CN113103535A - 一种基于ga-elm-ga的注塑件模具参数优化方法 - Google Patents

一种基于ga-elm-ga的注塑件模具参数优化方法 Download PDF

Info

Publication number
CN113103535A
CN113103535A CN202110284451.2A CN202110284451A CN113103535A CN 113103535 A CN113103535 A CN 113103535A CN 202110284451 A CN202110284451 A CN 202110284451A CN 113103535 A CN113103535 A CN 113103535A
Authority
CN
China
Prior art keywords
elm
network model
optimization
genetic algorithm
elm network
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
CN202110284451.2A
Other languages
English (en)
Inventor
薛茂远
梅益
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.)
Guizhou University
Original Assignee
Guizhou University
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 Guizhou University filed Critical Guizhou University
Priority to CN202110284451.2A priority Critical patent/CN113103535A/zh
Publication of CN113103535A publication Critical patent/CN113103535A/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
    • B29C45/768—Detecting defective moulding conditions
    • 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
    • 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
    • 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
    • B29C2945/76943—Using stored or historical data sets compare with thresholds
    • 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
    • B29C2945/76979—Using a neural network

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Physiology (AREA)
  • Biomedical Technology (AREA)
  • Computer Hardware Design (AREA)
  • Manufacturing & Machinery (AREA)
  • Geometry (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • Mechanical Engineering (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Injection Moulding Of Plastics Or The Like (AREA)

Abstract

本发明公开了一种基于GA‑ELM‑GA的注塑件模具参数优化方法，具体的通过正交试验设计及极差分析找出工艺参数对该塑件翘曲变形量的影响程度，利用遗传算法优化后的ELM模型进行拟合翘曲变形与注塑工艺参数之间非线性函数关系。最后采用遗传算法对拟合后的GA‑ELM网络模型极值寻优，找出较小的翘曲变形，在一定程度上解决了空调支架注塑成型实际翘曲变形问题。

