谷麗花，辛 勇

（南昌大學(xué)機電工程學(xué)院，江西 南昌330031）

0 前言

隨著汽車、電子儀表、家用電器等行業(yè)中的注塑件生產(chǎn)朝著輕量化、復(fù)雜化及薄壁化的方向發(fā)展，對注塑件性能、外觀要求越來越高，增加了成型難度。復(fù)雜薄壁件注射成型過程中所產(chǎn)生的翹曲仍是生產(chǎn)中的難題，尤其是復(fù)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(dá)到精密甚至超精密。因此，如何選擇合適的工藝模型來優(yōu)化塑件成型過程具有重要的意義。

目前，許多學(xué)者將CAE 技術(shù)與正交試驗、田口實驗、Kriging模型等科學(xué)統(tǒng)計試驗方法相結(jié)合，研究注塑產(chǎn)品成型質(zhì)量與不同注射成型參數(shù)的內(nèi)在關(guān)系，對工藝參數(shù)及模擬計算結(jié)果進(jìn)行系統(tǒng)的分析，優(yōu)化注射成型工藝參數(shù)［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(guān)系，塑件的成型過程的能量損耗、填充時間、成型質(zhì)量等物理指標(biāo)與注塑機的性能、注射成型工藝等因素都有密切的關(guān)系，難以采用常規(guī)的統(tǒng)計實驗分析的數(shù)學(xué)函數(shù)進(jìn)行描述，同時CAE 分析技術(shù)與統(tǒng)計實驗分析相結(jié)合的方法難以描述成型工藝參數(shù)之間的耦合作用對注射成型質(zhì)量及其他技術(shù)指標(biāo)的影響規(guī)律，同時缺乏集成化及智能化特點。

人工神經(jīng)網(wǎng)絡(luò)技術(shù)具有強大的非線性函數(shù)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(guān)系進(jìn)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(yōu)化算法，是一種適用于復(fù)雜形態(tài)函數(shù)的全局尋優(yōu)方法［8－9］。本文將基于BP神經(jīng)網(wǎng)絡(luò)結(jié)合遺傳算法，采用正交實驗方法及CAE 分析技術(shù)相結(jié)合的方法，對復(fù)雜薄壁件的塑件變形量注射成型工藝參數(shù)進(jìn)行優(yōu)化。

1 產(chǎn)品建模及工藝分析

本文采用大批量生產(chǎn)的復(fù)雜薄壁塑件車載充電器（如圖1所示）進(jìn)行產(chǎn)品建模及工藝分析，該塑件的結(jié)構(gòu)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(fù)雜容易產(chǎn)生翹曲，成型后的塑件產(chǎn)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(chǎn)裝配要求。

圖1 車載充電器的計算機輔助設(shè)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(jìn)行網(wǎng)格劃分。按照表1 中CAE 分析推薦的工藝參數(shù)對該塑件注射成型工藝過程進(jìn)行模擬分析，經(jīng)過計算機的求解，得到該塑件的流動、冷卻以及翹曲分析結(jié)果。

表1 車載充電器注射成型模擬工藝參數(shù)設(shè)置Tab.1 Parameter settings of car charger injection molding simulation process

圖2 車載充電器翹曲分析結(jié)果Fig.2 Warpage analysis of car charger

車載充電器翹曲分析結(jié)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(xiàn)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(fù)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(jīng)網(wǎng)絡(luò)和遺傳算法優(yōu)化該塑件的注射成型工藝參數(shù)，達(dá)到了降低塑件翹曲變形量，滿足裝配要求的目的。

2 BP網(wǎng)絡(luò)模型及遺傳算法研究

2.1 神經(jīng)網(wǎng)絡(luò)預(yù)測模型

神經(jīng)網(wǎng)絡(luò)技術(shù)模擬生物神經(jīng)系統(tǒng)，通過神經(jīng)元之間的相互連接形成自適應(yīng)非線性動態(tài)系統(tǒng)，映射事物之間的模糊函數(shù)關(guān)系［10－11］。本文基于Matlab軟件平臺采用3層BP 網(wǎng)絡(luò)模型，如圖3所示，輸入神經(jīng)元個數(shù)（n）為6，相對應(yīng)6個工藝參數(shù)，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(jīng)元個數(shù)（m）為7，輸出層為1個神經(jīng)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(shù)（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(shù)purelin，計算得到輸出層單元響應(yīng)。

圖3 神經(jīng)網(wǎng)絡(luò)模型Fig.3 The model of neural network

為了使構(gòu)建的神經(jīng)網(wǎng)絡(luò)系統(tǒng)獲取工藝參數(shù)同產(chǎn)品翹曲變形量之間的函數(shù)關(guān)系，需要實驗樣本對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。采用正交試驗設(shè)計和CAE 模擬技術(shù)相結(jié)合，得到訓(xùn)練樣本和測試樣本。選用L25（56）正交實驗，得到25組訓(xùn)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(shù)據(jù)，訓(xùn)練過程是采用梯度下降法從初始值中隨機選取權(quán)重對網(wǎng)絡(luò)結(jié)構(gòu)連接權(quán)矩陣進(jìn)行迭代計算，權(quán)重被反復(fù)迭代直到數(shù)據(jù)收斂為止。訓(xùn)練過程通過更新迭代權(quán)重來減少最小化網(wǎng)絡(luò)預(yù)測值同訓(xùn)練值之間的均方差，訓(xùn)練值設(shè)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(jīng)元的輸出

