基于人工神经网络和遗传算法的注塑成型过程的参数优化

第六届机器学习与控制论，2007年8月19-22日，香港国际会议基于人工神经网络和遗传算法的注塑成型过程的参数优化摘要：确定最优工艺参数的设置严重影响生产力，质量和成本，生产的塑料注射成型（注塑）行业。截至目前，大多数生产工程师，或者是用实验和错误或田口的参数设计方法，以确定初始设置一些参数，包括熔体温度，注射压力，注射速度，注射时间，保压压力，保压时间，冷却温度，冷却时间。但由于日益复杂的产品设计和多品质特性，这些多输入多输出（MIMO）的方法有一定的缺点。本研究结合田口的参数与反向传播神经网络，遗传算法，工程优化概念设计方法，优化注塑设备的初始过程设置。本研究结合田口的参数与反向传播神经网络，遗传算法，工程优化概念设计方法，优化注塑设备的初始过程设置。研究结果表明，该方法可以有效地帮助工程师确定最佳的初始过程设置，减少设置测试迭代，实现产品质量和成本上的竞争优势。关键词：塑料注塑成型，反向传播神经网络;田口的参数设计;遗传算法1.介绍常规进行的制造业，尤其是在设定初始工艺参数。初始过程参数设定被确认为在注塑成型的最重要步骤之一，为改善［24］模塑制品的质量。在此之前，工程师们使用依赖于工程师的经验和直觉来确定初始过程参数设置的试验和错误的过程。随后，无数的工程师采用田口的参数设计方法来确定初始过程参数设置。然而，试验和错误的过程是昂贵和费时的，因此它是不适合复杂的制造工艺［19］。许认为，当使用试验和错误的过程，它是不可能的，以验证实际的最佳工艺参数设置［9,10,11］。此外，田口的参数设计方法只能找到指定的最佳工艺参数水平组合，其中包括离散的工艺参数设定值。传统的田口参数设计方法的应用是不合适时工艺参数变量之一是连续的，它不能帮助工程师获得最佳初始过程参数设置结果［30］。此外，工程师处理与多反应的工艺参数设计问题时，传统的田口参数设计方法运行困难［9,10,11］。应用人工神经网络的一种替代手段（人工神经网络）已经提出，以改善传统的田口的参数设计，能够有效地治疗连续参数值［4,16,26,28,29,30］。在他们的研究中，提出了一种方法，采用反向传播神经网络（BPNN）和模拟退火（SA）来解决一个响应（气道的长度）的工艺参数优化问题。综合数值模拟软件，BP神经网络和遗传算法优化的工艺参数下的最大剪应力的质量要求［28］。kurtaran集成有限元分析（FEA）,设计实验（DOE）,神经网络和遗传算法（GA），以确定在巴士天花板下灯座的最低翘曲质量要求的注射成型工艺参数的最佳值。但这种情况下单响应要求在实际生产过程中很少存在。通常情况下，有产品质量［17］多响应要求。对于多输入多输出（MIMO）的工艺参数设计问题，众多的研究人员应用人工神经网络和遗传算法实现初始的最佳工艺参数设置［22］许［9,10,11］,在上述研究［12,31。BP神经网络或一般回归神经网络（GRNN）挑选和培训，输入控制工艺因素和输出响应之间的映射关系。随后，上述研究的作者建立了自己的健身功能，并应用遗传算法解决非线性数学模型的基础上的BP神经网络或GRNN的预测模型。因此，生产过程的最优初始参数设置可以决定的。他们没有健身功能不管什么样的［9,10,11］。使用指数可取的功能;使用相似的理想解决方案（TOPSIS法）为序偏好技术）［12］。GA优化方法是投机取巧，不确定性。在交叉和变异操作可能会导致所确定的最小区域［19］搜索出来的，因此，以避免可能的缺点以前的ANN-GA的优化方法，本研究的ANN-GA的优化模块集成到工程优化，以保证该响应对每个搜索迭代是当地最小的为多反应注塑成型过程中的参数优化。塑料注塑成型周期分为四个阶段：塑化，注塑，包装，冷却［27］。因此，几个工艺参数，其中包括熔体温度，模具温度，注射压力，注射速度，注射时间，保压压力，保压时间，冷却温度，冷却时间所有可能影响质量的注射成型塑料制品［36］;在以前的塑料注塑成型的研究，不同的控制工艺参数已使用［17］。