Description

一种基于GA-ELM-GA的注塑件模具参数优化方法
技术领域
本发明涉及一种基于GA-ELM-GA的注塑件模具参数优化方法，属于材料成型计算机仿真领域。
背景技术
在实际生产过程中，若出现注塑件的成型质量或使用功能不满足成型要求，一般尽量不改变模具结构，而是对工艺参数进行调整优化，翘曲变形是注塑件常见的缺陷，直接影响制件成型质量。注塑件工艺参数优化方法很多，很多学者将计算机仿真技术(Moldflow)与正交实验、Kringing模型、响应面法、田口实验等多种统计实验方法结合使用，研究不同工艺参数与注塑件成型质量的内在联系，从而利用这些方法对注塑成型工艺参数进行优化。但由于注塑件的成型质量与注塑工艺参数之间往往存在高度非线性映射关系，用常规的统计实验方法难以表达清楚注塑工艺参数与成型质量之间耦合关系，也缺少智能、集成化优点，有一定的局限性。
人工神经网络具有自组织、自学习等特点，对于非线性函数拟合能力较强。可以使用人工神经网络对注塑工艺参数与成型之间进行拟合，然后再用优化算法对此网络模型进行寻优，就可以得到较优的工艺参数。ELM网络模型在许多工程领域应用广泛，但由于ELM权值和阈值随机产生，网络系统预测性能较差。所以如何寻找最佳的权值和阈值，并且较好地映射工艺参数和质量指标之间的关系，最后模型进行极值寻优，最终找出较优工艺组合是本领域最关心的问题。
发明内容
本发明要解决的技术问题是：提供一种基于GA-ELM-GA的注塑件模具参数优化方法，以解决注塑件注塑成型中的翘曲变形问题。
本发明的技术方案是：一种基于GA-ELM-GA的注塑件模具参数优化方法，包含以下步骤：提取训练样本，对样本数据进行归一化处理，设置ELM网络模型必要参数；通过GA全局寻优能力寻找最佳的权值w与阈值b，种群初始化阶段将权值w与阈值b随机取值，通过不断选择，交叉，变异操作，获取最优的w与b；GA的适应度函数由下式表示：
Figure BDA0002979858640000021
式中：f为ELM模型相对于测试集的平均误差；yij为ELM网络模型输出，xij为ELM网络模型输入，n为样本数量；
将GA优化的权值和阈值传回ELM网络，得到GA优化的ELM网络模型，分析预测值与真值之间的误差，检查系统预测精度；
遗传算法优化部分：遗传算法的优化目标为翘曲变形最小；约束条件为模具温度、熔体温度、注射时间、冷却时间、保压时间及保压压力的优化范围；利用遗传算法强大的全局寻优能力寻找GA-ELM网络模型的最小翘曲变形及对应的工艺参数；建立的遗传算法数学模型如下式：
min F＝f(x1，x2，x3，x4，x5，x6)
Figure BDA0002979858640000022
式中：x1，x2，x3，x4，x5，x6分别为模具温度，熔体温度，注射时间，冷却时间，保压时间及保压压力的参数值，F表示翘曲值，f(x1，x2，x3，x4，x5，x6)为遗传算法的适应度函数，将训练好的GA-ELM网络模型预测输出作为个体适应度值，根据适应度值大小筛选较优个体，淘汰较差个体，种群规模设为100，交叉概率设为0.5，变异概率设为0.4，最大迭代次数设为100，通过选择、交叉、变异等操作寻找最优个体。
所述的ELM网络模型为
Figure BDA0002979858640000023
式中：βi为隐含层与输出层之间的连接权值。激活函数f(x)由tanh函数、softmax函数或sigmoid函数表示，xm为ELM网络模型输入，wi.xm为wi与xm的内积，ym为ELM网络模型输出结果，m＝1，2，...，J，bi为隐含层神经元的阈值。
所述的训练样本是通过正交实验得到，设计模具温度、熔体温度、注射时间、冷却时间、保压时间及保压压力试验因素水平范围取值，在Moldflow中仿真模拟得到正交实验样本及对应翘曲变形量。
本发明的有益效果：利用Moldflow对正交试验结果模拟分析，通过极差分析得到因素变量(A、B、C、D、E、F)对翘曲变形量影响程度为：保压时间(E)＞模具温度(A)＞注射时间(C)＞熔体温度B)＞保压压力(F)＞冷却时间(D)。正交试验优化的最小翘曲变形量为0.2536mm。
利用GA优化ELM的权值和阈值，将正交试验设计得到的样本及对应的翘曲变形分为测试集和训练集，训练集训练ELM模型，得到GA-ELM网络模型。通过测试集可以得到ELM网络模型的R2＝0.67032，GA-ELM网络模型的R2＝0.99107，且GA-ELM网络模型预测相对误差均较小，此GA-ELM网络模型可以用于该塑件塑件总翘曲变形量预测。
