基于遺傳算法的復雜薄壁件注射成型工藝參數優化

谷麗花，辛 勇

（南昌大學機電工程學院，江西 南昌330031）

0 前言

隨著汽車、電子儀表、家用電器等行業中的注塑件生產朝著輕量化、復雜化及薄壁化的方向發展，對注塑件性能、外觀要求越來越高，增加了成型難度。復雜薄壁件注射成型過程中所產生的翹曲仍是生產中的難題，尤其是復雜薄壁精密塑件在有尺寸配合要求的場合、塑件的形狀尺寸精度往往很高，要求達到精密甚至超精密。因此，如何選擇合適的工藝模型來優化塑件成型過程具有重要的意義。

目前，許多學者將CAE 技術與正交試驗、田口實驗、Kriging模型等科學統計試驗方法相結合，研究注塑產品成型質量與不同注射成型參數的內在關系，對工藝參數及模擬計算結果進行系統的分析，優化注射成型工藝參數［1－7］。然而，塑件注射成型過程中各因素之間存在高度非線性關系，塑件的成型過程的能量損耗、填充時間、成型質量等物理指標與注塑機的性能、注射成型工藝等因素都有密切的關系，難以采用常規的統計實驗分析的數學函數進行描述，同時CAE 分析技術與統計實驗分析相結合的方法難以描述成型工藝參數之間的耦合作用對注射成型質量及其他技術指標的影響規律，同時缺乏集成化及智能化特點。

人工神經網絡技術具有強大的非線性函數逼近能力，利用它可以對非線性特征很強的注射成型工藝和塑件翹曲變形量關系進行擬合。遺傳算法是基于自然選擇和群體遺傳機理的隨機優化算法，是一種適用于復雜形態函數的全局尋優方法［8－9］。本文將基于BP神經網絡結合遺傳算法，采用正交實驗方法及CAE 分析技術相結合的方法，對復雜薄壁件的塑件變形量注射成型工藝參數進行優化。

1 產品建模及工藝分析

本文采用大批量生產的復雜薄壁塑件車載充電器（如圖1所示）進行產品建模及工藝分析，該塑件的結構特點是塑件為空心，由上下2個塑件分別成型裝配而成，并且2 個塑件具有流線形外表面，表面具有鏤空，塑件厚度為0.9mm，軸向長度為75mm，注射成型時由于長徑比過大且塑件形貌復雜容易產生翹曲，成型后的塑件產生的翹曲很容易在階梯配合及插孔端軸孔配合時不符合生產裝配要求。

圖1 車載充電器的計算機輔助設計（CAD）模型Fig.1 CAD model for the car charger

該車載充電器由丙烯腈－丁二烯－苯乙烯共聚物（ABS）成型，建模后對車載充電器的幾何模型進行網格劃分。按照表1 中CAE 分析推薦的工藝參數對該塑件注射成型工藝過程進行模擬分析，經過計算機的求解，得到該塑件的流動、冷卻以及翹曲分析結果。

表1 車載充電器注射成型模擬工藝參數設置Tab.1 Parameter settings of car charger injection molding simulation process

圖2 車載充電器翹曲分析結果Fig.2 Warpage analysis of car charger

車載充電器翹曲分析結果如圖2 所示，從圖中可以看出該塑件最大翹曲變形量為0.2811mm，出現在有螺紋口的插口處。較大的翹曲變形量增大了裝配誤差，本文針對注復雜薄壁件成型過程中翹曲變形量過大而無法滿足裝配公差的問題，基于BP神經網絡和遺傳算法優化該塑件的注射成型工藝參數，達到了降低塑件翹曲變形量，滿足裝配要求的目的。

