基于BP神經網絡的汽車后視鏡主殼注塑工藝優化的研究

姜鶴明，錢志強，王曙光，錢學鋮

(浙江工貿職業技術學院光電制造學院，浙江 溫州 325037)

伴隨著新能源汽車市場的快速發展，汽車中塑料產品呈現多樣化、復雜化和精細化的要求。其中汽車后視鏡主殼是汽車塑料模具生產中一個比較復雜的問題，主殼主要分為內形和外形兩個區域，其中外形要匹配汽車整體造型的風格，一般采用圓潤、流線型的設計，對表面質量要求高，而內形主要是一些功能性的結構，如支撐固定部分。與此在節能減排，節約原材料成本，車輛真題輕量化設計的同時后視鏡塑料整體要求壁薄，還有一定的機械強度，抗變形性、耐候性強。

汽車中多數塑料制件通過注射塑料的方式成型，其中汽車后視鏡主殼在注射成型過程中，受到很多因素的影響。未經優化的工藝參數容易導致塑料制件產生如翹曲變形、熔接痕、縮孔缺陷、充填不足、表面質量問題等缺陷，尤其是翹曲變形問題直接決定塑料制件的使用性能。

傳統汽車塑料模具需要在正式量產前進行多次工藝測試，并結合人工經驗判斷，最終確定最佳工藝參數。人工經驗判斷耗時長，其結果并伴隨不同人員的經驗而變化，具有不確定性。因此通過對塑料產品提出綜合評價指標，引入BP神經網絡的方法建立模型，并在模流分析軟件Moldflow的驗證下，可以快速有效的確定最佳工藝參數[1～2]。

1 BP神經網絡結構

BP（Back Propagation）神經網絡以多個自變量因素作為輸入層，以多個因變量因素作為輸出層，同時建立隱藏層聯接輸入層和輸出層，以實現高度非線性映射的目的[3]。BP神經網絡是一種常用的神經網絡學習算法，具有自組織、自學習和聯想記憶的特點，在隱藏層節點數量足夠的情況下下，帶有偏差且具有至少一個S型隱藏層加上線性輸出層的BP神經網絡能夠逼近任意復雜的非線性函數[4～5]。本文將后視鏡主殼注塑成型過程中重要的工藝參數熔體溫度（℃）、模具溫度（℃）、注射時間（s）、注射壓力（MPa）和冷卻時間（s）作為輸入層，塑件產品綜合質量作為輸出層，具體網絡結構如圖1所示。

圖1 BP神經網絡結構圖

后視鏡主殼塑件形狀如圖2所示，其外形尺寸為247.6 mm×122.3 mm×86.2 mm，體積為=2.6×106 mm3。后視鏡主殼是汽車后視鏡組件的主要承載零件，結構稍為復雜，產品壁厚1.5～5.5 mm。其中前端為鏡片安裝部分鏡口內緣、外緣采用光滑圓弧過渡。后視鏡后端為鏡背殼安裝面，主殼內部設置有2個螺柱。后視鏡主殼的安裝支座設置在右下角，其兩側都設置有結構安裝特征。

圖2 汽車后視鏡結構圖

綜合考慮塑料制品的價格、表面質量、穩定性、耐候性等方面，后視鏡主殼塑件材料選用聚碳酸酯和丙烯腈-丁二烯-苯乙烯共聚物（PC /ABS）。

在針對后視鏡主殼注射成型工藝進行研究時，考慮到后視鏡塑件的成型質量和使用壽命則需要：更高的剪切模量（Shear modulus）其評價值為EV1=（1/剪切模量）；更低的翹曲值（Warpage value）其評價值為EV2=翹曲值；更短的冷卻時間（Cooling time）其評價值為EV3=冷卻時間。再利用加權平均法確定一個總體評價指標（Comprehensive quality）作為輸出層，總體評價指標CQ與各個產品屬性的關系式如下所示：

其中，α、β、γ三個權值大小取0.25、0.6、0.15。

2 BP神經網絡神經元的獲取

利用UG NX12.0建立后視鏡主殼，并導入模流分析軟件Moldflow進行分析。其中網格縱橫比1.12，網格匹配率95.1%。塑料齒輪的材料選取聚碳酸酯和丙烯腈-丁二烯-苯乙烯（PC/ABS），密度1.05～1.20 g/cm3。后視鏡主殼在Moldflow中的網格模型如圖3所示。

