CN109002615B - 家族制模具多异型腔结构的优化设计方法 - Google Patents
家族制模具多异型腔结构的优化设计方法 Download PDFInfo
- Publication number
- CN109002615B CN109002615B CN201810805987.2A CN201810805987A CN109002615B CN 109002615 B CN109002615 B CN 109002615B CN 201810805987 A CN201810805987 A CN 201810805987A CN 109002615 B CN109002615 B CN 109002615B
- Authority
- CN
- China
- Prior art keywords
- population
- fitness
- cavity structure
- family
- design
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Moulds For Moulding Plastics Or The Like (AREA)
Abstract
本发明提供的一种家族制模具包括步骤:S1:建立家族制模具多异型腔结构优化数学模型;S2:获取训练样本;S3:构建BP神经网络;S4:利用模拟退火遗传算法优化求解;本发明采用不同型腔间充填末端的最大压力差作为不平衡因子,构建一种基于均匀设计多维结构变量的集成快速优化机制,结合遗传算法全局优化获得指标最优的流道方案,在保证多模腔间流动均衡的同时,更大程度地提高合格产品的比例,有效地降低了设备的能耗,并提供更宽的成型范围;也可以从侧面反映制件收缩的状况,实现对家族制模具的多异型腔充填均衡性的快速优化设计。
Description
技术领域
本发明涉及家族制模具,具体涉及一种家族制模具多异型腔结构的优化设计方法。
背景技术
注射成型作为重要的工业之一,为全球消费市场提供了大约35%的非标产品。产品的小批量和结构多样性要求尽可能的缩短整个生产周期,提高效率。因此,采用一模多腔的家族制模具生产不同体积、形状的塑件逐渐成为了研究的热点。然而,由于家族制模具往往具有型腔尺寸不一致、浇注系统布置非平衡的结构特点,使得熔体很难均衡充满型腔,从而导致局部模腔充填时间过长、充填不满、过保压等缺陷,甚至严重会造成迟滞效应等,在很大程度上制约了制品的质量。
家族制模具的平衡充填仅依靠工艺参数的调整很难实现,大多数模具设计者通常采用结构修正的方式改善浇注系统的尺寸和布局,即首先根据经验或一些设计公式估算流道和浇口的尺寸,然后通过不断试模来调整流道和浇口的尺寸,直到满足制品成型的基本要求。但整个过程花费时间较多,成本过高。目前,一些研究常将型腔同时充满作为熔体充填平衡的指标,但对于各异型腔的充填,并不充分。另外一些研究建议采用制品的体积收缩率作为均衡性的指标,但体积收缩率通常是指从保压阶段结束到制件冷却至环境参考温度时局部密度的百分比增量,很难从整个成型过程来描述型腔充填的平衡性。还有一些文献[分别以制品质量容差或最小流道体积为目标,所获得的流道设计方案很难达到真正的最优。此外,模拟分析平台Moldflow提供了Runner Balance模块,采用变截面方法优化分流道截面尺寸,从而达到型腔充填的流动和压力的近似平衡,很多文献直接采用此模块对流道平衡进行优化设计。但是该模块未能综合考虑对分流道长度的优化,这样面对数量较多的异形型腔结构时可能会使迭代效率较低,而且仅能适用于部分网格模拟,应用的范围较为局限。
发明内容
有鉴于此,本发明提供一种家族制模具多异型腔结构的优化设计方法,基于高聚物流变学相关理论分析的基础上,采用不同型腔间充填末端的最大压力差作为不平衡因子,构建一种基于均匀设计多维结构变量的集成快速优化机制,结合遗传算法全局优化获得指标最优的流道方案,在保证多模腔间的流动均衡的同时,更大程度地提高合格产品的比例,有效地降低了设备的能耗,并提供更宽的成型范围;也可以从侧面反映制件收缩的状况,实现对家族制模具的多异型腔充填均衡性的快速优化设计。
本发明提供一种家族制模具多异型腔结构的优化设计方法,包括步骤
S1:建立家族制模具多异型腔结构优化数学模型:
S101:确定设计变量:选取影响家族制模具多异型腔填充熔体的不平衡程度的关键结构参数Q1、Q2、……、Qn作为设计变量;
S102:确定目标函数:本方法以减小各个型腔熔体填充末端的最大平均压力差为优化目标,建立目标函数,所述目标函数为:
F=min(ΔP) (1)
S103:确定约束条件:所述约束条件为
Xmin≤X≤Xmax (2)
其中,X为设计变量,X=[Q1,Q2,...,Qn]T,Xmax、Xmin表示设计变量的上、下限;
S2:获取训练样本:
S201:确定各个型腔的尺寸;
S201:采用均匀设计试验法进行样本获取,所选取设计变量即为均匀设计表的因素,在各设计变量的取值范围中选取若干个水平,设计均匀设计表,确定试验的组数和各试验组的具体参数;
S202:实施均匀设计试验方案,根据各个型腔尺寸和各试验组的参数建立相应的家族制模具多异型腔结构模型,提取所有的家族制模具多异型腔结构模型的型腔熔体填充末端的最大平均压力差作为神经网络的训练样本;
S3:构建BP神经网络:
S301:将设计变量作为输入层,将ΔP作为输出层,线性函数作为输出层的传递函数,sigmoid型传递函数作为隐含层的传递函数。
S302:利用步骤S202中获取的训练样本对BP神经网络进行训练,直至预测值与样本值的差别限定在允许误差范围内;
S4:利用模拟退火遗传算法优化求解:
S401:初始化遗传算法的最大遗传代数Gmax、种群规模、变异概率、交叉概率、初始遗传代数G0、以及模拟退火算法的初始温度T0、终止温度TE、每次降温系数a;
S402:随机初始化种群,将设计变量作为种群的个体进行实数编码,将初始遗传代数G0作为当前遗传迭代代数Gk;
S404:将当前种群中的每个个体进行解码后,带入适应度函数,获得当前种群中的每个个体的适应度,并取其中最小适应度为当前种群的最优适应度;
S405:运用遗传算法对当前种群中的个体进行交叉、变异操作,得到新种群,当前种群变成旧种群;
S406:将新种群中的个体进行解码后,带入适应度函数,获得新种群中的每个个体的适应度,并取其中最小适应度为新种群的最优适应度;
S407:判断新种群的最优适应度是否优于旧种群的最优适应度,若新种群的最优适应度优于旧种群的最优适应度,则用新种群中最优适应度对应的个体替代新种群中最差适应度对应的个体;若新种群的最优适应度劣于旧种群的最优适应度,则进入步骤S408;
S408:判断是否满足模拟退火条件,若满足以概率η来接受新种群的最优适应度对应的个体替代新种群的最差适应度对应的个体,进入步骤S409;若不满足,则保持旧种群不变,进入步骤S409;
S409:判断当前遗传迭代代数Gk是否达到最大遗传代数Gmax,若是,则结束所有的迭代,获得最优解;若不是,进入步骤S410;
S410:判断当前执行温度是否小于终止温度,若是,则结束所有迭代,获得最优解;若不是,根据模拟退火算法,将当前执行温度进行降温后得到新的执行温度,将当前遗传迭代代数Gk增加1,将新种群作为当前种群,进入下一次迭代,即返回步骤S405。
进一步,所述家族制模具多异型腔结构包括主流道、若干个型腔和若干个分流道,所述型腔分别与分流道一一对应连通,所述分流道与主流道连通。
进一步,所述步骤S301中隐含层的神经元数目为16。
进一步,所述步骤S101中,选取各个型腔对应的分流道截面积半径、分流道长度以及相邻型腔对应的分流道间距作为设计变量。
进一步,所述各个型腔的分流道截面积半径的取值范围为2.5~5.3mm,所述各个型腔的分流道长度的取值范围为14~19.6mm,所述相邻型腔对应的分流道间距的取值范围为16~18.8mm。
进一步,在步骤S201中,在各个设计变量的取值范围中均选取N个水平,设计均匀设计表,所述N≥29。
进一步,所述步骤S401中遗传算法的最大遗传代数Gmax为1000,种群规模为200,交叉概率为0.4,变异概率为0.2,初始遗传代数G0为1。
进一步,所述步骤S401中模拟退火算法的初始温度T0为1000℃,终止温度TE为1℃。每次降温系数a为0.9。
进一步,所述步骤S4中所述适应度函数为步骤S2和步骤S3构建的BP神经网络;所述步骤S4中适应度越小则适应度越优;所述新种群的最优适应度优于旧种群的最优适应度为新种群的最优适应度小于旧种群的最优适应度;所述新种群的最优适应度劣于旧种群的最优适应度为新种群的最优适应度大于或等于旧种群的最优适应度;所述最差适应度为值最大的适应度;所述模拟退火条件为新种群的最优适应度与旧种群的最优适应度之差小于5。
进一步,所述步骤S408中η=b+0.5,其中,b为常数,且0<b<1。
本发明的有益效果:本发明基于高聚物流变学相关理论分析的基础上,采用不同型腔间充填末端的最大压力差作为不平衡因子,构建一种基于均匀设计多维结构变量的集成快速优化机制,结合遗传算法全局优化获得指标最优的流道方案,在保证多模腔间的流动均衡的同时,更大程度地提高合格产品的比例,有效地降低了设备的能耗,并提供更宽的成型范围;也可以从侧面反映制件收缩的状况,实现对家族制模具的多异型腔充填均衡性的快速优化设计。
附图说明
下面结合附图和实施例对本发明作进一步描述:
图1为本发明的方法流程图;
图2为指示灯家族制模具流道布局示意图;
图3为实施例的BP神经网络训练结果图;
图4为实施例的BP神经网络验证结果图;
图5为关键结构参数优化前的最大注射位置压力与注射时间的关系图;
图6为关键结构参数优化后的最大注射位置压力与注射时间的关系图;
图7为关键结构参数优化前的注射成型的最大锁模力与注射时间的关系图;
图8为关键结构参数优化后的注射成型的最大锁模力与注射时间的关系图。
具体实施方式
如图1所示,本发明提供的一种家族制模具多异型腔结构的优化设计方法,包括步骤
S1:建立家族制模具多异型腔结构优化数学模型:
S101:确定设计变量:选取影响家族制模具多异型腔填充熔体的不平衡程度的关键结构参数Q1、Q2、……、Qn作为设计变量;
S102:确定目标函数:本方法以减小各个型腔熔体填充末端的最大平均压力差为优化目标,建立目标函数,所述目标函数为:
F=min(ΔP) (1)
S103:确定约束条件:所述约束条件为
Xmin≤X≤Xmax (2)
其中,X为设计变量,X=[Q1,Q2,...,Qn]T,Xmax、Xmin表示设计变量的上、下限;
S2:获取训练样本:
S201:确定各个型腔的尺寸;
S201:采用均匀设计试验法进行样本获取,所选取设计变量即为均匀设计表的因素,在各设计变量的取值范围中选取若干个水平,设计均匀设计表,确定试验的组数和各试验组的具体参数;
S202:实施均匀设计试验方案,根据各个型腔尺寸和各试验组的参数建立相应的家族制模具多异型腔结构模型,提取所有的家族制模具多异型腔结构模型的型腔熔体填充末端的最大平均压力差作为神经网络的训练样本;
S3:构建BP神经网络:
S301:将设计变量作为输入层,将ΔP作为输出层,线性函数作为输出层的传递函数,sigmoid型传递函数作为隐含层的传递函数。
S302:利用步骤S202中获取的训练样本对BP神经网络进行训练,直至预测值与样本值的差别限定在允许误差范围内;
