CN101853318A - 塑料注射成形中冷却时间的快速预测方法 - Google Patents
塑料注射成形中冷却时间的快速预测方法 Download PDFInfo
- Publication number
- CN101853318A CN101853318A CN201010168304A CN201010168304A CN101853318A CN 101853318 A CN101853318 A CN 101853318A CN 201010168304 A CN201010168304 A CN 201010168304A CN 201010168304 A CN201010168304 A CN 201010168304A CN 101853318 A CN101853318 A CN 101853318A
- Authority
- CN
- China
- Prior art keywords
- cool time
- neural network
- plastics
- training
- injection molding
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Injection Moulding Of Plastics Or The Like (AREA)
Abstract
本发明公开了一种塑料注射成形中冷却时间的快速预测方法。通过已知的塑料和模具参数等,预测所需冷却时间的方法。具体实现方案是:(1)分析冷却时间的主要影响因素;(2)设计神经网络训练的样本;(3)设计和训练BP神经网路;(4)建立冷却时间快速预测模型;(5)通过实例来验证该模型的优越性。利用本发明可以快速准确的预测塑料注射成型的冷却时间,对缩短模具设计制造周期、提高制造精度与性能有重要作用。
Description
技术领域
本发明涉及塑料注射成型领域,尤其涉及一种塑料注射成形中冷却时间的快速预测方法。
背景技术
在市场经济条件下,产品的质量与成本已成为企业生存发展的生命线。实践证明,注射成型CAE技术对加快新产品开发、提高产品质量、降低成本起着关键作用,是支持企业确立竞争优势的强有力的手段。随着塑料工业的飞速发展,塑料注射模传统的手工设计与制造已无法适应当前的形势。20年来的实践表明,缩短模具设计与制造周期、提高塑料制造精度与性能的正确途径之一是采用CAD/CAE/CAM技术。80年代以来,注射模CAD/CAM技术已从实验室研究阶段进入了实用化阶段,并在生产中取得了明显的经济效益。注射模CAD/CAM技术的发展和推广被公认为CAD技术在机械工业中应用的一个典范,目前正在向网络化、微机化、智能化、集成化、三维化发展。
发明内容
本发明的目的在于提出一种塑料注射成形中冷却时间的快速预测方法,综合影响冷却时间的主要因素,通过冷却时间快速预测模型计算出较准确的冷却时间,对缩短模具设计制造周期、提高制造精度与性能有重要作用。
采用的具体技术方案如下:
一种塑料注射成形中冷却时间的快速预测方法,包括如下步骤:
(1)确定冷却时间的主要影响因子,即模具材料的导温系数α1、塑料材料的导温系数α2、温度比值(Ti-Tc)/(Te-Tc),(其中Ti为注射温度、Tc为冷却水的温度、Te为开模温度)、制品的厚度h以及冷却系统的面积S,并给每个影响因子设置多个不同的水平。
(2)设计神经网络训练的样本空间
对上述确定的影响因子及其水平进行优化组合,将优化组合后的结果作为输入值,用CAE软件模拟出冷却时间的大小,作为输出值,构成神经网络训练的样本空间。
(3)设计和训练反向传播神经网路即BP神经网络,具体过程如下:
①确定网络的层数
理论上已经证明:具有偏差和至少一个S型隐含层加上一个线性输出层网络,能够逼近任何有理函数。增加层数主要可以更进一步的降低误差,提高精度,但同时也使网络复杂化,从而增加了网络权值的训练时间和出现“过拟合”的倾向。所以一般情况下,选用三层的BP神经网络,即输入层,隐含层,输出层。
②初始化参数
在初始化之前,对输入值和输出值其进行归一化处理,使其最大值和最小值均在0~1之间。由于系统是非线性的,初始值对于学习是否达到局部最小、是否能够收敛以及训练时间的长短的关系很大。在MATLAB工具箱中一般采用激活函数nwlog.m(该激活函数为对数S型)或nwtan.m(该激活函数为双曲正切S型)来初始化隐含层的权值W1和阈值B1,采用随机取值函数rands.m来初始化输出层的权值W2和阈值B2。
③确定学习速率
