CN110674598A - 一种基于支持向量机和粒子群算法的注塑工艺优化方法 - Google Patents
一种基于支持向量机和粒子群算法的注塑工艺优化方法 Download PDFInfo
- Publication number
- CN110674598A CN110674598A CN201910789733.0A CN201910789733A CN110674598A CN 110674598 A CN110674598 A CN 110674598A CN 201910789733 A CN201910789733 A CN 201910789733A CN 110674598 A CN110674598 A CN 110674598A
- Authority
- CN
- China
- Prior art keywords
- support vector
- vector machine
- injection molding
- particle swarm
- model
- 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
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 97
- 238000000034 method Methods 0.000 title claims abstract description 81
- 238000005457 optimization Methods 0.000 title claims abstract description 54
- 239000002245 particle Substances 0.000 title claims abstract description 53
- 238000001746 injection moulding Methods 0.000 title claims abstract description 42
- 238000012360 testing method Methods 0.000 claims abstract description 71
- 230000008569 process Effects 0.000 claims abstract description 52
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 38
- 238000004519 manufacturing process Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000002347 injection Methods 0.000 claims abstract description 15
- 239000007924 injection Substances 0.000 claims abstract description 15
- 230000002068 genetic effect Effects 0.000 claims abstract description 14
- 238000013461 design Methods 0.000 claims abstract description 12
- 238000013507 mapping Methods 0.000 claims abstract description 8
- 238000004458 analytical method Methods 0.000 claims description 15
- 238000000611 regression analysis Methods 0.000 claims description 11
- 230000004044 response Effects 0.000 claims description 8
- 238000002156 mixing Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 4
- 238000005094 computer simulation Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 239000000047 product Substances 0.000 description 20
- 238000001816 cooling Methods 0.000 description 12
- 238000011160 research Methods 0.000 description 10
- 238000004088 simulation Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000000465 moulding Methods 0.000 description 7
- 230000006872 improvement Effects 0.000 description 6
