專利名稱：塑料注射成形中冷卻時間的快速預(yù)測方法
技術(shù)領(lǐng)域：
本發(fā)明涉及塑料注射成型領(lǐng)域，尤其涉及一種塑料注射成形中冷卻時間的快速預(yù) 測方法。
背景技術(shù)：
在市場經(jīng)濟條件下，產(chǎn)品的質(zhì)量與成本已成為企業(yè)生存發(fā)展的生命線。實踐證明， 注射成型CAE技術(shù)對加快新產(chǎn)品開發(fā)、提高產(chǎn)品質(zhì)量、降低成本起著關(guān)鍵作用，是支持企業(yè) 確立競爭優(yōu)勢的強有力的手段。隨著塑料工業(yè)的飛速發(fā)展，塑料注射模傳統(tǒng)的手工設(shè)計與 制造已無法適應(yīng)當前的形勢。20年來的實踐表明，縮短模具設(shè)計與制造周期、提高塑料制造 精度與性能的正確途徑之一是采用CAD/CAE/CAM技術(shù)。80年代以來，注射模CAD/CAM技術(shù) 已從實驗室研究階段進入了實用化階段，并在生產(chǎn)中取得了明顯的經(jīng)濟效益。注射模CAD/ CAM技術(shù)的發(fā)展和推廣被公認為CAD技術(shù)在機械工業(yè)中應(yīng)用的一個典范，目前正在向網(wǎng)絡(luò) 化、微機化、智能化、集成化、三維化發(fā)展。

發(fā)明內(nèi)容
本發(fā)明的目的在于提出一種塑料注射成形中冷卻時間的快速預(yù)測方法，綜合影響 冷卻時間的主要因素，通過冷卻時間快速預(yù)測模型計算出較準確的冷卻時間，對縮短模具 設(shè)計制造周期、提高制造精度與性能有重要作用。采用的具體技術(shù)方案如下一種塑料注射成形中冷卻時間的快速預(yù)測方法，包括如下步驟(1)確定冷卻時間的主要影響因子，即模具材料的導(dǎo)溫系數(shù)a工、塑料材料的導(dǎo)溫 系數(shù)a 2、溫度比值(Ti-TC)/(Te-TC)，(其中Ti為注射溫度、Tc為冷卻水的溫度、Te為開 模溫度)、制品的厚度h以及冷卻系統(tǒng)的面積S，并給每個影響因子設(shè)置多個不同的水平。(2)設(shè)計神經(jīng)網(wǎng)絡(luò)訓(xùn)練的樣本空間對上述確定的影響因子及其水平進行優(yōu)化組合，將優(yōu)化組合后的結(jié)果作為輸入 值，用CAE軟件模擬出冷卻時間的大小，作為輸出值，構(gòu)成神經(jīng)網(wǎng)絡(luò)訓(xùn)練的樣本空間。(3)設(shè)計和訓(xùn)練反向傳播神經(jīng)網(wǎng)路即BP神經(jīng)網(wǎng)絡(luò)，具體過程如下①確定網(wǎng)絡(luò)的層數(shù)理論上已經(jīng)證明具有偏差和至少一個S型隱含層加上一個線性輸出層網(wǎng)絡(luò)，能 夠逼近任何有理函數(shù)。增加層數(shù)主要可以更進一步的降低誤差，提高精度，但同時也使網(wǎng)絡(luò) 復(fù)雜化，從而增加了網(wǎng)絡(luò)權(quán)值的訓(xùn)練時間和出現(xiàn)“過擬合”的傾向。所以一般情況下，選用 三層的BP神經(jīng)網(wǎng)絡(luò)，即輸入層，隱含層，輸出層。②初始化參數(shù)在初始化之前，對輸入值和輸出值其進行歸一化處理，使其最大值和最小值均在 0 1之間。由于系統(tǒng)是非線性的，初始值對于學習是否達到局部最小、是否能夠收斂以及 訓(xùn)練時間的長短的關(guān)系很大。在MATLAB工具箱中一般采用激活函數(shù)nwlog.m(該激活函數(shù)為對數(shù)S型)或nwtan.m(該激活函數(shù)為雙曲正切S型)來初始化隱含層的權(quán)值W1和閾值 B1，采用隨機取值函數(shù)rands, m來初始化輸出層的權(quán)值W2和閾值B2。③確定學習速率學習速率的選取范圍在0. 01-0. 08之間。學習速率決定每一次循環(huán)訓(xùn)練中所產(chǎn)生 的權(quán)值變化量。