CN116151133A - 基于机器学习的模块封装注塑工艺参数预测方法 - Google Patents
基于机器学习的模块封装注塑工艺参数预测方法 Download PDFInfo
- Publication number
- CN116151133A CN116151133A CN202310426866.8A CN202310426866A CN116151133A CN 116151133 A CN116151133 A CN 116151133A CN 202310426866 A CN202310426866 A CN 202310426866A CN 116151133 A CN116151133 A CN 116151133A
- Authority
- CN
- China
- Prior art keywords
- neural network
- injection molding
- parameters
- machine learning
- molding process
- 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
Links
- 238000001746 injection moulding Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000010801 machine learning Methods 0.000 title claims abstract description 17
- 238000004806 packaging method and process Methods 0.000 title claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 claims abstract description 61
- 238000012360 testing method Methods 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 30
- 230000008569 process Effects 0.000 claims abstract description 27
- 238000003062 neural network model Methods 0.000 claims abstract description 26
- 230000004044 response Effects 0.000 claims abstract description 13
- 238000013507 mapping Methods 0.000 claims abstract description 5
- 241000257303 Hymenoptera Species 0.000 claims description 27
- 239000003016 pheromone Substances 0.000 claims description 23
- 239000000243 solution Substances 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 14
- 239000004033 plastic Substances 0.000 claims description 12
- 229920003023 plastic Polymers 0.000 claims description 12
- 230000007547 defect Effects 0.000 claims description 7
- 238000010586 diagram Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000003050 experimental design method Methods 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 4
- 230000006978 adaptation Effects 0.000 claims description 3
- 239000012778 molding material Substances 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 11
- 238000013401 experimental design Methods 0.000 abstract description 5
- 238000002347 injection Methods 0.000 abstract 2
- 239000007924 injection Substances 0.000 abstract 2
- 238000005457 optimization Methods 0.000 description 10
