BP神经网络在注射成型工艺参数优化中的作用

本文研究的是注射工艺参数对塑件翘曲变形的影响。通过CAE模拟计算,以工艺参数为输入参数,以翘曲量为输出参数,构建BP神经网络模型。以CAE分析结果作为训练样本和检测样本,分析BP神经网络在工艺参数优化方面的作用。     

基于遗传算法优化的BP神经网络气化用煤灰流动温度预测模型

采用遗传算法优化的BP神经网络建立煤灰流动温度预测模型，模型以灰成分及酸碱质量比、硅铝质量比等组合参数作为输入变量，以煤灰流动温度作为输出量，对126组来自中国北部地区的煤灰样数据进行训练与测试，并建立常规BP神经网络模型，研究了各输入变量对网络模型预测精度的影响并对比与常规BP神经网络模型的预测能力。结果表明：不同输入层变量的GA-BP神经网络模型对训练集和测试集样本数据都具有较好的学习和泛化能力，所有预测结果相对平均预测误差均不超过4%。酸碱质量比和硅铝质量比参数作为神经网络输入层的添加，虽略微提高模型对训练样本的拟合程度，但也导致验证时过拟合现象的发生，模型对新样本的拟合优度下降。采用SiO₂,Al₂O₃,Fe₂O₃,CaO,MgO和Na₂O+K₂O的质量分数6个参数作为输入变量的GA-BP模型最为适合，其对测试集数据的预测相对平均误差为3.45%,低于常规BP神经网络模型3.79%的误差。     

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。     

基于神经网络与正交试验的塑件翘曲变形优化

针对塑件在注塑成型过程中出现的翘曲变形过大的问题,采用了人工神经网络、正交试验和数值模拟三者结合的方法改进了注塑成型的工艺参数,优化塑件的翘曲变形。首先以正交试验得到的数据作为神经网络的训练样本,建立了输入、输出分别为成型工艺参数与塑件翘曲变形量的神经网络模型,并用样本验证模型的准确度,从而提高了成型工艺参数的选择效率。其次,采用验证过的神经网络模型代替CAE模拟仿真来获得塑件的翘曲变形量,结合正交试验法,改进了注塑成型工艺参数,得到了塑件的最佳成型工艺参数组合,使塑件的最大翘曲变形量降低了61%。最后,通过对塑件的实际制造证实了优化方案的正确性。     

基于支持向量机算法的微注射成型工艺参数优化

为了控制菲涅尔透镜在注塑过程中的翘曲变形量,采用支持向量机算法建立了菲涅尔透镜的翘曲预测模型,并对该模型的预测精度进行了研究.采用正交试验法获取注塑工艺参数,各组注塑工艺经Moldflow仿真得出模型的训练样本及检验样本数据.然后,对支持向量机算法建立的翘曲预测模型进行样本学习,训练完毕后由检验样本验证该模型的预测精度.实验结果表明:采用支持向量机算法建立的预测模型预测误差比较稳定,均在0.2%以内.因此,采用支持向量机算法建立菲涅尔透镜的翘曲预测模型可有效地预测菲涅尔透镜的最大翘曲量,且预测的精度与稳定性较高.     

基于BP神经网络和遗传算法的硫化工艺参数优化

采用BP神经网络建立硫化工艺参数与性能指标的网络模型,以神经网络预测的性能输出作为目标函数的求解方法,以遗传算法作为硫化工艺参数的优化方法,建立硫化工艺参数的优化系统.对橡胶联轴器硫化工艺参数优化的实际应用效果表明,优化后可大大提高橡胶制品的质量.     

基于神经网络技术的塑料齿轮模型工艺参数优化

针对塑料模型注塑成型优化过程中工艺参数多、计算准确度低、工程模拟量大的特点。以塑料齿轮零件为例,通过引入BP神经网络技术,结合Moldflow软件建立注塑成型工艺参数优化模型。以体积收缩率和翘曲变形量为注塑工艺评定目标函数,选择熔体温度、保压压力、保压时间、模具表面温度为训练样本,建立4~4正交试验表,由相对方差分析评价模型的分析结果,给出优化后的工艺参数,指导工程实际应用。研究结果表明,通过BP神经网络对初始工艺参数进行训练,模型训练预测值与模拟值相对误差在3%以下,满足预测精度要求,经过对正交试验表样本进行训练,确定优化工艺参数为:熔体温度220℃、保压压力50 MPa、保压时间15 s,模具温度70℃。由Moldflow模型验证指出优化后的工艺参数组合能减少塑料件的注塑缺陷,提升塑料件的使用性能。     

基于CAE和神经网络的注射成型工艺参数优化

通过CAE数值模拟计算,研究了注射成型工艺参数对翘曲变形的影响,以工艺参数为输入参数,以翘曲变形量作为输出参数,构建神经网络模型。以CAE分析结果作为训练样本和校验样本,结合正交实验方法对注塑工艺参数进行优化。这种方法把CAE模拟技术、正交实验技术和神经网络技术有机结合,可以明显缩短优化工艺参数的时间,提高工艺设计效率,能获得比单纯使用正交实验和有限元分析更好的结果。     

基于Moldflow和BP神经网络的薄壳注塑件预测

基于Moldflow平台,通过正交试验研究了一模两腔薄壳注塑件成型工艺参数对翘曲量的影响。以流动速率、保压压力、保压时间、熔体温度和模具温度五个工艺参数为输入,注塑件翘曲量参数作为输出,在Matlab神经网络工具箱中建立三层BP神经网络;利用Moldflow正交试验所得工艺参数与翘曲量的数据作为训练样本对神经网络进行训练,得到注塑工艺参数与注塑件翘曲量之间的非线性映射关系,并验证该神经网络的泛化能力。结果表明,该神经网络能较好地预测薄壳注塑件翘曲量。