S4:利用模拟退火遗传算法优化求解:
S401:初始化遗传算法的最大遗传代数Gmax、种群规模、变异概率、交叉概率、初始遗传代数G0、以及模拟退火算法的初始温度T0、终止温度TE、每次降温系数a;
S402:随机初始化种群,将设计变量作为种群的个体进行实数编码,将初始遗传代数G0作为当前遗传迭代代数Gk;
S404:将当前种群中的每个个体进行解码后,带入适应度函数,获得当前种群中的每个个体的适应度,并取其中最小适应度为当前种群的最优适应度;
S405:运用遗传算法对当前种群中的个体进行交叉、变异操作,得到新种群,当前种群变成旧种群;
S406:将新种群中的个体进行解码后,带入适应度函数,获得新种群中的每个个体的适应度,并取其中最小适应度为新种群的最优适应度;
S407:判断新种群的最优适应度是否优于旧种群的最优适应度,若新种群的最优适应度优于旧种群的最优适应度,则用新种群中最优适应度对应的个体替代新种群中最差适应度对应的个体,进入步骤S409;若新种群的最优适应度劣于旧种群的最优适应度,则进入步骤S408;
S408:判断是否满足模拟退火条件,若满足以概率η来接受新种群的最优适应度对应的个体替代新种群的最差适应度对应的个体,进入步骤S409;若不满足,则保持旧种群不变,进入步骤S409;
S409:判断当前遗传迭代代数Gk是否达到最大遗传代数Gmax,若是,则结束所有的迭代,获得最优解;若不是,进入步骤S410;
S410:判断当前执行温度是否小于终止温度,若是,则结束所有迭代,获得最优解;若不是,根据模拟退火算法,将当前执行温度进行降温后得到新的执行温度,将当前遗传迭代代数Gk增加1,将新种群作为当前种群,进入下一次迭代,即返回步骤S405。通过上述方法,采用不同型腔间充填末端的最大压力差作为不平衡因子,构建一种基于均匀设计多维结构变量的集成快速优化机制,结合遗传算法全局优化获得指标最优的流道方案,在保证多模腔间的流动均衡的同时,更大程度地提高合格产品的比例,有效地降低了设备的能耗,并提供更宽的成型范围;也可以从侧面反映制件收缩的状况,实现对家族制模具的多异型腔充填均衡性的快速优化设计。
本实施例中,所述步骤S410中将当前执行温度进行降温后得到新的执行温度的计算公式为:
TKnew=aTK (3)
其中,TKnew表示进行降温后新的执行温度,TK表示当前执行温度,a表示每次降温系数。
本实施例中,将各个型腔熔体填充末端的最大平均压力差作为家族制模具多异型腔在注射熔体时的不平衡因子,以减小各个型腔熔体填充末端的最大平均压力差为优化目标,相对于选取其他考量型腔充填的平衡性的参数,其更直观且适应于多异型腔结构,具有较强的实用性,提高了优化设计方法的迭代效率。由于还未被充满的异型腔内部熔体前沿的压力为0,故可用已填充的各个型腔熔体末端压力的平均值表示各个型腔熔体填充末端的最大平均压力差,所述各个型腔熔体填充末端的最大平均压力差的计算公式为Pi表示第i个型腔熔体填充末端的压力,k表示共有k个型腔熔体填充末端。
本实施例中,步骤S409或步骤S410中的最优解为:
步骤S407或步骤S408中,若用新种群中最优适应度对应的个体替代新种群中最差适应度对应的个体,则最优解为新种群;若未用新种群中最优适应度对应的个体替代新种群中最差适应度对应的个体,即保持旧种群不变,则最优解为旧种群。
所述家族制模具多异型腔结构包括主流道、若干个型腔和若干个分流道,所述型腔分别与分流道一一对应连通,所述分流道与主流道连通。
本实施例中,以指示灯的家族制模具多异型腔结构为例,所述指示灯的家族制模具多异型腔结构为例。如图2所示,所述指示灯的家族制模具多异型腔结构包括5组型腔,每组型腔和分流道包括两个尺寸一样的型腔,两个型腔各自连接有尺寸一样的分流道,且各型腔与分流道连通,两个型腔布置在主流道的两侧,且关于主流道的轴线对称,型腔通过分流道与主流道连通;型腔隔间布置在主流道两侧,且所有型腔的轴线在同一平面上。由于关于主流道轴线对称的型腔熔体填充末端的压力值一样,故只用对布置在主流道同一侧的5个型腔的结构进行优化。
各型腔与指示灯形状适应匹配。从靠近主流道的熔体进口一端到靠近主流道的熔体出口一端,各个型腔的直径依次为8.5㎜、4.7㎜、5.5㎜、5.5㎜、5.5㎜,各个型腔的高度依次为9.1㎜、6.5㎜、6.7㎜、6.7㎜、6.7㎜。
本实施例中,采用Moldflow软件作为步骤S202中数值模拟法的模拟试验分析平台,由于指示灯柱产品截面较厚,故采用Solid 3D网格,网格最大边长设置为3,材料选用PMMA所示。
本实施例中,所述步骤S202中提取所有的家族制模具多异型腔结构模型的型腔熔体填充末端的最大平均压力差的方法有多种,例如:方法一:运用数值模拟法对家族制模具多异型腔结构模型进行模拟,获得设计变量与型腔熔体填充末端的最大平均压力差的函数关系,根据该函数关系提取各试验组的参数对应的最大平均压力差;或方法二:根据各试验组的参数建立相应的家族制模具多异型腔结构模型,在各个型腔熔体填充末端安装压力传感器测量实际的压力值,根据各试验组的参数对应的各个型腔的实际压力值,计算最大平均压力差。
所述步骤S301中隐含层的神经元数目为16。
在本实施例中,模具流道布局有着使塑料熔体平稳的转换流向,均衡分配给各个型腔的功能。流道截面形状和长度等尺寸的变化,会引起熔体压力、流速和流量的变化,给模具型腔的充填平衡带来重要的影响。
假设塑料熔体为不可压缩,流道壁面上流动速度为零,无滑移现象,熔体黏度不随时间变化,忽略流动过程中黏滞性的剪切变形所造成的能量转变。流道内熔体周向速度vθ和径向速度vr为零,且轴向速度vi、剪切应力τij对于周向θ和轴向z的导数为零。圆柱面坐标系的轴向z的动量方程可以简化为
塑料熔体在圆形流道的轴向z流动的状态方程为
