CN113119425A - 一种基于改进支持向量机的注塑产品质量预测方法 - Google Patents

Abstract

本发明涉及注塑成型技术领域，更具体地，涉及一种基于改进支持向量机的注塑产品质量预测方法，本发明方法通过建立模流元分析模型，获得注塑成型参数对注塑件质量的影响规律，找到可能影响注塑质量的工艺参数和与之对应质量参数，通过对工艺参数进行田口实验，获取取样实验数据，通过对实验数据进行加权综合处理，构建注塑质量的综合评价，利用遗传模拟退火优化支持向量机建立注塑工艺参数与注塑质量之间的预测模型，利用预测模型可以得到准确性和可靠性都可以满足实用需求的预测结果。

Description

一种基于改进支持向量机的注塑产品质量预测方法

技术领域

本发明涉及注塑成型技术领域，更具体地，涉及一种基于改进支持向量机的注塑产品质量预测方法。

背景技术

塑料与水泥、金属、木材俗称国民经济四大材料。塑料的增长成为国民经济可持续发展的重要支撑。塑料是20世纪初研发出来的新型材料，在20世纪50年代成为一个新兴行业并得到快速发展，80年代时已被广泛应用于多个领域，如航空、汽车、日用家电、日用品、包装、建材及医疗器材等。随着注塑制品的广泛使用，注塑工业的飞速发展和产品竞争的不断加强，人们对于塑料制品的外观质量和使用性能要求越来越高。因此，塑料制品的成型技术正面临着高质量、高精度、低成本、短周期的严峻挑战。

熔接痕和气泡是塑料成型过程中非常常见的缺陷，它的存在不仅破坏了制件的外观质量，还造成了制件局部区域强度的降低而产生产品破裂隐患，有研究发现其它条件相同时熔接痕区域的强度是其它正常区域的10％-90％。因此，熔接痕和气泡缺陷的控制一直受到工程师们的重视，如何减少熔接痕、气泡已经成为相关企业亟待解决的问题。

对于塑料注射成型制品而言，其成型质量主要受四个因素影响，它们分别是材料、模具、注塑机和工艺参数。通常情况下，当注塑产品的材料、注塑机型号确定之后，为了改善注塑制品的质量，可以考虑通过下列二种途径:一是通过改变和优化注塑模具结构，二是调整注塑成型工艺参数。正因如此，如何对注塑模具结构、注塑工艺参数进行优化得到了越来越广泛的关注。

截至目前，实际生产中塑料注塑成型开发方法主要是尝试法，依据设计者有限的经验和一些简单的计算公式进行产品的开发和工艺设计。但是在注塑成型的实际生产过程中，塑料熔体性能千差万别，制品和模具结构千变万化，工艺条件也各不相同，仅凭有限的经验和简单的公式是难以对付这些因素而作全面的考虑和处理，加之设计者经验的积累和公式的总结也往往跟不上成型材料的发展和制品复杂程度及精度要求的提高，因此开发过程中要反复的试模和修模并一再调整工艺参数，才能正式投产。这种开发方法的生产周期长、费用高，产品质量也难以得到有效的保证。

在公开号CN106682297A的中国发明中，公开了一种注塑成型工艺多目标质量综合评价优化方法，该方法利用正交实验法结合模流分析软件Moldflow获取各质量指标的响应数据，利用逼近理想解排序法计算各样本点到理想样本点的相对接近度，按照相对接近度越大越优进行实验序列排序，计算影响因素，但由于该发明采用单一的预测模型，由于模型自身的缺陷和局限性，往往出现预测效果不佳的状况。