- 238000012795 verification Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000000155 melt Substances 0.000 description 2
- 238000000465 moulding Methods 0.000 description 2
- 238000013386 optimize process Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 238000012858 packaging process Methods 0.000 description 1
- 238000012536 packaging technology Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000005211 surface analysis Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/22—Moulding
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Injection Moulding Of Plastics Or The Like (AREA)
Abstract
本发明公开了基于机器学习的模块封装注塑工艺参数预测方法,通过蚁群算法优化BP神经网络参数并进行寻优最佳工艺参数的方法,首先根据注塑产品的具体生产情况和质量指标选择工艺参数作为影响因素设计响应面试验;其次将响应面实验设计获得的均匀试验数据划分为训练数据和测试数据,利用蚁群算法优化BP神经网络模型参数并构建BP神经网络模型,得到注塑工艺参数与质量指标之间的非线性映射关系;最后再利用蚁群算法寻找极值以及对应的最佳工艺参数。本发明能够在当涉及多变量及变量范围差异较大时有效确定最优的变量值、获得最佳工艺参数,预测精度较高,能够有效提高注塑产品的生产质量。
Description
技术领域
本发明涉及塑料注塑成型技术领域,尤其涉及基于机器学习的模块封装注塑工艺参数预测方法。
背景技术
塑料在注塑成型过程中,会出现体积收缩、翘曲变形等缺陷,翘曲变形作为评定质量产品的重要指标,已成为行业研究的热点。注塑工艺参数与优化之间存在较为复杂的、随时间变化的非线性关系,生产中一般会根据经验通过试错的方法来得到相对较好的工艺参数,但是这种方法延长了生产周期、增加了生产成本,生产效率还很低。
随着集成电路技术的快速发展,元器件的体积越来越小,人们对封装技术在封装的密度、尺寸和集成的功能等方面提出了更高的要求,从而使封装的制作工艺过程也变得复杂,并且在塑封过程中常出现一些品质缺陷如翘曲、体积收缩等问题,如何准确快速找到注塑件最佳成型工艺参数以降低质量缺陷,提高产品的可靠性,是目前本领域需要解决的重要技术问题。
发明内容
本发明的目的在于:提供基于机器学习的模块封装注塑工艺参数预测方法,以解决注塑过程中最佳成型工艺参数快速寻找和注塑缺陷较大的问题。
为实现上述目的,本发明提供如下技术方案:基于机器学习的模块封装注塑工艺参数预测方法,包括如下步骤:
S1、构建并修改模块封装的有限元模型;
S2、对有限元模型进行参数初始化设置,根据各个参数之间的预设映射关系,得到各个参数的组合解集;
S3、构建包括各组合解集、以及其对应的翘曲变形量和体积收缩率的样本数据集,构建模块塑封的神经网络模型,利用样本数据集对神经网络进行训练和测试;
S4、利用蚁群算法优化神经网络的参数获取高精度模型;
S5、利用蚁群算法对优化后的模块塑封预测模型的翘曲变形量和体积收缩率求极值,得到最小翘曲变形量、体积收缩率以及其对应的最佳参数组合解集。
进一步地,前述的步骤S1具体为:将注塑件3D模型导入Rhino5犀牛软件中,进行撒点、网格划分;修改有限元网格,消除自由边、相交的单元、重叠单元缺陷。
进一步地,前述的步骤S2中,对有限元模型进行参数初始化设置具体为:在Moldex3D中按照设计的注塑件三维图设置模具结构,模具结构包括流道、浇口、尺寸;根据性能参数,在Moldex3D中预设注塑材料;设置工艺参数、选择分析类型,其中工艺参数包括:模具温度、熔体温度、注塑时间、注塑压力、熟化时间、熟化压力。
进一步地,前述的步骤S3中,构建包括各组合解集以及其对应的翘曲变形量和体积收缩率的样本数据集时,将工艺参数按照响应面实验设计法取样,并构建包括各组合解集以及其对应的翘曲变形量和体积收缩率的样本数据集。
进一步地,前述的步骤S3中,构建模块塑封的神经网络模型采用的是BP神经网络,所述的BP神经网络包括输入层、隐含层、输出层;对神经网络进行训练时随机选择m组数据作为测试集,另外的n-m数据作为训练集。
进一步地,前述的隐含层数由如下经验公式确定:
其中,h为隐含层节点的数目,a和b分别是输入层和输出层节点的数目,c为1至10之间的调节常数。
进一步地,前述的步骤S4,利用蚁群算法优化神经网络的参数获取高精度的模型,具体为:
将BP神经网络的权值和阈值构成蚂蚁种群的路径坐标,将均方误差作为蚂蚁的适应度值,将蚂蚁种群确定的最短路径作为最优的初始权值和阈值参数,再赋值给BP神经网络;