将式(5)带入式(4),根据流动模型的边界条件,对整个流道的截面积分可以得到塑料熔体在流道内流动的体积流率方程为
从式(6)结构可以看出,在单一流道内,熔体流动的体积流率、流道压降Δp、流道截面半径R和长度L有密切的联系。通过调节流道截面半径R和长度L可以调整塑料熔体进入型腔的流量和压力降,可用于改善成型过程中充填分布的均匀性,实现多个型腔近似平衡充满,并在可接受的范围内,提高了制件的质量。故在优化设计过程中,对分流道截面积半径、分流道长度和分流道间距进行修改。故所述步骤S101中,选取各个型腔对应的分流道截面积半径、分流道长度以及相邻型腔对应的分流道间距作为设计变量。
根据试验和实践,选取所述各个型腔的分流道截面积半径的取值范围为2.5~5.3mm,所述各个型腔的分流道长度的取值范围为14~19.6mm,所述相邻型腔对应的分流道间距的取值范围为16~18.8mm。将各个型腔的分流道截面积半径、分流道长度和相邻型腔对应的分流道间距的取值范围按上述取值范围选取,保证了该指示灯家族制模具多异型腔结构的实用性,并且缩小了本方法设计变量的取值范围,减小了优化设计家族制磨具多异型腔结构的时间开销,优化精度更高。
本实施例中,步骤S103中,2.5mm为设计变量中的Q1、Q2、Q3、Q4、Q5的下限;5.3mm为设计变量中的Q1、Q2、Q3、Q4、Q5的上限;14mm为设计变量中的Q6、Q7、Q8、Q9、Q10的下限;19.6mm为设计变量中的Q6、Q7、Q8、Q9、Q10的上限;16mm为设计变量中的Q11、Q12、Q13、Q14的下限;18.8mm为设计变量中的Q11、Q12、Q13、Q14的上限。
在步骤S201中,在各个设计变量均选取N个水平,设计均匀设计表,所述N≥29
本实施例中,N选取29。如图2,从靠近主流道的熔体进口1一端到靠近主流道的熔体出口2一端,各个型腔3的分流道截面积半径依次为R1、R2、R3、R4、R5,各个型腔3的分流道长度依次为X1、X2、X3、X4、X5,相邻型腔3对应的分流道间距依次为L1、L2、L3、L4。将X1、X2、X3、X4、X5、R1、R2、R3、R4、R5、L1、L2、L3、L4设定为设计变量,即令Q1=R1,Q2=R2,Q3=R3,Q4=R4,Q5=R5,Q6=X1,Q7=X2,Q8=X3,Q9=X4,Q10=X5,Q11=L1,Q12=L2,Q13=L3,Q14=L4。
本实施例中,所述Q1的29个水平分别为2.5、2.6、2.7、2.8、2.9、3、3.1、3.2、3.3、3.4、3.5、3.6、3.7、3.8、3.9、4、4.1、4.2、4.3、4.4、4.5、4.6、4.7、4.8、4.9、5、5.1、5.2、5.3。
所述Q2的29个水平分别为2.6、2.8、3、3.2、3.4、3.6、3.8、4、4.2、4.4、4.6、4.8、5、5.2、2.5、2.7、2.9、3.1、3.3、3.5、3.7、3.9、4.1、4.3、4.5、4.7、4.9、5.1、5.3。
所述Q3的29个水平分别为2.7、3、3.3、3.6、3.9、4.2、4.5、4.8、5.1、2.5、2.8、3.1、3.4、3.7、4、4.3、4.6、4.9、5.2、2.6、2.9、3.2、3.5、3.8、3.5、3.8、4.1、4.4、4.7、5、5.3。
所述Q4的29个水平分别为2.9、3.4、3.9、4.4、4.9、2.5、3、3.5、4、4.5、5、2.6、3.1、3.6、4.1、4.6、5.1、2.7、3.2、3.7、4.2、4.7、5.2、2.8、3.3、3.8、4.3、4.8、5.3。
所述Q5的29个水平分别为3.2、4、4.8、2.7、3.5、4.3、5.1、3、3.8、4.6、2.5、3.3、4.1、4.9、2.8、3.6、4.4、5.2、3.1、3.9、4.7、2.6、3.4、4.2、5、2.9、3.7、4.5、5.3。
所述Q6的29个水平分别为16.2、18.6、15.2、17.6、14.2、16.6、19、15.6、18、14.6、17、19.4、16、18.4、15、17.4、14、16.4、18.8、15.4、17.8、14.4、16.8、19.2、15.8、18.2、14.8、17.2、19.6。
所述Q7的29个水平分别为16.4、19、15.8、18.4、15.2、17.8、14.6、17.2、14、16.6、19.2、16、18.6、15.4、18、14.8、17.4、14.2、16.8、19.4、16.2、18.8、15.6、18.2、15、17.6、14.4、17、19.6。
所述Q8的29个水平分别为16.6、19.4、16.4、19.2、16.2、19、16、18.8、15.8、18.6、15.6、18.4、15.4、18.2、15.2、18、15、17.8、14.8、17.6、14.6、17.4、14.4、17.2、14.2、17、14、16.8、19.6。
所述Q9的29个水平分别为17.4、15.2、18.8、16.6、14.4、18、15.8、19.4、17.2、15、18.6、16.4、14.2、17.8、15.6、19.2、17、14.8、18.4、16.2、14、17.6、15.4、19、16.8、14.6、18.2、16、19.6。
所述Q10的29个水平分别为17.6、15.6、19.4、17.4、15.4、19.2、17.2、15.2、19、17、15、18.8、16.8、14.8、18.6、16.6、14.6、18.4、16.4、14.4、18.2、16.2、14.2、18、16、14、17.8、15.8、19.6。