大的學習速率可能導(dǎo)致系統(tǒng)的不穩(wěn)定；但小的學習速率導(dǎo)致較長的訓(xùn)練時 間，可能收斂很慢，不過能保證網(wǎng)絡(luò)的誤差值不跳出誤差表面的低谷而最終趨于最小誤差 值。所以在一般情況下，傾向于選取較小的學習速率以保證系統(tǒng)的穩(wěn)定性。④確定隱含層的神經(jīng)元節(jié)點數(shù)在BP神經(jīng)網(wǎng)絡(luò)中，隱含層神經(jīng)元節(jié)點數(shù)對建立的神經(jīng)網(wǎng)絡(luò)模型的性能影響很大。 神經(jīng)元節(jié)點數(shù)太少，神經(jīng)網(wǎng)絡(luò)不能很好的學習，訓(xùn)練需要的循環(huán)次數(shù)也多；神經(jīng)元節(jié)點數(shù)越 多，功能越大，循環(huán)次數(shù)也就是訓(xùn)練時間也隨之增加，同時也會導(dǎo)致出現(xiàn)“過擬合”的情況。 隱含層神經(jīng)元節(jié)點數(shù)一般在2-25之間。本發(fā)明在相同的期望誤差下，針對不同的神經(jīng)元節(jié) 點數(shù)進行訓(xùn)練對比，循環(huán)次數(shù)最少的情況即為最佳隱含層神經(jīng)元節(jié)點數(shù)。⑤選取期望誤差在設(shè)計BP神經(jīng)網(wǎng)絡(luò)的過程中，期望誤差也要通過對比訓(xùn)練后才能確定。通過對不 同期望誤差下的BP神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，所需循環(huán)次數(shù)最少的，即確定為最佳期望誤差。利用MATLAB下的神經(jīng)網(wǎng)絡(luò)工具箱進行訓(xùn)練的流程圖如圖1所示。(4)建立冷卻時間快速預(yù)測模型將訓(xùn)練所得的神經(jīng)元節(jié)點數(shù)和期望誤差寫入MATLAB神經(jīng)網(wǎng)絡(luò)工具箱，訓(xùn)練生成 BP神經(jīng)網(wǎng)絡(luò)模型。在VC++環(huán)境下實現(xiàn)冷卻時間的快速預(yù)測的界面化。其流程圖如圖2所
7J\ o通過冷卻時間快速預(yù)測模型，能快速的預(yù)測出冷卻時間，對縮短模具設(shè)計制造周 期、提高制造精度與性能有重要作用。


圖1為在MATLAB中訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)流程2為冷卻時間快速預(yù)測模型程序?qū)崿F(xiàn)流程3為冷卻時間快速預(yù)測模型設(shè)計流程圖
具體實施例方式以下結(jié)合附圖和具體實施例對本發(fā)明做進一步說明。本文基于一個平板類零件研究塑料注射成形中冷卻時間的快速預(yù)測方法。(1)確定冷卻時間的主要影響因子，即模具材料的導(dǎo)溫系數(shù)a工、塑料材料的導(dǎo)溫 系數(shù)a2、溫度比值(Ti-TC)/(Te-TC)，(其中Ti為注射溫度、Tc為冷卻水的溫度、Te為開模 溫度)、制品的厚度h以及冷卻系統(tǒng)的面積S，并給每個影響因子設(shè)置三個不同的水平。選 取制品的長為120mm，寬為30mm，厚度分別取為2mm，5mm，8mm三個水平，其他影響因子及其 水平如表1所示。模具的大小均為180mmX 50mmX 50mm。表1冷卻時間影響因子水平設(shè)計表 (2)設(shè)計神經(jīng)網(wǎng)絡(luò)訓(xùn)練的樣本空間本實施例采用田口試驗設(shè)計方法對這五個影響因子及其三個水平進行優(yōu)化組合， 以通過數(shù)目較少的實驗可以獲得在所有影響因子在不同水平條件下的最優(yōu)水平組合。本發(fā) 明選用了 L27 (35)正交實驗表，將優(yōu)化后的水平組合作為輸入值，用HsCAE軟件模擬出冷卻 時間的大小，作為輸出值，作為神經(jīng)網(wǎng)絡(luò)訓(xùn)練的樣本空間，如表2所示。表2五因子三水平正交實驗表 (3)設(shè)計和訓(xùn)練反向傳播神經(jīng)網(wǎng)路即BP神經(jīng)網(wǎng)絡(luò)
