CN111611715B - 一种注射成形工艺参数无模型优化方法 - Google Patents
一种注射成形工艺参数无模型优化方法 Download PDFInfo
- Publication number
- CN111611715B CN111611715B CN202010460745.1A CN202010460745A CN111611715B CN 111611715 B CN111611715 B CN 111611715B CN 202010460745 A CN202010460745 A CN 202010460745A CN 111611715 B CN111611715 B CN 111611715B
- Authority
- CN
- China
- Prior art keywords
- parameter
- gradient
- quality index
- optimization
- value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 132
- 238000005457 optimization Methods 0.000 title claims abstract description 107
- 238000001746 injection moulding Methods 0.000 title claims abstract description 30
- 230000003044 adaptive effect Effects 0.000 claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 8
- 238000002474 experimental method Methods 0.000 claims description 5
- 238000009825 accumulation Methods 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 abstract description 9
- 238000012360 testing method Methods 0.000 abstract description 8
- 239000000243 solution Substances 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 description 11
- 239000004033 plastic Substances 0.000 description 8
- 229920003023 plastic Polymers 0.000 description 8
- 238000002347 injection Methods 0.000 description 5
- 239000007924 injection Substances 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 238000010923 batch production Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 229920001971 elastomer Polymers 0.000 description 3
- 239000006247 magnetic powder Substances 0.000 description 3
- 239000002184 metal Substances 0.000 description 3
- 229910052751 metal Inorganic materials 0.000 description 3
- 239000005060 rubber Substances 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 229920003229 poly(methyl methacrylate) Polymers 0.000 description 2
- 239000004926 polymethyl methacrylate Substances 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- -1 but not limited to Substances 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000000155 melt Substances 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 239000012778 molding material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000003094 perturbing effect Effects 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
- B22D17/00—Pressure die casting or injection die casting, i.e. casting in which the metal is forced into a mould under high pressure
- B22D17/20—Accessories: Details
- B22D17/32—Controlling equipment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C45/00—Injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould; Apparatus therefor
- B29C45/17—Component parts, details or accessories; Auxiliary operations
- B29C45/76—Measuring, controlling or regulating
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C45/00—Injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould; Apparatus therefor
- B29C45/17—Component parts, details or accessories; Auxiliary operations
- B29C45/76—Measuring, controlling or regulating
- B29C45/766—Measuring, controlling or regulating the setting or resetting of moulding conditions, e.g. before starting a cycle
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C2945/00—Indexing scheme relating to injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould
- B29C2945/76—Measuring, controlling or regulating
- B29C2945/76929—Controlling method
- B29C2945/76939—Using stored or historical data sets
- B29C2945/76949—Using stored or historical data sets using a learning system, i.e. the system accumulates experience from previous occurrences, e.g. adaptive control
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Mechanical Engineering (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Software Systems (AREA)
- Computational Mathematics (AREA)
- Evolutionary Computation (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Automation & Control Theory (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Operations Research (AREA)
- Injection Moulding Of Plastics Or The Like (AREA)
Abstract
本发明公开了一种注射成形工艺参数无模型优化方法,解决现有优化方法存在的所需试验次数多,对不同参数为进行适应性调整的问题。本方法无需对产品质量指标与工艺参数之间建立代理模型,通过在线迭代的方法使得工艺参数向最优解附近收敛。本发明通过迭代梯度估计方法,计算当前点的梯度方向,并应用自适应矩估计算法为每个参数分配自适应的步长。本方法可以显著降低工艺参数过程所需的成本和时间,对于提高注射成形工艺参数优化效率有很大帮助。
Description
技术领域
本发明属于工艺参数优化方法,特别涉及了一种注射成形工艺参数无模型优化方法。
背景技术
注射成形是典型的批处理过程,目前注射成形的材料可以包括:塑料、橡胶、磁性粉末、金属等。以塑料注射成形为例,每个批处理过程包括三个阶段:填充阶段,保压阶段,冷却和塑化阶段。在填充阶段,注塑机将熔体推入模具的模腔中,通过速度/压力(V/P)切换点后将切换到保压阶段,维持一定的保压压力以补偿收缩。随后料筒中的螺杆退回并反转,将新的塑料颗粒进行加热并塑化,同时模具中的塑料熔体经过一定时间冷却固定成形,直到产品可以从模具中顶出。
模具设计,零件设计,原材料和工艺参数是影响注塑产品的最主要因素。确定模具和零件的设计以及原材料的类型后,工艺参数是影响产品质量,生产率和能耗的最重要因素。因此,确定最优的工艺参数意义重大。但是,由于成形过程中涉及的参数数量众多,不同参数之间存在耦合,并且优化目标和参数之间存在时变和非线性的关系,这项工作仍然是一个挑战。
试错法等传统方法在很大程度上取决于技术人员的个人经验,通过反复试凑调节工艺参数。这种优化方法耗费时间且需要多次试验,无法再满足工业的效率要求。随着数值分析的发展,许多研究人员将不同的数学模型用于参数优化方法,这些方法可以分为两类:基于模型的优化(model-based optimization,MBO)和无模型优化(model-freeoptimization,MFO)。
MBO方法首先需要采集若干组工艺参数及其对应的优化目标值,通过这些数据建立优化目标与参数的代理模型。建立代理模型的方法包括人工神经网络(ANN),支持向量机(SVM)等等。由于注塑成形过程的复杂性,建立足够精度的代理模型通常需要大量的试验数据进行回归拟合,因此增加了优化成本;除此之外,优化目标与工艺参数之间的关系通常会随材料、产品结构等因素变化,因此,MBO方法建立的代理模型只适用于特定种类的材料及结构,无法直接推广到其他产品中,而是需要重新进行建立代理模型的过程,从而降低了优化效率。
与MBO方法相比,MFO方法不需要事先建立代理模型,而是在每一步得到的优化目标值作为反馈,判断当前的优化方向,逐渐迭代到最优的工艺参数。MFO方法的关键在于寻找准确的优化方向以及如何分配每个参数的优化步长。MFO方法可以分为两类:基于梯度的方法和不基于梯度的方法。不基于梯度的方法根据随机搜索找到更接近优化目标的参数,从而确定优化方向,如Nelder–Mead方法,进化算法等等。这种方法的优点在于无需额外的试验次数来进行梯度的估计,但是优化过程存在一定的随机性,且收敛速度与基于梯度的方法相比更低。而基于梯度的方法一般需要额外的试验以拟合梯度,如同时摄动随机近似(SPSA)方法,但得益于梯度提供的明确的优化方向,基于梯度的方法由较快的收敛速度,能够以更少的实验成本得到最优的工艺参数。目前的MFO方法仍然存在不足之处:优化方向的确定一般需要额外的试验以拟合梯度,提高了优化成本;参数调整过程中对每个参数的调整步长通常是相等的,没有充分考虑对不同参数的适应性。基于以上考虑,有必要提出一种无模型自适应的优化方法,以提高工艺参数优化的效率。
发明内容
本发明目的在于解决现有注射成形工艺参数优化方法仍然存在的不足之处,提供一种更加快速、低成本、自适应的工艺参数优化方法。
本发明采用迭代梯度估计方法计算当前点的梯度方向,作为参数调整方向,并且采用自适应矩估计算法实现每个参数步长的自适应调整,以解决现有优化方法试验次数多、对不同参数适应性低等问题,最终以少量试验次数实现工艺参数的快速优化。
为实现上述目的,本发明采用的技术方案如下:
一种注射成形工艺参数无模型优化方法,包括:
(1)针对待优化的注射成形工艺,确定待优化的质量指标Q和该质量指标的质量指标目标值Qtarget;
(2)确定n个待优化工艺参数,确定待优化工艺参数的初始值,并进行预处理,得到初始的参数样本;
(3)对当前参数样本中的每个参数分别进行扰动,得到n组经过扰动操作后的参数样本,最终获得包含当前参数样本在内的n+1组参数样本及对应的n+1个质量指标值Q1;
(4)利用获取得到的n+1个质量指标值Q1,求取当前参数样本处的梯度值;
(5)根据得到的梯度值,更新当前参数样本,利用更新后的参数样本,求取其对应的质量指标值Q2,将质量指标值Q2与质量指标的质量指标目标值Qtarget进行比较:
若满足设定要求,输出最优工艺参数;
否则,利用更新后的参数样本以及质量指标值Q2替换步骤(3)中的n+1组参数样本中优化目标值最差的一组参数样本以及质量指标值Q1,返回步骤(4)。
步骤(1)中,确定优化的质量指标Q(如产品重量、翘曲等)、质量指标目标值Qtarget和优化目标误差容差δ;选择要优化的参数X=(x1,x2,…,xn)T及其可行范围,如以下公式所示:
s.t.Li≤xi≤Ui,i=1,2,...,n
X=(x1,x2,...,xn)T
J(X)表示当前质量指标值与目标值(即Qtarget)间的差异。其中质量指标Q(X),可以视为关于工艺参数X的隐函数,X由n个参数x1,x2,…,xn组成,如保压压力、熔体温度等,Li和Ui表示参数xi的上下界。
由于不同参数存在数量级上的差异,如熔体温度和注射时间之间相差两个数量级,通常需要在参数优化过程中对各个参数按照下式进行归一化,进行归一化能够保证各个参数能够以相同的幅度变化。作为优选,步骤(2)中,预处理过程如下:
其中:X为某一个工艺参数,Xnorm为X预处理后的参数;L为该工艺参数对应的最小值,U为工艺参数对应的最大值。
本发明中,所述质量指标值Q1、质量指标值Q2可以通过仿真或者实验得到。
步骤(3)中,对每个参数分别进行扰动,扰动大小和方向没有严格限制,扰动后共得到n+1组工艺参数及其对应的质量目标值,进而得到其对应的优化目标值J:
其中,J(X0)、J(X1)、J(Xn)分别为X0、X1、Xn对应的质量目标值与质量指标目标值之间的差值(即对应质量目标值与质量指标目标值之间的差的绝对值);
步骤(4)中,根据J(X)在X0处的泰勒展开:
写作矩阵形式:
进一步可由下式求得当前参数样本X0处的梯度值:
其中α0为参数调整的步长;X0为当前参数样本;为更新后的当前参数样本;为梯度值。得到更新的参数后,需要进行去归一化(如公式(2)),使参数回到物理参数值(Xdenorm),以方便技术人员进行实验操作得到处的目标值
Xdenorm=Xnorm×(U-L)+L
上述物理转换仅在求解质量指标值或目标值时进行,在后续的更新过程中,始终采用经过预处理的参数数据,以保持处理过成的统一性。当然,如果采用仿真方法求解质量指标值或目标值时,可以通过编程直接采用得到的进行判断等。
步骤(5)中,判断质量指标值Q2是否满足要求,若|Q2-Qtarget|<δ,则所得优化目标已满足终止条件,优化进程停止,为最优参数,进行物理转化后,可以输出实际的最优参数信息;反之则不满足终止条件,则更新步骤(3)中的参数样本后,返回到步骤(4),进行下一次的优化计算。
在上述更新步骤(3)中参数样本后,更新梯度计算矩阵。使用新得到的点代替原梯度计算矩阵中目标值最差的点,同时成为当前的参数样本(假设为(X0,J(X0)),不失一般性),由J(X)在X0处的泰勒展开,得到更新之后的梯度计算矩阵为:
在获得梯度信息之后,现有的优化方法通常采用梯度下降算法来将更新参数。在这种情况下,将步长α0设置为常数,并且参数变化量仅取决于当前单点的梯度,而忽略了历史梯度信息的积累,而历史梯度信息的积累可以为接下来的优化方向及步长提供有用的建议,从而在之后的优化步骤中能够更加适应地调整步长α0。因此,本发明步骤(5)中,利用自适应矩估计方法,基于历史梯度信息的积累,实现对当前参数样本的更新。
进一步讲,首次更新时,可以给定步长α0数值,在后续的更新过程中,可以采用自适应矩估计方法,经过适应性调整之后各个参数的优化步长为:
其中,X0为当前参数样本,为更新后的当前参数样本;η为预先设定的步长系数;δ为修正系数;为历史梯度的一阶指数滑动平均的修正,由历史梯度的一阶指数滑动平均和历史梯度信息计算得到;为历史梯度的二阶指数滑动平均的修正,由历史梯度的二阶指数滑动平均和历史梯度信息计算得到。
其中:m为更新次数;vm-1为第m次更新时的历史梯度的一阶指数滑动平均;vsm-1为第m次更新时的历史梯度的二阶指数滑动平均;v0=0;s0=0;为第m-1次更新后得到的梯度值;⊙表示矩阵对应元素相乘;β1为一阶指数衰减率系数;β2为二阶指数衰减率系数。β1为0.85~0.95;β2为0.99~0.999。
具体讲,计算历史梯度的一阶指数滑动平均:
v0=0
β1为一阶指数衰减率系数,通常设置为0.9。计算一阶指数滑动平均主要起到加速优化过程的作用。例如之前的若干个优化步骤中某一参数分量的梯度均为正值,则一阶指数滑动平均v会记录并积累这种趋势,并在之后的优化步中增大此参数的步长,从而起到加速的作用。一阶指数滑动平均v的作用类似于物理中动量的概念,因此也被称为动量算法。
计算历史梯度的二阶指数滑动平均:
s0=0
β2为二阶指数衰减率系数,通常设置为0.999;⊙表示矩阵对应元素相乘。考虑到优化目标仅对一部分参数敏感,而对其他参数的变化不敏感。对于多个参数的优化问题,需要针对不同参数设置不同的优化步长,从而与其对优化目标的影响程度相适应。二阶指数滑动平均s通过积累梯度的平方来评估每个参数的影响,并提高优化方法的适应性。如果目标函数在某些维度上的梯度的平方始终很小,则在这些维度上的下降步长会增大以加速收敛;反之,对于一些上下波动较大的参数则会减小其优化步长,以减少波动。
指数滑动平均误差修正。由于v和s的初始值一般设为0,会导致指数滑动平均出现误差,根据下式修正这种由初始值引起的误差。其中m表示当前为第m优化步。
最终得到工艺参数更新公式为:
其中η为预先设定的步长系数,δ为一个很小的正数(如10-8)以避免分母为0。
本发明的方法可以用于采用各种注射成形材料(包括但不限于塑料、橡胶、磁性粉末、金属等)的注射成形工艺的优化。
本发明提出的注射成形工艺参数优化方法的有益效果在于:
1、本发明提供了一种无模型的优化方法,无需建立代理模型,采用迭代梯度估计方法计算当前点的梯度方向,大大减少了建模所需的大量试验次数,且易于推广到其他工艺过程。
2、结合自适应矩估计算法,实现了注射成形工艺参数的快速、自适应优化,解决了以往工艺参数优化方法收敛速度慢、未针对不同参数进行适应性调整的问题,大大减少了优化成本,在具体实施过程中具有很强的可操作性。
3、除此之外,注射成形时一种典型的批次过程,本发明所提出的优化方法也可在其他批次过程(如铸造)工艺参数优化进行推广。
附图说明
图1为本发明的注射成形工艺参数无模型自适应优化方法的流程图;
图2为实施例的优化过程中实验序号与产品重量的变化趋势图;
图3为本发明的方法与没有采用自适应性步长调整的优化方法结果对比图。
具体实施方式
以下参照本发明的流程图对本发明做出详细描述。本发明所提出的注射成形工艺参数无模型优化方法采用迭代梯度估计方法计算当前点的梯度方向,作为参数调整方向,使得参数不断向最优化方向调整,在参数优化过程中采用自适应矩估计算法实现每个参数步长的自适应调整,每次调整之后得到的参数将由试验得到该参数对应的优化目标值,如此迭代优化,直到满足标准。
下面结合实施例对本发明进行详细说明。
如图1所示,一种注射成形工艺参数无模型优化方法,包括如下步骤:
(1)、方法初始化:确定优化的质量指标Q(如产品重量、翘曲等)、质量指标目标值Qtarget和优化目标误差容差δ;选择要优化的参数X=(x1,x2,…,xn)T及其可行范围,如公式(1)所示:
J(X)表示当前质量指标与目标值间的差异。其中质量指标Q(X),可以视为关于工艺参数X的隐函数,X由n个参数x1,x2,…,xn组成,如保压压力、熔体温度等,Ui和Li分别表示参数xi的上下边界值。
由于不同参数存在数量级上的差异,如熔体温度和注射时间之间相差两个数量级,通常需要在参数优化过程中对各个参数按照公式(2)进行归一化,进行归一化能够保证各个参数能够以相同的幅度变化。
(2)、起始参数选择以及初始梯度计算。首先在可行范围内选择起点X0,并对每个参数分别进行扰动,即其中i表示第i个参数,j表示第j组数据,表示第j组参数样本中的第i个参数,为当前参数样本中的第j个参数,δi为扰动量,扰动大小和方向没有严格限制,扰动后共得到n+1组工艺参数及其对应的质量目标值,进而得到其对应的优化目标值J(为对应质量目标值与质量目标目标值之间的差值):
根据J(X)在X0处的泰勒展开:
写作矩阵形式:
可由梯度计算矩阵(6)求得起始点X0处的梯度值
Xdenorm=Xnorm×(U-L)+L (8)
(4)、判断Q(Xdenorm)是否满足要求,若|Q(Xdenorm)-Qtarget|<δ,则所得优化目标已满足终止条件,优化进程停止,此时的Xdenorm为最优参数;反之则不满足终止条件,继续到步骤(5)。
(6)、适应性步长调整。在获得梯度信息之后,现有的优化方法通常采用梯度下降算法来将更新参数。在这种情况下,将步长α0设置为常数,并且参数变化量仅取决于当前单点的梯度,而忽略了历史梯度信息的积累,而历史梯度信息的积累可以为接下来的优化方向及步长提供有用的建议,从而在之后的优化步骤中能够更加适应地调整步长α0。因此,本发明采用了自适应矩估计方法,经过适应性调整之后各个参数的优化步长为该方法的具体步骤如下:
(6.1)、计算历史梯度的一阶指数滑动平均:
β1为一阶指数衰减率系数,通常设置为0.9。m为更新次数,在对应更新次数时,选择对应的计算公式;计算一阶指数滑动平均主要起到加速优化过程的作用。例如之前的若干个优化步骤中某一参数分量的梯度均为正值,则一阶指数滑动平均v会记录并积累这种趋势,并在之后的优化步中增大此参数的步长,从而起到加速的作用。一阶指数滑动平均v的作用类似于物理中动量的概念,因此也被称为动量算法。
(6.2)、计算历史梯度的二阶指数滑动平均:
β2为二阶指数衰减率系数,通常设置为0.999;⊙表示矩阵对应元素相乘。考虑到优化目标仅对一部分参数敏感,而对其他参数的变化不敏感。对于多个参数的优化问题,需要针对不同参数设置不同的优化步长,从而与其对优化目标的影响相适应。二阶指数滑动平均s通过积累梯度的平方来评估每个参数的影响,并提高优化方法的适应性。如果目标函数在某些维度上的梯度的平方始终很小,则在这些维度上的下降步长会增大以加速收敛;反之,对于一些上下波动较大的参数则会减小其优化步长,以减少波动。
(6.3)、指数滑动平均误差修正。由于v和s的初始值一般设为0,会导致指数滑动平均出现误差,根据公式(12)修正这种由初始值引起的误差,其中第m次更新时,对应的历史梯度的一阶指数滑动平均的修正为历史梯度的二阶指数滑动平均的修正为
m为更新次数;vm-1为第m次更新时的历史梯度的一阶指数滑动平均;sm-1为第m次更新时的历史梯度的二阶指数滑动平均;v0=0;s0=0;为第m-1次更新后得到的梯度值;⊙表示矩阵对应元素相乘;β1为一阶指数衰减率系数;β2为二阶指数衰减率系数。β1为0.9;β2为0.999。(6.4)、最终得到当前参数样本的更新公式为公式(13),返回步骤(4)。
其中η为预先设定的步长系数,δ为一个很小的正数(如10-8)以避免分母为0。
下面结合实施例对本发明进行详细说明。
实施例
下面以一种塑料光学透镜的工艺参数优化优化为例,说明本发明在塑料注射成形工艺参数优化中的具体实施措施。本实施例使用的注塑机为中国海天Zhafir VE400型号,所使用材料为日本Sumipex公司的聚甲基丙烯酸甲酯(PMMA)。
首先进行步骤(1),进行优化方法的初始化。以产品重量为优化目标,该产品的标准重量为8.16g,即产品重量的目标值为8.16g;选取待优化的工艺参数及其范围如表1所示。
表1:待优化工艺参数及其范围
随后进行步骤(2),在参数范围内随机选取起始参数。本实施例中选取的起始参数为对X0进行归一化之后为起始参数对应的产品重量为25.3371g。对各个参数分量经过摄动后得到其他4组工艺参数: 并由试验获得其对应的产品重量(如图2横坐标1~5点对应的产品重量值)并按公式(6)计算得到起始点的梯度。
执行步骤(6),适应性地调整各个参数分量的优化步长,并回到步骤(3)。如此循环,直到所得到的产品重量能够满足要求的误差范围。
图2为该实施例的优化过程中实验序号与产品重量的变化趋势,可以看出在10次迭代优化后,产品重量达到设定目标,采用了适应性步长调整所需试验次数明显少于没有采用自适应步长调整的优化方法(见图3(对应的为“梯度下降方法”),没有采用自适应步长调整的优化方法中步长选择定值为α=0.01)。实验结果表明,本发明能够以少量试验快速优化工艺参数,以达到目标要求。
本发明的优化方法,不仅可以应用于塑料注射成形的工艺优化,也可以应用采用其他注射材料,比如橡胶、磁性粉末、金属等注射成形工艺或者类似原理的工艺优化中。
Claims (5)
1.一种注射成形工艺参数无模型优化方法,其特征在于:包括:
(1)针对待优化的注射成形工艺,确定待优化的质量指标Q和质量指标目标值Qtarget;
(2)确定n个待优化工艺参数,确定待优化工艺参数的初始值,并进行预处理,得到初始的参数样本;
(3)对当前参数样本中的每个参数分别进行扰动,得到n组经过扰动操作后的参数样本,最终获得包含当前参数样本在内的n+1组参数样本及对应的n+1个质量指标值Q1;
(4)利用获取得到的n+1个质量指标值Q1,求取当前参数样本处的梯度值;求取所述梯度值的方法如下:
(5)根据得到的梯度值,更新当前参数样本,利用更新后的参数样本,求取其对应的质量指标值Q2,将质量指标值Q2与质量指标的质量指标目标值Qtarget进行比较:
若满足设定要求,输出最优工艺参数;
否则,利用更新后的参数样本以及质量指标值Q2替换步骤(3)中的n+1组参数样本中优化目标值最差的一组参数样本以及质量指标值Q1,返回步骤(4);
步骤(5)中,利用自适应矩估计方法,基于历史梯度信息的积累,利用如下公式实现对当前参数样本的更新:
3.根据权利要求1所述的注射成形工艺参数无模型优化方法,其特征在于:所述质量指标值Q1、质量指标值Q2通过仿真或者实验得到。
5.根据权利要求4所述的注射成形工艺参数无模型优化方法,其特征在于:β1为0.85~0.95;β2为0.99~0.999。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010460745.1A CN111611715B (zh) | 2020-05-27 | 2020-05-27 | 一种注射成形工艺参数无模型优化方法 |
US17/328,440 US11860590B2 (en) | 2020-05-27 | 2021-05-24 | Model-free optimization method of process parameters of injection molding |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010460745.1A CN111611715B (zh) | 2020-05-27 | 2020-05-27 | 一种注射成形工艺参数无模型优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111611715A CN111611715A (zh) | 2020-09-01 |
CN111611715B true CN111611715B (zh) | 2022-08-05 |
Family
ID=72204471
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010460745.1A Active CN111611715B (zh) | 2020-05-27 | 2020-05-27 | 一种注射成形工艺参数无模型优化方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11860590B2 (zh) |
CN (1) | CN111611715B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112776292A (zh) * | 2020-12-21 | 2021-05-11 | 四川科思精密模具有限公司 | 一种注射成型工艺优化方法 |
CN114818512B (zh) * | 2022-05-25 | 2024-05-07 | 浙大宁波理工学院 | 一种通过svr模型对片状塑料模成型工艺的优化方法 |
CN115965166B (zh) * | 2023-03-16 | 2023-05-23 | 昆山市恒达精密机械工业有限公司 | 一种塑胶产品生产工艺的优化方法及系统 |
CN116628970A (zh) * | 2023-05-18 | 2023-08-22 | 浙江大学 | 基于数据挖掘的航天薄壁件旋压成型工艺参数优化方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104008248A (zh) * | 2014-06-04 | 2014-08-27 | 广西大学 | 基于高斯过程的注塑成形工艺稳健设计与容差设计方法 |
CN104772878A (zh) * | 2015-02-15 | 2015-07-15 | 浙江大学 | 一种注塑成型过程迭代建模与优化的制品重量控制方法 |
CN109062059A (zh) * | 2018-09-27 | 2018-12-21 | 杭州电子科技大学 | 一种基于系统增广模型的批次过程预测控制方法 |
CN109145409A (zh) * | 2018-08-01 | 2019-01-04 | 浙江大学 | 一种隐式曲面多孔结构的优化方法 |
CN110377948A (zh) * | 2019-06-12 | 2019-10-25 | 江苏师范大学 | 一种注塑参数多目标优化方法 |
CN111125885A (zh) * | 2019-12-03 | 2020-05-08 | 杭州电子科技大学 | 一种基于改进克里金插值算法的asf修正表构建方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5132768B2 (ja) * | 2007-07-02 | 2013-01-30 | マグマ ギエッセレイテクノロジ ゲーエムベーハー | モールド充填プロセスのシミュレーションにおいて、粒子の統計的な配向分布を記述するための方法および装置。 |
AT519096B1 (de) * | 2016-12-23 | 2018-04-15 | Engel Austria Gmbh | Verfahren zum Einstellen einer Formgebungsmaschine |
US10809171B2 (en) * | 2017-08-04 | 2020-10-20 | Seqvera Ltd. Oy | Method for measurement and model-free evaluation of injectable biomaterials properties |
US20210260802A1 (en) * | 2020-02-26 | 2021-08-26 | Eigen Innovations Inc. | Industrial process optimization system and method |
-
2020
- 2020-05-27 CN CN202010460745.1A patent/CN111611715B/zh active Active
-
2021
- 2021-05-24 US US17/328,440 patent/US11860590B2/en active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104008248A (zh) * | 2014-06-04 | 2014-08-27 | 广西大学 | 基于高斯过程的注塑成形工艺稳健设计与容差设计方法 |
CN104772878A (zh) * | 2015-02-15 | 2015-07-15 | 浙江大学 | 一种注塑成型过程迭代建模与优化的制品重量控制方法 |
CN109145409A (zh) * | 2018-08-01 | 2019-01-04 | 浙江大学 | 一种隐式曲面多孔结构的优化方法 |
CN109062059A (zh) * | 2018-09-27 | 2018-12-21 | 杭州电子科技大学 | 一种基于系统增广模型的批次过程预测控制方法 |
CN110377948A (zh) * | 2019-06-12 | 2019-10-25 | 江苏师范大学 | 一种注塑参数多目标优化方法 |
CN111125885A (zh) * | 2019-12-03 | 2020-05-08 | 杭州电子科技大学 | 一种基于改进克里金插值算法的asf修正表构建方法 |
Non-Patent Citations (1)
Title |
---|
Intelligent Injection Molding on Sensing,Optimization,and Control;Peng Zhao et al.;《Advances in Polymer Technology》;20200331;第1-22页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111611715A (zh) | 2020-09-01 |
US20210389737A1 (en) | 2021-12-16 |
US11860590B2 (en) | 2024-01-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111611715B (zh) | 一种注射成形工艺参数无模型优化方法 | |
CN111563347B (zh) | 一种纤维增强复合材料的注塑工艺参数优化方法 | |
CN107918283B (zh) | 一种批次注塑过程抗干扰的混杂稳定控制器设计方法 | |
CN103901773B (zh) | 一种针对输入时滞的2d混杂控制器设计方法 | |
CN110674598A (zh) | 一种基于支持向量机和粒子群算法的注塑工艺优化方法 | |
CN111958933A (zh) | 一种基于熔体粘度波动的注射成型自适应补偿法 | |
CN105607591B (zh) | 一种控制器异步切换的间歇过程最小运行时间控制方法 | |
CN109460890B (zh) | 一种基于强化学习与控制性能监测的智能自愈方法 | |
CN110871544B (zh) | 一种科学注塑可视化技术 | |
CN109100941B (zh) | 多阶段间歇过程二维抗干扰预测控制器设计方法 | |
CN114021290A (zh) | 一种基于数据驱动和机理模型融合的板带钢凸度预测方法 | |
CN107972243A (zh) | 基于som神经网络的注塑工艺优化方法及注塑工艺 | |
CN109254531B (zh) | 具有时滞和干扰的多阶段间歇过程的最优成本控制方法 | |
CN116600964A (zh) | 注射成型条件的搜索支援装置及其方法、程序及记录介质 | |
Shie | Optimization of injection molding process for contour distortions of polypropylene composite components by a radial basis neural network | |
CN116461066A (zh) | 一种基于科学试模的注塑工艺参数智能设定方法 | |
CN112180738B (zh) | 针对非线性注塑成型异步切换过程鲁棒模糊预测控制方法 | |
CN104657549B (zh) | 一种基于正交参数化ltv模型的迭代学习预测控制方法 | |
Chen et al. | Optimization of plastic injection molding process via Taguchi’s parameter design method, BPNN, and DFP | |
CN110814247A (zh) | 基于改进pso的锻件形变量优化方法 | |
CN116252447A (zh) | 齿轮注塑成型调控方法 | |
JP2021191621A (ja) | 樹脂状態推定装置および成形条件決定支援装置 | |
CN111002564A (zh) | 一种吹塑成形工艺参数在线调控方法 | |
CN114137833B (zh) | 一种注塑填充过程的最优反馈控制方法和控制器 | |
Lu et al. | Quality control of batch process using natural gradient based model-free optimization |
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 |