- 239000000243 solution Substances 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 239000000155 melt Substances 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 238000013386 optimize process Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000000540 analysis of variance Methods 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000009827 uniform distribution Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- RNFJDJUURJAICM-UHFFFAOYSA-N 2,2,4,4,6,6-hexaphenoxy-1,3,5-triaza-2$l^{5},4$l^{5},6$l^{5}-triphosphacyclohexa-1,3,5-triene Chemical compound N=1P(OC=2C=CC=CC=2)(OC=2C=CC=CC=2)=NP(OC=2C=CC=CC=2)(OC=2C=CC=CC=2)=NP=1(OC=1C=CC=CC=1)OC1=CC=CC=C1 RNFJDJUURJAICM-UHFFFAOYSA-N 0.000 description 1
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- KVFIJIWMDBAGDP-UHFFFAOYSA-N ethylpyrazine Chemical compound CCC1=CN=CC=N1 KVFIJIWMDBAGDP-UHFFFAOYSA-N 0.000 description 1
- 239000003063 flame retardant Substances 0.000 description 1
- 238000003052 fractional factorial design Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Injection Moulding Of Plastics Or The Like (AREA)
Abstract
本发明公开了一种基于支持向量机和粒子群算法的注塑工艺优化方法，是通过遗传算法(GA)优化支持向量机(SVM)参数并结合粒子群算法(PSO)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均匀试验；其次将均匀试验数据分为训练数据和测试数据，利用遗传算法优化支持向量机模型参数并构建支持向量机模型，得到注塑工艺参数与质量指标之间的非线性映射关系；最后结合粒子群算法优化工艺参数获得最佳工艺参数。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
本发明涉及一种工艺优化方法，具体是一种基于支持向量机和粒子群算法的注塑工艺优化方法，属于注塑加工技术领域。
背景技术
注塑成型具有成本低、效率高的优点，在塑件加工中应用广泛，是全球塑料行业的重要制造工艺。注塑成型包含三个阶段：填充阶段、保压阶段和冷却阶段，将熔融塑料注入模具型腔内即可成型所需的零件。影响塑件成型质量的主要因素有模具和注塑工艺，通过优化模具和注塑工艺可提高产品质量。
冷却时间是注塑成型周期的关键阶段，占模具总时间一半以上，良好的冷却系统有利于提高产品质量和生产效率。Clemente等对冷却系统进行研究，有效提高产品质量和生产效率。另外，型腔表面对塑料熔体的流动和成型质量有较大影响，Masato等研究不同模具涂层对薄壁注塑成型的影响。此外，工艺参数与质量之间关系复杂，具有较强的耦合性，目前业内有针对工艺参数的优化有很多研究，如Ginghtong等通过正交试验和线性回归分析确定最佳工艺参数，Heidari等结合分数阶乘设计和方差分析优化工艺参数、有效提高产品质量，Kitayama等使用RBF网络的序列近似优化确定最佳工艺参数，Oliaei等使用神经网络和方差分析研究三种聚合物的加工性能，Kitayama等使用RBF网络进行多目标优化研究熔接痕温度和夹紧力之间的关系，Bensingh等采用混合人工神经网络和粒子群算法(PSO)预测双非球面透镜成型的最佳工艺参数，Li等结合田口法、响应面法和NSGA-II法优化注塑工艺，KC等使用田口法和方差分析确定最佳注塑参数和重要变量等等。
然而，对模具冷却系统和型腔涂层材料进行研究，虽然可以有效提高产品质量，但相对于优化注塑工艺参数提高产品质量的成本较高。另外，上述研究工艺参数优化时，由于各工艺参数变化范围不同，造成试验点无法均匀分布，各因素的水平划分跨度差别大。此外，由于试验次数有限，基于经验风险最小化理论的方法(例如：神经网络)在使用上并不能达到无穷大数据量的要求，因此预测精度并不高，并不能最大限度地反映影响因素和质量指标之间的复杂关系。
