CN104809306A - 基于多质量指标的注塑成型工艺参数优化方法 - Google Patents

Abstract

本发明提供一种基于多质量指标的注塑成型工艺参数优化方法，包括以下步骤：步骤1：将各质量指标的重要性进行两两比对，将比对结果依序定义为1-9的比较尺度，建立质量判断矩阵，求出各质量指标在综合质量评价中的权重向量；步骤2：Taguchi正交试验设计，确定工艺参数和参数水平，试验结果得出各个质量指标的数据序列；步骤3：对各个质量指标的数据序列进行归一化处理，计算试验序列中各质量指标与综合质量评价的灰色关联系数；步骤4：根据步骤1中各质量指标权重和步骤3中灰色关联系数，求出各试验序列的综合质量评价的灰色关联度；步骤5：建立灰色关联度序列图和因子水平效应图，确定成型工艺参数的最优组合，实现多个质量指标要求的注塑成型工艺参数优化。

Description

基于多质量指标的注塑成型工艺参数优化方法

技术领域

本发明涉及塑料注射成型工艺参数优化，具体涉及到塑料注射成型产品有多个质量目标要求时的注射成型工艺参数优化方法。

背景技术

塑料制品广泛地应用于国民经济的各个领域，并发挥着越来越重要的作用，如航空航天、信息和通信、船舶、汽车制造、医学、建筑、农业及包装等领域。注塑成型已经成为塑料最重要的加工方法之一，且注塑制品约占塑料制品总量的三分之一。

注射成型是一个多变量的复杂非线性过程，其中影响制品质量的因素包括注塑机、材料性能、成型工艺参数和模具等。注塑成型工艺参数对制品质量有着至关重要的作用，影响熔体在型腔中的流动、传热、冷却等宏观状态和塑料的结晶、取向和应力等微观性能，最终影响了制品的性能和质量。工艺参数主要包括熔体温度、模具温度、充填时间、注射压力、速度/压力切换点、保压压力、保压时间、冷却时间、开模时间等。

注塑成型的制品质量常见的缺陷有翘曲变形、熔接痕、短射、凹陷、缩痕、收缩大、飞边、力学性能不足等。

注塑成型工艺参数的优化能在某个范围内克服制品的缺陷、获得高质量的塑件。但工艺参数的选择涉及成千上万种组合，如何在众多的工艺参数组合中寻求最优的成型工艺参数是一个研究难题。特别是当制品质量要求多个质量指标时，原本单目标的参数优化方法己经难以满足实际生产中复杂多样的需求，对多质量指标的注塑成型工艺参数优化方法进行研究是非常有必要的。

目前在注塑成型工艺参数多质量指标优化方面，常用的优化方法是基于Taguchi正交试验设计的综合平衡法、加权综合评分法、人工神经网络。

1、综合平衡法的多质量指标注塑成型工艺参数优化

综合平衡法是先对每个质量指标分别进行单质量指标的直观分析，得到每个质量指标的影响因素主次顺序和最佳工艺水平组合，然后根据理论知识和实际经验，对各指标的分析结果进行综合比较和分析，得出较优工艺方案。

优化步骤：(1)分别对各个质量指标进行直观分析，利用单目标优化方法找出各个指标的最优成型工艺参数和影响因素主次。(2)考虑各个因素的主次，综合平衡多个质量指标，找出尽可能满足每个指标的生产条件。

2、加权综合评分法的多质量指标注塑成型工艺参数优化

综合评分法是用于评价指标无法用统一量纲进行定量分析的场合，用无量纲的分数进行综合评价。各个质量指标对制品综合质量的影响程度各有侧重，同时各指标的量纲并不一致，加权综合评分将多目标问题转化为单目标，实现多目标问题的综合优化。

优化步骤：(1)将各个质量指标统一映射到[0，1]空间。(2)根据正交试验分析结果和各质量指标对制品综合质量的影响程度，按百分制加权，确定各质量指标的权值。(3)加权综合评分计算，得到综合评分。(4)对综合评分进行均值和方差分析，确定工艺参数对综合评分的影响程度和影响趋势图，分析得出最优的注塑成型工艺参数组合。

