基于遺傳算法的注塑成型工藝參數優化研究

朱丹

(陜西能源職業技術學院 實踐教學管理處， 陜西 咸陽 712000)

0 引言

測量一個地區的降雨量對實施過程中的精度要求極高，測量過程中應杜絕發生雨水迸濺的情況，而控釋注水漏斗在整個監測過程中發揮了極其重要作用，這就決定了注塑成型工藝參數優化的顯著意義。伴隨著計算機應用技術日新月異的發展，各種計算機輔助技術已經應用到模具設計的各個環節流程之中，改善優化工藝參數的同時，也大大縮短了加工周期[1-2]。為了克服應用軟件本身的局限性，領域內的學者們又開始試圖利用各種數學方法來進行工藝參數的優化。

現在國內外常用的設計方法包含：試驗設計法和建模尋優法。前者主要包括均勻試驗法以及正交試驗法等。后者主要包括遺傳算法和響應面法等[3]?；诰鶆蛟囼灧ㄔ谟绊懸蛩胤秶恢聲r，具有明顯降低試驗次數的優勢。本研究首先基于均勻試驗法設計試驗，在此基礎上利用響應面法和遺傳算法對工藝參數實施優化。

1 響應面模型的建立

為了更好驗證模型可靠性，本研究采取了響應面的二階模型，為式(1)。

(1)

式中,y為翹曲變形量；a0、ai、aii、aij為模型系數；n為影響因素數；xi、xj為設計變量；ε為精度誤差。

為了降低模擬次數，采用均勻試驗方法設計試驗表，并將試驗表中的參數正規化至[-1，1]的范圍，代入式(1)中，便可獲得塑件翹曲變形量的響應模型[4-5]。經分析可得，模型中對翹曲變形量影響顯著的單一項是注射和保壓時間，影響顯著的二次項為保壓時間，交互項主要有注射溫度與保壓壓力、注射溫度與保壓時間、注射溫度與注射壓力、冷卻時間與注射壓力、保壓時間與保壓壓力。

第一組彼此影響因素注射溫度及保壓壓力的響應面方程為式(2)。

(2)

與式(2)對應的交互作用響應面，如圖1所示。

顯然，曲面的最低點對應較小翹曲變形量，所以應在這些點選取注塑參數。

第二組影響因素注射溫度及保壓時間的響應面方程為式(3)。

圖1 交互作用響應面圖

(3)

與式(3)對應的交互作用響應面，如圖2所示。

圖2 交互作用響應面圖

由圖發現，伴隨注射溫度減少及保壓時間的延長，變形量相應的減小。即要獲得較小的翹曲變形量，注射溫度應該取較小的值而保壓時間則應該盡量取較大的值。

第三組交互影響因素注射溫度和壓力的響應面方程為式(4)。

(4)

與式(4)對應的交互作用響應面，如圖3所示。

圖3 交互作用響應面圖

與圖1相類似，在曲面低谷處對應較小的翹曲變形量，故在這些點選取注塑參數即可獲得理想的結果。

第四組交互影響因素注射溫度和壓力的響應面方程為式(5)。

(5)

與式(5)對應的交互作用響應面，如圖4所示。

與圖3相類似，在曲面低谷處對應較小的翹曲變形量，故在這些點選取注塑參數即可獲得理想的結果[6]。

第五組交互影響因素注射溫度和壓力的響應面方程為式(6)。

圖4 交互作用響應面圖

(6)

與式(6)對應的響應面，如圖5所示。

圖5 交互作用響應面圖

可以發現，翹曲變形量的變化并不十分明顯。

2 模型精度的驗證

為了對前文構建的模型精度進行驗證，這里采用了重新產生采樣點的方式，需要驗證的主要參數是可決系數R2，其計算式為式(7)。

(7)

式中,m為樣本總數，yi為對應的采樣點的實際值。R2取值接近于1的程度，可說明模型的精確度[7-8]。

經過計算，最終可得翹曲變形量和體積收縮率模型的可決系數為0.988 3和0.977 4，十分靠近于1，說明前文構建的模型方程具有較高的精度。

3 基于遺傳算法優化工藝參數

根據式(1)可分別建立翹曲變形量以及體積收縮率的適應度函數，二者分別為@fitness和@fitness2，接下來為了完成對前文構建模型的最優化搜索[9]，調取了Matlab中的遺傳算法工具箱。搜索結果表明，兩個適應度函數囊括的七個影響因素的優化范圍依次為：注射溫度為190-228 °C;冷卻時間為34-68 s;保壓壓力為39-57 MPa;模具溫度為58-80 °C;注射時間為2.1-4.9 s;注射壓力為70-100 MPa;保壓時間為2-5 s[10]。遺傳算法迭代次數設為100，種群規模數量設為75，其它參數全部都設置為默認值。最后進行仿真得到的塑件工藝參數迭代尋優過程,分別如圖6、圖7所示。

由圖6、圖7可知，分別經過67次和54次迭代后停止，即能獲得最優的翹曲變形量和體積收縮率，分別為0.108 9 mm和1.42%。

圖6 翹曲變形量迭代尋優

圖7 體積收縮率迭代尋優

相應的獲得最佳工藝參數，如圖8所示。

圖8 最佳工藝參數

對注射溫度、冷卻時間、注射時間、保壓壓力、模具溫度、保壓時間、注射壓力七個參數取整后，獲得最優參數值依次分別為190 °C,68 s,4.9 s,57 MPa,80 °C,5 s,100 MPa。

4 總結

全面探討了注塑過程中不同的工藝參數取值組合對內傾斜控釋注水漏斗塑件翹曲和體積問題的影響，基于多因素試驗方法，構建了響應面模型。緊接著利用重新產生采樣點方法驗證了模型精度，并運用遺傳算法對模型實施優化搜索，最后對尋優結果完成分析。其中，翹曲變形和體積收縮分別經過67和54次迭代后方可獲得最佳尋優值，分別為0.108 9 mm、1.42%。此時對應的參數組合順序為：注射時間4.9 s、冷卻時間68 s、注射溫度190 °C、保壓時間5 s、保壓壓力57 MPa、模具溫度80 °C、注射壓力100 MPa。