发明内容
针对上述问题，本发明提供一种基于支持向量机和粒子群算法的注塑工艺优化方法，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。
为实现上述目的，本基于支持向量机和粒子群算法的注塑工艺优化方法是通过遗传算法(GA)优化支持向量机(SVM)参数并结合粒子群算法(PSO)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均匀试验；其次将均匀试验数据分为训练数据和测试数据，利用遗传算法优化支持向量机模型参数并构建支持向量机模型，得到注塑工艺参数与质量指标之间的非线性映射关系；最后结合粒子群算法优化工艺参数获得最佳工艺参数。
作为本发明的进一步改进方案，设计均匀试验时，在确定各影响因素和优化目标后，根据各影响因素的变化范围进行水平划分设计混合水平均匀试验表，生成混合均匀试验表后，通过Moldflow软件模拟出各影响因素在不同水平下注塑件翘曲量的大小，然后建立回归模型进行回归分析，获得塑件翘曲量最小的工艺参数作为验证指标。
混合水平均匀试验表为：
式中n为试验次数，t1，t2，t3为列的水平数，q1，q2，q3分别是水平数为t1，t2，t3的列的数目。
作为本发明的进一步改进方案，利用DPS数据系统生成混合均匀试验表。
作为本发明的进一步改进方案，回归模型选用二次完全多项式的回归模型：
式中，y为优化目标，n为变量的数目，b0、bi、bii、bij为模型参数，xi、xj为设计变量，ε为精度误差。
作为本发明的进一步改进方案，建立回归模型进行回归分析时，获得回归模型各项系数后进行方差分析，并通过计算调整可决系数
进行验证，
式中，n为样本数，k为拟合方程中参数的个数；
在选取的工艺参数范围内，对回归模型进行求解，获得塑件翘曲量最小的工艺参数。
作为本发明的进一步改进方案，构建支持向量机模型的步骤如下：
步骤1：根据塑件的材料和生产实际情况确定各影响因素和质量指标，并确定各影响因素的变化范围；
步骤2：根据均匀试验和计算机仿真值获得塑件质量指标的响应值；
步骤3：针对各影响因素的单位不同和变量范围不同，将影响因素和质量指标值进行归一化处理，消除量纲对分析的影响，并以归一化后的数据作为支持向量机模型的训练样本和测试样本；
步骤4：选择支持向量机模型的核函数，并对支持向量机模型的相关参数进行优化，获得最佳的模型参数组合；
步骤5：使用训练样本训练支持向量机模型，并对支持向量机模型的精度进行检验；
步骤6：若支持向量机模型精度不满足要求，那么增加训练样本数量，转至步骤2，重新训练支持向量机模型，直到获得理想的支持向量机模型。
作为本发明的进一步改进方案，使用粒子群算法对支持向量机模型寻找极值，将训练好的支持向量机模型作为适应度函数进行优化，获得最佳工艺参数。
与现有技术相比，本发明使用均匀试验，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；通过多项式回归分析，对影响因素与响应值之间的关系进行分析，预测精度较高，有效减小塑件翘曲变形量，提高产品生产质量；通过遗传算法对支持向量机模型参数进行寻优，解决SVM模型参数选择的问题，有效提高支持向量机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；使用粒子群算法对训练好的SVM模型寻极值获得最佳工艺参数，将粒子群算法寻优获得的最佳工艺参数输入Moldflow中进行仿真，结果表明优化后的产品质量指标有明显改善，优化的工艺参数可有效提高产品质量。
附图说明
图1是电源适配器外壳塑件的有限元分析模型图；
图2是将均匀试验回归分析获得的塑件翘曲量最小的工艺参数输入Moldflow软件中获得翘曲仿真值图；
图3是SVM构建的流程图；
图4是遗传算法优化SVM参数的流程图；
图5是SVM模型图；
图6是SVM拟合图；
图7是SVM预测相对误差图；
图8是粒子群寻优流程图；
图9是翘曲迭代寻优过程图；
图10是优化后的最佳工艺参数输入Moldflow软件中获得翘曲预测值图。
具体实施方式
本基于支持向量机和粒子群算法的注塑工艺优化方法是通过遗传算法(GA)优化支持向量机(SVM)参数并结合粒子群算法(PSO)寻优最佳工艺参数的方法，目的在于当涉及多变量及变量范围差异较大时，可以有效确定最优的变量值。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均匀试验；其次将均匀试验数据分为训练数据和测试数据，利用遗传算法优化支持向量机模型参数并构建支持向量机模型，得到注塑工艺参数与质量指标之间的非线性映射关系；最后结合粒子群算法优化工艺参数获得最佳工艺参数。
以下以某一电源适配器外壳塑件为例，对本发明进行进一步说明。
电源适配器又叫外置电源，是小型便携式电子设备及电子电器的供电电源变换设备，电源适配器外壳是电源适配器产品的主要零件之一，其壳状结构上通常设有用于空气对流散热的进气窗栅和排风扇，目前电源适配器外壳大多采用塑料直接注塑成型。有限元分析模型如图1所示的电源适配器外壳塑件是薄壁、体积较小、左右对称紧凑结构，其外形尺寸为145mm×130mm×55mm，壁厚为1～2mm，属于典型的薄壳注塑件，该产品使用的材料为阻燃ABS，牌号为PA-765A。