将训练集和测试集整体的均方误差MSE作为适应度函数,利用适应度函数确定神经网络模型的精度;
所述均方误差MSE方程如下式:
进一步地,前述的步骤S5包括以下子步骤:
S501、设置初始化蚂蚁个数,最大迭代次数,信息素挥发系数,转移概率常数,计算状态转移概率,更新信息素;
S502、利用蚁群算法对优化后的神经网络模型寻找极值,获得最小翘曲变形量、体积收缩率以及对应的最佳注塑参数;
S503、将最佳工艺参数输入到Moldex3D软件中验证翘曲变形量和体积收缩率。
相较于现有技术,本发明的有益效果如下:
本发明使用响应面试验设计法,有效减少水平数较多的试验次数,解决多因素变化范围不同造成的水平划分不均匀的问题。将Moldex3D软件得到的数据组作为BP神经网络的输入和输出数据,利用蚁群算法优化BP神经网络的参数,提高模型的拟合度,并且将训练集和测试集整体的均方误差MSE作为适应度函数,进一步得到更高的准确性和稳定性的预测模型,通过BP神经网络模型的预测能力可以预测模块封装的翘曲和体积收缩率,再次利用蚁群算法寻找翘曲和体积收缩率的极值,以及对应的最佳注塑工艺参数。结果表明优化后的产品质量指标有明显的改善,优化的工艺参数有效提高产品的质量。本发明通过建立更高精度的神经网络预测模型,得到预测结果,指导产品的注塑工艺参数取值,使得分析结果更加准确、节约成本、指导产品注塑过程中避免出错。
附图说明
图1为本发明基于机器学习的模块封装注塑工艺参数预测方法的流程图。
图2蚁群算法优化BP神经网络参数的流程图。
图3是BP神经网络模型图。
图4(a)为神经网络对训练集的翘曲变形量的预测结果图;图4(b)为神经网络对测试集的翘曲变形量的预测结果图;图4(c)为神经网络对训练集的体积收缩率的预测结果图;图4(d)为神经网络对测试集的体积收缩率的预测结果图。
图5(a)为神经网络对训练集拟合翘曲变形量的预测相对误差图;图5(b)为神经网络对测试集拟合翘曲变形量的预测相对误差图;图5(c)为神经网络对训练集拟合积收缩率的预测相对误差图;图5(d)为神经网络对测试集拟合体积收缩率的预测相对误差图。
图6蚁群算法寻优流程图。
图7(a)为翘曲变形量迭代寻优过程图;图7(b)为体积收缩率迭代寻优过程图。
图8(a)为优化后的最佳工艺参数输入到Moldex3D软件翘曲变形验证结果;
图8(b)为优化后的最佳工艺参数输入到Moldex3D软件体积收缩率验证结果。
具体实施方式
为了更了解本发明的技术内容,特举具体实施例并配合所附图式说明如下。
在本发明中参照附图来描述本发明的各方面,附图中示出了许多说明性实施例。本发明的实施例不局限于附图所述。应当理解,本发明通过上面介绍的多种构思和实施例,以及下面详细描述的构思和实施方式中的任意一种来实现,这是因为本发明所公开的构思和实施例并不限于任何实施方式。本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
如图1所示,本发明的基于机器学习的模块封装注塑工艺参数预测方法的流程图。
基于机器学习的模块封装注塑工艺参数预测方法,包括如下步骤:
S1、构建并修改模块封装的有限元模型;
S2、对有限元模型进行参数初始化设置,根据各个参数之间的预设映射关系,得到各个参数的组合解集;
S3、构建包括各组合解集、以及其对应的翘曲变形量和体积收缩率的样本数据集,构建模块塑封的神经网络模型,利用样本数据集对神经网络进行训练和测试;
S4、利用蚁群算法优化神经网络的参数获取高精度模型;
S5、利用蚁群算法对优化后的模块塑封预测模型的翘曲变形量和体积收缩率求极值,得到最小翘曲变形量、体积收缩率以及其对应的最佳参数组合解集。
以模块封装注塑为例,对本发明做进一步说明。
(一)影响因素及优化目标
在注塑成型过程中,影响产品质量的因素有很多,例如:模具温度、熔体温度、注塑时间、注塑压力、熟化时间、熟化压力等,且不同的因素对注塑成型的影响各不同,多种因素共同作用也会造成产品塑封成型缺陷,因此,针对不同的优化目标,需要针对性的选择相关影响因素。
根据模块封装注塑时出现的缺陷,将翘曲变形量和体积收缩率作为质量指标。
根据模块封装注塑的具体生产情况,选取的影响因素为模具温度(℃)、熔体温度(℃)、注塑时间(s)、注塑压力(MPa)、熟化时间(s)和熟化压力(MPa)共6个工艺参数。工艺参数的变化范围由材料和生产实际确定,变化范围如下所示:
(二)响应面实验设计
在多因素数量处理试验的分析中,可以分析试验指标(因变量)与多个试验因素(自变量)间的回归关系,这种回归可能是曲线或曲面的关系,因而称为响应面分析。
基于响应面实验设计可以得出较均匀的确定性组合实验,可以大大降低实验的次数。
在确定影响因素和优化目标后,根据实验要求选择实验设计方法,由于相关因素变化范围跨度较大,为考虑各个因素水平划分的均匀性,并减少实验次数,选择响应面实验设计。表1为响应面实验设计均匀表及仿真结果:
表1
(三)构建BP神经网络模型
以工艺参数作为输入层,翘曲变形量和体积收缩率作为输出层,在Matlab中构建模块塑封的神经网络模型,采用BP神经网络;所述BP神经网络包括输入层、隐含层、输出层。
