一种纤维增强复合材料的注塑工艺参数优化方法
技术领域
本发明涉及一种注塑工艺优化方法,具体是一种基于BP-AdaBoost-PSO方法的纤维增强复合材料的注塑工艺参数优化方法,属于注塑加工技术领域。
背景技术
随着塑料工业的不断发展,传统的设计方法因为反复试模,制造周期长,生产成本高等特点不再适用,而应运而生的CAE数值模拟仿真技术(Computer Aided Engineering,计算机辅助工程)可以模拟试验,预测塑料制品存在的缺陷。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参数、缩短生产周期、降低生产成本、提高生产效率。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。
大量研究表明,表征塑料制品整体质量的三个重要的指标为翘曲变形量、体积收缩率和短射,常见的注塑工艺参数有模具温度、注射时间、熔体温度和保压压力等等,工艺参数如果设置不当会直接影响着塑料制品的质量和生产成本。近年来,业内人员通常依靠自身经验和塑料制品的材料特性和模具的浇注系统来确定质量目标和影响质量的因素。而针对纤维增强的复合注塑材料,由于加入纤维,因此在注塑过程中纤维会存在沿流动方向上的取向,进而会引起力学性能和收缩率在取向方向上增强,从而会造成较明显的翘曲现象,其翘曲影响因素除了注塑工艺参数外,还有纤维含量和纤维长径比。
确定工艺参数和质量目标、选择合理的试验方法、建立工艺参数与质量目标间的非线性模型、优化得到最优解是注塑工艺参数优化的四个主要步骤。其中,采取实施合理的试验方法是为了得到试验的样本和结果,然而成本和时间随着试验次数的增加而增加,所以业内人员往往希望能够在不影响试验结果准确性的前提下使得试验的数量能够尽可能地减少,目前业内人员常用的试验设计方法有正交试验、中心复合设计(CCD)试验、Box-Behnken(BBD)试验和均匀试验等方法,综合这些方法可以发现,试验的次数随着考虑的因素数目的增加而增加,然而为了试验的准确性,我们在设计试验时也不能为了减少试验次数而忽略某些影响因素。工艺参数与质量目标间的非线性模型的构建和优化是注塑工艺参数优化问题的最重要的一部分,目前业内人员通常采用RSM响应面模型来建立工艺参数自变量与响应变量之间的关系模型,虽然RSM的特点是简单且易于构建、可以用具体的数学关系式清楚地表示设计变量与响应变量之间的关系,但其拟和被限制在二次多项式的基础上,对于某些模型的拟和效果不是很理想。
发明内容
针对上述问题,本发明提供一种纤维增强复合材料的注塑工艺参数优化方法,针对采用纤维增强复合注塑材料进行注塑的注塑制品,能够在减少试验次数的前提下实现对注塑成型的工艺参数进行优化、并得到较优的工艺参数组合,从而实现减少翘曲现象、提高注塑制品的质量。
为实现上述目的,本纤维增强复合材料的注塑工艺参数优化方法具体包括以下步骤:
a.CAE仿真模型的建立与翘曲分析:将塑件的三维模型导入Moldflow仿真软件中进行运行分析,在冷却和流动分析结束后进行翘曲变形分析;
b.进行基于Box-Behnken法的注塑成型仿真试验:以翘曲总变形量最小为目标函数,运用PB试验设计方法从多个工艺参数中筛选出影响产品质量的显著性因素作为设计变量,并采用BBD试验设计方法设计试验方案,获得包括翘曲总变形量的BBD试验样本数据;
c.注塑工艺参数优化:
c-1.构建BP神经网络模型,将BBD试验样本数据作为训练数据对BP神经网络进行训练和预测,把单个BP神经网络作为弱预测器,反复训练BP神经网络预测输出;
c-2.在BP神经网络模型的基础上构建BP-AdaBoost模型,通过AdaBoost算法将多个BP神经网络弱预测器构成一个强预测器,获得需输入数据的预测值;
c-3.在BP-AdaBoost模型的基础上构建纤维增强复合材料注塑工艺参数优化问题模型,先通过BP-AdaBoost模型建立输入变量与输出变量的非线性映射关系,采用Matlab软件在所建的BP-AdaBoost模型基础上以翘曲总变形量为适应度函数,然后采用PSO算法进行优化,找到适应度函数的最优解,即工艺参数的最佳组合。
作为本发明的进一步改进方案,步骤c-1中分别选择tansig函数和purelin函数作为隐含层和输出层的神经元传递函数,将显著性影响因素作为网络的输入层,翘曲总变形量作为网络的输出值,构建BP神经网络模型。
作为本发明的进一步改进方案,步骤c-2中建立BP-AdaBoost模型的步骤具体如下:
①参数初始化:从样本空间选择m组训练数据,初始化测试数据的分布权值Dt(i)=1/m,确定预测误差的阈值Φ和弱预测器个数n,初始化BP神经网络的权值和阈值;
②弱预测器预测:训练第t个弱预测器时,训练BP神经网络并预测训练集的输出,得到gt(xi)和预测误差的绝对值et(i),et(i)的计算公式为et(i)=|gt(xi)-yi|i=1,2,…,m
式中,gt(xi)为预测输出值,yi为实际输出值;
③计算误差率εt:计算公式为εt=∑Dt(i) (et(i)>Φ)
⑤调整第t+1个预测器测试数据的权重:计算公式为
式中,Bt是归一化因子,目的是在使样本的分布权值和为1;
⑥构建强预测器:经过n次训练后,将得到的n组弱预测函数ft(gt(x),ωt)组合得到了强预测函数h(x),其计算公式为:
作为本发明的进一步改进方案,步骤c-3中在PSO算法中引入变异操作。
作为本发明的进一步改进方案,步骤b中PB试验设计方法,选取模具温度、注射压力、一段保压压力、一段保压时间、二段保压压力、二段保压时间、注射时间、冷却时间、熔体温度作为试验因素,每个因素分别选取高水平和低水平进行试验设计。
作为本发明的进一步改进方案,步骤b中运用PB试验设计方法并选定试验次数后,运用Moldflow软件进行分析,记录每次试验的翘曲总变形值,利用R语言软件对试验结果进行回归分析和方差分析,筛选出影响产品质量的显著性因素作为设计变量。
作为本发明的进一步改进方案,步骤b中的BBD试验设计方法,将显著性影响因素作为试验因素,翘曲总变形量作为试验指标,利用R语言软件进行试验设计。
作为本发明的进一步改进方案,步骤a中,进行翘曲变形分析后,通过改善塑件模型结构降低翘曲变形。
与现有技术相比,针对采用纤维增强复合注塑材料进行注塑的注塑制品,利用本纤维增强复合材料的注塑工艺参数优化方法得出的翘曲最低值和相应的工艺参数,通过Moldflow的模拟验证试验,BP-AdaBoost预测模型的决定系数R2高于RSM模型、均方根误差低于RSM模型,且翘曲总变形量的优化结果比RSM优化结果更精确,即BP-AdaBoost-PSO方法能够更好地拟合模型,具有更好的全局极值预测能力和准确性。
附图说明
图1是水泵固定支架塑件的三维俯视结构示意图;
图2是水泵固定支架塑件的三维仰视结构示意图;
图3是塑件模流分析模型;
图4是原模型翘曲总变形量的结果示图;
图5是修改模型翘曲总变形量的结果示图;
图6是BP神经网络结构示意图;
图7是BP-AdaBoost-PSO优化流程图;
图8是翘曲变形值迭代寻优结果示图。
具体实施方式
本纤维增强复合材料的注塑工艺参数优化方法首先基于Moldflow仿真软件进行翘曲分析,并通过改善塑件结构一定程度上降低翘曲变形;其次以翘曲最小为目标函数,运用Plackett-Burman(PB)试验设计方法从多个工艺参数中筛选出影响产品质量的显著性因素作为设计变量,并采用Box-Behnken design(BBD)试验设计方法合理设计试验方案;最后采用基于改进型神经网络的粒子群算法(BP-AdaBoost-PSO)的方法来优化纤维增强复合材料塑件的注塑工艺。
以下以水泵固定支架塑件为例进行具体描述。如图1、图2所示,该水泵固定支架注塑件主要由一个最大直径为140mm的法兰盘、直径为100mm深度为32mm的圆直筒和一个倾斜角度为120°的斜面组合而成,且斜面上有凹槽、圆孔和倾斜的圆锥孔等特征。该水泵固定支架所选用的材料为具有耐水解、强度高、特殊热稳定性等特点的PA66/GF30复合型材料,该复合型材料广泛地应用于机械、汽车、电子电气、化工、航空和冶金等领域。
步骤一:CAE仿真模型的建立与翘曲分析
将水泵固定支架的三维模型导入Moldflow仿真软件中,对模型进行网格划分后,进行自动修复和手动修复,网格统计信息如下:最大纵横比为6,匹配百分比为90.7%,满足分析要求。产品采用一模两腔的布局形式,浇注系统采用侧浇口,浇口位置处于该产品法兰盘圆柱面的侧端,冷却管道的直径为12mm。建立好的浇注系统和冷却系统如图3所示。选定塑件的材料PA66/GF30的牌号为Radici A RV 300 100NAT,制造商为Radici Plastics。
对已建好的模型进行<成型窗口>运行分析,将获取的推荐工艺参数设置为初始的工艺参数,具体为:熔体温度为280℃,注射时间为3s,注射压力为100MPa,一段保压压力为50MPa,一段保压时间为12s,二段保压压力为30MPa,二段保压时间为12s,模具温度为105℃,冷却时间为30s。
翘曲变形会影响塑料制品的尺寸精度和表观质量,甚至会影响塑料制品的可装配性,因此,在冷却和流动分析结束后,需对产品做进一步的翘曲变形分析。图4为翘曲总变形量的结果,可以看出,塑料件产生最大翘曲变形的地方位于水泵出水口处,变形量为1.063mm。水泵固定支架的出水口处壁厚为1.5mm,受力后容易变形,可通过在不影响塑件的使用性能的情况下,增加加强筋来更改制品局部壁厚,提高塑件强度,减少变形。图5为修改产品结构后翘曲总变形量的结果,可以看出,塑料件的最大变形量为0.9977mm,相比之前产品模型的变形量减少了6.14%,但翘曲变形仍然不满足要求。
步骤二:基于Box-Behnken法的注塑成型仿真试验
(一)Plackett-Burman试验设计
Plackett-Burman试验设计,即PB试验设计,可以在众多影响因素中有效筛选出对响应变量有显著影响的因素,减少了试验次数,有利于节约时间和成本。在注塑成型的过程中,模具温度(℃)、注射压力(MPa)、一段保压压力(MPa)、一段保压时间(s)、二段保压压力(MPa)、二段保压时间(s)、注射时间(s)、冷却时间(s)和熔体温度(℃)这9个工艺参数是影响塑件成型质量的主要影响因素。试验选取这9个工艺参数为试验因素,每个因素选取2个水平,即高水平和低水平来进行试验设计。试验因素与水平见表1。
表1 Plackett-Burman试验设计因子水平范围
选用20次试验,运用Moldflow软件进行分析,记录每次试验的翘曲总变形值。利用R语言软件对试验结果进行回归分析和方差分析,方差分析的结果如表2所示。
表2 Plackett-Burman试验方差分析结果
由表2数据可知,在95%的置信水平下,一段保压压力、注射时间和熔体温度的P值均小于0.05,可将一段保压压力、注射时间和熔体温度作为显著性影响因素。
(二)Box-Behnken design试验设计
Box-Behnken design试验设计(BBD试验设计)是一种拟合响应曲面的2阶3水平的试验设计,相较于CCD试验,BBD试验设计所需的试验次数少,因而更经济。试验选取一段保压压力(A)、注射时间(B)和熔体温度(C)为试验因素,每个因素选取3个水平,试验指标为翘曲总变形值。利用R语言软件进行试验设计,试验结果如表3所示。
表3 Box-Behnken试验方案与翘曲变形值
步骤三:注塑工艺参数优化
(一)RSM模型构建及优化
1、构建RSM模型
RSM模型(响应面模型)常被用于分析试验指标与多个试验因素间的回归关系,将抽象问题具体化。塑料制品的翘曲总变形量与各工艺参数之间的关系形式未知,可以用响应面模型来建立两者之间的函数关系,其数学表达式为:
式中y表示塑件的翘曲总变形量;α0,αi,αii和αij表示各项系数;xi和xj为控制变量,即塑件的工艺参数;n表示控制变量的总个数;xixj表示变量间的交互项。
针对表3的BBD试验样本数据,运用R语言数据分析软件进行多元回归拟合分析,建立翘曲值y对3个自变量(x1,x2,x3)的二次多项式回归模型为:
y=0.995000-0.038475x1+0.027075x2
-0.021725x3-0.002050x1x2+0.005250x1x3
-0.006300x2x3-0.007375x1 2
-0.001475x2 2+0.017275x3 2
对响应面模型进行方差分析,F检验很显著(P=5.888×10-10=0.05),R2值为0.9614,接近1,表明回归模型与实际情况拟合度较好,可以用于预测。取8组数据(在原BBD试验因素水平设置中出现过,但是不含在原BBD试验方案设计的组合中)用于预测模型的拟合程度,预测结果如表4所示。
表4 RSM预测响应值结果
2、RSM模型优化
翘曲总变形量为评价水泵固定支架的指标,理想的优化结果是在约束条件范围内尽可能减少翘曲值,优化约束条件为:目标函数min y(x1,x2,x3);约束条件为-1≤x1≤1,-1≤x2≤1,-1≤x3≤1。利用Matlab软件中的fmincon函数优化多维有约束问题,得到的最佳工艺参数组合为:一段保压压力60MPa,注射时间2s,熔体温度283℃,其RSM模型的预测值为0.92115mm,低于训练和预测试验的最低翘曲值为0.9284mm。
(二)BP-AdaBoost模型构建及优化
1、构建BP神经网络模型
BP神经网络是一种多层前馈神经网络,包含输入层、隐含层及输出层,能够实现信号前向传递、误差反向传播、调整网络权值和阈值,从而不断逼近期望输出。分别选择tansig函数和purelin函数作为隐含层和输出层的神经元传递函数,将一段保压压力、注射时间和熔体温度作为网络的输入层,翘曲总变形量作为网络的输出值,隐含层节点数选取为4,从而构建了一个3-4-1的3层BP神经网络模型,其拓扑结构如图6所示。
2、构建BP-AdaBoost模型
由于BP神经网络参数的随机性会导致训练结果不稳定,可以通过遗传算法、粒子群算法和AdaBoost等智能优化算法来优化BP神经网络,从而提高预测精度和泛化能力。AdaBoost算法是一种迭代算法,根据预每次训练集预测的准确度来调整每个样本的权重,送到下层预测器进行训练,最后将每次训练得到的预测器集合成一个强预测器。建立BP-AdaBoost模型的步骤如下:
①参数初始化。从样本空间选择m组训练数据,初始化测试数据的分布权值Dt(i)=1/m,确定预测误差的阈值Φ和弱预测器个数n,初始化BP神经网络的权值和阈值。
②弱预测器预测。训练第t个弱预测器时,训练BP神经网络并预测训练集的输出,得到gt(xi)和预测误差的绝对值et(i),et(i)的计算公式为et(i)=|gt(xi)-yi|i=1,2,…,m
式中,gt(xi)为预测输出值,yi为实际输出值。
③计算误差率εt。其计算公式为:
εt=∑Dt(i) (et(i)>Φ)
④计算弱预测器权重。其计算公式为:
⑤调整第t+1个预测器测试数据的权重。其计算公式为:
式中,Bt是归一化因子,目的是在使样本的分布权值和为1。
⑥构建强预测器。经过n次训练后,将得到的n组弱预测函数ft(gt(x),ωt)组合得到了强预测函数h(x),其计算公式为:
将表3的BBD试验样本数据作为训练数据对BP神经网络进行训练,并用与预测RSM模型相同的数据来进行预测。把单个BP神经网络作为弱预测器,反复训练BP神经网络预测输出,通过AdaBoost算法将多个BP神经网络弱预测器构成一个强预测器,从而输出输入数据的预测值,其预测结果如表5所示。
表5 BP-AdaBoost预测响应值结果
3、纤维增强复合材料注塑工艺参数优化问题模型优化
粒子群优化算法(简称PSO),是一类模拟鸟群随机搜寻的捕食行为的优化方法。通过BP-AdaBoost模型建立了输入变量与输出变量的非线性映射关系,然后采用PSO算法对其进行优化,找到适应度函数的最优解,优化流程图如图7所示。
采用Matlab软件在所建的BP-AdaBoost模型基础上,以翘曲总变形量为适应度函数,设定迭代次数为100,种群规模为20,并借鉴遗传算法中的变异思想,在PSO算法中引入变异操作,有助于粒子跳出先前的最优值位置,扩大搜索范围,提高寻找更优值的可能性,其寻优的结果如图8所示。
由图8所示,经过78次迭代后,产品的翘曲变形量达到最低值,为0.9148mm,其工艺参数的最佳组合为:一段保压压力60MPa,注射时间2.019s,熔体温度289.999℃,即圆整后的工艺参数依次为60MPa、2s、290℃。
(三)RSM和BP-AdaBoost-PSO优化方法的比较
由表4、表5可知,通过对BP-AdaBoost神经网络和RSM模型所预测的数据进行比较,BP-AdaBoost神经网络的预测均方根误差为0.00761,R2=0.98533,均优于RSM模型,这表明BP-AdaBoost模型的预测能力优于RSM模型。
BBD、RSM和BP-AdaBoost-PSO的翘曲变形优化结果比较如表6所示。
表6 BBD、RSM和BP-AdaBoost-PSO的翘曲变形优化结果比较
由表6可知,RSM经过二次多项式拟合后寻优的最小翘曲值为0.92115mm,Moldflow的模拟值为0.9362mm,相对误差为1.61%;而在BP-AdaBoost模型的基础上、通过PSO优化后的最小翘曲值为0.9148mm,Moldflow的模拟值为0.9159mm,相对误差为0.12%。可见BP-AdaBoost-PSO的预测值相比RSM的预测值更为有效和可靠。
将上述通过BP-AdaBoost-PSO方法获得最佳工艺参数进行生产验证,生产出的水泵固定支架塑件成型质量较好,随机抽取30个进行检验,尺寸精度满足设计要求,具有较好的成型质量。
本申请以水泵固定支架塑件为例,运用CAE模拟仿真对产品注射成型时的翘曲进行分析,通过在产品璧薄处增添加强筋来优化产品结构,产品的翘曲变形量减少了6.14%,有效改善了产品的质量。通过PB试验设计从影响产品质量的9个工艺参数中筛选出对翘曲变形量具有显著性影响的因素,即一段保压压力﹑注射时间和熔体温度,并采用Box-Behnken试验设计方法,结合响应面法和基于改进型神经网络的粒子群算法(BP-AdaBoost-PSO)对这三个显著性因素进行优化,得到翘曲最低值和相应的工艺参数;通过Moldflow的模拟验证试验,BP-AdaBoost预测模型的决定系数R2高于RSM模型、均方根误差低于RSM模型,且翘曲总变形量的优化结果比RSM优化结果更精确,即BP-AdaBoost-PSO方法能够更好地拟合模型,具有更好的全局极值预测能力和准确性。