法能够根据生产需求 快速有效地对注塑成型工艺参数进行优化设计 达到提高产品成型质量 降低 生产能耗的目的 针对国内某企业汽车杂物箱盖注塑成型过程中翘曲变形量难以控制问题 应用所提出的注塑成型工艺优化方法 对该件成型工艺参数进行优化设计 基 于m o l d f l o w 软件平台建立了该件的有限元分析模型 对该件注塑成型工艺过程 进行模拟分析 采用神网络技术构建了该塑料件翘曲变形量预测系统 研究结 果表明该预测系统能够快速准确映射成型工艺参数 模具温度 注塑温度 保 压压力 保压时间 冷却时间同汽车杂物箱盖翘曲变形量之间的函数关系 预 测产品在给定成型工艺参数下的翘曲变形量 其预测误差在2 以内 基于汽车 杂物箱盖翘曲变形量预测模型 建立了该件的注塑成型工艺优化数学模型 并 采用遗传算法进行优化求解 求解结果表明优化后该件的最大翘曲变形量为 0 8 0 4 r a m 较之初始工艺方案的翘曲分析结果2 3 5 5 m m 降低了6 6 极大地提 高了产品的成型质量 得到了满足装配使用要求的成型零部件 研究结果进一 步证明了所提出的基于神经网络技术和遗传算法的注塑成型工艺优化方法的有 效性和可靠性 关键词 注塑成型 工艺优化 神经网络技术 遗传算法 武汉理工大学硕士论文 a b s t r a c t i nt h i s s t u d y ah y b r i do p t i m i z a t i o nm e t h o df o ro p t i m i z i n gt h ep r o c e s s p a r a m e t e r sd u r i n gp l a s t i ci n j e c t i o nm o l d i n gw a sp r o p o s e d t h i sp r o p o s e dm e t h o d c o m b i n e sab pn e u r a ln e t w o r km e t h o dw i n la ni n t e l l i g e n c eg j o b a lo p t i m i z a t i o n a l g o r i t h m i e g e n e t i ca l g o r i t h m g a am u l t i o b j e c t i v eo p t i m i z a t i o nm o d e lw a s e s t a b l i s h e dt oo p t i m i z et h ep r o c e s sp a r a m e t e r sd u r i n gp l a s t i ci n j e c t i o nm o l d i n go nt h e b a s i so ft h ef i n i t ee l e m e n ts i m u l a t i o ns o f t w a r em o l d f l o w o r t h o g o n a le x p e r i m e n t m e t h o d b pn e u r a ln e t w o r ka sw e l la sg e n e t i ca l g o r i t h m o p t i m i z a t i o ng o a l sa n d d e s i g nv a r i a b l e s p r o c e s sp a r a m e t e r sd u r i n gp l a s t i ci n j e c t i o nm o l d i n g a r es p e c i f i e d b yt h er e q u i r e m e n to f m a n u f a c t u r e ab pa r t i f i c i a ln e u r a ln e t w o r km o d e li sd e v e l o p e d t oo b t a i nt h em a t h e m a t i c a lr e l a t i o n s h i pb e t w e e nt h eo p t i m i z a t i o ng o a l sa n dp r o c e s s p a r a m e t e r s g e n e t i ca l g o r i t h mi sa p p l i e dt oo p t i m i z et h ep r o c e s sp a r a m e t e r st h a t w o u l dr e s u l ti no p t i m a ls o l u t i o no ft b eo p t i m i z a t i o ng o a l s ac a s es t u d yo fap l a s t i ca r t i c l ei sp r e s e n t e d w a r p a g ea sw e l l 嬲c l a m pf o r c e d u r i n gp l a s t i ci n j e c t i o nm