发明内容

本发明为克服上述现有技术所述的采用单一的预测模型可能出现预测效果不佳的状况，提供一种基于改进支持向量机的注塑产品质量预测方法

为解决上述技术问题，本发明采用的技术方案是：一种基于改进支持向量机的注塑产品质量预测方法，其特征在于：包括以下步骤：

S1：根据生产实际，绘制日字扣三维模型，在Moldflow中设置相应的工艺参数，对比实际缺陷与仿真缺陷，验证仿真模型的可靠性；

S2：利用步骤S1验证后的仿真模型，获取多个影响产品缺陷的工艺参数和质量参数，所述工艺参数包括溶体温度、模具温度、注射时间、冷却时间、保压压力以及保压时间，所述注塑质量参数包括：熔接痕长度、气泡面积，对所述工艺参数和所述质量参数进行田口实验取样，获取实验数据；

S3：对田口实验获取的实验数据采用加权综合评分法进行处理，获取加权优化后的实验数据；

S4：利用步骤S3获取的数据构建注塑成型质量预测模型，利用网络训练样本和测试样本，对遗传模拟退火优化支持向量机进行训练和检测，验证注塑成型质量预测模型的可靠性。

在本技术方案中，通过建立模流元分析模型，获得注塑成型参数对注塑件质量的影响规律，找到可能影响注塑质量的工艺参数和与之对应质量参数，通过对工艺参数进行田口实验，获取取样实验数据，通过对实验数据进行加权综合处理，构建注塑质量的综合评价，利用遗传模拟退火优化支持向量机建立注塑工艺参数与注塑质量之间的预测模型，利用预测模型可以得到准确性和可靠性都可以满足实用需求的预测结果。

优选地，所述步骤S3的加权综合评分法采用标准离差法计算出各个指标的权重，对获取的原始数据进行无量纲化处理，所述无量纲化处理的公式为：

其中Z_ij为无纲量化计算数值，X_max为实验数据中评价指标最大值，X_ij为第i个方案第j个评价指标的试验值，X_min为实验数据中评价指标最小值。在本技术方案中，由于每个指标对制品的影响度不同，需要确定每个指标的权重，从而评定该指标对制品的影响度。标准差是各数据偏离平均数距离的平均数，它代表大部分数据和平均值之间差异的大小。标准差大，代表在整个系统中反映的数据多，从而代表权重大，标准差小，代表在整个系统中反映的数据少，从而代表权重小，采用标准离差法可以有效解决各个指标在整个系统中的比重，从而计算出各个指标的权重。

优选地，根据所述无量纲化处理可求出变量的均值和标准差，所述计算公式为：

通过以上计算出来的标准差可以计算出各指标权重，计算公式为：

优选地，对步骤S2中的熔接痕长度以及气泡面积进行加权平均，得到一个综合质量判断指标，其计算公式为：

其中，b₁,b₂为加权值。

优选地，在所述步骤S4中，注塑成型质量预测模型的预测模型表达式为：

y＝f(x)＝wφ(x)+b

其中w为权值；b为偏置项，取常数；φ(x)为低维空间到高维空间的非线性映射。

在本技术方案中，注塑成型质量预测模型是通过任意一个输入样本x，来推断得到对应的输出值y，对于一组给定的训练数据样本集合为(x_i,y_i)其中x_i∈Rⁿ,y_i∈R,R是实数集合，i＝1,2,3,L,l，SVM的回归理论是对样本数据x做一个非线性映射，完成从低维空间到高维空间的转换，并在高维空间中解决回归问题。

优选地，所述预测模型表达式针对优化目标取极值，

约束条件为：

其中：C为惩罚因子；ξ_i、

为松弛因子；ε为损失函数。

为了解决该高维二次规划问题，引入了拉格朗日乘子向量，转化式如下：

其中：i,j＝1,2,L,m；x_i,j为输入量；y_i为输出量；a_i、b_i拉格朗日乘子。在本技术方案中，惩罚参数C用来控制模型的复杂度和回归精度，ε用于控制模型的泛化能力。

优选地，在对非线性样本数据进行分类时，只有通过某种变换才能完成数据从低维到高维的转换，基于核函数K(x_i,x_j)＝φ(x_i)φ(x_j)完成，本发明选用径向基核函数，得到SVM的决策函数为：

