基于grnn算法的带嵌件静电检测盒成型过程优化

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5mm，长度30mm，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147mm×93mm×79mm;金属螺母嵌件尺寸为6.5mm×6.3mm×2.7mm。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MonsantoKasei，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10mm，水管与塑件距离20mm，管道间距30mm，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L3grnn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0.467mm,X方向翘曲变形量小于0.861mm，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5moldso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%、0.8386mm、0.4680mm。与Pareto最优解的误差分别为0.39%、2.11%和0.52%，误差均在5%以下，表明该优化方法是较为准确的。未优化时体积收缩率为10.22%、X方向翘曲变形量为1.039mm、Z方向翘曲变形量为0.6774mm。通过优化分别降低了13.57%、19.29%、30.91%，大大提高了产品的质量，验证了该优化方法的可行性。6工艺优化后的验证结果1)选取熔体温度等试验因素作为输入层，体积收缩率、X方向翘曲变形量和Z方向翘曲变形量作为输出层，构建GRNN神经网络模型，利用正交试验样本对模型进行训练和测试，得出GRNN神经网络可以对注塑成型质量进行较为准确预测。2)采用NSGA-II算法对GRNN神经网络模型进行寻优，获得了最佳注塑成型工艺参数为:熔体温度208.03℃、模具温度73.21℃、注射时间5.81s、冷却时间34.81s、保压压力63.53MPa、保压时间18.80s。此时的目标值为:体积收缩率8.868%、X方向翘曲变形量0.85676mm、Z方向翘曲变形量0.46558mm。3)将NSGA-II算法寻优获得的最佳工艺参数输入Moldflow软件中进行仿真，仿真结果与Pareto最优解误差较小，通过GRNN与NSGA-II的优化，选取的三个目标值分别降低了13.57%、19.29%、30.91%。NSGA-II(Non-dominatedSortingGene-ticAlgo-rithm