o l d i n ga r ei n v e s t i g a t e da st h eo p t i m i z a t i o no b j e c t i v e s m o l d t e m p e r a t u r e m e l tt e m p e r a t u r e p a c k i n gp r e s s u r e p a c k i n gp r e s s u r et i m ea n dc o o l i n g t i m ea r cc o n s i d e r e dt ob et h ed e s i g nv a r i a b l e s t h ev a s es t u d yd e m o n s t r a t e st h a tt h e p r o p o s e do p t i m i z a t i o nm e t h o dc a na d j u s tt h ep r o c e s sp a r a m e t e r sa c c u r a t e l ya n d e f f e c t i v e l yt os a t i s f yt h ed e m a n do fr e a lm a n u f a c t u r e i na d d i t i o n ak i n do fa u t o m o b i l eg l o v ec o m p a r t m e n tc a pw a su t i l i z e di nt h i s p a p e r ab pn e u r a ln e t w o r km o d e lf o rw a r p a g ep r e d i c t i o na n do p t i m i z a t i o no f i n j e c t e dp l a s t i cp a r t sh a sb e e nd e v e l o p e db a s e do nk e yp r o c e s sv a r i a b l e si n c l u d i n g m o l dt e m p e r a t u r e m e l tt e m p e r a t u r e p a c k i n gp r e s s u r e p a c k i n gt i m ea n dc o o l i n gt i m e d u r i n gp i m t r a i n e db yt h e r e s u l t so ff es i m u l a t i o n sc o n d u c t e db yo r t h o g o n a l e x p e r i m e n t a ld e s i g nm e t h o d t h eb pn e u r a ln e t w o r kb a s e dp r e d i c t i o ns y s t e mg o tt h e m a m e m m i c a le q u a t i o nm a p p i n gt h er e l a t i o n s h i pb e t w e e nt h ep r o c e s sp a r a m e t e r v a l u e sa n dw a r p a g ev a l u eo ft h ep l a s t i c i th a sb e e np r o v e dt h a tt h ep r e d i c t i o ns y s t e m h a st h ea b i l i t yt op r e d i c tt h ew a r p a g eo ft h ep l a s t i cw i t h i na ne r r o rr a n g eo f2 p r o c e s sp a r a m e t e r sh a v e b e e no p t i m i z e db yu s i n gt h eg e n e t i ca l g o r i t h m t h e o p t i m i z e dw a r p a g ev a l u ei s0 8 0 4 r a m w h i c hi ss h o r t e n e db y6 6 c o m p a r i n gt ot h e 武汉理工大学硕士论文 i n i t i a lw a r p a g er e s u l t2 3 5 8 m m t h ef i n a lp r o d u c tc a l ls a t i s f yw i t ht h em a t c h i n g 他q u i r e m e n t sa n df i tt h ea u t o m o b i l eg l o v ec o m p a r t m e n tw e l l r e s e a r c hr e s u l t sf u l t h e r c o n f i r m e dt h ev a l