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

本文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.     

塑料薄壁件注射成型工艺参数优化

针对传统遗传算法在处理薄壁件注射成型工艺参数优化问题时存在的全局搜索和局部搜索之间的矛盾以及局部搜索能力不足等问题,提出了优化组合遗传算法,实例验证了该算法的可行性。     

基于遗传算法的注塑成型工艺参数优化

以某杯形塑件为例,设计了随形冷却水道模具。在Moldflow软件模拟注塑成型过程的基础上,利用正交试验法分析了熔体温度、注射压力、保压压力和保压时间等工艺参数对制品成型周期的影响。通过遗传算法和Moldflow获得的最佳注塑工艺参数为熔体温度180℃,注射压力22 MPa,保压压力16 MPa,保压时间8 s,成型周期14. 11 s。在最佳工艺参数组合下进行注塑成型试验,平均注塑成型周期为14. 19 s。结果表明,模拟结果和试验结果之间相接近。将数值模拟和遗传算法相结合,可以有效提高运算速度和优化效率。     

注塑成型工艺参数的优化研究进展

在注塑成型过程中,通过合理设置注塑工艺参数可以得到高质量塑料制品。通常可以采用正交试验法对注塑成型工艺参数进行优化。通过对正交试验数据运用极差分析、耦合推广正交算法、灰色关联度分析法以及使用神经网络模型和遗传算法,可以获得注塑成型工艺参数的最优配置组合。     

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。     

基于神经网络的车灯副反射器注塑工艺参数优化

利用正交试验方法,借助Mold Flow软件对车灯副反射器进行翘曲变形分析。利用BP神经网络建立注塑工艺参数(熔体温度、模具温度、注射时间、保压时间、冷却时间)与产品翘曲变形之间的关系。利用遗传算法对BP神经网络进行全局寻优,得到产品的最小翘曲变形,以此实现对注塑成型工艺参数的优化,进而减小产品翘曲变形,提高产品质量。     

基于CAE与正交试验的多指标注塑成型工艺参数优化

以一次性叉塑料件为例,运用CAE软件Moldflow采用正交试验方法进行仿真模拟多指标试验。研究了注射温度、模具温度、注塑压力和注射时间等不同成型工艺参数对各项试验指标的影响,通过对试验结果运用多指标综合加权评分法分析,在试验范围内获得最佳成型工艺参数组合。     

基于优化组合遗传算法的塑料薄壁件注射成型工艺参数预测

在传统遗传算法的基础上,采用Gray编码和锦标赛寻优策略、全局搜索和局部搜索相结合的优化组合算法,结合CAE分析结果,对影响薄壁件质量因素的主要注射成形工艺参数进行预测,并通过实例验证算法的可行性,为塑料薄壁件成型工艺优化提出了一条新思路。     

基于BP神经网络的无人机固定翼注塑成型工艺优化

为了解决无人机固定翼在注塑过程中工艺参数的优化选择问题,在考虑了熔体温度、模具温度、保压压力、保压时间、注射时间因素下,用模流分析软件Moldflow和正交试验相结合的方法对翘曲量、体积收缩率和缩痕指数进行了模拟分析,同时为了提高优化效率,根据正交试验数据建立了BP神经网络预测模型,并用模型对工艺参数进行了优化和实际生产验证。结果表明:优化后的塑件最大翘曲变形量、体积收缩率、缩痕指数分别优化了0.212 5 mm、1.26%、1.223%,提高了塑件质量。而且仿真值与模型的预测值基本吻合,相对误差在3%以内,验证了模型的可行性,为优化工艺参数方面的研究提供了理论依据。     

基于RBF网络模型气辅成型工艺参数的优化

针对气辅成型过程中多个工艺参数的优化配置问题,提出了气辅成型工艺参数径向基函数(RBF)网络预测模型。该模型基于均匀设计思想,以RBF网络为基础,用正交最小二乘训练法对基函数的中心、方差和RBF网络权值进行优化,提高了网络预测模型对气辅成型制品质量指标的预测可靠性。以挂式空调前面板为例,对其进行CAE仿真分析,结果表明,该优化模型可实现对制品质量指标的快速预测,为工艺参数进一步优化奠定了基础。     

复杂壳体类塑料件气体辅助注射成型工艺参数优化研究

以21英寸彩电前壳作为研究对象,将Moldflow 2010作为CAE模拟试验平台,以熔体温度、模具温度、熔体注射时间、气体延迟时间、气体压力为关键工艺因素,考察了复杂壳体类塑料件气体辅助注射成型(GAIM)时制件的翘曲变形量和气体穿透情况。以正交试验设计方法为基础,利用遗传算法并结合径向基神经网络建立GAIM工艺参数优化系统,可用于工艺参数组合的快速确定,为GAIM过程中工艺参数优化提供了一种新的求解思路。     