核函数确定后，寻找最优的两个参数，即惩罚因子C和核参数g。

在本技术方案中，因为惩罚参数C用来控制模型的复杂度和回归精度，核参数g用于控制模型的泛化能力，为快速合理地确定SVM的C和g，采用遗传模拟退火来优化SVM的C和g。

优选地，所述SVM的决策函数利用所述遗传模拟退火算法进行多参数优化，已知支持向量机需要优化的初始参数集合为:

{c,g}

基于遗传模拟退火算法的多参数优化步骤描述如下:

S411:参数设置，设定种群大小NIND、遗传代数MAX-GEM、变量二进制位数PRECI、遗传算法的交叉概率P_c、变异概率P_m、代沟GGAP、退火初始温度T₀、温度衰减系数k，当前进化代数gen＝1；

S412:编码并产生初始种群，对待优化的N个变量按顺序进行编码，并产生初始种群S_gen，采用二进制编码方式，即每1条染色体代表了1个网络的所有惩罚因子C和核参数g，用N维数组表示；

S413:适应度计算，利用适应度函数计算种群中个体i的适应度，以支持向量机训练误差作为适应度函数，其公式为:

fit(i)＝E

其中:fit为个体适应度函数；E为支持向量机训练误差；i表示个体；

S414:选择操作产生下一代新的种群；

S415:交叉操作，从种群中取出要交配的一对个体，在交叉概率的控制下，2个个体在选定的位置交换染色体的内容，选择单点交叉算子进行交叉操作，交叉操作后产生种群S_g′_en；

S416:变异操作，在变异概率控制下，将所选个体的位取反，即若是1则取0；若是0，则取1，变异操作后产生种群S_g″_en；

S417:退火操作，计算原始种群和遗传操作后新产生的种群适应度差Δf，采用Metropolis接受准则来判断接受还是放弃新解，即:若Δf<0，则接受该个体，若Δf≥0，则以概率p＝exp(-Δf/T_gen)接受该个体，其中Δf＝fit(S′_gen)-fit(S_gen)，T_gen为温度衰减函数，T_gen＝kT_gen-1，退火操作后产生种群S″′_gen；

S418:终止条件判断，算法的迭代次数是否达到最大进化代数；

如果满足终止条件，则转向S419，算法结束；如果不满足终止条件，则gen＝gen+1，转到S414；

S419:输出当前最优个体作为问题的最优解并将遗传模拟退火算法搜索的最优个体解码，赋值给支持向量机惩罚因子C和核参数g。

在本技术方案中，所述遗传模拟退火算法克服了传统遗传算法优化神经网络初始参数过程中存在的收敛速度慢、计算稳定性差、容易陷入“早熟”收敛等问题，该结合算法能够丰富优化过程中的搜索行为，增强全局和局部的搜索能力和效率，进而在解空间中定位出一个较好的搜索空间，并将此作为其后采用支持向量机搜索的初始权值。

优选地，利用遗传模拟退火算法优化后的数据进行建模，得到基于改进支持向量机的注塑产品质量预测模型，建模的步骤如下：

S421:样本数据输入及预处理；

S422:确定核函数；

S423:利用遗传模拟退火算法优化支持向量机的初始参数，具体过程包括:设定相应的参数，执行遗传模拟退火操作，并由此得到进化解；

S424:解码并分解为网络所对应的优化惩罚因子C和核参数g；

S425:将优化得到的惩罚因子C和核参数g赋给支持向量机，使用训练样本训练网格，按梯度下降方向调整网络参数并用测试样本测试网络；

S426:仿真预测得到结果。

优选地，所述步骤S2中的工艺参数可增加以下参数：塑化物料温度、注射温度、注射压力、开模压力、脱模压力、锁模压力、冷却时间、注射时间、射出速度、开闭模速度、脱模速度。

优选地，在所述步骤S2中，工艺参数还包括塑化物料温度、注射温度、注射压力、开模压力、脱模压力、锁模压力、冷却时间、注射时间、射出速度、开闭模速度、脱模速度。在本技术方案中，添加不同的工艺参数可通过对注塑检测模型进行多参数模拟分析，提高注塑生产的质量水平和稳定性。