3、人工神经网络法的多质量指标注塑成型工艺参数优化

人工神经网络(Artificial Neural Networks,ANN)是一个复杂的、具有非线性特点的网络。利用ANN建立注塑工艺参数和质量目标值的关系模型，并通过试验设计数据训练的网络模型，最后找出最优的工艺参数。

优化步骤：(1)对Taguchi试验设计结果进行均值和方差分析，分别得到各质量指标的最值工艺参数组合及影响主次顺序。(2)利用加权综合评分法，选出兼顾多质量指标的工艺参数组合，建立训练样本数据。(3)设计网络结构和学习算法，建立基于BP人工神经网络的多质量指标的预测模型。(4)利用样本数据训练的神经网络模型，可以正确预测制品质量，为对工艺参数的优化提供了依据，从而达到对注塑成型工艺参数优化。

基于多质量指标的注塑成型工艺参数优化虽然已经取得了一些成果，但还存在一些不足需要深入研究，主要的缺点包括:

(1)综合平衡法将各个单一质量指标的最优成型工艺参数综合平衡，找出兼顾每个指标都可能好的工艺参数。主要考虑影响质量指标的主要因子，忽略了次要因子对质量指标的影响，虽然达到优化工艺参数的目的，但不是最优，与最优工艺参数有较大的误差，同时，对注塑成型工艺经验要求较高。

(2)加权综合评分法中，各个质量指标对制品综合质量的影响程度各有侧重，权值不同，在权值分配时，主观性较强，优化目标不精确，从而影响工艺参数优化后的效果。

(3)人工神经网络广泛应用于质量预测和工艺优化，但BP神经网络算法收敛速度慢，且对初始网络权重比较敏感，若以不同的权重初始化网络，往往会收敛于不同的局部极小值，预测误差比较大。同时还有可能出现过拟合现象，即当训练能力提高到一定程度后，继续提高训练能力则导致预测能力下降。

发明内容

当评价注塑制品的质量指标有多个时，如翘曲变形、体积收缩、缩痕、力学性能等，仅优化一个质量目标值是不能获得最优的工艺参数。为了使制品的各个质量指标都达到一个合理的值。提出了在Taguchi正交试验设计基础上，结合层次分析法(Analytic HierarchyProcess,AHP)和灰色关联分析法(Grey Relation Analysis,GRA)的注塑成型工艺参数多目标优化方法。通过该方法可以较好将注塑成型工艺参数与综合质量评价关联起来，从而多目标优化转换为灰色关联度的单目标优化，达到工艺参数优化的目的。

层次分析法较好地将模糊的各个质量指标的量化，得到多个质量指标在综合质量评价中的权重。针对各个质量指标要求，进行Taguchi正交试验设计。对试验结果进行灰色关联分析，得到各质量指标与试验序列的灰色关联系数。结合各质量指标的权重和灰色关联系数，进行灰色关联度计算，得到各个试验序列的灰色关联度，值最大的试验序列是试验中的最优成型工艺参数组合。最后对注塑成型工艺参数和灰色关联度进行均值，确定工艺参数对综合质量的影响程度，并得到最优工艺参数组合，满足各个质量指标的要求。

综合质量评价指标包括多个质量指标时，本发明的基于多质量指标的注塑成型工艺参数优化方法，基本步骤如下；

步骤1：层次分析法，即将各质量指标的重要性进行两两比对，将比对结果依序定义为1-9的比较尺度，建立质量判断矩阵，求出各质量指标在综合质量评价中的权重向量；

步骤2：Taguchi正交试验设计，确定工艺参数和参数水平，试验结果得出各个质量指标的数据序列；

步骤3：对各个质量指标的数据序列进行归一化处理，计算试验序列中各质量指标与综合质量评价的灰色关联系数；

步骤4：根据步骤1中各质量指标权重和步骤3中灰色关联系数，求出各试验序列的综合质量评价的灰色关联度，灰色关联度越大，说明该序列是与参考数列关联度越大的比较数列，其发展方向和速率与参考数列越接近，与参考数列的关系越紧密；

