BP神經(jīng)網(wǎng)絡(luò)與GA算法相結(jié)合的空調(diào)風(fēng)葉翹曲均勻性優(yōu)化

黃立東，周小蓉

（湖南機(jī)電職業(yè)技術(shù)學(xué)院機(jī)械工程系，湖南 長沙410151）

0 前言

空調(diào)中的風(fēng)葉作為送風(fēng)的主要裝置，其性能的好壞直接關(guān)系到空調(diào)工作狀況的好壞。風(fēng)葉注塑時(shí)，由于各個(gè)葉片受到的壓力可能不同，將使得各個(gè)葉片產(chǎn)生的翹曲不一致，這將直接決定著風(fēng)葉葉片的品質(zhì)，因此必須確保3個(gè)葉片翹曲的平衡性。

關(guān)于注塑產(chǎn)品的翹曲優(yōu)化問題，許多學(xué)者都做過相關(guān)研究，F(xiàn)ei等[1]利用BP神經(jīng)網(wǎng)絡(luò)對產(chǎn)品進(jìn)行了翹曲預(yù)測及優(yōu)化；Gao等[2]利用Kriging代理模型減少了產(chǎn)品翹曲量；Erzurumlu等[3]采用正交實(shí)驗(yàn)、信噪比率和遺傳算法得出了最小翹曲和縮痕指數(shù)的優(yōu)化組合；Hakimian等[4]利用正交實(shí)驗(yàn)研究了微齒輪的翹曲和收縮性質(zhì)；Deng等[5]利用MIPS方法及GA算法對產(chǎn)品翹曲量進(jìn)行了優(yōu)化。不過以上研究大多集中于對產(chǎn)品翹曲量最值的優(yōu)化，而對于注塑產(chǎn)品而言，翹曲的整體均勻性甚至比翹曲量最值更重要，因此，簡單的以翹曲量的最大值來衡量最終產(chǎn)品翹曲的好壞，具有一定的局限性。對于本文提出的空調(diào)風(fēng)葉件，3個(gè)葉片的翹曲均勻性就對最終產(chǎn)品品質(zhì)起著決定性作用。本文研究的空調(diào)風(fēng)葉計(jì)算機(jī)輔助工程（CAE）模型如圖1所示，未注塑時(shí)，其3個(gè)葉片葉尖處A、B、C 3點(diǎn)的坐標(biāo)如圖1所示。注塑后，由于空調(diào)風(fēng)葉件發(fā)生翹曲變形，A、B、C 3點(diǎn)原本一致的Z軸坐標(biāo)很難再保持一致，這說明了空3個(gè)葉片的翹曲并不均勻?qū)ΨQ，而對于實(shí)際生產(chǎn)的空調(diào)風(fēng)葉件，其葉尖處A、B、C 3點(diǎn)處的Z軸坐標(biāo)必須處于一定的范圍才能滿足實(shí)際要求。因此，本文提出采用3個(gè)葉片葉尖A、B、C 3點(diǎn)Z軸坐標(biāo)差值的最大值來衡量3個(gè)葉片的翹曲均勻性，并以工藝參數(shù)模具溫度、熔體溫度、注射時(shí)間、保壓時(shí)間、保壓壓力為設(shè)計(jì)變量，A、B、C 3點(diǎn)Z軸坐標(biāo)差值的最大值為目標(biāo)變量，采用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建設(shè)計(jì)變量與目標(biāo)變量之間的數(shù)學(xué)關(guān)系模型，并利用GA算法對數(shù)學(xué)模型進(jìn)行全局最優(yōu)求解，以提高產(chǎn)品最終的翹曲均勻性。

1 CAE模型建立

圖1 有限元模型Fig.1 CAE Model

結(jié)合實(shí)際生產(chǎn)在Moldflow軟件中構(gòu)建如圖1所示的有限元模型，其中網(wǎng)格為雙面網(wǎng)格，其中網(wǎng)格匹配率為90.8%，通過非牛頓流動非等溫條件下的廣義Hele-shaw[6]流動控制方程控制熔融聚合物的充填。分析類型采用填充＋保壓＋翹曲，材料為丙烯腈-苯乙烯共聚物（AS）＋20%玻璃纖維，工藝參數(shù)設(shè)置采取默認(rèn)。得到填充時(shí)間為1.692 s，澆口凍結(jié)時(shí)間為11.59 s，速度/壓力（V/P）轉(zhuǎn)換時(shí)壓力為55.62 MPa，如圖2所示。根據(jù)經(jīng)驗(yàn)，保壓壓力一般為V/P轉(zhuǎn)換壓力的60%～120%，保壓時(shí)間為不能大于澆口凍結(jié)時(shí)間減去注射時(shí)間，因此保壓壓力為33～67 MPa左右，保壓時(shí)間不能大于9.9 s。