i d i t ya n dr e l i a b i l i t yo ft h ep r o p o s e db p g ab a s e do p t i m i z a t i o n m e t h o df o rp l a s t i ci n j e c t i o nf o r m i n g k e yw o r d s p l a s t i ci n j e c t i o nm o l d i n g p r o c e s so p t i m i z a t i o n a r t i f i c i a ln e u r a l n e t w o r k g e n e t i ca l g o r i t h m i i i 武汉理工大学硕士论文 1 1 课题研究意义 第1 章概论 作为一种先进 高效的材料加工技术 注塑成型技术通过将熔融高分子材 料注入具有一定形状的模腔 经过保压 冷却达到成型具有复杂几何形状塑料 制品的目的 1 川 目前 该技术已广泛应用于塑料制品的加工与制造 注塑成型过程中 工艺参数的选择对产品成型质量 制造成本 生产周期 等技术指标产生极大的影响 以往 注塑成型工艺参数的选择很大程度上依赖 于技术人员的个人经验 通过反复尝试来获取合适的成型工艺参数组合 这种 方法难以保证注塑件成型质量的稳定性和可靠性 并且浪费了大量的资源 延 长了产品开发周期 随着数值模拟技术理论方法的日臻成熟 计算机软硬件的 发展和应用 工程技术人员可以借助有限元分析技术建立合适的数值分析模型 模拟注塑件成型过程 预测产品成型质量 注塑压力 生产周期等技术指标 并根据数值模拟结果及技术要求对注塑成型工艺参数进行优选 达到提高产品 质量 降低生产成本的目的 这种方法在一定程度上提高了注塑件成型质量 解决了工程问题 然而该方法仅仅局限于给出较合适的工艺方案 很难给出最 优工艺方案 同时这种基于 被动搜索一的注塑成型工艺优化方法难以根据不 同技术要求进行快速有效的工艺优化设计 随着汽车轻量化和节能减排的提出 塑料件在汽车零配件中所占的比率越 来越大 同时企业对注塑件成型质量以及制造过程中节能减排效率的要求也越 来越高 如何平衡产品成型质量 能量损耗以及生产周期等相互矛盾 相互制 约的优化目标之间的关系 达到注塑成型技术 最优制造 的目的是当代注塑 成型工艺研究人员需要迫切解决的问题 也对注塑成型工艺优化方法提出了新 的要求 开展系统全面的注塑成型工艺优化方法研究 探索智能高效的注塑成 型工艺优化方法对于提高注塑成型制造技术的经济性和可靠性以及促进建设节 约型 环保型社会具有重大意义1 5 棚 1 2 国内外研究现状 1 2 1 注塑成型工艺优化方法 针对注塑成型工艺优化方法 国内外研究学者及技术人员开展了一系列的研 武汉理工大学硕士论文 究工作 并取得了一定的研究成果 对优化注塑成型工艺 改进模具系统 提 高注塑产品质量以及缩短生产周期起到积极有效的作用 乳1 4 1 其大致经历了有限 元分析优化 数值统计实验分析及人工智能优化三个发展阶段 以往注塑成型工艺参数设置多依赖工程技术人员的个人经验 随着计算机模 拟技术和有限元分析理论的发展 工程技术人员通过构建合理的有限元分析模 型以及准确的材料模型可以计算注塑成型过程中材料填充 熔体温度场以及压 力场分布等物理指标 预测产品成型质量 生产周期以及其他相关参数 并根 据c a e 分析结果对注塑成型工艺参数进行优化设计 达到优化注塑成型工艺参 数 提高产品质量的目的i d 明 赵龙志等人基于m o l d f l o w 软件模拟了一汽车卡扣座塑料件的注塑成型过 程 研究了材料属性 熔体温度和模具温度对塑料件翘曲变形量的影响规律 通过c a e 分析方法优化了注塑成型工艺参数及浇口位置 达到了提高塑料件翘 曲变形量的目的 聊 王乾基于m o l d f l o w 软件平台对一塑料件注塑成型工艺过程 进行模拟计算 预测了注塑成型充模时间 注射压力 熔接痕和翘曲变形量等 成型指标 并对模具设计方案进行了优化设计 解决了实际生产中出现的制品 缺陷问题 提高了塑件成型质量 2 0 王小明等人基于m o l d f l o w 软件平台对一汽 车副仪表板装饰盖注塑成型工艺过程进行模拟计算 分析了材料 熔体温度以 及模具温度对注塑件成型质量的影响规律 通过改变模拟工艺参数设置达到了 优化产品质量的目的 2 1 1 胡斌等人基于m o l d f l o w 软件平台建立了一塑料零部件 的有限元分析模型 分析了浇口位置对该塑料件填充时间 熔接痕 气穴分布 注射压力及锁模力的影响 通过优选不同的浇口方案 有效地降低了生产成本 缩短了产品开发周期 提高了模具设计效率 硐 这种基于c a e 分析技术的注塑成型优化方法在一定程度上满足了生产需 求 解决了工程问题 然而基于这种 被动搜索 的注塑成型工艺优化方法 仅仅给较合适的工艺方案 很难给出最优工艺方案 同时该种方法在解决多目 标优化设计问题时不能有效调整优化目标之间相互制约 相互矛盾的关系 主 动性以及可控性差 不能根据生产需求及时有效的进行工艺参数优化设计 为了进一步达到注塑成型工艺优化设计的目的 提高注塑成型工艺优化方法 的效率 