步骤5：建立灰色关联度序列图，确定试验序列中的最优工艺组合；关联灰色关联度和工艺参数，进行均值分析，建立因子水平效应图，优化注塑成型工艺参数。

参见图1，步骤的详细内容为：

步骤1：

(1.1)对各指标之间进行两两对比，按照1-9比较尺度，如表1所示，排定各质量指标的相对顺序，构造出各质量指标的判断矩阵A，判断矩阵A＝(a_ij)_n×n为互反矩阵，用来描述各个质量指标进行两两对比判断后的大小关系。

表1 1一9比较尺度

      

(1.2)对判断矩阵A进行归一化处理得出矩阵B＝(b_kj)_n×n，其中

       $b_{\mathrm{kj}}=\frac{a_{\mathrm{kj}}}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{b}_{\mathrm{kj}}},(k,j=\mathrm{1,2},\·\·\·,n)$

(1.3)将矩阵B中的元素按行相加，得到向量C＝(C₁,C₂,…,C_n)^T，其中

       $C_k=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{b}_{\mathrm{kj}},(k,j=\mathrm{1,2},\·\·\·,n)$

(1.4)对向量C进行归一化处理，得到各质量指标在综合质量评价中的权重向量

W＝(w₁,w₂,…,w_n)^T，其中； $w_k=\frac{C_k}{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{C}_k},(k=\mathrm{1,2},\·\·\·,n)$

(1.5)求矩阵A的最大特征要λ_max，其中 ${\mathrm{\λ}}_{\max }=\frac{1}{n}\·\underset{k=1}{\overset{n}{\mathrm{\Σ}}}\frac{{\left(\mathrm{AW}\right)}_k}{w_k},(k=\mathrm{1,2},\·\·\·,n)$

(1.6)一致性检验，计算判断矩阵A的随机一致性比率CR，其中，不一致程度的指标 $\mathrm{CI}=\frac{{\mathrm{\λ}}_{\max }-n}{n-1},$ 一致性比率 $\mathrm{CR}=\frac{\mathrm{CI}}{\mathrm{RI}}.$

RI称为平均随机一致性指标，它只与矩阵阶数n有关，可查表获得，当CR<0.1时，判定矩阵A具有满意的一致性，可以接受。

步骤2：

(2.1)根据各个质量指标，选择工艺参数作为试验因子，并确定其水平；

(2.2)建立Taguchi正交试验矩阵，水平数相同时为L_n(q^m)，水平数不同时采用混合型其中，L表示正交表，n表示实验总数，q表示因素的水平数，m表示正交表的列数，q₁、q₂表示因素的水平数，m₁、m₂表示最多能容纳的水平数为q₁的因素个数为m₁，水平数为q₂的因素个数为m₂。

(2.3)Taguchi正交试验，建立试验结果数据矩阵Q。

步骤3：

(3.1)对试验结果矩阵Q进行归一化处理。由于数据指标的量纲和单位不同，为保证分析的可靠性和同指标不同元素的可比性，以参照数列为基准点，将各评价指标按归一化处理公式，转换为介于0至1之间。计算公式如下：

质量指标越大越好的归一化处理公式为：

       $X_i*\left(k\right)=\frac{X_i\left(k\right)-\min \underset{\&ForAll;k}{X_i}\left(k\right)}{\max \underset{\&ForAll;k}{X_i}\left(k\right)-\min \underset{\&ForAll;k}{X_i}\left(k\right)}$

质量指标越小越好的归一化处理公式为：

       $X_i*\left(k\right)=\frac{\max \underset{\&ForAll;k}{X_i}\left(k\right)-X_i\left(k\right)}{\max \underset{\&ForAll;k}{X_i}\left(k\right)-\min \underset{\&ForAll;k}{X_i}\left(k\right)}$

质量特性适度越好的归一化处理公式为：

       $X_i*\left(k\right)=1-\frac{|X_i\left(k\right)-X_{\mathrm{ob}}\left(k\right)|}{\max \underset{\&ForAll;k}{X_i}\left(k\right)-\min \underset{\&ForAll;k}{X_i}\left(k\right)}$

