基于神经网络和遗传算法的注射成型工艺优化

论述人工神经网络和遗传算法在塑料注射成型工艺优化中的应用,首先利用人工神经网络建立注射成型工艺参数与塑件翘曲量之间关系的数学模型,然后用遗传算法对工艺参数优化.其中由正交法设计得到实验样本,由数值模拟软件计算得到塑件翘曲量,将其作为优化目标.按优化后的工艺参数进行实验,获得较高质量的塑料制品,从而为建立和控制注射模工艺参数提供一种行之有效的途径.     

基于GA-SVM塑料热压成型优化预测

受固化温度、固化时间、固化压力、升温速度、加压温度和加压时间等多因素影响,塑料热压成型温升模型难以准确建立。通过已有试验数据,建立起遗传算法-支持向量机(GA-SVM)塑料热压成型模型,有效利用SVM学习速度快的特点,在小样本情况下具有良好的非线性建模和泛化能力,基于SVM的优化控制算法具有很好的控制性能。试验表明,该模型实现了对塑料热压成型的智能优化预测;这种方法在塑料生产控制中具有广阔的应用前景。     

挤出吹塑中空成型工艺参数的多目标优化

以挤出吹塑中空制品品质（制品壁厚分布、制品质量）和生产效率为最终的优化目标，成型工艺参数为设计变量，基于混合人工神经网络和遗传算法建立了挤出吹塑中空成型工艺参数的多目标优化系统。此方法不仅可确定满足实际生产需要的初始成型工艺参数，减少用于确定初始成型工艺参数的时间，而且为挤出吹塑中空成型的工艺参数的确定提供了理论依据，为挤出吹塑中空成型生产的全自动化的实现奠定了基础。     

基于高斯过程回归的注塑质量多目标优化方法

以车灯导光条为研究对象,建立有限元仿真模型,利用高斯过程回归与人工神经网络建立代理模型,并以此作为多目标遗传算法寻优的适应度函数.结果表明:基于代理模型的多目标优化方法可有效快速地获得较佳的成型工艺参数组合;相比人工神经网络算法,高斯过程回归算法更适合小样本复杂数据.研究得到的最佳工艺参数组合为:注射时间2.3 s,熔...     

基于遗传算法的无机抗菌剂制备工艺优化

首次将遗传算法引入到无机抗菌剂制备工艺,在基于人工神经网络建立的制备工艺参数与抗菌性能关系模型的基础上,对其制备工艺参数进行了优化.结果表明遗传算法用于无机抗菌剂制备工艺的优化设计是可行的.     

注射成型工艺与塑件流动残余应力的函数关系研究

在塑料尺注射成型工艺参数优化的基础上,建立了塑件的注射成型工艺参数与流动残余应力的函数关系。借助回归分析方法,建立了工艺参数与流动残余应力的显式函数关系。采用人工神经网络方法,建立了工艺参数与流动残余应力的隐式函数关系。最后采用模拟退火算法,对借助回归分析方法建立的显式函数关系进行了工艺参数的优化分析,并与正交优化结果比较,验证其合理性。建立的两种函数关系对研究工艺参数与流动残余应力的影响,预测塑件的流动残余应力具有重要意义。     

高填充油茶果壳基木塑复合材料的制备及力学性能

以油茶果壳和不同塑料即聚丙烯、高密度聚乙烯(PE-HD)、低密度聚乙烯、线性低密度聚乙烯为原料,采用模压成型的方法制备了高填充油茶果壳基木塑复合材料,利用电子万能试验机和悬臂梁冲击试验机测试其力学性能。通过单因素试验分析塑料种类对复合材料力学性能的影响,确定较优塑料种类后进一步优化制备参数。以壳粉含量、增容剂马来酸酐接枝聚乙烯(MAPE)含量、热压温度、热压时间为设计因素,以弯曲强度、弯曲弹性模量、拉伸强度、冲击强度为力学性能优化目标,设计L₉(3⁴)正交试验,研究了高填充油茶果壳基木塑复合材料的制备工艺,利用极差分析和方差分析得到了较优配方和工艺参数组合。研究表明：当添加塑料为PE-HD时,复合材料的弯曲强度最大为34.40 MPa,拉伸强度最大为18.20 MPa,力学性能较优;壳粉含量为65%时,添加7%MAPE的复合材料强度较好,弯曲强度最大为33.66 MPa;优化制备参数组合为壳粉含量55%,MAPE含量5%,热压温度160℃,热压时间10 min。     