所述Q11的29个水平分别为17.9、17、16.1、18.1、17.2、16.3、18.3、17.4、16.5、18.5、17.6、16.7、18.7、17.8、16.9、16、18、17.1、16.2、18.2、17.3、16.4、18.4、17.5、16.6、18.6、17.7、16.8、18.8。
所述Q12的29个水平分别为18.1、17.4、16.7、16、18.2、17.5、16.8、16.1、18.3、17.6、16.9、16.2、18.4、17.7、17、16.3、18.5、17.8、17.1、16.4、18.6、17.9、17.2、16.5、18.7、18、17.3、16.6、18.8。
所述Q13的29个水平分别为18.2、17.6、17、16.4、18.7、18.1、17.5、16.9、16.3、18.6、18、17.4、16.8、16.2、18.5、17.9、17.3、16.7、16.1、18.4、17.8、17.2、16.6、16、18.3、17.7、17.1、16.5、18.8。
所述Q14的29个水平分别为18.4、18、17.6、17.2、16.8、16.4、16、18.5、18.1、17.7、17.3、16.9、16.5、16.1、18.6、18.2、17.8、17.4、17、16.6、16.2、18.7、18.3、17.9、17.5、17.1、16.7、16.3、18.8。
本实施例中,综上述设计出14因素29水平的均匀设计表,如表1所示。
表1均匀设计表
所述步骤S401中遗传算法的最大遗传代数Gmax为1000,种群规模为200,交叉概率为0.4,变异概率为0.2,初始遗传代数G0为1。
所述步骤S401中模拟退火算法的初始温度T0为1000℃,终止温度TE为1℃。每次降温系数a为0.9。
所述步骤S4中所述适应度函数为步骤S2和步骤S3构建的BP神经网络;所述步骤S4中适应度越小则适应度越优;所述新种群的最优适应度优于旧种群的最优适应度为新种群的最优适应度小于旧种群的最优适应度;所述新种群的最优适应度劣于旧种群的最优适应度为新种群的最优适应度大于或等于旧种群的最优适应度;所述最差适应度为值最大的适应度;所述模拟退火条件为新种群的最优适应度与旧种群的最优适应度之差小于5。
所述步骤S408中η=b+0.5,其中,b为常数,且0<b<1。其中0.5为修订常数,通过长期试验分析总结而得。在实施本方法时,b通过仿真软件在(0,1)的范围内随机选取。
本实施例中,通过步骤S2得到的训练样本如表2所示。
表2
试验组序号 | 1 | 2 | 3 | 4 | 5 | 6 |
最大平均压力差 | 46.61 | 47.99 | 47.4 | 46.36 | 45.49 | 42.64 |
试验组序号 | 7 | 8 | 9 | 10 | 11 | 12 |
最大平均压力差 | 45.53 | 42.8 | 44.16 | 40.47 | 41.07 | 36.32 |
试验组序号 | 13 | 14 | 15 | 16 | 17 | 18 |
最大平均压力差 | 39.97 | 41.04 | 29.29 | 36.61 | 36.56 | 38.34 |
试验组序号 | 19 | 20 | 21 | 22 | 23 | 24 |
最大平均压力差 | 35.52 | 36.86 | 39.07 | 37.82 | 38.79 | 39.04 |
试验组序号 | 25 | 26 | 27 | 28 | 29 | -- |
最大平均压力差 | 36.01 | 38.94 | 37.82 | 39.04 | 33.36 | -- |
本实施例中,步骤S3中,通过Matlab建立BP神经网络模型,将步骤S2得到的训练样本中的70%的数据用于BP神经网络的训练,剩余30%的数据用于检验网络的泛化,并确定网络的初始权值。在本实施例中,经过6步迭代后,网络误差达到要求。通过验证,R2值均在98%以上,表明神经网络对数据拟合程度较好,映射了不平衡因子与结构变量间的逼近关系,训练结果如图3所示和验证结果如图4所示。本实施例中,所述不平衡因子为各个型腔熔体填充末端的最大平均压力差,所述结构变量为各个型腔的分流道截面积、分流道长度和分流道间距。
所述R2值是度量拟合优度的统计量,是目标值相对于神经网络的输出值的线性度量。
本实施例中,步骤S4中,利用模拟退火遗传算法优化求解,遗传算法的边界条件为各个型腔的分流道截面积的取值范围为2.5~5.3mm,所述各个型腔的分流道长度的取值范围为14~19.6mm,所述相邻型腔对应的分流道间距的取值范围为16~18.8mm,通过迭代得到模型适应度的最小值为10.1776。
本实施例中,对设计变量进行调整后,得到最优的影响向家族制模具多异型腔填充熔体的不平衡程度的关键结构参数,具体如表3所示。
表3
关键结构变量 | Q<sub>1</sub> | Q<sub>2</sub> | Q<sub>3</sub> | Q<sub>4</sub> | Q<sub>5</sub> | Q<sub>6</sub> | Q<sub>7</sub> |
关键结构参数 | 5.3 | 2.5 | 5.3 | 2.5 | 2.5 | 19.5 | 19.6 |
关键结构变量 | Q<sub>8</sub> | Q<sub>9</sub> | Q<sub>10</sub> | Q<sub>11</sub> | Q<sub>12</sub> | Q<sub>13</sub> | Q<sub>14</sub> |
关键结构参数 | 14 | 14 | 14 | 16 | 18.2 | 17.6 | 18.8 |
表3中关键结构参数的单位为mm。
对本实施例中的优化结果进行验证,具体如下:
在Moldflow分析平台中根据优化后的关键结构参数重构相应的结构尺寸,通过模拟得到型腔间充填的最大平均压力差F≈15MPa;最大注射位置压力由73.81MPa经优化后降至47.27MPa,关键结构参数优化前的最大注射位置压力如图5所示,关键结构参数优化后的最大注射位置压力如图6所示;注射成型的最大锁模力由试验方案中的16.02tone经优化后降至9.22tone,关键结构参数优化前的注射成型的最大锁模力如图7所示,关键结构参数优化后的注射成型的最大锁模力如图8所示。从上述实验可以得出注射成型过程中注射位置的最大压力和锁模力得到有效的降低,从实验设计的范围来看,两个指标经优化后分别降低了约36%和42%。故熔体流动近似平衡的优化极大避免了模具内部的局部过保压,飞边等缺陷,使型腔间压力分布较为均匀,同时也降低了设备的能耗,节省了成本。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种家族制模具多异型腔结构的优化设计方法,其特征在于:包括步骤
S1:建立家族制模具多异型腔结构优化数学模型:
S101:确定设计变量:选取影响家族制模具多异型腔填充熔体的不平衡程度的关键结构参数Q1、Q2、……、Qn作为设计变量;
S102:确定目标函数:本方法以减小各个型腔熔体填充末端的最大平均压力差为优化目标,建立目标函数,所述目标函数为:
F=min(ΔP) (1)
S103:确定约束条件:所述约束条件为
Xmin≤X≤Xmax (2)
其中,X为设计变量,X=[Q1,Q2,...,Qn]T,Xmax、Xmin表示设计变量的上、下限;
S2:获取训练样本:
S201:确定各个型腔的尺寸;
S201:采用均匀设计试验法进行样本获取,所选取设计变量即为均匀设计表的因素,在各设计变量的取值范围中选取若干个水平,设计均匀设计表,确定试验的组数和各试验组的具体参数;
S202:实施均匀设计试验方案,根据各个型腔尺寸和各试验组的参数建立相应的家族制模具多异型腔结构模型,提取所有的家族制模具多异型腔结构模型的型腔熔体填充末端的最大平均压力差作为神经网络的训练样本;
S3:构建BP神经网络:
S301:将设计变量作为输入层,将ΔP作为输出层,线性函数作为输出层的传递函数,sigmoid型传递函数作为隐含层的传递函数,
S302:利用步骤S202中获取的训练样本对BP神经网络进行训练,直至预测值与样本值的差别限定在允许误差范围内;
S4:利用模拟退火遗传算法优化求解:
S401:初始化遗传算法的最大遗传代数Gmax、种群规模、变异概率、交叉概率、初始遗传代数G0、以及模拟退火算法的初始温度T0、终止温度TE、每次降温系数a;
S402:随机初始化种群,将设计变量作为种群的个体进行实数编码,将初始遗传代数G0作为当前遗传迭代代数Gk;
S404:将当前种群中的每个个体进行解码后,带入适应度函数,获得当前种群中的每个个体的适应度,并取其中最小适应度为当前种群的最优适应度;
S405:运用遗传算法对当前种群中的个体进行交叉、变异操作,得到新种群,当前种群变成旧种群;
S406:将新种群中的个体进行解码后,带入适应度函数,获得新种群中的每个个体的适应度,并取其中最小适应度为新种群的最优适应度;
S407:判断新种群的最优适应度是否优于旧种群的最优适应度,若新种群的最优适应度优于旧种群的最优适应度,则用新种群中最优适应度对应的个体替代新种群中最差适应度对应的个体,进入步骤S409;若新种群的最优适应度劣于旧种群的最优适应度,则进入步骤S408;
S408:判断是否满足模拟退火条件,若满足以概率η来接受新种群的最优适应度对应的个体替代新种群的最差适应度对应的个体,进入步骤S409;若不满足,则保持旧种群不变,进入步骤S409;
S409:判断当前遗传迭代代数Gk是否达到最大遗传代数Gmax,若是,则结束所有的迭代,获得最优解;若不是,进入步骤S410;
S410:判断当前执行温度是否小于终止温度,若是,则结束所有迭代,获得最优解;若不是,根据模拟退火算法,将当前执行温度进行降温后得到新的执行温度,将当前遗传迭代代数Gk增加1,将新种群作为当前种群,进入下一次迭代,即返回步骤S405。
2.根据权利要求1所述家族制模具多异型腔结构的优化设计方法,其特征在于:所述家族制模具多异型腔结构包括主流道、若干个型腔和若干个分流道,所述型腔分别与分流道一一对应连通,所述分流道与主流道连通。
3.根据权利要求1所述家族制模具多异型腔结构的优化设计方法,其特征在于:所述步骤S301中隐含层的神经元数目为16。
4.根据权利要求1所述家族制模具多异型腔结构的优化设计方法,其特征在于:所述步骤S101中,选取各个型腔对应的分流道截面积半径、分流道长度以及相邻型腔对应的分流道间距作为设计变量。
5.根据权利要求4所述家族制模具多异型腔结构的优化设计方法,其特征在于:所述各个型腔的分流道截面积半径的取值范围为2.5~5.3mm,所述各个型腔的分流道长度的取值范围为14~19.6mm,所述相邻型腔对应的分流道间距的取值范围为16~18.8mm。
6.根据权利要求5所述家族制模具多异型腔结构的优化设计方法,其特征在于:在步骤S201中,在各个设计变量的取值范围中均选取N个水平,设计均匀设计表,所述N≥29。
7.根据权利要求1所述家族制模具多异型腔结构的优化设计方法,其特征在于:所述步骤S401中遗传算法的最大遗传代数Gmax为1000,种群规模为200,交叉概率为0.4,变异概率为0.2,初始遗传代数G0为1。
8.根据权利要求1所述家族制模具多异型腔结构的优化设计方法,其特征在于:所述步骤S401中模拟退火算法的初始温度T0为1000℃,终止温度TE为1℃, 每次降温系数a为0.9。