通过GA-ELM模型，使用GA对GA-ELM网络模型进行极值寻优，得到的GA-ELM-GA优化后工艺参数及对应的翘曲变形量，GA-ELM-GA优化后的翘曲变形量0.2341mm与Moldflow模拟值0.2329mm相比相对误差为0.5％，再次验证了GA-ELM预测系统的可靠性，且与正交试验优化的最小翘曲变形量相比降低了7.69％，在一定程度上提高了电器扣盖壳体注塑成型质量，验证了该方法可行性。
附图说明
图1为电器扣盖结构图；
图2为典型ELM单隐含层前馈神经网络模型：
图3为测试集真值与ELM、GA-ELM预测值对比；
图4为ELM与GA-ELM网络预测相对误差；
图5为GA-ELM-GA流程图；
图6为适应度曲线；
图7为GA-ELM-GA寻优结果；
图8为GA-ELM-GA优化后的翘曲变形云图；
图9为正交试验优化的最小翘曲变形量。
具体实施方式
电器扣盖壳体结构与工艺性分析
电器扣盖结构
电器扣盖基本尺寸为670mm×104mm×70mm,属于中型零件尺寸，且由图1电器扣盖结构图看出塑件某些区域形状较不规则，含有凸台、孔、加强筋及凹槽等多种成型特征，容易发生翘曲变形。
电器扣盖壳体工艺性分析
电器扣盖壳体塑件应用于电器零件的包装，主要起到保护人身安全及维护电器零件寿命作用，在使用性能及外观有较高要求。通过NX12.0测得塑件最大厚度为4.91，平均壁厚为1.94，在某些区域壁厚较薄，且塑件形状较为复杂，容易发生翘曲变形。成型材料选为牌号为TFX-210的ABS树脂，ABS是一种综合性能较好的材料，成型表面光洁，有非常高的耐磨性能等优点，满足电器扣盖壳体的使用性能及外观要求。
实验前处理
在Moldflow软件中对塑件进行模流分析。划分网格以及网格修复命令，通过网格统计：三角形单元数为20616，最大纵横比为11.8，最小为1.16，平均1.82，没有配向不正确和完全重叠单元，匹配百分比为91.3％，满足模流分析条件。
正交试验方案设计
结合塑件成型窗口分析得到推荐的模具温度(A)、熔体温度(B)及注射时间(C)，设计三者合适试验因素水平范围。冷却时间(D)、保压时间(E)及保压压力(F)试验因素水平范围由经验选取。设计了表1试验因素水平取值。在Moldflow中仿真模拟得到表2正交实验样本及对应翘曲变形量，第5组翘曲变形最小。
表1因素水平取值范围
Figure BDA0002979858640000041
Figure BDA0002979858640000051
表2正交试验样本及翘曲变形量
Figure BDA0002979858640000052
Figure BDA0002979858640000061
极差分析
极差分析可以找出不同因素对实验结果的影响程度。每个因数平均值极差值越大，则此因素越重要，对实验结果的影响程度越高。对表2实验结果进行极差分析，得到表3极差分析表，可以看到因素变量(A、B、C、D、E、F)对翘曲变形量影响程度为：保压时间(E)＞模具温度(A)＞注射时间(C)＞熔体温度B)＞保压压力(F)＞冷却时间(D)。
表3极差分析表
Figure BDA0002979858640000062
Figure BDA0002979858640000071
ELM原理
ELM(极限学习机)为单隐含层前馈神经网络模型，输入层与隐含层之间的权值矩阵w及隐含层神经元的阈值矩阵b随机产生，训练过程无需修整权值矩阵w及阈值矩阵b，通过改变隐含层神经元个数就可得唯一最优解。图2为典型ELM单隐含层前馈神经网络模型。
定义J个互异的样本(xi,ti)，其中xi＝(xi1，xi2，...，xin)T∈Rn,ti＝(ti1，ti2，...，tin)T∈Rn,设隐含层神经元
Figure BDA0002979858640000073
个，激活函数为无限可微的f(x)，则典型ELM单隐含层前馈神经网络模型可由式(1)表示：
Figure BDA0002979858640000072
式中：βi为隐含层与输出层之间的连接权值。激活函数f(x)由tanh函数、softmax函数或sigmoid函数表示。xm为ELM网络模型输入。wi.xm为wi与xm的内积。ym为ELM网络模型输出结果。m＝1，2，...，J。bi为隐含层神经元的阈值。
理论上激活函数f(x)无限可微，训练过程无需修整权值矩阵w及阈值矩阵b。隐含层与输出层之间的连接权值βi可由式(2)求出，一旦求出连接权值βi，就可得到唯一ELM网络模型。
Figure BDA0002979858640000081
式中：H为隐含层输出矩阵。
Figure BDA0002979858640000083
为H的Moore-Penrose广义逆。y′为ELM网络模型输出结果。
构建GA-ELM网络预测模型
