固攀ZUUI等等.PDFVIP

andTesfZ艺与检测 Techn0109y 基于神经网络注塑成型工艺参数优化 张 磊 (大连理工大学模具研究所，辽宁大连116023) 摘要：采用BP神经网络建立注塑成型工艺参数与注塑制品收缩率之间的网络模型，并通过试验数据对成 型工艺参数进行优化。 关键词：BP神经网络注塑成型收缩率工艺参数优化 ProcessParameter of BasedonNeuralNetwork OptimizationInjectionMolding ZHANGLei of 116023，CHN) (MouldDieInstitute，DalianUniversityTechnology，Dalian NeuralNetworkis inthis toestablishthemodelbetweenthe and Abstract：BP applied paper processparameters the to the thetestdata． shrinkage，andoptimizeprocessparametersby Neural Parameter Keywords：BPNetwork；InjectionMolding；Shrinkage；ProcessOptimization 塑料制品的收缩是客观存在，也是难以避免的。 BP网络是一种典型的前馈多层神经网络，它有三种神 因此，在注塑模具成型零件设计的过程中，首先应设定 经元：输入、隐含和输出神经元。层与层之间采用全互 制品收缩率以确定成型零件的工作尺寸，成型之后通 连方式，同层各神经元之间不相互连接。BP网络的学 过制品的实际收缩使制品的最终尺寸达到设计的要 习过程为：输入若干学习样本和已知对应的输出样本， 求。也就是说制品的实际收缩率和设定收缩率的吻合 用网络的实际输出和期望输出矢量的误差来修正权 程度将直接影响到最终制品的成型质量。对注塑成型 值，使网络实际输出尽可能接近期望输出矢量，使网络 制品收缩率有影响的诸多因素可以划分为3类：注塑 输出层的误差平方和达到最小。 材料特性、注塑成型工艺参数和模具成型结构。当注 本文在数值优化过程中采用梯度最快下降法，反 塑材料和模具成型结构确定以后，工艺参数是影响制 向调整各层连接权值，使误差达到最小。学习算法如 品收缩率的主要影响参数。 下： 近年来，研究人员进行了大量的注塑试验，试图找 设输入的学习样本有n个：石。，石：，…，戈。，对应的期 到注塑工艺参数与制品收缩率之间的定量关系，但是 注塑成型的非线性、多因素的特征，使得注塑成型工艺 对(并。，t。)输人到网络后，正向传播阶段经各层运算 参数的设置非常困难。在成型的过程中，由于工艺参 数的选取不当，将会导致制品的实际收缩率与设定的 入模式后输出方差为 m