BP神經(jīng)網(wǎng)絡(luò)是一種多層網(wǎng)絡(luò)結(jié)構(gòu)，相鄰層之間為單向完全連接。它采用類似“黑 盒”的方法，通過學習和記憶，模擬輸入和輸出間的映射關(guān)系，比較適合自變量與因變量間 無理想數(shù)學表達式的復(fù)雜系統(tǒng)。具體應(yīng)用BP神經(jīng)網(wǎng)絡(luò)的計算原理如下(1)向前傳播階段隱含層第j個神經(jīng)元的輸出為
(1)
式中，為隱含層激活函數(shù)，m為輸入層神經(jīng)元數(shù)，1為隱含層神經(jīng)元數(shù)，為隱 含層第j個神經(jīng)元與輸入層第k個神經(jīng)元之間的權(quán)值；xk為輸入層第k個神經(jīng)元的輸入值； bj為隱含層第j個神經(jīng)元的閾值；
輸出層第i個神經(jīng)元的輸出為
(2)式中，f2為輸出層激活函數(shù)，n為輸出層神經(jīng)元數(shù)，Wij為輸出層第i個神經(jīng)元與隱 含層第j個神經(jīng)元之間的權(quán)值辦為輸出層第i個神經(jīng)元的閾值。輸出層的輸出誤差為
式中，、為第i個神經(jīng)元的目標輸出。 (2)誤差向后傳播階段
按照5規(guī)則，連接權(quán)值與閾值的調(diào)整增量Aw應(yīng)與誤差梯度成比例，即 式中，n為學習速率。輸出層權(quán)值變化。對從第j個輸入到第i個輸出的權(quán)值、閾值調(diào)整量為 隱含層權(quán)值變化。對從第k個輸入到第j個輸出的權(quán)值、閾值調(diào)整量為


(8)
本實施例中的具體過程如下 1.確定網(wǎng)絡(luò)的層數(shù)
本發(fā)明的輸出層為1，即注塑模的冷卻時間，選取27個典型樣本作為輸入層，隱含
層數(shù)為1層，網(wǎng)絡(luò)為三層。
2.初始化參數(shù)首先，在初始化參數(shù)之前，先對輸入值和輸出值進行歸一化處理，使其最大值和最 小值均在0 1之間。用小的隨機數(shù)對隱含層和輸出層的權(quán)值W和閾值B初始化，以保證網(wǎng)絡(luò)不被大的 加權(quán)輸入飽和。具體過程如下[ffl, Bl] = nwtan (SI, R) ；// 用 nwtan. m 給隱含層權(quán)值賦值[W2, B2] = rands (S2，SI) ；// 用 rands, m 給輸出層權(quán)值賦值3.確定學習速率大的學習速率可能導(dǎo)致系統(tǒng)的不穩(wěn)定，但小的學習速率導(dǎo)致較長的訓(xùn)練時間，本 次選取較小的學習速率0.01以保證系統(tǒng)的穩(wěn)定性。4.確定隱含層的神經(jīng)元節(jié)點數(shù)為了確定究竟取多少神經(jīng)元節(jié)點數(shù)為最佳，本實例針對不同的神經(jīng)元節(jié)點數(shù)S1 進行訓(xùn)練對比。為了節(jié)省訓(xùn)練時間，選擇期望誤差為err_g0al = 0. 1，通過觀察比較完成訓(xùn) 練所需的循環(huán)次數(shù)的情況得出最佳隱含層神經(jīng)元節(jié)點數(shù)。訓(xùn)練結(jié)果如表3所示。 表3BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果 從表3中可以看出以下幾種情況1)若神經(jīng)元節(jié)點數(shù)太少，神經(jīng)網(wǎng)絡(luò)不能很好的學習，訓(xùn)練需要的循環(huán)次數(shù)也多，如 S1 = 2時，循環(huán)次數(shù)一直增加到最大訓(xùn)練次數(shù)時，也沒達到期望誤差，這說明，神經(jīng)元節(jié)點 數(shù)較小時，難以實現(xiàn)訓(xùn)練結(jié)果。當S1 = 4時，雖然可以達到期望誤差，但是所需要的循環(huán)次 數(shù)較多，也不是理想的狀況。