9.根据权利要求1所述家族制模具多异型腔结构的优化设计方法,其特征在于:所述步骤S4中所述适应度函数为步骤S2和步骤S3构建的BP神经网络;所述步骤S4中适应度越小则适应度越优;所述新种群的最优适应度优于旧种群的最优适应度为新种群的最优适应度小于旧种群的最优适应度;所述新种群的最优适应度劣于旧种群的最优适应度为新种群的最优适应度大于或等于旧种群的最优适应度;所述最差适应度为值最大的适应度;所述模拟退火条件为新种群的最优适应度与旧种群的最优适应度之差小于5。
10.根据权利要求1所述家族制模具多异型腔结构的优化设计方法,其特征在于:所述步骤S408中η=b+0.5,其中,b为常数,且0<b<1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810805987.2A CN109002615B (zh) | 2018-07-20 | 2018-07-20 | 家族制模具多异型腔结构的优化设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810805987.2A CN109002615B (zh) | 2018-07-20 | 2018-07-20 | 家族制模具多异型腔结构的优化设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109002615A CN109002615A (zh) | 2018-12-14 |
CN109002615B true CN109002615B (zh) | 2022-01-28 |
Family
ID=64596849
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810805987.2A Active CN109002615B (zh) | 2018-07-20 | 2018-07-20 | 家族制模具多异型腔结构的优化设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109002615B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101279499A (zh) * | 2008-03-13 | 2008-10-08 | 福建工程学院 | 变间隙包边模具的设计方法 |
CN102787286A (zh) * | 2012-07-17 | 2012-11-21 | 贵州航天电子科技有限公司 | 一种(2a12-t4)高强度铝合金薄壁异型腔体成型的方法 |
CN103793582A (zh) * | 2014-03-05 | 2014-05-14 | 福州大学 | 圆柱壳大开孔接管结构优化方法 |
CN105690698A (zh) * | 2016-04-27 | 2016-06-22 | 山东大学 | 一种注塑模具以及控制模具型腔压力的控制系统及方法 |
CN105760571A (zh) * | 2016-01-08 | 2016-07-13 | 浙江工业大学 | 电热变模温注塑模具加热系统设计方法 |
CN107944147A (zh) * | 2017-11-28 | 2018-04-20 | 柳州市城中区聚宝机械冲压厂 | 基于grnn神经网络的注塑工艺优化方法及注塑工艺 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180128938A1 (en) * | 2016-11-07 | 2018-05-10 | Baker Hughes Incorporated | Prediction of methane hydrate production parameters |
-
2018
- 2018-07-20 CN CN201810805987.2A patent/CN109002615B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101279499A (zh) * | 2008-03-13 | 2008-10-08 | 福建工程学院 | 变间隙包边模具的设计方法 |
CN102787286A (zh) * | 2012-07-17 | 2012-11-21 | 贵州航天电子科技有限公司 | 一种(2a12-t4)高强度铝合金薄壁异型腔体成型的方法 |
CN103793582A (zh) * | 2014-03-05 | 2014-05-14 | 福州大学 | 圆柱壳大开孔接管结构优化方法 |
CN105760571A (zh) * | 2016-01-08 | 2016-07-13 | 浙江工业大学 | 电热变模温注塑模具加热系统设计方法 |
CN105690698A (zh) * | 2016-04-27 | 2016-06-22 | 山东大学 | 一种注塑模具以及控制模具型腔压力的控制系统及方法 |
CN107944147A (zh) * | 2017-11-28 | 2018-04-20 | 柳州市城中区聚宝机械冲压厂 | 基于grnn神经网络的注塑工艺优化方法及注塑工艺 |
Non-Patent Citations (3)
Title |
---|
"Non-destructive measurement of cavity pressure during injection molding process based on ultrasonic technology and Gaussian process";Zhao, Peng等;《POLYMER TESTING》;20131231;第32卷(第4期);1436-1444 * |
