CN104527009A - 基于高斯预测的注塑成型工艺参数优化调控方法 - Google Patents

Abstract

本发明公开了基于高斯预测的工艺参数优化调控方法，包括如下步骤：(1)、选择制品质量指标和工艺参数，把工艺参数根据响应速度的快慢分类为主动参数和被动参数；(2)、建立高斯预测模型，获得质量指标预测值；(3)、优化调控：用关联分析方法算出被动参数对制品质量指标影响的关联度大小并排序；依该顺序对被动参数的值进行调整，至高斯预测模型得出的质量指标预测值不超出最大允许误差范围；(4)、回归调整：向初始值方向逐步调整主动参数的值，重复步骤(2)和步骤(3)直至主动参数和被动参数均回归到各自的初始值。本发明能根据工艺参数的响应速度分类进行协同调整，保证制品质量，能解决因不可预测的因素带来的产品质量问题。

Description

基于高斯预测的注塑成型工艺参数优化调控方法

技术领域

本发明属于注塑控制技术领域，特别涉及基于高斯预测的注塑成型工艺参数优化调控方法。

背景技术

注塑成型是复杂多变量、非线性且具有周期性的非稳态过程，在注塑过程中，制品的质量在很大程度上会受到工艺参数的影响。由于工艺参数与塑料制品质量之的非线性、强耦合性和时变性，以及工艺参数之间的内在联系和多重相关性，所以工艺参数在线控制的研究相当复杂。因此，如何实现多个工艺参数的在线控制一直是一个难题。

在工艺参数的调整过程中，不同的工艺参数组合会生产出质量不同的产品，有些工艺参数的响应速度比较快，可以快速变化至设定值；而有些工艺参数的响应速度相对比较慢，需要一定的时间才能变化至设定值。若将所有工艺参数一视同仁的进行调整，势必会使设定的系统控制响应滞后，即实际生产的工艺参数组合与调整设定的工艺参数组合不相吻合，进而影响注塑产品的质量。另外，各个工艺参数对同一产品质量指标的影响程度以及同一工艺参数对不同质量指标的影响程度并不相同，不同的工艺参数之间也具有关联性，若要实现参数调整过程中控制质量处于合格状态的同时其他质量指标也处于合格范围内，就需要根据工艺参数之间以及工艺参数与质量指标之间的协同，来确定调整工艺参数的对象及调整量的大小和方向。

针对注塑成型质量的在线监测比较困难，质量判断所需时间较长等问题，很多专家从建立工艺参数与质量指标之间的关系模型进行突破，试图实现对制品质量的闭环智能控制，以提高系统的抗干扰性和控制精度。在国内，《注塑过程的闭环多变量质量控制研究》(张飞，中图分类号TP391，论文编号102870312-S103，南京航空航天大学)提出了间歇过程过渡状态的性能监测方法与控制优化策略，主要研究注塑过程的闭环多变量质量控制，当注塑制品的质量发生偏差时，系统自动寻找新的最优设定点，实现在线控制注塑制品质量；《人工神经网络专家系统注塑工艺参数在线调控系统》(王华山，《塑料科技》，2004，(159)：11-14)提出了注塑工艺参数智能调控系统,具体说明了人工神经网络与专家系统相结合的方法,描述了用BP神经网络产生专家控制系统规则的过程；《塑料注射过程中注塑件缺陷的智能修正方法及注塑机》(中国专利申请号：200510061146.8)发明了基于视觉信息的制品成型缺陷在线监测装置，提出了工艺参数自动修正的模糊推理有限反例样本多维空间非线性回归分析的新方法，实现了工艺参数的协同高效修正。在国外，《Walter Michaeli.Neural Networks forQuality Prediction and Closed-loop Quality Control in Automotive Industry》(OliverSchnerr，ANTEC，98，1998：660-664)开发出一个基于神经网络的注塑过程自适应调节系统。系统包括试验模型与控制模型，试验模型是基于BP神经网络建立的注塑成型动态参数与制品质量的模型，控制模型根据试验模型预测的制品质量，按照控制准则动态调节注塑成型过程中的质量漂移；《A genetic neural fuzzy system-based quality prediction model forinjection process》(Erguo，Li，Li，Jia，Jinshou，Yu，Computers and ChemicalEngineering，2002，26(2002)：1253-1263.)构建了注塑成型过程的遗传神经模糊系统，并采用混合学习算法分两个阶段对系统进行训练，使得的系统具有更好的性能及泛化能力。《Neural-fuzzy modeling of plastic injection molding machine for intelligentcontrol》(Lau HCW，Wong TT，Pun KF.Expert Systems with Applications，1999，33-43.)通过建立注塑成型过程的模糊神经网络模型来实现其智能控制。但是上述方法大部分致力于预测模型的建立或者控制系统的实现，虽然系统实现比较稳定，但是并没有考虑到注塑成型生产过程的实际条件，即工艺参数在调整过程中变化速度不同的问题。