2) 一般而言，神經(jīng)元節(jié)點數(shù)S1越多，功能越大，但是當神經(jīng)元數(shù)太多，如表3中當 取S1大于16之后，循環(huán)次數(shù)也就是訓(xùn)練時間也隨之增加，網(wǎng)絡(luò)解決問題的能力就開始出現(xiàn) 問題。3)當S1取5，6時，循環(huán)次數(shù)差不多，在所有取值之中，所需的訓(xùn)練時間較少，因此 取隱含層神經(jīng)元節(jié)點數(shù)S1 = 5和S1 = 6為最佳。具體取S1 = 5還是S1 = 6，要結(jié)合期望 誤差的訓(xùn)練結(jié)果來看。5.選取期望誤差本實例通過對不同期望誤差下的BP神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，同時結(jié)合隱含層神經(jīng)元 節(jié)點數(shù)的取值，所需循環(huán)次數(shù)最少的，即確定為最佳期望誤差。訓(xùn)練的結(jié)果如表4所示。表4神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果 由表4可以看出，當誤差目標小于0. 1時，無法實現(xiàn)訓(xùn)練結(jié)果，因此取誤差目標為 0. 1。在相同的隱含層節(jié)點數(shù)的情況下，S1 = 6比S1 = 5時的訓(xùn)練次數(shù)更少，因此選S1 = 6。(4)將訓(xùn)練所得的神經(jīng)元節(jié)點數(shù)和期望誤差寫入MATLAB神經(jīng)網(wǎng)絡(luò)工具箱，訓(xùn)練生 成BP神經(jīng)網(wǎng)絡(luò)模型(C00l_time. net文件)。并在VC++環(huán)境下實現(xiàn)冷卻時間的預(yù)測界面。最后通過一些典型制品的案例來測試冷卻時間快速預(yù)測模型，并通過HSCAE模擬 出相應(yīng)的制品的冷卻時間，將兩者的結(jié)果進行比較，同時結(jié)合與冷卻時間的理論計算公式 的對比，體現(xiàn)冷卻時間快速預(yù)測模型的優(yōu)越性。根據(jù)各案例的模具材料，塑料材料，查閱其導(dǎo)熱系數(shù)、比熱容和熔融密度等，計算 出其模具材料的導(dǎo)溫系數(shù)、塑料材料的導(dǎo)溫系數(shù)&2、溫度比值、冷卻系統(tǒng)的總面積，從而 得出各案例在冷卻時間快速預(yù)測模型中的輸入值，如表5所示。表5各案例的參數(shù)輸入值

將表5中各參數(shù)值輸入冷卻時間快速預(yù)測模型，得到冷卻時間預(yù)測值。同時用 HSCAE對該制品的冷卻過程進行模擬，得到與實際生產(chǎn)過程比較吻合的冷去時間模擬值，并 計算出冷卻時間預(yù)測值和冷卻時間模擬值的相對誤差。與現(xiàn)有的理論公式計算得出的冷卻 時間值對比，結(jié)果如表6所示。表6誤差結(jié)果對比 通過這五個案例的比較分析，我們可以看出預(yù)測出的冷卻時間結(jié)果和HSCAE模擬 的結(jié)果比較接近，誤差不是很大。而由冷卻時間的理論公式計算得出的值與冷卻時間的模 擬值誤差則比較明顯，由此可見冷卻時間快速預(yù)測模型對冷卻時間的估算的準確度有一定 的幫助。
權(quán)利要求