例如，黄大使用6个工艺参数（模具温度，熔体温度，浇口尺寸，保压压力，保压时间，注射时间），以确定与薄壳功能的注塑塑料部件的过程中最佳的初始参数设置和根据单一品质特性（翘曲）考虑［13］。吴和梁用6个工艺参数（模具温度，保压压力，熔体温度，注射速度，注射加速，包装时间），注塑成型的塑料制品［33］焊接线的宽度，讨论工艺参数的影响。蒋介石和张用四个控制工艺参数（模具温度，熔体温度，注射压力，注射时间），以确定注塑塑料部件的最佳初始过程参数与薄壳功能和多个质量特性考虑下设置［3］。因此，优化工艺参数设置之前，工程师们需要选择可行的和听话的控制工艺参数，这将影响注塑生产的结果。塑料注塑成型产品的质量特性，可以大致分为三类：（1）三维属性，（2）表面特性和（3）机械或光学性质［34］。此前，研究人员发现，产品的重量是一个关键的质量特性的塑料注塑成型［15］在制造过程中的稳定性的一个很好的迹象;杨和高透露，该产品的重量是塑料注塑成型产品的重要属性，因为产品重量有着密切的关系，其他质量属性（例如，表面和机械性能）［34］，尤其是其他三维属性（例如，厚度）。他们还声称，一个制造工艺和质量控制的性能，可以通过产品重量监控。卡迈勒提出了一种方法，采用BP神经网络和SA响应长度［15］下完成的工艺参数优化问题。刘提出建议的成型工艺参数的变化，为提高二维品质的注塑部分基于反向过程建模的概念［25］（长）的人工神经网络的应用程序。因此，产品的重量和长度的产品质量是可行的，可以应用在塑料注塑成型的工艺参数优化的特点。确定塑料注塑成型工艺参数的设置，大大影响了塑料注塑产品［26］质量。不合适的工艺参数设置可能会导致许多生产问题（例如，许多产品的缺陷，交货时间长，大量的废料，生产成本高，等），降低竞争力的价格优势，降低公司的盈利能力。因此，塑料注塑多响应考量下，本研究提出有效的工艺参数优化方法，塑料注塑成型，以帮助制造商实现了产品质量和成本竞争优势。所提出的方法结合田口的参数设计方法，BP神经网络，遗传算法，工程优化，并能有效地帮助工程师确定最佳初始工艺参数的设置。本文提出的方法有三个阶段。首先，田口的参数设计方法的应用，有效地提供BP神经网络模型的训练和测试数据输入控制工艺因素和输出响应之间的映射关系。二，应用于工程优化的概念制定的工艺参数优化的健身功能，并采用BP神经网络预测在给定的工艺参数设置的响应值。第三，应用遗传算法搜索最优的初始工艺参数设置。初始的最佳工艺参数设置不局限于在田口的参数设计方法的离散值。此外，初始的最佳工艺参数设置允许的质量特性的性能接近目标值或达到的首选地区。本文的其余部分安排如下：第2部分介绍了包括神经网络和遗传算法的优化方法。第3节提出了一种用于塑料注塑成型工艺参数优化方法下的多响应考虑。第4节提出了一个典型案例研究，证明了该方法的有效性。结果与讨论，是在第5。一些结论的言论是在最后一节。2.优化方法包括神经网络和遗传算法的发展所提出的方法所必需的优化方法简要介绍如下。2.1.神经网络利用神经网络（NN）;以及在通信，信号处理，模式识别，预测，过程控制和财务分析领域已接受［32］。大多数文献采用回的传播神经网络（Supervised）,因为它具有快速响应和高学习的准确性［5］的优势;一个网络的功能方法的优越性依赖的网络体系结构和参数，以及问题的复杂性［1，21,35］。如果不适当的网络结构和参数的选择，其结果可能是不可取的。相反，其结果将是更重要的，如果良好的网络结构和参数选择。BP神经网络由输入层，隐藏层和输出层。BP神经网络的参数包括：隐藏层，隐层神经元数目，学习速率，动量等，所有这些参数神经网络的性能上有显着影响。福格尔提出最后的信息统计（FIS）的过程中，基于Akaikes'的信息标准（AIC）,以确定隐层和神经元的数量［7］。福格尔的研究限制是该进程只能执行简单的二元分类。提出了一种方法，以改善AIC的分别。