CN110640982A - 一种薄壁注塑件的注塑工艺参数多目标优化方法 - Google Patents

Abstract

本发明公开了一种薄壁注塑件的注塑工艺参数多目标优化方法，是基于熵值法、随机森林和遗传算法优化薄壁注塑件成型工艺参数的方法，首先基于正交试验和Moldflow进行注塑成型仿真，然后采用熵值法将多目标优化转为单目标优化，然后将正交试验结果作为样本集随机分为训练集和测试集、并利用随机森林算法对训练集建立回归模型，最后利用遗传算法对所建立的回归模型进行全局寻优获得最佳工艺参数，能够实现在以最小化翘曲和体积收缩来保证塑件成型质量的前提下以降低锁模力来减少能源损耗、实现节省能源的目的，特别适用于对薄壁注塑件注塑工艺参数进行优化。

Description

一种薄壁注塑件的注塑工艺参数多目标优化方法

技术领域

本发明涉及一种注塑工艺参数多目标优化方法，具体是一种基于熵值法、随机森林和遗传算法的薄壁注塑件的注塑工艺参数多目标优化方法，属于注塑加工技术领域。

背景技术

随着工业技术的快速发展，成本低、可塑性强的塑料制品广泛应用于各个领域，而注塑成型是制得高性能塑料制品最重要的加工方法，能够以较高的精度制得结构复杂的塑料件。然而，传统的模具设计和注塑加工方法不能满足生产要求，不仅生产周期长，而且制造成本高，计算机辅助工程(Computer Aided Engineering，CAE)技术应运而生。近年来，基于数值模拟技术出现了各种CAE分析软件，如Moldflow，Moldex和Z-mold等，可以设计优化塑件和注塑模具结构、进行注塑成型过程仿真等。但CAE分析软件具有局限性，注塑仿真时默认的成型参数往往不是最佳的成型参数，需要结合各种数学方法来优化注塑成型工艺、缩短生产周期、降低生产成本、提高生产效率。塑件的材料和结构、模具结构、注塑工艺等都是影响注塑产品成型质量的关键因素，其中注塑工艺参数的合理与否直接关系到塑件的整体质量。温度、压力、时间是注塑成型的三个重要参数，影响着加工过程中熔体在模具内的流动、充填、冷却状态，对注塑件的最终质量都有不同程度的影响。因此注塑成型实际上是高度非线性、时变性且具有多参数作用的复杂过程，采用合理的方法优化注塑成型工艺参数，对于提高注塑件的最终质量、降低生产成本具有非常重要的现实意义。

翘曲和收缩是注塑件最常见的缺陷，严重时导致制品形位误差大、无法正常装配、不能满足使用要求。Gao等人提出一种基于Kriging代理模型降低翘曲的优化方法，以手机外壳为案例研究其翘曲变形，并通过所提出的优化方法有效降低了塑件的翘曲。Shen等人将人工神经网络和遗传算法结合，提出一种有效的塑件体积收缩率最小化方法。Erfan等人以塑料勺为研究对象，结合正交试验、方差分析以及人工神经网络方法进行数据分析，试图获得最佳注塑工艺参数，以最大限度的减少翘曲和体积收缩率。Altan等人通过正交试验和方差分析方法最小化矩形塑件的体积收缩率，并利用神经网络建立体积收缩率的预测模型。

上述已有研究旨在优化注塑成型工艺参数、最小化塑件的体积或收缩，从而提高塑件的成型质量。但现有的优化方法都是单目标规划问题，而且在实际生产中，除了上述的注塑成型工艺参数会影响塑件的成型质量之外，直接体现为最大锁模力大小的能源消耗问题也会影响塑件的成型质量，特别针对薄壁注塑件，锁模力过大会造成资源浪费，而锁模力不足会造成塑件出现飞边等缺陷。目前尚没有针对同时优化质量(翘曲、体积收缩率)和能源消耗(最大锁模力)的相关研究记载。