由于ELM输入层与隐含层之间的权值矩阵w及隐含层神经元的阈值矩阵b随机产生，导致网络模型的预测拟合能力及预测稳定性不足。GA是一种模拟生物进化过程的优化算法，能避免传统优化算法局部最优及搜索能力不足的缺陷。具有高效的寻优能力。利用GA对权值矩阵w及隐含层神经元的阈值矩阵b进行寻优，找到最优的w与b。得到最优ELM网络预测系统。
GA优化ELM网络模型算法步骤如下：
提取训练样本，对样本数据进行归一化处理，设置ELM网络模型必要参数，如迭代次数，种群大小，隐含层神经元个数等。
通过GA全局寻优能力寻找最佳的权值w与阈值b，种群初始化阶段将权值w与阈值b随机取值，通过不断选择，交叉，变异操作，获取最优的w与b。GA的适应度函数由式(3)表示：
Figure BDA0002979858640000082
式中：f为ELM模型相对于测试集的平均误差。yij为ELM网络模型输出。xij为ELM网络模型输入。n为样本数量。
将GA优化的权值和阈值传回ELM网络，得到GA优化的ELM网络模型，分析预测值与真值之间的误差，检查系统预测精度。
通过多次调节可变参数，以满足预测效果较好的预测模型，选出一组较好的推荐值表4。
表4 GA-ELM参数推荐值
参数 设置值
ELM隐含层节点数 13
种群规模 50
迭代次数 100
交叉概率 0.5
变异概率 0.4
适应度函数 平均绝对误差f最小
个体适应度评估方式 线性评估
权值及阈值范围 [-1 1]
终止训练条件 达到最大迭代次数
GA-ELM预测结果
将表2前20组数据作为训练样本，后5组数据作为测试样本评价GA-ELM网络模型的预测精度。输入层节点数目设为6，输出层节点数目设为1，通过试凑法确定隐含层神经元数目为13。图3和4ELM与GA-ELM网络预测结果对比，可以看到直接使用ELM网络模型预测时，R2＝0.67032，相对误差较大，预测精度不够，使用GA-ELM网络模型预测时，R2＝0.99107，R2接近于1，预测精度较高，且相对误差除第一组外，其余相对误差均控制在2％以内，此GA-ELM网络模型预测该塑件的翘曲变形量有很高的预测精度及预测效率。
构建GA-ELM-GA模型
GA-ELM结合遗传算法(GA)进行极值寻优的步骤主要分为GA-ELM网络模型训练拟合和使用遗传算法对训练好的GA-ELM网络模型进行极值寻优。
步骤如下：
GA-ELM网络模型训练拟合部分：此部分笔者在上文已经完成，从图3看到GA-ELM网络模型预测值和真实值吻合度较高，可以用于该塑件翘曲变形的预测。GA-ELM网络模型看成一个非线性函数，工艺参数输入看成自变量，翘曲变形输出看成因变量。
遗传算法优化部分：遗传算法的优化目标为翘曲变形最小。约束条件为模具温度、熔体温度、注射时间、冷却时间、保压时间及保压压力的优化范围。利用遗传算法强大的全局寻优能力寻找GA-ELM网络模型的最小翘曲变形及对应的工艺参数。建立的遗传算法数学模型如下式(4)。
min F＝f(x1，x2，x3，x4，x5，x6)
Figure BDA0002979858640000101
式中：x1，x2，x3，x4，x5，x6分别为模具温度，熔体温度，注射时间，冷却时间，保压时间及保压压力的参数值。F表示翘曲值。f(x1，x2，x3，x4，x5，x6)为遗传算法的适应度函数，将训练好的GA-ELM网络模型预测输出作为个体适应度值，根据适应度值大小筛选较优个体，淘汰较差个体。种群规模设为100，交叉概率设为0.5，变异概率设为0.4。最大迭代次数设为100。通过选择、交叉、变异等操作寻找最优个体。GA-ELM-GA模型流程如下图5。
GA-ELM-GA寻优结果
利用GA对GA-ELM进行全局极值寻优，图6为GA寻优适应度曲线，通过100次迭代后，该塑件翘曲变形收敛于0.2329mm处，对应的工艺参数如图7：模具温度30.18℃，熔体温度270.09℃，注射时间0.85s，冷却时间29.32s，保压时间7.94s，保压压力87.88MPa，预测的翘曲变形量为0.2329mm。
模拟验证
将图7工艺参数输入Moldflow中进行仿真验证，得到图8优化后的注塑翘曲云图，比较Matlab中GA-ELM-GA预测的翘曲变形量0.2329mm与Moldflow仿真值0.2341mm，两者相对误差为0.5％，同时GA-ELM-GA优化的翘曲变形量与表2翘曲变形量相比均较小，图9为正交试验优化后的最小翘曲变形量。GA-ELM-GA优化后的翘曲变形量0.2341mm相对于正交试验优化后的最小翘曲变形0.2536mm降低了7.69％，在一定程度上提高了该塑件注塑成型质量，验证了该方法的可靠性。