      分别是X_i(k)中最大值、最小值，X_ob(k)是X_i(k)的目标值。

(3.2)灰色关联系数的计算，其中Δmin是参考序列与比较序列中最小绝对差值，Δmax是参考序列与比较序列中最大绝对差值，Δ_0,i(k)是中第k项指标的参考序列与比较序列绝对差值，ρ∈[0,1]是分辨系数，通常取值0.5。

步骤4：

(4.1)灰色关联度的计算，得出各试验序列与综合质量评价的关联度。其中，w_k为各质量指标的权重向量，ξ_i(k)为各质量指标与综合质量评价的灰色关联系数。

步骤5：

(5.1)对灰色关联度排序，建立序列图，关联度最大试验序列为试验中的最优工艺参数组合。

(5.2)对灰色关联度进行均值分析。计算(K₁,K₂,K₃…K_n)，K₁,K₂,K₃…K_n分别表示每个因素水平数相同的各次灰色关联度的总和。计算为均值，表示各工艺参数水平对灰色关联度的影响程度。

(5.3)计算极差R。极差R分别为K₁,K₂,K₃…K_n或中的最大值与最小值之差。极差R的大小反映了试验中的工艺参数对灰色关联度作用的显著性和强弱。比较极差R，分析主要因素，极差R大的工艺参数，其水平的作用显著因素，而极差R小的因则是作用不显著的次要因素。

(5.4)建立工艺参数因素水平与灰色关联度的趋势关系图，分析工艺参数与灰色关联度的变化规律，确定成型工艺参数的最优组合，实现多个质量指标要求的注塑成型工艺参数优化。

本发明方法科学地量化了各质量指标在综合质量评价中的权重，避免了各质量指标权重设置的主观性；较好地把工艺参数和质量指标关联起来，可以实现全局寻优，得到离期望最近的工艺参数。该方法试验次数少、计算过程简单、优化效果好，适用不同数量、不同质量指标的多目标注塑成型工艺参数优化。

附图说明

图1为具体实施例的工艺优化流程图；

图2为具体实施例的正交试验序列的灰色关联度；

图3为具体实施例的灰色关联度对工艺参数水平的效应趋势图。

具体实施方式

针对制品的翘曲、收缩、缩痕等多个质量指标要求，采用本发明的基于Taguchi正交试验设计基础上，结合层次分析法(Analytic Hierarchy Process,AHP)和灰色关联分析法(Grey Relation Analysis,GRA)的注塑成型工艺参数多目标优化方法。

运用层次分析法，对三个质量指标进行综合评判，得到各自的权重。Taguchi正交试验设计和Moldflow模拟，得到了各质量指标的预测值,计算试验序列的各质量指标的灰色关联系数，进而通过AHP和GRA综合评价模型，得出各试验序列的灰色关联度，并进行均值分析。结果表明，第7组试验的灰色关联度最大，是试验序列中最优的工艺参数组合。二段保压压力对综合的质量指标影响最显著，注射时间次之。最优的成型工艺参数是注射时间1.2s、一段保压120MPa、二段保压120MPa、三段保压80MPa。手机壳体实例验证了方法的有效性。

具体步骤如下：

步骤1：

(1.1)对质量指标的相对重要程度进行评分，采用数字1-9及其倒数作为重要性标度。从注塑成型生产和质量专家的经验得知，质量指标中翘曲变形量是最重要，相对于体积收缩率较为重要，相对于缩痕深度重要多。构造判断矩阵A如表2所示。

表2判断矩阵A

      

A	B1	B2	B3
				B1	1	5	7
B2	1/5	1	5
				B3	1/7	1/5	1

1表示两因素同等重要，5表示翘曲相对于体积收缩率较重要，7表示翘曲相对于缩痕深度强烈重要。判断矩阵为正互反矩阵，a_ji取a_ij的倒数。

(1.2)对判断矩阵A进行归一化处理得出矩阵B＝(b_kj)_n×n

       $B=\left[\begin{array}{ccc}0.6774& 0.6923& 0.6364\\ 0.2258& 0.2308& 0.2727\\ 0.0968& 0.0769& 0.0909\end{array}\right]$