与现有技术相比，有益效果是：本发明通过建立模流元分析模型，获得注塑成型参数对注塑件质量的影响规律，找到可能影响注塑质量的工艺参数和与之对应质量参数，通过对工艺参数进行田口实验，获取取样实验数据，通过对实验数据进行加权综合处理，构建注塑质量的综合评价，利用遗传模拟退火优化支持向量机建立注塑工艺参数与注塑质量之间的预测模型，利用预测模型可以得到准确性和可靠性都可以满足实用需求的预测结果。

附图说明

图1是本发明注塑产品质量预测方法的流程图；

图2是本发明遗传模拟退火算法多参数优化的流程图。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明，不能理解为对本专利的限制。

本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”“长”“短”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

下面通过具体实施例，并结合附图，对本发明的技术方案作进一步的具体描述：

实施例1

如图1和图2所示，一种基于改进支持向量机的注塑产品质量预测方法，其特征在于：包括以下步骤：

S1：根据生产实际，绘制日字扣三维模型，在Moldflow中设置相应的工艺参数，对比实际缺陷与仿真缺陷，验证仿真模型的可靠性；

S2：利用步骤S1验证后的仿真模型，获取多个影响产品缺陷的工艺参数和质量参数，工艺参数包括溶体温度、模具温度、注射时间、冷却时间、保压压力以及保压时间，注塑质量参数包括：熔接痕长度、气泡面积，对工艺参数和质量参数进行田口实验取样，获取实验数据；

S3：对田口实验获取的实验数据采用加权综合评分法进行处理，获取加权优化后的实验数据；

S4：利用步骤S3获取的数据构建注塑成型质量预测模型，利用网络训练样本和测试样本，对遗传模拟退火优化支持向量机进行训练和检测，验证注塑成型质量预测模型的可靠性。

在本实施例中，通过建立模流元分析模型，获得注塑成型参数对注塑件质量的影响规律，找到可能影响注塑质量的工艺参数和与之对应质量参数，通过对工艺参数进行田口实验，获取取样实验数据，通过对实验数据进行加权综合处理，构建注塑质量的综合评价，利用遗传模拟退火优化支持向量机建立注塑工艺参数与注塑质量之间的预测模型，利用预测模型可以得到准确性和可靠性都可以满足实用需求的预测结果。

其中，步骤S3的加权综合评分法采用标准离差法计算出各个指标的权重，对获取的原始数据进行无量纲化处理，无量纲化处理的公式为：

其中Z_ij为无纲量化计算数值，X_max为实验数据中评价指标最大值，X_ij为第i个方案第j个评价指标的试验值，X_min为实验数据中评价指标最小值。在本实施例中，由于每个指标对制品的影响度不同，需要确定每个指标的权重，从而评定该指标对制品的影响度。标准差是各数据偏离平均数距离的平均数，它代表大部分数据和平均值之间差异的大小。标准差大，代表在整个系统中反映的数据多，从而代表权重大，标准差小，代表在整个系统中反映的数据少，从而代表权重小，采用标准离差法可以有效解决各个指标在整个系统中的比重，从而计算出各个指标的权重。

另外，根据无量纲化处理可求出变量的均值和标准差，计算公式为：

通过以上计算出来的标准差可以计算出各指标权重，计算公式为：

其中，对步骤S2中的熔接痕长度以及气泡面积进行加权平均，得到一个综合质量判断指标，其计算公式为：

其中，b₁,b₂为加权值。

另外，在步骤S4中的注塑成型质量预测模型的预测模型表达式为：

y＝f(x)＝wφ(x)+b

其中w为权值；b为偏置项，取常数；φ(x)为低维空间到高维空间的非线性映射。

在本实施例中，注塑成型质量预测模型是通过任意一个输入样本x，来推断得到对应的输出值y，对于一组给定的训练数据样本集合为(x_i,y_i)其中x_i∈Rⁿ,y_i∈R,R是实数集合，i＝1,2,3,L,l，SVM的回归理论是对样本数据x做一个非线性映射，完成从低维空间到高维空间的转换，并在高维空间中解决回归问题。