(一)影响因素及优化目标的选择
在注塑成型过程中，影响产品质量的因素有很多，例如：熔体温度、模具温度、冷却时间、注射时间、保压压力和保压时间等，且不同的因素对注塑成型的影响各不相同，也可能是多个因素共同作用造成塑件成型缺陷，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。
根据该电源适配器外壳塑件生产时出现的缺陷，发现其主要缺陷为翘曲变形，其会造成电源适配器外壳与其他零件配合不佳而产生间隙，因此，将翘曲变形作为质量指标。
根据该电源适配器外壳塑件的具体生产情况，选择的影响因素为熔体温度(Tmelt，℃)、模具温度(Tmold，℃)、注射压力(Pinj，MPa)、注射时间(tinj，s)、冷却时间(tc，s)、保压压力(Ph，MPa)和保压时间(th，s)共7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)均匀试验设计
均匀试验自王元和方开泰提出以来广泛应用于制造、制药、科学和工程等领域。均匀试验设计只考虑试验点在试验范围内的均匀分布，可以大大降低试验次数。
在确定影响因素和优化目标后，根据试验需要选择试验设计方法，由于相关因素变化范围跨度较大，为考虑影响因素水平划分的相对均匀性，并尽量减少试验次数，选择均匀试验作为试验设计方法。
由于各影响因素的变化范围差别较大，因此各影响因素的水平划分不同：注射压力和保压压力分为60水平，熔体温度和模具温度分为30水平，冷却时间和保压时间分为20水平，注射时间分为4水平。混合水平均匀试验表的一般形式为：
式中n为试验次数，t1，t2，t3为列的水平数，q1，q2，q3分别是水平数为t1，t2，t3的列的数目。
由于本次均匀试验次数较多，一般的均匀表不适用，利用DPS数据系统生成混合均匀试验表U60(602×302×202×41)，并通过Moldflow软件模拟出各影响因素在不同水平下注塑件翘曲量的大小，试验方案与结果如表1所示。
表1均匀试验表及仿真结果
均匀试验只考虑试验点在试验范围内均匀分布而不考虑整齐可比，常用的分析方法为直观分析法和回归分析法。通过对试验结果进行直观分析，发现翘曲变形最小值出现在第28号试验且其值为0.4008mm。然而该变形值不满足产品要求的翘曲0.38mm以下的技术要求。因此直观分析获得的工艺参数不符合要求，需要对试验进行回归分析。由于塑件注塑成型过程中，多因素共同作用影响塑件成型质量，表现出非线性、多耦合的情况，因此选择二次完全多项式的回归模型：
式中，y为优化目标，n为变量的数目，b0、bi、bii、bij为模型参数，xi、xj为设计变量，ε为精度误差。
考虑两个因素的交互作用、且影响因素为7个，因此该回归模型中含有1+2n+n(n-1)/2个参数，即上式中未知数有36个，使用Spss22.0对其进行求解，获得回归模型各项系数如表2所示：
表2回归模型各项系数
其中x1为注射压力，x2为保压压力，x3为熔体温度，x4为模具温度，x5为冷却时间，x6为保压时间，x7为注射时间。
回归模型的方差分析结果如表3所示：
表3方差分析
a.R2＝1-(残差平方和)/(校正平方和)＝0.999。
可决系数R2越接近1，说明建立的方程较好的表达了研究目标和研究对象的关系。但R2易受研究因素个数的影响，因此，可以通过计算调整可决系数Ra2：
式中，n为样本数，k为拟合方程中参数的个数。
经计算调整后的可决系数
为0.998，可决系数和调整可决系数都接近1，说明建立的回归方程拟合精确度较高。在选取的工艺参数范围内，对上述模型进行求解，获得塑件翘曲量最小的工艺参数为：注射压力(x1)95MPa、保压压力(x2)94MPa、熔体温度(x3)239℃、模具温度(x4)50℃、冷却时间(x5)10s、保压时间(x6)29s和注射时间(x7)4s，预测翘曲变形量为0.301mm。将优化后的注塑工艺参数输入Moldflow软件中，获得如图2所示的翘曲仿真值为0.3346mm。其翘曲值与均匀试验获得的最小值0.4008mm相比降低了16.5％，满足产品的生产需要，但其预测值与仿真值的相对误差为10％，相对误差较大，模型预测精度有所欠缺，需要寻求更佳的模型对成型质量进行预测。
(三)构建支持向量机模型
支持向量机(SVM)是Vapnik提出的一种用于分类和回归的机器学习方法，可以解决小样本、非线性、高维数和局部最小等一系列问题。SVM已被证明是一种非常强大和有效的回归技术，针对线性分类问题，SVM是以求解线性分类最优超平面为理论基础，通过调整最大分类间隔实现结构风险最小化原则；针对非线性分类问题，SVM使用核函数将低维输入空间映射到高维特征空间，在高维空间进行线性分类，得到最优超平面。
将SVM用于回归分析，其与分类的不同之处在于模型的输出不同，在回归分析中输出值为实数，而分类问题中的输出是特定的几个值。SVM用于回归分析分为线性回归和非线性回归。对于非线性回归的情况，首先需要将原数据空间通过映射Φ映射到高维空间中，其映射关系为：
Φ:x→Φ(x)
然后在高维空间中做近似线性回归，实现低维空间的非线性回归。通过引入核函数K(xi,xj)＝Φ(xi)·Φ(xj)，从而避免高维空间中复杂的点积运算，有效降低计算复杂度。