国内外研究学者将统计分析方法同c a e 技术相结合 达到注塑成型工 艺优化设计的目的 应用正交实验或田口实验 k l i g i n g 模型等科学统计实验设 计方法和c a e 技术相结合 对工艺参数及模拟计算结果进行系统的分析 研究 不同注塑成型参数同注塑产品成型质量的规律关系 优化注塑成型工艺参数 2 武汉理工大学硕士论文 刘国文等人针对非自然平衡布置的组合型腔注射模浇注系统设计特点 提出 了基于i q i g l n g 模型的浇注系统多目标优化设计方法 并以一塑料产品进行案例 分析 验证了多提出方法的实用性 2 3 1 高月华等将k l i g h 1 9 代理模型应用于注塑 成型工艺优化设计 同时发展了带有随动移动的网格取样方法 提高了模型求 解精度 其研究结果表明该方法能够对注塑成型工艺参数进行优化设计 达到 提高塑料产品质量的目的l 砒7 郭巍等人采用统计实验方法分析了注塑成型工 艺参数对塑料件翘曲变形量的影响 并且预测了一汽车内饰件翘曲变形量 研 究结果表明采用d o e 统计实验设计及有限元分析方法能够对塑料件的翘曲变形 量进行准确预i 贝 i 2 8 1 并利用t a g u c h i 方法对塑料件翘曲变形量及缩痕进行优化 达到了提高塑料件成型质量的目的i z 川 以上研究结果表明 统计实验分析方法能够系统地对注塑成型工艺参数进行 分析 揭示成型工艺参数同产品成型质量等其他物理指标之间的规律 在一定 程度上达到了注塑成型工艺参数优化设计的目的 然而 该种方法难以描述成 型工艺参数之间的耦合作用对注塑件成型质量及其他技术指标的影响规律 同 时该方法缺乏集成化及智能化特点 在解决多目标注塑成型工艺优化问题时不 能进行有效地分析及求解 随着人工智能技术的兴起及其理论方法日臻成熟 该技术在计算机科学 控 制理论等领域得到了极为广泛的应用 3 0 3 2 1 近年来 国内外研究学者将其应用 于注塑成型工艺优化方法的研究中 结合人工智能技术 统计实验方法以及c a e 分析技术开展针对注塑成型工艺优化方法的研究工作 并取得了显著的研究成 果 优化了注塑成型工艺过程 提高了产品质量 3 3 3 6 1 申长雨等人利用神经网络技术和遗传算法对一塑料件的工艺参数进行优化 设计 降低了该件的翘曲变形量及收缩率 提高了该件的成型质量1 3 7 1 a l t a n 利 用田口实验 t a g u c l l i 和变异系数法 a n o v a 降低了一塑料件的收缩率 并且利 用神经网络技术对该件的收缩率进行了准确的预测1 3 明 k u t a 矗m 等人应用神经网 络技术和遗传算法降低了一汽车顶灯塑料支座的翘曲变形量 研究了注塑成型工 艺参数 模具温度 注塑温度 保压压力 保压时间以及冷却时间同塑料件翘 曲变形量之间的规律关系 3 9 1 紧接着他们采用响应曲面法 r e s p o n s es u r f a c e m e t h o d o l o g y 和遗传算法相结合的方法对一薄壁塑料件的成型工艺参数进行了 优化设计 降低了该件的翘曲变形量 提高了其成型质量 加 邓一鸣等人提出 了基于跟踪样品抽样调查 m o d e p u r s u i n gs a m p l i n g 的优化方法去降低注塑件的 翘曲变形量 4 1 1 接着他们将该方法和遗传算法 g a 相结合进一步对影响注塑件 武汉理工大学硕士论文 翘曲变形量的工艺参数进行了优化设计 通过实例证明了该方法的有效性和可 靠性 4 2 以上研究成果针对注塑件成型质量 塑件翘曲变形量 收缩率 缩痕等技术 指标进行了有效的成型工艺优化设计 具有很强的科学意义和工程意义 然而 作为一个复杂的系统 注塑成型工艺优化目标往往不止一个 如何平衡产品成 型质量 能量损耗以及生产周期等相互矛盾 相互制约的优化目标之间的关系 达到注塑成型技术 最优制造 的目的是当代注塑成型工艺研究人员需要迫切 解决的问题 也对注塑成型工艺优化方法提出了新的要求 本研究论文基于国内外研究成果 结合注塑成型工艺优化方法研究现状及所 存在的问题 提出了基于人工神经网络技术和遗传算法的注塑成型工艺优化方 法 构建了系统全面的注塑成型工艺多目标优化数学模型 实现了神经网络技 术和遗传算法的混合编程及多目标优化求解 并对所提出的注塑成型优化方法 进行了理论与实验验证 证明了所提出的基于人工神经网络技术和遗传算法的 注塑成型工艺优化方法的有效性和可靠性 4 3 4 4 1 1 2 2 注塑成型数值模拟技术 随着数值模拟仿真技术的发展及计算机硬件技术的提升 注塑成型c a e 分 析技术得到了快速的发展和广泛的应用 基于注塑成型数值模拟技术 工程人 员可根据产品要求快速有效地制定出合理的注塑成型工艺方案 极大地缩短了 产品设计周期 降低了生产成本 针对注塑成型数值模拟技术 国内外研究院校及科研机构和企业进行了长 期 系统的研究 经过几十年的发展 注塑成型数值模拟理论及技术都日渐成 熟 其模拟精度也越来越高 注塑成型数值模拟技术大致经历了以下几个阶段 7 0 年代以前 由于有限元理论技术仍处于发展阶段 同时受到计算机硬件 水平的限制 针对注塑成型数值模拟技术的研究内容主要为注塑过程的一维流 动分析 该技术采用有限元差分法进行运算 