发明内容

针对上述问题，本发明提供一种薄壁注塑件的注塑工艺参数多目标优化方法，基于有限元分析软件Moldflow，能够实现同时优化质量(翘曲、体积收缩率)和能源消耗(最大锁模力)，特别适用于对薄壁注塑件注塑工艺参数进行优化。

为实现上述目的，本薄壁注塑件的注塑工艺参数多目标优化方法是基于熵值法、随机森林和遗传算法优化薄壁注塑件成型工艺参数的方法，具体包括以下步骤：

a.在Moldflow软件模拟注塑成型过程的基础上利用正交试验设计，以最小化翘曲、体积收缩率和最大锁模力为指标，获得各试验组的仿真结果；

b.采用熵值法确定各个指标的权重，将多目标优化转化为单目标优化，确定验证指标；

c.将正交试验结果作为样本集随机分为训练集和测试集，利用随机森林算法对训练集建立注塑成型质量预测模型；

d.利用遗传算法对所建立的注塑成型质量预测模型进行全局寻优获得最佳工艺参数；

e.将最佳工艺参数输入Moldflow中获得的仿真结果与验证指标进行比对验证。

作为本发明的进一步改进方案，步骤a在Moldflow软件模拟注塑成型过程中，选取注塑温度、模具温度、注射压力、保压压力、保压时间、冷却时间作为考察因素。

作为本发明的进一步改进方案，步骤a正交试验设计中，选择“冷却+充填+保压+翘曲”分析序列，模拟正交表中的各组试验值，确定各考察因素在不同水平下薄壁注塑件的翘曲量、体积收缩以及最大锁模力。

作为本发明的进一步改进方案，步骤b采用熵值法确定各个指标的权重时，建立综合评价模型，采用加权综合评分法将多目标问题转化成单目标，加权综合评分值Z的计算公式如下：

式中，y_ij为优化目标值，i表示第i组试验，j表示第j个优化目标；b_j为权因子系数，第j个指标的加权值；

熵值法计算目标权重步骤如下：

①m个指标n个样本的评价矩阵为：

②对目标值进行无量纲化处理，优化的翘曲变形量、体积收缩率、最大锁模力三个越小越好，采用负向指标计算公式进行无量纲处理：

③计算第j项优化目标下第i组试验目标值的比重P_ij

④计算第j项优化目标的熵值h_j

⑤计算第j项优化目标的差异性系数g_j

g_j＝1-h_j

⑥计算各项优化目标的权重ω_j

上述式中，Z_ij为无量纲化后的数值，Y_ij为第i组试验第j个优化目标的值；

和

分别为第j个目标的最大值和最小值，m为优化目标总数；

通过以上公式计算出每个优化目标权重系数，将其代入综合评价模型中确定各项的综合评价值，确定综合评价值最小的试验组的指标作为验证指标。

作为本发明的进一步改进方案，步骤c中，随机森林算法的每棵回归树的生成按照基尼指数最小原则，自顶向下的递归分裂，具体实现步骤如下：

①由原始样本组D生成随机向量序列θ_i(i＝1,2,…,k)，然后利用bootstrap重抽样方法从D中有放回的随机抽取k个子样本，构建k棵回归树，记作D_i(i＝1,2,…,k)；

②在每个分节点处从m个自变量中随机选取mtry个作为备选分枝变量，然后根据分枝优度准则确定最优分枝，R软件建立随机森林回归模型时，默认参数mtry＝m/3；

③对于每个子样本D_i分别构建回归树模型{h(X,θ_i),i＝1,2,…,k}，其中θ_i是服从独立同分布的随机变量，X为自变量；每棵回归树自顶向下递归分枝，不断生长，通过设定的棵树终止回归树的生长；

④由多个回归树组合{h₁(X),h₂(X),…,h_k(X)}构成随机森林的回归模型，因变量的预测值是以上k个回归树{h(X,θ_i),i＝1,2,…,k}的平均值，数学表达式为：