如图3所示，SVM构建步骤：
步骤1：根据研究对象确定影响因素和质量指标，针对电源适配器外壳注塑工艺优化，选择注射时间(tinj，s)、冷却时间(tc，s)、熔体温度(Tmelt，℃)、保压时间(th，s)、保压压力(Ph，MPa)、模具温度(Tmold，℃)和注射压力(Pinj，MPa)共7个因素为影响因素，并确定各因素的变化范围，并以翘曲变形作为质量指标。
步骤2：根据前述的均匀试验和计算机仿真值获得电源适配器外壳质量指标的响应值。
步骤3：针对各影响因素的单位不同和变量范围不同，将影响因素和质量指标值进行归一化处理，消除量纲对分析的影响，并以归一化后的数据作为SVM模型的训练样本和测试样本。
步骤4：选择SVM的核函数，并对SVM模型的相关参数进行优化，从而获得最佳的模型参数组合。
步骤5：使用训练样本训练SVM模型，并对SVM模型的精度进行检验。可以采用均方误差(RMSE)、最大相对误差(RMAE)和样本决定系数(R2)来衡量模型的回归性能。均方误差和最大相对误差都是越小越好，样本决定系数越接近1越好，当R2≥0.9时，可以认为代理模型精度满足要求。
步骤6：若SVM模型精度不满足要求，那么增加训练样本数量，转至步骤2，重新训练SVM模型，直到获得理想的代理模型。
遗传算法(GA)由Holland首先提出，模拟自然选择过程，用于求解和优化非线性复杂问题，遗传算法优化SVM参数流程图如图4所示，获得SVM模型参数c为51.0091，g为0.011158。
将工艺参数的7个因素作为SVM模型的输入值，将翘曲变形量作为SVM模型的输出值，构建支持向量机模型，并拟合7个因素与翘曲变形量之间的关系，SVM模型如图5所示。
首先将60组数据随机化处理，然后将随机后试验数据的1～50组作为训练数据对SVM进行训练，其余10组作为测试数据用于检验SVM模型是否满足要求；将60组试验数据输入训练好的SVM模型得到预测输出，并与期望输出进行比较，结果如图6所示，预测相对误差如图7所示。由图7可知，SVM拟合的效果满足试验要求，可以用于塑件翘曲值的预测。
(三)粒子群算法优化及验证
粒子群算法(Particle swarm optimization，PSO)是由Kennedy和Eberhart于1995年提出的一种群体智能优化算法。PSO算法源于鸟类捕食行为的研究，已广泛应用于大多数现代科学和工程优化问题。
PSO算法从生物种群行为特征得到启发并用于求解优化问题，算法中每个粒子都是问题的潜在解，每个粒子对应由适应度函数决定的适应度值。粒子速度决定了粒子移动的方向和距离，且粒子速度随自身及其他粒子的移动进行动态调整，从而实现个体在可解空间中寻优。
PSO算法首先在解空间初始化一群粒子，每个粒子代表优化问题的一个潜在最优解，使用位置、速度和适应度值表示该粒子的特征，适应度值由适应度函数计算得到，它表示粒子的优劣。粒子在解空间中进行移动，通过追踪个体极值Pbest和群体极值Gbest更新个体位置；个体极值Pbest是个体所经历位置计算得到的最优适应度值，群体极值Gbest指种群所有粒子搜索到的最优适应度值。粒子位置每次更新都需要计算一次适应度值，并通过比较新粒子适应度值和个体极值、群体极值的适应度值来更新个体极值Pbest和群体极值Gbest。
假设在一个D维的搜索空间中，有n个粒子组成的种群X＝(X1,X2,…,Xn)，其第i个粒子代表一个D维的向量Xi＝[x1,x2,…,xd]T，其表示第i个粒子在D维搜索空间中的位置。根据适应度函数可以计算得出每个粒子Xi对应的适应度值。在迭代过程中，粒子通过个体极值和群体极值更新自身速度和位置，如下公式：
式中，ω为惯性权重；d＝1,2,…,D；i＝1,2,…,n；k为当前迭代次数；Vid为粒子的速度；c1和c2为加速因子；r1和r2为[0,1]之间的随机数；位置和速度限制在区间[-Xmax,Xmax]和[-Vmax,Vmax]。使用PSO算法对SVM模型寻找极值，将训练好的SVM模型作为适应度函数，优化流程如图8所示。
通过PSO算法对支持向量机模型寻找极值，寻优结果如图9所示，获得最佳工艺参数为：注塑时间4s、冷却时间23.3s、熔体温度239℃、保压时间29s、保压压力94MPa、模具温度59.5℃和注射压力106.6MPa，寻优获得翘曲最小值为0.3315mm，将优化的工艺参数输入Moldflow软件中进行模拟，获得翘曲仿真值为0.3323mm，仿真结果如图10所示，其预测值与仿真值之间的相对误差为0.24％，与多项式预测误差相比较小，且与优化前均匀试验所得的0.4008mm相比有明显改善，降低了17.1％，说明SVM模型预测更精确。
本发明使用均匀试验，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；通过多项式回归分析，对影响因素与响应值之间的关系进行分析，预测精度较高，有效减小塑件翘曲变形量，提高产品生产质量；通过遗传算法对支持向量机模型参数进行寻优，解决SVM模型参数选择的问题，有效提高支持向量机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；使用粒子群算法对训练好的SVM模型寻极值获得最佳工艺参数，将PSO算法寻优获得的最佳工艺参数输入Moldflow中进行仿真，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，说明使用遗传算法优化支持向量机模型参数并结合粒子群算法寻优最佳工艺参数的有效性。