其中，预测模型表达式针对优化目标取极值，

约束条件为：

其中：C为惩罚因子；ξ_i、

为松弛因子；ε为损失函数。

为了解决该高维二次规划问题，引入了拉格朗日乘子向量，转化式如下：

其中：i,j＝1,2,L,m；x_i,j为输入量；y_i为输出量；a_i、b_i拉格朗日乘子。在本实施例中，惩罚参数C用来控制模型的复杂度和回归精度，ε用于控制模型的泛化能力。

另外，在对非线性样本数据进行分类时，只有通过某种变换才能完成数据从低维到高维的转换，核函数K(x_i,x_j)＝φ(x_i)φ(x_j)可以完成，本发明选用径向基核函数，得到SVM的决策函数为：

核函数确定后，寻找最优的两个参数，即惩罚因子C和核参数g。

在本实施例中，因为惩罚参数C用来控制模型的复杂度和回归精度，核参数g用于控制模型的泛化能力，为快速合理地确定SVM的C和g，采用遗传模拟退火来优化SVM的C和g。

其中，SVM的决策函数利用遗传模拟退火算法进行多参数优化，已知支持向量机需要优化的初始参数集合为:

{c,g}

基于遗传模拟退火算法的多参数优化步骤描述如下:

S411:参数设置，设定种群大小NIND、遗传代数MAX-GEM、变量二进制位数PRECI、遗传算法的交叉概率P_c、变异概率P_m、代沟GGAP、退火初始温度T₀、温度衰减系数k，当前进化代数gen＝1；

S412:编码并产生初始种群，对待优化的N个变量按顺序进行编码，并产生初始种群S_gen，采用二进制编码方式，即每1条染色体代表了1个网络的所有惩罚因子C和核参数g，用N维数组表示；

S413:适应度计算，利用适应度函数计算种群中个体i的适应度，以支持向量机训练误差作为适应度函数，其公式为:

fit(i)＝E

其中:fit为个体适应度函数；E为支持向量机训练误差；i表示个体；

S414:选择操作产生下一代新的种群；

S415:交叉操作，从种群中取出要交配的一对个体，在交叉概率的控制下，2个个体在选定的位置交换染色体的内容，选择单点交叉算子进行交叉操作，交叉操作后产生种群S_g′_en；

S416:变异操作，在变异概率控制下，将所选个体的位取反，即若是1则取0；若是0，则取1，变异操作后产生种群S_g″_en；

S417:退火操作，计算原始种群和遗传操作后新产生的种群适应度差Δf，采用Metropolis接受准则来判断接受还是放弃新解，即:若Δf<0，则接受该个体，若Δf≥0，则以概率p＝exp(-Δf/T_gen)接受该个体，其中Δf＝fit(S′_gen)-fit(S_gen)，T_gen为温度衰减函数，T_gen＝kT_gen-1，退火操作后产生种群S″′_gen；

S418:终止条件判断，算法的迭代次数是否达到最大进化代数；

如果满足终止条件，则转向S419，算法结束；如果不满足终止条件，则gen＝gen+1，转到S414；

S419:输出当前最优个体作为问题的最优解并将遗传模拟退火算法搜索的最优个体解码，赋值给支持向量机惩罚因子C和核参数g。

在本实施例中，遗传模拟退火算法克服了传统遗传算法优化神经网络初始参数过程中存在的收敛速度慢、计算稳定性差、容易陷入“早熟”收敛等问题，该结合算法能够丰富优化过程中的搜索行为，增强全局和局部的搜索能力和效率，进而在解空间中定位出一个较好的搜索空间，并将此作为其后采用支持向量机搜索的初始权值。