η——學(xué)習(xí)率控制穩(wěn)定性和網(wǎng)絡(luò)的收斂速率

Δωij——誤差值

訓(xùn)練目標(biāo)誤差取值為10－6，訓(xùn)練代數(shù)設(shè)置為60000。訓(xùn)練結(jié)果如圖4所示，經(jīng)過16979步的訓(xùn)練達(dá)到設(shè)定目標(biāo)值10－6。

圖4 訓(xùn)練誤差曲線Fig.4 Training error curve

訓(xùn)練好的網(wǎng)絡(luò)還需要進(jìn)行測試才可以判定網(wǎng)絡(luò)的可靠性。再隨機追加5組實驗，得到網(wǎng)絡(luò)預(yù)測值與仿真值之間的預(yù)測誤差表如表3所示。從表3中可看出，神經(jīng)網(wǎng)絡(luò)對工藝參數(shù)的映射結(jié)果與CAE數(shù)值模擬所得結(jié)果相吻合，最大誤差值不超過2%，達(dá)到了較高的預(yù)測精度。由此可以證明BP神經(jīng)網(wǎng)絡(luò)的預(yù)測是可靠的［12］。

表3 預(yù)測值與有限元分析值結(jié)果對比Tab.3 Compared predicted value with the finite element analysis result

2.2 遺傳算法優(yōu)化過程

前文所構(gòu)建的基于BP 神經(jīng)網(wǎng)絡(luò)的車載充電器翹曲變形量預(yù)測模型是一個黑箱模型，傳統(tǒng)的數(shù)學(xué)規(guī)劃方法不能求出最優(yōu)解，而遺傳算法正好適合這種模式的尋優(yōu)。因此，結(jié)合客觀約束條件以及各工藝參數(shù)推薦取值范圍構(gòu)建了車載充電器的翹曲變形量優(yōu)化數(shù)學(xué)模型，并采用遺傳算法對車載充電器翹曲量進(jìn)行優(yōu)化求解，塑件翹曲變形量y 的遺傳算法優(yōu)化模式可描述為如式（3）所示。算法優(yōu)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(yù)測結(jié)果與實驗驗證

3.1 預(yù)測結(jié)果

從圖6中可看出，隨著遺傳代數(shù)的增加，優(yōu)化目標(biāo)值在不斷下降，并最終收斂于0.23mm 附近。經(jīng)過300代的遺傳進(jìn)化，得到車載充電器的變形量為0.2311mm，最優(yōu)工藝參數(shù)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(yōu)工藝參數(shù)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(jìn)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(yù)測值幾乎吻合。

將優(yōu)化結(jié)果與優(yōu)化前CAE 結(jié)果進(jìn)行比較發(fā)現(xiàn)，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(zhì)量，得到滿足裝配要求的塑件。

圖5 遺傳算法優(yōu)化過程Fig.5 Optimization process of genetic algorithm

圖6 遺傳算法優(yōu)化結(jié)果Fig.6 Genetic algorithm optimization results

圖7 最優(yōu)參數(shù)組合的CAE模擬結(jié)果Fig.7 CAE simulation results with the optiml parameter

3.2 實驗驗證

采用優(yōu)化后的最佳工藝組合來進(jìn)行生產(chǎn)驗證，成型后的車載充電器如圖8所示，在實際結(jié)果測試中，應(yīng)用三坐標(biāo)測量儀對成型后的塑件的翹曲進(jìn)行測量，變形量為0.2326 mm，與預(yù)測值0.2311 mm 基本吻合。實驗結(jié)果表明基于BP 神經(jīng)網(wǎng)絡(luò)結(jié)合遺傳算法優(yōu)化后的工藝參數(shù)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(dá)不到裝配要求的問題。進(jìn)一步證明了所提出的基于BP 神經(jīng)網(wǎng)絡(luò)結(jié)合遺傳算法的優(yōu)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(jié)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(jié)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(jīng)網(wǎng)絡(luò)結(jié)合遺傳算法優(yōu)化復(fù)雜塑件成型工藝參數(shù)的技術(shù)方法具有一定的科學(xué)性與合理性，能夠用于指導(dǎo)生產(chǎn)實踐。

［1］ 劉國文，黃風(fēng)立.基于Kriging模型的組合型腔注射模澆注系統(tǒng)多目標(biāo)優(yōu)化設(shè)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(yōu)化設(shè)計方法及其在注塑成型中的應(yīng)用［D］.大連：大連理工大學(xué)工程力學(xué)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(zhì)量的BP神經(jīng)網(wǎng)絡(luò)智能控制研究［J］.模具工業(yè)，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(xù)武，等.MATLAB遺傳算法工具箱及運用［M］.西安：西安電子科技大學(xué)出版社，2005：45－142.

［10］ 馬 進(jìn).基于遺傳算法和神經(jīng)網(wǎng)絡(luò)的鍋爐汽水系統(tǒng)模型參數(shù)優(yōu)化［D］.北京：華北電力大學(xué)能源動力與機械工程學(xué)院，2009.

［11］ 劉美容.基于遺傳算法、小波與神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷方法［D］.長沙：湖南大學(xué)電氣與信息工程學(xué)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.