Claims (8)
1.一种基于支持向量机和粒子群算法的注塑工艺优化方法，其特征在于，是通过遗传算法(GA)优化支持向量机(SVM)参数并结合粒子群算法(PSO)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均匀试验；其次将均匀试验数据分为训练数据和测试数据，利用遗传算法优化支持向量机模型参数并构建支持向量机模型，得到注塑工艺参数与质量指标之间的非线性映射关系；最后结合粒子群算法优化工艺参数获得最佳工艺参数。
2.根据权利要求1所述的基于支持向量机和粒子群算法的注塑工艺优化方法，其特征在于，设计均匀试验时，在确定各影响因素和优化目标后，根据各影响因素的变化范围进行水平划分设计混合水平均匀试验表，生成混合均匀试验表后，通过Moldflow软件模拟出各影响因素在不同水平下注塑件翘曲量的大小，然后建立回归模型进行回归分析，获得塑件翘曲量最小的工艺参数作为验证指标。
3.根据权利要求2所述的基于支持向量机和粒子群算法的注塑工艺优化方法，其特征在于，混合水平均匀试验表为：
式中n为试验次数，t1，t2，t3为列的水平数，q1，q2，q3分别是水平数为t1，t2，t3的列的数目。
4.根据权利要求2所述的基于支持向量机和粒子群算法的注塑工艺优化方法，其特征在于，利用DPS数据系统生成混合均匀试验表。
5.根据权利要求2所述的基于支持向量机和粒子群算法的注塑工艺优化方法，其特征在于，回归模型选用二次完全多项式的回归模型：
式中，y为优化目标，n为变量的数目，b0、bi、bii、bij为模型参数，xi、xj为设计变量，ε为精度误差。
6.根据权利要求5所述的基于支持向量机和粒子群算法的注塑工艺优化方法，其特征在于，建立回归模型进行回归分析时，获得回归模型各项系数后进行方差分析，并通过计算调整可决系数
进行验证，
式中，n为样本数，k为拟合方程中参数的个数；
在选取的工艺参数范围内，对回归模型进行求解，获得塑件翘曲量最小的工艺参数。
7.根据权利要求1所述的基于支持向量机和粒子群算法的注塑工艺优化方法，其特征在于，构建支持向量机模型的步骤如下：
步骤1：根据塑件的材料和生产实际情况确定各影响因素和质量指标，并确定各影响因素的变化范围；
步骤2：根据均匀试验和计算机仿真值获得塑件质量指标的响应值；
步骤3：针对各影响因素的单位不同和变量范围不同，将影响因素和质量指标值进行归一化处理，消除量纲对分析的影响，并以归一化后的数据作为支持向量机模型的训练样本和测试样本；
步骤4：选择支持向量机模型的核函数，并对支持向量机模型的相关参数进行优化，获得最佳的模型参数组合；
步骤5：使用训练样本训练支持向量机模型，并对支持向量机模型的精度进行检验；
步骤6：若支持向量机模型精度不满足要求，那么增加训练样本数量，转至步骤2，重新训练支持向量机模型，直到获得理想的支持向量机模型。
8.根据权利要求1所述的基于支持向量机和粒子群算法的注塑工艺优化方法，其特征在于，使用粒子群算法对支持向量机模型寻找极值，将训练好的支持向量机模型作为适应度函数进行优化，获得最佳工艺参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910789733.0A CN110674598A (zh) | 2019-08-26 | 2019-08-26 | 一种基于支持向量机和粒子群算法的注塑工艺优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910789733.0A CN110674598A (zh) | 2019-08-26 | 2019-08-26 | 一种基于支持向量机和粒子群算法的注塑工艺优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110674598A true CN110674598A (zh) | 2020-01-10 |
Family
ID=69075769
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910789733.0A Pending CN110674598A (zh) | 2019-08-26 | 2019-08-26 | 一种基于支持向量机和粒子群算法的注塑工艺优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110674598A (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111597729A (zh) * | 2020-05-27 | 2020-08-28 | 北京天泽智云科技有限公司 | 加工设备工艺参数优化方法及系统 |
| CN112508220A (zh) * | 2020-09-22 | 2021-03-16 | 内蒙古工业大学 | 车流预测方法和装置 |