另外，利用遗传模拟退火算法优化后的数据进行建模，得到基于改进支持向量机的注塑产品质量预测模型，建模的步骤如下：

S421:样本数据输入及预处理；

S422:确定核函数；

S423:利用遗传模拟退火算法优化支持向量机的初始参数，具体过程包括:设定相应的参数，执行遗传模拟退火操作，并由此得到进化解；

S424:解码并分解为网络所对应的优化惩罚因子C和核参数g；

S425:将优化得到的惩罚因子C和核参数g赋给支持向量机，使用训练样本训练网格，按梯度下降方向调整网络参数并用测试样本测试网络；

S426:仿真预测得到结果。

其中，步骤S2中的工艺参数可增加以下参数：塑化物料温度、注射温度、注射压力、开模压力、脱模压力、锁模压力、冷却时间、注射时间、射出速度、开闭模速度、脱模速度。

其中，在步骤S2中，工艺参数还包括塑化物料温度、注射温度、注射压力、开模压力、脱模压力、锁模压力、冷却时间、注射时间、射出速度、开闭模速度、脱模速度。在本实施例中，添加不同的工艺参数可通过对注塑检测模型进行多参数模拟分析，提高注塑生产的质量水平和稳定性。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.一种基于改进支持向量机的注塑产品质量预测方法，其特征在于：包括以下步骤：

S1：根据生产实际，绘制日字扣三维模型，在Moldflow中设置相应的工艺参数，对比实际缺陷与仿真缺陷，验证仿真模型的可靠性；

S2：利用步骤S1验证后的仿真模型，获取多个影响产品缺陷的工艺参数和质量参数，所述工艺参数包括溶体温度、模具温度、注射时间、冷却时间、保压压力以及保压时间，所述注塑质量参数包括：熔接痕长度、气泡面积，对所述工艺参数和所述质量参数进行田口实验取样，获取实验数据；

S3：对田口实验获取的实验数据采用加权综合评分法进行处理，获取加权优化后的实验数据；

S4：利用步骤S3获取的数据构建注塑成型质量预测模型，利用网络训练样本和测试样本，对遗传模拟退火优化支持向量机进行训练和检测，验证注塑成型质量预测模型的可靠性。

2.根据权利要求1所述的基于改进支持向量机的注塑产品质量预测方法，其特征在于：所述步骤S3的加权综合评分法采用标准离差法计算出各个指标的权重，对获取的原始数据进行无量纲化处理，所述无量纲化处理的公式为：

其中Z_ij为无纲量化计算数值，X_max为实验数据中评价指标最大值，X_ij为第i个方案第j个评价指标的试验值，X_min为实验数据中评价指标最小值。

3.根据权利要求2所述的基于改进支持向量机的注塑产品质量预测方法，其特征在于：根据所述无量纲化处理可求出变量的均值和标准差，所述计算公式为：

通过以上计算出来的标准差可以计算出各指标权重，计算公式为：

4.根据权利要求1所述的基于改进支持向量机的注塑产品质量预测方法，其特征在于：对步骤S2中的熔接痕长度以及气泡面积进行加权平均，得到一个综合质量判断指标，其计算公式为：

其中，b₁,b₂为加权值。

5.根据权利要求1所述的基于改进支持向量机的注塑产品质量预测方法，其特征在于：在所述步骤S4中，注塑成型质量预测模型的预测模型表达式为：

y＝f(x)＝wφ(x)+b

其中w为权值；b为偏置项，取常数；φ(x)为低维空间到高维空间的非线性映射。

6.根据权利要求5所述的基于改进支持向量机的注塑产品质量预测方法，其特征在于：所述预测模型表达式针对优化目标取极值，

约束条件为：

其中：C为惩罚因子；ξ_i、

为松弛因子；ε为损失函数。

为了解决该高维二次规划问题，引入了拉格朗日乘子向量，转化式如下：

其中：i,j＝1,2,L,m；x_i,j为输入量；y_i为输出量；a_i、b_i拉格朗日乘子。

7.根据权利要求6所述的基于改进支持向量机的注塑产品质量预测方法，其特征在于：在对非线性样本数据进行分类时，只有通过某种变换才能完成数据从低维到高维的转换，基于核函数K(x_i,x_j)＝φ(x_i)φ(x_j)完成，本发明选用径向基核函数，得到SVM的决策函数为：