应用软计算优化气辅注射成型工艺

气体辅助注射成型由于气体的引入使工艺更为复杂,增加了工艺变量,参数选取更为困难。本文基于CAE数值模拟试验结果,采用软计算方法,集成人工神经网络和生物进化遗传算法优化成型工艺,实现了气体辅助注射成型试验样品气体穿透长度的最大化。数值模拟与试验结果一致     

遗传算法耦合BP神经网络在注塑成型工艺中的应用

建立了一种遗传算法耦合反向传播(BP)神经网络的非线性计算模型,并将该计算模型用于以塑料收纳盒盖板为对象的注塑成型工艺参数的分析与控制。首先通过Taguchi正交试验法设计了一系列工艺参数数据组合,然后利用Moldflow软件得到相关工艺参数对应的翘曲变形结果,再将数据分别导入BP网络模型及遗传算法优化过的BP网络模型。结果表明:与普通BP神经网络计算模型相比,优化后的计算模型具有更好的稳定性和更高的计算精度,能够更好地应用于注塑成型工艺参数分析与控制。     

基于神经网络和遗传算法的薄壳件注塑成型工艺参数优化

建立了基于神经网络和遗传算法并结合正交试验的薄壳件注塑成型工艺参数优化系统。正交试验法用来设计神经网络的训练样本，人工神经网络有效的创建了翘曲预测模型；遗传算法完成了对影响薄壳塑件翘曲变形的工艺参数（模具温度、注射温度、注射压力、保压时间、保压压力和冷却时间等）的优化，并计算出了它们的优化值。按该参数进行试验，效果良好，可以有效地减小薄壳塑件翘曲变形，其试验数值与计算数值基本相符，说明所提出的方法是可行的。     

基于遗传算法的复杂薄壁件注塑成型工艺参数优化

以某复杂薄壁件为研究对象,建立其有限元模型,运用CAE对初始工艺下的塑件翘曲变形量进行分析,得到了该塑件的最大翘曲变形量。构建复杂薄壁件翘曲变形量优化数学模型,基于BP神经网络结合遗传算法对塑件数学模型进行优化求解,求解结果表明优化后的塑件最大翘曲变形量为0.2313mm,与初始工艺方案下塑件最大翘曲变形量0.2811mm相比,降低了21.53%,提高了塑件的成型质量,得到满足装配要求的塑件。进一步采用优化后得到的最优工艺参数进行实际生产验证,获得了满意的效果,证明了BP神经网络结合遗传算法优化工艺参数技术方法的可行性与可靠性。     

基于灰色关联分析的注塑工艺多目标优化及PSO–SVM预测模型的建立

针对某电器活动上盖翘曲变形及体积收缩问题,对相关注塑工艺参数进行正交实验设计,在Moldflow中模拟分析,并对翘曲变形量及体积收缩率进行信噪比优化处理。利用灰色关联分析法得到翘曲变形量和体积收缩率的灰色关联度,通过对灰色关联度进行极差分析得到各注塑工艺参数对塑件综合目标(翘曲变形量及体积收缩率同时较小)的影响程度为:保压时间>注塑时间>模具温度>熔体温度>保压压力>冷却时间,同时由灰色关联度极差分析结果得出最优工艺参数组合,在最优工艺参数组合下的翘曲变形量相对于正交实验水平下最小翘曲变形量降低了11.8%,体积收缩率相对于正交实验水平下最小体积收缩率降低了5.9%。最后采用粒子群优化算法(PSO)优化后的支持向量机(SVM)神经网络模型对该塑件翘曲变形量及体积收缩率进行预测,通过与不优化的SVM神经网络及BP神经网络预测模型相比发现,PSO–SVM神经网络模型预测精度及稳定性都优于SVM及BP神经网络,可以用于塑件翘曲变形量和体积收缩率的协同优化,解决塑件实际翘曲变形及体积收缩问题。     