学习速率的选取范围在0.01-0.08之间。学习速率决定每一次循环训练中所产生的权值变化量。大的学习速率可能导致系统的不稳定;但小的学习速率导致较长的训练时间,可能收敛很慢,不过能保证网络的误差值不跳出误差表面的低谷而最终趋于最小误差值。所以在一般情况下,倾向于选取较小的学习速率以保证系统的稳定性。
④确定隐含层的神经元节点数
在BP神经网络中,隐含层神经元节点数对建立的神经网络模型的性能影响很大。神经元节点数太少,神经网络不能很好的学习,训练需要的循环次数也多;神经元节点数越多,功能越大,循环次数也就是训练时间也随之增加,同时也会导致出现“过拟合”的情况。隐含层神经元节点数一般在2-25之间。本发明在相同的期望误差下,针对不同的神经元节点数进行训练对比,循环次数最少的情况即为最佳隐含层神经元节点数。
⑤选取期望误差
在设计BP神经网络的过程中,期望误差也要通过对比训练后才能确定。通过对不同期望误差下的BP神经网络进行训练,所需循环次数最少的,即确定为最佳期望误差。
利用MATLAB下的神经网络工具箱进行训练的流程图如图1所示。
(4)建立冷却时间快速预测模型
将训练所得的神经元节点数和期望误差写入MATLAB神经网络工具箱,训练生成BP神经网络模型。在VC++环境下实现冷却时间的快速预测的界面化。其流程图如图2所示。
通过冷却时间快速预测模型,能快速的预测出冷却时间,对缩短模具设计制造周期、提高制造精度与性能有重要作用。
附图说明
图1为在MATLAB中训练BP神经网络流程图
图2为冷却时间快速预测模型程序实现流程图
图3为冷却时间快速预测模型设计流程图
具体实施方式
以下结合附图和具体实施例对本发明做进一步说明。
本文基于一个平板类零件研究塑料注射成形中冷却时间的快速预测方法。
(1)确定冷却时间的主要影响因子,即模具材料的导温系数α1、塑料材料的导温系数α2、温度比值(Ti-Tc)/(Te-Tc),(其中Ti为注射温度、Tc为冷却水的温度、Te为开模温度)、制品的厚度h以及冷却系统的面积S,并给每个影响因子设置三个不同的水平。选取制品的长为120mm,宽为30mm,厚度分别取为2mm,5mm,8mm三个水平,其他影响因子及其水平如表1所示。模具的大小均为180mm×50mm×50mm。
表1冷却时间影响因子水平设计表
(2)设计神经网络训练的样本空间
本实施例采用田口试验设计方法对这五个影响因子及其三个水平进行优化组合,以通过数目较少的实验可以获得在所有影响因子在不同水平条件下的最优水平组合。本发明选用了L27(35)正交实验表,将优化后的水平组合作为输入值,用HsCAE软件模拟出冷却时间的大小,作为输出值,作为神经网络训练的样本空间,如表2所示。
表2五因子三水平正交实验表
(3)设计和训练反向传播神经网路即BP神经网络
BP神经网络是一种多层网络结构,相邻层之间为单向完全连接。它采用类似“黑盒”的方法,通过学习和记忆,模拟输入和输出间的映射关系,比较适合自变量与因变量间无理想数学表达式的复杂系统。
具体应用BP神经网络的计算原理如下:
(1)向前传播阶段
隐含层第j个神经元的输出为
式中,f1为隐含层激活函数,m为输入层神经元数,l为隐含层神经元数,wjk为隐含层第j个神经元与输入层第k个神经元之间的权值;xk为输入层第k个神经元的输入值;bj为隐含层第j个神经元的阈值;
输出层第i个神经元的输出为
式中,f2为输出层激活函数,n为输出层神经元数,wij为输出层第i个神经元与隐含层第j个神经元之间的权值;bi为输出层第i个神经元的阈值。
输出层的输出误差为
式中,ti为第i个神经元的目标输出。
(2)误差向后传播阶段
按照δ规则,连接权值与阈值的调整增量Δw应与误差梯度成比例,即
式中,η为学习速率。
输出层权值变化。对从第j个输入到第i个输出的权值、阈值调整量为
隐含层权值变化。对从第k个输入到第j个输出的权值、阈值调整量为
本实施例中的具体过程如下:
1.确定网络的层数
本发明的输出层为1,即注塑模的冷却时间,选取27个典型样本作为输入层,隐含层数为1层,网络为三层。
2.初始化参数
首先,在初始化参数之前,先对输入值和输出值进行归一化处理,使其最大值和最小值均在0~1之间。
用小的随机数对隐含层和输出层的权值W和阈值B初始化,以保证网络不被大的加权输入饱和。具体过程如下:
[W1,B1]=nwtan(S1,R);//用nwtan.m给隐含层权值赋值
[W2,B2]=rands(S2,S1);//用rands.m给输出层权值赋值
3.确定学习速率