可得到产品注塑过程中温度分布 注射压力等信息 但由于算法过于简单 只能应用到简单几何模型中 且计算 精度不高 4 孓4 8 1 7 0 年代到8 0 年代中期 二维模拟分析技术应用于流动模拟和冷却模拟 该 技术的难点在于数值模型的构建以及熔体流动前沿位置的确定 当熔体在模腔 内流动和变形时候 熔体前沿瞬时自由面一直在改变 使得在每一连续时间间 隔后都必须对研究的流体几何形状重新再定义 w a n g 等人在注塑成型模拟计算 4 武汉理工大学硕士论文 程序中加入了网格编辑程序以及动态网格编辑器 在选择了时间间隔和熔体前 端的推进形态后 要求用户用心的有限元网格填满前一个熔体前端和当前熔体 前端之间的间隙1 4 9 1 这一方法在一定程度上解决了熔体前沿瞬时自由面改变的 问题 然而其需要用户的干涉 8 0 年代后期 随着计算机软硬件的提升和发展 研究人员把研究扩展到保 压 分子取向 纤维取向以及制品的翘曲预测等领域 开展了三维流动分析和 冷却分析 5 0 5 1 9 0 年代以后 研究人员开展了注塑成型工艺过程流动 保压 冷却 应力分析及翘曲的注塑全过程的集成化模拟研究 提高了c a e 分析软件 的精度 与此同时 人工智能技术在注塑成型工艺数值模拟技术中也取得了应 用 近年来 注塑成型数值模拟技术理论及模拟技术得到了较快的发展和应用 国内外研究学者在塑料熔体充模 保压及冷却过程的数学模型及数值求解算法 等方面取得了不少成果 形成了一套包括控制方程 材料模型 数值求解方法 在内的较为系统 实用的注塑成型模拟理论 并开发了相应的商业化软件 作 为世界上著名的注塑成型c a e 分析软件 m o l d f l o w 目前在模拟注塑成型工艺过 程 预测产品成型缺陷及成型工艺优化设计方面得到了广泛而有效的应用 华 中科技大学模具国家重点试验室自行开发出了国内第一个注塑模c a e 分析系统 h s c 2 0 郑州大学橡塑模具国家工程研究中心开发了z m o l d 软件 上海交通 大学 华南理工大学 四川大学以及浙江大学等都在注塑成型方面开展了相关 研究研究工作 取得了较好的研究成果i l 1 3 本文主要研究内容 1 3 1 研究内容 本文针对注塑成型工艺过程 基于有限元分析方法 统计实验设计方法以 及人工智能技术 开展基于神经网络技术和遗传算法的注塑成型工艺方法研究 研究内容主要分为以下几个方面 1 针对注塑成型工艺特点 将注塑成型工艺优化问题抽象成多目标优化数 学问题 以成型工艺参数作为决策变量 成型质量指标及经济效益指标作为优 化目标 客观条件作为约束条件构建注塑成型工艺多目标优化数学模型 2 开展神经网络技术和遗传算法的混合优化方法研究 对所构建的多目标 优化数学模型进行求解 通过编码技术将神经网络数据特征转化为遗传算法数 武汉理工大学硕士论文 据特征 利用复制 交叉以及变异算法对注塑成型工艺多目标优化数学模型进 行优化求解 3 选取一塑料件成型过程中最大锁模力及翘曲变形量为优化目标 成型工 艺参数 模具温度 注塑温度 保压压力 保压时间 冷却时间为决策变量 构建该件的多目标优化数学模型 应用神经网络技术映射成型工艺参数同优化 目标之间的函数关系 利用遗传算法对所构建的优化数学模型进行求解 4 针对国内某企业一典型汽车塑料零部件注塑成型过程中产品翘曲变形 量过大难以满足装配使用要求问题 应用本文所提出的基于神经网络技术和遗 传算法的注塑成型工艺优化方法 对该件注塑成型工艺参数进行优化设计 达 到降低该塑料件翘曲变形量的目的 1 3 2 研究技术路线 本文针对注塑成型工艺过程 基于有限元分析方法 统计实验设计方法以 及人工智能技术 开展基于神经网络技术和遗传算法的注塑成型工艺方法研究 总体研究技术路线如图1 1 所示 6 武汉理工大学硕士论文 开始 在m o l d f l o w 软件中建立塑 料件c a e 分析模型 结果的分析与验证 设计实验c a e 分析 统计实验数据 n 选定优化目标和决策变量 r 艺参数 设计神经网络结构 神经网络训练 确定优化目标权重 结合约束条件建立 注塑成型工艺优化的数学模型 遗传算法优化求解 求解结果的分析与验证 i 千结束 n 图1 1 本文研究技术路线 如图1 1 所示为本文总体研究路线 基于m o l d f l o w 软件平台构建产品注塑 成型工艺过程准确的有限元分析模型 正交实验设计指导有限元分析模拟 为 神经网络预测模型提供可靠的样本数据 根据生产需求选定合理的优化目标及 决策变量 并设计合理的神经网络结构获取决策变量 成型工艺参数 同优化目 标 塑料件成型质量 制造成本等评价指标 之间的映射函数关系 根据客观条 件 设置目标权重建立注塑成型多目标优化数学模型 实现神经网络技术和遗 传算法的混合编程及优化求解 将求解结果代入到有限元分析软件中进行验证 分析 得到满足生产需求的最优工艺参数组合 指导生产制造 乎 一 小 一 髓万丫 析 y睾 武汉理工大学硕士论文 1 4 本章小结 本章主要阐述了本课题的研究意义 对国内外针对注塑成型工艺优化方法 及数值模拟技术的研究现状 进展及趋势进行了说明与分析 阐述了本文主要 研究内容及总体研究技术路线 武汉理工大学硕士论文 2 1 引言 第2 