其中H(X)表示随机森林回归模型的预测值，h_i(X)表示第i个决策树模型。

作为本发明的进一步改进方案，将注塑温度、模具温度、注射压力、保压压力、保压时间、冷却时间作为薄壁件注塑成型质量预测模型的输入量，将综合评价值作为薄壁件注塑成型质量预测模型的输出量，采用随机选取的方法将多组正交试验样本结果分为训练集和测试集，将mtry设置为2，由OOB均方根误差估计确定ntree值，建立注塑成型质量预测模型，获得预测数值。

作为本发明的进一步改进方案，步骤d中，应用R软件的genalg遗传算法工具包进行优化搜索，种群规模数量为20，迭代次数为100，其他参数均取默认值。

作为本发明的进一步改进方案，将最佳工艺参数按照各项权重进行求和获得最佳工艺参数综合评价值，并将最佳工艺参数综合评价值与验证指标的综合评价值进行进一步比对验证。

与现有技术相比，本薄壁注塑件的注塑工艺参数多目标优化方法基于熵值法、随机森林和遗传算法优化薄壁注塑件成型工艺参数，首先以注塑加工过程中的注塑温度、模具温度、注射压力、保压压力、保压时间以及冷却时间为影响因素，以翘曲量、体积收缩率、最大锁模力为优化目标，基于正交试验和Moldflow进行注塑成型仿真，然后采用熵值法将多目标优化转为单目标优化，然后将正交试验结果作为样本集随机分为训练集和测试集、并利用随机森林算法对训练集建立回归模型，最后利用遗传算法对所建立的回归模型进行全局寻优获得最佳工艺参数，能够实现同时优化质量(翘曲、体积收缩率)和能源消耗(最大锁模力)，进而实现在以最小化翘曲和体积收缩来保证塑件成型质量的前提下以降低锁模力来减少能源损耗、实现节省能源的目的，特别适用于对薄壁注塑件注塑工艺参数进行优化。

附图说明

图1是汽车音响壳体注塑件的三维结构示意图；

图2是包括浇口、浇注系统、冷却系统的一模一腔结构汽车音响壳体注塑件模具结构示意图；

图3是第五组试验值的翘曲变形量分析示图；

图4是第五组试验值的体积收缩率分析示图；

图5是第五组试验值的锁模力分析示图；

图6是随机森林回归算法原理图；

图7是决策树棵数选择图；

图8是三种模型预测结果折线图；

图9是最佳参数仿真的翘曲变形量分析示图；

图10是最佳参数仿真的体积收缩率分析示图；

图11是最佳参数仿真的锁模力分析示图。

具体实施方式

本薄壁注塑件的注塑工艺参数多目标优化方法基于有限元分析软件Moldflow，首先在Moldflow软件模拟注塑成型过程的基础上利用正交试验设计，以最小化翘曲、体积收缩率和最大锁模力为目标，获得各试验组的仿真结果；然后采用熵值法确定各个指标的权重，将多目标优化转化为单目标优化；然后将正交试验结果作为样本集，并将样本集随机分为训练集和测试集，利用随机森林算法对训练集建立最佳回归模型；最后利用遗传算法对所建立的最佳回归模型进行全局寻优得出最优的注塑温度、模具温度、注射压力、保压压力、保压时间、冷却时间等注塑工艺参数。

以下以汽车音响壳体注塑件为例进行具体描述。如图1所示，汽车音响壳体注塑件由主体顶面板和位于其下方的矩形壳体组成。整体尺寸为192mm×40mm×41mm，壁厚不均匀，左右壁厚较薄为1.5mm，前后壁厚1.75mm，属于典型的薄壁注塑件。该注塑件材料选取Chi Mei公司的ABS，牌号为ABS-765A。

步骤一：注塑仿真试验设计与综合评价模型

(一)建立有限元分析模型：

首先将汽车音响壳体注塑件的三维零件图导入Moldflow中进行仿真分析，网格划分类型选择双层面。为保证仿真分析结果的精确性，需通过网格修复工具，将网格纵横比降到6以下，网格匹配百分比提高至93.3％，并检查网格的连通性、取向、重叠单元等，为后续的充填分析、翘曲分析等做准备，网格修复结果如表1所示。

表1网格划分

以该汽车音响壳体注塑件的注塑模具采用一模一腔结构为例，注塑模具整体结构设计如图2所示，注塑模具包括浇口、浇注系统、冷却系统。

(二)工艺参数与优化目标选择：

注塑过程分为五个阶段：注射、充填、保压、冷却。选取注塑温度(A,℃)、模具温度(B,℃)、注射压力(C,MPa)、保压压力(D,MPa)、保压时间(E,s)、冷却时间(F,s)作为考察因素，各因素均匀选取5个水平，相应的因素水平表如表2所示。

表2因素水平表

翘曲、收缩是注塑件的两大主要缺陷，而降低锁模力可有效节约能源，因此选取翘曲(y₁,mm)，收缩(y₂,％)和锁模力(y₃,ton)作为待优化的三个目标值。

(三)正交试验设计：

由于正交试验具有“均衡分散、整齐可比”的特点，是一种高效率、快速、经济的试验设计方法，因此采用正交试验可研究多个工艺参数薄壁件成型质量的影响。根据L₅₀(5¹¹)正交表建立试验方案。借助模流分析软件Moldflow进行注塑仿真，选择“冷却+充填+保压+翘曲”分析序列，模拟正交表中的各组试验值，确定各因素在不同水平下薄壁件的翘曲量、体积收缩以及最大锁模力，试验方案与仿真结果如表3所示。

表3试验方案与试验结果

(四)建立综合评价模型：

工艺参数对三个优化目标：翘曲变形量、体积收缩率、最大锁模力的影响程度各有侧重，需要确定相应的权重；同时各优化目标的量纲也不一致。考虑到各个目标，需要建立一个使各个目标都较优的综合评价模型，采用加权综合评分法可将多目标问题转化成单目标，实现多目标问题的综合优化。优化目标值均是越小越好，因此加权综合评分值Z的计算公式如下：

式中，y_ij为优化目标值，i表示第i组试验，j表示第j个优化目标；b_j为权因子系数，第j个指标的加权值。

为了使综合评价的结果更加合理，确定各个指标的权重十分关键。熵值法赋权是根据目标在结果中相应的重要性赋予相应的权重系数，熵值越小，目标权重就越大。三个优化目标对成型制品的重要度不同，影响也不同，因此进行多目标优化时，必须对多个优化目标根据重要程度赋予不同的权重。熵值法计算目标权重步骤如下：

①m个指标n个样本的评价矩阵为：

②对目标值进行无量纲处理，优化的翘曲变形量、体积收缩率、最大锁模力三个越小越好，即为负向指标，需采用负向指标计算公式进行无量纲处理：

③计算第j项优化目标下第i组试验目标值的比重P_ij

④计算第j项优化目标的熵值h_j

⑤计算第j项优化目标的差异性系数g_j

g_j＝1-h_j

⑥计算各项优化目标的权重ω_j

上述式中，Z_ij为无量纲化后的数值，Y_ij为第i组试验第j个优化目标的值；

和

分别为第j个目标的最大值和最小值，m为优化目标总数。

最后，计算出各指标权重系数ω_j＝(0.265，0.432，0.303)。

通过以上公式计算出每个优化目标权重系数，将其代入综合评价模型中可以确定各项的综合评价值，具体结果如表4所示。

表4各项综合评价值

由表4可知，第五组的综合评价值最小，此时翘曲为0.2623mm，体积收缩率为5.542％，最大锁模力为29.16ton，如图3至图5所示。

步骤二：利用随机森林算法建立最佳回归模型

随机森林(Random Forest,RF)是由Leo Breiman和Adele Cutler于2001年提出的一种结合Cart算法和Bagging算法的集成学习算法，是一种基于决策树的组合模型。随机森林可以处理非线性问题、具有很好的抗噪声能力且不易陷入过拟合，是机器学习中精度较高的算法。随机森林回归模型的构建是通过R语言平台上运用random Forest程序包实现。

(一)随机森林回归算法原理：

随机森林算法可以用于分类和回归问题。如图6所示，当随机森林用于回归问题时，每一棵决策树是回归树，通过最小均方差来划分，即对于划分特征A对应的任一划分点s，将数据集划分成D₁和D₂两个数据集，使得划分前后的两个数据集各自的均方差最小，即：

式中c₁、c₂分别是D₁、D₂数据样本集的样本输出值。然后在下一个划分点处继续利用这个原则划分，最后的预测结果为所有决策树的均值。

(二)随机森林回归算法流程：

为了提高模型的预测精度并防止出现过拟合的情况，随机森林回归算法结合Bagging得到训练样本子集，并结合随机子空间法得到节点分裂特征。随机森林的每棵回归树的生成按照基尼指数最小原则，自顶向下的递归分裂，具体实现步骤如下：

(1)由原始样本组D生成随机向量序列θ_i(i＝1,2,…,k)，然后利用bootstrap重抽样方法从D中有放回的随机抽取k个子样本，构建k棵回归树，记作D_i(i＝1,2,…,k)。

(2)在每个分节点处从m个自变量中随机选取mtry个作为备选分枝变量，然后根据分枝优度准则确定最优分枝。R软件建立随机森林回归模型时，默认参数mtry＝m/3。

(3)对于每个子样本D_i分别构建回归树模型{h(X,θ_i),i＝1,2,…,k}，其中θ_i是服从独立同分布的随机变量，X为自变量。每棵回归树自顶向下递归分枝，不断生长，通过设定的棵树终止回归树的生长。

(4)由多个回归树组合{h₁(X),h₂(X),…,h_k(X)}构成随机森林的回归模型。因变量的预测值是以上k个回归树{h(X,θ_i),i＝1,2,…,k}的平均值。数学表达式为：

其中H(X)表示随机森林回归模型的预测值，h_i(X)表示第i个决策树模型。

(三)OOB估计与变量重要性度量：

若原始数据D中共包含N个样本，采用bootstrap抽样后，则D中每个样本未被抽中的概率为

当样本容量较大时，即原始样本D中约有36.8％的样本不被抽取，称为袋外数据(Out-of-Bag,OOB)。袋外数据一般可作为测试数据集用来评价随机森林的预测性能，测试结果作为对模型的估计，称为袋外估计(Out-of-BagEstimation)，是一种类似于交叉验证的方法。

在进行数据分析与使用机器学习算法时，通常存在噪声或冗余数据，因此需要对各个变量的重要性进行度量，不仅可以提高模型性能，还能够降低计算复杂度。当模型中某个变量被随机改变时，可将改变前后对模型的影响程度作为度量该变量的相对重要性。对于随机森林的回归分析，基于基尼系数和基于OOB误差是常用的两种变量重要性评分的统计量。

(四)建立注塑成型质量预测模型(即最佳回归模型)

(1)建立样本数据集：

以注塑温度(℃)、模具温度(℃)、注射压力(MPa)、保压压力(MPa)、保压时间(s)、冷却时间(s)为自变量，考察对薄壁件的翘曲量、注塑周期以及最大锁模力的影响。

薄壁件注塑成型质量预测模型的输入量为注塑温度、模具温度、注射压力、保压压力、保压时间、冷却时间，输出量为综合评价值。采用随机选取的方法将50组样本按照8:2的比例分为训练集和测试集，避免人为因素导致的系统误差。

(2)模型参数设置：

影响随机森林回归模型预测能力的参数主要有两个：决策树的数目ntree和每次选取最佳变量时随机选取的变量数mtry。在回归问题中，可将mtry设置为变量总数的1/3，mtry过大或过小都会影响模型精度和计算速度。上述注塑温度(℃)、模具温度(℃)等变量总数为6，则mtry的值为2。回归树的数目ntree由OOB均方根误差估计(Root Mean SquaresError,RMSE)确定，结果如图7所示，图7显示了随着决策树棵数的增加，训练集和测试集上的RMSE的变化情况。

由图7可知，当决策树开始增加时，训练集和测试集上的RMSE开始减小。但是当决策树数目继续增加时，训练集和测试集上的RMSE先小幅上升后降低，并在一段波动后保持平稳。当决策树为300棵时，RMSE趋于稳定，说明进一步增加决策树的数量不会进一步提高模型的性能。为了使模型取得理想效果，本汽车音响壳体注塑件的ntree取300。

(3)影响汽车音响壳体注塑件注塑成型质量的重要变量的重要性分析：

表5变量重要性度量

表5给出了变量重要性度量，％IncMSE是基于均方根误差递减意义下的重要性度量、IncNodePurity是基于精确度递减意义下的重要性度量，两个指标的值越大说明变量越重要。根据％IncMSE，变量重要性排名依次是：x₄、x₁、x₅、x₂、x₃、x₆；根据IncNodePurity，变量重要性排名依次是：x₄、x₁、x₃、x₅、x₆、x₂。因此，保压压力(MPa)、注塑温度(℃)、注射压力(MPa)、保压时间(s)是影响汽车音响壳体注塑件注塑成型质量的重要变量。

(4)算法对比分析：

为了综合评价模型的性能，采用相同的训练样本分别建立BP神经网络和Kriging模型。BP神经网络对非线性具有很强的自适应能力，能够对样本与响应之间的模糊函数关系进行映射，能够有效解决复杂预测问题；但BP神经网络收敛速度较慢，学习速率较低，且易出现过拟合。Kriging模型对非线性函数具有良好的近似能力，是一种估计方差最小的无偏估计模型，具有局部估计的特点；但是，相关函数及模型参数θ_k的选择十分关键。

①构建对比预测模型

BP神经网络采用6×10×1的网络结构，即输入层神经元个数为6，隐层神经元个数为10(试错法确定)，输出层神经元个数为1，训练函数选择trainlm，学习函数选择learngdm。Kriging代理模型是一种无偏估计，基于训练样本构建Kriging模型，确定工艺参数与响应之间的关系，并预测未知工艺参数的响应值。其中，选择高斯函数作为相关函数，通过极大似然估计法确定相关模型参数θ_k，当θ_k＝(0.5 0.5 0.5 0.5 0.5 0.5 0.5)可使Kriging模型精度达到较好地效果。

利用以上建立的回归模型对随机确定的测试样本进行预测，结果如表6所示。

表6三种模型预测结果

比较三个模型的预测结果发现，三种预测模型均可以较为准确的的预测薄壁注塑件的成型质量，能较好地解决非线性问题。根据表5的数据绘制折线图，结果如图8所示。由图8可以看出，随机森林模型的整体预测误差最小，其次是Kriging模型，误差最大的是BP神经网络模型。

②模型评价与检验

对模型进行评价和检验是整个建模工作的重要环节。在模型评价中，通常会采用多种指标来衡量模型的好坏。对于回归算法，最常用的标准是均方根误差和可决系数(Coefficient of Determination,R-Squared)。均方根误差RMSE反映真实值与预测值之间的差异程度，其值越接近于0，说明模型误差越小；可决系数R²能够度量变量间的拟合程度，其值越接近于1说明模型拟合效果越好，因此采用RMSE和R²作为指标评价模型的预测效果，具体计算公式为：

式中：

为模型预测值，y_i为试验仿真值，

为样本值的平均值，n为样本数，i为样本序号。

对三种回归模型进行检验，通过平均绝对误差(Mean Absolute Error,MAE)、平均相对误差(Mean Relative Error,MRE)以及相对精度(Relative Precision,RP)三个统计量指标对模型偏差进行检验并比较模型间的差异。绝对误差反映了预测值偏离真值的大小，绝对误差越小精确度越高；相对误差是绝对误差与真值之比，反映了预测值的可信程度，平均误差越小模型越可信；相对精度表征了预测值与仿真值之间的匹配程度。三个检验指标的计算公式依次为：

将正交试验的仿真结果作为真值、三种模型预测值、训练样本平均值、测试样本平均值、样本总数等分别代入，获得各项指标的计算结果，结果如表7所示。

表7三种预测模型的评价与检验

由表7可知，训练集和测试集中随机森林模型的可决系数R²均达到0.98以上，且高于BP神经网络和Kriging模型，说明该模型具有良好的学习能力；训练集和测试集上均方根误差RMSE分别为0.4524和0.4625，均小于其他两个回归模型，说明模型的拟合效果较其他两个理想。此外，随机森林模型的测试集与训练集的各项指标相差不大，说明模型没有出现过拟合现象，泛化能力较好。

对模型进行统计量检验比较模型的预测能力，从表7可以看出，无论是测试集还是训练集，随机森林模型的平均绝对误差MAE为最小，且平均相对误差MRE也最小，在1％～3％之内；各模型的预测值与真值的匹配度RP分别为97.63％、93.78％、96.55％，可以看出随机森林预估精度最高。以上结果说明随机森林回归模型具有较高的可靠性和准确性，可用于注塑成型质量的预测。

步骤三：基于遗传算法的工艺参数优化

通过以上分析，建立基于随机森林算法的注塑成型质量预测模型，且模型精度较高，能够较好的预测不同工艺参数下制品的成型质量。

为了获得最优的工艺参数，以最小化注塑件缺陷为优化目标，以工艺参数的取值范围为约束条件，通过遗传算法求解。遗传算法适用于求解非线性最优化问题，具有较好的全局寻优能力，并且求解效率高。

应用R软件的genalg遗传算法工具包进行优化搜索，选取种群规模数量为20，迭代次数为100，其他参数均取默认值，默认参数包括：默认与种群数量有关的突变机会、默认为0.2的精英数量概率，可根据种群捕捉的基因边界值等。优化后得到的参数为：注塑温度249.24℃、模具温度66.80℃、注射压力86.92MPa、保压压力84.85MPa、保压时间10.63s、冷却时间13.01s。将最佳工艺参数输入Moldflow中进行进一步仿真试验，结果如图9至图11所示，分别为：翘曲量为0.0897mm，仅高于正交试验最小值0.0888mm；体积收缩率4.640％，小于正交试验最小值4.94％；最大锁模力28.98ton，小于正交试验值29.07ton。将上述目标值按照各项权重进行求和，获得综合评价值为13.927，与表4相比，该方案综合评分最低，表明该方案为最佳工艺参数组合。

将上述通过遗传算法获得最佳工艺参数进行生产验证，生产出的音响壳体成型质量较好，表面无熔接痕、气穴、浇不足等缺陷。随机抽取30个进行检验，尺寸精度满足生产要求，具有较好的成型质量。

Claims (8)

1.一种薄壁注塑件的注塑工艺参数多目标优化方法，其特征在于，是基于熵值法、随机森林和遗传算法优化薄壁注塑件成型工艺参数的方法，具体包括以下步骤：

a.在Moldflow软件模拟注塑成型过程的基础上利用正交试验设计，以最小化翘曲、体积收缩率和最大锁模力为指标，获得各试验组的仿真结果；

b.采用熵值法确定各个指标的权重，将多目标优化转化为单目标优化，确定验证指标；

c.将正交试验结果作为样本集随机分为训练集和测试集，利用随机森林算法对训练集建立注塑成型质量预测模型；

d.利用遗传算法对所建立的注塑成型质量预测模型进行全局寻优获得最佳工艺参数；

e.将最佳工艺参数输入Moldflow中获得的仿真结果与验证指标进行比对验证。

2.根据权利要求1所述的薄壁注塑件的注塑工艺参数多目标优化方法，其特征在于，步骤a在Moldflow软件模拟注塑成型过程中，选取注塑温度、模具温度、注射压力、保压压力、保压时间、冷却时间作为考察因素。