根據(jù)CAE默認(rèn)分析，得到注射位置處的注射壓力變化如圖3所示，由圖3可以看出，注射位置處的最大壓力為55 MPa左右，注射位置處的壓力隨時(shí)間呈均勻變化趨勢，這說明了在填充過程中整個(gè)產(chǎn)品上的壓力梯度是均勻的，說明了充填平衡及充填效果良好。

圖2 默認(rèn)工藝參數(shù)CAE模擬結(jié)果Fig.2 CAE analysisresults under the default parameters

2 田口實(shí)驗(yàn)設(shè)計(jì)及CAE模擬

選取四水平五因素進(jìn)行田口實(shí)驗(yàn)設(shè)計(jì)，表頭選用L16（45），根據(jù)材料屬性，模具溫度范圍為40～80℃，熔體溫度范圍為200～270℃，結(jié)合CAE默認(rèn)分析得到的注射時(shí)間、保壓壓力及保壓時(shí)間范圍，確定各因素及水平的設(shè)置如表1所示。

根據(jù)田口實(shí)驗(yàn)設(shè)計(jì)方案進(jìn)行CAE模擬，得到正交矩陣及模擬結(jié)果如表2所示。

3 BP神經(jīng)網(wǎng)絡(luò)構(gòu)建

BP神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的時(shí)變性、非線性逼近能力，大量文獻(xiàn)[7-11]都有過關(guān)于BP神經(jīng)網(wǎng)絡(luò)的介紹，筆者在此就不再介紹。筆者在表2中隨機(jī)選取11組數(shù)據(jù)對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，用剩余的5組數(shù)據(jù)進(jìn)行驗(yàn)證。采用mapminmax函數(shù)對數(shù)據(jù)進(jìn)行歸一化處理，訓(xùn)練后的網(wǎng)絡(luò)結(jié)構(gòu)為5-16-1，隱含層采用logsig傳遞函數(shù)，輸出層為purelin線性函數(shù)，采用traingd函數(shù)進(jìn)行訓(xùn)練。得到訓(xùn)練均方差隨著迭代的變化如圖4、5所示。從圖4可以看出，經(jīng)過2965次迭代后，誤差減小到0.00001，迭代結(jié)束，BP神經(jīng)網(wǎng)絡(luò)構(gòu)建完成。圖4為構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)預(yù)測值與CAE模擬值對比圖，可以看出，構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)預(yù)測值與實(shí)際值達(dá)到了很好的吻合。這說明構(gòu)建的BP網(wǎng)絡(luò)能夠很好的反映目標(biāo)函數(shù)與設(shè)計(jì)變量的之間的函數(shù)關(guān)系。

圖3 注射位置處壓力Fig.3 Pressure atinjection location

表1 因素與水平設(shè)置Tab.1 Factors and level set

表2 實(shí)驗(yàn)正交矩陣及模擬結(jié)果Tab.2 Experiments of orthogonal matrix and simulationresults

圖4 訓(xùn)練誤差Fig.4 Trainning error

圖5 BP神經(jīng)網(wǎng)絡(luò)預(yù)測誤差Fig.5 BP network prediction error

4 遺傳算法工藝尋優(yōu)

遺傳算法是模擬自然界遺傳機(jī)制和生物進(jìn)化論而成的一種并行隨機(jī)搜索最優(yōu)化方法，大量文獻(xiàn)[12-16]對遺傳算法都有過介紹。筆者基于上述構(gòu)建的BP網(wǎng)絡(luò)模型，采用實(shí)數(shù)編碼遺傳算法求解上述約束非線性最小值問題。種群大小為20，交叉概率為0.4，變異概率為0.2，經(jīng)過100次迭代得到目標(biāo)函數(shù)最優(yōu)值為0.0445，小于所有訓(xùn)練和測試樣本的值。遺傳算法優(yōu)化進(jìn)程如圖6所示，當(dāng)經(jīng)過50次迭代左右，適應(yīng)度就達(dá)到最優(yōu)值0.0445。得到最優(yōu)工藝參數(shù)組合為：模具溫度45℃、熔體溫度205℃、注射時(shí)間1.8 s、保壓時(shí)間6 s、保壓壓力50 MPa。

5 結(jié)果驗(yàn)證

根據(jù)得到的優(yōu)化工藝參數(shù)，得到優(yōu)化前后空調(diào)風(fēng)葉整體翹曲情況對比如圖7所示。其中圖（a）表示優(yōu)化前的風(fēng)葉整體翹曲情況，Z軸的最大翹曲量為0.746 mm，圖7（b）為優(yōu)化后的整體翹曲情況，Z軸的最大翹曲量為0.396 mm。通過對比可以看出，優(yōu)化后的風(fēng)葉不僅最大翹曲量由0.746 mm降為了0.396 mm，而且風(fēng)葉的整體翹曲也更加均勻。