章神经网络技术和遗传算法耦合优化 作为人工智能技术的主要研究内容 神经网络技术及遗传算法广泛应用于 预测 控制 优化等研究领域 通过对样本数据的学习与感知 神经网络技术 可以映射研究对象之间的模糊函数关系 遗传算法模拟生物进化理论 通过适 应度函数控制最优解空间 可优化求解非线性数学模型 本文将遗传算法应用 到对神经网络系统输出目标的优化求解中 实现了这两种智能算法的集成耦合 达到了优化注塑成型工艺参数的目的 2 2 神经网络技术 2 2 1 神经网络基本原理 神经网络技术模拟生物神经系统 通过神经元之间的相互连接形成自适应 非线性动态系统 映射事物之间的模糊函数关系 5 2 5 3 1 作为生物神经元的简化和 模拟 人工神经元一般为多输入 单输出的非线性单元 其输入输出函数关系 如式 2 1 所示 一 i n p u t f w j x j 一岛 2 1 同 m f i n p u t 2 2 式中 x j l 2 刀 为上一层第 个神经元传来的输入信号 只为神经元 的偏置 阀值 w j 为上一层第j f 个神经元同运算层第f 个神经元的连接权值 刀为 上一层神经层中神经元个数 也是输入信号个数 乃为神经元输出 f 为转换 函数 一般为o 1 二值函数或者s 型函数 典型神经元结构如图2 1 所示 互 弓 只 图2 1 典型神经元结构示意图 9 武汉理工大学硕士论文 2 2 2 神经网络学习规则 神经网络系统之所以能够映射事物之间的函数关系 是因为其具备自我学 习能力 能够根据样本数据 进行自适应学习 对神经元之间的连接权矩阵进 行迭代替换 从而映射样本数据之间的模糊数学关系 作为神经网络系统重要 的一个功能 其常用的学习规则主要有以下几种 2 2 2 1 无监督h e b b 学习规则 h e b b 学习规则由h e b b 于1 9 4 9 年根据生理学中条件反射机理提出的神经网 元连接强度变换的规则 他认为神经网络的学习过程最终是发生在神经元之间 的突触部位 突触的联结强度随着突触前后神经元的活动而变化 变化的量与 两个神经元的活性之和成正比 这种学习的结果使网络能够提取训练集的统计 特性 从而把输入信息按照它们的相似性程度划分为若干类 在此基础上 人们提出了各种学习规则和算法 以适应不同网络模型的需 要 使得神经网络能够通过联结权重的调整 构造客观世界的内在表征 2 2 2 2p e r c e p t i o n 学习规则 感知学习规则采用具有导师的学习方法 也就是需要样本数据来训练神经 网络系统 首先 随机生成非零的神经网络连接权值 然后给定输入 材 输出 d p 样本数据 再求出感知器的输出y p o 最后得到连接权值得调整公式 w j t 1 w j t r l d v y f 甜咖 2 3 其中 w j t 为第t 次连接权迭代 r 为神经网络学习效率 用来控制权值 的调整速度 2 2 2 3 最小方差法 该方法是用已知样本作为数据对神经网络系统进行训练学习 首先随机设 置初始连接权矩阵w 然后给出输入 输出 d 样本 再计算网络的目标函 数值 神经元在组样本输入下的输出量为 蚱 嚣 w j t u j p 2 4 易 i d 一y p o l 吾k 叫 2 一 1 e v 2 2 5 川 寺 y p 2 去 p 2 6 p 咿1 w j t r l 篙 l o 武汉理工大学硕士论文 式中 y p 为神经元的输出 e r 为神经网络训练均方差 r 为整个 系统的训练误差 式 2 6 为权重调整的自适应算法 当t 厂 占时 算法结束 占 为系统目标训练误差 本研究论文将采用最小方差法来对神经网络系统进行训练 通过对样本数 据的学习 获取注塑成型工艺参数同优化目标之间的模糊函数关系 为构建注 塑成型工艺多目标优化数学模型提供可靠的目标函数 2 3 遗传算法 2 3 1 遗传算法基本原理 遗传算法 g e n e t i ca l g o r i t h m g a f h 美国密西根大学h o l l a n d 教授于2 0 世纪 7 0 年代首次提出 该方法基于达尔文 适者生存 优胜劣汰 进化理论发展l s 4 s s 作为一种基于生物遗传和进化机制的自适应概率优化技术 近年来遗传算法得 到了快速的发展和广泛的应用 其在处理复杂多目标优化问题中表现出了很好 的优势 遗传算法从随机产生的初始解集出发 每个解集代表一个生物种群 p o p u l a t i o n 种群由经过d n a 编码的一定数目的个体组成 每个个体是带有染 色体特征的实体 作为遗传物质的主要载体 染色体是多个基因的集合 其内 部表现为基因的组合 决定了个体形状的外表特征 遗传算法采用二进制编码 方式对基因进行编码 初始种群产生后 基于 适者生存 优胜劣汰一的生物 进化原理 逐代演化出适应度越来越高的种群 每一代进化过程 根据种群中 个体的适应度选择下一代的母体 借助遗传算子进行复制 交叉以及变异 产 生新种群个体 这种过程类似自然界中生物种群的自然进化过程 后代种群比 前代更能适应环境 最终进化到适应度最高的种群 从中选取最优个体作为遗 传算法最优解 2 3 2 遗传算法关键技术 2 3 2 1 编码方法 遗传算法优化求解过程中 首先通过编码技术将问题解从解空间映射到遗 