将响应面实验设计数据取样结合Moldex3D分析得到的80组数据作为BP神经网络的训练样本数据,其中随机选择20组数据作为测试集,另外的60数据作为训练集。利用样本数据集对神经网络进行训练和测试,以提高模块塑封预测模型的精度。
优选地,隐含层数由经验公式确定:
其中,h为隐含层节点的数目,a和b分别是输入层和输出层节点的数目,c为1~10之间的调节常数。
如图2所示,蚁群算法优化BP神经网络回归预测模型的基本思路:首先取出权值矩阵和阈值向量的元素,构成蚂蚁种群的路径坐标。因为蚂蚁到达食物源的路径越短,则路径上的信息素含量越高。将训练集和测试集整体的均方误差MSE作为适应度函数,适应度函数值越小,表明训练越准确,且神经网络模型的预测精度越高。最终蚂蚁种群确定的最短路径作为最优的初始权值和阈值参数,再赋给BP神经网络,进行训练和测试。
运用蚁群算法优化神经网络参数具体步骤为:
步骤一:读取数据,初始化BP神经网络的结构与蚁群算法的参数;
步骤二:计算解空间的维度,初始化蚂蚁位置与最高信息素;
步骤三:根据蚂蚁的位置,计算信息素含量。
步骤四:计算最高信息素,更新最优的个体位置。
步骤五:按概率转移和更新蚂蚁位置。
步骤六:执行步骤二—五的循环体,达到终止代数。
步骤七:取出优化后的最佳蚂蚁位置坐标,赋给BP神经网络,得到最优的初始权值矩阵和阈值向量。
步骤八:优化后的BP神经网络进行训练与测试,分析BP神经网络预测精度。
其中,模具温度、熔体温度、注塑时间、注塑压力、熟化时间、熟化压力等6个注塑参数作为输入变量,翘曲变形量和体积收缩率作为输出值,构建BP神经网络模型,并拟合6个输入参数与翘曲变形量和体积收缩率的关系。如图3所示显示了BP神经网路的模型图。
本发明利用蚁群算法优化神经网络的参数获取高精度的模型将BP神经网络的权值和阈值构成蚂蚁种群的路径坐标,将均方误差作为蚂蚁的适应度值,将蚂蚁种群确定的最短路径作为最优的初始权值和阈值参数,再赋值给BP神经网络,具体为:将训练集和测试集整体的均方误差MSE作为适应度函数,利用适应度函数确定神经网络模型的精度;适应度函数值越小,表明训练越准确,且神经网络模型的预测精度越高。
所述均方误差MSE方程如下式:
首先将1~60组作为训练数据对BP神经网络进行训练,其余20组作为测试数据用于检验BP神经网络模型是否满足要求;将80组实验数据输入训练好的BP神经网络模型得到预测输出,并与期望输出进行比较,图4(a)为神经网络对训练集的翘曲变形量的预测结果图;图4(b)为神经网络对测试集的翘曲变形量的预测结果图;图4(c)为神经网络对训练集的体积收缩率的预测结果图;图4(d)为神经网络对测试集的体积收缩率的预测结果图。
如图5(a)为神经网络对训练集拟合翘曲变形量的预测相对误差图;图5(b)为神经网络对测试集拟合翘曲变形量的预测相对误差图;图5(c)为神经网络对训练集拟合积收缩率的预测相对误差图;图5(d)为神经网络对测试集拟合体积收缩率的预测相对误差图。根据优化后的BP神经网络预测模型,翘曲变形量的训练集预测误差控制在±0.4%范围内,翘曲变形量的测试集预测误差控制在±0.2%范围内,体积收缩率的训练集预测误差控制在±8%范围内,体积收缩率的测试集预测误差控制在±3.5%范围内,因此预测模型具有很好的效果。其中训练集和测试集整体的均方误差MSE作为适应度函数,适应度函数值越小,表明训练越准确。如图7(a)翘曲变形量迭代寻优过程图,以及图7(b)体积收缩率迭代寻优过程图:显示了翘曲变形量均方误差适应度值为0.0591,体积收缩率的均方误差适应度值为1.088。
(四)蚁群算法优化及验证
蚁群算法是对自然界蚂蚁的寻径方式进行模拟而得出的一种仿生算法。蚂蚁在运动过程中,能够在它所经过的路径上留下信息素进行信息传递,而且蚂蚁在运动过程中能够感知这种物质,并以此来指导自己的运动方向。因此,由大量蚂蚁组成的蚁群的集体行为便表现出一种信息正反馈现象:某一路径上走过的蚂蚁越多,则后来者选择该路径的概率就越大,从而导致这条短路径上走的蚂蚁就越多。而经过的蚂蚁越多,该路径上残留的信息素就将更多,这样使得整个蚂蚁的集体行为构成了信息素的正反馈过程,最终整个蚁群会找出最优路径。
假设,dij为节点i到节点j距离,节点i、j上的信息素含量用τij(t)表示。先选定一个起始节点,将所有u个蚂蚁放在起点处,所有路径上信息素含量相同,蚂蚁k根据各条路径上信息素分布的大小选择下一个移动节点,加入禁忌表List来记录每一只蚂蚁经过节点的顺序,防止蚂蚁再次经过该节点,蚂蚁经过所有指定的节点即完成了一次算法的迭代。在蚂蚁搜索路径节点的过程中,t时刻下,蚂蚁k从节点i移动至节点j的移动概率P为:
其中,表示蚂蚁k从当前节点移动到下一个所有可能经过节点的集合。依据上述内容,/>为信息素启发式因子,代表路径上信息素存在的多少,信息素多表示该路径通过的蚂蚁多,反之少量蚂蚁通过。β为期望启发因子,表示蚂蚁在选择该路径节点重要性的考虑,其值越大,说明移动到此点的几率越大,启发式函数/>计算方法为:
由上式可以看出启发函数和对/>于每一只蚂蚁成反比关系,节点之间的距离越长,启发函数的值越小。当所有的蚂蚁完成一次循环后,各个地点间链接路径上的信息素浓度需进行更新。首先是信息素挥发,其次是蚂蚁在它们所经过的边上释放信息素,其中为信息素挥发系数,且0/>,计算公式为:
当蚂蚁构建的路径长度越小,则路径上各条边就会获得更多的信息素,则在以后的迭代中就更有可能被其他的蚂蚁选择。每当蚂蚁完成一次循环后,便清空禁忌表,重新回到初始地点,准备下一次周游。其具体优化算法步骤如图6所示。
通过蚁群算法对BP神经网络模型寻找极值,网络模型预测给出翘曲变形量为0.0613mm,体积收缩率为1.184%。获得最佳工艺参数为:模具温度164℃、熔体温度86℃、注塑时间18s、注塑压力12MPa、熟化时间157s、熟化压力12MPa,将优化的工艺参数输入到Moldex3D软件中进行模拟,如图8(a)优化后的最佳工艺参数输入到Moldex3D软件翘曲变形验证结果,图8(b)优化后的最佳工艺参数输入到Moldex3D软件体积收缩率验证结果。获得最大翘曲值为0.061mm,最大体积收缩率为1.178%。通过模型预测结果与仿真结果对比发现,BP神经网络模型预测比较精确,误差较小。相比于Moldex3D默认注塑参数的仿真结果,有了明显的改善,翘曲变形量降低了19.7%,体积收缩率降低了23%。
本发明使用响应面实验设计法,有效减少水平数较多时的试验次数,解决多因素变化范围不同造成的水平划分不均匀的问题,使得试验点在变化范围内分布更加均匀;通过蚁群算法对BP神经网络模型参数进行寻优,解决神经网络参数选择的问题,有效提高神经网络映射因素与响应值之间的复杂关系;为优化工艺参数奠定基础;使用蚁群算法对训练好的BP神经网络模型寻极值获得最佳工艺参数,将最佳工艺参数输入Moldex3D软件中进行仿真验证,结果表明优化后的产品质量指标有明显改善,将优化的工艺参数用于生产试验,结果表明,优化的工艺参数有效提高产品质量,说明使用蚁群算法优化BP神经网络模型参数并寻优最佳工艺参数的有效性。
虽然本发明已以较佳实施例阐述如上,然其并非用以限定本发明。本发明所属技术领域中具有通常知识者,在不脱离本发明的精神和范围内,当可作各种的更动与润饰。因此,本发明的保护范围当视权利要求书所界定者为准。
Claims (8)
1.基于机器学习的模块封装注塑工艺参数预测方法,其特征在于,包括如下步骤:
S1、构建并修改模块封装的有限元模型;
S2、对有限元模型进行参数初始化设置,根据各个参数之间的预设映射关系,得到各个参数的组合解集;
S3、构建包括各组合解集、以及其对应的翘曲变形量和体积收缩率的样本数据集,构建模块塑封的神经网络模型,利用样本数据集对神经网络进行训练和测试;
S4、利用蚁群算法优化神经网络的参数获取高精度模型;
S5、利用蚁群算法对优化后的模块塑封预测模型的翘曲变形量和体积收缩率求极值,得到最小翘曲变形量、体积收缩率以及其对应的最佳参数组合解集。
2.根据权利要求1所述的基于机器学习的模块封装注塑工艺参数预测方法,其特征在于,步骤S1具体为:将注塑件3D模型导入Rhino5犀牛软件中,进行撒点、网格划分;修改有限元网格,消除自由边、相交的单元、重叠单元缺陷。
3.根据权利要求1所述的基于机器学习的模块封装注塑工艺参数预测方法,其特征在于,步骤S2中,对有限元模型进行参数初始化设置具体为:在Moldex3D中按照设计的注塑件三维图设置模具结构,模具结构包括流道、浇口、尺寸;根据性能参数,在Moldex3D中预设注塑材料;设置工艺参数、选择分析类型,其中工艺参数包括:模具温度、熔体温度、注塑时间、注塑压力、熟化时间、熟化压力。
4.根据权利要求3所述的基于机器学习的模块封装注塑工艺参数预测方法,其特征在于,步骤S3中,构建包括各组合解集以及其对应的翘曲变形量和体积收缩率的样本数据集时,将工艺参数按照响应面实验设计法取样,并构建包括各组合解集以及其对应的翘曲变形量和体积收缩率的样本数据集。
5.根据权利要求4所述的基于机器学习的模块封装注塑工艺参数预测方法,其特征在于,步骤S3中,构建模块塑封的神经网络模型采用的是BP神经网络,所述的BP神经网络包括输入层、隐含层、输出层;对神经网络进行训练时随机选择m组数据作为测试集,另外的n-m数据作为训练集。
8.根据权利要求7所述的基于机器学习的模块封装注塑工艺参数预测方法,其特征在于,步骤S5包括以下子步骤:
S501、设置初始化蚂蚁个数,最大迭代次数,信息素挥发系数,转移概率常数,计算状态转移概率,更新信息素;
S502、利用蚁群算法对优化后的神经网络模型寻找极值,获得最小翘曲变形量、体积收缩率以及对应的最佳注塑参数;
S503、将最佳工艺参数输入到Moldex3D软件中验证翘曲变形量和体积收缩率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310426866.8A CN116151133A (zh) | 2023-04-20 | 2023-04-20 | 基于机器学习的模块封装注塑工艺参数预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310426866.8A CN116151133A (zh) | 2023-04-20 | 2023-04-20 | 基于机器学习的模块封装注塑工艺参数预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116151133A true CN116151133A (zh) | 2023-05-23 |