| CN112906155A (zh) * | 2021-02-05 | 2021-06-04 | 深圳市浦联智能科技有限公司 | 一种用于注塑品信息的虚拟量测方法 |
| CN113119425A (zh) * | 2021-03-22 | 2021-07-16 | 广东工业大学 | 一种基于改进支持向量机的注塑产品质量预测方法 |
| CN113427730A (zh) * | 2020-03-23 | 2021-09-24 | 住友重机械工业株式会社 | 注射成型机及状态确定装置 |
| CN113591339A (zh) * | 2021-06-23 | 2021-11-02 | 江苏师范大学 | 一种可预测滚珠丝杠温升及热误差的建模方法 |
| CN113988354A (zh) * | 2021-08-04 | 2022-01-28 | 中山大学 | 基于机器学习的金纳米棒的合成优化方法、装置及介质 |
| CN115965166A (zh) * | 2023-03-16 | 2023-04-14 | 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 |
| CN116227181A (zh) * | 2023-02-17 | 2023-06-06 | 郑州轻工业大学 | 铰链梁锻造模具飞边槽参数及锻造工艺参数的优化方法 |
| CN116777537A (zh) * | 2023-05-26 | 2023-09-19 | 华能国际电力股份有限公司上海石洞口第二电厂 | 基于煤质特性的度电燃煤成本计算及配煤优化方法及系统 |
| 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 |
| CN118248269A (zh) * | 2024-04-26 | 2024-06-25 | 广东腐蚀科学与技术创新研究院 | 一种增材制造铝合金工艺参数优化方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和系统 |
| CN110367994A (zh) * | 2019-08-16 | 2019-10-25 | 福建工程学院 | 压电矩阵主动监测步态装置及其工作方法 |
-
2019
- 2019-08-26 CN CN201910789733.0A patent/CN110674598A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和系统 |
| CN110367994A (zh) * | 2019-08-16 | 2019-10-25 | 福建工程学院 | 压电矩阵主动监测步态装置及其工作方法 |
Non-Patent Citations (2)
| Title |
|---|
| 赵斐: "注塑过程质量控制中若干关键问题的研究", 《中国优秀硕士学位论文全文数据库》 * |
| 黄海跃等: "基于神经网络和遗传算法的薄壳塑件注塑工艺优化", 《塑料》 * |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113427730A (zh) * | 2020-03-23 | 2021-09-24 | 住友重机械工业株式会社 | 注射成型机及状态确定装置 |
| CN113427730B (zh) * | 2020-03-23 | 2023-12-05 | 住友重机械工业株式会社 | 注射成型机及状态确定装置 |
| CN111597729B (zh) * | 2020-05-27 | 2023-07-25 | 北京天泽智云科技有限公司 | 加工设备工艺参数优化方法及系统 |
| CN111597729A (zh) * | 2020-05-27 | 2020-08-28 | 北京天泽智云科技有限公司 | 加工设备工艺参数优化方法及系统 |
| CN112508220A (zh) * | 2020-09-22 | 2021-03-16 | 内蒙古工业大学 | 车流预测方法和装置 |
| CN112906155A (zh) * | 2021-02-05 | 2021-06-04 | 深圳市浦联智能科技有限公司 | 一种用于注塑品信息的虚拟量测方法 |
| CN113119425A (zh) * | 2021-03-22 | 2021-07-16 | 广东工业大学 | 一种基于改进支持向量机的注塑产品质量预测方法 |
| CN113591339B (zh) * | 2021-06-23 | 2024-03-22 | 广东智目科技有限公司 | 一种可预测滚珠丝杠温升及热误差的建模方法 |
| CN113591339A (zh) * | 2021-06-23 | 2021-11-02 | 江苏师范大学 | 一种可预测滚珠丝杠温升及热误差的建模方法 |
| CN113988354A (zh) * | 2021-08-04 | 2022-01-28 | 中山大学 | 基于机器学习的金纳米棒的合成优化方法、装置及介质 |