核函数确定后，寻找最优的两个参数，即惩罚因子C和核参数g，因为惩罚参数C用来控制模型的复杂度和回归精度，核参数g用于控制模型的泛化能力，为快速合理地确定SVM的C和g，采用遗传模拟退火来优化SVM的C和g。

8.根据权利要求7所述的基于改进支持向量机的注塑产品质量预测方法，其特征在于：所述SVM的决策函数通过遗传模拟退火算法进行多参数优化，已知支持向量机需要优化的初始参数集合为:

{c,g}

基于遗传模拟退火算法的多参数优化步骤描述如下:

S411:参数设置，设定种群大小NIND、遗传代数MAX-GEM、变量二进制位数PRECI、遗传算法的交叉概率P_c、变异概率P_m、代沟GGAP、退火初始温度T₀、温度衰减系数k，当前进化代数gen＝1；

S412:编码并产生初始种群，对待优化的N个变量按顺序进行编码，并产生初始种群S_gen，采用二进制编码方式，即每1条染色体代表了1个网络的所有惩罚因子C和核参数g，用N维数组表示；

S413:适应度计算，利用适应度函数计算种群中个体i的适应度，以支持向量机训练误差作为适应度函数，其公式为:

fit(i)＝E

其中:fit为个体适应度函数；E为支持向量机训练误差；i表示个体；

S414:选择操作产生下一代新的种群；

S415:交叉操作，从种群中取出要交配的一对个体，在交叉概率的控制下，2个个体在选定的位置交换染色体的内容，选择单点交叉算子进行交叉操作，交叉操作后产生种群S′_gen；

S416:变异操作，在变异概率控制下，将所选个体的位取反，即若是1则取0；若是0，则取1，变异操作后产生种群S″_gen；

S417:退火操作，计算原始种群和遗传操作后新产生的种群适应度差Δf，采用Metropolis接受准则来判断接受还是放弃新解，即:若Δf<0，则接受该个体，若Δf≥0，则以概率p＝exp(-Δf/T_gen)接受该个体，其中

Δf＝fit(S′_gen)-fit(S_gen)，T_gen为温度衰减函数，T_gen＝kT_gen-1，退火操作后产生种群S″′_gen；

S418:终止条件判断，算法的迭代次数是否达到最大进化代数；

如果满足终止条件，则转向S419，算法结束；如果不满足终止条件，则gen＝gen+1，转到S414；

S419:输出当前最优个体作为问题的最优解并将遗传模拟退火算法搜索的最优个体解码，赋值给支持向量机惩罚因子C和核参数g。

9.根据权利要求8所述的基于改进支持向量机的注塑产品质量预测方法，其特征在于：利用遗传模拟退火算法优化后的数据进行建模，得到基于改进支持向量机的注塑产品质量预测模型，建模的步骤如下：

S421:样本数据输入及预处理；

S422:确定核函数；

S423:利用遗传模拟退火算法优化支持向量机的初始参数，具体过程包括:设定相应的参数，执行遗传模拟退火操作，并由此得到进化解；

S424:解码并分解为网络所对应的优化惩罚因子C和核参数g；

S425:将优化得到的惩罚因子C和核参数g赋给支持向量机，使用训练样本训练网格，按梯度下降方向调整网络参数并用测试样本测试网络；

S426:仿真预测得到结果。

10.根据权利要求1所述的基于改进支持向量机的注塑产品质量预测方法，其特征在于：在所述步骤S2中，工艺参数还包括塑化物料温度、注射温度、注射压力、开模压力、脱模压力、锁模压力、冷却时间、注射时间、射出速度、开闭模速度、脱模速度。

Images