用BP神经网络和遗传算法优化电沉积Cu-W的工艺参数

用神经网络和遗传算法(BP-GA)优化电沉积Cu-W的工艺参数。结果显示:BP-GA预测结果与试验结果较接近,相对误差为9.05%,说明BP-GA优化电沉积工艺参数有较高的预测能力和准确度。     

基于BP神经网络的导管接头注塑工艺参数优化

以医用介入导管接头为研究对象,基于塑料成型理论在Moldflow软件中进行导管接头模流分析,通过正交实验极差分析,确定了注塑工艺参数对导管接头缩痕指数的影响趋势,得到最佳工艺参数组合.针对实际生产中出现的缩痕缺陷,建立导管接头缩痕指数的BP神经网络参数模型,并用遗传算法进行优化,同时对结果进行仿真模拟,得到缩痕指数为0...     

Modeling and Optimization of Anode‐Supported Solid Oxide Fuel Cells on Cell Parameters via Artificial Neural Network and Genetic Algorithm

An artificial neural network (ANN) and a genetic algorithm (GA) are employed to model and optimize cell parameters to improve the performance of singular, intermediate‐temperature, solid oxide fuel cells (IT‐SOFCs). The ANN model uses a feed‐forward neural network with an error back‐propagation algorithm. The ANN is trained using experimental data as a black‐box without using physical models. The developed model is able to predict the performance of the SOFC. An optimization algorithm is utilized to select the optimal SOFC parameters. The optimal values of four cell parameters (anode support thickness, anode support porosity, electrolyte thickness, and functional layer cathode thickness) are determined by using the GA under different conditions. The results show that these optimum cell parameters deliver the highest maximum power density under different constraints on the anode support thickness, porosity, and electrolyte thickness.     

基于BP 神经网络的塑料齿轮玩具注射成型优化分析

以某塑料拼插齿轮玩具为研究对象,采用自然平衡法设计1模144腔注塑模具。对有限元模型进行合理简化,并采用Moldflow软件进行塑料齿轮注射成型过程中的流动和翘曲分析。针对初始方案中出现的熔接痕和翘曲等缺陷,建立齿轮玩具BP 人工神经网络模型,通过BP神经网络算法训练各工艺参数,并对体积收缩率和总翘曲量进行预测。将训练后较优的工艺参数组合应用于注射成型后,使得该塑料齿轮熔接痕分布改变,翘曲变形量明显降低。     

基于神经网络和遗传算法的塑料热压成型多目标优化

论述了人工神经网络和遗传算法在塑料热压成型工艺优化中的应用,首先利用人工神经网络建立热压成型工艺参数与零件性能之间关系的数学模型,然后用遗传算法对工艺参数优化。根据多目标函数优化问题的单目标化思想,对优化后的单目标进行分解,得到最优工艺参数条件下的塑料热压产品性能,从而为建立和控制塑料热压成型工艺参数提供了一种行之有效的方法。     

Optimization of an Artificial Neural Network Topology for Predicting Drying Kinetics of Carrot Cubes Using Combined Response Surface and Genetic Algorithm

In this study, the advantages of integrated response surface methodology (RSM) and genetic algorithm (GA) for optimizing artificial neural network (ANN) topology of convective drying kinetic of carrot cubes were investigated. A multilayer feed-forward ANN trained by back-propagation algorithms was developed to correlate output (moisture ratio) to the four exogenous input variables (drying time, drying air temperature, air velocity, and cube size). A predictive response surface model for ANN topologies was created using RSM. The response surface model was interfaced with an effective GA to find the optimum topology of ANN. The factors considered for building a relationship of ANN topology were the number of neurons, momentum coefficient, step size, number of training epochs, and number of training runs. A second-order polynomial model was developed from training results for mean square error (MSE) of 50 developed ANNs to generate 3D response surfaces and contour plots. The optimum ANN had minimum MSE when the number of neurons, step size, momentum coefficient, number of epochs, and number of training runs were 23, 0.37, 0.68, 2,482, and 2, respectively. The results confirmed that the optimal ANN topology was more precise for predicting convective drying kinetics of carrot cubes.     

基于极差分析法与GA-ELM的电器连接器壳体注射成型工艺优化

以某电器连接壳体为例,借助Moldflow软件对正交试验方案组合进行模拟,对正交试验模拟结果进行极差分析,得到各工艺参数对塑件翘曲变形量的影响程度为:保压时间>模具温度>注射时间>熔体温度>保压压力.极差分析得到的最优工艺参数组合对应的翘曲变形量与正交试验方案中最小翘曲变形量相比降低了6.7％.关键点采用遗传算法优化后...