大的学习速率可能导致系统的不稳定,但小的学习速率导致较长的训练时间,本次选取较小的学习速率0.01以保证系统的稳定性。
4.确定隐含层的神经元节点数
为了确定究竟取多少神经元节点数为最佳,本实例针对不同的神经元节点数S1进行训练对比。为了节省训练时间,选择期望误差为err_goal=0.1,通过观察比较完成训练所需的循环次数的情况得出最佳隐含层神经元节点数。训练结果如表3所示。
表3BP神经网络训练结果
从表3中可以看出以下几种情况:
1)若神经元节点数太少,神经网络不能很好的学习,训练需要的循环次数也多,如S1=2时,循环次数一直增加到最大训练次数时,也没达到期望误差,这说明,神经元节点数较小时,难以实现训练结果。当S1=4时,虽然可以达到期望误差,但是所需要的循环次数较多,也不是理想的状况。
2)一般而言,神经元节点数S1越多,功能越大,但是当神经元数太多,如表3中当取S1大于16之后,循环次数也就是训练时间也随之增加,网络解决问题的能力就开始出现问题。
3)当S1取5,6时,循环次数差不多,在所有取值之中,所需的训练时间较少,因此取隐含层神经元节点数S1=5和S1=6为最佳。具体取S1=5还是S1=6,要结合期望误差的训练结果来看。
5.选取期望误差
本实例通过对不同期望误差下的BP神经网络进行训练,同时结合隐含层神经元节点数的取值,所需循环次数最少的,即确定为最佳期望误差。训练的结果如表4所示。
表4神经网络训练结果
由表4可以看出,当误差目标小于0.1时,无法实现训练结果,因此取误差目标为0.1。在相同的隐含层节点数的情况下,S1=6比S1=5时的训练次数更少,因此选S1=6。
(4)将训练所得的神经元节点数和期望误差写入MATLAB神经网络工具箱,训练生成BP神经网络模型(cool_time.net文件)。并在VC++环境下实现冷却时间的预测界面。
最后通过一些典型制品的案例来测试冷却时间快速预测模型,并通过HSCAE模拟出相应的制品的冷却时间,将两者的结果进行比较,同时结合与冷却时间的理论计算公式的对比,体现冷却时间快速预测模型的优越性。
根据各案例的模具材料,塑料材料,查阅其导热系数、比热容和熔融密度等,计算出其模具材料的导温系数a1、塑料材料的导温系数a2、温度比值、冷却系统的总面积,从而得出各案例在冷却时间快速预测模型中的输入值,如表5所示。
表5各案例的参数输入值
将表5中各参数值输入冷却时间快速预测模型,得到冷却时间预测值。同时用HSCAE对该制品的冷却过程进行模拟,得到与实际生产过程比较吻合的冷去时间模拟值,并计算出冷却时间预测值和冷却时间模拟值的相对误差。与现有的理论公式计算得出的冷却时间值对比,结果如表6所示。
表6误差结果对比
通过这五个案例的比较分析,我们可以看出预测出的冷却时间结果和HSCAE模拟的结果比较接近,误差不是很大。而由冷却时间的理论公式计算得出的值与冷却时间的模拟值误差则比较明显,由此可见冷却时间快速预测模型对冷却时间的估算的准确度有一定的帮助。
Claims (4)
1.一种塑料注射成形中冷却时间的快速预测方法,该方法包括以下步骤:
(1)确定冷却时间的影响因子,并给每个影响因子设置多个不同的水平
所述影响因子包括模具材料的导温系数α1、塑料材料的导温系数α2、温度比值(Ti-Tc)/(Te-Tc),制品的厚度h以及冷却系统的面积S,其中Ti为注射温度、Tc为冷却水的温度、Te为开模温度;
(2)设计神经网络训练的样本空间
对上述各影响因子及其水平采用田口实验设计方法进行优化组合,将优化组合后的结果作为输入值,用CAE软件模拟出冷却时间的大小,作为输出值,构成神经网络训练的样本空间;
(3)设计和训练反向传播神经网路即BP神经网络,具体过程如下:
①确定网络的层数
选用三层的BP神经网络,所述三层分别为输入层,隐含层和输出层;
②初始化参数
在MATLAB工具箱中采用激活函数nwlog.m或nwtan.m来初始化隐含层的权值W1和阈值B1,采用随机取值函数rands.m来初始化输出层的权值W2和B2;
③确定学习速率
所述学习速率的选取范围在0.01-0.08之间;
④确定所述隐含层的神经元节点数
针对不同的神经元节点数进行训练对比,将循环次数最少的情况确定为最佳隐含层神经元节点数;
⑤选取期望误差
对不同期望误差下的BP神经网络进行训练,所需循环次数最少的期望误差确定为最佳期望误差;
(4)建立冷却时间快速预测模型
将训练所得的神经元节点数和期望误差写入MATLAB神经网络工具箱,训练生成BP神经网络模型,并根据上述BP神经网络模型实现冷却时间的快速预测的界面化,从而实现对塑料注射成形中冷却时间的快速预测。
