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.docVIP

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]有哪些信誉好的足球投注网站出来的，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有哪些信誉好的足球投注网站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