"一种塑料精密成型复合工艺的研究";李江平 等;《塑料工业》;20180630;第48卷(第6期);33-36 * |
"基于Moldflow同模异腔注射模具的CAE分析与优化设计";刘磊;《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅰ辑》;20150215;B016-189 * |
Also Published As
Publication number | Publication date |
---|---|
CN109002615A (zh) | 2018-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Park et al. | Optimization of conformal cooling channels with array of baffles for plastic injection mold | |
CN108241774B (zh) | 用于模拟成型过程的方法 | |
CN110377948A (zh) | 一种注塑参数多目标优化方法 | |
AlKaabneh et al. | A combined analytical hierarchical process (AHP) and Taguchi experimental design (TED) for plastic injection molding process settings | |
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 | |
CN112069610B (zh) | 一种透明复杂多腔塑件的注塑工艺参数优化方法 | |
CN106003625A (zh) | 一种钢质注塑模具的随形冷却水道强化传热优化设计方法 | |
Azaman et al. | Optimization and numerical simulation analysis for molded thin‐walled parts fabricated using wood‐filled polypropylene composites via plastic injection molding | |
KR102109907B1 (ko) | 압출 채널을 통하여 유동하는 가소성 재료를 시뮬레이팅하기 위한 방법 및 장치 | |
CN107972243A (zh) | 基于som神经网络的注塑工艺优化方法及注塑工艺 | |
CN102514140B (zh) | 一种注塑制品预变形的生产方法 | |
CN112140413B (zh) | 一种塑料制件开模收缩率的预测方法及系统 | |
CN109002615B (zh) | 家族制模具多异型腔结构的优化设计方法 | |
Kitayama | Process parameters optimization in plastic injection molding using metamodel-based optimization: a comprehensive review | |
Lebaal et al. | An optimization method with experimental validation for the design of extrusion wire coating dies for a range of different materials and operating conditions | |
CN116461066A (zh) | 一种基于科学试模的注塑工艺参数智能设定方法 | |
Yang et al. | Research on Optimization of Injection Molding Process Parameters of Automobile Plastic Front‐End Frame | |
Zhang et al. | Optimized design method for profile extrusion die based on NURBS modeling | |
AU2012357709A1 (en) | A method for simulating bilaterally non-symmetrical injection moulding process | |
CN115408842A (zh) | 注塑成型仿真过程特性相似性分析方法 | |
CN113761759A (zh) | 一种橡塑挤出模具优化设计方法 | |
JP3612973B2 (ja) | 成形性解析方法 | |
Rutkauskas et al. | Knowledge-based method for gate and cold runner definition in injection mold design | |
Yun et al. | A Study on the Optimization of Filling Balance for Selective Flexible Flow Path in Family Mold | |
JPH0899341A (ja) | 流体流動過程の解析装置、解析方法、射出成形過程の解析装置、解析方法、射出成形品および射出成形品の製造方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |