CN111823530A - 基于正交试验与bpnn-ga算法的航标灯外壳的注塑工艺 - Google Patents

基于正交试验与bpnn-ga算法的航标灯外壳的注塑工艺 Download PDF

Info

Publication number
CN111823530A
CN111823530A CN202010605492.2A CN202010605492A CN111823530A CN 111823530 A CN111823530 A CN 111823530A CN 202010605492 A CN202010605492 A CN 202010605492A CN 111823530 A CN111823530 A CN 111823530A
Authority
CN
China
Prior art keywords
injection molding
bpnn
molding process
beacon light
orthogonal test
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.)
Pending
Application number
CN202010605492.2A
Other languages
English (en)
Inventor
刘强
梅端
俞国燕
刘海涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Ocean University
Southern Marine Science and Engineering Guangdong Laboratory Zhanjiang
Original Assignee
Guangdong Ocean University
Southern Marine Science and Engineering Guangdong Laboratory Zhanjiang
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Ocean University, Southern Marine Science and Engineering Guangdong Laboratory Zhanjiang filed Critical Guangdong Ocean University
Priority to CN202010605492.2A priority Critical patent/CN111823530A/zh
Publication of CN111823530A publication Critical patent/CN111823530A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • B29C45/77—Measuring, controlling or regulating of velocity or pressure of moulding material
    • 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
    • B29C45/78—Measuring, controlling or regulating of temperature
    • 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
    • B29C2945/76973—By counting
    • 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
    • B29C2945/76976—By trial and error, trial tests
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29L—INDEXING SCHEME ASSOCIATED WITH SUBCLASS B29C, RELATING TO PARTICULAR ARTICLES
    • B29L2031/00—Other particular articles
    • B29L2031/747—Lightning equipment

Landscapes

  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Mechanical Engineering (AREA)
  • Injection Moulding Of Plastics Or The Like (AREA)

Abstract

本发明公开了一种基于正交试验与BPNN‑GA算法的航标灯外壳的注塑工艺，包括有：S1、以航标灯外壳建立计算机辅助设计模型并利用有限元分析软件Moldflow进行注塑成型数值仿真；S2、运用正交试验设计方法与注塑工艺数值模拟相结合,通过对正交试验仿真结果方差分析，通过注塑过程中的熔体温度、模具温度、保压压力和保压时间因素分析，得到各参数对注塑成型关键质量特性翘曲的影响；S3、以仿真实验数据训练BPNN神经网络模型表征工艺参数与翘曲关系，利用GA遗传算法以翘曲最小为约束条件优化注塑工艺参数；S4、得到各因素对航标灯外壳翘曲影响的顺序，并调控工艺参数。本发明能减少有限元计算物理实验的次数，提高参数寻优效率。

Description

基于正交试验与BPNN-GA算法的航标灯外壳的注塑工艺
技术领域
本发明涉及炼钢生产技术领域，具体涉及基于正交试验与BPNN-GA算法的航标灯外壳的注塑工艺。
背景技术
航标灯外壳对其内助航信号灯起保护作用，以保障夜间对海域过往船只导航和警示。航标灯外壳为注塑件，其成型质量不良，如翘曲变形，将在装配过程中产生装配应力，进而导致在光照、波浪流冲击的服役条件下加速老化，造成开裂失效。注塑件成型质量主要受材料、模具与工艺过程影响，本文从工艺参数优化角度探讨如何减小注塑成型翘曲。注塑工艺参数对注塑成型翘曲存在诸多复杂非线性影响,注塑成型工艺优化成为减小翘曲的主要挑战和研究热点之一。
早期研究如利用田口试验设计法确定注塑成型条件，采用C-Mold模拟注塑成型过程，研究了影响薄壳件翘曲的成型条件和影响因素。还有运用田口L9(34)正交试验方法结合方差分析研究表明保压压力和熔体温度对丙烯腈-丁二烯-苯乙烯共聚物(ABS塑料)电池盖翘曲变形影响程度最大,并获得使制品的翘曲变形量最小的工艺参数。通过敏感度函数结合Moldflow数值模拟技术对影响翘曲变形的工艺参数进行敏感性分析表明,保压压力和模具温度是影响监控设备外壳翘曲的主要因素。数值模拟可以指导工艺参数改进,但计算量较大且需反复试凑。数值模拟与试验设计方法结合可避免盲目试凑,且通过极差或方差分析研究工艺参数对指标值的影响，有助于优化工艺参数值，但难以实现参数范围内全局寻优。因此，需要一种能有效减少有限元计算次数与物理实验的次数，提高参数寻优效率的注塑工艺。
发明内容
本发明的目的就在于提供一种基于正交试验与BPNN-GA算法的航标灯外壳的注塑工艺，能减少有限元计算物理实验的次数，提高参数寻优效率。
为实现上述目的，本发明提供了以下技术方案：
2、本发明提供的一种基于正交试验与BPNN-GA算法的航标灯外壳的注塑工艺，包括以下步骤：
S1、以航标灯外壳建立计算机辅助设计模型并利用有限元分析软件Moldflow进行注塑成型数值仿真；
S2、运用正交试验设计方法与注塑工艺数值模拟相结合,通过对正交试验仿真结果方差分析，通过注塑过程中的熔体温度、模具温度、保压压力和保压时间因素分析，得到各参数对注塑成型关键质量特性翘曲的影响；
S3、以仿真实验数据训练BPNN神经网络模型表征工艺参数与翘曲关系，利用GA遗传算法以翘曲最小为约束条件优化注塑工艺参数；
S4、得到各因素对航标灯外壳翘曲影响的顺序为熔体温度>保压时间>保压压力>模具温度，并调控工艺参数。
进一步地，所述S1中注塑成型时，浇口的位置选择在外壳腰部区域。
进一步地，所述S1中注塑的材料采用ABS塑料，提高航标灯外壳的尺寸稳定性和着色性，而且具有较好的机械强度。
进一步地，所述S4中通过所提BPNN-GA方法的调控工艺参数采用：熔体温度为215.01℃，保压时间为5.31s，保压压力为50.37MPa、模具温度为78.75℃。
相比于现有技术：
本发明通过L25(45)田口正交试验安排构建了以熔体温度、模具温度、保压压力和保压时间为参数，以翘曲为指标的注塑成型仿真试验，通过极差分析与主效应分析得到各参数对翘曲影响的规律，利用方差分析确定对航标灯外壳翘曲的显著参数为熔体温度与保压时间。利用BPNN-GA算法对工艺参数寻优，当熔体温度215.01℃，模具温度取78.75℃，保压压力取50.37MPa，保压时间取5.31s时，最大翘曲预测值与仿真计算值分别为1.748mm与1.736mm。结果表明混合算法优化结果与仿真实验结果吻合较好，所训练的BP神经网络模型能够准确地拟合工艺参数和翘曲变形之间的非线性函数关系，该BPNN-GA算法能有效减少有限元计算次数与物理实验的次数，提高参数寻优效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例中航标灯外壳浇口匹配性云图；
图2是本发明实施例中航标灯外壳网格模型的浇口位置选择图；
图3是本发明实施例中冷却的水路与航标灯外壳的位置关系图；
图4是本发明实施例中第9组实验的翘曲变形云图；
图5是本发明实施例中翘曲均值的主效应图；
图6是本发明基于正交试验与BPNN-GA算法的航标灯外壳的注塑工艺参数优化流程图；
图7是本发明实施例中基于BPNN-GA混合算法的工艺参数优化的BPNN预测输出曲线图；
图8是本发明实施例中基于BPNN-GA混合算法的工艺参数优化的GA寻优适应度曲线图；
图9是本发明实施例中基于BPNN-GA算法优化后的翘曲变形云图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
本发明提供了一种基于正交试验与BPNN-GA算法的航标灯外壳的注塑工艺，包括以下步骤：
S1、以航标灯外壳建立计算机辅助设计模型并利用有限元分析软件Moldflow进行注塑成型数值仿真；
S2、运用正交试验设计方法与注塑工艺数值模拟相结合,通过对正交试验仿真结果方差分析，通过注塑过程中的熔体温度、模具温度、保压压力和保压时间因素分析，得到各参数对注塑成型关键质量特性翘曲的影响；
S3、以仿真实验数据训练BPNN神经网络模型表征工艺参数与翘曲关系，利用GA遗传算法以翘曲最小为约束条件优化注塑工艺参数；
S4、得到各因素对航标灯外壳翘曲影响的顺序为熔体温度>保压时间>保压压力>模具温度，并调控工艺参数。
进一步地，所述S1中注塑成型时，浇口的位置选择在外壳腰部区域，避免浇口痕迹缺陷，保证外壳表观质量。
进一步地，所述S1中注塑的材料采用ABS塑料。
进一步地，所述S4中通过所提BPNN-GA方法的调控工艺参数采用：熔体温度为215.01℃，保压时间为5.31s，保压压力为50.37MPa、模具温度为78.75℃。
实施例
结合图1所示，以航标灯外壳为红色透明薄壳，材料为ABS塑料，外观整体呈塔状，壁厚为3mm,底圆直径为Φ150mm，整体高度为250mm，其中顶部为尖细状惊鸟尖，高为70mm。利用Solidworks软件对航标外壳进行实体三维建模，并将三维模型导入模流分析软件Moldflow中进行注塑成型工艺仿真。本文采用双层面分析将外壳模型转换为三角形单元。模型网格单元划分质量直接影响注塑过程模流分析的可行性及分析结果的精确性，可通过查看网格属性检查网格划分缺陷，并进行修复，以保证模流分析质量。航标灯外壳模型网格划分、修补后包括867801个曲面三角形，平均纵横比为1.68，自由边、交叉边及配向不正确的单元均为0，无相交单元和重叠单元，匹配百分比为94％，且网格分析显示不存在其他缺陷，适合双层面分析。修补合格的航标灯外壳网格模型。
为了使产品在注塑成型过程中避免出现短射、熔融料流动不均衡、压力过大等现象。通过Moldflow软件浇口位置分析工具对已划分好网格的注塑件进行浇口位置分析，结合图1为航标灯外壳浇口匹配性云图，浇口位置选择在外壳腰部区域为最优，如图标示。同时为避免浇口痕迹缺陷，保证外壳表观质量，故浇口位置需选择在注塑件内侧，最终浇口位置选择在外壳腰部区域，如图2所示。
结合图3所示，注塑过程在中通过水路控制模具温度，使成型后产品均匀冷却，水路排布会影响到产品的成型品质。冷却的水路通过Moldflow软件设置。
航标灯注塑材料采用ABS塑料，材料牌号为ABSTR557，ABS塑料不仅具有优良的成型加工性能，较好的尺寸稳定性和着色性，而且具有较好的机械强度，注塑成型工艺参数推荐的熔体温度范围为215-255℃，模具温度范围为40-80℃,选择熔体温度、模具温度、保压压力、保压时间为影响翘曲的潜在因素，通过选择“填充+保压+翘曲”分析不同工艺条件下航标灯外壳的翘曲变形。本试验每个参数选取5个水平，参数与水平如表1所示，采用田口L25(45)设计法，用Minitab软件选取田口正交表，如表2所示。
表1注塑工艺参数素及水平
Figure BDA0002560944600000061
表2田口L25(45)正交表及翘曲结果
Figure BDA0002560944600000062
Figure BDA0002560944600000071
Figure BDA0002560944600000081
通过Moldflow模流分析得到航标灯外壳最大翘曲值，仿真实验结果见表2。25组实验中，第22组实验航标灯外壳注塑件最大翘曲变形值最大，为1.940mm；第9组实验航标灯外壳注塑件最大翘曲变形值最小，为1.791mm，对应的注塑工艺参数熔体温度为225℃，模具温度为70℃,保压压力为70MPa，保压时间为4s。图4为第9组实验翘曲变形云图，为清晰展示翘曲变形，将比例因子设置为5，放大翘曲变形。图4中轮廓为设计尺寸，翘曲峰值位于顶部，表明航标灯外壳顶部翘曲变形严重。
对表2实验结果进行极差分析得到各参数水平对注塑成型最大翘曲的影响程度，表3为航标灯外壳最大翘曲值的极差分析。由于极差R熔体温度>R保压时间>R保压压力>R模具温度,故各参数对最大翘曲的影响程度为熔体温度>保压时间>保压压力>模具温度。
表3最大翘曲极差分析
Figure BDA0002560944600000082
为了更直观地描述工艺参数在各水平上对翘曲影响大小的度量，进而发现翘曲变形随参数水平变化的规律，用Minitab做翘曲主效应图,如图5所示。主效应图结果表明，在给定参数水平范围内，各参数对翘曲的影响都是非线性的。此外，翘曲随着熔体温度、保压时间增大而增大。主效应分析得到的参数对翘曲的影响规律，为优化工艺参数提供了新的信息。
通过对最大翘曲值进行方差分析，找到影响翘曲的显著参数。最大翘曲方差分析结果见表4。
表4最大翘曲的方差分析表
Figure BDA0002560944600000091
由表4可知，最大翘曲方差分析所选参数中熔体温度的P值小于0.01，表明其对最大翘曲具有极其显著影响。ρ为参数j的偏差平方和SSj与总偏差平方和SST的比，称为参数的百分比贡献率，用来衡量参数对指标的影响程度。熔体温度对最大翘曲影响程度最大，它的水平变化引起的数据波动在总偏差平方和中占72.09％。保压时间的P值小于0.05，表明其对最大翘曲具有显著影响，它的水平变化引起的数据波动在总偏差平方和中占16.19％。模具温度与保压压力对最大翘曲率影响不显著。方差分析进一步丰富了参数对注塑成型质量的影响规律。
BPNN结合遗传算法进行函数极值寻优主要分为BPNN训练拟合和遗传算法极值寻优两部分。首先构造合适的BPNN，以工艺参数水平值为输入，以翘曲为输出训练BPNN，利用训练后的高拟合优度的BPNN对翘曲进行预测。BPNN可以看成一个非线性函数，网络输入值和输出值分别为该函数的自变量和因变量。当输入层节点数为m、输出层节点数为n时，BPNN就表达了从m个自变量到n个因变量的函数映射关系。由于公知任意m维到n维的映射都可以通过一个3层的BPNN来逼近，增加层数能提高精度，但同时会使网络更复杂导致训练效率降低。因此，本文隐含层层数设置为1。隐含层节点个数h对BP神经网络预测精度有较大影响，隐含层节点的个数根据经验参照以下公式进行确定：
Figure BDA0002560944600000101
式中α为1到10之间可调节的常数。
建模时采用公式(2)将所有数据进行归一化处理到区间[-1,1],以消除量纲影响。
Figure BDA0002560944600000102
其中x,y∈Rn,xmin＝min(x),xmax＝max(x)。网络输出时，再将预测结果进行反归一化处理。
BPNN的网络性能由模型的可决系数R2度量，该值越接近1，代表BPNN的拟合优度越高。其中可决系数R2的计算公式为：
Figure BDA0002560944600000103
其中yi表示测试样本的值，yi表示测试样本的预测值,N表示样本的总数，
Figure BDA0002560944600000104
表示所有测试样本值的平均值。
将BPNN训练后的预测结果作为遗传算法的个体适应度值，通过选择、交叉和变异操作寻找翘曲的全局最优值以及对应的生产条件。BPNN-GA混合算法流程如图6所示。
为避免BPNN模型出现过拟合现象进而导致模型的泛化能力低，将数据集划分成训练集和测试集。训练集用于模型训练，训练集误差表征模型拟合优劣，测试集误差用于评估模型的泛化能力，防止过拟合。本文将正交试验25组数据中的22组作为训练样本训练BPNN模型，并将全部25组数据作为测试样本来检验所训练网络泛化能力。在BPNN中，输入层和输出层的节点数目都是固定的，将熔体温度、模具温度、保压压力和保压时间的参数值作为BPNN模型的输入，输入层节点数为4，翘曲作为BPNN模型的输出，输出层节点数为1。
调用Matlab神经网络工具箱对BPNN进行训练和预测，设定目标误差为10-7，最大迭代次数为5000，利用Levenberg-Marquardt算法改进BPNN以提高收敛速度，故训练函数采用trainlm，输入层到隐含层的传递函数为S型的对数函数logsig，隐含层到输出层的传递函数为纯线性函数purelin。通过试凑法发现，当隐含层节点数为7时，预测值与测试值误差最小，如图7所示，此时R2为0.95665，表明所训练的网络模型具有较高准确度和泛化能力。
以翘曲最小为目标，以熔体温度、模具温度、保压压力、保压时间的参数范围为约束条件，利用遗传算法的全局寻优能力，得到全局翘曲最小值和对应的生产条件。本文建立翘曲y的数学优化模型如式(4)：
Figure BDA0002560944600000111
其中x1,x2,x3,x4分别为四个工艺参数的参数值。种群规模的选择对算法的收敛性有较大的影响，当种群规模较少时候，全局搜索能力较小，随着种群规模的增大，找到最优解的概率会增大。本文遗传算法设置种群规模为100，交叉概率为0.4，变异概率为0.3，获得最优个体。实验表明：经过300次迭代，翘曲值收敛于1.748处，如图8所示，此时对应的工艺参数见表5。
表5 BPNN-GA寻优结果
Figure BDA0002560944600000112
将寻优得到的最优工艺参数通过Moldflow平台进行仿真验证，注塑成型翘曲云图如图8所示，最大翘曲变形量约为1.736mm。BPNN-GA算法预测值和仿真值之间误差为0.7％，二者吻合度高。同时，最大翘曲值与25组试验值相比均较低，在一定程度上改善了航标灯外壳成型质量。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (4)

1.一种基于正交试验与BPNN-GA算法的航标灯外壳的注塑工艺，其特征在于，包括以下步骤：
S1、以航标灯外壳建立计算机辅助设计模型并利用有限元分析软件Moldflow进行注塑成型数值仿真；
S2、运用正交试验设计方法与注塑工艺数值模拟相结合,通过对正交试验仿真结果方差分析，通过注塑过程中的熔体温度、模具温度、保压压力和保压时间因素分析，得到各参数对注塑成型关键质量特性翘曲的影响；
S3、以仿真实验数据训练BPNN神经网络模型表征工艺参数与翘曲关系，利用GA遗传算法以翘曲最小为约束条件优化注塑工艺参数；
S4、得到各因素对航标灯外壳翘曲影响的顺序为熔体温度>保压时间>保压压力>模具温度，并调控工艺参数。
2.根据权利要求1所述一种基于正交试验与BPNN-GA算法的航标灯外壳的注塑工艺，其特征在于，所述S1中注塑成型时，浇口的位置选择在外壳腰部区域。
3.根据权利要求2所述一种基于正交试验与BPNN-GA算法的航标灯外壳的注塑工艺，其特征在于，所述S1中注塑的材料采用ABS塑料。
4.根据权利要求3所述一种基于正交试验与BPNN-GA算法的航标灯外壳的注塑工艺，其特征在于，所述S4中通过所提BPNN-GA方法的调控工艺参数采用：熔体温度为215.01℃，保压时间为5.31s，保压压力为50.37MPa、模具温度为78.75℃。
CN202010605492.2A 2020-06-29 2020-06-29 基于正交试验与bpnn-ga算法的航标灯外壳的注塑工艺 Pending CN111823530A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010605492.2A CN111823530A (zh) 2020-06-29 2020-06-29 基于正交试验与bpnn-ga算法的航标灯外壳的注塑工艺

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010605492.2A CN111823530A (zh) 2020-06-29 2020-06-29 基于正交试验与bpnn-ga算法的航标灯外壳的注塑工艺

Publications (1)

Publication Number Publication Date
CN111823530A true CN111823530A (zh) 2020-10-27

Family

ID=72899461

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010605492.2A Pending CN111823530A (zh) 2020-06-29 2020-06-29 基于正交试验与bpnn-ga算法的航标灯外壳的注塑工艺

Country Status (1)

Country Link
CN (1) CN111823530A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112765729A (zh) * 2021-01-13 2021-05-07 中国第一汽车股份有限公司 一种乘用车保险杠面罩装配间隙控制方法
CN112906276A (zh) * 2021-03-02 2021-06-04 上海博汇模具有限公司 一种基于数据库的模具型面温度分析方法
CN113103535A (zh) * 2021-03-17 2021-07-13 贵州大学 一种基于ga-elm-ga的注塑件模具参数优化方法
CN114239187A (zh) * 2021-12-30 2022-03-25 福州大学 一种基于改进bpnn-de算法的硅铝合金车削工艺参数优化方法
CN116021735A (zh) * 2022-12-07 2023-04-28 南京晟铎科技有限公司 注塑产品参数模拟检测系统和方法
WO2023236678A1 (zh) * 2022-06-08 2023-12-14 北京工业大学 固废焚烧过程中炉内二噁英浓度仿真分析系统及方法
CN117962256B (zh) * 2024-04-01 2024-05-31 南通世源橡塑科技有限公司 基于大数据信息进行的分析的注塑件翘曲模拟控制系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5671335A (en) * 1991-05-23 1997-09-23 Allen-Bradley Company, Inc. Process optimization using a neural network
CN103914581A (zh) * 2013-12-27 2014-07-09 华中科技大学 一种塑料注射成型工艺参数优化方法
CN106055787A (zh) * 2016-05-30 2016-10-26 广西科技大学 一种基于bp神经网络的汽车内饰面板注塑成型工艺
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
CN110640982A (zh) * 2019-08-26 2020-01-03 江苏师范大学 一种薄壁注塑件的注塑工艺参数多目标优化方法
CN111079338A (zh) * 2019-12-24 2020-04-28 广东海洋大学 一种汽车后视镜外壳注塑工艺优化方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5671335A (en) * 1991-05-23 1997-09-23 Allen-Bradley Company, Inc. Process optimization using a neural network
CN103914581A (zh) * 2013-12-27 2014-07-09 华中科技大学 一种塑料注射成型工艺参数优化方法
CN106055787A (zh) * 2016-05-30 2016-10-26 广西科技大学 一种基于bp神经网络的汽车内饰面板注塑成型工艺
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
CN110640982A (zh) * 2019-08-26 2020-01-03 江苏师范大学 一种薄壁注塑件的注塑工艺参数多目标优化方法
CN111079338A (zh) * 2019-12-24 2020-04-28 广东海洋大学 一种汽车后视镜外壳注塑工艺优化方法

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112765729A (zh) * 2021-01-13 2021-05-07 中国第一汽车股份有限公司 一种乘用车保险杠面罩装配间隙控制方法
CN112765729B (zh) * 2021-01-13 2022-11-11 中国第一汽车股份有限公司 一种乘用车保险杠面罩装配间隙控制方法
CN112906276A (zh) * 2021-03-02 2021-06-04 上海博汇模具有限公司 一种基于数据库的模具型面温度分析方法
CN112906276B (zh) * 2021-03-02 2023-01-17 上海博汇模具有限公司 一种基于数据库的模具型面温度分析方法
CN113103535A (zh) * 2021-03-17 2021-07-13 贵州大学 一种基于ga-elm-ga的注塑件模具参数优化方法
CN114239187A (zh) * 2021-12-30 2022-03-25 福州大学 一种基于改进bpnn-de算法的硅铝合金车削工艺参数优化方法
WO2023236678A1 (zh) * 2022-06-08 2023-12-14 北京工业大学 固废焚烧过程中炉内二噁英浓度仿真分析系统及方法
CN116021735A (zh) * 2022-12-07 2023-04-28 南京晟铎科技有限公司 注塑产品参数模拟检测系统和方法
CN116021735B (zh) * 2022-12-07 2023-09-19 南京晟铎科技有限公司 注塑产品参数模拟检测系统和方法
CN117962256B (zh) * 2024-04-01 2024-05-31 南通世源橡塑科技有限公司 基于大数据信息进行的分析的注塑件翘曲模拟控制系统

Similar Documents

Publication Publication Date Title
CN111823530A (zh) 基于正交试验与bpnn-ga算法的航标灯外壳的注塑工艺
CN110640982A (zh) 一种薄壁注塑件的注塑工艺参数多目标优化方法
CN111369070B (zh) 一种基于包络线聚类的多模融合光伏功率预测方法
CN109360604B (zh) 一种卵巢癌分子分型预测系统
CN112115579A (zh) 一种玻璃纤维增强塑料注塑工艺参数多目标优化方法
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
CN107798383B (zh) 改进的核极限学习机定位方法
CN111339478B (zh) 基于改进模糊层次分析法的气象数据质量评估方法
CN116024532B (zh) 一种用于真空镀膜的智能控制方法及系统
CN112614021B (zh) 一种基于已建隧道信息智能识别的隧道围岩地质信息预测方法
CN112765902B (zh) 一种基于TentFWA-GD的RBF神经网络的农村生活污水处理过程中COD浓度的软测量建模方法
Lu et al. An effective ABC-SVM approach for surface roughness prediction in manufacturing processes
CN113191050B (zh) 一种基于msvr-ga优化初始残余应力的工件变形仿真预测方法
CN113103535A (zh) 一种基于ga-elm-ga的注塑件模具参数优化方法
CN112749840B (zh) 一种火电机组能效特征指标基准值的获取方法
CN114881289A (zh) 一种基于数字孪生的熔铸装药成型工艺参数优化方法及系统
CN112069610A (zh) 一种透明复杂多腔塑件的注塑工艺参数优化方法
CN114274457B (zh) 基于Kriging-GA的注塑模具浇注系统结构参数决策方法
CN114662357A (zh) 一种确定散热器进出水室注塑件最佳工艺参数的方法
CN110908897B (zh) 基于自适应搜索方向的系统级测试性设计多目标优化方法
CN109255186A (zh) 一种基于输出约束ap-xgboost模型的工业过程软测量方法
CN112926251B (zh) 一种基于机器学习的滑坡位移高精度预测方法
CN104462817B (zh) 基于蒙特卡洛和非负矩阵因子分解的基因选择和癌症分类方法
CN111444619A (zh) 一种注塑模具冷却系统在线分析方法及设备
CN114707327B (zh) 一种并行的海洋环境水声特征诊断方法、存储介质和装置

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20201027