网络信息准则（NIC）和神经网络的信息标准（NNIC）,这些方法，用一个错误的能量函数概率统计，以确定隐层神经元数［24,25］。在这项研究中，最速下降法（或梯度下降学习算法）是用来寻找体重变化，并尽量减少误差能量函数。激活函数是双曲正切函数。根据过去的研究［2］，有几个网络学习终止条件：（1）根时的预期值与网络输出值之间的均方根误差（RMSE）来降低到预设值（2）当学习周期的预设数量已达到；（3）交叉验证之间的训练样本和测试数据的地方。前两种方法都涉及到预设值。本研究采用由第一和第二的办法，逐步提高网络的训练时间逐渐减少，直到RMSE为稳定和可接受的根均方误差（RMSE）。均方根误差定义如下：RMSE=丄n（di—yi）"2Ni=1其中N，di，yi分别是训练样本的数目，训练样本的实际价值，和神经网络的训练样本我的预测值。在网络学习，信息输入和输出结果是用来调整网络的权值。输入更详细的培训分类和学习提供的资料量更大，更好的输出将符合预期的结果。由于学习和BP神经网络的数据验证函数值的限制，数据必须归由下面的公式：PN=P—PmmxD—D+DPmax—Pminmaxminmin其中PN是规范化的数据，P是原始数据，P是原始数据的最大值，Pi是原始数据的最低值，Dmaxminmax为规范化的数据预期的最高值，Di是预期的最低规范化数据的价值。当采用神经网络系统，神经网min络的输入和输出值下降范围［0.1,0.9］.遗传算法（气）遗传算法是稳健自适应优化技术，使一个有效的高维空间中的概率搜索［8］，并已用于优化问题［6］处理广泛；深井。天然气是基于生物进化过程中。进化过程是随机的，但选择机制基础上的个体结构的健身［31］的指导。适用于遗传进化的概念，以一个特定的问题，有两个问题必须解决：（1）编码的一个潜在的解决方案（2）适应度函数进行优化［9,10,11］一个解决方案的遗传代表性的是一个向量。几个组件（基因）组成的，称为染色体。根据一些原则，否则随机选择产生初始种群的染色体。初始种群进行评估的健身功能，采取新的解决方案，形成一个新的人口。用于生成新的人口，包括选择，交叉和变异遗传操作。首先，在老年人口的解决方案是根据自己的健身选择-更适合他们更多的机会，他们被选中。所选择的解决方案，形成了父母池，然后用来制作自己的孩子，交叉和变异，形成新的人口。2.2.1.染色体代表大多数遗传算法（气）搜索的人口自然遗传学和进化论的全局最优解。作为一个人口中的二进制字符串编码，每一个人都称为一个字符串或染色体。新一代的气体从现有的人口发展。在气体应用技术，以解决手头的问题，一个字符串计划的候选解（染色体）编码的符号串的形式。健身功能原来GA和它的许多同行，统称遗传算法（气），是模拟自然进化过程的计算程序。优胜劣汰的原则的生存，导致物种的改善。由于天然气是启发式程序，他们是不能保证找到最佳的，但他们都能够找到很好的解决方案，为范围广泛的问题。一个健身功能（或目标函数）被用来确定每个候选解决方案的适用性。被分配到每一个人在人群中的健身价值。选择操作选择是对气体，确保优胜劣汰的关键运营商之一。选定个人的形式对父母。受雇于本选择的政策是一个旋转的轮盘赌策略和精英策略的组合。精英策略可以强制到下一代的最好的目前这一代幸存的染色体。再生产的差距是由环境参数。2.2.4.交叉和变异操作交叉是用于繁殖的主要运营商。它结合了父母双方的部分，创造了两个新的个体，称为后代。最初，我们在本文中，选择两个随机排序的交叉点。然后，它们的后代继承了两者之间的交叉点，从选定以相同的顺序和位置，因为他们出现在父母身上。其余元素都继承自它们在父母的顺序替代家长。这是从第一的位置，第二个交叉点，并在后代中已存在的所有元素，跳过。交叉操作处理，不论它是由随机生成一个值确定。如果该值超过了交叉率是建立在遗传算法的参数，然后克隆操作，而不是交叉操作的配置文件，发生。交换方法用于此处的变异操作。交换过程随机选择两点来确定两个改变所选的父点。变异操作处理，不论它是由随机生成一个值确定。