2 BP網絡模型及遺傳算法研究

2.1 神經網絡預測模型

神經網絡技術模擬生物神經系統，通過神經元之間的相互連接形成自適應非線性動態系統，映射事物之間的模糊函數關系［10－11］。本文基于Matlab軟件平臺采用3層BP 網絡模型，如圖3所示，輸入神經元個數（n）為6，相對應6個工藝參數，即模具溫度、熔體溫度、注射時間、保壓時間、保壓壓力、冷卻時間；隱含神經元個數（m）為7，輸出層為1個神經元，即塑件翹曲變形量（y）。輸入層和中間層之間采用雙曲正切S型傳遞函數（tansig）計算得到中間層各單元的輸出值；中間層和輸出層之間采用線性傳遞函數purelin，計算得到輸出層單元響應。

圖3 神經網絡模型Fig.3 The model of neural network

為了使構建的神經網絡系統獲取工藝參數同產品翹曲變形量之間的函數關系，需要實驗樣本對神經網絡進行訓練。采用正交試驗設計和CAE 模擬技術相結合，得到訓練樣本和測試樣本。選用L25（56）正交實驗，得到25組訓練樣本，表2為正交試驗因素水平表。

基于表2中所列樣本數據，訓練過程是采用梯度下降法從初始值中隨機選取權重對網絡結構連接權矩陣進行迭代計算，權重被反復迭代直到數據收斂為止。訓練過程通過更新迭代權重來減少最小化網絡預測值同訓練值之間的均方差，訓練值設置如下：

表2 正交試驗因素水平表Tab.2 Table of factors and levels

式中 E——均方差

Pi——第i個神經元的輸出

η——學習率控制穩定性和網絡的收斂速率

Δωij——誤差值

訓練目標誤差取值為10－6，訓練代數設置為60000。訓練結果如圖4所示，經過16979步的訓練達到設定目標值10－6。

圖4 訓練誤差曲線Fig.4 Training error curve

訓練好的網絡還需要進行測試才可以判定網絡的可靠性。再隨機追加5組實驗，得到網絡預測值與仿真值之間的預測誤差表如表3所示。從表3中可看出，神經網絡對工藝參數的映射結果與CAE數值模擬所得結果相吻合，最大誤差值不超過2%，達到了較高的預測精度。由此可以證明BP神經網絡的預測是可靠的［12］。

表3 預測值與有限元分析值結果對比Tab.3 Compared predicted value with the finite element analysis result

2.2 遺傳算法優化過程

前文所構建的基于BP 神經網絡的車載充電器翹曲變形量預測模型是一個黑箱模型，傳統的數學規劃方法不能求出最優解，而遺傳算法正好適合這種模式的尋優。因此，結合客觀約束條件以及各工藝參數推薦取值范圍構建了車載充電器的翹曲變形量優化數學模型，并采用遺傳算法對車載充電器翹曲量進行優化求解，塑件翹曲變形量y 的遺傳算法優化模式可描述為如式（3）所示。算法優化過程如圖5所示。

其中，約 束 條 件 為：30≤Tm≤70，200≤T ≤280，1.0≤It≤3.0，8≤Pt≤16，50≤Pt≤90，18≤Ct≤34。

3 預測結果與實驗驗證

3.1 預測結果

從圖6中可看出，隨著遺傳代數的增加，優化目標值在不斷下降，并最終收斂于0.23mm 附近。經過300代的遺傳進化，得到車載充電器的變形量為0.2311mm，最優工藝參數為模具溫度80 ℃，熔體溫度為240 ℃，注射時間為0.5s，保壓時間為9.0s，保壓壓力為90MPa，冷卻時間為30s。將最優工藝參數代入車載充電器有限元分析模型，對車載充電器的翹曲量進行CAE計算分析，模擬得到車載充電器翹曲變量為0.2313mm（圖7），兩者之間誤差為0.0864%，與預測值幾乎吻合。

將優化結果與優化前CAE 結果進行比較發現，翹曲變形量由0.2811mm（圖2）降低到0.2311mm，降低了21.63%，提高了塑件的成型質量，得到滿足裝配要求的塑件。