圖6 適應(yīng)度曲線Fig.6 Fitness curve

圖7 優(yōu)化前后風(fēng)葉翹曲對比Fig.7 Blade warp contrast before and after optimization

圖8 實(shí)際生產(chǎn)驗(yàn)證Fig.8 Actual production verification

根據(jù)優(yōu)化后的工藝參數(shù)進(jìn)行實(shí)際生產(chǎn)驗(yàn)證，得到實(shí)際生產(chǎn)的空調(diào)風(fēng)葉如圖8所示，其中圖（a）為生產(chǎn)的空調(diào)風(fēng)葉件產(chǎn)品，圖（b）為機(jī)械手自動取件的空調(diào)風(fēng)葉件注塑生產(chǎn)，圖8（c）為生產(chǎn)的風(fēng)葉件3個(gè)葉片尖部A、B、C 3點(diǎn)處的Z軸測量檢測，經(jīng)抽樣檢測，實(shí)際生產(chǎn)的空調(diào)風(fēng)葉件滿足公司內(nèi)部標(biāo)準(zhǔn)，并且3個(gè)葉片的翹曲均勻。這實(shí)際驗(yàn)證了BP神經(jīng)網(wǎng)絡(luò)與遺傳算法相結(jié)合優(yōu)化工藝參數(shù)解決產(chǎn)品翹曲均勻性的可行性。

6 結(jié)論

（1）以打點(diǎn)風(fēng)葉葉片尖部Z軸坐標(biāo)最大差值來衡量風(fēng)葉各葉片的翹曲均勻性是可行的；

（2）通過BP神經(jīng)網(wǎng)絡(luò)與遺傳算法相結(jié)合的方法能很好的進(jìn)行工藝參數(shù)優(yōu)化以改善風(fēng)葉的翹曲均勻性。

[1]Fei Yin，Huajia Mao.Back Propagation Neural Network Modeling for Warpage Prediction and Optimization of Plastic Products Duringinjection Molding[J].Materials and Design，2011，32：1844-1850.

[2]Yuehua Gao，Xicheng Wang.Surrogate-based Process Optimizing forreducing Warpageininjection Molding[J].Journal of Materials Processing Technology，2009，209：1302-1309.

[3]Erzurumlua T，B Ozcelik.Minimization of Warpage and Sinkindexininjection-molded Thermoplastic Parts Using Taguchi Optimization Method[J].Materials and Design，2006，27：853-861.

[4]Hakimian E，A B Sulong.Analysis of Warpage and Shrinkage Properties ofinjection-molded Micro Gears Polymer Composites Using Numerical Simulations Assisted by the Taguchi Method[J].Materials and Design，2012，42：62-71.

[5]Yimin Deng，Yong Zhang.A Hybr id of Mode-pursuing Sampling Method and Genetic Algorithm for Minimization ofinjection Molding Warpage[J].Materials and Design，2010，31：2118-2123.

[6]Kim S W，L S Turng.Developments of Three-dimensional Computer-a ided Engineering Simulation forinjection Moulding[J].Modelling and Simulationin Materials and Engineering，2004，12：151-173.

[7]Sadeghi B H M.A BP-neural predictor model for Plasticinjection Molding Process[J].Journal of Materials Processing Technology，2000，103（3）：411-416.

[8]Chow T T，G Q Zhang，Z Lin，et al.Global Optimization of Absorption Chiller System by Genetic Algorithm and Neural Network[J].Energy Build，2002，34（1）：103-109.

[9]Cheng J，Li Q S A hybr id Artificial Neural Network Method with Uniform Design for Structural Opitimization[J].Comput.Mech，2009，44（1）：61-71.

[10]Ozcelik B，T Erzurumlu.Comparison of the Warpage Optimizationin the Plasticinjection Molding Using ANOVA，Neural Network Model and Genetic Algorithm[J].Journal of Materials Processing Technology，2006，171（3）：437-445.

[11]史 峰，王小川.Matlab神經(jīng)網(wǎng)絡(luò)30個(gè)案例分析[M].北京：北京航空航天大學(xué)出版社，2010：1-45.

[12]Cook D F，C Tragsdale.Combining a neural Network with a Genetic Algorithm for Process Parameter Optimization[J].Engineering Applications of Artificialintelligence，2000，13（4）：391-39.

[13]Zhou J，A.Kramschuster.Single and Multiobjective Optimization forinjection Molding Using Numerical Simulation with Surrogate Models and Genetic Algorithm[J].International Polymer Processing，2006，21（5）：509-520.

[14]Kurtaran H，T Erzurumlu.Efficient Warpage Optimization of Thin Shell Plastic Parts Usingresponse Surface Methodology and Genetic Algorithm[J].International Journal of Advanced Manufaturing Technology，2006，27（5/6）：468-472.

[15]Shen Changyu，Wang Lixia，Li Qian.Optimization ofinjection Molding Process Parameters Using Combination of Artificial Neural Network and Genetic Algorithm Method[J].Journal of Materials Processing Technology，2007，183：412-418.