(1.3)将矩阵B中的元素按行相加，得到向量C＝(C₁,C₂,…,C_n)^T

       $C=\left[\begin{array}{c}2.0061\\ 0.7293\\ 0.2646\end{array}\right]$

(1.4)对向量C进行归一化处理，得到各质量指标在综合质量评价中的权重向量

W＝(w₁,w₂,…,w_n)^T。 $W=\left[\begin{array}{c}0.6687\\ 0.2431\\ 0.0882\end{array}\right]$

特征向量W可知，翘曲变形、体积收缩率、缩痕深度在质量综合评价中占的权重分别为0.6687、0.2431、0.0882。

(1.5)求矩阵A的最大特征要λ_max＝3.0071

(1.6)进行一致性检验，代入到公式计算得，CI＝0.0036，CR＝0.0062<0.1。当CR<0.1时，判定矩阵A具有满意的一致性，可以接受。其中，查表n＝3时，RI＝0.58。

步骤2：

(2.1)翘曲变形量、体积收缩率、缩痕深度等质量指标作为试验指标。选择注射时间、一段保压压力、二段保压压力、三段保压压力为因子，每因子设定三个水平，如表3所示。

表3注射成型工艺参数和水平

      

(2.2)建立Taguchi正交试验矩阵，使用水平数相同的矩阵L9(3⁴)。如表4所示。

表4正交试验阵列L9(3⁴)

      

(2.3)Taguchi正交试验，用Moldflow按正交试验阵列进行模流分析，建立试验结果数据矩阵Q，试验结果如表5所示。

表5正交试验结的数据矩阵

      

步骤3：

(3.1)对试验结果矩阵Q进行归一化处理。采用质量目标越小越好的归一化处理公式，得到比较序列X_i*(k)。 $X_i*\left(k\right)=\left[\begin{array}{ccc}0.0000& 0.0000& 0.0000\\ 0.5006& 0.0170& 0.5652\\ 0.9601& 0.0322& 1.0000\\ 0.6242& 0.0373& 0.2826\\ 1.0000& 0.0204& 0.7899\\ 0.3102& 0.0339& 0.4638\\ 0.9369& 1.0000& 0.6232\\ 0.4620& 0.5726& 0.3406\\ 0.8121& 0.5158& 0.7319\end{array}\right]$

(3.2)计算得到各质量指标与综合质量评价的灰色关联系数。

       ${\mathrm{\&xi;}}_i\left(k\right)=\left[\begin{array}{ccc}0.3333& 0.3333& 0.3333\\ 0.5003& 0.3371& 0.5349\\ 0.9261& 0.3407& 1.0000\\ 0.5709& 0.3418& 0.4107\\ 1.0000& 0.3379& 0.7041\\ 0.4202& 0.3410& 0.4825\\ 0.8880& 1.0000& 0.5702\\ 0.4817& 0.5319& 0.4313\\ 0.7268& 0.5080& 0.6509\end{array}\right]$

步骤4：灰色关联度的计算，得出各试验序列与综合质量评价的灰色关联度。如表6所示。

表6灰色关联度及其次序

      

试验序列	灰色关联度	次序
			1	0.3333	9
2	0.4637	7
			3	0.7903	3
4	0.5011	5
			5	0.8129	2
6	0.4064	8
			7	0.8872	1
8	0.4912	6
			9	0.6669	4

步骤5：

(5.1)对灰色关联度排序，建立序列图，关联度最大试验序列为试验中的最优工艺参数组合。

建立序列推移图，以试验序列为横轴，灰色关联度为纵轴。如图2所示。显然，第7组试验的灰色关联度最大，说明与符合翘曲变形最重要、相对于体积收缩率较为重要、相对于缩痕深度重要多的多目标要求的质量特性的关联性最强。第7组的成型工艺参数是L9试验序列中满足质量多目标要求的最佳组合，第5、3组次之。

(5.2)对灰色关联度进行均值分析。工艺参数水平均值和极差R如表7所示。

表7灰色关联度的因子水平响应表

      