传算法处理的搜索空间 编码是设计遗传算法需首先解决的关键问题 其对遗 传运算方法和效率都有很大影响 遗传算法的主要编码方法有二进制编码 格 武汉理工大学硕士论文 雷码编码 实数编码及符号编码等 二进制编码是指将问题解转化为一个二进制符号串 符号串的长度取决于 求解精度 二进制编码的主要优点是简单易行且便于实现交叉和变异操作 本 文对注塑成型工艺优化数学模型的优化求解过程中 采用二进制编码 2 3 2 2 适应度函数 适应度函数是遗传算法求解过程中 个体选择的依据与标准 个体的适应 度越大 则表明个体越接近最优解 遗传算法依据适应度进行选择操作 具有 较高适应度的个体有较大的概率遗传到下一代 适应度函数通常是目标函数按 照一定规则转换而得 因此计算个体的适应度可以体现目标函数值 本文所构 建的适应度函数即为注塑成型工艺多目标优化函数 神经网络预测系统在优化 目标函数中参与计算 2 3 2 3 选择算子 选择算子以个体适应度为主要依据 按照相关算法确定将哪些个体复制到 下一代 选择策略同遗传算法的收敛性和计算效率密切相关 常用的选择策略 有轮盘赌选择法 联赛选择法 精英保留策略和排序选择法等 轮盘赌选择法也称比例选择法 该方法以个体适应度与种群个体适应度总 和的比值作为个体被选入下一代的概率 个体适应度越高 则其被选为下一代 的概率越高 该方法的缺点是个体之间存在较大适应度差异时 种群的多样性 下降较快 导致遗传算法易出现过早收敛问题 联赛选择法操作是指每次从种 群中随机选取n 个个体 将适应度最大的个体遗传到下一代 这样的过程重复 m 次 则得到m 个下一代个体 通过交叉算子和变异算子的作用可以产生出很 多优良个体 但也有可能破坏最好的个体 从而影响算法的运行性能 故引入 精英保留策略 对适应度最高的个体不施加交叉和变异操作 用它直接替换在 交叉和变异操作后适应度最低的个体 排序选择法是将种群中个体按适应度数 值大小进行排序 然后使用概率分配表给每个个体的选择概率赋值 最后依此 概率用轮盘赌的方法产生下一代 2 3 2 4 交叉算子 遗传算法中的交叉算子是生成新个体的主要方法 该算子按一定规则将两 个配对个体的部分d n a 序列互换 产生两个新的优良个体 如种群中有n 个个 体 随机组成n 2 个个体对 然后确定交叉位置 交换两个个体的部分基因 在进行遗传运算过程中 需要基于具体研究的问题设计交叉算子 使采取的交 叉策略既可以产生新的优良个体 同时也不过多破坏已经具有优良结构的个体 武汉理工大学硕士论文 编码串 2 3 2 5 变异算子 遗传算法中的变异操作是指通过改变个体编码串中某位或某几位基因值以 产生新的个体 遗传算法将变异操作作为产生新个体的辅助手段 通过变异有 助于提高算法的局部搜索能力和保持种群多样性 交叉算子和变异算子的有机 结合 可使算法对搜索空间具有 良好的全局及局部搜索能力 2 3 2 6 参数设置 遗传算法中需要确定一些运行参数值 如种群规模 编码长度 进化代数 交叉概率 变异概率等 这些参数的选取与算法的运行性能密切相关 然而目 前尚无确定的选取标准 需设计者针对不同的优化问题 适当选取 2 4 神经网络技术和遗传算法耦合计算 注塑成型工艺优化过程中 产品成型质量 生产周期 能量损耗等评价指 标同成型工艺 设备性能等因素密切相关 二者之间存在高度非线性关系 难 以采用常规数学函数进行描述 神经网络技术具备强大的非线性插值能力和自 我学习能力 可用来获取注塑成型工艺参数同优化目标之间的模糊函数关系 构造注塑成型工艺多目标优化数学模型 基于神经网络技术所构建的多目标优 化数学模型难以采用常规优化算法进行求解 遗传算法在求解大型非线性多目 标优化数学模型中表现出了良好的性能 被用于对所构建的注塑成型多目标优 化数学模型进行优化求解 如何将神经网路技术和遗传算法相互耦合计算是本 文在开展基于神经网络技术和遗传算法的注塑成型工艺优化方法研究中需要解 决的关键问题 神经网络内部结构有两种状态 训练学习前的模糊态及训练学习后的连接 权矩阵固化态 其中 固化态的神经网络结构具备映射成型工艺参数同研究目 标模糊函数关系的能力 可用作对研究目标的预测分析 为了实现对工艺参数 的求解 将固化后神经网络结构集成到遗传算法适应度函数之中 通过对适应 度函数中决策变量的优化求解 达到优化注塑成型工艺参数的目的 神经网络 技术和遗传算法耦合优化方法在解决多目标优化数学模型时的算法流程如下 s t e p1 编码 遗传算法随机产生一组初始解 将注塑成型多目标优化数学 模型中决策变量的解及解空间进行二进制编码 便于复制 交叉以及变异算法 武汉理工大学硕士论文 计算 s t e p2 适应度函数 适应度函数一般为优化目标函数的数学转换 能够体 现目标函数值大小 在注塑成型工艺优化过程中 本文基于神经网络技术构建 成型工艺多目标优化数学模型 可将该模糊数学模型经过转换后作为遗传算法 的适应度函数 s t e p3 神经网络模型 根据优化目标及决策变量 设计合理神经网络机构 基于m a t l a b 软件平台 对神经网络进行训练学习并将神经网络内部连接固化 保存 使之具备运算预测能力 s t e p4 适应度计算 通过解码技术 将初始解从二进制转化为实数解 