一種塑料注射成形中冷卻時間的快速預(yù)測方法，該方法包括以下步驟(1)確定冷卻時間的影響因子，并給每個影響因子設(shè)置多個不同的水平所述影響因子包括模具材料的導(dǎo)溫系數(shù)α1、塑料材料的導(dǎo)溫系數(shù)α2、溫度比值(Ti-Tc)/(Te-Tc)，制品的厚度h以及冷卻系統(tǒng)的面積S，其中Ti為注射溫度、Tc為冷卻水的溫度、Te為開模溫度；(2)設(shè)計神經(jīng)網(wǎng)絡(luò)訓(xùn)練的樣本空間對上述各影響因子及其水平采用田口實驗設(shè)計方法進行優(yōu)化組合，將優(yōu)化組合后的結(jié)果作為輸入值，用CAE軟件模擬出冷卻時間的大小，作為輸出值，構(gòu)成神經(jīng)網(wǎng)絡(luò)訓(xùn)練的樣本空間；(3)設(shè)計和訓(xùn)練反向傳播神經(jīng)網(wǎng)路即BP神經(jīng)網(wǎng)絡(luò)，具體過程如下①確定網(wǎng)絡(luò)的層數(shù)選用三層的BP神經(jīng)網(wǎng)絡(luò)，所述三層分別為輸入層，隱含層和輸出層；②初始化參數(shù)在MATLAB工具箱中采用激活函數(shù)nwlog.m或nwtan.m來初始化隱含層的權(quán)值W1和閾值B1，采用隨機取值函數(shù)rands.m來初始化輸出層的權(quán)值W2和B2；③確定學習速率所述學習速率的選取范圍在0.01-0.08之間；④確定所述隱含層的神經(jīng)元節(jié)點數(shù)針對不同的神經(jīng)元節(jié)點數(shù)進行訓(xùn)練對比，將循環(huán)次數(shù)最少的情況確定為最佳隱含層神經(jīng)元節(jié)點數(shù)；⑤選取期望誤差對不同期望誤差下的BP神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，所需循環(huán)次數(shù)最少的期望誤差確定為最佳期望誤差；(4)建立冷卻時間快速預(yù)測模型將訓(xùn)練所得的神經(jīng)元節(jié)點數(shù)和期望誤差寫入MATLAB神經(jīng)網(wǎng)絡(luò)工具箱，訓(xùn)練生成BP神經(jīng)網(wǎng)絡(luò)模型，并根據(jù)上述BP神經(jīng)網(wǎng)絡(luò)模型實現(xiàn)冷卻時間的快速預(yù)測的界面化，從而實現(xiàn)對塑料注射成形中冷卻時間的快速預(yù)測。
2.根據(jù)權(quán)利要求1所述的一種塑料注射成形中冷卻時間的快速預(yù)測方法，所述的步驟 (1)中，每個影響因子設(shè)置三個水平。
3.根據(jù)權(quán)利要求1或2所述的一種塑料注射成形中冷卻時間的快速預(yù)測方法，其特征 在于，其特征在于，在步驟(3)中進行初始化參數(shù)之前，先對輸入值和輸出值進行歸一化處 理。
4.根據(jù)權(quán)利要求1-3之一所述的一種塑料注射成形中冷卻時間的快速預(yù)測方法，其特 征在于，所述實現(xiàn)冷卻時間的快速預(yù)測的界面化的過程在VC++環(huán)境下完成。
全文摘要
本發(fā)明公開了一種塑料注射成形中冷卻時間的快速預(yù)測方法。通過已知的塑料和模具參數(shù)等，預(yù)測所需冷卻時間的方法。具體實現(xiàn)方案是(1)分析冷卻時間的主要影響因素；(2)設(shè)計神經(jīng)網(wǎng)絡(luò)訓(xùn)練的樣本；(3)設(shè)計和訓(xùn)練BP神經(jīng)網(wǎng)路；(4)建立冷卻時間快速預(yù)測模型；(5)通過實例來驗證該模型的優(yōu)越性。利用本發(fā)明可以快速準確的預(yù)測塑料注射成型的冷卻時間，對縮短模具設(shè)計制造周期、提高制造精度與性能有重要作用。
文檔編號G06N3/02GK101853318SQ20101016830
公開日2010年10月6日 申請日期2010年5月11日 優(yōu)先權(quán)日2010年5月11日
發(fā)明者劉暢, 周華民, 崔樹標, 張云, 李德群, 李陽, 趙朋, 黃志高 申請人:華中科技大學