发明内容

本发明要解决的技术问题是提供一种能根据工艺参数的响应速度分类进行协同调整，保证制品质量的基于高斯预测的注塑成型工艺参数优化调控方法，应用该方法能解决因不可预测的因素带来的产品质量问题,特别是周围环境温度变化引起的质量问题。

为解决上述技术问题，本发明采用如下技术方案：

基于高斯预测的注塑成型工艺参数优化调控方法，包括如下步骤：

(1)、选择制品质量指标和工艺参数，设定制品质量指标的最大允许误差范围和工艺参数的取值范围；把工艺参数根据响应速度的快慢分类为主动参数和被动参数；记录主动参数和被动参数的初始值；

(2)、建立高斯预测模型：根据工艺参数及制品质量指标样本数据建立高斯预测模型，然后针对工艺参数的变化对制品质量指标进行预测；

(3)、优化调控：如果高斯预测模型获得的质量指标预测值超出最大允许误差范围，则进行优化调控；首先进行关联性分析，利用关联分析方法计算出被动参数对制品质量指标影响的关联度大小及方向，并从大至小排序；然后依关联度顺序对被动参数的值进行调整，通过高斯预测模型重新获得质量指标预测值；反复调整被动参数的值，直至高斯预测模型得出的质量指标预测值不超出最大允许误差范围，由此得到对应于主动参数变化的被动参数协同调整值；

(4)、回归调整：按步长向初始值方向逐步调整主动参数的值，每一步都重复步骤(2)和步骤(3)协同调整被动参数的值，得到对应于该步的工艺参数值；直至主动参数和被动参数均回归到各自的初始值，由此得到对应于主动参数变化的每一步被动参数协同调整值。

本发明的突出优点在于：能根据工艺参数的响应速度分类进行协同调整，保证制品质量，能解决因不可预测的因素带来的产品质量问题,特别是周围环境温度变化引起的质量问题。

附图说明

图1是本发明基于高斯预测的注塑成型工艺参数优化调控方法的流程图。

具体实施方式

下面结合附图对本发明的具体实施方式作进一步的说明，但不构成对本发明保护范围的限制。

实施例：

以汽车前栅格的注塑成型过程为例。由于汽车前栅格属于体积较大的薄壁件，在注塑过程中容易出现翘曲变形，故选择翘曲量作为质量指标，选取注射压力Pi、熔体温度Tm、保压压力Pp、第一段保压时间tp、注射时间ti五个工艺参数。

翘曲量与工艺参数之间的高斯预测模型表示为：

Y＝F(Pi,Tm,Pp,tp,ti)。

工艺参数的取值范围为：

注射压力：38<Pi<50MPa；

熔体温度：200<Tm<230℃；

保压压力：28<Pp<36MPa；

保压时间：7<tp<12s；

注射时间2<ti<2.5s；

其中熔体温度为主动参数，其余为被动参数。

由于过度降低翘曲量可能会带来其他质量缺陷，故设定翘曲量的允许误差范围为[0.55mm，0.63mm]。

已知正常成型过程中工艺参数与翘曲量的高斯预测模型为

Y(0.5948)＝F(43,210,34,11,2.2)