Family
ID=86339259
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310426866.8A Pending CN116151133A (zh) | 2023-04-20 | 2023-04-20 | 基于机器学习的模块封装注塑工艺参数预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116151133A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116595889A (zh) * | 2023-06-06 | 2023-08-15 | 常州市升越模塑股份有限公司 | 基于peek材料的薄型筋体均布结构加工方法及系统 |
CN117140847A (zh) * | 2023-10-24 | 2023-12-01 | 南通佳腾精密模具有限公司 | 一种精密模具用的封装方法及系统 |
CN117455316A (zh) * | 2023-12-20 | 2024-01-26 | 中山市东润智能装备有限公司 | 一种注塑工厂设备数据采集的方法 |
CN117644625A (zh) * | 2024-01-30 | 2024-03-05 | 陕西美伦包装有限公司 | 一种基于机器视觉的智能注塑方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114662357A (zh) * | 2022-02-14 | 2022-06-24 | 华南理工大学 | 一种确定散热器进出水室注塑件最佳工艺参数的方法 |
-
2023
- 2023-04-20 CN CN202310426866.8A patent/CN116151133A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114662357A (zh) * | 2022-02-14 | 2022-06-24 | 华南理工大学 | 一种确定散热器进出水室注塑件最佳工艺参数的方法 |
Non-Patent Citations (2)
Title |
---|
徐以国: ""基于蚁群神经网络的家电壳体注塑成型质量预测"", 《中国优秀硕士学位论文全文数据库》, pages 49 - 61 * |
杨景明等: ""基于蚁群算法的神经网络冷连轧机轧制力预报"", 《钢铁》, vol. 44, no. 3, pages 52 - 55 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116595889A (zh) * | 2023-06-06 | 2023-08-15 | 常州市升越模塑股份有限公司 | 基于peek材料的薄型筋体均布结构加工方法及系统 |
CN116595889B (zh) * | 2023-06-06 | 2023-10-27 | 常州市升越模塑股份有限公司 | 基于peek材料的薄型筋体均布结构加工方法及系统 |
CN117140847A (zh) * | 2023-10-24 | 2023-12-01 | 南通佳腾精密模具有限公司 | 一种精密模具用的封装方法及系统 |
CN117140847B (zh) * | 2023-10-24 | 2023-12-29 | 南通佳腾精密模具有限公司 | 一种精密模具用的封装方法及系统 |
CN117455316A (zh) * | 2023-12-20 | 2024-01-26 | 中山市东润智能装备有限公司 | 一种注塑工厂设备数据采集的方法 |
CN117455316B (zh) * | 2023-12-20 | 2024-04-19 | 中山市东润智能装备有限公司 | 一种注塑工厂设备数据采集的方法 |
CN117644625A (zh) * | 2024-01-30 | 2024-03-05 | 陕西美伦包装有限公司 | 一种基于机器视觉的智能注塑方法 |
CN117644625B (zh) * | 2024-01-30 | 2024-04-05 | 陕西美伦包装有限公司 | 一种基于机器视觉的智能注塑方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116151133A (zh) | 基于机器学习的模块封装注塑工艺参数预测方法 | |
Yousri et al. | Reliable applied objective for identifying simple and detailed photovoltaic models using modern metaheuristics: Comparative study | |
Deng et al. | A hybrid of mode-pursuing sampling method and genetic algorithm for minimization of injection molding warpage | |