比较灰色关联度极差值大小，二段保压压力最大，注射时间次大，一段保压压力次之，三段保压压力最小。表明二段保压压力对多目标质量指标影响最显著，注射时间影响显著，一段保压压力影响不明显，三段保压压力影响最小。

(5.3)建立工艺参数因素水平与灰色关联度的效应图，如图3所示。由图3可知，注塑成型工艺参数注射时间(S)、一段保压压力(P₁)、二段保压压力(P₂)、三段保压压力(P₃)分别在水平3、3、3、1时灰色关联度最大。

因此，当注塑成型工艺参数为S3 P₁3 P₂3 P₃1时，综合评价的灰色关联度最大。即多目标优化后的工艺参数为注射时间1.2s、一段保压120MPa、二段保压120MPa、三段保压80MPa。验证结果为翘曲变形0.3819mm，体积收缩率为8.419％，缩痕深度为0.0121mm，相对于关联度最大的第7组，翘曲变形减小0.0138、体积收缩增加2.855％、缩痕深度减小0.0032mm，符合各质量指标要求，达到多个质量指标的注塑成型工艺参数优化的目的。

Claims (6)

1.一种基于多质量指标的注塑成型工艺参数优化方法，包括以下步骤：

步骤1：将各质量指标的重要性进行两两比对，将比对结果依序定义为1-9的比较尺度，建立质量判断矩阵，求出各质量指标在综合质量评价中的权重向量；

步骤2：Taguchi正交试验设计，确定工艺参数和参数水平，试验结果得出各个质量指标的数据序列；

步骤3：对各个质量指标的数据序列进行归一化处理，计算试验序列中各质量指标与综合质量评价的灰色关联系数；

步骤4：根据步骤1中各质量指标权重和步骤3中灰色关联系数，求出各试验序列的综合质量评价的灰色关联度，灰色关联度越大，说明该序列是与参考数列关联度越大的比较数列，其发展方向和速率与参考数列越接近，与参考数列的关系越紧密；

步骤5：建立灰色关联度序列图，确定试验序列中的最优工艺组合。对关联灰色关联度进行均值分析，建立因子水平效应图，优化注塑成型工艺参数。

2.根据权利要求1所述的基于多质量指标的注塑成型工艺参数优化方法，其特征在于，步骤1之中，包含以下步骤：

(1.1)将各质量指标的重要性进行两两比对，将比对结果依序定义为1-9的比较尺度，排定各质量指标的相对顺序，构造出各质量指标的判断矩阵A，判断矩阵A＝(a_ij)_n×n为互反矩阵，用来描述各个质量指标进行两两对比判断后的大小关系；

(1.2)对判断矩阵A进行归一化处理得出矩阵B＝(b_kj)_n×n，其中

$b_{\mathrm{kj}}=\frac{a_{\mathrm{kj}}}{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{b}_{\mathrm{kj}}},(k,j=\mathrm{1,2},...,n)$

(1.3)将矩阵B中的元素按行相加，得到向量C＝(C₁,C₂,…,C_n)^T，其中

$C_k=\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{b}_{\mathrm{kj}}(k,j=\mathrm{1,2},...,n)$

(1.4)对向量C进行归一化处理，得到各质量指标在综合质量评价中的权重向量W＝(w₁,w₂,…,w_n)^T，其中

$w_k=\frac{C_k}{\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}{C}_k},(k=\mathrm{1,2},...,n)$

(1.5)求矩阵A的最大特征要λ_max，其中

${\mathrm{\&lambda;}}_{\max }=\frac{1}{n}\&CenterDot;\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}\frac{{\left(\mathrm{AW}\right)}_k}{w_k},(k=\mathrm{1,2},...,n)$

(1.6)一致性检验，计算判断矩阵A的随机一致性比率CR，其中，

不一致程度的指标：一致性比率：

$\begin{array}{cc}\mathrm{CI}=\frac{{\mathrm{\&lambda;}}_{\max }-n}{n-1}& \mathrm{CR}=\frac{\mathrm{CI}}{\mathrm{RI}}\end{array}$