如果该值超过了在GA的参数配置文件建立的突变率，无突变处理和选定的父母是直接附加到新的一代。3.建议的方法在这项研究中，我们提出一个综合的方法，为有效地协助下的多响应考虑塑料注塑成型工艺参数优化工程师。提出的方法结合田口的参数设计方法，BP神经网络，遗传算法与工程优化的概念。田口的参数设计方法，使用直交表安排实验和减少实验的数量。随后，信号信噪比（S/N比），对产品质量的基础上，确定初始过程的参数设置，对噪声的敏感度最小。从田口的参数设计方法给出的数据是有效的训练和测试BP神经网络的输入控制工艺因素和输出响应之间的映射关系。优化工程采用建立的健身功能和BP神经网络与遗传算法应用于寻找最佳初始过程参数设置。产品重量和长度都用于在塑料注塑成型的工艺参数优化的质量特性。最后，确认试验进行确认的最佳工艺参数设置。该方法的流程图如图1所示。图1.建议MIMO工艺参数优化方法。4.算例本节给出一个例子，两个反应因素（长度和重量）的注塑成型过程中的参数优化，并演示了该方法的有效性和实施。4.1实验数据实验数据的收集，从胜利者台中VS-50塑料注塑成型机，其中的规格如表1所示。实验样品在图2表示。使用电动平衡，其中有一个0.01克精密测量产品重量。4.2实验程序研究流程可分为三个阶段如下：第1阶段。提供培训和测试数据，为建立一个BP神经网络质量预测与田口的参数设计方法，通过利用遗传算法搜索方法确定初始参数设置。在这种情况下，研究，在不同层次的因素想当然设置的信息列于表2。被选中的L25（56）直交因素安排和执行实验。在实验中，有5个重复。产品重量和长度都用于质量特性。最大的S/N比值的因素水平的最优组合的实验结果如表3所示。从S/N比的因子反应图，因子水平的最佳组合，如表4所示。为了获取制造参数的最佳组合，进行确认实验，结果列于表4所示。根据构象的结果，田口的参数设计方法具有最高的S/N比率和较低的标准差。因此，最初的工艺参数设置采用因素水平的最优组合，最大的S/N比率所示表1台中VS-50注塑机的规格ReinsContentsVS-JOidachinesysteniHalfchsfdloopk憑hydraulicCoutroUerVICTOR-聊｝■'CLanujinsFocceSciewrdi3LneOCT22Z25(mni^Shrinla^eraceO.4-0.7%iltltiHMpeiatLut映妙©Enlection.pressort700-11DO(kg£'<ni2)MoldTtmpEratmT?图2•台中精机VS-50系统注入样品。表2假设性的因素设置不同层次的信息MTjyIPVPSwitchPackingPressurerrLevel1200224014.49iLevel2205244214.3121.2Level32104414JL51.4LevfI42.1546141LS1.6Level52204B14.021i.s注：MT：熔融温度（°C）;四：注射速度（毫米/秒），IP：注射压力（MPa）；太平洋：包装时间（秒）从田口的参数设计方法给出的数据是有效的训练和测试BP神经网络的输入控制工艺因素和输出响应之间的映射关系。产品重量和长度都用于质量特性（输出响应）。训练中的表现（RMSE）来的BP神经网络质量预测是高达0.032823,和BP神经网络质量预测金额（RMSE）来测试性能0.048328。第2阶段。一个健身工程优化工艺参数优化的函数F（X）是制定如下：伽mJs.f.LCL<yol<UCLECL芜朋一円（T2……NUCL=m+nct阳=—3N其中X是工艺参数，YO1是质量第一的特点（长）的预测值，YT1特征（长）质量第一的目标，丫O2是第二个质量特性（重量）的预测值，拼箱是较低的特点（重量）的第二次质量控制的限制，伦敦大学学院的特点（重量）的第二个质量控制上限，m是平均125的第二个质量特性（重量）的数据，和N取决于对质量的需求，。