Rayegani et al. | Fused deposition modelling (FDM) process parameter prediction and optimization using group method for data handling (GMDH) and differential evolution (DE) | |
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 | |
Meiabadi et al. | Optimization of plastic injection molding process by combination of artificial neural network and genetic algorithm | |
Atamturktur et al. | Calibration of imprecise and inaccurate numerical models considering fidelity and robustness: a multi-objective optimization-based approach | |
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 | |
CN113103535A (zh) | 一种基于ga-elm-ga的注塑件模具参数优化方法 | |
Ribeiro et al. | Surrogate based optimization of functionally graded plates using radial basis functions | |
CN112749488B (zh) | 一种纤维素生物墨水黏度特性预测方法 | |
Feng et al. | Stochastic nonlocal damage analysis by a machine learning approach | |
CN112069610A (zh) | 一种透明复杂多腔塑件的注塑工艺参数优化方法 | |
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 | |
CN113807028A (zh) | 一种环氧树脂固化工艺的优化方法及优化系统 | |
CN112884236A (zh) | 一种基于vdm分解与lstm改进的短期负荷预测方法及系统 | |
Qaraad et al. | Quadratic interpolation and a new local search approach to improve particle swarm optimization: Solar photovoltaic parameter estimation | |
Zhou et al. | Accelerating extrusion-based additive manufacturing optimization processes with surrogate-based multi-fidelity models | |
Kumar et al. | Modelling and optimization of injection molding process for PBT/PET parts using modified particle swarm algorithm | |
Luo et al. | Iterative improvement of parameter estimation for model migration by means of sequential experiments | |
Liao et al. | A fast optimal Latin hypercube design for Gaussian process regression modeling | |
Zobeiry et al. | Theory-guided machine learning composites processing modelling for manufacturability assessment in preliminary design | |
Zhao et al. | Quality control of batch processes using natural gradient based model-free optimization | |
CN116306890A (zh) | 一种反演蜂窝等效介电常数的神经网络的训练方法 | |
CN113505929B (zh) | 基于嵌入物理约束深度学习技术的拓扑最优结构预测方法 |
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 |
Application publication date: 20230523 |
|
RJ01 | Rejection of invention patent application after publication |