RI称为平均随机一致性指标，与矩阵阶数n有关，可查表获得，当CR<0.1时，判定矩阵A具有满意的一致性，接受。

3.根据权利要求1所述的基于多质量指标的注塑成型工艺参数优化方法，其特征在于，步骤2之中，包含以下步骤：

(2.1)根据各个质量指标，选择工艺参数作为试验因子，并确定其水平；

(2.2)建立Taguchi正交试验矩阵，水平数相同时为L_n(q^m)，水平数不同时采用混合型其中，L表示正交表，n表示实验总数，q表示因素的水平数，m表示正交表的列数，q1、q2表示因素的水平数，m1、m2表示最多能容纳的水平数为q1的因素个数为m1，水平数为q2的因素个数为m2；

(2.3)Taguchi正交试验，建立试验结果数据矩阵Q。

4.根据权利要求1所述的基于多质量指标的注塑成型工艺参数优化方法，其特征在于，步骤3之中，包含以下步骤：

(3.1)由于数据指标的量纲和单位不同，为保证分析的可靠性和同指标不同元素的可比性，以参照数列为基准点，将各评价指标按归一化处理公式，转换为介于0至1之间，计算公式如下：

质量指标越大越好的归一化处理公式为：

${X_i}^{*}\left(k\right)=\frac{X_i\left(k\right)-\min \underset{\&ForAll;k}{X_i}\left(k\right)}{\max \underset{\&ForAll;k}{X_i}\left(k\right)-\min \underset{\&ForAll;k}{X_i}\left(k\right)}$

质量指标越小越好的归一化处理公式为：

${X_i}^{*}\left(k\right)=\frac{\max \underset{\&ForAll;k}{X_i}\left(k\right)-X_i\left(k\right)}{\max \underset{\&ForAll;k}{X_i}\left(k\right)-\min \underset{\&ForAll;k}{X_i}\left(k\right)}$

质量特性适度越好的归一化处理公式为：

${\mathrm{\&xi;}}_i\left(k\right)=\frac{\mathrm{\&Delta;}\min +\mathrm{\&rho;}\&CenterDot;\mathrm{\&Delta;}\max }{{\mathrm{\&Delta;}}_{0,i}\left(k\right)+\mathrm{\&rho;}\&CenterDot;\mathrm{\&Delta;}\max }$

maxX_i(k)、minX_i(k)分别是X_i(k)中最大值、最小值，X_ob(k)是X_i(k)的目标值；

(3.2)灰色关联系数的计算，其中，Δmin是参考序列与比较序列中最小绝对差值，Δmax是参考序列与比较序列中最大绝对差值，Δ_0,i(k)是中第k项指标的参考序列与比较序列绝对差值，ρ∈[0,1]是分辨系数，取值0.5。

5.根据权利要求1所述的基于多质量指标的注塑成型工艺参数优化方法，其特征在于，步骤4之中，通过灰色关联度的计算，得出各试验序列与综合质量评价的关联度：

${\mathrm{\&gamma;}}_i=\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&xi;}}_i\left(k\right)\&CenterDot;w_k$

其中，w_k为各质量指标的权重向量，ξ_i(k)为各质量指标与综合质量评价的灰色关联系数。

6.根据权利要求1所述的基于多质量指标的注塑成型工艺参数优化方法，其特征在于，步骤5之中，包括以下步骤：

(5.1)对灰色关联度排序，建立序列图，关联度最大试验序列为试验中的最优工艺参数组合；

(5.2)对灰色关联度进行均值分析，计算(K₁,K₂,K₃…K_n)，K₁,K₂,K₃…K_n分别表示每个因素水平数相同的各次灰色关联度的总和；

(5.3)计算极差R，极差R分别为K₁,K₂,K₃…K_n或中的最大值与最小值之差。极差R的大小反映了试验中的工艺参数对灰色关联度作用的显著性和强弱，比较极差R，分析主要因素，极差R大的工艺参数，其水平的作用显著因素，而极差R小的因则是作用不显著的次要因素；

(5.4)建立工艺参数因素水平与灰色关联度的趋势关系图，分析工艺参数与灰色关联度的变化规律，确定成型工艺参数的最优组合，实现多个质量指标要求的注塑成型工艺参数优化。