4外文翻译 3.docVIP

注塑成型 性能通过网络的控制 摘要 对注射成型的塑料产品的性能的充分控制要求非常准确的预测 。问题是， 这些塑料的力学性能，如拉伸模量，与过程变量的高度非线性，因此他们 很难预测。因此，到目前为止，注塑机包括封闭的过程变量的闭环控制。 产品性能的控制几乎是不存在的，我们在这里展示的第一时间，力学性能，如拉伸模量的值，可以预测使用人工 神经网络相当准确地在一个合理的时间。这是向一个综合自学控制的重要一步 对注塑业的机制。2002由Elsevier科学有限公司出版 关键词：人工神经网络；注射成型；拉伸模量；实验设计；智能过程控制 1简介 注塑成型（IM）是最广泛使用的 热塑性塑料的加工技术。不像 挤压，例如，注射成型是一个循环 制备复合产品的方法。 从传输现象的角度，注塑成型是 很复杂。以下的固体熔化 颗粒，产生的熔体在高压下注入 在冷腔，以下的冻结温度 聚合物。同时动量和热量传递 （包括凝固）作为熔体流动的地方 对腔。当填写完成（灌浆期），该 压力对熔体的增加（包装阶段） 为了引入额外的材料和减少 由于冷却收缩。冷却（冷却继续 阶段）到文章的成型温度低 足以使模制部件的提取 模具。 以前的尝试已作出描述 动量和能量）（卡马尔和克尼希， 1972a，B）。这些努力导致市售 软件包分析定量充填。 包装，冷却，收缩，甚至残留 热应力是由于不均匀的冷却 考虑，以及对定位 聚合物与各种收缩水平在成型 第。使用适当的软件包，分析 与模具设计成为可能。的 计算考虑工艺变量 随着熔体温度，模具，和 压力等级为时间的函数（himasekhar等人。， 1995。 就过程控制而言，国家的艺术 注塑机闭环控制， 在微芯片是用于预编程 过程变量。过程变量的影响 在加工过程中的机械性能的变化， 特别是，由于材料特性的变化 不同批次。因此，更智能的过程 控制需要更高层次的需求 产品的增加。在我的情况下，质量的主要 是指产品的机械性能，尺寸， 重量，表面形貌，光学和电学性能。 塑料材料的统计，具有分布 分子量的变化，水分含量，和 不同浓度的添加剂。因此，设计 实验（DOE），通过对产品的性能和他们的关系 来确定工艺参数值。 那是在智能所需的元素 处理控制的IM包括： （一）一个可靠的，实时的，测量的过程 参数。 （b）过程模型描述的关系 的过程参数和产品之间 性能。 （C）控制系统的教学能力 确保它可以确定偏差的形成过程 限制，并对质量的影响 产品。 而美国能源部的第一个提供适当的解决方案 元，每找到一个精确的过程模型 产品是不切实际的，由于缺乏一个全面的 我的理论。因为这个原因一个神经网络的方法，将在下一节讨论被 测试。 2。人工神经网络 人工神经网络（ANN）模仿一些基本的 大脑的功能方面。他们目前正在使用 一系列的任务：从简单的计算到 高层决策。人工神经网络已选择 本实验从他们被称为是很好的适应 调整非线性模式。 建立了神经网络处理单元或节点。这些 节点与对方的方式，连接 使高并行度。每个节点只 有一个非常简单的计算。L 通过分配适当的权重的连接实现 节点间的。首先，人工神经网络模型的比较 （明斯基和Papert，1969）。Rumelhart和他的同事 （Rumelhart和麦克利兰，1986）开发了一个 人工神经网络模型，称为反向传播（BP），这是 可调节的非线性模式以及。BP 人工神经网络的处理元件层组织。 在n层的每个处理单元连接 随着未来所有的处理单元，Nt1层。 一个体重与每一个这样的连接关联。 一个处理单元的输出，OJ?Fenetj是T； 它的输入的非线性函数。T 由netj：它已被证明在许多 例，乙状结肠功能产生良好的学习效果 （Rumelhart和麦克利兰，1986）。我们使用的乙状结肠 传递函数，OJ?1 =e1tEnetjT；在这 研究。 学习包括改变权重为 减小输出误差相对于真值 所有的例子。当体重达到最佳 值（即，最小误差已经达到），该 人工神经网络被称为“训练”。一旦一个人工神经网络已被 训练，新的投入，和预测 输出值的计算。目前有许多 人工神经网络模型。更多的细节可以发现在赫兹 等人。（1991），Weiss和库里科斯基（1991），戴维 和炮（1992），leshno等人。（1993），谨慎和绿色 （1995），和Jain等人。1996。 3。以前的工作 由于它的非线性现象的学习能力， 已作出各种尝试利用人工神经网络 IM控制器的基础上。 豪斯勒和wortberg（1996）应用人工神经网络 IM质量在线自适应控制。他们 感兴趣的量和表面反射 成型产品。波腾和ujma（1997）研究 原材料的改变对体重的影响 成型零件的使用安。shenerr（1996）描述了我 基于人工神经网络的方法来控制体重，尺寸