在主动参数即熔体温度Tm由210℃增加到215℃时，由高斯建模模块得到翘曲量的高斯预测模型为

Y(0.8208)＝F(43,215,34,11,2.2)

由于翘曲量预测值0.8208>0.63，超过允许误差范围，故需要进行优化调控：

首先利用球面连接法分析求出被动参数对翘曲量的关联度并从大到小排序，得到被动参数对翘曲量影响的关联度由大到小的顺序为：ti、Pp、Pi、tp；然后依此顺序对被动参数依次进行优化调整。

被动参数优化调整方法：首先根据主动参数和质量指标的波动值，以及主动参数和将要进行调整的被动参数对质量指标的影响度的大小，确定被动参数的调节量初始值，依此得到调整后的质量预测值；然后将本次的质量波动值Δ(k)(调整后的质量预测值与调整前的质量预测值之差)与上一次调整后的质量波动值Δ(k-1)的一半进行比较。若说明此次被动参数的调整量较小，对质量波动的影响不是很明显，故将该被动参数的调节量增大一倍；若则要判断Δ(k)的正负，若Δ(k)>0,说明该被动参数的调整已经比较合适，继续调整下一个被动参数；若Δ(k)<0，说明本次被动参数的调整量过大，影响了质量控制的平稳性，因此需要减小调整量，将调整量减小一半。

按照上述被动参数优化调整方法对所有被动参数进行优化调整，经过优化调整被动参数至(ti+0.2、Pp+1、Pi+1)时高斯预测模型如下：

Y(0.5792)＝F(44,215,35,11,2.4)

预测值0.5792在翘曲量允许误差范围内。

以熔体温度降低1℃为步长，逐步调整熔体温度至初始值210℃，每一步调整时均对翘曲量通过高斯预测模型进行预测，如翘曲量超出允许误差范围，重复优化调控过程，得到翘曲量在允许误差范围内的被动参数调整值；直到主动参数和被动参数均回归至初始值，保证生产出来的制品质量始终处于合格的范围内。。

如表1所示为当熔体温度由215℃降到210℃过程中，针对翘曲量用高斯预测模型进行预测，未优化调控和采用本发明方法进行优化调控获得的预测值比较；从表中可知，经过优化调控后预测的翘曲量始终处于允许误差范围内。

表1未优化调控和优化调控的翘曲量预测值比较

Claims (1)

1.基于高斯预测的注塑成型工艺参数优化调控方法，其特征在于，包括如下步骤：

(1)、选择制品质量指标和工艺参数，设定制品质量指标的最大允许误差范围和工艺参数的取值范围；把工艺参数根据响应速度的快慢分类为主动参数和被动参数；记录主动参数和被动参数的初始值；

(2)、建立高斯预测模型：根据工艺参数及制品质量指标样本数据建立高斯预测模型，然后针对工艺参数的变化对制品质量指标进行预测；

(3)、优化调控：如果高斯预测模型获得的质量指标预测值超出最大允许误差范围，则进行优化调控；首先进行关联性分析，利用关联分析方法计算出被动参数对制品质量指标影响的关联度大小及方向，并从大至小排序；然后依关联度顺序对被动参数的值进行调整，通过高斯预测模型重新获得质量指标预测值；反复调整被动参数的值，直至高斯预测模型得出的质量指标预测值不超出最大允许误差范围，由此得到对应于主动参数变化的被动参数协同调整值；

(4)、回归调整：按步长向初始值方向逐步调整主动参数的值，每一步都重复步骤(2)和步骤(3)协同调整被动参数的值，得到对应于该步的工艺参数值；直至主动参数和被动参数均回归到各自的初始值，由此得到对应于主动参数变化的每一步被动参数协同调整值。