代 入基于神经网络技术所构建的适应度函数 计算个体的适应度 s t e p5 选择 交叉 变异 根据个体适应度计算结果 利用选择算子 交 叉算子 变异算子对种群个体进行选择 交叉 变异运算 生成下一代种群 s t e p6 迭代计算 将复制 交叉 变异后产生的新的种群继解码操作 带 入适应度函数中 重复s t e p3 s t e p5 直到产生适应度达到收敛状态的种群 即 为最优解 本文通过将神经网络系统集成到遗传算法的适应度函数之中 实现神经网 络技术和遗传算法的耦合优化求解 达到注塑成型工艺优化设计的目的 2 5 本章小结 本章对神经网络技术及遗传算法基本原理进行了简单的介绍 并对注塑成 型工艺优化方法的神经网络技术和遗传算法耦合优化求解流程进行了简单的阐 述 1 4 武汉理工大学硕士论文 第3 章基于神经网络技术和遗传算法的注塑成型工艺优化 方法 3 1 引言 注塑成型工艺优化方法一直是国内外研究热点和重点 其大致经历了有限 元分析优化 数值统计实验分析及人工智能优化三个发展阶段 国内外研究学 者针对注塑成型工艺优化方法开展了大量的研究并取得了一系列的研究成果 对促进注塑成型技术的发展以及注塑产品质量的提高具有重大意义 本文在国 内外研究基础上构建了基于神经网络技术的注塑成型工艺多目标优化数学模 型 实现了神经网络技术和遗传算法的混合编程和优化求解 通过理论分析验 证了所提出优化方法的有效性和可靠性 3 2 注塑成型工艺优化数学模型 3 2 1 数学模型 注塑成型工艺过程是一个复杂的工程问题 其优化设计同成型工艺参数 材料属性 设备性能等因素密切相关 作为一种非线性 多目标的数学优化问 题 注塑成型工艺优化数学模型简化为如式 3 1 所示 决策变量 x 目标函数 f x d 幼 z 而 屯9 jo 3 1 i 1f i l 约束条件 x 面s x 工憾 丑 l f i l 式中 f x 为注塑成型工艺过程多目标优化函数 o b y 为第f 个优化目标 扛1 2 刀 为注塑成型工艺参数x 同第f 个优化目标o b j 之间的函数关系 五 为第f 个优化目标o b j 的权重 x x 2 x 坍 为注塑成型工艺参数矩阵 m l x 嘛 x 曲分别代表注塑成型工艺参数的上下限矩阵 为消除各优化目标d 彩 的单位对多目标优化函数的影响 引入式 3 2 对各目 标函数进行无量纲化处理 1 5 3 2 武汉理工大学硕士论文 式中 p 为输入向量矩阵 p 代表无量纲化的输入向量矩阵 一l 以s 1 塑料制品在注塑成型过程中会产生一系列的缺陷 如翘曲变形 收缩 熔 接痕以及凹痕等 这些缺陷对产品的外观及使用性能产生负面的影响 应该控 制在允许的范围内 生产过程中的能量损耗以及生产周期 成本等对成型工艺 的可行性及经济性产生极大的影响 以上质量指标及生产指标都可作为注塑成 型工艺优化目标 注塑成型工艺参数 模具温度 注塑温度 保压压力 保压 时间以及冷却时间 材料属性以及设备性能等同注塑件成型质量 成型周期以 及能量损耗等密切相关 可作为优化模型的决策变量 3 2 2 目标函数 注塑成型过程中 各工艺参数对产品成型质量产生影响并发生耦合作用 难以采用常规数学函数表征注塑工艺参数同产品质量指标之间的高度非线性耦 合关系 为了准确构建注塑成型工艺优化目标函数 本文利用人工神经网络技 术强大的非线性插值能力及学习进化能力来构建成型工艺参数同优化目标之间 的非线性函数关系 人工神经网络技术模拟生物神经系统功能 通过各层神经元的联接建立事 物之间的模糊数学关系 该技术目前在电子科学 计算机科学 自动控制 预 测方法等领域得到了广泛的应用 5 6 5 s 本文利用神经网络技术的非线性插值计 算及学习能力 来获取注塑成型工艺参数同优化目标之间的模糊函数关系 如 图3 1 所示为在m a n a b 软件平台上所构建的人工神经网络模型结构示意图 该模型结构包括一个输入层 一个输出层及若干个隐藏层 输入层中有m 个神 经元 其中每个神经元即为一个工艺参数 输出层的刀个神经元分别代表刀个优 化目标 鱿 o b a o b l 该神经网络模型为多目标神经网络模型 其中各个优 化目标都同输入层参数相关联 通过神经元连接权矩阵建立模糊映射关系 1 6 武汉理工大学硕士论文 输入层隐藏层1隐藏层z输出层 图3 1 多目标神经网络模型结构示意图 在所构建的神经网络模型中 每一个神经元的输入都是来自上一层所有神 经元的输出 卫 n e t i x j 3 3 o 式中 n e t 为运算层第f 个神经元的输入 为上一层神经元的个数 为 上一层第 个神经元同运算层中第f 个神经元之间的连接权矩阵 x 为上一层中 第 个神经元的输出 每个神经元的输出o u t 是该神经元输入脱l 的函数 转换函数采用s 型函数 如式 3 4 所示 1 一d 一嘲 d u t l 厂5 n e t 黉百 3 4 神经网络模型建立后只是一个空壳 就像一个没有经过学习训练的大脑 需要实验数据对该网络进行训练 其过程就是连接权矩阵的优化求解过程 目 的是经过有限次数的迭代找到使得目标值和实际值差别最小的连接权矩阵 进 而建立输入数据和输出数据之间的模糊数学关系 通过对所构建神经网络模型 的训练 可得到工