Claims (3)

1.一种基于GA-ELM-GA的注塑件模具参数优化方法，其特征在于：包含以下步骤：提取训练样本，对样本数据进行归一化处理，设置ELM网络模型必要参数；通过GA全局寻优能力寻找最佳的权值w与阈值b，种群初始化阶段将权值w与阈值b随机取值，通过不断选择，交叉，变异操作，获取最优的w与b；GA的适应度函数由下式表示：
Figure FDA0002979858630000011
式中：f为ELM模型相对于测试集的平均误差；yij为ELM网络模型输出，xij为ELM网络模型输入，n为样本数量；
将GA优化的权值和阈值传回ELM网络，得到GA优化的ELM网络模型，分析预测值与真值之间的误差，检查系统预测精度；
遗传算法优化部分：遗传算法的优化目标为翘曲变形最小；约束条件为模具温度、熔体温度、注射时间、冷却时间、保压时间及保压压力的优化范围；利用遗传算法强大的全局寻优能力寻找GA-ELM网络模型的最小翘曲变形及对应的工艺参数；建立的遗传算法数学模型如下式：
minF＝f(x1，x2，x3，x4，x5，x6)
Figure FDA0002979858630000012
式中：x1，x2，x3，x4，x5，x6分别为模具温度，熔体温度，注射时间，冷却时间，保压时间及保压压力的参数值，F表示翘曲值，f(x1，x2，x3，x4，x5，x6)为遗传算法的适应度函数，将训练好的GA-ELM网络模型预测输出作为个体适应度值，根据适应度值大小筛选较优个体，淘汰较差个体，种群规模设为100，交叉概率设为0.5，变异概率设为0.4，最大迭代次数设为100，通过选择、交叉、变异等操作寻找最优个体。
2.根据权利要求1所述的一种基于GA-ELM-GA的注塑件模具参数优化方法，其特征在于：所述的ELM网络模型为
Figure FDA0002979858630000021
式中：βi为隐含层与输出层之间的连接权值。激活函数f(x)由tanh函数、softmax函数或sigmoid函数表示，xm为ELM网络模型输入，wi.xm为wi与xm的内积，ym为ELM网络模型输出结果，m＝1，2，...，J，bi为隐含层神经元的阈值。
3.根据权利要求1所述的一种基于GA-ELM-GA的注塑件模具参数优化方法，其特征在于：所述的训练样本是通过正交实验得到，设计模具温度、熔体温度、注射时间、冷却时间、保压时间及保压压力试验因素水平范围取值，在Moldflow中仿真模拟得到正交实验样本及对应翘曲变形量。
CN202110284451.2A 2021-03-17 2021-03-17 一种基于ga-elm-ga的注塑件模具参数优化方法 Pending CN113103535A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110284451.2A CN113103535A (zh) 2021-03-17 2021-03-17 一种基于ga-elm-ga的注塑件模具参数优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110284451.2A CN113103535A (zh) 2021-03-17 2021-03-17 一种基于ga-elm-ga的注塑件模具参数优化方法

Publications (1)

Publication Number Publication Date
CN113103535A true CN113103535A (zh) 2021-07-13

Family

ID=76711659

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110284451.2A Pending CN113103535A (zh) 2021-03-17 2021-03-17 一种基于ga-elm-ga的注塑件模具参数优化方法

Country Status (1)