圖3 后視鏡主殼網格劃分圖

后視鏡主殼成型時，為保證塑料產品質量需要更高的剪切模量、更低的翹曲值和更短的冷卻時間，除此之外還需要盡可能低的模具溫度和盡可能短的注射時間。模流分析中以5個自變量熔體溫度（Melt temperature）、模具溫度（Mold temperature）、注射壓力（Injection pressure）、注射時間（Injection time）、冷卻時間（Cooling time）的不同參數水平進行正交試驗，參數的取值范圍由Moldflow成型窗口模擬得出，取值范圍如下表1所示，所得數據見表 2。

表1 后視鏡主殼模擬取值范圍表

表2 后視鏡主殼模擬結果表

3 神經網絡的訓練

設計后視鏡主殼BP神經網絡訓練時，輸入層（Input layer）、 輸 出 層（Output layer） 和 隱 含 層（Hidden layer）均設置為一層。其中輸入層（Input layer）節點數為5，輸出層（Output layer）節點數為1，其為綜合評價指標，隱含層（Hidden layer）的節點數一般取值范圍為0～10，本次節點數選取7[6]。BP神經網絡訓練算法中最大運行5 000次，期望均方差值為模型預測值與實際值之間的均方差誤差限為1×10-6。

4 數據的訓練

設置好以上的參數并在MATLAB中運行，最終結果如圖4。

從圖4可見，后視鏡BP神經網絡訓練圖為一條下降的曲線，從第5 000次迭代開始，曲線逐漸收斂于1×10-5的直線，由此可知均方誤差逐次收斂并達到期望值，說明BP神經網絡對數據的訓練結果良好，可以獲得比較穩定的方差。

圖4 后視鏡主殼訓練結果圖

5 神經網絡模型的驗證

后視鏡主殼BP神經網絡模型建立之后，為了驗證模型的可靠性，將模型預測的輸出結果與實際數據進行對比如圖5所示。

圖5 補充數據對比圖

將預測值與實際值進行對比得到20組比較數據。由圖可知誤差在2%～12.5%，其平均誤差在4.75%。不超過5%，由此可知即通過BP神經網絡預測的數據是有實際指導意義的。

其中，總體評價指標（Comprehensive quality）最小值代表在綜合評價中此組工藝參數后視鏡主殼的剪切模量更高、翹曲值更低、冷卻時間更低。由此可見當熔體溫度為255 ℃，模具溫度為50 ℃，注射壓力為175 MPa，注射時間為0.39 ，冷卻時間為8 s時，這組綜合評價指標CQ值最小，由此可知組工藝參數生產的后視鏡主殼綜合性能最好。

對此組工藝參數輸入Moldflow進行驗證，根據軟件輸出結果分別為剪切模量5 227.0 MPa、翹曲值0.743 mm、冷卻時間8 s時其綜合評價指標最高。模擬結果與預測基本一致，通過優化后的工藝參數對后視鏡主殼成型加工有實際的使用價值和重要的參考意義。

6 結論

針對汽車后視鏡主殼塑料成型過程中彈性模量要求高、翹曲值低、成型冷卻時間短等要求，提出了后視鏡主殼綜合評價指標值CQ并采用BP神經網絡建立的模型訓練工藝參數數據，最終利用Moldflow進行模擬驗證。結果表明通過BP神經網絡預測結果與實際值比較平均誤差在5%以內，可見訓練的神經網絡模型誤差在可接受范圍。

綜合評價指標值CQ最低的一組，即當工藝參數中熔體溫度為255 ℃，模具溫度為50 ℃，注射壓力為175 MPa，注射時間為0.39 s，冷卻時間為8 s時后視鏡主殼綜合性能最好。與Moldflow軟件分析結果一致。由此可知通過BP神經網絡優化的工藝參數并以此為依據建議設計，加工制造模具生產的后視鏡主殼，可以快速的確定最佳工藝參數使產品達到最佳的綜合質量。