CN118395873B 一种塑料合金制品注塑质量优化方法 （广东海杺橡塑科技有限公司）

东海六路34号之一A区一楼之二、C区本发明公开了一种塑料合金制品注塑质量形量和体积收缩率为质量优化目标，首先基于CAE仿真和正交试验设计获取试验方案结果，然后利用WCA不断迭代来搜索最优的KELM核函数参多目标海鸥优化算法MOSOA找到Pareto最优前沿中获得最优解。本发明能够实现有效降低PC/ABS塑料合金注塑成型产品的翘曲变形量和体积2利用WCA不断迭代来搜索最优的KELM核函数参数σ和KELM正则化系数C，构建WCA_KELM2.根据权利要求1所述的塑料合金制品注塑质量优化方法，其特征在于，Step3中，3iin为权重；4.根据权利要求3所述的塑料合金制品注塑质量优化方法取值为0.5。4[0001]本发明涉及一种注塑制品成型质量优化方法，具体是一种基于WCA_KELM和MOSOAABS塑料合金化研究已经成为高分子塑料合金PC/ABS塑料合金产品注塑成型过程中算法搜索RF建立的回归模型的最小值，找到提高塑料件质量、降低能耗的最佳工艺参数；对最小翘曲量进行优化，得到最佳结构参数；HazwanMHM等人在研究中采用响应面法(RSM)，遗传算法(GA)和萤火虫群优化(GSO)等优化方法实现最大限度地减少丙烯腈_丁二采用熵权TOPSIS方法对Pareto最优前沿进行评价，得到最优解；LiuX等人使用MOFA找到5MK为隐含[0023]利用WCA不断迭代来搜索最优的KELM核函数参数σ和KELM正则化系数C，构建WCA_6i7的翘曲变形量和体积收缩率为质量优化目标，首先基于CAE仿真和正交试验设计获取试验基于水循环算法WCA优化的核极限学习机WCA_KELM预测模型，然后利用多目标海鸥优化算法MOSOA找到Pareto最优前沿，最后使用灰色关联评价方法从Pareto最优前沿中获得最优料合金注塑成型最优工艺参数优组合提供理论依据和数据[0056]图4是WCA_KELM模型与KELM模型的预测对比图，其中(a)是翘曲变形量预测对比[0061]本塑料合金制品注塑质量优化方法以PC/ABS塑料合金注塑制品的翘曲变形量和建基于水循环算法(WCA)优化的核极限学习机(WCA_KELM)注塑成型质量优化模型；然后利用多目标海鸥优化算法(MOSOA)找到Pareto最优前沿；最后使用灰色关联评价方法从[0063]真空泵后壳塑件的几何模型如图1所示，该塑件的外形尺寸为96mm×151mm×8由于分析的左侧最佳浇口位于大平板和侧壁衔接处，不适合设置浇口，因此参考右侧最佳1.611mm，最大体积收缩率初始值为10.46已超过真空泵后壳塑件需求(翘曲变形量9[0075]极限学习机(ELM)是一个具有随机初始化权矩阵和偏置向量的单隐层前馈神经网K为隐含回归、二分类和多分类问题提供了一个统一的学习框架，采用核映射替换ELM中的随机映[0090]水循环算法(Watercyclealogrithm,WCA)是由HadiEskandar等人受大自然水[0117]WCA算法中则表示蒸发和降雨过程结束。较大的dmax值减少了在海洋附近的搜索力度；而较小的dmax值增大了在海洋附近的搜索力[0129]构建WCA_KELM预测模型时，首先利用WCA来搜索最优的核函数参数和KELM的超参系数C为100；对于体积收缩率所寻得的最优核函数参数σ为2.7734，最优正则化系数C为[0131]基于水循环算法优化的核极限学习机回归预测是一种将WCA和KELM相结合的方[0133]海鸥优化算法(Seagulloptimizationalgorithm，SOA)由GauravDhiman和c的值从2线性减小到0。[0156]多目标海鸥优化算法(MOSOA)是通过在SOA中引入约束的非显性排序机制和外部(x2每个维度中的网格数设置为30，而其他参数保持在它们的默认值。通过MOSOA获得的最优ii的最佳的一组工艺参数组合为：熔体温度230.6826℃、模具温度50.0056℃、保压压力的最大体积收缩率为10.46优化后的最大体积收缩率为8.538体积收缩率被有效降[0190]本塑料合金制品注塑质量优化方法能够实现有效降低PC/ABS塑料合金注塑成型取PC/ABS塑料合金注塑成型最优工艺参数优组合提供理论依据