Country Link
CN (1) CN113103535A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114065646A (zh) * 2021-11-25 2022-02-18 无锡同方人工环境有限公司 基于混合优化算法的能耗预测方法、云计算平台及系统
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
CN117681400A (zh) * 2024-01-31 2024-03-12 苏州宝富塑料制品有限公司 基于abs树脂复合材料的塑料护角成型处理系统
CN117962256A (zh) * 2024-04-01 2024-05-03 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 (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070023959A1 (en) * 2003-10-21 2007-02-01 Movevirgo Ltd. Moulding method and apparatus
CN106649964A (zh) * 2016-10-17 2017-05-10 贵州大学 一种基于ga‑elm算法的铝合金压铸件晶粒尺寸预测方法
CN109086556A (zh) * 2018-09-18 2018-12-25 贵州大学 一种基于ga-elm的机械手振动预测方法
CN109101698A (zh) * 2018-07-19 2018-12-28 广州科技贸易职业学院 一种基于注塑成型模型的特征选取方法、装置及存储介质
SG11202000314YA (en) * 2017-11-14 2020-02-27 Halliburton Energy Services Inc System to control swab off while running a packer device
WO2020150447A1 (en) * 2019-01-18 2020-07-23 Sbm Life Science Corp. Synergistic herbicidal mixtures and compositions comprising triclopyr and phosphate ester adjuvants
CN111823530A (zh) * 2020-06-29 2020-10-27 广东海洋大学 基于正交试验与bpnn-ga算法的航标灯外壳的注塑工艺
EP3732844A1 (en) * 2017-12-29 2020-11-04 Nokia Solutions and Networks Oy Intelligent defense and filtration platform for network traffic
US20200394494A1 (en) * 2019-06-17 2020-12-17 East China Jiaotong University Method And System For Predicting Content Of Multiple Components In Rare Earth Extraction Process
CN112115579A (zh) * 2020-08-12 2020-12-22 江苏师范大学 一种玻璃纤维增强塑料注塑工艺参数多目标优化方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070023959A1 (en) * 2003-10-21 2007-02-01 Movevirgo Ltd. Moulding method and apparatus
CN106649964A (zh) * 2016-10-17 2017-05-10 贵州大学 一种基于ga‑elm算法的铝合金压铸件晶粒尺寸预测方法
SG11202000314YA (en) * 2017-11-14 2020-02-27 Halliburton Energy Services Inc System to control swab off while running a packer device
EP3732844A1 (en) * 2017-12-29 2020-11-04 Nokia Solutions and Networks Oy Intelligent defense and filtration platform for network traffic
CN109101698A (zh) * 2018-07-19 2018-12-28 广州科技贸易职业学院 一种基于注塑成型模型的特征选取方法、装置及存储介质
CN109086556A (zh) * 2018-09-18 2018-12-25 贵州大学 一种基于ga-elm的机械手振动预测方法
WO2020150447A1 (en) * 2019-01-18 2020-07-23 Sbm Life Science Corp. Synergistic herbicidal mixtures and compositions comprising triclopyr and phosphate ester adjuvants
US20200394494A1 (en) * 2019-06-17 2020-12-17 East China Jiaotong University Method And System For Predicting Content Of Multiple Components In Rare Earth Extraction Process
CN111823530A (zh) * 2020-06-29 2020-10-27 广东海洋大学 基于正交试验与bpnn-ga算法的航标灯外壳的注塑工艺
CN112115579A (zh) * 2020-08-12 2020-12-22 江苏师范大学 一种玻璃纤维增强塑料注塑工艺参数多目标优化方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
梅益: "基于极差分析法与GA-EL...连接器壳体注射成型工艺优化", 《塑料工业》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114065646A (zh) * 2021-11-25 2022-02-18 无锡同方人工环境有限公司 基于混合优化算法的能耗预测方法、云计算平台及系统
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
CN117681400A (zh) * 2024-01-31 2024-03-12 苏州宝富塑料制品有限公司 基于abs树脂复合材料的塑料护角成型处理系统
CN117681400B (zh) * 2024-01-31 2024-04-16 苏州宝富塑料制品有限公司 基于abs树脂复合材料的塑料护角成型处理系统
CN117962256A (zh) * 2024-04-01 2024-05-03 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
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
CN111563347B (zh) 一种纤维增强复合材料的注塑工艺参数优化方法
CN113103535A (zh) 一种基于ga-elm-ga的注塑件模具参数优化方法
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
Rayegani et al. Fused deposition modelling (FDM) process parameter prediction and optimization using group method for data handling (GMDH) and differential evolution (DE)
CN110640982A (zh) 一种薄壁注塑件的注塑工艺参数多目标优化方法
CN109918708B (zh) 一种基于异质集成学习的材料性能预测模型构建方法
Cao et al. Multi-objective optimization of injection-molded plastic parts using entropy weight, random forest, and genetic algorithm methods
Meiabadi et al. Optimization of plastic injection molding process by combination of artificial neural network and genetic algorithm
CN110544011B (zh) 一种智能化的体系作战效能评估和优化方法
CN112101630A (zh) 一种薄壁塑件注射成型工艺参数多目标优化方法
CN112069610B (zh) 一种透明复杂多腔塑件的注塑工艺参数优化方法
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
CN109063416A (zh) 基于lstm循环神经网络的基因表达预测方法
CN116542382A (zh) 基于混合优化算法的污水处理溶解氧浓度预测方法
CN113722992A (zh) 一种带嵌件注塑件注塑工艺参数多目标优化方法
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
CN104732067A (zh) 一种面向流程对象的工业过程建模预测方法
Göloğlu et al. Zigzag machining surface roughness modelling using evolutionary approach
CN105426959A (zh) 基于bp神经网络与自适应mbfo算法的铝电解节能减排方法
CN116415177A (zh) 一种基于极限学习机的分类器参数辨识方法
Ma et al. Intelligent recommendation system of the injection molding process parameters based on CAE simulation, process window, and machine learning
CN115619028A (zh) 一种基于聚类算法融合的电力负荷精准预测方法
CN113743003A (zh) 考虑温度、湿度影响的高压线路对地电场强度计算方法
Mei et al. Optimization of injection molding process parameters based on GA-ELM-GA

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: 20210713