2.根据权利要求1所述的一种塑料注射成形中冷却时间的快速预测方法,所述的步骤(1)中,每个影响因子设置三个水平。
3.根据权利要求1或2所述的一种塑料注射成形中冷却时间的快速预测方法,其特征在于,其特征在于,在步骤(3)中进行初始化参数之前,先对输入值和输出值进行归一化处理。
4.根据权利要求1-3之一所述的一种塑料注射成形中冷却时间的快速预测方法,其特征在于,所述实现冷却时间的快速预测的界面化的过程在VC++环境下完成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010168304A CN101853318A (zh) | 2010-05-11 | 2010-05-11 | 塑料注射成形中冷却时间的快速预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010168304A CN101853318A (zh) | 2010-05-11 | 2010-05-11 | 塑料注射成形中冷却时间的快速预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101853318A true CN101853318A (zh) | 2010-10-06 |
Family
ID=42804808
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201010168304A Pending CN101853318A (zh) | 2010-05-11 | 2010-05-11 | 塑料注射成形中冷却时间的快速预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101853318A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106055787A (zh) * | 2016-05-30 | 2016-10-26 | 广西科技大学 | 一种基于bp神经网络的汽车内饰面板注塑成型工艺 |
CN108897925A (zh) * | 2018-06-11 | 2018-11-27 | 华中科技大学 | 一种基于铸件缺陷预测模型的铸造工艺参数优化方法 |
CN111444619A (zh) * | 2020-03-30 | 2020-07-24 | 华中科技大学 | 一种注塑模具冷却系统在线分析方法及设备 |
CN113007482A (zh) * | 2021-02-04 | 2021-06-22 | 中国科学院高能物理研究所 | 一种长距离低温输送管线的自动降温方法 |
-
2010
- 2010-05-11 CN CN201010168304A patent/CN101853318A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106055787A (zh) * | 2016-05-30 | 2016-10-26 | 广西科技大学 | 一种基于bp神经网络的汽车内饰面板注塑成型工艺 |
CN108897925A (zh) * | 2018-06-11 | 2018-11-27 | 华中科技大学 | 一种基于铸件缺陷预测模型的铸造工艺参数优化方法 |
CN108897925B (zh) * | 2018-06-11 | 2020-09-08 | 华中科技大学 | 一种基于铸件缺陷预测模型的铸造工艺参数优化方法 |
CN111444619A (zh) * | 2020-03-30 | 2020-07-24 | 华中科技大学 | 一种注塑模具冷却系统在线分析方法及设备 |
CN111444619B (zh) * | 2020-03-30 | 2022-12-02 | 华中科技大学 | 一种注塑模具冷却系统在线分析方法及设备 |
CN113007482A (zh) * | 2021-02-04 | 2021-06-22 | 中国科学院高能物理研究所 | 一种长距离低温输送管线的自动降温方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rayegani et al. | Fused deposition modelling (FDM) process parameter prediction and optimization using group method for data handling (GMDH) and differential evolution (DE) | |