| CN116227181A (zh) * | 2023-02-17 | 2023-06-06 | 郑州轻工业大学 | 铰链梁锻造模具飞边槽参数及锻造工艺参数的优化方法 |
| CN115965166A (zh) * | 2023-03-16 | 2023-04-14 | 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 |
| CN116777537A (zh) * | 2023-05-26 | 2023-09-19 | 华能国际电力股份有限公司上海石洞口第二电厂 | 基于煤质特性的度电燃煤成本计算及配煤优化方法及系统 |
| CN116777537B (zh) * | 2023-05-26 | 2024-04-12 | 华能国际电力股份有限公司上海石洞口第二电厂 | 基于煤质特性的度电燃煤成本计算及配煤优化方法及系统 |
| 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 |
| CN118248269A (zh) * | 2024-04-26 | 2024-06-25 | 广东腐蚀科学与技术创新研究院 | 一种增材制造铝合金工艺参数优化方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN110640982A (zh) | 一种薄壁注塑件的注塑工艺参数多目标优化方法 | |
| 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 | |
| CN111563347B (zh) | 一种纤维增强复合材料的注塑工艺参数优化方法 | |
| Cao et al. | Multi-objective optimization of injection-molded plastic parts using entropy weight, random forest, and genetic algorithm methods | |
| CN112069610B (zh) | 一种透明复杂多腔塑件的注塑工艺参数优化方法 | |
| CN113722992B (zh) | 一种带嵌件注塑件注塑工艺参数多目标优化方法 | |
| CN108520111B (zh) | 一种基于正交成分最优选择与最优回归的软测量方法 | |
| CN111286599A (zh) | 基于机器学习的合金热处理工艺优化方法 | |
| CN113103535A (zh) | 一种基于ga-elm-ga的注塑件模具参数优化方法 | |
| CN111310348A (zh) | 一种基于pso-lssvm的材料本构模型预测方法 | |
| CN112733435A (zh) | 一种基于多模型融合的整车尺寸匹配偏差预测方法 | |
| Klimczak et al. | Inverse problem in stochastic approach to modelling of microstructural parameters in metallic materials during processing | |
| Liu et al. | Multiobjective optimization of injection molding process parameters for the precision manufacturing of plastic optical lens | |
| CN116047753A (zh) | 光学系统正交优化模型的构建及优化方法 | |
| CN103115601A (zh) | 轴类零件圆柱度的超差测定方法 | |
| CN114274457B (zh) | 基于Kriging-GA的注塑模具浇注系统结构参数决策方法 | |
| CN113283162B (zh) | 塑料光学镜片面形误差预测方法、电子装置及存储介质 | |
| CN111369039B (zh) | 基于多目标优化辅助主动学习的合金热处理工艺优化方法 | |
| CN111444619B (zh) | 一种注塑模具冷却系统在线分析方法及设备 | |
| CN113707213A (zh) | 基于深度学习的蛋白质-配体结合位点预测方法 | |
| CN110276478B (zh) | 基于分段蚁群算法优化svm的短期风电功率预测方法 | |
| Liu et al. | Warpage optimization of the GFRP injection molding process parameters | |
| CN114091304B (zh) | 氢氧气体热源加工船体外板的智能决策方法 | |
| Gao et al. | A 6-sigma robust optimization method for stamping forming of automobile covering parts based on residual error and radial basis interpolation |
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: 20200110 |