3.根据权利要求2所述的薄壁注塑件的注塑工艺参数多目标优化方法，其特征在于，步骤a正交试验设计中，选择“冷却+充填+保压+翘曲”分析序列，模拟正交表中的各组试验值，确定各考察因素在不同水平下薄壁注塑件的翘曲量、体积收缩以及最大锁模力。

4.根据权利要求1所述的薄壁注塑件的注塑工艺参数多目标优化方法，其特征在于，步骤b采用熵值法确定各个指标的权重时，建立综合评价模型，采用加权综合评分法将多目标问题转化成单目标，加权综合评分值Z的计算公式如下：

式中，y_ij为优化目标值，i表示第i组试验，j表示第j个优化目标；b_j为权因子系数，第j个指标的加权值；

熵值法计算目标权重步骤如下：

①m个指标n个样本的评价矩阵为：

②对目标值进行无量纲处理，优化的翘曲变形量、体积收缩率、最大锁模力三个越小越好，采用负向指标计算公式进行无量纲处理：

③计算第j项优化目标下第i组试验目标值的比重P_ij

④计算第j项优化目标的熵值h_j

⑤计算第j项优化目标的差异性系数g_j

g_j＝1-h_j

⑥计算各项优化目标的权重ω_j

上述式中，Z_ij为无量纲化后的数值，Y_ij为第i组试验第j个优化目标的值；

和

分别为第j个目标的最大值和最小值，m为优化目标总数；

通过以上公式计算出每个优化目标权重系数，将其代入综合评价模型中确定各项的综合评价值，确定综合评价值最小的试验组的指标作为验证指标。

5.根据权利要求1所述的薄壁注塑件的注塑工艺参数多目标优化方法，其特征在于，步骤c中，随机森林算法的每棵回归树的生成按照基尼指数最小原则，自顶向下的递归分裂，具体实现步骤如下：

①由原始样本组D生成随机向量序列θ_i(i＝1,2,…,k)，然后利用bootstrap重抽样方法从D中有放回的随机抽取k个子样本，构建k棵回归树，记作D_i(i＝1,2,…,k)；

②在每个分节点处从m个自变量中随机选取mtry个作为备选分枝变量，然后根据分枝优度准则确定最优分枝，R软件建立随机森林回归模型时，默认参数mtry＝m/3；

③对于每个子样本D_i分别构建回归树模型{h(X,θ_i),i＝1,2,…,k}，其中θ_i是服从独立同分布的随机变量，X为自变量；每棵回归树自顶向下递归分枝，不断生长，通过设定的棵树终止回归树的生长；

④由多个回归树组合{h₁(X),h₂(X),…,h_k(X)}构成随机森林的回归模型，因变量的预测值是以上k个回归树{h(X,θ_i),i＝1,2,…,k}的平均值，数学表达式为：

其中H(X)表示随机森林回归模型的预测值，h_i(X)表示第i个决策树模型。

6.根据权利要求5所述的薄壁注塑件的注塑工艺参数多目标优化方法，其特征在于，将注塑温度、模具温度、注射压力、保压压力、保压时间、冷却时间作为薄壁件注塑成型质量预测模型的输入量，将综合评价值作为薄壁件注塑成型质量预测模型的输出量，采用随机选取的方法将多组正交试验样本结果分为训练集和测试集，将mtry设置为2，由OOB均方根误差估计确定ntree值，建立注塑成型质量预测模型，获得预测数值。

7.根据权利要求1所述的薄壁注塑件的注塑工艺参数多目标优化方法，其特征在于，步骤d中，应用R软件的genalg遗传算法工具包进行优化搜索，种群规模数量为20，迭代次数为100，其他参数均取默认值。

8.根据权利要求7所述的薄壁注塑件的注塑工艺参数多目标优化方法，其特征在于，将最佳工艺参数按照各项权重进行求和获得最佳工艺参数综合评价值，并将最佳工艺参数综合评价值与验证指标的综合评价值进行进一步比对验证。

Images