前馈神经网络与遗传算法相结合解决曲轴中心缩孔

引言缩痕与孔洞是塑件成型时一种常见的缺陷。当制件外层材料冷却固化后,心部材料开始冷却,心部收缩把制件表层拉向制件内部,引起缩痕,如果制件表层的刚度足够大,则将在制件内部产生孔洞而不是缩痕[1]。关于塑件成型过程中的缩痕、翘曲、收缩等缺陷问题,许多学者提出了工艺参数设计的单目标和多目标优化模型,如Kriging模型、BP神经网络、响应面法、支持向量回归等,针对这些模型,采用的优化求解算法主要有:遗传算法、粒子群法、蚁群算法等。申长雨等[2]采用神经网络与混合遗传算法结合优化注塑成型工艺,改善了制品的体收缩     

Derivation of optimal processing parameters of polypropylene foam thermoforming by an artificial neural network

The effects of processing parameters on the thermoforming of polymeric foam sheets are highly nonlinear and fully coupled. The complex interconnection of these dominant processing parameters makes the process design a difficult task. In this study, the optimal processing parameters of polypropylene foam thermoforming are obtained by the use of an artificial neural network. Data from tests carried out on a lab‐scale thermoforming machine were used to train an artificial neural network, which serves as an inverse model of the process. The inverse model has the desired product dimensions as inputs and the corresponding processing parameters as outputs. The structure, together with the training methods, of the artificial neural network is also investigated. The feasibility of the proposed method is demonstrated by experimental manufacturing of cups with optimal geometry derived from the finite element method. Except the dimension deviation at one location, which amounts to 17.14%, deviations of the other locations are all below 3.5%. POLYM. ENG. SCI., 45:375–384, 2005. © 2005 Society of Plastics Engineers     

分离系统与换热网络同步优化方法的改进：神经元网络—遗传算法

采用神经元网络法和遗传算法，在过程系统用能一致性的基础上对分离系统与换热网络同步优化问题提出了改进的优化模型及优化策略。该方法不仅能够自动、迅速地同步得到分离序列与换热网络联合系统的流程结构与操作参数，而且具有获得全局最优解的能力。最后通过实例说明本方法的有效性。     

BP神经网络与GA算法相结合的空调风叶翘曲均匀性优化

以模具温度、熔体温度、注射时间、保压时间、保压压力5个因素为设计变量,空调风叶叶片尖部Z轴坐标最大差值为目标变量,采用田口方法进行实验设计并根据实验方案进行CAE模拟,根据模拟结果采用BP神经网络构建设计变量与目标变量之间的数学关系模型,并利用GA算法对数学模型进行全局最优求解。求得最优工艺参数为：模具温度45 ℃、熔体温度205 ℃、注射时间1.8 s、保压时间6 s、保压压力50 MPa。模拟验证得到优化工艺参数下的目标变量为0.08 mm,低于各个实验设计方案,且风叶各叶片翘曲均匀性得到提高。     

Performance evaluation of an ANN–GA aided experimental modeling and optimization procedure for enhanced synthesis of marine biosurfactant in a stirred tank reactor

BACKGROUND: An improved resilient back‐propagation neural network modeling coupled with genetic algorithm aided optimization technique was employed for optimizing the process variables to maximize lipopeptide biosurfactant production by marine Bacillus circulans. RESULTS: An artificial neural network (ANN) was used to develop a non‐linear model based on a 2⁴ full factorial central composite design involving four independent parameters, agitation, aeration, temperature and pH with biosurfactant concentration as the process output. The polynomial model was optimized to maximize lipopeptide biosurfactants concentration using a genetic algorithm (GA). The ranges and levels of these critical process parameters were determined through single‐factor‐at‐a‐time experimental strategy. Improved ANN‐GA modeling and optimization were performed using MATLAB v.7.6 and the experimental design was obtained using Design Expert v.7.0. The ANN model was developed using the advanced neural network architecture called resilient back‐propagation algorithm. CONCLUSION: Process optimization for maximum production of marine microbial surfactant involving ANN‐GA aided experimental modeling and optimization was successfully carried out as the predicted optimal conditions were well validated by performing actual fermentation experiments. Approximately 52% enhancement in biosurfactant concentration was achieved using the above‐mentioned optimization strategy. © 2012 Society of Chemical Industry