圖5 遺傳算法優化過程Fig.5 Optimization process of genetic algorithm

圖6 遺傳算法優化結果Fig.6 Genetic algorithm optimization results

圖7 最優參數組合的CAE模擬結果Fig.7 CAE simulation results with the optiml parameter

3.2 實驗驗證

采用優化后的最佳工藝組合來進行生產驗證，成型后的車載充電器如圖8所示，在實際結果測試中，應用三坐標測量儀對成型后的塑件的翹曲進行測量，變形量為0.2326 mm，與預測值0.2311 mm 基本吻合。實驗結果表明基于BP 神經網絡結合遺傳算法優化后的工藝參數降低了車載充電器的翹曲變形量，解決了該塑件因翹曲變形量過大而達不到裝配要求的問題。進一步證明了所提出的基于BP 神經網絡結合遺傳算法的優化成型工藝方法的可靠性與有效性。

圖8 車載充電器塑件Fig.8 The car charger plastic part

4 結論

（1）塑 件 的 翹 曲 變 形 量 從0.2811 mm 減 小 到0.2313mm，降低了21.53%，且與成型實驗結果高度吻合，有效控制了改塑件的翹曲變形量，滿足了裝配使用要求；

（2）BP神經網絡結合遺傳算法優化復雜塑件成型工藝參數的技術方法具有一定的科學性與合理性，能夠用于指導生產實踐。

［1］ 劉國文，黃風立.基于Kriging模型的組合型腔注射模澆注系統多目標優化設計［J］.模具制造，2011，（7）：1－5.Liu Guowen，Huang fengli.Multi－objectiveRunner Optimization for Injection Mold of Combinational Cavities Based on Kriging Model［J］.Mould Industry，2011，（7）：1－5.

［2］ Gao Y H，Wang X C.An Effective Warpage Optimizaiton Method in Injection Molding Based on Kriging Model［J］.International Journal of Advanced Manufacturing Technology，2008，37（9）：953－960.

［3］ Gao Y H，Wang X C.Surrogate－based Process Optimization for Reducing Warpage in Injection Molding［J］.Journal of Materials Processing Technology，2009，209：1302－1309.

［4］ Gao Y H，Tumg L S，Wang X C.Adaptive Geomerty and Process Optimizaiton for Injection Molding Using Kriging Surrogate Model Trained by Numerical Simulation［J］.Advances in Polymer Technology，2008，26（5）：1－16.

［5］ 高月華.基于Kriging代理模型的優化設計方法及其在注塑成型中的應用［D］.大連：大連理工大學工程力學系，2009.

［6］ Guo W，Hua L，Mao H J，et al.Pridiction of Warpage in Plastic Injection Molding Based on Design of Experiments［J］.Journal of Mechanical Science and Technology，2012，26（4）：1133－1139.

［7］ Guo W，Hua L，Mao H J.Minimizing the Warpage and Sink Mark Depth in Injection－Molded Thermoplastics［J］.Advanced Materials Research，2011，189／193：2081－2086.

［8］ 王 偉，夏 薇，廖小平.塑件質量的BP神經網絡智能控制研究［J］.模具工業，2008，34（2）：12－15.Wang Wei，Xia Wei，Liao Xiaoping.Research on BPNeural Network Intelligent Control of Injection Moulding Product Quality［J］.Mould Industry，2008，34（2）：12－15.

［9］ 雷英杰，張善文，李續武，等.MATLAB遺傳算法工具箱及運用［M］.西安：西安電子科技大學出版社，2005：45－142.

［10］ 馬 進.基于遺傳算法和神經網絡的鍋爐汽水系統模型參數優化［D］.北京：華北電力大學能源動力與機械工程學院，2009.

［11］ 劉美容.基于遺傳算法、小波與神經網絡的模擬電路故障診斷方法［D］.長沙：湖南大學電氣與信息工程學院，2009.

［12］ Fei Yin，Huajie Mao，Lin Hua，et al.Back Propagation Neural Network Molding for Warpage Prediction and Optimization of Plastic Products During Injection Molding［J］.Material and Design，2011，32：1844－1850.