为125的第二个质量特性（重量）的数据的标准偏差。UCL和LCL可以根据过程能力指数（CPK）决定。在这项研究中，N等于1。表3根据不同层次,最大的S/N各因素的比例MTIVIPV?Switch.(mza)PatkrogJres-are(3EP1)PTAvS.DS/NKatieLeaeth4614.]ISI.&162.87853.97934014.Jlj1.624.SES表4在最佳组合因子水平下的相关信息MTrvEFVPXwilCPackiDgP氓予口IE|；和PTAvSESJNRatioL&uEth2002214.21：B1.8162.360.00-707133.97^J亂:Eighi213364014.32J1.424.7020.03095467.062S第3阶段•通过混合BP神经网络，遗传算法搜索方法确定最佳工艺参数设置。开始时，得到的初始参数可以根据不同层次，PIM多响应质量特性（长度和重量）最大的S/N比为每个因素。初始种群（参数设置），然后可以通过调整GA搜索范围确定：通常超过上限（UL）和低于下限（LL）的初始参数设置方面的一半水平的一半水平，可以看出表5。此外，此处所使用的遗传搜索过程的轮廓概括如下：第1步。生成一个随机的染色体与体育人口规模的初始种群第2步。所有染色体解码，并评估其相应的候选解决方案的目标函数值。第3步。使用通过预定的目标函数值确定染色体的适应值。第4步。如果精英主义政策，选择和插入新一代池最好的染色体。第5步。选择一个父染色体一双从目前的人口，无需更换。然后应用到运营商的交叉和变异产生新的染色体对。第6步。插入新的人口，新的染色体。如果人口不充分，返回到步骤5。第7步。验证预先指定的停车标准。如果它已经完成，停止搜索过程。选择和解码的整体最佳的染色体。将选择相应的候选解决方案作为最终的解决方案。否则，请继续到下一代，并更换新的人口，并返回第2步。5.结果与讨论继上述混合BP神经网络，遗传算法的搜索方法，初始工艺参数设置如表5所示，可以生成和表6中载列的最佳机设置。对于质量的要求，我们的PIM多品质特性进行连续30运行确认实验。机器设置三种，长度，重量，长度和重量的基础上，受聘为确认实验。基于长度和重量的机器参数设置是最大的S/N比率，表3所示的因素水平的最优组合。质量特性（长度和重量）之间的机器设置了3种比

口L«n艮卜"VaghL帕弭tlrrwcl-ine■Lijn^thlid口L«n艮卜"VaghL帕弭tlrrwcl-ine■Lijn^thlid巧HX>chlnei^Mlings—•*—'JVe-k^vhfedE・Gti怦sellingcTd「g叭表5初始种群的三种类型（参数设置）GA搜索范围XfTIVIFVPSTLlEEhpetitionPackingpressiireFTlength-UL207.531471435L9.517weightLL197.5n3914050$1.5表6混合BP神经网络，遗传算法搜索方法的最佳工艺参数的设置MTIVIPVPSwitdiP0LLtiD31Pa-tfcnigpressureFTGAsearchneEiilcs200.9028.09431514.1219221.6Smaclinesettings-20t2fi4314.11.7length-weiglit-ba^sedimcbin-esettingsIseo^th-basedL*machineBPttrag^weight-basedmseliineactingsLengthWeightLengthWeightLesigtbheightAV162.S7224.856162.S6624.SP6162.8il24.8®pvahae0.00S50.O1E70.0135O.Q2S30.飢的0.0194Cpk4.713i.07i3.2111.CS74.32IN別-IBSEC・表7三种机设置的质量特性OJUU-&£—IOJUU-&£—I162®.162別□51015X2530图4.机器设置