CN110640982A (zh) | 一种薄壁注塑件的注塑工艺参数多目标优化方法 | |
CN111563347B (zh) | 一种纤维增强复合材料的注塑工艺参数优化方法 | |
CN110377948A (zh) | 一种注塑参数多目标优化方法 | |
CN109101698B (zh) | 一种基于注塑成型模型的特征选取方法、装置及存储介质 | |
CN108519556A (zh) | 一种基于循环神经网络的锂离子电池soc预测方法 | |
Meiabadi et al. | Optimization of plastic injection molding process by combination of artificial neural network and genetic algorithm | |
CN106570255B (zh) | 一种基于行人保护的负泊松比吸能结构的优化方法 | |
Lee et al. | A neural network approach to the modelling and analysis of stereolithography processes | |
CN101853318A (zh) | 塑料注射成形中冷却时间的快速预测方法 | |
AlKaabneh et al. | A combined analytical hierarchical process (AHP) and Taguchi experimental design (TED) for plastic injection molding process settings | |
CN109783898A (zh) | 一种注塑成型生产工艺参数的智能优化方法 | |
CN103455612B (zh) | 基于两阶段策略的非重叠与重叠网络社区检测方法 | |
CN105676637B (zh) | 基于预测函数控制的分子量输出pdf控制方法 | |
CN114881289A (zh) | 一种基于数字孪生的熔铸装药成型工艺参数优化方法及系统 | |
CN109344538A (zh) | 一种基于模型确认技术的车身梁截面设计方法 | |
CN113103535A (zh) | 一种基于ga-elm-ga的注塑件模具参数优化方法 | |
CN113642160A (zh) | 一种基于bp神经网络和鱼群算法的铝合金发动机缸体铸造工艺设计优化方法 | |
Kwak et al. | Application of neural network and computer simulation to improve surface profile of injection molding optic lens | |
Cheng et al. | Optimization of injection mold based on fuzzy moldability evaluation | |
Khorasani et al. | Determination of optimum SLA process parameters of H-shaped parts | |
Kessels et al. | Optimising the flow pipe arrangement for resin infusion under flexible tooling | |
CN101118569A (zh) | 塑料注射成型过程中注射时间参数的确定方法 | |
Yang et al. | Research on Optimization of Injection Molding Process Parameters of Automobile Plastic Front‐End Frame | |
Cao et al. | Experimental-based optimization of polymer injection molding process parameters using anfis-ga method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20101006 |